Insight Tech

我們都知道，困在行動網路覆蓋率不佳地區時的沮喪感。對於大多數人而言，沒有網路連線能力的生活是臨時的煩惱。但是，對於通常位於偏遠廣闊地區的採礦業而言，這是一個持續而代價高昂地限制煩惱。

「在經濟不穩定和商品市場動盪之際，資本支出對礦業公司來說非常的危險」，邊緣運算的全球領導者，ADLINK 技術公司的 ADLINK 網路與通訊業務經理 Julian Ye表示。「但同時，對原物料的需求卻激增。這正是事半功倍的，或者冒著錯失巨大機會風險的典型案例。」

現在，可以到最偏遠的位置部署私有 5G 網路、人工智慧和電腦視覺，可提供令人興奮的可能性。

偏遠邊緣的私有 5G

ADLINK 在中國四川省峨眉山區一處石灰岩礦場的執行案例就是最好的例子。採礦作業涵蓋廣闊的地理範圍，每年可採集 400 萬噸建築業、農業、冶金與淨水的重要原料。

礦場業主已經發現若干作業缺陷。

首先，系統與設備老舊，導致計算不當和浪費。特別令人關切的是礦區的手動地磅，一種礦工用於測量離開工作區之車輛和每車材料的大型測量設備。此外，礦場也沒有足夠的集中監督，因此很難即時解決問題，確保工人安全。

與許多礦業公司一樣，該公司正試圖提升產量，每年達到 800 萬噸石灰石的目標。礦場經營者希望能在不超過現有土地範圍和員工數量下達成此目標。

然而，實現這一遠大目標，仍有一些重大阻礙。如同 Ye 的解釋，「整個露天礦坑區域都有無線訊號不佳的問題，而且由於礦場的面積，佈局有線網路以擴大該覆蓋率是行不通的。」

與 ADLINK 合作，礦場經營者能夠使用私有 5G 網路，搭配邊緣 AI 解決方案，以滿足其業務需求。

5G、邊緣人工智慧和電腦視覺：一個黃金組合

首先，ADLINK 協助礦業公司建立私有 5G 網路。透過 ADLINK 的技術夥伴 Innogence 科技的硬體建置，這是一家 5G 無線存取網路（RAN）設備服務公司。Innogence 提供 5G 微型基地台（基本上是小型蜂巢式基地台），以及控制網路功能的工業級閘道器和 5G 系統核心。

ADLINK 利用自身的 5G 小型基地台全場覆蓋 5G，加固邊緣運算硬體，以及其開發邊緣 AI 解決方案的專長，以應付採礦業務的挑戰。

安裝了一批智慧型安全攝影機，以改善監督與監測。這讓礦場管理人員能夠在一個集中的位置監測作業，即時糾正安全違規行為，減少整個設施內對親自監督的需求。攝影機網路也支援安全自動化、出入點監測，以及周邊圍欄，以防止侵入。

5G、人工智慧和高效能運算的結合，也使得現在礦場地磅得以自主營運。電腦視覺攝影機系統透過讀取卡車的汽車牌照識別特定負載。駕駛可以透過簡易的螢幕介面輸入額外資料。誤差或誤測的風險極小，採集的石灰岩過磅工作流程也大幅簡化。

Ye 表示，ADLINK 與 Intel 的技術夥伴關係，對於開發其解決方案特別有幫助。「Intel 對於開發 5G 解決方案（從硬體加速器到 Intel^® FlexRAN SDK）提供大量的協助。Intel 當然也是一個建立穩定、高效能邊緣運算應用程式的平台。」

所有的技術協作最終結果相當驚人。整體而言，礦業公司預計能提高其地磅效率達 200%。目前可供礦場經理和安全主任使用現代、集中、即時的監測。專用的 5G 網路正在為礦場的數位化轉型開創其它機會，包括工業化與後台 AI 流程最佳化。

各處設置私有 5G 的案例

私有 5G 網路和邊緣運算未來將會解決許多礦業問題。然而有趣的是，使得分佈廣闊的邊緣開發解決方案如此實用的私有 5G ，在同樣的品質下也對製造業極具吸引力。

「5G 帶來的不僅僅是速度。對於企業來說，優勢在於 5G 網路提供巨大的頻寬、寬闊的連線能力和超低的延遲性」Ye 表示。

私有 5G 網路和邊緣運算結合了高速無線網路以及本地部署技術優勢的人工智慧的益處，從而為數位化轉型提供強大、安全且獨立的平台。ADLINK 設想私有 5G 使用案例，從智慧型製造業和安全，到能源生產與物流，基本上需要在強大、安全的網路上執行智慧邊緣解決方案的任何領域。

如同 Ye 的看法，這既可轉型，也可賦能企業：「未來，私有 5G 和邊緣運算將可協助所有公司從簡單的自動化轉變成真正的自主化。」

 

由 insight.tech 編輯副總監 Georganne Benesch 編輯。

工作場所安全就營運、財務與道德層面都是當務之急。然而，工業事故卻司空見慣，令人擔憂。遺憾的是，很多工廠管理員卻因為憂心生產力，因此對安全技術敬而遠之。

幸好 AI 類神經網路與電腦視覺這類新興技術所實現的工業安全解決方案，能夠保護工作者，又不會對生產力產生不利影響。

Xesol Innovation 是專精於將 AI 類神經網路應用到工業安全的公司，該公司的執行長 Jose Nogueira 表示：「這類新興技術將開創新局，因為管理階層再也不必在安全與獲利能力之間取捨。「事實上，採用以 AI 為基礎的安全解決方案時，可享有重要的工業物聯網效益。」

保護人員、機器與生產力

改善堆高機工業安全系統，正是應用 AI 類神經網路與電腦視覺的絕佳實例。

堆高機是不可或缺的工業車輛，但卻也是一大安全問題。堆高機與人員和固定物體碰撞是很常見的情況，導致設備損壞、受傷，甚至是死亡。單單是美國，堆高機在 2020 年就釀成了 7,000 多起嚴重事故。

採用無線射頻識別系統（RFID）、雷達和標準攝影機的碰撞偵測系統，經實證不足以為工作場所提供安全。這種系統還經常發出假警報，損害生產力。

「不精確和持續發出警報，是舊款系統的主要缺點。」Nogueira 表示。「很多新型解決方案，依舊無法辨識出直立姿勢以外的人，舉例來說，如果他們因傷躺下，或者如果在工作時蹲下。」

Xesol 利用在 AI 類神經網路方面的經驗，開發出 Drivox 這套智慧型碰撞警告系統，以截然不同的方式處理工業安全問題。

這個解決方案利用正面和背面的電腦視覺攝影機，取得詳細的車輛環境影像。它會即時掃描是否有危險因素，而且經過訓練，能夠偵測任何姿勢的人形，以及環境的危險來源。如果偵測到風險，駕駛員會在顯示器收到音訊和視覺警示。然而，除此之外，駕駛員可以自由推進工作，不會因為只是靠近人或另外一部機器，就被假警報打斷工作。

案例研究：從安全到工業物聯網

改善工作場所安全，是精確碰撞偵測系統的顯著優勢。然而，Nogueira 的公司發現，AI 型安全系統還能以有機的方式融入工業物聯網應用，為工業終端使用者、AI 專家，以及提供系統的系統整合商，提供顯著的優勢。

Xesol 為某大型製造商實作 Drivox 時，客戶詢問是否能在解決方案新增這幾項額外功能：

• 數位安全檢查清單，用以判斷每部車輛的作業狀態，並且將未通過檢查清單的車輛自動上鎖。
• 符合 GDPR 的生物特徵辨識 ID 系統，取代負責機器開機的舊型磁卡。
• 深入解析每位駕駛員的績效與安全實務。
• 整合性的報告與資料視覺化儀表板，用以管理分散於各夥伴公司的車隊。

Xesol 因應每位終端使用者的要求，將這些功能整合至技術時程計劃。最終締造出真正的雙贏情境：也就是如願以償的客戶，以及重新構思的 Xesol 解決方案。

給 AI 專家與系統整合商的重點摘要

Drivox 本質上已經進化，原本是安全裝置，現在則變成全方位的工業物聯網服務平台。Nogueira 表示，功能範圍廣泛：「起初的新一代碰撞偵測系統，現在可用於車隊管理、設備檢查及報告，確保只有授權人員能操作車輛，還可用於車隊維修規劃。」

Xesol 成長讓系統整合商與其他 AI 專家意識到，善用現今採用 AI 技術的產品生態系統，能如何開發出全方位的解決方案。Nogueira 表示，公司與 Intel 的合作夥伴關係，是開發全方位解決方案不可或缺的一環：

「Intel^® OpenVINO^™ 工具組的類神經網路最佳化工具，是 Intel 與我們公司一拍即合的推手。然而，更重要的是，Intel 代表廣大的技術生態系統，包含龐大的供應商、裝配商與市場就緒解決方案。這個生態系統在加速產品啟動時間方面，提供了龐大的優勢。」

工業安全的未來

兼顧工業安全和其他工業物聯網效益的解決方案，重要性不僅侷限於可擴充性。另外，這類解決方案本質上功能豐富，也就是說，自然使用案例超越工業環境。

舉例來說，Drivox 已經接到航運業和土木工程公司的訂單，他們分別希望將解決方案用於貨櫃船，以及將安全與工業物聯網的效益融入挖土機與壓路機。Nogueira 還表示，他認為這項解決方案甚至可望出現更多元的應用案例：「我認為機場與農業機械指日可待。我們也期待進軍自動導引運輸車（AGV）與安全產業。」

更長期的 AI 技術支援工業物聯網平台，有助於在單一系統整合工業安全、車隊管理、物流與生產的功能。

Nogueira 表示：「工業物聯網與 AI 正協助工業邁向真正的整合式工廠環境管理解決方案。」「請容我這麼說，這項技術終於讓實現『智慧工廠』的夢想更接近了一步。」

 

由 insight.tech 編輯副總監 Georganne Benesch 編輯。

每個人都希望火車能準時抵達，但比起遵守緊湊時間表，更重要的是平安地旅行。要做到這一點，就得需要列車在軌道上行駛時，從列車外面收集即時資訊。這種見解對於能提醒列車業者和駕駛員任何問題至關重要，使得他們能做出明智的決定，避免可能發生的災難。

如果前方出現問題，工程師越早知道，他們就越早使用列車煞車手柄並停下列車。即使是一瞬間，也可能造成災難與乘客安全抵達目的地之間的差別。

幸好，由於運輸領域的人工智慧搭配 5G 的連線能力，資料比以往更容易取得。具體來說，有兩種類型的資料系統對於維持鐵道正常運作至關重要：自動列車保護系統 (ATP) 和集電弓監測系統。

ATP 系統會不斷檢查列車在任何鐵軌速限上行駛的速度。集電弓監測系統除了能感知列車周圍的其它問題，還能感受到不正常地震動，並且拍攝冒出火花的影片。

讓人工智慧在運輸領域上步上正確的軌道

其中一個例子就是台灣的鐵道系統。台灣的鐵道系統最近為了即時 ATP 和集電弓監測系統，開始導入人工智慧和 5G，使用來自 MiTAC 運算技術公司 (MCT) 的硬體技術，該公司應用自身 AI 平台 MiAIOT，開發了以鐵道為主的解決方案—MiAIOT 列車保護監測系統 (MTPMS)。

「有了解決方案，列車駕駛員就能獲得新的偵測和警示技術的協助。一旦設備發生故障，駕駛員不再需要回到列車室下載並檢查集電弓影像。相反地，影像由 5G 頻道傳送」，MiTAC 資訊科技公司行銷經理 Russell Lo 表示。

這可以加速資訊傳遞至列車駕駛員達 98%，進而使得他們能更恰當、更有效的處理警示，Lo 解釋。

MTPMS 不僅向駕駛員，也向鐵道控制中心和行車控制室傳送資訊，因此結合了以往不同資訊流中的資訊，並且需要更多時間和精力整合。

「這讓先前分散的資訊具有可讀性和同步性，並且改善整體效率和列車運輸的安全性」羅表示。

除了安全性資料之外，系統還會處理時刻表和日誌。「駕駛員搭上列車時不再需要攜帶具有派班資訊的 USB，或者回程時不再需要攜帶儲存列車日誌資料的相同 USB。相反地，所有資料都由 5G 頻道傳送」羅表示。

羅表示，到目前為止，台灣鐵路新竹機務段使用時，MTPMS 已經取得了積極成果，預計將擴展到台灣的整個鐵路系統。

發展人工智慧安全解決方案

為列車提供人工智慧安全解決方案一直都是 MiTAC 的首選服務。該公司在 IT 業有著悠久的歷史、透過其分銷部門、聯強物流和配送，提供硬體和軟體解決方案、系統整合服務。大約在 2016 年，公司決定大舉投資人工智慧。

其人工智慧物聯網 (AIOT) 解決方案 (如 MiAIOT) 已可用於各行各業，例如智慧城市和政府、交通、教育、安全、企業，以及製造業。MiAIOT 平台甚至已用於各種場景中，包括防止蚊子傳播疾病、非法事件、水資源管理，以及旅遊業。

平台利用七個主要系統 (即資料儲存、即時直播、AI 分析、可視化工具包、API、平台管理以及警示通知)將不同系統中的非標準化資料轉換成標準格式，提供可操作的見解。

「MiAIOT 是一個強大而簡單的工具，為政府和企業提供深入的見解，以做出市政管理、城市工程、製程控制、資產管理，甚至是防疫等決策。」Lo 表示。

例如，將 MiAIOT 用於 MTPMS 中啟用解決方案，在 2022 年第三季度時，故障發生前 2 分鐘預測到 8 個系統故障，使得列車業者可立即採取行動，Lo 解釋。

人工智慧管理的未來

除了擴大台灣 MTPMS 的使用以外，MiTAC 還有其他計劃。其中一項計劃是以安全為目的，提供列車內的監測能力。

MiTAC 最終希望能將其人工智慧技術，提供給台灣以外的鐵道系統。Lo 表示，要做到這一點，MiTAC 計劃利用與 Intel 的夥伴關係，有助於改善目前全球數位化轉型。

Lo 解釋，成功數位化轉型和消除數據孤島問題的關鍵是要有一個整合性的平台，可將資料分配、聚集，並整合至企業部門、供應商和客戶之間。為了實現這一目標，Intel 正在幫助 MiTAC 開發邊緣到雲端的解決方案，包括移除過程中涉入的一些複雜性、提供簡化的工作流程並加入部署。

具體而言，MiTAC 計劃繼續完善其人工智慧技術，使其更具備預測性，提供鐵路業者即時的資料，以改善其列車和乘客的安全性。

 

本文由 insight.tech 編輯副總監 Christina Cardoza 編輯。

機器視覺為製造商提供了有形的直接效益。由人力監督品質控管不僅準確度只有 80 % 左右，而且產品瑕疵或問題經常太小，肉眼無法察覺。AI 提供的解決方案更可靠，能讓製造商達到 99 % 的準確度，而且能夠揪出尺寸不到 1 mm 的微小異常狀況。

然而，機器視覺的前置成本高昂，可能是製造商的一大障礙，尤其是必須在不同生產線調整同一套解決方案的製造商更是如此。為了解決此一困境，AI 視覺即服務供應商 BlueSkies.AI，於是與運算裝置全球領導者 Lenovo 和 Intel 合作。同級最佳運算效能，結合開放原始碼軟體和視覺 AI 專業知識，締造出安全可擴充的品質檢驗解決方案。世界各地正面臨勞動力短缺的問題，這類解決方案可讓公司行號重新配置人工檢驗的人力，訓練他們擔任附加價值更高的職務。

AI 即服務運作方式

BlueSkies.AI 與 Lenovo 以及 Intel 密切合作，COVID-19 全球大流行期間面臨了種種限制，在一家大型製藥公司試行了解決方案。在硬體方面，他們部署了搭載 Intel^® 處理器的 Lenovo ThinkEdge SE30，一款專為承受嚴峻環境所打造的工業電腦。

「這項裝置的設計可裝載於傳送帶，還可依照產品和潛在缺陷大小選擇攝影機。」Blueskies.AI 創辦人暨執行長 Ted Connell 表示。以這個案例來說，電腦視覺攝影機必須兼顧全局，並且偵測藥片生產線小至 0.1 mm 的瑕疵。

客戶不需要任何 AI 或物聯網技能。BlueSkies.AI 開發的 AInspect 是一種邊緣機器視覺裝置，搭載整合式電腦、攝影機，以及裝在傳送帶頂端的燈具。客戶只需要為系統展示每種瑕疵類型的實例 30 至 50 個，以及數量相近的模範實例，系統就會訓練自己的 AI 模型。

「光用這些資料就能開始著手，而且我們能達到 90% 的中高準確度。」Connell 表示。「我們已經順利設法用少量資料訓練模型，並且迅速達到比人類高的準確度。」如果客戶需要更高的準確度，向系統展示更多各類型瑕疵樣本即可，而且每次互動都會讓 AI 模型更臻完美。BlueSkies.AI 是其 AI 即服務模型的一環，負責監督初始訓練達到預先選定的準確度，並持續提供支援。

邊緣運算提供資料安全性以及可擴充性

確保資料安全無虞是製造商的重中之重。很多公司的通訊協定禁止資料離開工廠，因此不可能採用雲端解決方案這個選項。

「製造商考慮大規模實作及部署解決方案時，安全性是重要核心考量」– Lenovo ThinkEdge Business Group 資深主管 Blake Kerrigan 表示。「過去分歧眾多的組織打算融合 IT 與 OT 時，更是格外重視安全性。」

這項解決方案的內部部署運算能力強大，將資料保存於邊緣和客戶的防火牆後，消除了那方面的疑慮。製造商可信心十足部署 Lenovo 硬體，因為確信它符合所有安全條件與品質標準。另外，這個供應商計畫值得信賴，在全球 180 多個市場獲得支援，對他們也是一大優勢。「我們能夠利用那種規模經濟，服務大型全球企業。」Kerrigan 表示。

未來：邊緣開放原始碼

專屬機器通訊協定在製造業歷史悠久，互通性難題與資料瓶頸隨之而來，可能導致相連解決方案實現 ROI 的速度減慢。

Kerrigan 認為採用開放源始碼是未來的趨勢。「我看好 AI，尤其是電腦視覺，因為它基本上是單一語言。」他表示。「BlueSkies.AI 與 Intel 領先群倫，採納並擁抱這個開放原始碼社群，因為這是大勢所趨，將可幫助我們從 IT 點改善水平策略。」舉例來說，Intel^® OpenVINO^™ 工具組提供了完備的開發架構，依照標準執行，支援深層學習應用的創新技術。

延遲則是製造商面臨的另一道難題，而且採用 AI 機器視覺這類高頻寬解決方案時延遲格外嚴重。AI 與相連的事物逐漸普及之際，在邊緣處理資料是儘量減少延遲的方法之一，還可減輕安全性疑慮。

Kerrigan 表示：「大量工作負載持續在雲端整合，企業也紛紛將應用程式移至雲端，而今我們卻為了效率與速度，正在討論將工作負載與應用程式移回邊緣，」

不過互聯製造的未來，最終將採用全方位的運算觀點。「關鍵在於從邊緣到雲端管理整個廠房的資料。」Connell 表示。「AI 將無所不在。我們需要同質的環境和網路，儘量減少延遲，並且儘可能強化分散式運算中心之間的安全措施，才能支援那些應用。」

有了強大的邊緣運算與資料安全措施之後，不妨想像一下 AI 即服務能為您的企業創造哪些效益。

 

由 insight.tech 編輯副總監 Georganne Benesch 編輯。

有潛力讓廠房工業製程加速，並且更安全也更永續的新工具很多，其中包括邊緣運算和數位分身。然而，伴隨著這些效益而來的難題包括，弭平 IT/OT 落差，以及用先進的技術搭配舊式基礎架構。

工業製造解決方案供應商西門子的工廠自動化執行長 Rainer Brehm，討論了這些工業趨勢與轉型。他談及標準化、自主 AI，以及包含西門子本身的使用案例。他從 1999 年就效力於該公司，持續親眼見證了這個領域的演變，以及接下來可能的發展。

工業領域在 2023 年及往後的趨勢走向如何？

在我們看來，結合數位（亦即模擬模組、數位分身）與真實世界是未來的趨勢。基本上，只要事先模擬一切，然後執行就可以了。備妥回饋迴路。先從作業取得即時資料，然後將它回饋至數位分身，接著就可以進一步將資料最佳化。善用資料極為重要，因為雖然 AI 尚未在廠房蔚為風潮，但是由於資料越來越唾手可得，AI 將會在廠房逐漸風行。

另外，我們還注意到軟體定義的控制方式，或是軟體定義的自動化。目前，幾乎每樣東西都與硬體搭售，但是日後分開銷售和虛擬化的比例將越來越高。

最後一個重點則是，回顧廠房時我們發現，使用這些複雜技術的人，依舊是機器的操作者。這些人雖然不是 IT 專家，但依舊必須能夠操作與維護生產線、機器和基礎架構的機器設備。因此，我們必須面對以人為本的自動化這個議題：我們怎麼做才能讓過程儘可能簡單？

達成工業 4.0 的目標必須克服哪些難關？

我認為過程必須動用多項技術。然而，他們並未擴充的原因在於，OT 與 IT 人員的溝通方式截然不同。即使是在我們公司，身為 OT 人員的我也能感同身受。談及連線能力時，我想到的連線對象是真實世界、設備、感應器與硬碟等。IT 人員談及連線能力時，腦中浮現的連線對象則是資料庫、雲端與資料湖。客戶的體驗，我們在公司也感同身受。IT 部門與 OT 人員之間的落差仍未消弭。OT 人員負責定義如何自動化、如何架設設備、如何設置生產線，以及如何如何透過維護的方式最佳化。

那麼您如何整合溝通方式？雖然重點可能在於用字遣詞，但是舉例來說，可能與如何為 OT 整體環境制定計畫有關。我們引進了全新的程式設計環境，名為 SIMATIC AX (Automation Xpansion) 擴充套件。之所以稱為擴充套件的原因在於，它為 IT 人員拉近了與 OT 界的距離。

整體環境的異質程度也非常高。很多機器使用的語言都不一樣，因為機器是出自不同的廠商之手。由於沒有標準，因此其實無法擴充。標準是擴充的必要條件。這項必要條件甚至適用於新機器、新廠擴建，不過就連既有廠房擴建也需要有標準可循。工廠一般至少運作 10 年，多半運作 20 年或 30 年。如果是能源產業或化學產業，工廠或許會運轉 40 年。

邊緣與 AI 問世，如何使得工廠自動化的過程複雜化？

論及廠房的邊緣運算時，條件更多。所謂的即時，可能只有微秒之差。請試想，在速度飛快的流程中，一微秒可能發生很多事情。如果回應速度不夠快，那麼可能會懷疑機器有問題，或是可能得出不同的結果。因此，即時是非常重要的議題。

其次，如果想在廠房部署 AI 工作負載，並且希望它以極快的速度回應，那麼關鍵則在於這個 AI 工作負載必須有緊鄰機器的推論，而原因則單純在於光速。另一方面，AI 最好能與實際過程頻繁互動。基本上，您必須干涉這個過程，因此最好採用緊鄰機器或生產線的近距離配置方式。此外，您還必須從過程中擷取資料，然後回饋至 AI。

我可以舉個例子說明。我們在漢堡市的工廠，每天約產生 10 TB 的資料。儘量不要將那 10 TB 的資料傳送至雲端，讓資料留在資料來源才是明智之舉。這個作法或許有別於傳統的 IT 現況。但是除了新增即時功能，我們還必須加入安全措施。

這一點與自動駕駛有點類似，因為安全措施對兩者而言都是極為重要的一環。請試想，在汽車業推行自動駕駛時，將看到小朋友跑到街上時是否該停車的決定，交給雲端並非是明智的選擇。直接在車上儘快執行那個反應才是上策。機器也同理可證。如果印刷機故障，而且有人的手指夾住了，應該立刻停機才對。您需要的是那種光速反應。

但何不未雨綢繆呢？1999 年我開始在西門子工作時，自動化的工作內容基本上重複性質都很高。大量生產非常適合自動化，因為量產有很多重複性質的工作。或者也可以將可預測的工作自動化。基本上，可以只將已知的部分自動化。

雖然 AI 已經用於將流程最佳化，但是難道我們不能也利用 AI 打造更自動化的工廠嗎？我們該如何利用 AI，讓機器或機器人自行決定該怎麼做嗎？也就是說，AI 不僅能將流程最佳化、將工程設計最佳化及強化，實際上還能操縱機器人、機器與生產線。將 AI 應用於那個用途令人非常雀躍，因為它開創了全新的自動化領域。

西門子有哪些使用案例能夠當成這些解決方案的實際示範？

先從我們的廠房說起；我們自己也採用了用於客戶廠房的解決方案。我們位於漢堡市的廠房，正是 IT/OT 運用 AI 的使用案例。印刷電路板生產線的產量極高，而且將零件放在電路板的過程也很複雜。我們過去通常會在最後以 X 光檢查印刷電路板，而且始終遇到瓶頸。因此，利用 AI 之後，現在我們能預測每塊印刷電路板品質是否優異，也可預測每部機器是否有極高的可能性不會發生品質問題，將印刷電路板送去 X 光機的作法已經淘汰；現在印刷電路板會略過 X 光機，直接送去進行最後組裝。

另一個例子則是基礎設施，也就是隧道自動化。開車行經阿爾卑斯山或洛基山脈的隧道時，哪些隧道極有可能是由我們的 PLC 所自動化及控制。為了偵測隧道內的緊急情況，例如是否塞車、是否發生火災，現在我們利用 AI 的情況越來越多。如果需要快速回應，該如何從隧道疏散？如何開啟或關閉通風孔或燈光？

再以工廠為例，我們目前採用即時的彈性抓取方式，將物品從盒子中取出。AI 會指示機器人抓取哪個部位，完全不必用需要抓取的物品訓練機器人，也不必為機器人編寫程式。我們會訓練機器抓取的技巧。基本上，只要夾爪允許，機器人能抓取任何需要的物品。因此，有了那項抓取技巧，我們能開始將未知或無法預測的動作自動化。

我的最後一個使用案例雖然目前尚未實現，但卻是目前投資的標的：未來是否可以將維修自動化？以汽車電池為例。未來或許可以將汽車開去保養廠；電池取出後發現有缺陷，接著系統能自動偵測問題所在，然後自動修理電池電芯。這也算是將未知的過程自動化，因為每顆電池都獨一無二。是否能利用 AI 將那個過程自動化？因此，幾個令我十分雀躍的使用案例，將會在未來產生影響。

請跟我們聊聊合作夥伴關係的價值，例如與 Intel 的夥伴關係。

我們大概與 Intel 合作了四十多年。為了實現低延遲功能的過程，尤其是針對必須在微秒內採取行動的工作負載，我們在 2012 年展開了 TAP (Technology Accelerator Program)。成果極為豐碩，並且幫助我們在控制器採用 Intel 晶片。

我們目前正就供應鏈危機與 Intel 合作。因此，多虧了 Intel，雖然我們或許無法滿足客戶的所有需求，但我們能儘量達成那項目標。

機器視覺應用是耗用大量運算能力的工作負載。為此，我們將推出採用第 4 代 Intel^® Xeon^® 可擴充處理器的全新產品組合。這個產品組合可望在 2023 年中上市。那個全新的產品組合完全能解決廠房的需求，非常令人興奮。

最後有任何結語跟我們分享嗎？

首先，我深信，沒有自動化、電氣化和數位化，就沒有永續發展的未來。因此，我們與 Intel 的合作對未來貢獻良多。第二，我認為，隨著我們將無法預測的個人化工作負載自動化，自動化領域的範圍將進一步擴大。第三，我們必須儘可能讓這項技術易於使用，OT 人員才有辦法操作這項複雜的技術。

相關內容

若要進一步瞭解工廠自動化，請觀賞達成工廠自動化：利用西門子的技術。若要瞭解西門子最新的創新技術，請用 @Siemens 在 Twitter 和 LinkedIn 追蹤他們。

 

本文由 Erin Noble 編審。