|
▼
1.1 邊緣運算裝置
邊緣運算裝置（Edge computing device），或簡稱邊緣裝置。以往這類裝置是被部署在物聯網的終端，具備平價的運算晶片來連接一些感測器或致動器來做到非常有限的應用，例如記錄溫溼度或是控制電梯等等。這類裝置的特色是運算能力較弱、耗電量低，但有辦法介接實體周邊裝置，而最後一項正是它最迷人的地方。您很容易就可以使用常見的Arduino、ESP32或microbit等平價開發板，搭配一些免費的雲端服務來做出各種簡易的聯網互動應用。
隨著人們對於電子產品所提供的服務期望愈來愈高，相同的成本所能取得的運算能力也愈來愈高。回想一下您的智慧型手機，今年的手機規格必定遠勝於去年以相同金額所買到的，對吧？另一方面，各類AI的應用也陸續出現在我們的日常生活中，其中又以影像與語音為主要的應用場域，包含人臉辨識、相似圖片搜尋與Google語音助理、Apple siri等。這需要在裝置中部署可執行特定AI運算的晶片，同時要能滿足耗電以及價格的需求。台灣的廠商在這個領域中扮演了非常重要的角色，包含台積電與聯發科等諸多公司，實現了這項不可能的任務。
根據相關研究（註1-1），2020年的邊緣AI晶片出貨量已超過7.5億顆，市場規模額將達數十億美元的規模，而且邊緣AI晶片的成長速度將遠高於整體晶片市場，愈來愈多消費性電子裝置中都會裝有某種邊緣AI晶片，其中當然以智慧型手機為主力，另外也包含機器人、攝影機、感測器和物聯網等領域。由於 AI 運算需要相當高規格的處理器，以往的作法是在具備高階運算硬體的資料中心執行之後，再把運算結果發送回終端裝置，而不是在終端裝置本地執行。這種傳統的做法對於網路品質（速度與頻寬）有相當高的要求，並且資料發生點與運算中心之間的物理距離就是延遲的主因。因此，邊緣運算可以直接在資料發生點(例如讀取感測器值數值)即時計算，減少資料和運算點之間的物理距離影響程度，來減少系統不確定性並加快應用程式的執行速度。
就蒐集到的資料量與場所而言，邊緣裝置才是實際產生資料的地方，且一個場域中的多個裝置在短時間之內就可累積數GB甚至幾 TB的資料，這麼大規模的原始資料如果一股腦地丟回中央運算中心處理，將需要相當可觀的網路頻寬，對於運算中心的運算量要求也日益吃重。因此，如果原本只負責產生資料的裝置也能執行一部份運算，而只將運算結果或關鍵資料回傳給中央運算中心的話，可以減少在遠端伺服器上往返傳輸資料所造成的延遲，有效降低頻寬問題所造成的負擔。像是自動駕駛車、工廠機器人、醫院裡的醫療影像機器、零售店POS與各類監控攝影機等等都預期可因為邊緣運算技術能有更進一步的提升。
|