人工智慧(AI)是物聯網及工業4.0發展的核心。尤其，當特斯拉(Tesla)推出電動車及蘋果(Apple)發表新機iPhone X推出FaceID之後，讓市場體驗到AI晶片的無限商機。同時，AI應用接受度越高的國家，將對其GDP產生貢獻愈大。我國在既有半導體及ICT技術優勢及競爭力的基礎上，迎合各產業的需求不斷增加，開發出各種新應用晶片，不僅讓台灣在半導體的競爭力絕對在全球可扮演關鍵的角色，同時將為台灣的經濟帶來未來30年的新榮景。
AI晶片包含三大類市場，分別是數據中心(雲端)、通信終端產品(手機)、特定應用產品(自駕車、頭戴式AR/VR、無人機、機器人...)。當前機器學習多採用 GPU圖像處理，尤以Nvidia 是此一領域龍頭，但是，有些業者認為GPU處理效率不夠快，而且因應眾多特定新產品的不同需求，於是，推出NPU、VPU、TPU、NVPU...等等。目前還不清楚哪種架構的晶片會在 AI 大戰獲勝。但(手機)終端市場對於AI晶片的功耗、尺寸、價格都有極為嚴格的要求，難度上比雲端數據晶片更高。為搶未來AI應用市場商機，科技巨鱷如Google、微軟、蘋果企圖建構AI平台生態模式吃下整個產業鏈。
目前來看，未來AI發展有八大新趨勢
趨勢一：AI 於各行業垂直領域應用具有巨大的潛力
人工智慧市場在零售、交通運輸和自動化、製造業及農業等各行業垂直領域具有巨大的潛力。而驅動市場的主要因素，是人工智慧技術在各種終端用戶垂直領域的應用數量不斷增加，尤其是改善對終端消費者服務。
當然人工智慧市場要起來也受到IT基礎設施完善、智慧型手機及智能穿戴式裝置的普及。其中，以自然語言處理（NLP）應用市場佔AI市場很大部分。隨著自然語言處理的技術不斷精進而驅動消費者服務的成長，還有：汽車資通訊娛樂系統、AI機器人及支持AI的智慧手機等領域。
趨勢二：AI導入醫療保健行業維持高速成長
由於醫療保健行業大量使用大數據及人工智慧，進而精準改善疾病診斷、醫療人員與患者之間人力的不平衡、降低醫療成本、促進跨行業合作關係。此外AI還廣泛應用於臨床試驗、大型醫療計畫、醫療諮詢與宣傳推廣和銷售開發。人工智慧導入醫療保健行業從2016年到2022年維持很高成長，預計從2016年的6.671億美元達到2022年的79.888億美元年均複合增長率為52.68％。尤其，台灣累積了20年健保資料，還有正在創建的台灣人體基因資料庫，再加上硬體製造能力等，只要能有效串聯、處理與分析，輔以法規鬆綁、籌建平台與跨領域合作，台灣朝AI醫療發展將很有機會。
趨勢三：AI取代螢幕成為新UI / UX介面
過去從PC到手機時代以來，使用者介面都是透過螢幕或鍵盤來互動。隨著智慧喇叭(Smart Speaker)、虛擬/擴增實境(VR/AR)與自動駕駛車系統陸續進入人類生活環境，加速在不需要螢幕的情況下，人們也能夠很輕鬆自在與運算系統溝通。這表示著人工智慧透過自然語言處理與機器學習讓技術變得更為直觀，也變得較易操控，未來將可以取代螢幕在使用者介面與使用者體驗的地位。人工智慧除了在企業後端扮演重要角色外，在技術介面也可承擔更複雜角色。例如：使用視覺圖形的自動駕駛車，透過人工神經網路以實現即時翻譯，也就是說，人工智慧讓介面變得更為簡單且更有智慧，也因此設定了未來互動的高標準模式。
趨勢四：未來手機晶片一定內建AI運算核心
現階段主流的ARM架構處理器速度不夠快，若要進行大量的圖像運算仍嫌不足，所以未來的手機晶片一定會內建AI運算核心。正如，蘋果將3D感測技術帶入iPhone之後，Android陣營智慧型手機將在明年(2017)跟進導入3D感測相關應用。
趨勢五：AI晶片關鍵在於成功整合軟硬體
AI晶片的核心是半導體及演算法。AI硬體主要是要求更快運算速度與低功耗，包括GPU、DSP、ASIC、FPGA和神經元晶片，且須與深度學習演算法相結合，而成功相結合的關鍵在於先進的封裝技術。總體來說GPU比FPGA快，而在功率效能方面FPGA比GPU好，所以AI硬體選擇就看產品供應商的需求考量而定。例如，蘋果的Face ID臉部辨識就是3D深度感測晶片加上神經引擎運算功能，整合高達8個元件進行分析，分別是紅外線鏡頭、泛光感應元件、距離感應器、環境光感測器、前端相機、點陣投影器、喇叭與麥克風。蘋果強調用戶的生物識別數據，包含：指紋或臉部辨識都以加密形式儲存在iPhone內部，所以不易被竊取。
趨勢六：AI自主學習是終極目標
AI“大腦”變聰明是分階段進行，從機器學習進化到深度學習，再進化至自主學習。目前，仍處於機器學習及深度學習的階段，若要達到自主學習需要解決四大關鍵問題。首先，是為自主機器打造一個AI平台；還要提供一個能夠讓自主機器進行自主學習的虛擬環境，必須符合物理法則，碰撞，壓力，效果都要與現實世界一樣；然後再將AI的“大腦”放到自主機器的框架中；最後建立虛擬世界入口(VR)。目前，NVIDIA推出自主機器處理器Xavier，就在為自主機器的商用和普及做準備工作。
趨勢七：最完美的架構是把CPU和GPU(或其他處理器)結合起來
未來，還會推出許多專門的領域所需的超強性能的處理器，但是CPU是通用於各種設備，什麼場景都可以適用。所以，最完美的架構是把CPU和GPU(或其他處理器)結合起來。例如，NVIDIA推出CUDA計算架構，將專用功能ASIC與通用編程模型相結合，使開發人員實現多種算法。
趨勢八：AR是工具且成為AI的眼睛，兩者是互補、不可或缺
未來的AI需要AR，未來的AR也需要AI，可以將AR比喻成AI的眼睛。為了機器人學習而創造的在虛擬世界，本身就是虛擬現實。還有，如果要讓人進入到虛擬環境去對機器人進行訓練，還需要更多其它的技術。
結語
至於 CPU是否會被TPU、NPU、VPU….等之類新類型處理器取代，答案應該不會。因為，新出現的處理器只是為了處理新發現或尚未解決的問題，而且未來傾向將CPU整合。同時，晶片市場期望能有更多競爭及選擇，不要英特爾、高通獨大。
迎物聯網時代來臨，以往大家認為摩爾定律最後會走到極限，但未來矽世代是異質性及跨界的整合，還有很多需求未出現。NVIDIA執行長黃仁勳則表示，摩爾定律已經是舊時代的法則，GPU的計算速率和神經網路複雜性都在過去2到5年內呈現出爆發性成長。
展望未來，隨著AI、物聯網、VR/AR、5G等技術成熟，將帶動新一波半導體產業的30年榮景，包括：記憶體、中央處理器、通訊與感測器四大晶片，各種新產品應用晶片需求不斷增加，以台灣在半導體的競爭力絕對在全球可扮演關鍵的角色。(2025字；圖1)
AI晶片包含三大類市場，分別是數據中心(雲端)、通信終端產品(手機)、特定應用產品(自駕車、頭戴式AR/VR、無人機、機器人...)。當前機器學習多採用 GPU圖像處理，尤以Nvidia 是此一領域龍頭，但是，有些業者認為GPU處理效率不夠快，而且因應眾多特定新產品的不同需求，於是，推出NPU、VPU、TPU、NVPU...等等。目前還不清楚哪種架構的晶片會在 AI 大戰獲勝。但(手機)終端市場對於AI晶片的功耗、尺寸、價格都有極為嚴格的要求，難度上比雲端數據晶片更高。為搶未來AI應用市場商機，科技巨鱷如Google、微軟、蘋果企圖建構AI平台生態模式吃下整個產業鏈。
目前來看，未來AI發展有八大新趨勢
趨勢一：AI 於各行業垂直領域應用具有巨大的潛力
人工智慧市場在零售、交通運輸和自動化、製造業及農業等各行業垂直領域具有巨大的潛力。而驅動市場的主要因素，是人工智慧技術在各種終端用戶垂直領域的應用數量不斷增加，尤其是改善對終端消費者服務。
當然人工智慧市場要起來也受到IT基礎設施完善、智慧型手機及智能穿戴式裝置的普及。其中，以自然語言處理（NLP）應用市場佔AI市場很大部分。隨著自然語言處理的技術不斷精進而驅動消費者服務的成長，還有：汽車資通訊娛樂系統、AI機器人及支持AI的智慧手機等領域。
趨勢二：AI導入醫療保健行業維持高速成長
由於醫療保健行業大量使用大數據及人工智慧，進而精準改善疾病診斷、醫療人員與患者之間人力的不平衡、降低醫療成本、促進跨行業合作關係。此外AI還廣泛應用於臨床試驗、大型醫療計畫、醫療諮詢與宣傳推廣和銷售開發。人工智慧導入醫療保健行業從2016年到2022年維持很高成長，預計從2016年的6.671億美元達到2022年的79.888億美元年均複合增長率為52.68％。尤其，台灣累積了20年健保資料，還有正在創建的台灣人體基因資料庫，再加上硬體製造能力等，只要能有效串聯、處理與分析，輔以法規鬆綁、籌建平台與跨領域合作，台灣朝AI醫療發展將很有機會。
趨勢三：AI取代螢幕成為新UI / UX介面
過去從PC到手機時代以來，使用者介面都是透過螢幕或鍵盤來互動。隨著智慧喇叭(Smart Speaker)、虛擬/擴增實境(VR/AR)與自動駕駛車系統陸續進入人類生活環境，加速在不需要螢幕的情況下，人們也能夠很輕鬆自在與運算系統溝通。這表示著人工智慧透過自然語言處理與機器學習讓技術變得更為直觀，也變得較易操控，未來將可以取代螢幕在使用者介面與使用者體驗的地位。人工智慧除了在企業後端扮演重要角色外，在技術介面也可承擔更複雜角色。例如：使用視覺圖形的自動駕駛車，透過人工神經網路以實現即時翻譯，也就是說，人工智慧讓介面變得更為簡單且更有智慧，也因此設定了未來互動的高標準模式。
趨勢四：未來手機晶片一定內建AI運算核心
現階段主流的ARM架構處理器速度不夠快，若要進行大量的圖像運算仍嫌不足，所以未來的手機晶片一定會內建AI運算核心。正如，蘋果將3D感測技術帶入iPhone之後，Android陣營智慧型手機將在明年(2017)跟進導入3D感測相關應用。
趨勢五：AI晶片關鍵在於成功整合軟硬體
AI晶片的核心是半導體及演算法。AI硬體主要是要求更快運算速度與低功耗，包括GPU、DSP、ASIC、FPGA和神經元晶片，且須與深度學習演算法相結合，而成功相結合的關鍵在於先進的封裝技術。總體來說GPU比FPGA快，而在功率效能方面FPGA比GPU好，所以AI硬體選擇就看產品供應商的需求考量而定。例如，蘋果的Face ID臉部辨識就是3D深度感測晶片加上神經引擎運算功能，整合高達8個元件進行分析，分別是紅外線鏡頭、泛光感應元件、距離感應器、環境光感測器、前端相機、點陣投影器、喇叭與麥克風。蘋果強調用戶的生物識別數據，包含：指紋或臉部辨識都以加密形式儲存在iPhone內部，所以不易被竊取。
趨勢六：AI自主學習是終極目標
AI“大腦”變聰明是分階段進行，從機器學習進化到深度學習，再進化至自主學習。目前，仍處於機器學習及深度學習的階段，若要達到自主學習需要解決四大關鍵問題。首先，是為自主機器打造一個AI平台；還要提供一個能夠讓自主機器進行自主學習的虛擬環境，必須符合物理法則，碰撞，壓力，效果都要與現實世界一樣；然後再將AI的“大腦”放到自主機器的框架中；最後建立虛擬世界入口(VR)。目前，NVIDIA推出自主機器處理器Xavier，就在為自主機器的商用和普及做準備工作。
趨勢七：最完美的架構是把CPU和GPU(或其他處理器)結合起來
未來，還會推出許多專門的領域所需的超強性能的處理器，但是CPU是通用於各種設備，什麼場景都可以適用。所以，最完美的架構是把CPU和GPU(或其他處理器)結合起來。例如，NVIDIA推出CUDA計算架構，將專用功能ASIC與通用編程模型相結合，使開發人員實現多種算法。
趨勢八：AR是工具且成為AI的眼睛，兩者是互補、不可或缺
未來的AI需要AR，未來的AR也需要AI，可以將AR比喻成AI的眼睛。為了機器人學習而創造的在虛擬世界，本身就是虛擬現實。還有，如果要讓人進入到虛擬環境去對機器人進行訓練，還需要更多其它的技術。
結語
至於 CPU是否會被TPU、NPU、VPU….等之類新類型處理器取代，答案應該不會。因為，新出現的處理器只是為了處理新發現或尚未解決的問題，而且未來傾向將CPU整合。同時，晶片市場期望能有更多競爭及選擇，不要英特爾、高通獨大。
迎物聯網時代來臨，以往大家認為摩爾定律最後會走到極限，但未來矽世代是異質性及跨界的整合，還有很多需求未出現。NVIDIA執行長黃仁勳則表示，摩爾定律已經是舊時代的法則，GPU的計算速率和神經網路複雜性都在過去2到5年內呈現出爆發性成長。
展望未來，隨著AI、物聯網、VR/AR、5G等技術成熟，將帶動新一波半導體產業的30年榮景，包括：記憶體、中央處理器、通訊與感測器四大晶片，各種新產品應用晶片需求不斷增加，以台灣在半導體的競爭力絕對在全球可扮演關鍵的角色。(2025字；圖1)
引用來處: http://iknow.stpi.narl.org.tw/Post/Read.aspx?PostID=13837
沒有留言:
張貼留言