Arm/FPGA聯(lián)手發(fā)威 研華生產線大步邁入AI時代
人工智能(Artificial Intelligence, AI)無疑是近一兩年來科技產業(yè)內最熱門的話題,除了科技業(yè)巨頭無不大力投入之外,金融等服務業(yè)者對導入人工智能,也展現(xiàn)出強烈興趣。制造業(yè)對AI技術的關注,也不在話下,并且在相關關鍵技術逐漸到位的情況下,已開始有實際導入動作。
本文引用地址:http://butianyuan.cn/article/201804/378584.htm倡導智能制造不遺余力的研華科技,除了為各行各業(yè)提供對應的先進解決方案外,在自家生產在線也開始逐步導入人工智能要素。比如機臺設備的狀態(tài)偵測/診斷、原物料/能源的使用狀況,乃至產品的品管流程等,均已逐步導入人工智能。安謀(Arm)的硅智財(IP)與SoC及賽靈思(Xilinx)的現(xiàn)場可編程門陣列(FPGA)技術,則是研華推動生產線AI化的兩大得力幫手。
研華IoT.SENSE采訪研華技術長楊瑞祥與總廠長林東杰,探討研華在AI、IoT、智能制造等創(chuàng)新浪潮下的解決對策,以下為專訪摘要:
AI進化速度驚人 商業(yè)應用價值可觀
研華科技技術長楊瑞祥表示,人工智能在學術研究領域并非新題目,近兩三年來之所以引發(fā)社會大眾與各行各業(yè)的廣泛矚目,主要原因在于其進化速度實在太過驚人,并已能創(chuàng)造出龐大的商業(yè)價值,不再只是個學術研究的題目。
除了針對特殊領域外,AI技術也在追求更高的泛用性。Deepmind最新的棋類程序已經把Go(圍棋)拿掉,稱為Alpha。因為該程序也懂得下日本將棋等其他棋類,并且接連打敗其他世界頂尖的專用棋類程序。這無疑是人工智能泛用性發(fā)展的一個重要里程碑。
在快速演化與蘊藏龐大商業(yè)價值的情況下,人工智能成為當前最受矚目的科技議題,其實不令人意外。但討論歸討論,如何在各行各業(yè)導入人工智能,實現(xiàn)產業(yè)的智能化,還是有很多細節(jié)問題要克服。
人工智能增添智能制造動能
以制造業(yè)來說,不管最終制造的產品為何,制造業(yè)總是脫離不了「人、機、料、法」這四個元素。人是指員工,機則泛指各種工具機臺,料是指各種原物料及能源,法則是制程方法。自工業(yè)革命以來,不管制造業(yè)的產品如何演變,都脫離不了這四個元素。如何最優(yōu)化地管理好這四個元素,則是制造業(yè)者每天都要面對的課題。
楊瑞祥分析,導入人工智能,最重要的四個KPI,就是要展現(xiàn)在人工料法的優(yōu)化與改善上。以人來說,如何將老師傅的經驗變成可量化的參數(shù),進而把人的經驗復制、擴散,就是導入AI的一個重要目標。
不過,要實現(xiàn)上述四大優(yōu)化,最重要的還是業(yè)者對AI的理解程度,以及所搜集到的數(shù)據集質量好壞。首先,制造業(yè)者必須要對AI有正確的認識,知道AI適合用來處理的問題為何,應用上又有何限制。其次,AI推論模型的訓練成果,除了模型本身的設計外,訓練數(shù)據的質量也很重要。如果用質量有問題的數(shù)據來訓練模型,AI推論的結果會跟現(xiàn)實狀況出現(xiàn)落差。
最后,組織文化也得有所調整。在導入AI之前,生產在線的所有決策者都是人,依靠的是過往的經驗;導入AI后,握有最終決定權的雖然還是人,但不再只憑主觀的感覺或經驗來判斷,而是相對客觀的統(tǒng)計科學。人跟機器之間的信賴關系,需要一段時間提升。當然,AI本身也要持續(xù)進化,提升其預測的可靠度跟準確度。
不同處理器各有所長 Arm架構適合推論運算
楊瑞祥進一步解釋,人工智能可以分成模型訓練(Training)與推論(Inference)兩個部分。對生產現(xiàn)場應用來說,大多是采用已經訓練好的模型來執(zhí)行各種推論應用,不會直接在邊緣進行模型訓練,因為模型訓練需要強大的運算效能跟大量數(shù)據集,較適合在數(shù)據中心或云端上進行。
也因為推論對運算效能的需求較低,因此市面上有許多現(xiàn)成的處理器解決方案均能勝任,例如x86 CPU、GPU與基于Arm架構的SoC處理器,都可以執(zhí)行相關運算任務,差別只在于成本、耗電量與散熱是否能滿足現(xiàn)場設備的規(guī)格限制。
就技術角度而言,GPU是目前最適合用來進行模型訓練的處理器架構,以其執(zhí)行模型推論任務當然也是綽綽有余,但GPU的成本、功耗跟隨之而來的散熱問題,卻是這類處理器在邊緣節(jié)點或現(xiàn)場設備應用上最大的限制。x86 CPU也有很強大的運算效能,但由于其架構設計的目標是滿足各種運算/控制應用,因此在執(zhí)行AI算法時,效率不如GPU。
楊瑞祥分析,這個問題跟AI的本質有關。AI通常只會用少數(shù)幾種指令,甚至單一指令來處理大量數(shù)據。例如深度學習跟卷積神經網絡(Convolutional Neural Network, CNN),就數(shù)學的觀點來說就是矩陣運算,跟繪圖運算十分類似,因此GPU自然在這方面有先天優(yōu)勢。x86 CPU則長于應對多指令流多數(shù)據流(Multiple Instruction, Multiple Data, MIMD)的運算情境,但遇到數(shù)據量太過龐大的情況時,就必須靠拉高頻率,或是以多核心及多線程架構來應對。
采用精簡指令集(RISC)的Arm處理器,先天特性則介于GPU跟x86 CPU之間,加上近幾年Arm處理器的單一指令多數(shù)據流(Single Instruction, Multiple Data, SIMD)效能不斷強化,因此在執(zhí)行AI運算時,更加得心應手。雖然目前要以Arm處理器來做模型訓練,在效率上還是不能跟GPU相比,但在執(zhí)行推論任務時,卻是功耗、成本跟效能三者最平衡的方案。
楊瑞祥透露,近幾年研華跟安謀密切合作,對安謀的產品發(fā)展藍圖也有一定的掌握。未來安謀將會針對AI運算需求推出更特化,效率更好的處理器核心跟周邊IP。這對于推動邊緣運算跟AI應用的普及,將會是很大的助力。研華也會跟安謀繼續(xù)保持密切合作的伙伴關系。
邊緣運算進展神速 人工智能進駐制造現(xiàn)場
緊抓人工料法四大要素,研華已經開始以Arm架構的SoC跟賽靈思的FPGA模塊為硬件基礎,在自家的生產在線逐漸導入人工智能。
研華科技總廠長林東杰表示,目前研華在生產在線導入AI,已經進入用AI來協(xié)助判讀原始資料的階段。在工業(yè)物聯(lián)網的時代,不只個別生產在線的機臺會產生大量數(shù)據,廠區(qū)的基礎建設也會生成可觀的數(shù)據數(shù)據量。要用人工來判讀這些數(shù)據數(shù)據,分析其背后的意義,是沒有時效性且效益有限的做法。
最后,由于研華所處的環(huán)境是典型的少量多樣、接單生產型態(tài),跟一般消費性產品規(guī)格單一,大量生產有很大的不同,因此生產線的管理也相對復雜。這也是研華在導入人工智能時,希望能解決的痛點之一。
林東杰表示,由于技術上的限制,目前還無法實現(xiàn)全面由系統(tǒng)判讀原始數(shù)據的終極目標,但這是研華未來努力的方向。
更具體來說,未來研華的智能制造希望能實現(xiàn)三大目標:一、生產設備的現(xiàn)代化,希望所有的機臺設備都可以支持工業(yè)4.0;二、實現(xiàn)數(shù)據采集與軟件的介接,主要是將數(shù)據介接到制造執(zhí)行系統(tǒng)(MES)、產品生命周期管理(PLM)等系統(tǒng);三、將機器視覺與深度學習進一步擴大應用在品管環(huán)節(jié)中。
針對第一點,林東杰不諱言,現(xiàn)有機臺的升級跟改造通常要價不低,特別是在需要原廠提供支持或授權,不能自己動手改的情況下。不過,在某些情況下,現(xiàn)有機臺透過外掛研華自家開發(fā)的數(shù)據采集模塊,就已經能獲得足夠的參數(shù)數(shù)據。
至于在機器視覺跟深度學習的擴大導入上,目前研華是與中研院合作,開發(fā)出可檢測各種不同產品的機器視覺系統(tǒng)。事實上,研華使用光學自動檢測(AOI)已經有很長的一段時間,但現(xiàn)有的AOI系統(tǒng)僅適用于主板、電路板上細微組件的檢測,不適合用來檢測終端成品或更大的零部件。
另一方面,研華產品少量多樣的特性,也使得目前市面上的機器視覺方案要應用在研華的產線,遇到相當大的困難。目前市面上的機器視覺方案多半是為了大量產品的檢測需求而設計,但研華的需求是能夠自動適應各種產品型態(tài)的機器視覺檢測方案。因此,研華決定與中研院合作,開發(fā)出客制化的深度學習算法,以便讓機器視覺系統(tǒng)能更聰明地適應不同型態(tài)的產品。
FPGA模塊實現(xiàn)機器視覺算法加速
而機器視覺正是FPGA模塊大展身手的舞臺,也是研華FPGA應用發(fā)展團隊已經做出具體成果的項目之一。透過FPGA模塊,研華可以自由決定哪些影像辨識的環(huán)節(jié)需要用硬件加速,以提升視覺檢測系統(tǒng)的運作效能。
楊瑞祥指出,除了CPU跟GPU外,使用專用的硬件加速芯片來提升AI系統(tǒng)效能,理論上也是一條可行的路。不過,目前AI算法還在快速演進中,如果采用ASIC,很可能會追不上技術發(fā)展的腳步。而FPGA則是效能與彈性的折衷,其運算單元的結構可以客制化,來滿足特定算法加速的需求,又因為具備可編程性,當算法需要修改或更新的時候,不用重新開一顆芯片,只要修改設計程序代碼即可。
因此,現(xiàn)階段來看,F(xiàn)PGA是用來實現(xiàn)AI算法加速的理想方案之一,研華內部也已經有相當成熟的FPGA應用開發(fā)團隊,未來會繼續(xù)投資在這項技術上。
Advantech Embedded DTOS FPGA Capability
據悉,目前研華科技已有應用案例完成合作,更多詳情可咨詢研華服務專線“400-001-9088”。
評論