AI被視為物聯(lián)網(wǎng)架構(gòu)的最后一塊拼圖，未來主機(jī)與終端都會(huì)有程度不一的運(yùn)算能力，臺(tái)灣廠商可藉由此一趨勢(shì)，發(fā)展出專業(yè)應(yīng)用的物聯(lián)網(wǎng)終端與連網(wǎng)設(shè)備，翻轉(zhuǎn)過去的低價(jià)代工模式。

物聯(lián)網(wǎng)一直被視為IT產(chǎn)業(yè)繼PC、互聯(lián)網(wǎng)、智能手機(jī)之后的第四波革命，萬物連網(wǎng)的龐大商機(jī)，讓各研究機(jī)構(gòu)紛紛做出驚人預(yù)估，象是BI Intelligence預(yù)估2017年全球連網(wǎng)裝置出貨量將超越智能型手機(jī)；Harbor Research也表示，2020年將有100億個(gè)物件連網(wǎng)，商機(jī)超過1兆美元。而2016年底，科技產(chǎn)業(yè)出現(xiàn)另一個(gè)聲勢(shì)驚人的新議題——AI，AI成功吸引科技產(chǎn)業(yè)目光后，業(yè)界人士迅速將AI與物聯(lián)網(wǎng)連結(jié)，打造出新名詞「AIoT」，多數(shù)市場(chǎng)人士均認(rèn)為，AI補(bǔ)足了物聯(lián)網(wǎng)最后一塊拼圖，兩者的結(jié)合將加速IT系統(tǒng)的智能化速度，延伸出更大商機(jī)。

就整體系統(tǒng)來看，物聯(lián)網(wǎng)可分為感測(cè)、通訊、應(yīng)用等三層架構(gòu)，由于這一波AI的主流算法以深度學(xué)習(xí)(Deep Learning)為主，透過不斷的錯(cuò)誤更正自我學(xué)習(xí)，讓指令不斷趨近于完美，這種模式需要大量的運(yùn)算，因此多建置在物聯(lián)網(wǎng)最上層的應(yīng)用平臺(tái)，不過近期市場(chǎng)開始推動(dòng)邊緣運(yùn)算概念，業(yè)界人士就指出，這將是臺(tái)灣在AIoT的最佳機(jī)會(huì)。

當(dāng)前物聯(lián)網(wǎng)主要為集中式運(yùn)算架構(gòu)，也就是第一層所擷取的數(shù)據(jù)全部往上傳，最上層的云端平臺(tái)負(fù)責(zé)儲(chǔ)存與分析。集中式運(yùn)算與分散式運(yùn)算各有優(yōu)缺點(diǎn)，應(yīng)用也不盡相同，集中式運(yùn)算會(huì)有實(shí)時(shí)性、處理器工作負(fù)擔(dān)和傳輸費(fèi)用等問題，例如在制造業(yè)，設(shè)備一旦故障，若仍采用訊息傳回后端再下指令的模式，現(xiàn)場(chǎng)狀況極有可能因?yàn)橛嵪鬟f與后端運(yùn)算所需的時(shí)間太久而惡化；另外在零售產(chǎn)業(yè)也會(huì)有類似問題，比如現(xiàn)在已有IT廠商嘗試將智能臉孔分析導(dǎo)入至零售業(yè)系統(tǒng)，透過人臉分析與CRM的集成，提供更精準(zhǔn)且更快速的服務(wù)，而臉孔辨識(shí)若還需要透過后端服務(wù)器的運(yùn)算比對(duì)，其效益會(huì)大幅降低。

再者則是后端處理系統(tǒng)的運(yùn)算負(fù)擔(dān)與數(shù)據(jù)傳輸費(fèi)用問題，物聯(lián)網(wǎng)的愿景是萬物聯(lián)網(wǎng)，若所有訊息都連接到后端的運(yùn)算平臺(tái)，則服務(wù)器的運(yùn)算能力必須非常強(qiáng)大，再加上所有第一線設(shè)備的連網(wǎng)需求，無論是建置或運(yùn)行成本都會(huì)相當(dāng)高昂，因此在部分應(yīng)用中，邊緣運(yùn)算會(huì)是較佳選擇。

不過邊緣運(yùn)算也并非全無缺點(diǎn)，例如系統(tǒng)若應(yīng)用于類似車體大小的狹小空間中，多點(diǎn)部位同時(shí)運(yùn)算，將會(huì)產(chǎn)生干擾；此外經(jīng)過端點(diǎn)預(yù)處理過的數(shù)據(jù)，也會(huì)有失真之虞。當(dāng)然物聯(lián)網(wǎng)的建構(gòu)并非只能二擇一的極端做法，多數(shù)的系統(tǒng)都是兩者并行，在實(shí)時(shí)性需求較高的部分設(shè)計(jì)有邊緣運(yùn)算功能，其它部分則仍為集中式運(yùn)算。

對(duì)臺(tái)灣來說，集中式運(yùn)算向來不是臺(tái)灣廠商可觸及的商機(jī)，臺(tái)灣廠商過去在IT領(lǐng)域主要以消費(fèi)性產(chǎn)品為主，物聯(lián)網(wǎng)興起后，多數(shù)廠商也將目光聚焦在第一層的設(shè)備端，而邊緣運(yùn)算概念的出現(xiàn)，完全符合了臺(tái)灣廠商的產(chǎn)品策略與市場(chǎng)條件。

首先是運(yùn)算芯片，過去物聯(lián)網(wǎng)終端產(chǎn)品的元件，多被要求低功耗與小體積，讓設(shè)備可以在最有限的空間下，盡可能的長(zhǎng)時(shí)間運(yùn)行，加上多只是簡(jiǎn)單的狀態(tài)數(shù)據(jù)擷取，因此運(yùn)算功能不需強(qiáng)大，但在邊緣運(yùn)算概念中，部分設(shè)備需要有一定的運(yùn)算能力，這對(duì)多數(shù)Fabless或IC設(shè)計(jì)業(yè)者來說，都還在能力范圍之內(nèi)。此外，未來的物聯(lián)網(wǎng)系統(tǒng)多是垂直產(chǎn)業(yè)的應(yīng)用，例如制造、醫(yī)療、交通...等，這些產(chǎn)業(yè)的物聯(lián)網(wǎng)系統(tǒng)都需要與其專業(yè)結(jié)合，位于現(xiàn)場(chǎng)第一線的設(shè)備更是如此，而不同類型的設(shè)備需要對(duì)應(yīng)不同模式的運(yùn)算芯片，此時(shí)臺(tái)灣廠商擅長(zhǎng)的快速?gòu)椥缘目椭苹O(shè)計(jì)能力，在這種少量多樣的需求條件下，其優(yōu)勢(shì)將會(huì)延續(xù)，不過這類型應(yīng)用也容易被抄襲，因此臺(tái)灣廠商必須先行取得特定應(yīng)用領(lǐng)域的專利，方能順利站穩(wěn)市場(chǎng)。

至于臺(tái)灣的劣勢(shì)則是AI產(chǎn)業(yè)化的不足，其實(shí)臺(tái)灣過去在AI領(lǐng)域所培養(yǎng)的人才并不算少，今年回臺(tái)成立臺(tái)灣AI實(shí)驗(yàn)室的杜奕瑾就曾指出，他在微軟任職期間，微軟每年舉辦的開發(fā)者大會(huì)「Build」中，臺(tái)灣隊(duì)總是缺乏政府的奧援，但即便如此，臺(tái)灣隊(duì)伍每年總能拿下不俗的成績(jī)，這說明臺(tái)灣的軟件人才其實(shí)不遜于其它國(guó)家，只是過去一直不被政府與產(chǎn)業(yè)所重視。

不過2018年開始，科技部已開始啟動(dòng)AI政策，希望透過AI產(chǎn)業(yè)化留住臺(tái)灣軟件人才，而有了軟件人才，臺(tái)灣的AIoT在軟硬件兩方面才能齊備，順利啟動(dòng)。以前面提到的邊緣運(yùn)算芯片為例，要在小體積與低耗電的條件下，設(shè)計(jì)出足夠運(yùn)算能力的芯片，除了硬件技術(shù)外，算法也是重要一環(huán)，軟件工程師必須將龐大的演算模型精簡(jiǎn)化，讓終端可以在低功耗模式下進(jìn)行運(yùn)算。

AI與物聯(lián)網(wǎng)的集成雖未開始，不過整體趨勢(shì)已經(jīng)確定，2017年6月阿里巴巴創(chuàng)辦人馬云就指出，現(xiàn)在產(chǎn)業(yè)已經(jīng)從「互聯(lián)網(wǎng)+」進(jìn)展到「AI+」，也就是AI將與各種領(lǐng)域結(jié)合，創(chuàng)造出更多加值服務(wù)，而這也就是過去物聯(lián)網(wǎng)所訴求的垂直應(yīng)用模式。不過多位業(yè)界人士表示，這不代表AI未來會(huì)全面取代人類，臺(tái)灣微軟總經(jīng)理孫基康在日前微軟的AI活動(dòng)上就指出，AI必須要和HI(Human Intelligence)結(jié)合，才會(huì)變成SI(Super Intelligence)。

AIoT現(xiàn)在的發(fā)展，都是為了提供使用者更直覺、智能、多元的選擇，但無法做出具有邏輯性的判斷，真要提出相關(guān)對(duì)應(yīng)策略，還是需要倚靠人類智能。以制造業(yè)和醫(yī)療業(yè)為例，工業(yè)物聯(lián)網(wǎng)現(xiàn)在與AI的結(jié)合，已進(jìn)展到感知層面，也就是脫離冷冰冰的人工指令，而改采更具人性的直覺性訊息，例如當(dāng)現(xiàn)場(chǎng)制造設(shè)備出現(xiàn)故障，系統(tǒng)會(huì)依據(jù)過去深度學(xué)習(xí)的結(jié)果，判斷問題所在，再依情況直接告訴作業(yè)人員設(shè)備故障處與可能故障原因，人員可參考系統(tǒng)將系統(tǒng)建議結(jié)合本身專業(yè)決定處理方式，而若系統(tǒng)察覺到的問題經(jīng)過判斷必須實(shí)時(shí)處理，則會(huì)先以口語化語音立即指出故障處與緊急處理方式，讓工作人員可在最短時(shí)間內(nèi)解除狀況。醫(yī)療部分則是以AI判讀醫(yī)療數(shù)據(jù)或影像，但是真正的病理判斷與醫(yī)療行為，還是需要透過專業(yè)的醫(yī)師，這也就是AI與HI結(jié)合的方式。

在與AI集成后，物聯(lián)網(wǎng)會(huì)加快其應(yīng)用拓展速度，就產(chǎn)業(yè)架構(gòu)來看，臺(tái)灣廠商過去在消費(fèi)性產(chǎn)品所建立的優(yōu)勢(shì)，將會(huì)延伸到物聯(lián)網(wǎng)系統(tǒng)中的終端零組件與連網(wǎng)設(shè)備，不過這類型產(chǎn)品將會(huì)需要一定程度的客制化設(shè)計(jì)，對(duì)臺(tái)灣廠商來說，這是挑戰(zhàn)也是新契機(jī)，臺(tái)廠必須投入更多資源掌握特定領(lǐng)域的專業(yè)知識(shí)，但同時(shí)也能藉此提升產(chǎn)品價(jià)值，擺脫過去價(jià)值有限的OEM宿命，在AIoT市場(chǎng)取得更多商機(jī)。