以绘图卡起家的丽台科技 (Leadtek)，早在十年前就与英伟达 (Nvidia) 合作开发 CUDA (Compute Unified Device Architecture，统一计算架构)，并在六年前就开始投入大数据分析业务，目前已开始反应在业绩上。董事长暨执行长卢昆山指出，GPU 的指令周期比 CPU 快七倍，但只有不到 50% 的功耗，更适合做高速计算及深度学习 (Deep Learning)；预估未来相关进展脚步将越来越快，且关系到各国的竞争力。他提到，丽台与许多教学研究机构有密切合作，医疗与工业 4.0 尤其是重点项目；现已有能力将大数据收集、分析到深度学习做完整连结。
照片人物：丽台科技董事长暨执行长卢昆山
GPU 撒豆成兵，平行计算成新宠
丽台在鸭子划水多年后，近来因为人工智能 (AI) 带动渐趋活跃，亦为转型系统方案供货商奠定基础。事业处总经理周世伟表示，有鉴于 AI 是一种新兴的处理问题方式，丽台科技特汇集产学界的专家在内部成立专职从事数据分析的团队；只要客户有需求提出，该团队就会介入。为因应不同产业的特性，今后也会继续扩大寻求业内人士参与。项目技术经理刘家豪介绍，深度学习最主要的两个部分就是训练 (training) 和推论 (Inference)；2007 年 CUDA 1.0 的问世，揭开 GPU 用于快速计算的序幕——CPU 运行需要数分钟的算法，GPU 可缩短至数秒。
丽台在鸭子划水多年后，近来因为人工智能 (AI) 带动渐趋活跃，亦为转型系统方案供货商奠定基础。事业处总经理周世伟表示，有鉴于 AI 是一种新兴的处理问题方式，丽台科技特汇集产学界的专家在内部成立专职从事数据分析的团队；只要客户有需求提出，该团队就会介入。为因应不同产业的特性，今后也会继续扩大寻求业内人士参与。项目技术经理刘家豪介绍，深度学习最主要的两个部分就是训练 (training) 和推论 (Inference)；2007 年 CUDA 1.0 的问世，揭开 GPU 用于快速计算的序幕——CPU 运行需要数分钟的算法，GPU 可缩短至数秒。
照片人物：丽台科技事业处总经理周世伟
以图像辨识为例，卷积神经网络 (CNN) 就是在做 256 X 256 矩阵的训练；若要分析语言，须考虑每个框架 (frame) 的前后关联、不能分拆解读，故须使用含有记忆特性的＂递归神经网络＂(RNN，又称循环神经网络) 分析；而 GPU 的贡献是藉平行计算、先对庞杂数据预做处理再丢回给 CPU，协助分担 CPU 负载、加快指令周期及训练时间，特别适用于由许多神经元与层级构成的深度学习、大型矩阵或数据量大、参数多的计算。＂对智能工厂来说，若训练时间过久或输入到输出的推理时间过长，是绝对无法接受的＂，刘家豪点出 AI 在工业应用的软肋。
照片人物：丽台科技项目技术经理刘家豪
机械背景出身的软件产品部产品经理林威延进一步说明，AI 概念滥殇于 1950 年代，初衷是让机器模仿人类做某些简单决策；1980 年后开始探讨机器学习 (Machine Learning)，例如教电脑如何辨别、分类垃圾邮件；到了 2010 年，受到人工神经网络，在观看一星期的 YouTube 影片后便学会自主辨识内含猫的影像之激励，进而涌起一波波深度学习浪潮。他回顾工业演进历史，最早的工业革命 (1.0) 要追溯至瓦特发明蒸气机、取代人力与兽力产生动能；第二次重大变革即是借助电力催生量产 (mass production) 模式与产线分工。
工业 3.0 的精神在导入自动化设备与可编程逻辑控制器 (PLC)；至于近来火红的工业 4.0，主旋律在虚实整合系统 (Cyber-Physical Systems, CPS)，期通过将制造设备智能化链接物联网 (IoT)，每隔一段时间收集机台的振动、温升及工作状态等资料给操作人员做决策，实现预测性维护保养与机器设备服务化，减少停工损失。＂产线机台设备不论是健康评估／诊断或效能预测，所使用的算法皆与统计或机器学习密切相关＂，林威延说。他认为，以深度学习为核心，向外围扩展的顺位依序为类神经网络、机器学习与 AI。
照片人物：丽台科技软件产品部产品经理林威延
种瓜得瓜，训练方式决定推论成果
以科技厂常用的自动光学检测 (AOI) 为例，由于 AOI 需要极高分辨率的影像学为基础，且来料质量对检测参数有很大影响，故 AOI 设备业者往往须派驻专业人员到客户厂房协助微调机器；若加入大数据、深度学习和人工智能，将有助于提高辨识效率，更精确区别出处于合格边缘的 NG 报废品、或尚可补救的瑕疵品。另两个应用场域是：声音与振动检测。通过收集、研究机器运转的声音信号，来检测风力发电机的轴承是否有异常状况？不过，前提是克服环境噪音和回音等其它声源干扰。至于振动检测，最麻烦的就是决定要喂多长的数据？
以科技厂常用的自动光学检测 (AOI) 为例，由于 AOI 需要极高分辨率的影像学为基础，且来料质量对检测参数有很大影响，故 AOI 设备业者往往须派驻专业人员到客户厂房协助微调机器；若加入大数据、深度学习和人工智能，将有助于提高辨识效率，更精确区别出处于合格边缘的 NG 报废品、或尚可补救的瑕疵品。另两个应用场域是：声音与振动检测。通过收集、研究机器运转的声音信号，来检测风力发电机的轴承是否有异常状况？不过，前提是克服环境噪音和回音等其它声源干扰。至于振动检测，最麻烦的就是决定要喂多长的数据？
参数不同，可能导致推论天差地远！因此，特征撷取方式将是 AI 能否良好辨识的关键。林威延透露，目前诊断工厂马达、转轴多是利用傅立叶变换 (Fourier Transform)，但有个重大缺陷：它假设所有信号都可用正弦／余弦波模拟，再积分求得，可惜＂内情并非如此单纯＂；一旦转子不平衡、位置产生角度、呈现平行、弯曲或没有锁紧，会诱发＂倍频＂现象。传立叶频谱虽可取得转子系统异常信号特微，但仍须经由人为判读诊断，对产线人员有一定难度，也无法达成智能机械目标；辅以经验模态拆解、多尺度熵 (Multiscale Entropy, MSE) 分析是理想方案。
图：转子系统问题 vs. 傅立叶频谱特征
资料来源：丽台科技提供
深度学习算法还能用于金属切削加工，将良好与损坏刀具相较并改变当中参数，包括转速、进给、振动、电流值，可监控刀具磨耗程度并预测使用寿命。他强调，工业 4.0 的虚实整合目前并无确切系统规格，实现理论均以为机学习为基础，其中，将传感器 (包括振动、电流、温度……) 的原始信号直接作为类神经或深度学习网络的输入值，效果不彰；若要达到预先诊断，信号的特征撷取是重要因子。此外，医疗业与制造业许多应用的背后理论相似，检验医疗影像的技术也能用于 AOI，检验心电信号的算法，可用于检验机台振动信号。
最后林威延表示，AI 现正于各领域蓬勃发展中，算法进入门坎亦越来越低，真正的关键是如何为现有数据有效转化为实际应用并产生效益，Domain know-how 才是真正挑战所在；由于数据取得不易，锁定制造业发展的新创 AI 公司并不多。投入 AI，来得早不如来得巧；随着半导体工艺与算法的进展神速，AI 似乎已届水到渠成的时刻。模型训练 (Model Training) 需要强大的 CPU 计算能力奥援；但若能找到决定性的型态 (pattern)、做成推论引擎 (Inference Engine)，便能以最少计算资源、在最短时间内算出想要的结果。
