最新消息
LATEST NEWS 最新消息
-
【給製造業導入 AI 的真心話】不是砸錢就有 AI 智慧工廠,資料品質好才是重點WEF(World Economic Forum,世界經濟論壇)統計,AI 在 2023 年為製造業帶來 32 億美金的市場價值,並預計 2028 年會到達 208 億美金之高。製造業者面臨永無止境的營運壓力,需要改善生產流程、優化供應鏈、提供客戶高品質產品,並快速適應動態市場變化,而 AI 就是企業面對問題的新工具,也將成為智慧工廠的核心大腦。 台灣已經有許多 AI 智慧工廠運行中 台灣與國際上許多製造大廠早就已經導入各式的 AI 在智慧工廠中,其應用涵蓋了預測性維護、生產品質控制、生產流程優化、供應鏈管理、自主機器人、能源管理和增進生產安全保障等方面。例如特斯拉使用 AI 驅動的 3D 列印機製造汽車;華碩利用內建 AI 引擎與智慧化、適性化的派工方案,讓派工計畫的產出時間下降超過 65%;台灣機械製造商 KUKA 提供不同產業應用的 AMR 自走車或是自動化機械手臂等。 通過這些應用,可以看到 AI 幫助智慧工廠實現更高效、更精準靈活的生產運營模式,將製造業帶向智慧自動化和數據驅動的方向發展。 但這還沒完,自從生成式 AI 問世後,製造業再度看到新曙光。 相對於傳統分析型 AI,生成式 AI 可以做到更全方位的助益,例如透過分析市場趨勢、掌握最新產品監管合規的需求、總結客戶反饋等不同面向來優化產品的設計,幫助產品設計師掌握不同面向的考量,並且以更有效率、低成本的方式做出產品模型。 在供應鏈面向上,也可以透過歷史資料的分析洞察,更加掌握供應鏈狀況,依照原料可取得狀況、定價與風險等考量,讓採購決策更精準。或是依照歷史庫存資訊,提前預測出市場需求狀況,以避免庫存過剩或不足等風險。 智慧工廠被打回現實的主因:沒有堅實的數據基礎 雖然看到各種 AI 的正向案例,但真的要導入自家企業中並且實際落地,這一段旅程可能會比想像中顛簸一些。 許多大廠雖然有資金與意願,不過在導入階段通常會因為人才、資料品質與流程規劃等因素而被打回現實。根據 MIT 雜誌與微軟的合作調查發現,要做 AI 若沒有堅實的數據基礎就很可能會停滯不前。57% 受訪者承認他們在開發 AI 用例時遇到資料品質不理想、54% 認為資料整合狀況薄弱,並且只有約 20% 的受訪者擁有可用於現有 AI 模型的數據。 最常見的狀況是,製造商規模越大,數據不合適的問題就越嚴重,其原因可能是因為各個部門資料格式、保存方式不一,跨部門也沒有統一的資料基礎架構導致「數據用時方恨少」。若是使用小規模或是品質不佳的資料,也會讓 AI 模型做白工、無法分析出理想成果。 缺乏 AI 人才也是許多大廠的限制,如何掌握 AI 模型中的黑盒子並且確保餵進 AI 的數據不會危及智慧財產權機密洩漏,或是針對現有數據做系統性地清理、了解雲端運算等現代化資料架構等都成為大廠的考驗課題。此外, AI 轉型過程中如何突破既有部門流程限制找到新徑更是挑戰。 【在 AI 新世界站穩腳步!製造業領導者該自問的關鍵問題】 1. 如何評估現有工作需求流程,找到最適合導入 AI 的場景並設定明確目標,為團隊增添信心? 2. 組織內是否有明確的資料治理、儲存與利用策略?是否有明確的分工? 3. 組織是否有明確的智財權保護策略,確保營運機密不外洩? 本文轉載自 TechOrange 科技報橘SEE MORE
-
三星出新招!「交鑰匙」AI 晶片製造策略,全面挑戰台積電霸主地位全球科技巨擘三星電子(Samsung Electronics)近日宣布推出全新的「交鑰匙」(turnkey) AI 晶片製造策略,從設計、製造到封裝測試,提供一站式服務,目標透過導入 AI 和大數據技術,全面提升晶片製造效率和品質,並押寶 GAA (環繞閘極電晶體) 等先進技術,劍指全球半導體市場龍頭地位。 三星表示,這項新策略將率先應用於其預計在 2025 年量產的 2 奈米先進製程技術。三星已與日本 AI 新創公司 Preferred Networks(PFN)達成合作,將利用此技術生產 AI 加速器和其他高階 AI 晶片。PFN 是 AI 深度學習領域的佼佼者,獲得豐田、NTT 和發那科(FANUC)等大廠的投資,此次合作展現三星挑戰台積電霸主地位的決心。 面對晶片製程逼近物理極限的挑戰,三星積極發展 GAA 技術。相較於傳統電晶體架構,GAA 技術能更有效控制電流,突破物理限制,持續提升晶片效能,打造更強大的 AI 晶片。三星在 GAA 技術的研發上已領先競爭對手台積電,預計今年下半年將量產採用 GAA 技術的第二代 3 奈米晶片,並於 2027 年開始量產採用 GAA 技術的 2 奈米晶片。 三星的「交鑰匙」策略將AI和大數據技術應用於以下幾個關鍵環節: 設計自動化 :利用 AI 技術自動化設計 DRAM 等記憶體晶片,提升設計效率並減少人為錯誤。 材料開發 :透過大數據分析,更精準地選擇和開發新材料,提升晶片效能和耐用性。 製造良率提升 :利用 AI 技術監控和優化每個製造環節,及時發現和解決問題,提高晶圓良率。 量產和封裝 :在量產和封裝階段,利用 AI 分析產品缺陷、優化生產流程,確保每顆晶片的品質。 分析師指出,三星的「交鑰匙」策略與 GAA 技術的結合將大幅提升其在半導體市場的競爭力。隨著 AI 和 5G 技術的快速發展,先進製程晶片需求持續增加,三星的技術創新有望吸引更多高端客戶,挑戰台積電的龍頭地位。 本文轉載自 TechOrange 科技報橘SEE MORE
-
AI 怎麼造出電動車?3 個關鍵字帶你看 AI 能幫忙做哪些決定?隨著人工智慧(AI)、機器學習(ML)和模擬技術徹底翻轉人類處理和預測資訊的方式,Ansys 技術長 Prith Banerjee 博士說明了在這些帶動變革的科學相互配合下,如何讓我們更迅速打造出更佳的決策。Prith Banerjee 博士是 Ansys 技術長。他擔任這項職務,領導 Ansys 技術的演進發展,並支持公司向下一個創新和成長階段邁進。 3 個關鍵字── AI、機器學習、模擬技術,它們之間有何關聯? Prith Banerjee 博士解釋,AI/ML 和模擬分別是截然不同的技術,三者在相互交會下,將以相當強而有力的方式相輔相成。 首先是 AI,它創建基於規則的模仿人類行為的系統。ML 則是隸屬於 AI 的技術,可利用訓練資料讓電腦自動學習規則。 接著是模擬,其透過虛擬模型分析現實世界的產品和系統。 三者雖然是獨立的概念,彼此卻持續不斷地互補共生。模擬運用 AI 和 ML 技術,以求更快速輕鬆地執行模型。反過來看,AI 和 ML 則運用模擬技術,從各種產業和應用程式中建立合成資料。 電動車的設計、模擬,怎麼讓生成式 AI 協助? Banerjee 表示,模擬技術最為重要的角色是更快作出更佳的決策,而 AI 和 ML 都是提高速度的關鍵。AI/ML 可讓設計師從高階規格著手,自動產生 10,000 件設計方案,然後迅速評估哪些方案是最佳選擇。 各式各樣的 AI/ML 方法,包括由下而上法、由上而下法、降階建模(ROM)和大型語言模型(LLM),都讓求解器能執行更快速且更精確的預測性分析。 像是 ChatGPT 這類的 LLM,在提高求解器易用度方面特別實用。 例如,如果一位工程師想要對一輛電動汽車進行模擬,他們首先必須翻譯不同系統的規格(例如電池、馬達、充電器等),這需要大量的時間和專業知識。 但是,有了 LLM,任何人都可以寫出純粹陳述想要之結果的英文陳述,例如:「設計一輛能在一秒內從 0 加速至 60 mph 且行駛 2,000 英哩的電動車。」模擬技術便會自動產生適用整輛車的多款解決方案,其中有些方案可能是人類從不曾想過。 AI 也可以改善我們編寫程式碼的方式。開發人員需要升級軟體時,AI 能回答用於解決問題的最佳程式碼片段。這可以提升開發人員的生產力,同時強化我們的客戶服務。透過檢視源自數千次客服互動的資料,虛擬專員就能快速提供第一線支援,我們的專家即可將心力投入較不尋常的問題上。 AI 整合數十億個資料來源,該怎麼確保準確度? Banerjee 表示,人類設計師在負責車輛規格時,會運用多項個人能力來建造車輛,不僅是他們的知識,還包括其推理能力。 AI 在進行車輛建模時,將彙整各種來源的參考資料,其中有些來源可能不可靠、源自競爭對手,或是受到法律保護的財產。這也是可解釋 AI 一類的人為監控和技術變得舉足輕重的原因。 Banerjee 指出,在 Ansys,他們運用自己的智慧財產(IP),並將 ChatGPT 引擎套用至 Ansys 在過去 50 年來所建立的資料庫,而此資料庫是透過客戶與 Ansys Customer Excellence(ACE)團隊之間的數千次互動所累積出來的。為確保信賴度和準確度,Ansys 倚賴自有資料來源。 AI/ML 和模擬技術發展下,汽車的未來會是什麼? Banerjee 表示,Ford 開始建造車輛時,當時的製造技術決定了可用結構,例如矩形和圓柱體的金屬成型和射出成型。所以,每件產品一模一樣。想要打造看起來像鳥的車款,在當時是難以想像的事。但現在,透過生成式設計與積層製造,就有可能製造相當精密的物件。 目前,Ansys 正致力於建構 ML 平台,可將其用於指定複雜產品的需求。成果將會是產生成千上萬的嶄新想法,人類設計師無從想像。這些設計都可透過模擬快速評估,再由人類設計師選出最佳方案。模擬與 AI/ML 相輔相成時,可以擁有如此多的可能性。 本文轉載自 TechOrange 科技報橘SEE MORE
-
【黃仁勳開示】AI 將對能源產業帶來什麼影響?他說電網將變得像 App Store生成式 AI 為人們生活帶來更多便利,但為了訓練和使用 AI,世界各地開始建造越來越多的資料中心,不僅需耗費大量電力,電力短缺的危機也浮上檯面。不過,除了電力消耗,AI 對於能源產業還帶來哪些影響?NVIDIA 執行長黃仁勳受邀到美國愛迪生電氣協會(EEI)年會擔任主講者,討論了這項議題。 人類生產能源的方式,將不再被地域限制 根據報導,黃仁勳表示,全球能源消耗大幅增加,人們面臨創造能源的挑戰,而現在的能源系統是圍繞著人類居住活動、人口分布和電網系統所建造,但是未來將會成為雙向、靈活的分散式網絡,這意味著未來能源生產,不再限於傳統的集中式發電。 黃仁勳表示,AI 不在意它在哪裡學習,因此人類可以在電網上、電網外和遠離電網的情況下創造能源,這就是未來。 事實上,這不是黃仁勳第一次用分散式網絡的概念談論電網。他在接受 TVBS〈看板人物〉專訪中,便提到地球擁有豐富的永續能源,例如太陽能、熱能,但不在人類居住、氣候宜人的地方,而在沙漠或寒冷地區。他認為,未來資料中心會建置在這些人口稀少、遠離電網的地區,而人們可以直接在當地使用能源、訓練 AI 模型,當模型訓練完畢,就可以再將 AI 模型帶回到人口稠密處,用在任何想使用的地方。 AI 對能源產業的最大影響:能源輸送 由此,也不難看出,黃仁勳為何在 EEI 會中表示,未來 AI 對於能源產業最大的影響,是將 AI 應用在能源配送和電網管理。他也舉例,電網可以運用 AI 智慧電表,讓用戶把多餘的電力賣給鄰居。 他表示,電網會變成具有數位層的智慧網絡,「電網將變得像 App Store(應用程式商店)一樣,就像 Uber 一樣,將電力供應和用戶連結起來,」這時,公共事業單位就扮演協調運作的平台角色。 根據 NVIDIA,上述將是一項艱鉅的工程,必須有能夠即時處理和分析大量資料的自主控制系統,而 AI 和加速運算技術就扮演要角。 本文轉載自 TechOrange 科技報橘SEE MORE
-
【不要再說 AMD 耗電】蘇姿丰 3 年要將資料中心能源效率提高 100 倍,稱解決電力問題才有未來生成式 AI 與大型語言模型對電力的高度需求,正在加速科技巨頭研發更加節能的產品,尤其是過往一直被嘲諷為「北極熊殺手」的 AMD。AMD 執行長蘇姿丰表示,未來 3 年內將會把資料中心的能源效率提高 100 倍以上,藉由半導體製程節點和封裝的改進,協助緩解全球電力需求。 根據高盛估算,當到 2030 年時資料中心的電力需求將成長 160%;在 2022 年,資料中心就消耗了美國 3% 的電力,預計到了 2030 年這數字將提升到 8%。OpenAI 執行長 Sam Altman 過去曾指出,如果電力問題沒有創新的解決方案,那麼 AI 發展也將很難得到突破。 生成式人工智慧在全球的普及,加速了資料中心的快速擴張,更大舉提高了企業對電力的需求,對此 AMD 執行長蘇姿丰在 ITF World 2024 會議上,討論了過去的成功經驗及提高運算節點效率的未來計劃。 早在 2014 年 AMD 就曾提出過「25 x 20」計畫,意思是要將其行動處理器的能源效率提高至少 25%,並且於 2020 年以前達成;結果,到了 2020 年 AMD 實現了 31.7% 的能效提升,遠超當時所制定的目標。 2027 年達成 100 倍能源效率提升 秉持著同樣精神,在 2021 年時 AMD 看見了 AI 工作負載呈指數級增長,同時也影響到了全球電力需求,因此訂出了「30 x 25」的新目標,要在 2025 年前將資料中心的能源效率提高 30 倍。 AMD 指出,若想實現「30 x 25」所目標的能源效率提升,關鍵在於 CPU、GPU 的製程節點和封裝改進,例如下一代 3nm 製程晶片將透過 GAA 及 FinFET 3D 技術的進步改良,改善終端產品的功耗與每瓦性能;而封裝技術如小晶片(Chiplet)和 3D 堆疊的不斷完善,將使 AMD 能夠更靈活地將各種元件導入單一封裝。 除了透過製程改善能源效率,AMD 也指出神經處理單元(NPU)在 AI 運算上的極大功用,透過專用硬體讓 CPU 將 AI 運算密集型任務分配到 NPU 中,就能達成提高效率且降低功耗的目標,例如最近推出的 Ryzen 7 8700G 與 Ryzen 5 8600G 就是內建了 NPU 的新一代產品。 蘇姿丰指出,她相信 AMD 能夠如期實現「30 x 25」的改進目標;配合軟體、硬體的協同設計,以及改善後的 AI 演算法,AMD 甚至可以於未來更進一步,在 2027 年時讓資料中心實現高達 100 倍的能源效率提升。 本文轉載自 TechOrange 科技報橘SEE MORE
-
能源業的 AI 關鍵應用:預測性維護——傳統電廠蛻變成「智慧電業」會長怎樣?傳統電業公司正在經歷一場深刻的轉型:逐漸向「智慧電業」邁進。 2021 年美國德州曾經因受極端低溫的暴風雪侵襲,冬季用電負載創新高,加上電力設備耐候不足導致大量機組跳機造成 440 萬用戶受災;在更早的 2016 年也有烏克蘭因駭客攻擊遭受大規模電網停擺的案例出現。面對這些難以預測的變數,能源業者很難再用過往經驗去制定應變策略,唯有結合 AI 分析,進行設備預診斷、能源預測及用戶行為分析與緊急災援措施,才有機會確保從發電、輸電、配電到用電等流程順暢,維持供電穩定性。 透過引入先進的數據分析、AI、物聯網以及區塊鏈等技術,電力業者得以應對極端氣候異常日益頻繁的環境變遷,以及能源產業重大轉型的時代考驗。國際能源總署估算,AI 能在既有能源系統中,產生 50 多種不同的創新用例,而此技術市場價值可能高達 130 億美元。 台電用 AI 管風電,創造永續韌性未來 一個關鍵的能源業 AI 應用是預測性維護,用 AI 持續「自動化監控」和「分析能源資產的效能」以事先識別潛在的故障。 以台灣為例,台灣有 98% 的能源依賴進口,而且台灣是一個獨立島嶼無法與他國大型電網連結,在能源轉型上必須發展自給自足的應變方案。台灣同時也規劃 2025 年再生能源發電占比達 20% 的目標,因此在建立再生能源多樣供給的目標前提下,台灣電力公司與微軟合作率先在風力發電監控維運中引入 AI 技術,透過 AI 將不穩定的再生能源轉變為穩定且可預期的供電來源。 再生能源例如光電、風電都是大面積且多點分散式的發電設施,日常的維運多半靠遠端監控,因此透過 AI 可以幫助台電做到預防性預測與排程檢修,在最佳的時機提早更換故障零件,確保發電的穩定性,更能降低維護成本。 每戶的用電模式不一樣,這個 AI 也可以管 另外一個常見的 AI 用途是改善供需的預測。AI 可以將當下可供應與需求的上升和下降相匹配,進而最大限度地提高能源使用效率與電網管理。美國加州能源公司 Bidgely 對當地數百萬家庭與企業的用電數據進行分析,並且依照每戶用電習慣建立辨別檔案;透過用電數據,Bidgely 提供客戶如何消耗能源的詳細資訊,客戶可以看到哪些電器消耗的能源最多,以及哪些地方有機會節省成本並減少碳足跡。 AI 也能為國家能源部門提供獨特的洞察,例如美國能源部國家實驗室使用 AI 處理大型系統模型,研究影響國家級能源基礎設施的設計、部署、營運和維護。通過綜合資料集,基於基礎設施、人類行為和環境因素來優化資源分配,這種方法使能源資源民主化,並促進符合當地目標和人口統計的能源轉型。 能源事關一國的重要基礎建設與民生福利,更是產業發展的重要引擎。不過能源產業也面臨外在氣候變遷急速挑戰與大量基礎建設、營運模式需要同步革新的課題。在淨零碳排的全球價值觀演變下,降低碳排、提升使用能源效率與強化能源產業的科技能力,將成為這十年間的共同重要挑戰。 本文轉載自 TechOrange 科技報橘SEE MORE
![LATEST NEWS](https://ai-on-chip-b2bmatch.org.tw/sipo/images/item_549_bg.png)