SEMICON Taiwan 2022國際半導體展：高科技智慧製造論壇
前言：
「The Building Blocks for Intelligent Automation智慧自動化的基石」
恩智浦半導體演講重點摘要
Jeff Steinheider，恩智浦半導體副總裁暨工業與網路邊緣處理事業部總經理
• 很高興參加 SEMICON Taiwan 2022。今天要跟各位討論智慧自動化的基礎。
• 首先，我想談一談為什麼要推動智慧自動化。
• 第一個原因是現今的基礎架構效率不彰且非常脆弱
放眼全球，近半的全球廢棄物都是因為製造效率低下而造成，例如：產品組合錯誤，太早製造產品以至產品過期，或在供應鏈、製造與訂單系統之間缺乏連結，導致製造端錯誤。
我們從製造鏈再看到運輸，高達 30% 的卡車是空車，浪費燃料、設備與人力。
最後，讓邊緣更智慧並為自動化添加智慧有助改善營運。利用預測式維修可在問題發生前找到問題，每年節省至多$6,500 億的停機成本。
• 再來看到另個對製造影響越來越大的面向，就是日益精緻複雜的攻擊。這些攻擊手法已快速超越目前部署的安全做法
隨著我們把更多的智慧加入系統，系統的連結度更高，而系統必須互相連結才能分享資訊推動營運。去年最常遭受攻擊的產業就是製造業，佔勒索軟體通報的 23%。
我們也看到這些勒索攻擊是如何影響其他產業，例如一年前在美國的燃油管道攻擊，嚴重影響美國東岸的油氣輸送。
攻擊者使用細緻的手法，攻擊高價值系統，例如：攻擊生產能源或生產我們每日仰賴的商品之工廠與製程節點。
• 我們需要什麼才能建構智慧自動化呢？關鍵要素是AI。我們需要 AI 才能以各種方式改善自動化
首先是生產力。透過 AI，我們可以提高吞吐量來提升自動化任務，例如掃描與產品識別，讓機器與產線以更快的速度來移動產品，取代人力，推動速度更快的機器，讓機器更可靠，並以更快的速度運行或做決策。
AI 亦可提高工廠的安全性，在危險環境中移除人力，以機器人取代之，或在重複性的工作裡移除人力，因為機器可以做的更好。
最後，我們也可以利用 AI 來預防某些網路攻擊。
─ NXP有些案例就是運用 AI 在攻擊發生時識別攻擊，攻擊可能發生於目標機器，或被攻破的機器開始攻擊同個網路裡的其他系統。
─ 透過AI 我們可以儘早識別攻擊，在問題蔓延前採取矯正措施，例如關閉受感染系統或將系統還原成安全狀態。
• 在應用這些技術來改善自動化系統智慧的同時，必須體認需要應對很高的複雜度
把所有的數據送上雲端會有延遲與成本問題。給系統更多智慧有助解決這些問題，也就是在收集資料的邊緣來做決策。
這裡有既有的階層式通訊系統，網路拓墣的設計可促成單點失效，也造成資訊與營運的分開。必須把二者連結起來才能真正實現智慧自動化的好處。
系統的能耗沒有得到太大的關注，但這個部分會越來越重要，因為大家越來越走向綠色環保。目前的系統安全設計都是在事後才思考的事情，並未從一開始就設計並實施同級最佳的安全做法。隨著我們把多個系統連結起來，並賦予智慧，資安是我們整個產業都必須思考的議題。
有許多既有軟體四散工廠各處。必須把它們集中至共同平台，以便為新的使用案例來替換或更新設備。
上述為恩智浦聚焦的五個面向，以打造具有復原力與高效率之基礎架構。接下來就談談我們如何做到
• 四個建構智慧自動化的主要領域：
邊緣運算。邊緣運算是將運算移至收集資料的邊緣裝置，我們可以為這些邊緣裝置賦予智慧，根據所收集的資料來行動或決策
機器學習。會嵌入邊緣運算系統，讓使用者做出更細緻的決策。除了可根據已知資料來做「是、否」的決策，甚至可訓練機器來考量多個因子，邊做邊學，或在資料改變中學習。將機器學習嵌入邊緣運算系統，系統會變的更有效率，並提供更低延遲的決策
端到端安全。每個被賦予智慧的工業自動化系統都需連結，成為整體網路的一部份，而這會增加攻擊面。因此，在每個個別系統嵌入安全至關重要，藉此才能增加自動化系統的智慧
通訊。此可促成軟體更新來更新機器學習演算法，為邊緣運算系統添加新軟體。這樣一來，不同系統間可互相分享資料，用以最佳化操作。即時通訊至關重要，即時通訊可以允許資料互通，來提升效率，亦可保護工廠運行所需之營運技術指令。可在融合式網路上支援這些類型的流量
• 邊緣運算也就是把資料處理從雲端帶至邊緣：
IoT 一開始的概念是將所有的資料從邊緣送至雲端的集中運算網路，在那裡進行所有的決策，再將決策結果傳至邊緣
邊緣運算可以把資料留在邊緣，做即時決策。回傳雲端的迴路可以移除，讓邊緣系統在本地進行決策
移除網路延遲問題，亦可降低資料中心與網路成本。我們也不再需要那麼多的雲端資料中心儲存容量。也不需高速頻寬把資料上傳雲端
保護隱私。您僅須將摘要或語義資料上雲即可，所有的原始資料則可留在工廠本地
提升安全。很多資料都是高度敏感資料，甚至本身就是 IP。而現在我們可以把這些原始資料留在本地。面對攻擊的復原力也能提高，因為工廠或位於邊緣的系統就算失去與雲端的連線依然能繼續運作。它們僅需與雲端連線來提供更新、運作摘要並接收定期軟體更新。
• 將機器學習智慧帶至邊緣，以及如何利用智慧來提升營運效率與人員安全
首先是帶入各種資料來源，資料來源可為自己獨立或結合在一起。再將資料匯入處理方法，進行機器學習
使用機器視覺，再匯入結果，例如產品檢查。利用機器視覺，我們可以建立自動化系統來檢查產品，找出不良品，亦可用機器視覺來檢查進料。如果您的系統非常複雜，就須確保不會因為放入有問題的系統，這個問題系統做的產品成本可能大幅低於您的產品，結果因此毀掉最終發貨給客戶的成品。
我們亦可利用異常偵測來進行預測式維護。系統會匯入各種感測器輸入，例如：震動、電壓、電流、溫度等，我們可從現場設備匯入這些資料，找出異常，標記可能需要維修的設備，預防停機。
亦可從供應鏈與訂單面匯入資料，最佳化工廠營運，確保所有的設備與人員發揮最大產能。
最後，物件辨識與與自然語言處理可提升人員安全，讓人員以簡單手勢或語音指令與機器互動。亦可利用視覺系統偵測人員是否走入危險區，讓設備採取反應。
這些是透過機器學習來推動改善的例子。
• 接下來談談運用連貫的網路系統來應用邊緣之分散式智慧。
首先是建構融合網路，讓提供即時系統控制的營運技術資料與訓練演算法機器學習的系統共享，亦可實現所有設備的軟體升級。之後再加入營運設備。
最佳化動作控制，包括個別馬達或控制機器手臂的高階馬達控制系統。
在其上可加入更多視覺與識別系統，用以引導機器手臂進行取放作業或檢查產品。
最後，再進行整合，將之帶回雲端並允許數位雙生（Digital Twin），在進行任何改動前於雲端模擬實體工廠的活動，最佳化工廠設計，或可於改變佈局或產品組合前做模擬，以確保在系統實施改動時不會造成問題。
這一切可透過5G 應用實現，提供工廠與雲端之間安全、低延遲之連線，同時在工廠端促成更大的機動性與彈性。
當然，如我們之前所討論，這一切必須是安全的。所以在工廠外部邊界必須架設防火牆，之後的每個步驟都必須有安全防護，這個部分稍後討論。
• 融合式網路：
推動的方法之一是透過時間敏感型網路（Time-Sensitive Networking；TSN）。時間敏感型網路讓我們轉移至更高速的乙太網路，支援 Gigabit 或多 Gigabit 網速來交換更大頻寬的資料，例如來自多個相機的影片匯入。
於此同時，它讓我們在流量中留出一些路徑，用作即時性之控制流量，將即時資料與進入IT 網路之盡力式資料 （best effort data） 分開。
TSN 可於廠房運行，亦可於設備間之個別自動化單元內運行。TSN 採用 IEEE 標準，可接入既有設備，亦可接入未來受 TSN 推動的設備。
• 隨著規模擴大，加入更多可再配置工廠，5G 給我們帶來更多機動性方面的好處。5G 與 TSN 密切配合，讓許多功能在有線網路與無線5G 網路之間無縫流動。二者形成完美搭配，可應用於工廠內部甚至是更大的區域網路，透過通訊來推動營運技術以及資訊技術。
• 端到端安全。以下元素都必須到位才能提供足夠的安全防護，因為在我們連結這些系統的同時，攻擊表面也擴大了。
安全通訊。資料在不同系統間移動時，可提供端到端資料加密，涵蓋單一工廠或多個工廠之間，打造複雜的產品時就需要多個工廠。攻擊者若從工廠系統中取得資料，或在資料於工廠間移動時取得資料，端到端加密可確保資料受到保護。我們的系統必須有能力執行加密，不僅是在傳輸層，亦包括對稱式加密環境。
針對營運的安全防護，包括硬體的安全防護與裝置內的金鑰儲存，以及使用安全開機為軟體載入提供一級防護。此可確保攻擊者無法在裝置上安裝未知軟體，僅被核准之軟體可在工廠內的系統裡開啟。之後需延伸至後續載入之韌體驗證以及應用更新，這樣一來裝置才能在整個生命週期進行安全更新。
再將一切連回之前討論的機器學習案例，隨著情況改變或工廠更改使用目的以製造新產品，這些系統須隨新模型而更新。在系統內建制安全功能可讓您在整個生命週期裡隨著時間更新軟體並管理系統，同時，每個在系統上部署的軟體都需經過驗證，所以攻擊者無法帶入自己的軟體，發動勒索攻擊。
這代表甚至可以關閉系統，若有敏感 IP，系統一旦從營運中移除，這個IP 就不會離開工廠。為實現這一點，就須讓安全模型是簡單的。NXP 與相關組織密切合作，例如IEC 62443，確保我們有能力協助使用者符合62443。還有一個重點是實施的彈性。當然，還須確保在現今的系統中部署這些安全功能的成本效益。
• 最後想以一個案例作為結尾，運用當中一些功能在NXP 內部建構一個系統，在我們的半導體晶圓廠內部來利用機器學習與自動化應用的好處。
我們使用Basler MIPI 相機，Basler 是我們的合作夥伴，我們將該相機與 i.MX 8M Plus 搭配。我們把這個配置部署於我們的半導體晶圓廠用來取得影像。
利用 i.MX 8M Plus 與其嵌入式機器學習加速器、神經處理單元，就能訓練系統來檢查廠內堆疊的晶圓托架。我們的做法是利用系統來判斷這些晶圓是否正確堆疊，是否有缺，或有沒有放對位置。這個流程的自動化可提供額外的視覺檢查，超越原本人力在工廠所做的程度。
此舉的好處是確保能移除沒有包裝妥當的晶圓，移除可能毀損的材料，不讓其進入產線。我們隨著時間推移調整作法，在晶圓包裝時找出系統的遺漏或失誤，藉此重新訓練系統，進一步完善系統。我們後來把系統建置於恩智浦在 Eindhoven 的晶圓廠。
• 最後做個總整理。隨著能源日益緊縮，我們需為工廠自動化增加智慧，因為智慧自動化能推動效率並促進改善。建構智慧自動化有四個重要基石
第一是邊緣運算。此涵蓋多個平台，從微控制器到應用處理器。
這些系統都需嵌入式機器學習，才能根據工廠邊緣的資料做出細緻的決策。
每個系統都需增加安全功能，才能防禦外部攻擊，並進行驗證，確保只有自己的軟體在系統中執行。
最後，我們在系統中添加即時通訊能力，讓系統能有效遞送營運流量，同時在網路中提供較大頻寬之資訊科技流量，促成真正智慧的自動化系統。
• 感謝大家參與恩智浦場次。想進一步了解恩智浦在智慧製造領域的創新，請至 nxp.com/industrial。祝福大家有愉快的一天！
