重點摘要
主講者：Jens Hinrichsen，恩智浦半導體執行副總裁暨類比與車用嵌入式系統事業部總經理
• 大家好，我是 Jens Hinrichsen，任職於恩智浦半導體。
• 今天想和大家談談自主的未來。為什麼要在這裡討論自主的未來呢？這裏不是科幻電影大會，這裏是 COMPUTEX。這是因為自主世界，一個由具備預測能力和自動化的機器組成的世界，一個由能夠感知、思考、協作並自行執行複雜任務的機器組成的世界，已不再是科幻小說中的情節。它即將成為現實，並將影響我們所有人。
• 這種自主的未來將使我們更有效率。人工智慧將使我們更永續、更安全。人工智慧是自主未來成為現實的最大創新。
• 人工智慧成為我們世界的一部分，成為現實世界的一部分，成為物理世界的一部分。我們與他人、周遭環境、周遭事物互動的世界就是所謂的邊緣。為了發揮人工智慧的巨大潛力，人工智慧必須來到邊緣。
• 今天我想與大家分享如何讓這個自主的未來成為現實。我會一步一步引導大家。解釋為什麼人工智慧會進入邊緣，以及邊緣人工智慧會如何發展，我也會探討工程挑戰、把人工智慧帶入邊緣需要什麼，以及產業可以採取哪些措施來克服這些挑戰。
• 我先從基本事實開始，一個關於我們產生資料的基本事實，這將幫助我們了解邊緣為何重要、為何我們不能在雲端完成所有的工作，以及我們為什麼需要增強邊緣。
─ 今年預計全球數據量將達到 180 ZB。先說一下，一個 ZB 後面跟著 21 個0。1 ZB 是一兆 GB。
─ 我們過去三年產生的數據比整個人類歷史產生的數據還多，而且這種趨勢沒有減緩。
─ 我們從各個地方產生數據，包括工廠、車輛、家庭、穿戴式裝置、城市。但有個問題：大部分數據都未被使用。
• 讓我們退一步來看看，把我們與人類聯繫起來，了解我們的大腦如何處理數據。
─ 平均而言，人類每天吸收約 74 GB 的數據，包括聲音與動作。
─ 我們的大腦已經進化成為極其節能的智慧資料處理中心，大腦了解背景，且只優先處理真正重要的事情。
─ 我走上舞台時，各位看著我，對吧？你的大腦忽略了周圍的一切，不會注意到燈光或出口標誌，是直到我現在提到這些你才會注意。這就是基於情境的智慧數據處理。
• 回到我們的數據問題。因此，基於情境的智慧資料處理就是我們處理產生的所有資料所需要的。
─ 智慧型資料處理這個詞通常讓人聯想到雲端，雲端有強大的 GPU 和 CPU，有難以置信的運算處理能力。
─ 但現實世界中大部分的數據都是在邊緣產生。
─ 我們每天從周圍數百萬台邊緣裝置產生約 5000 億 GB 的數據。舉個例子，當前的汽車每天會產生高達 4 TB 的資料。
─ 所以這不在於如何減少資料量，而是我們如何處理資料，以及如何從中提取真正的價值。
• 由於延遲和成本的原因，將所有這些數據發送到雲端進行即時決策根本不可行，而且我們需要比現有多1000 倍的頻寬，才能將所有的數據送到雲端。
─ 實體世界太廣闊，無法上傳到雲端。因此，解決方案是我們需要將人工智慧推向邊緣，並使人工智慧對我們的日常生活有用。
─ 邊緣人工智慧將使我們擺脫封閉的、基於雲端的用例。我們需要在資料產生的地方進行智慧資料處理，這就是人工智慧與物理世界接觸的邊緣。
• 邊緣人工智慧實際上有許多好處。讓我們深入研究這個問題，以便更了解我們在這裡的討論。先回到頻寬問題。
─ 由於處理是在邊緣完成，因此邊緣的人工智慧將大大減少資料傳輸，並且只有非常關鍵的元資料 (metadata) 才會上傳或來回傳輸到雲端。此外，邊緣人工智慧不需要始終保持雲端連接，這在覆蓋範圍有限的偏遠地區尤其重要。
─ 另一個好處是邊緣的實時處理能力。現實生活中很多過程必須即時發生。您可以想像許多即時要求至關重要的用例。
─ 試想一下交通堵塞中的自動駕駛汽車，或是智慧城市中同時進行的實時交通號誌控制，或是偵測到健康異常並需要立即做出反應的智慧手錶。邊緣可避免往返雲端的問題。
• 邊緣硬體也針對能源效率進行改善。在邊緣完成一千秒的浮點運算所需的能量與向雲端發送一位元資料所需的能量相同。送到雲端的資料越少，能源消耗就越少。
─ 我想強調的是，這個主題並不是那麼簡單，稍後我會向各位展示邊緣的能源效率，特別是邊緣處理器的能源效率，也是一個需要克服的真正的工程挑戰。所以這並不是那麼簡單。
• 下個議題是信任。信任包含很多面向。
─ 基本上，它是安全、保障、資料隱私、個人資料隱私。
─ 因此，我們需要保護資料不被濫用，不落入不法之徒
─ 而邊緣人工智慧透過在資料生成的地方處理資料來降低網路安全風險，資料分佈到許多邊緣裝置中，而不是集中在雲端中的某個特定位置，集中在雲端很容易受到駭客攻擊
─ 因此從安全角度來看，邊緣概念可減少攻擊面。
• 邊緣人工智慧具有現實生活的好處，並且具有潛力來幫助我們解決現實生活和現實世界的挑戰。讓我們看看、深入研究一點，也就是能源管理。我們有兩個例子，我想先從智慧能源管理開始。
─ 仔細觀察你會發現全球能源消耗正在超過我們原本預期的節奏。從現在到 2025 年，電力消耗預計將增加一倍，甚至三倍。
─ 除了傳統的耗能建築和工業之外，電動車也需要更多能源。我剛才提到的更聰明的系統也需要消耗越來越多的電力。
─ 75% 的汽車都電氣化時，我們該怎麼辦？
─ 家庭、工廠、汽車、雲端都從同一個電網獲取電力時，會發生什麼事呢？
─ 我們無法投入更多電力來解決這個問題。而且最大的問題是所有人同時需要能源時產生的尖峰負載需求。
• 人工智慧可以幫助應對此日益嚴峻的挑戰。我們需要能夠與電網協同思考和工作的能源系統，幫助智慧地平衡負載。
─ 也許是平衡城市街區之間的負載，也許超越城市範圍，甚至在州的層級。
─ 因此，電網的建設不必考慮峰值負載，而是考慮平衡負載。
• 讓我們進入第二個現實生活中的挑戰。
─ 每年我們都面臨數百萬不必要的死亡。
─ 110 萬人死於道路交通事故，600 多萬人死於可治癒的疾病，我們還面臨約 230 萬的工作場所死亡。
─ 每個數字都代表著一個人，其實也代表一個未能及時介入的系統。
─ 這些並非罕見、不可預測的事件，它們通常是已知模式的結果，在交通、健康和工業環境中也是如此。
─ 因此，事故原因通常很容易理解，但用於偵測和預防事故的系統卻常常無法發揮作用。所以這不是缺乏數據，而是在需要時缺乏所需的智慧。
• 邊緣人工智慧可以幫助重塑零死亡願景 (Vision Zero)，我們是有能力看到這些風險的。
─ 我們預見這些風險的到來，然後藉助邊緣AI，我們可以幫助即時預防這些事件的發生。
─ 因此，這只是邊緣人工智慧在現實世界中可以產生巨大影響的兩個重要領域。
• 我們從這些例子中看到什麼？簡而言之，人工智慧正在成為我們的日常，邊緣就是一切融合的地方。
─ 對我們來說，這就是現實。這是實體與數位的交會，是人工智慧與現實世界的交會。
─ 人工智慧正走向邊緣，它的進展速度比以往任何時候都快。
• 這帶入我演講的第二部分，人工智慧的快速發展以及人工智慧加速進入邊緣。
• 讓我們回顧一下過去。
─ 1997 年IBM 的「深藍」擊敗西洋棋世界冠軍Garry Kasparov，我想這是第六場馬拉松比賽。利用符號人工智慧和超級運算能力，過去從沒有任何機器能做到。這是人工智慧潛力的首次出現和展示。我永遠不會忘記那一刻。
• 但我們先把這個例子放在一邊，看看後來發生了什麼。人工智慧得到長足的發展，創新速度加快。
─ 人工智慧從具有物件偵測、電腦視覺、語音辨識能力的純感知人工智慧，發展到透過情境（例如圖像、程式碼、文字）生成的人工智慧，
─ 再發展到能夠像人類一樣感知、思考、行動和學習的代理式人工智慧。
• 讓我們仔細看看這些邊緣的演化步驟。感知式 AI 創造感知優勢。
─ 感知邊緣能夠即時感知和解釋來自現實世界的訊號，它可以偵測物體或人，還可以辨識誰是誰、什麼是什麼。
─ CNN 和 RNN 等神經網路的巨大進步讓準確的檢測和識別成為可能。
─ 這些神經網路是在雲端開發，但演算法經過最佳化，可以在資源受限的邊緣裝置上運行，而不會在真正關鍵的地方失去準確性。
• 我們其實花了十年將感知式 AI 引入邊緣，進而創造出感知的邊緣。後來邊緣就變成互動的。這種互動是隨著 transformer的突破而來的。
─ Transformer 是當今生成式 AI 模型的基礎。生成式人工智慧可透過文字和視覺，甚至兩者的結合，以非常自然的方式與人類互動。
• 各位可能還記得，GenAI 出現的時間並不長。事實上，開放式人工智慧、大型語言模式是於 2021 年首次公開發布。
─ 從那時起，通用人工智慧模式的爆炸式發展使雲端受益，但更大的受益者是邊緣運算。
─ 因為這些 GenAI 模型，例如大型語言模型、視覺模型或多模態模型，它們都變得越來越小，更節能，正好適合邊緣。
─ 因此，透過 GenAI ，我們讓邊緣具有互動性，它不僅能夠感知，還能夠思考。
─ 然而，僅有互動是不夠的，因為安全的自主才是我們想要創造的。我們需要一種能夠在行動之前感知、思考並完善自身思維的人工智慧。
• 這個飛躍是透過代理式人工智慧（Agentic AI）實現的。借助代理式人工智慧，邊緣變得自主。代理式人工智慧的功能最接近人類。
─ 因此，代理式人工智慧將過去所有的人工智慧發展結合在一起，創造出從被動到主動的優勢。
─ 邊緣的代理式人工智慧可以獨立感知、思考和行動，實時回應現實世界。它評估決策、完善決策並採取安全可靠的行動。因此，代理式人工智慧能夠實現自主優勢。
─ 當系統成為人類伴侶，邊緣人工智慧的真正價值在於自主性。
• 人工智慧的演進通常始於雲端。我之前也提過這一點，因為它在雲端具有巨大的運算能力。
─ 但隨後，在許多領域的創新（例如矽製程技術本身）的幫助下，這些能力迅速轉移到邊緣，也提高運算處理器的處理能力，包括能源效率。
─ 人工智慧模型變的輕量，部署的軟體框架也得到開發，一切都使其適應邊緣。
• 回到剛才的棋局。90 年代中期，深藍擊敗國際西洋棋冠軍，這已是 25 年以上的事了。從那時起，我們看到顯著的加速。
─ 感知式人工智慧在不到十年的時間裡就已在邊緣普及，不到一年後，生成式人工智慧和代理式人工智慧則在大約五年的時間裡普及。
─ 這種加速並非偶然。這是因為我們在日常生活中認識到邊緣人工智慧的真正價值。
• 來看一個邊緣 GenAI 的實際案例。這裏有個簡短的影片，這個影片是關於在離散 NPU 上運行的多模式 GenAI 模型，該模型由我們的合作夥伴Kinara構建。
─ 針對這個 demo，我們使用 LLava，是一個開源多模式 GenAI 模型。我們採用這個模型，接入模型並進行最佳化，使其能夠在邊緣裝置上的特定 NPU 上運行。我們向它輸入一段工廠事故的影片，讓人工智慧模型描述發生的事情。讓我們看看發生了什麼事。
─ 各位可以看到一個可憐的傢伙在作業現場滑倒了，希望不嚴重。然後我們讓模型描述看到了什麼，各位就會看到結果是什麼。這裡需要一點時間，讀完這個敘述，你會發現那個系統，或該說它是個鏡頭，運行的邊緣裝置可以很好地判讀情況。
• 在這種情況下，可以清楚看到，在邊緣使用 AI 是可能的。這是邊緣生成式人工智慧的一個例子。這段影片最重要的一點是，系統基本上能夠很好地理解和解釋情況。
─ 如今，這一切都是由人類在一個房間裡完成的。但以後這項工作可以由機器全天候完成。如果再加上回應，那麼生成式人工智慧會更像代理式人工智慧。這一切都在邊緣運行。
• 但問題是，代理式人工智慧對於邊緣裝置來說是否太複雜？使用擁有龐大運算資源的雲端是否更好？
─ 答案是，不一定。因為邊緣不僅僅是一個邊緣裝置。因此，現在並不是邊緣或雲端擇其一，未來更是如此。我們會看到越來越多本地網路邊緣的實現，即所謂的近邊緣。
─ 這實際上是本地網路邊緣，它可以是本地邊緣 AI 中心，或者是本地推理伺服器，本地雲，它具有運算能力來運行更複雜的代理 AI 系統，屆時更小、更優化的 AI 代理會在邊緣裝置上運行。
• 因此在現實中，我們會看到雲端和邊緣共存，並由本地網路邊緣增強。
• 而且，在邊緣或雲端實現人工智慧並不是二元選擇。二元選擇需要取捨，對吧？因此，根據用例，這會是針對多個部分衝突的參數的最佳化決策。看這張投影片你會發現，一方面是頻寬、延遲、能源效率，另一方面是巨大的運算能力，但在這個決策矩陣中，系統的數量和用例壽命也非常重要。
• 簡而言之，邊緣和雲端將永遠共存。
• 到目前為止我們學到了什麼？我們見證了25年的創新。我們看到邊緣人工智慧正在從感知式人工智慧向代理式人工智慧發展，我們看到邊緣人工智慧和雲端人工智慧共存，一切都在加速創造我們日常生活中的自主性。
• 讓我們更深入探討代理式人工智慧的話題。我們將此視為一種新的典範轉移，即人工智慧從我們使用的東西轉變為與我們一起工作的東西。
• 討論代理式人工智慧時，我們討論的不僅僅是一個模型。我們討論的是一種為自主而建構的軟體工作流程構造，就像大腦。
─ 如前面所提到，代理 AI 始於單一或多個 AI 代理，然後每個代理由 AI 模型驅動，可以是感知、是生成或兩者皆有。
─ 每個代理實際上都是為一個非常具體的任務而建構的。一個解讀影片，一個評估聲音，或者還有一個可以為機器人鋪設道路或安全路徑。
• 但是代理式人工智慧不僅是一個執行任務的模型，他們可以從經驗中學習和進步。這才是代理式 AI 工作流程的真正突破。添加結構以便人工智慧代理成為自適應的、自主的學習者。
• 讓我們更深入地探討這個問題。我們來看看這裡的圖片。它是能夠感知周圍環境的 AI 模型。
─ 這裡的重點是「感知」。
─ 然後就形成需要做的事情的預期計劃。但代理式人工智慧隨後會使用強化學習，透過探索和收集額外數據來改善自身。
─ 最後，它將行動與結果關聯起來，就是所謂的回饋映射，它會獎勵自己，比如說，成功完成任務，或從失敗中學習。
• 因此，這種持續學習讓代理式人工智慧具有革命性。
─ 這些人工智慧代理從現實生活中學習。他們邊做邊學，不再局限於最初接受訓練的資料集。
─ 現在我們有可以執行有意義任務的人工智慧代理，而且它可以走得更遠。他們合作以實現總體目標。
• 我們需要多個人工智慧代理聚集在一起並進行協作。當然合作需要某種協調，某種東西來編排。這就是人工智慧協調代理的作用所在。
─ 它是一個專門用於監督、規劃和協調的代理。你可以說它就像智慧系統的專案經理，將許多代理轉變為統一的力量。
• 因此，代理式人工智慧在邊緣實施時，人工智慧就成為自主的人類伴侶。它以我們的方式觀察、計劃和行動，實現我們賦予它的整體目標。
• 來看一個現實生活的例子：邊緣代理 AI 的實際表現如何。
─ 這是在工廠環境。在這個工廠，我們為代理式人工智慧系統設定一個目標，即監控並回應任何異常情況，以防止人員和財產受到損害。
─ 想像水管破了。濕度感測器和攝影機本身就是人工智慧代理，它們可以偵測洩漏並通知編排器，也就是協調員。協調者立即採取行動並觸發其他代理人採取行動。也許是切斷漏水管道的供水、關閉該區域的通道等等。協調代理本身可能會觸發清理並通知所有相關人員。
─ 它會執行這些步驟，它會計劃並採取行動來實現我們設定的目標，它也會使用回饋映射和強化學習來學習哪些做對了，哪些做錯了。這是我早期介紹過的技術。所以，這個系統能像人類在這種情況下一樣思考、適應和行動。
• 因此，代理式人工智慧還有一個非常有價值的優勢。讓我們從工程的角度來看待代理式人工智慧。
─ 代理 AI 工作流程是一種高度可擴展的原型，底層軟體原型可以擴展到無數的應用程式和用例。它們具有可擴展性和重複使用的潛力。
• 為了激發各位的想像，這裡有些現實世界的例子，它們基本上可以在相同的底層軟體原型上完成。
─ 看看汽車。您能想像車載網路具有自我修復功能，可以偵測故障（例如扭曲或斷裂的電纜）並即時修復嗎？
─ 或想想農業，也許是精準農業，空中地面代理人檢查農作物，優化澆水和施肥，派遣地面機器人以最少的資源浪費來處理特定區域。
─ 或者智慧建築。智慧建築即時解讀使用模式並調整空調控制。電動車充電、動態照明，以舒適地提高能源效率並節省開支。
• 這代表我們可以更快建立智慧自主系統，並由於其可擴展性和可重用性而部署到我們能想到的所有用例。我們將藉此進一步加速邊緣人工智慧的部署，打造可擴展、可重複使用的智慧平台。
• 但建立自主優勢並非易事。我們繼續從工程角度來討論，探討如何才能實現這個目標，以及我們需要克服哪些挑戰。
─ 第一個挑戰是：邊緣AI系統需要複雜的整合，他們不能孤立地採取行動。
我們需要完整的硬體和軟體解決方案來涵蓋感知、思考和行為。
大多數晶片解決方案僅專注於運算，但我們需要的是完整的系統、處理系統、連接和電源管理、安全性和保障系統，以將一切結合在一起。
這也需要一個非常客製化的軟體基礎來讓硬體發揮作用。因此，邊緣系統實際上需要複雜整合的系統。
─ 這讓我看到第二個挑戰。我之前數次提到，人工智慧需要適合邊緣的大小。我的意思是，為雲端開發的模型通常太大、太耗電、太複雜。
對於邊緣應用，它們必須具有合適的大小。在此基礎上，新的模型、框架和工具鏈不斷出現。因此，邊緣的解決方案需要不斷跟上這一點，而不是因為處於邊緣而變的孤立。
─ 最後，自主性提高信任的重要性。之前提過信任就是安全、保障、資料隱私，所以需要最高等級的功能安全。
一旦將自主決策引入系統，就需要相信這些操作能安全執行，或至少在出現問題時具有失效安全能力。
您還需要最高程度的安全保障，保護自主系統免受網路安全攻擊。任何資料漏洞或安全漏洞都是極為嚴重。因此，為了使自主優勢成為現實，我們需要解決方案來克服所有這些基本的工程挑戰。
• 這讓我進入最後的部分。從半導體供應商的角度來看，實現自主優勢需要什麼呢？讓我們看看這樣的系統是什麼樣子的，各位可以在圖片上看到。我們一步一步來。
─ 就從底部開始吧，先從硬體基礎開始。任何自主系統的基礎都是矽。連接實體世界的系統需要運算平台、連接性、數據網路和電力和能源網路。
─ 要建立這些邊緣系統，我們需要像樂高積木般高度可擴展的硬體構建塊，以便根據每個特定邊緣情況的個別用例需求客製化這些系統。
─ 恩智浦提供所有這些硬體建構模組。基本上，我們有高度可擴展的處理平台，從非常簡單的微控制器到真正高端、強大的 NPU，主要集中在汽車和工業平台上。
• 我們緊密整合這些處理器的電源管理，以實現最高的能源效率，然後提供安全的網路和連接功能，滿足不同用例的各種需求，包括各種資料速率。
• 但僅有硬體是不夠的。我們需要全面的軟體來讓系統得以實施。因此，我們需要完整的軟體基礎，包括資料庫、工具、驅動程式、針對硬體訂製的中介軟體以及與應用軟體的橋接。
─ 針對中介軟體，我們提供廣泛的解決方案，客戶可以根據特定用例進行選擇，投影片上可以看到一些範例，例如語音、圖形、視覺、低功耗、觸控、感測、馬達控制等。
─ 因此，透過高度可擴展和可重複使用的硬體構建塊和軟體基礎，我們提供開發這些系統所有的構建塊。
• 現在讓我們討論如何找到一種方法將 AI 調整到合適的大小，進而在邊緣部署 AI，而不只是從雲端複製貼上。它的尺寸必須適合邊緣的限制。
• 這些通常是運算能力、記憶體限制，而且必須節能。我已經提過幾次。邊緣應用不能使用水冷或雙風扇處理器。
─ 因此，我們為此提供工具包，稱之為 eIQ，用於模型開發和部署，您可以在圖片上看到。它基本上從模型定義和正確的尺寸開始。
─ 您可以使用模型和數據，我們會針對特定邊緣調整大小並進行最佳化，也就是這裡用橙色顯示的部分，輔以本地資料庫進行精煉。
─ 當然，還有很多工具用於向物理世界輸入和輸出資料。有了這個工具包，我們就有真正完美的工具，可以調整大小並針對邊緣進行最佳化，同時可讓邊緣始終保持最新。
• 接下來我們講到最後一個基石，就是安全和保障。
─ 信任是自主系統的基礎，特別是邊緣自主系統，需要最高等級的功能安全和保障。
─ 對於功能安全，我們運用我們在汽車和工業領域的專業知識，這是需要最高級別功能安全的產業，我們在系統級別、硬體、軟體甚至端到端應用程式上定義功能安全。我們有多個要素來從根本上實現系統的功能安全。
─ 與功能安全類似，安全也需要在系統層面進行定義，並需要端到端的多種措施，安全措施一定是針對系統或用例的多種措施的組合。
─ 因此，安全性深植於恩智浦的 DNA ，特別是利用我們在護照、信用卡和行動錢包方面的專業知識，我們為邊緣裝置部署了最高等級的安全功能。
• 安全方面一定要保持領先，需要領先一步。因此，NXP 已將後量子密碼技術融入產品。為了保持安全性，我們還提供大量生命週期管理機會和安全的無線更新。
• 為了實現策略願景，我們也在為下一步做準備。我們最近宣布收購三家公司的意向，分別是 Kinara、Aviva Links 和 TTTech Auto。這些公司將進一步幫助我們增強將人工智慧推向邊緣的工具。
─ Kinara提供業界領先的生成 AI 能力，功能強大的離散 NPU，非常適合在邊緣實現代理式 AI。
─ Aviva Links 提供高頻寬非同步資料傳輸功能。
─ TTTech Auto 是家提供安全關鍵中介軟體平台的軟體公司。
─ 這些目前處於主管機關批准狀態的收購，都將大大增強我們的自主優勢能力。
• 將所有這些結合起來，您會發現我們處於非常有利的位置，我們擁有所有這些建置模組和工具包，可以解決我之前提到的工程挑戰，使我們成為真正的解決方案提供商，與我們的合作夥伴和客戶一起開發和部署邊緣人工智慧解決方案。
• 作為解決方案提供者，我們確實希望減輕客戶面臨的複雜性負擔。基於我們深厚的應用專業知識，我們將解決方案明確集中在此處看到的領域，例如軟體定義汽車、工廠自動化、能源管理、人工智慧視覺。作為解決方案提供商，這些真正推動了創新、快速上市以及總體持有成本最佳化。
• 然而，實現自主優勢並非一家公司能夠做到的，這需要集體的努力。這就是為什麼我們要建立一個由合作夥伴、開發者和創新者組成的廣泛的生態系統，實際上是由 OEM廠商、系統整合商、雲端供應商、半導體供應商等組成的網路。我們共同努力，使自主成真、可擴展且值得信賴，不僅在實驗室裡，而是能帶入現實世界。
• 來看看我們的合作夥伴如何將自主變成現實。
─ Honeywell是我們在工業和物聯網領域的重要合作夥伴之一，他們在客戶以及自己的工廠的解決方案中實施先進的人工智慧技術。讓我們聽聽Honeywell技術長Suresh 是怎麼說的。
影片：Suresh Venkatarayalu，Honeywell技術長
• Honeywell是一家擁有 135 年歷史的控制系統公司，期間經歷三次演變。首先，我們在過去 100 多年來一直利用確定性人工智慧 (Deterministic AI)，因為我們提供的是任務關鍵型、安全關鍵型系統。過去 10 年，我們擴展雲端以連接到安裝基礎，並提供加值服務。過去兩到三年，我們與恩智浦和其他半導體供應商合作，推動人工智慧邊緣，真正實現邊緣智慧，真正解決客戶要求轉型的環境中最複雜的問題。
• 工業領域影響著每個人。我們試圖真正解決三個基本問題。一、資產，建築、工業及飛機子系統內的資產性能。任何停機都會影響整體生產吞吐量。這就是我們延長這些資產壽命的方法。第二，勞動力短缺和技能落差，這是我們推動人員和生產力轉型的關鍵。最後一點是任何影響營運吞吐量和效率的因素，我們會幫助最佳化和提高整體效率。
• 對我們來說，從自動化到自主化有三個基本要素，一是資產、二是人員、三是營運吞吐量。
主講者：Jens Hinrichsen，恩智浦半導體執行副總裁暨類比與車用嵌入式系統事業部總經理
• 謝謝 Suresh提供的精彩見解。我們對這次合作感到非常愉快。
• 談到合作關係，特別是在台灣，我們看到生態系統以非常強大的方式聚集在一起。
─ 我們看到汽車、智慧家庭、智慧建築和智慧工業的生態系正在形成。
─ 這是關於深度合作、強大且值得信賴的合作夥伴的故事。
─ 今天，我看到許多熟悉的面孔聚集在這個非常強大的合作網路中。
─ 我看到供應商、共同發明者、客戶、競爭對手。非常感謝各位的合作夥伴關係。
• 讓我們回顧過去 45 分鐘所討論的內容：
─ 我們了解到人工智慧把有影響力的智慧帶到邊緣。
─ 人工智慧在邊緣領域的發展速度比以往任何時候都快。
─ 自主邊緣是未來的趨勢，而代理式人工智慧則點明了方向。
─ 它有受到人類啟發的思考、行動和學習能力。
─ 但只有當我們能夠信任時，自主性才會擴大。
─ 因此，必須安全可靠地打造。
─ 需要生態系來構建。
─ 這關乎我們如何將自主的未來變為現實，一個充滿期待、自動化的環境，我們周圍的技術是我們日常的智慧伴侶。
─ 創新永無止境，下一步是什麼？之後是什麼？
─ 現在是談代理式人工智慧，但人工智慧將繼續進步和發展，不知道未來會發生什麼。
─ 在座的許多人可能正在為下一次進化而努力。
─ 未來發生時，NXP 將與我們的合作夥伴在這裡把它變成現實，希望在下屆 COMPUTEX與大家分享了。
