隨著工業物聯網應用不斷升溫，連接到 Internet 的工業設備數量也呈現驚人的成長，而且成長幅度正逐年提高。根據專業市調公司 IDC（International Data Corporation）於 2019 年公布的報告，到 2025 年，全球連網工業設備的數量將攀升到 416 億個。更驚人的是，每一台設備皆承載極其龐大的資料量。此外，哈佛商業評論（Harvard Business Review）的一項研究結果顯示：「只有不到一半的企業結構化資料，真正被用於協助制定決策；而且企業曾分析或利用的非結構資料還不到 1%」。為滿足 IIoT 應用需求，因此，企業和產業專家開始採用人工智慧（AI）和機器學習（ML）解決方案，以獲得更全面的洞察力，進而迅速做出更明智的決策。

The 人工智慧物聯網（AIoT）指的是在物聯網應用中採用 AI 技術，以便改善運作效率、人機互動性，以及資料分析和管理效益。舉例而言，有越來越多企業採用電腦視覺或 AI 視訊分析技術，在不同應用中進行分類和辨識。從遠端監測和預防性維護的資料讀取，到進行車輛辨識以便控制智慧運輸系統中的交通號誌，再到室內/室外巡邏機器人和農用無人機（agricultural drone），一直到可檢查高爾夫球和其他產品之細微瑕疵的自動光學檢測（AOI）作業，電腦視覺和視訊分析技術，極致提升了工業應用的生產力和效率。

然而，在許多實際應用中，特別是對於位在偏遠地區的高度分散式系統，想要持續傳送大量的原始資料到中央伺服器，根本不可行。為了減少延遲、降低資料傳輸和儲存成本，並提高網路可用性，解決方案供應商和應用架構商開始將 AI 和機器學習功能移到網路邊緣，以便直接賦予現場更強大的處理能力。藉由將現場設備連接至配備強大本地處理器和 AI 功能的邊緣電腦，您不用再將所有的資料傳輸至雲端進行分析。

選擇合適的邊緣電腦，獲得截然不同的結果

AIoT 邊緣運算讓您能夠在現場進行 AI 推論，您再也無需將原始資料傳送至雲端，然後進行處理和分析。為了有效執行 AI 模型和演算法，工業 AIoT 應用需要一個可靠的邊緣硬體平台。在選擇合適的 AIoT 邊緣運算解決方案時，您需考慮各個 AI 部署階段的處理需求，以及部署電腦的環境。

處理需求

您需在建立 AI 邊緣運算應用的三個階段，亦即資料收集、AI 模型訓練和 AI 推論，分別使用不同的演算法來執行不同任務，因為每個階段都各有不同的處理需求。視您所收集的資料之複雜度而定，資料收集過程中使用的運算平台，通常採用 ARM® Cortex® 或 Intel® Atom®/Core™ 處理器。AI 模型訓練需透過先進的神經網路、耗用大量資源的機器學習，或是深度學習演算法來執行，因此通常需借助雲端服務和工具來實現。但是，它們必須部署在具備轉換工具的邊緣電腦上，以便將經過訓練的模型，轉換為可在 Intel® OpenVINO™ 或 NVIDIA® CUDA® 等專用邊緣處理器/加速器上執行的模型。AI 推論包含多個不同的邊緣運算層級，每個層級各有不同的需求。

環境因素

您還需考慮部署應用的地理位置。對於部署在室外或嚴苛環境中的工業應用，例如智慧城市、石油與天然氣、採礦、發電，或是室外巡邏機器人等應用，您選擇的系統須具備寬溫操作範圍和適當的散熱機制，方可確保它在酷熱或嚴寒環境中，仍能維持可靠度。某些應用則要求系統需通過特定的產業認證或認可，例如無風扇、防爆結構和抗振設計。許多真實世界的應用，均部署於空間有限的機箱中。在此限制下，體積輕巧的邊緣電腦是更理想的選擇。不僅如此，位於遠端站點的高度分散式工業應用，可能需要可靠的蜂巢式或 Wi-Fi 通訊連結。另一個考量點是，您可能需要以雙 SIM 卡來提供備援的無線連結，以便在其中一個蜂巢式通訊連結的信號變弱或斷訊時，確保資料仍能不間斷地傳輸。