硬體,尤其是MEMS感測器,仍將會是終端裝置中不可或缺的部份,但展望未來,軟體在為用戶帶來價值方面也扮演同樣重要的角色。博世(Bosch Sensortec)認為,感測器軟體將會變得越來越智慧,從而將MEMS感測器轉變為更準確且個人化的系統,協助使用者適應任何情況。

Bosch Sensortec技術長Markus Ulm說:「軟體為傳統感測器元件增加了新功能。 我深信這將會對我們的產業帶來重大影響,」促進MEMS感測器導入當前和新的應用中。

MEMS標準化

「一種產品,一種製程」(One Product, One Process)是MEMS產業中眾所周知的不二法則。MEMS元件必須經過高度客製才可能滿足功耗、延遲、穩定度和記憶體方面的特定要求。例如,虛擬實境(VR)頭戴式顯示器需要最低延遲時間,掃地機器人則要求在各種不同溫度下具有高穩定度,而穿戴式裝置則需要以超低功率實現自主學習以及定向追蹤。Ulm說:「但要開發一種適合所有產品的解決方案極其困難,而且還必須要有足夠的市場覆蓋才能真正使其具有商業可行性。」

再者,在邁向製程標準化方面幾乎沒什麼進展,這也象徵著這一產業與傳統半導體產業製程的顯著差異。Yole Développement技術市場分析師Damianos Dimitrios認為,「在MEMS標準化方面一直沒有任何改善和進步。過去二、三十年來一直是這樣,業界都在談論標準化,但卻一直未能實現。這就是為什麼MEMS代工廠和CMOS代工廠的商業模式發展不同的原因。」

Ulm聲稱,軟體正是超越這種典範並帶來商業意義的主要推動力之一。

越來越聰明

從讀取感測器資料到評估資料,直到最終展開學習並根據資料做出本地決策,軟體已經發展很長一段時間了。

Ulm說:「軟體和硬體的結合,帶來了創造感測器以及新的感測方法之路。」

如果硬體中包括不止一種類型的感測器,那麼軟體就夠將各種原始測量結果匯整在一起,並將結果轉化為更有價值的資訊。「因此,相較於感測器元件,一個完整的系統能夠產生有關感測的更高層級資訊。」他並以使用Bosch Sensortec BME680氣體感測器為例說,「如果僅使用感測器原始資料,你可能無法分類不同的氣體。但透過軟體啟用,氣體感測器中所採用的技術還可用於進行溫度光譜分析。」

感測器融合同樣透過軟體智慧化地組合並評估來自多個感測器的資料,以改善應用或系統效能。但是,實際上,要讓多個感測器協同運作並收集有用的資料並不是那麼簡單或直接。

Ulm說:「為了簡化感測器融合過程,您必須提高運算能力,或者建立一些機器學習演算法,以處理所有的資料、進行分類,並且瞭解哪些資料來自哪個感測器以及資料在傳達什麼訊息。」

處理能力也是一大挑戰。Damianos說:「您需要更多的能力來處理資料,但最終,您還需要降低功耗,才能讓裝置可以持續更長時間使用,特別是消費類應用。」

BoschSensortec-SensorFusion-PowerConsumption

(來源:Bosch Sensortec)

Ulm指出:「感測器融合尚未達到極限,還需要進一步的研究和開發。」他說Bosch的方法包括利用人工智慧(AI)和軟體合成,以使消費電子裝置更智慧。「軟體合成是指根據領域知識和特定產品版本的特定限制自動產生程碼的方式。」

「感測器融合技術實現了一定程度的自動化,這為更複雜的感測器融合創造了新的機會——由於涉及大數據(big data)和大量潛在的資料來源,是以往使用傳統方法無法實現的。」

軟體不僅為感測器增加價值,也進一步提升了整體系統。它也變得越來越聰明,可以直接在MEMS感測器內部實現AI。Ulm說:「我們一直聽到很多有關AI的討論,但我想鼓吹邊緣AI (edge AI)作為產業和用例驗收的解決方案。」直接在MEMS裝置的本地擁有AI,將有助於發展新的應用,並為用戶帶來更多好處。

在邊緣執行AI演算法確實為用戶帶來了諸多好處。第一是個人化,在本地執行計算,並根據用戶的個人行為實現最佳化。其次是用戶的資料隱私。Ulm解釋說,由於在邊緣處理資料而無需經由雲端,更能讓資料保有穩私性。第三個好處是即時反饋。「將內容上雲處理後再傳回裝置,將會經歷延遲,而且有許多應用其實並沒有必要上雲。」在邊緣執行可避免資料來回傳輸並減少延遲。第四個好處則是由於在本地進行處理,有助於延長電池壽命。

Bosch Sensortec技術長Markus Ulm

然而,Edge AI仍然受制於幾項關鍵的成功因素。Ulm說:「不僅要理解和控制資料,演算法也不可忽略,這些都是至關重要的,尤其是對於Edge AI而言。」他並強調,Edge AI要能成功取決於三件事。首先從在邊緣受限條件下執行於裝置上的演算法開始。「重點在於瞭解這些演算法並開發能夠在此條件下執行的新演算法。」其次是資料,這些即時產生的資料必須即時處理。第三是情境架構(context),這意味著資料的解讀必須對特定用例有意義,而且在特定情況下也具有價值。Ulm解釋說,「例如,這種價值可以是根據情況如何以不同方式處理問題的即時反饋。」

目前,Edge AI仍處於其發展初期。Ulm表示,由於機器學習社群一直專注於以基於雲端的解決方案來解決大數據和大規模的問題,因此還有各種挑戰尚待解決。

Damianos指出,主要的挑戰是功耗和摩爾定律(Moore’s Law)的限制。「我們都知道摩爾定律正逐漸式微。我們不確定它是否終結,但至少知道它正放緩中,因而對於可能在處理器單元中增加的電晶體數量帶來了限制。」另一個確定的挑戰是資料隱私法規。「在歐洲,我們已經有《一般資料保護規範》(GDPR)了,但還需要了解其他地區的情況。」

而當被問及MEMS感測器公司如何在edge AI方面有所作為,以及證實較雲端供應商更具優勢時,Ulm列舉了許多用例,包括在極其接近感測器的邊緣,可能為客戶帶來的價值等等。「MEMS感測器公司在此可以利用其優勢來突破邊緣的限制,從而實現本地機器學習解決方案。而且,最重要的是,我們了解感測器的功能及其如何運作。」

編譯:Susan Hong

(參考原文:Software Propels MEMS to Smarter Systems,by Anne-Françoise Pelé)