[CES 2016] 效力等同150台MacBook Pro，NVIDIA發表車載人工智慧引擎|數位時代 BusinessNext

隨著車載技術發展一日千里，近年來消費性電子展（CES）也成為各大車廠比拼實力的重要舞台，尤其是各種極具未來感的自動駕駛概念車型，更成為CES吸引眼球的活招牌。面對複雜的道路交通狀況，自動駕駛車輛必須依靠人工智慧和機器學習來應對各種突發事件，確保駕駛的行車安全，因此相關的應用在本次CES也成為相關業者的發表重點。

NVIDIA
（NVIDIA創辦人黃仁勳。圖片來源：網路截圖。）

繪圖處理晶片（GPU）商輝達（NVIDIA）即搶在CES開展前，由NVIDIA共同創辦人暨執行長黃仁勳親自主持，發表了全新車載人工智慧引擎NVIDIA DRIVE PX 2，加速自動駕駛技術發展。黃仁勳透露，第一家採用DRIVE PX 2平台的車廠為Volvo，用以驅動Volvo 100輛自動駕駛的XC9運動休旅車，並計畫於明年Volvo在瑞典的「Drive Me」自動駕駛員計劃中正式上路。

「駕駛本身就是一件很難的事。」自動駕駛技術將大幅改變人類所處的社會，但自動駕駛車輛必須能夠精準地**「感知（perception）」**周遭環境。黃仁勳進一步解釋，即便是高速公路，對於自動駕駛車輛來說仍然是個挑戰，更遑論是複雜程度更高的一般道路駕駛。想像一下路上會有什麼？行人、狗、腳踏車、水窪、坑洞、路邊停著的汽車⋯⋯等，要跨越這個感知的挑戰，目前的解決方法就是能夠「深度學習（Deep Learning）」的人工智慧，亦即機器能夠在不同的狀況及條件之下，不斷自我學習、進步以應對各種突發事件，毋須工程師一次次去動手修改系統程式。

##驅動機器深度學習，GPU要當自駕車的「大腦」

黃仁勳指出，機器深度學習牽涉上萬億種程式操作，可能需要耗費好幾個月，但如果使用GPU來驅動機器深度學習，則能縮短機器的學習歷程，平均比原本的學習速度快上約30～40倍，這代表過去要耗費一年的學習歷程，可以縮短至一週；而一週的歷程在一天內就能完成。

黃仁勳說，無論是Facebook的Big Sur、Google的 Tensorflow、IBM的華生（Watson）還是微軟（Microsoft）的CNTK系統，都藉由NVIDIA的GPU運算技術強化機器深度學習的能力，現在，利用它們構建未來自動駕駛車的大腦，就能使其隨時警戒監控，達到超越人類的情境感知能力。

NVIDIA

##每秒24兆次的深度學習運算，效能媲美150台MacBook Pro

NVIDIA車載人工智慧引擎「DRIVE PX 2」讓汽車產業得以運用人工智慧處理自動駕駛面臨的各種複雜情境，它採用NVIDIA最先進的GPU來處理深度學習功能，其效能等同於150台MacBook Pro；它能掌握車子周遭360度的情境，精準判斷車子所在位置，並推算出安全舒適的行進路線。

該平台結合了兩顆新一代Tegra處理器以及兩顆獨立的Pascal架構新一代GPU，能提供每秒24兆次的深度學習運算速度，其特殊設計的指令集加快深度學習網路介面中採用的數學運算法，比前一代產品的運算效能高10倍以上。

NVIDIA
（圖說：黃仁勳手拿最新的DRIVE PX 2車載平台。圖片來源：網路截圖。）

DRIVE PX 2深度學習的能力，使其得以快速學習如何辨識日常駕駛中經常出現的各種挑戰，例如道路碎石、行徑離譜的違規駕駛、以及施工區域。深度學習亦能辨識多種傳統電腦視覺技術所無法應付的狀況，特別是在像大雨、下雪、以及濃霧等惡劣天候，以及包括日出、日落、以及漆黑等光線不足的光照條件。

此外，由於自動駕駛車運用多種感測器以分析周遭環境，DRIVE PX 2能處理12個視訊攝影機、光達、雷達、以及超音波感測器的輸入資料，加以融合後而得以精確地偵測物件、識別並確定車子相對於周圍的所在位置再推算出安全行車的最佳路徑。

曾是台灣製造業重要根基的塑膠射出產業，如今正面臨人才斷層危機。尤其桃園聚集大量工業區與製造業者，老師傅退休、新人才接不上的現況，更是許多工廠正在面對的現實難題。

從汽車零組件、網通設備、醫療器材到半導體載具，許多產品都離不開射出成型。智穎智能創辦人暨執行長張詠翔指出，全球塑膠射出市場規模超過 3000 億美元，每年仍以約 3% 至 4% 的幅度成長。需求並未消失，只是製造基地從台灣、中國逐步往東南亞等地移動。但機器可以搬、訂單可以轉，老師傅數十年累積的經驗卻很難複製。

這道人才缺口，正是 2020 年成立的智穎智能切入市場的機會。團隊從桃園中原大學的研究能量出發，歷經近十年研究與工廠驗證，嘗試把老師傅腦中的射出經驗，轉化成可以計算、保存與持續學習的 AI 模型，解決產業第一線面對到的挑戰。

把老師傅經驗交給 AI，射出成型從「導航」走向「自駕」

「餐廳沒有廚師是不行的。有再好的設備，不會做的人還是會把它做失敗。」張詠翔如此比喻射出成型的技術門檻。當模具完成後，生產現場仍得依產品、材料與機台特性，調整溫度、速度、壓力、位置等條件；即使使用同一種塑料，不同產品的調整方式也可能完全不同。

而老師傅的珍貴之處，不只是記住參數，而是知道面對材料、機台與環境變化時如何修正。智穎智能要做的，就是把這些難以傳承的「火候」拆解成可以運算的製程邏輯。目前其 AI 解決方案已應用於超過 200 種材料、50 多種產品類型。

把老師傅的經驗轉化為製程邏輯後，第一步就是讓 AI 協助操作人員找到合適的成型條件。智穎智能為此開發智能成型導引系統，工廠只要輸入材料、機台規格、產品尺寸等資訊，sMolding 便能計算第一組成型參數；若試模後出現產品缺陷，再由 sTroubleshooting 提供修正建議。

「它就像導航。我今天告訴你要從 A 點到 B 點，但不知道路怎麼走，導航會把路徑算給你。」張詠翔說。對射出成型而言，這條「路徑」就是溫度、速度、壓力與位置等參數如何組合。以半導體載具試模為例，傳統方式需 7.5 小時，導入系統後縮短至 2 小時，材料使用量從 23 公斤降至 8.7 公斤，整體試模成本降低 64%。

但找到正確參數只是第一步，真正進入量產後，工廠面對的「路況」還會持續改變。溫溼度、材料批次與機台耗損，都可能讓原本設定好的製程條件產生偏移。智穎智能因此進一步開發 StabMolding 成型穩定模組，透過射出壓力數據持續監控品質，並依生產狀態自動補償關鍵參數。換言之，AI 不只在試模階段提供一條正確的「導航路徑」，進入量產後還能因應製程變化持續修正，進一步朝「自駕」邁進。

從產線驗證到海外布局，桃園如何助攻智穎智能跨過0到1？

但要讓 AI 真正走進工廠，智穎智能採取 SaaS 訂閱模式，將核心運算留在雲端持續學習與更新，降低中小型製造商一次投入大量資金的門檻。另一項差異則是「跨廠牌」。現實中的射出工廠往往同時擁有台灣、日本、歐洲不同品牌與年份的設備，因此智穎智能的方案既能導入既有設備，也能與射出機、控制器業者合作，在新機出廠時直接整合。「一個工廠不會只有一個廠牌，就像你家的車庫不會永遠只放同一品牌的車。」張詠翔說。

對智穎智能而言，AI 真正走進製造現場的關鍵，在於不同世代、不同品牌的設備都能導入。只是對工業 AI 而言，降低導入門檻還不夠，更關鍵的是能否取得真實產線反覆驗證。對從中原大學研究成果衍生創立的智穎智能而言，桃園不只是公司所在地，也提供了技術走向市場的第一塊試驗場。「對新創來說，第一個就是要經費、要人才、要場域，再來就是客戶與合作夥伴資源。」張詠翔說。

成立初期，團隊透過桃園市政府研發補助、新創競賽與基地進駐等資源，降低早期研發與營運負擔。更重要的是，桃園密集的製造業聚落，本身就是智穎智能最直接的潛在市場。透過市府串聯工業區與在地企業，智穎智能在創業初期接觸到位於桃園的「良器」，成為公司第一個客戶。從概念驗證、產品調整到實際導入，合作一路延續至今。對必須進入產線反覆驗證才能成熟的工業 AI 而言，第一個願意開放場域的客戶，意義遠超過第一筆營收。

如今，從桃園製造現場磨出的解決方案也開始往海外走。「日本這一次，完完全全都是桃園市政府帶著我們去做這件事情。」張詠翔表示，透過市府帶領團隊前往日本神戶，智穎智能接觸當地官方與企業資源。在市府引薦下，團隊成功對接了神戶知名加速器，更取得日方針對外資新創設立公司與拓展市場的兩階段實質補助資訊。目前團隊正籌備日本布局，為下一階段海外市場拓展做準備。

AI 解決「怎麼生產」後，下一步是「替誰生產」

當 AI 開始解決「怎麼生產」，張詠翔看到的下一個問題，是「替誰生產」。部分製造商提高生產效率後反過來問他，如果我的產能多了 20%，但沒有多 20% 的訂單，我何必要做那麼快？

這個問題催生了智穎智能下一階段的製造媒合平台構想。隨著供應鏈分散至不同國家，品牌要在海外重新尋找符合特定規範與製程能力的供應商，也愈來愈困難。團隊因此希望串聯既有使用 AI 方案的製造商，讓品牌端能依條件尋找供應商，也讓製造端的閒置產能有機會被看見。團隊預計 2027 年上半年推進平台服務，初期規劃串聯超過 200 家製造商與破千台機器。

從中原大學的研究，到桃園工廠提供第一個實際驗證場域；從把老師傅經驗變成 AI「導航」，再走向能自行修正製程的「自駕」，智穎智能試圖數位化的，是製造業最難被保存的資產：人的經驗。而當全球供應鏈持續移動、製造基地愈來愈分散，這套從桃園工廠磨出的 AI，下一步不只要替老師傅找到數位接班人，也要重新連結散落全球的製造能力。
而「Meet 桃園+」也期盼持續透過計畫的媒體報導與宣傳資源，將更多像智穎智能這樣扎根在地、走出海外的創業故事傳遞出去，讓外界看見桃園豐沛且具實戰力的創新動能。