0

1
1

文字

分享

0
1
1

電動車安全如何把關?最新 AEC-Q007 規範解析,揭開車用板階驗證關鍵!

宜特科技_96
・2025/04/22 ・4138字 ・閱讀時間約 8 分鐘

本文轉載自宜特小學堂〈最新AEC-Q007規範搶先看 車用Board Level驗證手法大公開〉,如果您對半導體產業新知有興趣,歡迎按下右邊的追蹤,就不會錯過宜特科技的最新文章!

圖 / 宜特科技

隨著全球環保政策日趨嚴格,預測 2035 年歐美市場的電動車比例將分別達到 85% 和 70% 以上。為確保電動車使用者的安全,車用電子的可靠度要求也愈發嚴謹。因此,專門規範車用 IC 上板至 PCB 焊點可靠度測試(BLR)的 AEC-Q007 規範正式發布。讓我們快速了解一下AEC-Q007到底包含了哪些內容吧。

儘管目前電動車市場成長幅度已逐漸放緩,不如前幾年增長速度快,但國際能源署(IEA)預測,到2035年,歐美市場的電動車比例將分別達到85%和70%以上。從中長期來看,只要各國持續引入更嚴格的環保規定,電動車市場就會繼續擴大。

而全球汽車電子最高殿堂-汽車電子協會(Automotive Electronics Council,簡稱AEC)近期宣告,已推出 AEC-Q007 規範,正式定義車用 BLR 可依循的驗證標準方向。

AEC 是什麼?

AEC 是於 1990 年由克萊思勒、福特汽車、通用汽車組成的組織,目的是要建立通用的汽車零件可靠度測試方法與品質系統標準。此協會全球僅 93 家為合格會員,皆是全球在汽車各領域翹楚,包括全球前 10 大的 Tier1 供應商 – APTIV、BOSCH、CONTINENTAL、DENSO、MAGNA、ZF 等,以及前 10 大的車用晶片 Tier 2 供應商 -INFINEON、INTEL、NVIDIA、NXP、QUALCOMM、STM、TI 等,而 Tier 3 供應商(也就是協助 Tier 2的服務公司)則包含 TSMC、UMC、GF、Amkor 皆為其成員。)

宜特科技也在 2022 年底正式成為 AEC 會員。

-----廣告,請繼續往下閱讀-----

這些規範的主要焦點都是在零件層面進行各種測試。雖然 AEC-Q104 規範中的 Test Group H 提到了板階可靠度(Board Level Reliability,簡稱 BLR),但內容只是提供了一些參考規範,並未詳細說明有關 PCB 和菊花鍊(Daisy Chain)的設計規範。(如果您對這個規範有興趣,可以參考這篇文章:六大重點,秒懂車用多晶片模組AEC-Q104規範

換句話說,以前的 AEC 文件都是針對零件測試的規範,直到 2024 年 3 月推出 AEC-Q007,才首次真正將零件和印刷電路板(PCB)結合起來,其中建議了 PCB 與 Daisy Chain 詳細的設計規範,並透過 BLR 驗證方式觀察焊點失效的情況。

AEC-Q007 內容所提到的 Daisy Chain 設(圖一),其實就是我們經常聽到的板階可靠度測試,透過零件搭配 PCB,將錫球與 PCB 端設計成導通模式,進而形成迴路以便觀察焊點(Solder Joint)之壽命(延伸閱讀: 板階可靠度測試 Pass 或Fail,PCB 設計居然是關鍵),於測試過程中搭配測量儀器,即時獲得資訊來判斷焊點良率。

圖一:BLR Daisy Chain 設計概要。圖 / 宜特科技

與完整的板階可靠度測試相比,AEC-Q007 規範僅聚焦於溫度循環測試 (TCT)下的焊點耐久性,而全面的 BLR 測試則涵蓋了三大應力條件:溫度循環測試 (TCT)、振動測試 (VB)、機械衝擊測試 (MS)。儘管 AEC-Q007 仍有範圍上的限制,但它仍是一個邁向提升汽車電子 PCB 可靠度的重要進展。透過納入 PCB 層級測試,AEC-Q007 可更深入解析元件間的相互作用及失效機制,特別是在熱疲勞條件下的影響,最終提升長期可靠度。

-----廣告,請繼續往下閱讀-----

本文宜特科技將以 AEC 協會會員第一手觀察,逐一解析 AEC-Q007 規範中的三大要點:Daisy Chain 設計、PCB 設計和溫度循環測試。

一、驗證前之車用 Daisy Chain 如何設計

AEC-Q007 規範針對不同封裝形式中的 Daisy Chain 設計有個別的介紹,相較於其他國際規範大部分僅以文字帶過,對於初次想要學習 BLR 流程的使用者來說,AEC-Q007 規範非常容易理解與應用。本篇小學堂文章,宜特可靠度驗證分析實驗室,將以市場上較普及的球柵陣列封裝(Ball Grid Array, BGA)進行說明。

AEC-Q007 將 Daisy Chain 設計分成 4 個 Level,設計困難度以 Level 3 最簡易,Level 0 則最複雜,文中也提供建議指南,設計者可依據本身需求來設計 Daisy Chain。

因製程能力不斷提升,單一零件也從以往可能僅包含一顆晶片,逐漸發展到能容納多顆晶片。透過晶片與晶片或基板(Substrate)的層層堆疊,讓零件能擴充更多的 I/O。這些堆疊的晶片透過Solder Joint進行連結,以 BLR 角度來看,應該將零件內部等相似的 Solder Joint 結構一併考慮進來,以達到整體的可靠度,因此在 AEC-Q007 規範中,即針對不同類型零件提出不同的 Daisy Chain 設計建議。

-----廣告,請繼續往下閱讀-----

Level 3:透過零件基板(Substrate)的表層(Top layer)佈線,將錫球與PCB進行連結,這是 BLR 驗證最常見的 daisy chain 設計方式,主要可以觀察到零件表層線路、PCB 以及接點 Solder Joint 的異常狀況(圖二)。

圖二:Level 3 的 daisy chain 設計,透過零件基板(Substrate)的表層(Top layer)佈線,將錫球與 PCB 進行連結。圖 / 宜特科技

Level 2:因 Level 3 設計僅經過基板表層線路,當實際的產品基板線路較為多層複雜時,其可能會無法模擬部分基板失效情況,藉由將原本在零件底部的線路延伸至基板(Substrate)內層 (圖三),可延伸確認是否會因外在應力導致基板內層線路斷裂或脫層。

圖三::Level 2 的 Daisy Chain 設計,將原本在零件底部的線路延伸至零件基板(Substrate)。圖 / 宜特科技

Level 1:將佈線持續延伸至零件內部,連結內部晶片之表面金屬層,觀察零件內部的Solder Joint(圖四)。就宜特觀察,這種 Daisy Chain 的設計方式被越來越多客戶接受。原因在製程能力提升後,堆疊層數增加勢必讓零件內 Solder Joint 承受更大的熱應力與機械應力。

圖四:Level 1 的 Daisy Chain 設計,將佈線持續延伸至零件內部,連結內部晶片之表面金屬層。圖 / 宜特科技

Level 0:此種設計最為複雜,將 Level 1 設計方式再延伸至內部晶片(圖五),由於牽涉到晶圓設計製程,若使用者選擇 Level 0 設計,成本將會大幅提高。除此之外,BLR 即時偵測設備主要以低阻抗與低電流方式進行快速偵測,但此種設計的內部晶片常產生較高的阻抗,可能因超過偵測設備的規格,導致無法即時偵測,在設計前也須將這些因素考量進去。

-----廣告,請繼續往下閱讀-----
圖五:Level 0 的 Daisy Chain 設計,將 Level 1 設計方式再延伸至內部晶片。
圖 / 宜特科技

二、 驗證前之 PCB 設計

了解零件 Daisy chain 設計後,接下來就要討論 PCB。PCB 設計其實對於BLR壽命也佔了非常大的因素,PCB 層數越多也代表厚度越厚,層數越少則反之。厚與薄是否會影響到測試結果?答案是肯定的。

在溫度循環的環境下,因溫度讓整體產生熱脹冷縮的變化,反覆地針對 Solder Joint 進行溫度疲勞最終產生斷裂。假如 PCB 在熱脹冷縮的過程中,能和零件有一致的變形方向,就能增加其壽命,因此在設計 PCB 時,也建議考慮到與零件的匹配性

延伸閱讀:掐指算出 Warpage 翹曲變形量 速解 IC 上板後空焊早夭異常) 。

AEC 其實也有考量到零件最終使用的環境具備多樣性,PCB 層數與厚度難以固定規格,因此 AEC 不強制要求,讓供應商能以較貼近實際面的方式去設計PCB。對於產品資料蒐集也較具真實性,假若供應商無法獲得 PCB 規格的資訊,AEC 也提出一組 PCB 設計方針可供參考,其中較推薦的是 8 銅層與 1.6mm 的厚度。

三、正式進入車用可靠度測試手法:溫度循環測試

1. 測試目的:了解零件特性 而非通過驗證

當完成零件與 PCB 設計後,接下來就進入測試條件。AEC-Q007 首先提出的驗證方式為溫度循環,這裡先請讀者注意規範中的目的章節,開頭就提到是要蒐集零件 BLR 熱疲勞壽命的分佈數據,這代表此驗證是獲得樣品故障分析資訊,與我們常執行 BLR 驗證條件有些許不一樣。一般 BLR 測試條件,是以500或1000循環為標準,通過此循環即代表產品「通過驗證」;而 AEC-Q007 目的是「了解零件特性」,將資料蒐集做為未來使用者參考。

-----廣告,請繼續往下閱讀-----

2. 測試條件:分為 4 級

溫度循環測試條件,參考 AEC-Q100 零件環境工作溫度等級進行分類,總共分為 4 級,最嚴苛為第 0 級。理想情況下,選擇的溫度條件等於或大於預期的應用操作溫度範圍(參考表一)。監控過程與判定方式則是參考 IPC-9701,高低溫駐留時間建議 10~15 分鐘。另外,規範中也提到溫度循環使用設備不應選擇快速升降溫,例如:雙氣槽式溫度衝擊與液槽式溫度衝擊。

表一:溫度循環條件參數。表格來源::宜特科技

3. 測試樣品數

測試樣品準備數量應不小於 50+5 顆(包含故障分析),建議執行到所有測試樣品失效至 63.2%。假如執行一段時間後皆未故障,可停止於 3000 循環。AEC-Q007 有提到除了蒐集故障資訊外,對於已故障的樣品應進行故障分析,並記錄故障位置。針對 BGA 零件規範就定義了 10 種故障位置,若驗證過程未發生故障,也建議於每 500 循環,須將樣品取出進行切片或紅墨水分析。

圖六:焊點失效位置。圖 / 宜特科技

4. SMT 定義參數

除了零件設計與測試條件,AEC-Q007 對於表面黏著技術(surface mount technology, SMT)也定義了設定參數。由於 SMT 的結果可能會影響可靠度的數據,SMT 後 Solder Joint 內會產生孔洞,孔洞的標準雖然有規範定義,但過大過小都有可能造成後續可靠度數據差異。規範中也建議 SMT 設定參數應接近供應商實際的量產條件,更詳細資訊可參考 AEC-Q007-002。

小結

AEC-Q007 首度跨出零件本體,搭配 PCB 驗證方式進行規範。目前雖然僅有溫度循環驗證方式,但這是因為車用零件在實際應用中會面臨各種溫度挑戰,如戶外環境、高低緯度以及接近發熱區域(例如引擎室)等。相較於消費型零件,車用零件的可靠度需克服更多溫度相關因素,因此「溫度」對於車用零件來說是最需要克服的關鍵因素之一。

-----廣告,請繼續往下閱讀-----

宜特可靠度驗證實驗室針對 BLR 長期經驗觀察,Solder Joint 在長時間的溫度環境下,的確可能產生異常現象,AEC-Q007 的撰寫者以溫度為出發點是正確的,尤其是車用零件因考量到使用者安全性,必須更嚴謹看待。接下來,宜特預期 AEC-Q007 會持續提出其他的驗證項目,例如:機械衝擊、振動、濕度測試等等,以建置完整的驗證流程。

本文出自 www.istgroup.com

-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

宜特科技_96
13 篇文章 ・ 4 位粉絲
我們了解你想要的不只是服務,而是一個更好的自己:) iST宜特自1994年起,以專業獨家技術,為電子產業的上中下游客戶, 提供故障分析、可靠度實驗、材料分析和訊號測試之第三方公正實驗室

0

0
0

文字

分享

0
0
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

-----廣告,請繼續往下閱讀-----

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

-----廣告,請繼續往下閱讀-----

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

-----廣告,請繼續往下閱讀-----

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

-----廣告,請繼續往下閱讀-----

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

-----廣告,請繼續往下閱讀-----

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

-----廣告,請繼續往下閱讀-----
研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

鳥苷三磷酸 (PanSci Promo)_96
225 篇文章 ・ 313 位粉絲
充滿能量的泛科學品牌合作帳號!相關行銷合作請洽:contact@pansci.asia