大量無線且日益多模態的傳感器正瞄準工業物聯網（IIoT），為顯著提升效率、更高良率以及減少停機時間奠定基礎。

有線 IIoT 設備——例如智能電能表和斷路器、工業網絡網關以及環境傳感器——在工廠環境中早已非常成熟。它們長期以來就以冗余為設計目標，并使用加固材料制造，以承受嚴苛條件，例如暴露于高溫和低溫、潮濕、氣體、油污、發電環境、建筑、運輸，甚至輻射之中。這些傳感器讀取環境，并在出現異常時發出警報。

無線和多模態傳感器將這些能力大幅提升。推動 AI 賦能 IIoT 的一個關鍵驅動力是“工業 4.0”的概念，它涉及在整個制造流程中實現數字化、互聯與分析。

Imagination Technologies 產品管理總監 Pallavi Sharma 表示：“傳統上，我們在這一領域看到像 TI 和 NXP 這樣的客戶，如果你看他們的 10-K 報告，大約 40% 的收入來自工業領域。但其中很大一部分由模擬業務驅動。我們現在看到應用場景正在變化，從預測性維護開始，或將 AI 構建到異常檢測等之中。在邊緣側，有一個要求是讓系統更智能并融入更多 AI，因此我們看到向工業 4.0 的過渡。”

在 AI 處理方面，工廠自動化系統與嵌入工業物聯網中的邊緣 AI 之間存在相當大的差異。Siemens EDA 產品負責人 Sathishkumar Balasubramanian 表示：“在工廠自動化中，變化在于有很多虛擬私有云可用。你可以把邊緣設備接入并在其上做一些處理，但他們把大部分重負載放回云端，讓其他人完成工作負載并再發回來。自動化正變得更集中、更偏向云端，而且這在 AI 之前就已經發生。”

在邊緣 AI IIoT 中，工程師正在將智能直接構建進硬件設備。Balasubramanian 說：“假設我在工廠里操作一個爐子或鍋爐。你發現某些東西不對，或者需要改變。我們可以很容易地把它自動化。如果看起來鈣沉積在增加，或者溫度在上升，你就去調整它。這類智能需要被內置。這就是為什么我們稱之為邊緣智能和基于邊緣的智能。他們過去在數據中心做的大多數事情，現在都需要在邊緣完成，因為它們必須是實時的，并且需要在其他一切都出問題時仍能運行。”

使問題更復雜的是諸如“混合信號設計 + 機器學習”的組合，這意味著需要在深度傳感器邊緣就發生多層處理。Synaptics 首席戰略官 Satish Ganesan 表示：“我們談論智能感知。我們談論在盡可能低的功耗配置下就在最底層運行一些算法，當其他一切都在休眠、功耗非常低時。然后進入下一級，也就是原生 AI 處理器。在 100 毫瓦功耗下，你可以運行 2.7 億個參數。對于企業或工業環境中的洗衣機、烘干機或 HVAC 系統，或者制造線上協作機器人，你希望有一個特定工作負載的模型，在調試或診斷出現問題時提供幫助，因為你是在那個特定內部點進行處理。”

展示 IoT 設備邊緣的示意圖，突出 AI 工作負載從低到高處理功率的遷移，并聚焦邊緣硅的需求。

圖 1： AI 和 LLM 正從云端走向 IoT，工業位于這一譜系的中間。來源：Synaptics

就堅固性、可靠性與安全性而言，IIoT 的需求譜系處在消費與汽車之間的某個中間位置。Synopsys 移動、汽車與消費 IP 產品管理執行總監 Hezi Saar 表示：“設計周期像汽車一樣。但由于應用的分散——包括工業自動化、樓宇自動化、能源、照明、醫療、安全、娛樂以及軍工/航空航天——技術采用速度更慢。”

圖 2： 將 AI 能力集成到 IoT 設備中的架構（AIoT）。來源：Synopsys

邊緣 AI 通過使設備成為智能的、自主決策者，從而讓大規模 IoT 的要求更容易實現。Saar 表示：“在設備本地或邊緣進行數據處理，會直接提升 IoT 應用的運行效率與安全性，尤其是在具有挑戰性、偏遠或關鍵任務環境中。然而，它也帶來了與硬件約束和系統維護相關的挑戰，如果管理不當會變得更困難。盡管收益將超過艱難之處，但大量工業自動化相當碎片化，而 AI 技術的大規模部署可能需要時間，取決于電氣化水平。”

最大的挑戰是工業部門變化的敏捷性和速度。專注于工業嵌入式計算的 Toradex CEO Samuel Imgrueth 表示：“人們想要更多自動化，而這正推動多個層面的變化。如果你回看 10 年前，一個工業產品發貨后就被遺忘了。他們設計它，認證它，這是一個非常漫長的過程——三到五年的開發、驗證、確認，然后你開始出貨產品，而你從不觸碰或更新軟件。但現在，有像歐盟《網絡韌性法案》（EU Cyber Resilience Act）這樣的政府法規，要求設備制造商在已知漏洞存在時兩周內更新設備。在這個歷史上非常持久、行動緩慢的市場中發生了很多變化，而現在它被要求更加敏捷和動態。”

機器人 IIoT 與仿真

工業物聯網與機器人事物互聯網（IoRT）之間的界限正在模糊。IoRT 包括自動導引車（AGV）、自主移動機器人（AMR）、輪式機器人、協作機器人（co-bots），以及最終的類人機器人。這正是認知型邊緣 AI 可以大顯身手之處。

Saar 表示：“多模態傳感器融合與邊緣 AI 的融合，正在把機器人與自動化從固定的、預編程任務，推進到真正具備認知能力、且高度可適應的系統。下一個大趨勢是從自動化轉向自主化，例如認知協作機器人系統，實現真正的人機協作。當前一代協作機器人受限于速度和接近傳感器。多模態邊緣 AI 使其能更深入理解人類伙伴，實現智能任務交接與情境化安全。”

未來的機器人將把視覺（讀取肢體語言與姿態）、聲音（檢測突然的口頭警告或異常機器聲音）以及力/扭矩數據實時融合。Saar 表示：“機器人可以解讀人類工人的意圖——比如伸手去拿某個特定零件——并自動調整其速度、軌跡，甚至預先擺放下一件工具，而不是僅僅在人類進入安全區域時停止。”他表示：“這將顯著提升工作流程效率以及人類工人的心理舒適度。”

工業傳感器與邊緣 AI 結合后，可以看、聽、檢測并處理環境信息。機器人還需要觸覺傳感器。

Synaptics 的 Ganesan 表示：“無論是汽車、工業還是消費領域，你都希望通過混合信號能力去感知現實世界中發生了什么。在機器手、類人機器人或工業自動化中的協作機器人里，你想做什么？你必須理解你抓取的材料是什么樣的。它是軟的？硬的？需要怎樣的靈巧度？人手就是這樣工作的。混合信號設計是我們關注的重點，我們還加入機器學習元素。這不是邊緣 AI 跑 teraflops，而是 megaflops 和 gigaflops，用很小的內存做機器學習，用很小的處理能力在邊緣運行一些算法。”

讓更多機器人在工廠中自由運行的一個關鍵要求是高效仿真。Synopsys 旗下 Ansys 的產品管理總監 Matt Commens 表示：“例如，一個雷達仿真工具可以在 GPU 上運行，并對工廠地面上一種小型輪式機器人進行建模，它在貨架間穿行并取放物品。它可以生成合成數據來幫助訓練 AI——比如訓練該機器人理解它在看到反射時到底看到了什么。”

當雷達信號傳到 CPU 或機載 AI 時，會遇到傳感器融合。Commens 表示：“在仿真層面，這基本上都是軟件。他們會對攝像頭和雷達進行交叉訓練。AI 應該能夠開始從有限的數據集中推斷它可能面對的情況。我們不是用這項技術做合成孔徑雷達。我們只是發射信號并接收返回信號。里面有一些相位偏移。它會被轉換成看起來像亂碼的 IQ 數據。但如果你把足夠多的數據送進 AI，它就能開始推斷出一些模式。”

仿真也能幫助制定有效的測試計劃。Keysight 表示：“設計工程師必須首先想象并預判設備將運行的絕對最壞條件。隨后，設計工程師必須測試設備內的單個組件以及成品，以充分探索這些條件。”

圖 3： IIoT 需要低能耗、低維護、高性能的設備，能夠在具有挑戰性的環境中實時運行。來源：Keysight

數字孿生同樣關鍵。Balasubramanian 表示：“如果我要建一座工廠，我需要能夠模擬工廠電子電路或控制單元的行為。當我們談論數字孿生時，我們真正關注的是在你建工廠之前，甚至在你造車之前，就把整個工廠數字化。”

面向 IoT 的邊緣語言模型

除了邊緣 AI/ML 能力之外，IIoT 也將越來越多地連接到特定領域語言模型。Balasubramanian 指出：“我們可以為汽車制造工廠創建一個基礎模型，它可能不算很大，但仍需要處理能力來運行。如果你在工廠里走到某個 IIoT 設備的終端，詢問某個系統運行得如何，它應該能夠就在邊緣完成診斷并給出結果。這些都需要一定功率。這也是一些遷移正在邊緣發生的地方。”

具體而言，一些邊緣設備將連接多個小語言模型——英飛凌稱之為邊緣語言模型（ELMs）——以滿足不同需求，從而避免在它不知道答案時回到云端更大的模型。英飛凌 IoT、計算與無線事業部高級副總裁 Steve Tateosian 表示：“在 MCU 上運行的不僅僅是一個語言模型。上面有一組模型。有一個喚醒詞檢測模型運行在低功耗域，因此我們說的是電池供電設備上的常開音頻，它可以持續數周，而不是幾個小時。”

此前，邊緣上有一些專用模型，例如一個用于語音、另一個用于音頻。如今，這些邊緣側 ML 的專用方法正被支持多種不同輸入或上下文的整合模型所取代。Tateosian 說：“這要求硬件側發生變化，以不同方式去做事。隨后，軟件棧也需要在我們如何在邊緣交付這種性能或這些結果方面投入不同關注。”

并且由于 ELM 的構建方式以及模型的聚焦點，其答案比 LLM 生成的更準確。他說：“你更不必擔心會從模型里出來一些幻覺，或者完全錯誤的東西。”隨著時間推移，模型將繼續變得更敏捷。“我可以識別用戶的語音輸入。未來我也可以有視覺輸入，或者環境音源。你可以想象所有不同類型的數據如何進入這些系統，然后它可以分析這些數據并給你一個建議。”

一個帶傳感器和燈光的機器人頭部，被放置在透明盒中，展示內部電路板與組件。

圖 4： 帶邊緣 AI 處理的機器人頭部。來源：Semiconductor Engineering/Infineon

IoT 設備中使用的處理器

IoT 設備通常使用 MCU 與 NPU 的組合來處理邊緣 AI 和 LLM，但隨著 AI 變得更突出，GPU 的位置也在增加。OEM 也可能加入執行特定任務的加速器，例如用于處理工廠自動化裝配線上缺陷檢測的視覺加速器。

Sharma 表示：“他們仍然需要非常強大的計算機視覺加速器，但當涉及其他運行 AI 算法的事情，或增強某個功能或特性時，他們今天不可能想到所有東西。兩到三年后可能會有更新的東西。在這里內置強大的 GPU 能保護他們免受這種變化影響。他們可以使用同一顆 SoC，運行很多通用算法。”

無線 IIoT 的興起

盡管自主移動機器人正在推動更多無線設備的趨勢，但固定式 IIoT 設備可能會采用“電源有線 + 軟件更新與數據傳輸無線”的組合。

Synaptics 低功耗邊緣 AI 高級產品經理 Ananda Roy 表示：“如果你必須升級那些遠端傳感器的軟件，而且升級內容相同，要逐個去升級是非常耗時的。你只需把升級發送到集線器，然后因為它通過無線連接到所有這些設備，你就可以一次性升級周圍所有設備。”

設備可以在本地處理數據，然后把結果發送到中央處理集線器。Roy 說：“這就是你把不同傳感器的數據匯聚到一個設備里，這樣你就能讀取它。對于有線設備，你必須從各處拉線，那非常昂貴。你得在墻上打孔，因為不能有裸露的線。工廠地面上的設備仍然可以是有線的，但這個集線器肯定可以是無線的，然后你可以很容易地通過無線連接把數據從集線器導出到云端。”

在工業應用中使用無線技術的一個關鍵挑戰是時延。Roy 表示：“通常，如果你以無線方式傳輸數據，并且因為嘈雜環境而丟包，就會引入時延。大多數工業應用對時延限制非常嚴格，但 Wi-Fi 7 可以解決這個問題，它把時延降低到 10 毫秒以下。我們的機器人合作伙伴 Grinn 構建了一條機械臂，你可以通過平板完全用 Wi-Fi 來控制。機器人應用必須是低時延的。你不能按下一個按鈕，然后等幾秒機器人再響應。”

Grinn 還在機械手中實現了 Synaptics 觸控控制器，以支持對手指不同區域壓力的真實檢測。Grinn CEO Robert Otr?ba 表示：“我們可以創建不同類型的傳感器。我們可以根據終端應用的復雜度，實現更多或更少的感知點。通過這種方式，我們不僅有控制功能，還有持續反饋。因此，同一只機械手可以處理硬或軟的部件而不把它們弄壞。”

此外，移動機器人系統需要能夠相互通信，這很可能通過超寬帶（UWB）無線實現。UWB 使用短距離無線電波，發送 2ns 脈沖以提供精確的位置與距離測量。該技術已經在資產追蹤領域成熟，例如在倉庫或醫院追蹤大型工具，或追蹤容易丟失的小型昂貴設備。它還能實現機器人對機器人通信以及人類定位追蹤，從而讓它們更緊密地協同工作。

英飛凌 IoT 與傳感解決方案組應用營銷高級經理 Schweta Bagchi 表示：“它實現錨點之間的測距。例如，如果我戴著一個腕帶在走路，即使我沒有注意，機器人也會在我靠近時停下來。它能準確知道附近有人類。”

英飛凌的 UWB 基于 22nm 工藝，精度達到厘米級。Bagchi 表示：“在倉庫里，如果你有一輛自動導引車，你可以使用很多技術，比如激光雷達，但每個人都會有盲區。超寬帶能夠在兩個設備之間通信，因此兩臺機器人可以相互交談。安全是其中一個方面。第二個方面是，當它們彼此交談時，它們也能理解，‘我有 X 的工作量。我還能承擔更多。我是否應該來找你？’”

這種機器人對機器人通信可能背后有 ML，基于某些邏輯進行簡單的數據通信，也可能是一個 LLM。Bagchi 表示：“當我們與人的生命打交道時，我們希望他們可能會以更自然的對話方式交流。”

圖 5： 一種可在工廠地面輕松部署的移動機器人，用于舉升與運輸貨物。來源：Infineon

無線技術不再只是把數據從 A 點傳到 B 點的“比特管道”。Roy 表示：“你可以做更多事情，比如 Wi-Fi 感知、使用藍牙進行信道探測（這是一種測距技術），因此需要額外的測距能力，如接近探測器或 PIR 傳感器，或雷達。你可以利用設備中已有的 Wi-Fi 來更多了解你的環境。”

設計者還可以在不插電、不依賴電池的情況下更有創意地獲得更多電力。Ansys 產品市場總監 Marc Swinnen 表示：“一旦你做到非常非常低功耗，你就可以開始使用環境中的散逸能量來給芯片供電。如果你靠著某根鋼梁，而機器在滾動、移動，會有持續振動。你可以利用這些振動為電池補電或保持電量，或者甚至利用壓力或溫度差。”

結論

由于邊緣 AI 與 ML、多模態傳感器以及機器人技術的最新發展，工業物聯網正在快速變化，正在形成一個覆蓋現代工廠地面的、具備認知能力、可移動且無線的設備網絡。

Sharma 表示：“工業傳感器過去相當原始，比如，‘我達到了臨界溫度，我需要關機。’那是一種表格化的觀察與決策方式。現在要細膩得多。它可以查看熱傳感器，可以獲取聲音傳感器的數據，并將其關聯起來做出一些決策。AI 模型正在邊緣上為這些特定工業應用進行訓練。而我們才剛剛開始觸及表面。”