边缘 AI 正开始改造工业物联网

大量无线且日益多模态的传感器正瞄准工业物联网（IIoT），为显著提升效率、更高良率以及减少停机时间奠定基础。

有线 IIoT 设备——例如智能电能表和断路器、工业网络网关以及环境传感器——在工厂环境中早已非常成熟。它们长期以来就以冗余为设计目标，并使用加固材料制造，以承受严苛条件，例如暴露于高温和低温、潮湿、气体、油污、发电环境、建筑、运输，甚至辐射之中。这些传感器读取环境，并在出现异常时发出警报。

无线和多模态传感器将这些能力大幅提升。推动 AI 赋能 IIoT 的一个关键驱动力是“工业 4.0”的概念，它涉及在整个制造流程中实现数字化、互联与分析。

Imagination Technologies 产品管理总监 Pallavi Sharma 表示：“传统上，我们在这一领域看到像 TI 和 NXP 这样的客户，如果你看他们的 10-K 报告，大约 40% 的收入来自工业领域。但其中很大一部分由模拟业务驱动。我们现在看到应用场景正在变化，从预测性维护开始，或将 AI 构建到异常检测等之中。在边缘侧，有一个要求是让系统更智能并融入更多 AI，因此我们看到向工业 4.0 的过渡。”

在 AI 处理方面，工厂自动化系统与嵌入工业物联网中的边缘 AI 之间存在相当大的差异。Siemens EDA 产品负责人 Sathishkumar Balasubramanian 表示：“在工厂自动化中，变化在于有很多虚拟私有云可用。你可以把边缘设备接入并在其上做一些处理，但他们把大部分重负载放回云端，让其他人完成工作负载并再发回来。自动化正变得更集中、更偏向云端，而且这在 AI 之前就已经发生。”

在边缘 AI IIoT 中，工程师正在将智能直接构建进硬件设备。Balasubramanian 说：“假设我在工厂里操作一个炉子或锅炉。你发现某些东西不对，或者需要改变。我们可以很容易地把它自动化。如果看起来钙沉积在增加，或者温度在上升，你就去调整它。这类智能需要被内置。这就是为什么我们称之为边缘智能和基于边缘的智能。他们过去在数据中心做的大多数事情，现在都需要在边缘完成，因为它们必须是实时的，并且需要在其他一切都出问题时仍能运行。”

使问题更复杂的是诸如“混合信号设计 + 机器学习”的组合，这意味着需要在深度传感器边缘就发生多层处理。Synaptics 首席战略官 Satish Ganesan 表示：“我们谈论智能感知。我们谈论在尽可能低的功耗配置下就在最底层运行一些算法，当其他一切都在休眠、功耗非常低时。然后进入下一级，也就是原生 AI 处理器。在 100 毫瓦功耗下，你可以运行 2.7 亿个参数。对于企业或工业环境中的洗衣机、烘干机或 HVAC 系统，或者制造线上协作机器人，你希望有一个特定工作负载的模型，在调试或诊断出现问题时提供帮助，因为你是在那个特定内部点进行处理。”

展示 IoT 设备边缘的示意图，突出 AI 工作负载从低到高处理功率的迁移，并聚焦边缘硅的需求。

图 1： AI 和 LLM 正从云端走向 IoT，工业位于这一谱系的中间。来源：Synaptics

就坚固性、可靠性与安全性而言，IIoT 的需求谱系处在消费与汽车之间的某个中间位置。Synopsys 移动、汽车与消费 IP 产品管理执行总监 Hezi Saar 表示：“设计周期像汽车一样。但由于应用的分散——包括工业自动化、楼宇自动化、能源、照明、医疗、安全、娱乐以及军工/航空航天——技术采用速度更慢。”

图 2： 将 AI 能力集成到 IoT 设备中的架构（AIoT）。来源：Synopsys

边缘 AI 通过使设备成为智能的、自主决策者，从而让大规模 IoT 的要求更容易实现。Saar 表示：“在设备本地或边缘进行数据处理，会直接提升 IoT 应用的运行效率与安全性，尤其是在具有挑战性、偏远或关键任务环境中。然而，它也带来了与硬件约束和系统维护相关的挑战，如果管理不当会变得更困难。尽管收益将超过艰难之处，但大量工业自动化相当碎片化，而 AI 技术的大规模部署可能需要时间，取决于电气化水平。”

最大的挑战是工业部门变化的敏捷性和速度。专注于工业嵌入式计算的 Toradex CEO Samuel Imgrueth 表示：“人们想要更多自动化，而这正推动多个层面的变化。如果你回看 10 年前，一个工业产品发货后就被遗忘了。他们设计它，认证它，这是一个非常漫长的过程——三到五年的开发、验证、确认，然后你开始出货产品，而你从不触碰或更新软件。但现在，有像欧盟《网络韧性法案》（EU Cyber Resilience Act）这样的政府法规，要求设备制造商在已知漏洞存在时两周内更新设备。在这个历史上非常持久、行动缓慢的市场中发生了很多变化，而现在它被要求更加敏捷和动态。”

工业物联网与机器人事物互联网（IoRT）之间的界限正在模糊。IoRT 包括自动导引车（AGV）、自主移动机器人（AMR）、轮式机器人、协作机器人（co-bots），以及最终的类人机器人。这正是认知型边缘 AI 可以大显身手之处。

Saar 表示：“多模态传感器融合与边缘 AI 的融合，正在把机器人与自动化从固定的、预编程任务，推进到真正具备认知能力、且高度可适应的系统。下一个大趋势是从自动化转向自主化，例如认知协作机器人系统，实现真正的人机协作。当前一代协作机器人受限于速度和接近传感器。多模态边缘 AI 使其能更深入理解人类伙伴，实现智能任务交接与情境化安全。”

未来的机器人将把视觉（读取肢体语言与姿态）、声音（检测突然的口头警告或异常机器声音）以及力/扭矩数据实时融合。Saar 表示：“机器人可以解读人类工人的意图——比如伸手去拿某个特定零件——并自动调整其速度、轨迹，甚至预先摆放下一件工具，而不是仅仅在人类进入安全区域时停止。”他表示：“这将显著提升工作流程效率以及人类工人的心理舒适度。”

工业传感器与边缘 AI 结合后，可以看、听、检测并处理环境信息。机器人还需要触觉传感器。

Synaptics 的 Ganesan 表示：“无论是汽车、工业还是消费领域，你都希望通过混合信号能力去感知现实世界中发生了什么。在机器手、类人机器人或工业自动化中的协作机器人里，你想做什么？你必须理解你抓取的材料是什么样的。它是软的？硬的？需要怎样的灵巧度？人手就是这样工作的。混合信号设计是我们关注的重点，我们还加入机器学习元素。这不是边缘 AI 跑 teraflops，而是 megaflops 和 gigaflops，用很小的内存做机器学习，用很小的处理能力在边缘运行一些算法。”

让更多机器人在工厂中自由运行的一个关键要求是高效仿真。Synopsys 旗下 Ansys 的产品管理总监 Matt Commens 表示：“例如，一个雷达仿真工具可以在 GPU 上运行，并对工厂地面上一种小型轮式机器人进行建模，它在货架间穿行并取放物品。它可以生成合成数据来帮助训练 AI——比如训练该机器人理解它在看到反射时到底看到了什么。”

当雷达信号传到 CPU 或机载 AI 时，会遇到传感器融合。Commens 表示：“在仿真层面，这基本上都是软件。他们会对摄像头和雷达进行交叉训练。AI 应该能够开始从有限的数据集中推断它可能面对的情况。我们不是用这项技术做合成孔径雷达。我们只是发射信号并接收返回信号。里面有一些相位偏移。它会被转换成看起来像乱码的 IQ 数据。但如果你把足够多的数据送进 AI，它就能开始推断出一些模式。”

仿真也能帮助制定有效的测试计划。Keysight 表示：“设计工程师必须首先想象并预判设备将运行的绝对最坏条件。随后，设计工程师必须测试设备内的单个组件以及成品，以充分探索这些条件。”

图 3： IIoT 需要低能耗、低维护、高性能的设备，能够在具有挑战性的环境中实时运行。来源：Keysight

数字孪生同样关键。Balasubramanian 表示：“如果我要建一座工厂，我需要能够模拟工厂电子电路或控制单元的行为。当我们谈论数字孪生时，我们真正关注的是在你建工厂之前，甚至在你造车之前，就把整个工厂数字化。”

除了边缘 AI/ML 能力之外，IIoT 也将越来越多地连接到特定领域语言模型。Balasubramanian 指出：“我们可以为汽车制造工厂创建一个基础模型，它可能不算很大，但仍需要处理能力来运行。如果你在工厂里走到某个 IIoT 设备的终端，询问某个系统运行得如何，它应该能够就在边缘完成诊断并给出结果。这些都需要一定功率。这也是一些迁移正在边缘发生的地方。”

具体而言，一些边缘设备将连接多个小语言模型——英飞凌称之为边缘语言模型（ELMs）——以满足不同需求，从而避免在它不知道答案时回到云端更大的模型。英飞凌 IoT、计算与无线事业部高级副总裁 Steve Tateosian 表示：“在 MCU 上运行的不仅仅是一个语言模型。上面有一组模型。有一个唤醒词检测模型运行在低功耗域，因此我们说的是电池供电设备上的常开音频，它可以持续数周，而不是几个小时。”

此前，边缘上有一些专用模型，例如一个用于语音、另一个用于音频。如今，这些边缘侧 ML 的专用方法正被支持多种不同输入或上下文的整合模型所取代。Tateosian 说：“这要求硬件侧发生变化，以不同方式去做事。随后，软件栈也需要在我们如何在边缘交付这种性能或这些结果方面投入不同关注。”

并且由于 ELM 的构建方式以及模型的聚焦点，其答案比 LLM 生成的更准确。他说：“你更不必担心会从模型里出来一些幻觉，或者完全错误的东西。”随着时间推移，模型将继续变得更敏捷。“我可以识别用户的语音输入。未来我也可以有视觉输入，或者环境音源。你可以想象所有不同类型的数据如何进入这些系统，然后它可以分析这些数据并给你一个建议。”

一个带传感器和灯光的机器人头部，被放置在透明盒中，展示内部电路板与组件。

图 4： 带边缘 AI 处理的机器人头部。来源：Semiconductor Engineering/Infineon

IoT 设备通常使用 MCU 与 NPU 的组合来处理边缘 AI 和 LLM，但随着 AI 变得更突出，GPU 的位置也在增加。OEM 也可能加入执行特定任务的加速器，例如用于处理工厂自动化装配线上缺陷检测的视觉加速器。

Sharma 表示：“他们仍然需要非常强大的计算机视觉加速器，但当涉及其他运行 AI 算法的事情，或增强某个功能或特性时，他们今天不可能想到所有东西。两到三年后可能会有更新的东西。在这里内置强大的 GPU 能保护他们免受这种变化影响。他们可以使用同一颗 SoC，运行很多通用算法。”

尽管自主移动机器人正在推动更多无线设备的趋势，但固定式 IIoT 设备可能会采用“电源有线 + 软件更新与数据传输无线”的组合。

Synaptics 低功耗边缘 AI 高级产品经理 Ananda Roy 表示：“如果你必须升级那些远端传感器的软件，而且升级内容相同，要逐个去升级是非常耗时的。你只需把升级发送到集线器，然后因为它通过无线连接到所有这些设备，你就可以一次性升级周围所有设备。”

设备可以在本地处理数据，然后把结果发送到中央处理集线器。Roy 说：“这就是你把不同传感器的数据汇聚到一个设备里，这样你就能读取它。对于有线设备，你必须从各处拉线，那非常昂贵。你得在墙上打孔，因为不能有裸露的线。工厂地面上的设备仍然可以是有线的，但这个集线器肯定可以是无线的，然后你可以很容易地通过无线连接把数据从集线器导出到云端。”

在工业应用中使用无线技术的一个关键挑战是时延。Roy 表示：“通常，如果你以无线方式传输数据，并且因为嘈杂环境而丢包，就会引入时延。大多数工业应用对时延限制非常严格，但 Wi-Fi 7 可以解决这个问题，它把时延降低到 10 毫秒以下。我们的机器人合作伙伴 Grinn 构建了一条机械臂，你可以通过平板完全用 Wi-Fi 来控制。机器人应用必须是低时延的。你不能按下一个按钮，然后等几秒机器人再响应。”

Grinn 还在机械手中实现了 Synaptics 触控控制器，以支持对手指不同区域压力的真实检测。Grinn CEO Robert Otręba 表示：“我们可以创建不同类型的传感器。我们可以根据终端应用的复杂度，实现更多或更少的感知点。通过这种方式，我们不仅有控制功能，还有持续反馈。因此，同一只机械手可以处理硬或软的部件而不把它们弄坏。”

此外，移动机器人系统需要能够相互通信，这很可能通过超宽带（UWB）无线实现。UWB 使用短距离无线电波，发送 2ns 脉冲以提供精确的位置与距离测量。该技术已经在资产追踪领域成熟，例如在仓库或医院追踪大型工具，或追踪容易丢失的小型昂贵设备。它还能实现机器人对机器人通信以及人类定位追踪，从而让它们更紧密地协同工作。

英飞凌 IoT 与传感解决方案组应用营销高级经理 Schweta Bagchi 表示：“它实现锚点之间的测距。例如，如果我戴着一个腕带在走路，即使我没有注意，机器人也会在我靠近时停下来。它能准确知道附近有人类。”

英飞凌的 UWB 基于 22nm 工艺，精度达到厘米级。Bagchi 表示：“在仓库里，如果你有一辆自动导引车，你可以使用很多技术，比如激光雷达，但每个人都会有盲区。超宽带能够在两个设备之间通信，因此两台机器人可以相互交谈。安全是其中一个方面。第二个方面是，当它们彼此交谈时，它们也能理解，‘我有 X 的工作量。我还能承担更多。我是否应该来找你？’”

这种机器人对机器人通信可能背后有 ML，基于某些逻辑进行简单的数据通信，也可能是一个 LLM。Bagchi 表示：“当我们与人的生命打交道时，我们希望他们可能会以更自然的对话方式交流。”

图 5： 一种可在工厂地面轻松部署的移动机器人，用于举升与运输货物。来源：Infineon

无线技术不再只是把数据从 A 点传到 B 点的“比特管道”。Roy 表示：“你可以做更多事情，比如 Wi-Fi 感知、使用蓝牙进行信道探测（这是一种测距技术），因此需要额外的测距能力，如接近探测器或 PIR 传感器，或雷达。你可以利用设备中已有的 Wi-Fi 来更多了解你的环境。”

设计者还可以在不插电、不依赖电池的情况下更有创意地获得更多电力。Ansys 产品市场总监 Marc Swinnen 表示：“一旦你做到非常非常低功耗，你就可以开始使用环境中的散逸能量来给芯片供电。如果你靠着某根钢梁，而机器在滚动、移动，会有持续振动。你可以利用这些振动为电池补电或保持电量，或者甚至利用压力或温度差。”

由于边缘 AI 与 ML、多模态传感器以及机器人技术的最新发展，工业物联网正在快速变化，正在形成一个覆盖现代工厂地面的、具备认知能力、可移动且无线的设备网络。

Sharma 表示：“工业传感器过去相当原始，比如，‘我达到了临界温度，我需要关机。’那是一种表格化的观察与决策方式。现在要细腻得多。它可以查看热传感器，可以获取声音传感器的数据，并将其关联起来做出一些决策。AI 模型正在边缘上为这些特定工业应用进行训练。而我们才刚刚开始触及表面。”