摩爾定律放緩　靠啥提升AI晶片運算力？

作者 : 黃燁鋒，EE Times China
2021-07-26

對於電子科技革命的即將終結的說法，一般認為即是指摩爾定律的終結——摩爾定律一旦無法延續，也就意味著資訊技術的整棟大樓建造都將出現停滯，那麼第三次科技革命也就正式結束了。這種聲音似乎是從十多年前就有的，但這波革命始終也沒有結束。AI技術本質上仍然是第三次科技革命的延續……

人工智慧(AI)的技術發展，被很多人形容為第四次科技革命。前三次科技革命，分別是蒸汽、電氣、資訊技術(電子科技)革命。彷彿這“第四次”有很多種說辭，比如有人說第四次科技革命是生物技術革命，還有人說是量子技術革命。但既然AI也是第四次科技革命之一的候選技術，而且作為資訊技術的組成部分，卻又獨立於資訊技術，即表示它有獨到之處。

電子科技革命的即將終結，一般認為即是指摩爾定律的終結——摩爾定律一旦無法延續，也就意味著資訊技術的整棟大樓建造都將出現停滯，那麼第三次科技革命也就正式結束了。這種聲音似乎是從十多年前就有，但這波革命始終也沒有結束。

AI技術本質上仍然是第三次科技革命的延續，它的發展也依託於幾十年來半導體科技的進步。這些年出現了不少專門的AI晶片——而且市場參與者相眾多。當某一個類別的技術發展到出現一種專門的處理器為之服務的程度，那麼這個領域自然就不可小覷，就像當年GPU出現專門為圖形運算服務一樣。

所以AI晶片被形容為CPU、GPU之後的第三大類電腦處理器。AI專用處理器的出現，很大程度上也是因為摩爾定律的發展進入緩慢期：電晶體的尺寸縮減速度，已經無法滿足需求，所以就必須有某種專用架構(DSA)出現，以快速提升晶片效率，也才有了專門的AI晶片。

另一方面，摩爾定律的延緩也成為AI晶片發展的桎梏。在摩爾定律和登納德縮放比例定律(Dennard Scaling)發展的前期，電晶體製程進步為晶片帶來了相當大的助益，那是「happy scaling down」的時代——CPU、GPU都是這個時代受益，不過Dennard Scaling早在45nm時期就失效了。

AI晶片作為第三大類處理器，在這波發展中沒有趕上happy scaling down的好時機。與此同時，AI應用對運算力的需求越來越貪婪。今年WAIC晶片論壇圓桌討論環節，燧原科技創始人暨CEO趙立東說：「現在訓練的GPT-3模型有1750億參數，接近人腦神經元數量，我以為這是最大的模型了，要千張Nvidia的GPU卡才能做。談到AI運算力需求、模型大小的問題，說最大模型超過萬億參數，又是10倍。」

英特爾(Intel)研究院副總裁、中國研究院院長宋繼強說：「前兩年用GPU訓練一個大規模的深度學習模型，其碳排放量相當於5台美式車整個生命週期產生的碳排量。」這也說明了AI運算力需求的貪婪，以及提供運算力的AI晶片不夠高效。

不過作為產業的底層驅動力，半導體製造技術仍源源不斷地為AI發展提供推力。本文將討論WAIC晶片論壇上聽到，針對這個問題的一些前瞻性解決方案——有些已經實現，有些則可能有待時代驗證。

XPU、摩爾定律和異質整合

「電腦產業中的貝爾定律，是說能效每提高1,000倍，就會衍生出一種新的運算形態。」中科院院士劉明在論壇上說，「若每瓦功耗只能支撐1KOPS的運算，當時的這種運算形態是超算；到了智慧型手機時代，能效就提高到每瓦1TOPS；未來的智慧終端我們要達到每瓦1POPS。 這對IC提出了非常高的要求，如果依然沿著CMOS這條路去走，當然可以，但會比較艱辛。」

針對性能和效率提升，除了尺寸微縮，半導體產業比較常見的思路是電晶體結構、晶片結構、材料等方面的最佳化，以及處理架構的革新。

(1)AI晶片本身其實就是對處理器架構的革新，從運算架構的層面來看，針對不同的應用方向造不同架構的處理器是常規，更專用的處理器能促成效率和性能的成倍增長，而不需要依賴於電晶體尺寸的微縮。比如GPU、神經網路處理器(NPU，即AI處理器)，乃至更專用的ASIC出現，都是這類思路。

CPU、GPU、NPU、FPGA等不同類型的晶片各司其職，Intel這兩年一直在推行所謂的「XPU」策略就是用不同類型的處理器去做不同的事情，「整合起來各取所需，用組合拳會好過用一種武器去解決所有問題。」宋繼強說。Intel的晶片產品就涵蓋了幾個大類，Core CPU、Xe GPU，以及透過收購獲得的AI晶片Habana等。

另外針對不同類型的晶片，可能還有更具體的最佳化方案。如當代CPU普遍加入AVX512指令，本質上是特別針對深度學習做加強。「專用」的不一定是處理器，也可以是處理器內的某些特定單元，甚至固定功能單元，就好像GPU中加入專用的光線追蹤單元一樣，這是當代處理器普遍都在做的一件事。

(2)從電晶體、晶片結構層面來看，電晶體的尺寸現在仍然在縮減過程中，只不過縮減幅度相比過去變小了——而且為緩解電晶體性能的下降，需要有各種不同的技術來輔助尺寸變小。比如說在22nm節點之後，電晶體變為FinFET結構，在3nm之後，電晶體即將演變為Gate All Around FET結構。最終會演化為互補FET (CFET)，其本質都是電晶體本身充分利用Z軸，來實現微縮性能的提升。

劉明認為，「除了基礎元件的變革，IC現在的發展還是比較多元化，包括新材料的引進、元件結構革新，也包括微影技術。長期賴以微縮的基本手段，現在也在發生巨大的變化，特別是未來3D的異質整合。這些多元技術的協同發展，都為晶片整體性能提升帶來了很好的增益。」

他並指出，「從電晶體級、到晶圓級，再到晶片堆疊、引線接合(lead bonding)，精準度從毫米向奈米演進，互連密度大大提升。」從晶圓/裸晶的層面來看，則是眾所周知的朝more than moore’s law這樣的路線發展，比如把兩片裸晶疊起來。現在很熱門的chiplet技術就是比較典型的並不依賴於傳統電晶體尺寸微縮，來彈性擴展性能的方案。

台積電和Intel這兩年都在大推將不同類型的裸晶，異質整合的技術。2.5D封裝方案典型如台積電的CoWoS，Intel的EMIB，而在3D堆疊上，Intel的Core LakeField晶片就是用3D Foveros方案，將不同的裸晶疊在一起，甚至可以實現兩片運算裸晶的堆疊、互連。

之前的文章也提到過AMD剛發佈的3D V-Cache，將CPU的L3 cache裸晶疊在運算裸晶上方，將處理器的L3 cache大小增大至192MB，對儲存敏感延遲應用的性能提升。相比Intel，台積電這項技術的獨特之處在於裸晶間是以混合接合(hybrid bonding)的方式互連，而不是micro-bump，做到更小的打線間距，以及晶片之間數十倍通訊性能和效率提升。

這些方案也不直接依賴傳統的電晶體微縮方案。這裡實際上還有一個方面，即新材料的導入專家們沒有在論壇上多說，本文也略過不談。

1,000倍的性能提升

劉明談到，當電晶體微縮的空間沒有那麼大的時候，產業界傾向於採用新的策略來評價技術——「PPACt」——即Powe r(功耗)、Performance (性能)、Cost/Area-Time (成本/面積-時間)。t指的具體是time-to-market，理論上應該也屬於成本的一部分。

電晶體微縮方案失效以後，「多元化的技術變革，依然會讓IC性能得到進一步的提升。」劉明說，「根據預測，這些技術即使不再做尺寸微縮，也會讓IC的晶片性能做到500~1,000倍的提升，到2035年實現Zetta Flops的系統性能水準。且超算的發展還可以一如既往地前進；單裸晶儲存容量變得越來越大，IC依然會為產業發展提供基礎。」

500~1,000倍的預測來自DARPA，感覺有些過於樂觀。因為其中的不少技術存在比較大的邊際遞減效應，而且有更實際的工程問題待解決，比如運算裸晶疊層的散熱問題——即便業界對於這類工程問題的探討也始終在持續。

不過1,000倍的性能提升，的確說明摩爾定律的終結並不能代表第三次科技革命的終結，而且還有相當大的發展空間。尤其本文談的主要是AI晶片，而不是更具通用性的CPU。

矽光、記憶體內運算和神經型態運算

在非傳統發展路線上(以上內容都屬於半導體製造的常規思路)，WAIC晶片論壇上宋繼強和劉明都提到了一些頗具代表性的技術方向(雖然這可能與他們自己的業務方向或研究方向有很大的關係)。這些技術可能尚未大規模推廣，或者仍在商業化的極早期。

(1)近記憶體運算和記憶體內運算：處理器性能和效率如今面臨的瓶頸，很大程度並不在單純的運算階段，而在資料傳輸和儲存方面——這也是共識。所以提升資料的傳輸和存取效率，可能是提升整體系統性能時，一個非常靠譜的思路。

這兩年市場上的處理器產品用「近記憶體運算」(near-memory computing)思路的，應該不在少數。所謂的近記憶體運算，就是讓儲存(如cache、memory)單元更靠近運算單元。CPU的多層cache結構(L1、L2、L3)，以及電腦處理器cache、記憶體、硬碟這種多層儲存結構是常規。而「近記憶體運算」主要在於究竟有多「近」，cache記憶體有利於隱藏當代電腦架構中延遲和頻寬的局限性。

這兩年在近記憶體運算方面比較有代表性的，一是AMD——比如前文提到3D V-cache增大處理器的cache容量，還有其GPU不僅在裸晶內導入了Infinity Cache這種類似L3 cache的結構，也更早應用了HBM2記憶體方案。這些實踐都表明，儲存方面的革新的確能帶來性能的提升。

另外一個例子則是Graphcore的IPU處理器：IPU的特點之一是在裸晶內堆了相當多的cache資源，cache容量遠大於一般的GPU和AI晶片——也就避免了頻繁的訪問外部儲存資源的操作，極大提升頻寬、降低延遲和功耗。

近記憶體運算的本質仍然是馮紐曼架構(Von Neumann architecture)的延續。「在做處理的過程中，多層級的儲存結構，資料的搬運不僅僅在處理和儲存之間，還在不同的儲存層級之間。這樣頻繁的資料搬運帶來了頻寬延遲、功耗的問題。也就有了我們經常說的運算體系內的儲存牆的問題。」劉明說。

構建非馮(non-von Neumann)架構，把傳統的、以運算為中心的馮氏架構，變換一種新的運算範式。把部分運算力下推到儲存。這便是記憶體內運算(in-memory computing)的概念。

記憶體內運算的就現在看來還是比較新，也有稱其為「存算一體」。通常理解為在記憶體中嵌入演算法，儲存單元本身就有運算能力，理論上消除資料存取的延遲和功耗。記憶體內運算這個概念似乎這在資料爆炸時代格外醒目，畢竟可極大減少海量資料的移動操作。

其實記憶體內運算的概念都還沒有非常明確的定義。現階段它可能的內涵至少涉及到在儲記憶體內部，部分執行資料處理工作；主要應用於神經網路(因為非常契合神經網路的工作方式)，以及這類晶片具體的工作方法上，可能更傾向於神經型態運算(neuromorphic computing)。

對於AI晶片而言，記憶體內運算的確是很好的思路。一般的GPU和AI晶片執行AI負載時，有比較頻繁的資料存取操作，這對性能和功耗都有影響。不過記憶體內運算的具體實施方案，在市場上也是五花八門，早期比較具有代表性的Mythic導入了一種矩陣乘的儲存架構，用40nm嵌入式NOR，在儲記憶體內部執行運算，不過替換掉了數位週邊電路，改用類比的方式。在陣列內部進行模擬運算。這家公司之前得到過美國國防部的資金支援。

劉明列舉了近記憶體運算和記憶體內運算兩種方案的例子。其中，近記憶體運算的這個方案應該和AMD的3D V-cache比較類似，把儲存裸晶和運算裸晶疊起來。

劉明指出，「這是我們最近的一個工作，採用hybrid bonding的技術，與矽通孔(TSV)做比較，hybrid bonding功耗是0.8pJ/bit，而TSV是4pJ/bit。延遲方面，hybrid bonding只有0.5ns，而TSV方案是3ns。」台積電在3D堆疊方面的領先優勢其實也體現在hybrid bonding混合鍵合上，前文也提到了它具備更高的互連密度和效率。

另外這套方案還將DRAM刷新頻率提高了一倍，從64ms提高至128ms，以降低功耗。「應對刷新率變慢出現拖尾bit，我們引入RRAM TCAM索引這些tail bits」劉明說。

記憶體內運算方面，「傳統運算是用布林邏輯，一個4位元的乘法需要用到幾百個電晶體，這個過程中需要進行資料來回的移動。記憶體內運算是利用單一元件的歐姆定律來完成一次乘法，然後利用基爾霍夫定律完成列的累加。」劉明表示，「這對於今天深度學習的矩陣乘非常有利。它是原位的運算和儲存，沒有資料搬運。」這是記憶體內運算的常規思路。

「無論是基於SRAM，還是基於新型記憶體，相比近記憶體運算都有明顯優勢，」劉明認為。下圖是記憶體內運算和近記憶體運算，精準度、能效等方面的對比，記憶體內運算架構對於低精準度運算有價值。

下圖則總結了業內主要的一些記憶體內運算研究，在精確度和能效方面的對應關係。劉明表示，「需要高精確度、高運算力的情況下，近記憶體運算目前還是有優勢。不過記憶體內運算是更新的技術，這幾年的進步也非常快。」

去年阿里達摩院發佈2020年十大科技趨勢中，有一個就是存算一體突破AI算力瓶頸。不過記憶體內運算面臨的商用挑戰也一點都不小。記憶體內運算的通常思路都是類比電路的運算方式，這對記憶體、運算單元設計都需要做工程上的考量。與此同時這樣的晶片究竟由誰來造也是個問題：是記憶體廠商，還是數文書處理器廠商？(三星推過記憶體內運算晶片，三星、Intel垂直整合型企業似乎很適合做記憶體內運算…)

(2)神經型態運算：神經型態運算和記憶體內運算一樣，也是新興技術的熱門話題，這項技術有時也叫作compute in memory，可以認為它是記憶體內運算的某種發展方向。神經型態和一般神經網路AI晶片的差異是，這種結構更偏「類人腦」。

進行神經型態研究的企業現在也逐漸變得多起來，劉明也提到了AI晶片「最終的理想是在結構層次模仿腦，元件層次逼近腦，功能層次超越人腦」的「類腦運算」。Intel是比較早關注神經型態運算研究的企業之一。

傳說中的Intel Loihi就是比較典型存算一體的架構，「這片裸晶裡面包含128個小核心，每個核心用於模擬1,024個神經元的運算結構。」宋繼強說，「這樣一塊晶片大概可以類比13萬個神經元。我們做到的是把768個晶片再連起來，構成接近1億神經元的系統，讓學術界的夥伴去試用。」

「它和深度學習加速器相比，沒有任何浮點運算——就像人腦裡面沒有乘加器。所以其學習和訓練方法是採用一種名為spike neutral network的路線，功耗很低，也可以訓練出做視覺辨識、語言辨識和其他種類的模型。」宋繼強認為，不採用同步時脈，「刺激的時候就是一個非同步電動勢，只有工作部分耗電，功耗是現在深度學習加速晶片的千分之一。」

「而且未來我們可以對不同區域做劃分，比如這兒是視覺區、那兒是語言區、那兒是觸覺區，同時進行多模態訓練，互相之間產生關聯。這是現在的深度學習模型無法比擬的。」宋繼強說。這種神經型態運算晶片，似乎也是Intel在XPU方向上探索不同架構運算的方向之一。

(2)微型化矽光：這個技術方向可能在層級上更偏高了一些，不再晶片架構層級，不過仍然值得一提。去年Intel在Labs Day上特別談到了自己在矽光(Silicon Photonics)的一些技術進展。其實矽光技術在連接資料中心的交換機方面，已有應用了，發出資料時，連接埠處會有個收發器把電訊號轉為光訊號，透過光纖來傳輸資料，另一端光訊號再轉為電訊號。不過傳統的光收發器成本都比較高，內部元件數量大，尺寸也就比較大。

Intel在整合化的矽光(IIIV族monolithic的光學整合化方案)方面應該是商業化走在比較前列的，就是把光和電子相關的組成部分高度整合到晶片上，用IC製造技術。未來的光通訊不只是資料中心機架到機架之間，也可以下沉到板級——就跟現在傳統的電I/O一樣。電互連的主要問題是功耗太大，也就是所謂的I/O功耗牆，這是這類微型化矽光元件存在的重要價值。

這其中存在的技術挑戰還是比較多，如做資料的光訊號調變的調變器調變器，據說Intel的技術使其實現了1,000倍的縮小；還有在接收端需要有個探測器(detector)轉換光訊號，用所謂的全矽微環(micro-ring)結構，實現矽對光的檢測能力；波分複用技術實現頻寬倍增，以及把矽光和CMOS晶片做整合等。

Intel認為，把矽光模組與運算資源整合，就能打破必須帶更多I/O接腳做更大尺寸處理器的這種趨勢。矽光能夠實現的是更低的功耗、更大的頻寬、更小的接腳數量和尺寸。在跨處理器、跨伺服器節點之間的資料互動上，這類技術還是頗具前景，Intel此前說目標是實現每根光纖1Tbps的速率，並且能效在1pJ/bit，最遠距離1km，這在非本地傳輸上是很理想的數字。

還有軟體…

除了AI晶片本身，從整個生態的角度，包括AI感知到運算的整個鏈條上的其他組成部分，都有促成性能和效率提升的餘地。比如這兩年Nvidia從軟體層面，針對AI運算的中間層、庫做了大量最佳化。相同的底層硬體，透過軟體最佳化就能實現幾倍的性能提升。

宋繼強說，「我們發現軟體最佳化與否，在同一個硬體上可以達到百倍的性能差距。」這其中的餘量還是比較大。

在AI開發生態上，雖然Nvidia是最具發言權的；但從戰略角度來看，像Intel這種研發CPU、GPU、FPGA、ASIC，甚至還有神經型態運算處理器的企業而言，不同處理器統一開發生態可能更具前瞻性。Intel有個稱oneAPI的軟體平台，用一套API實現不同硬體性能埠的對接。這類策略對廠商的軟體框架構建能力是非常大的考驗——也極大程度關乎底層晶片的執行效率。

在摩爾定律放緩、電晶體尺寸微縮變慢甚至不縮小的前提下，處理器架構革新、異質整合與2.5D/3D封裝技術依然可以達成1,000倍的性能提升；而一些新的技術方向，包括近記憶體運算、記憶體內運算和微型矽光，能夠在資料訪存、傳輸方面產生新的價值；神經型態運算這種類腦運算方式，是實現AI運算的目標；軟體層面的最佳化，也能夠帶動AI性能的成倍增長。所以即便摩爾定律嚴重放緩，AI晶片的性能、效率提升在上面提到的這麼多方案加持下，終將在未來很長一段時間內持續飛越。這第三(四)次科技革命恐怕還很難停歇。

資料來源：https://www.eettaiwan.com/20210726nt61-ai-computing/?fbclid=IwAR3BaorLm9rL2s1ff6cNkL6Z7dK8Q96XulQPzuMQ_Yky9H_EmLsBpjBOsWg

#同欣電（6271）
隊長長期追蹤與推薦的同欣電今天表現出色，法人目標價也上修至300元！隊長不是要大家追高，而是希望大家能夠靜下心來重新看報告，當你滿手有信心的好標的時，還怕沒有股價拉回進場的機會嗎？

同欣電
1.國巨（2327）集團（17.09%），全球最大LED陶瓷散熱基板廠，市占8成。
2.產品與客戶：
(1)LED陶瓷散熱基板：Philip、Cree、Lumileds、Osram。
(2)RF高頻無線通訊模組：Anadigics、Skyworks、Inphi、SpaceX。
(3)混合積體電路模組
(4)CIS影像感測器：OmniVision、安森美、Soyn、ST Micron。
3.產品用於：車燈、手機用閃光燈、5G基地台用、工業用雷射。
4.獲超音波感測器模組代工訂單，由於客戶搭配品牌手機銷售反應不錯，且應用範圍從專業醫療人員拓展至一般急救、臨時救護需求。
5.用於電動車充電器和馬達驅動器的車用DBC（直接覆銅）基板，進行客戶驗證中。
6.低軌道衛星收發模組產品打入SpaceX供應鏈。
7.受惠車用及手機多鏡頭趨勢，CIS廠豪威提高對台積電（2330）投片量，並釋出至後段封測廠，目前產能滿載。
8.去年EPS為7.88元；今年第1季EPS為2.68元。

🏆法人報告
研究部維持同欣電買進投資建議，並上修目標價至300元，係因：
✔️Q2營收優於預期，在產品組合轉佳下毛利率回升，EPS 3.1元。
✔️車市需求強勁帶動車用CIS產能滿載，新產能陸續開出營運動能可望提升。
✔️下半年進入消費性產品旺季，手機CIS稼動率將逐季回升。
✔️Hybrid業務隨疫情緩和，美系大客戶拉或動能回升。

展望2021年，同欣電3大產品線：CIS、Ceramic、Hybrid 今年都將維持成長，研究部上修同欣電2021年營收140億5,000萬元，年增38.1%，毛利率28.9%，年增0.4pt，稅後淨利23億6,100萬元，年增62.78%，EPS 13.21元，參考過往本益比（PER）區間15倍～25倍，考量公司資本支出持續擴大，長期營運動能趨勢明確，且車用營收佔比近4成有利評價提升，上修目標價至300元（約當22.5X 2021 PER），投資建議維持買進。

重點摘要
1️⃣2021年Q2營收優於預期，預期產品組合轉佳帶動毛利率回升，EPS 3.1元
同欣電6月營收11億6,600萬元，月增0.89%、年增48.58%，Q2營收34億3,500萬元，季增9.34、年增66.51%，優於研究部預期，雖手機CIS適逢淡季，不過在車用需求強勁與一期產能擴充下，營收連3月成長。展望2021年Q2，研究部預估產品組合轉佳帶動毛利率季增1.96pt至28.5%，主要來自於：(1)車用CIS占比提升、(2)陶瓷基板（Ceramic）產品組合轉佳，LED車頭燈滲透率提升與植物照明等新應用下，稼動率有所提升，陶瓷基板為公司過往毛利率最差之產品，預期在封存產能開出與產品組合轉佳下，毛利率可望持續改善。綜上所述，研究部預估同欣電2021年Q2稅後淨利5億5,500萬元，季增12.8%、年增86.3%，EPS 3.1元。

2️⃣新產能持續開出，消費性產品旺季，Q3獲利再攀峰，EPS 3.89元
展望2021年Q3，進入手機新品拉貨旺季，同時缺料問題緩解，預期手機CIS稼動率將較上季增加；車用CIS方面：隨著全球逐步解封與車用晶片缺料問題緩解，帶動整體車市回溫，同時ADAS升級與車用鏡頭數增加帶動車用CIS供不應求，目前公司車用CIS封裝產能滿載，2期產能再擴充10%，有助公司營運動能持續提升。綜上所述，研究部預估同欣電2021年Q3營收38億元，季增10.53、年增32% ， 稅後淨利6億9,600萬元，季增25.42、年增78.41%，EPS 3.89元。

3️⃣2021年3大產品線維持成長，獲利將顯著提升，EPS 13.2元
展望2021年，同欣電3大產品線：CIS、Ceramic、Hybrid今年都將維持成長：(1)CIS：目前CIS貢獻營收逾五成為公司主要業務，隨著ADAS與自動駕駛趨勢明確，車用鏡頭數量提升，帶動公司在CIS封裝與RW晶圓重組需求提升，新產能自2021年Q1開出並逐季提升，同時手機下半年將進入消費旺季，拉貨動能可望回溫，預期帶動CIS業務逐季提升；(2) Ceramic：目前最大需求為LED基板，受惠於電動車多採用LED車頭燈帶動需求提升，同時熱電交換器與工業用Laser等產品放量出貨，價漲量增下，營收可望維持近年新高水準；(3)Hybrid：主要供應美國超音波感測頭客戶，受到疫情影響訂單趨緩，預期狀況於下半年好轉，綜上所述，研究部上修同欣電2021年營收140億5,000萬元，年增38.1%，毛利率28.9%，年增0.4pt，稅後淨利23億6,100萬元，年增62.78%，EPS 13.21元。

再麻煩大家多多按讚分享，
您的支持與鼓勵是我最大的原動力，
非常感謝！
------
🏆【張捷主流產業選股術 數位訂閱】
✔️主頁 → https://reurl.cc/NX3jke
🏆【2021張捷產業冠軍班 週二晚上課程】
✔️請撥打客戶服務專線：（02）02-25056789分機轉5720～5723
服務時間：週一至週五08：30～18：00（例假日除外）

【中鋼AI現場1：1千5百度高熱密閉生產環境如何監控？】高爐AI應用大剖析

中鋼靠間接量測高爐生產數據，一步步打開黑盒子，運用AI即時監控爐況，提早預測異常生產狀況即時應變

文/翁芊儒 | 2021-03-04發表
攝影／洪政偉

高爐之於鋼廠，是不可或缺的一環。飄洋渡海的鋼鐵原料從港口上岸後，會先由煉焦工廠製成焦炭、燒結工廠製成燒結礦與鐵礦，加入其他次要原料後，就會來到鋼鐵融煉的第一站，高爐。

高爐的作用，就是透過一連串高溫熔融反應，將鋼鐵原料煉成鐵水。雖然說起來容易，實際上，高爐卻是一個複雜的煉鐵反應器。中鋼煉鐵廠高爐二課課長許雍達解釋，每一座高爐，都集合了非常多系統於一身，包括了爐體本身冷卻系統、熱風爐、原料輸送、出鐵、爐氣處理、頂壓回收發電、噴媒等環節，每個系統互相搭配，才能維持高爐穩定運作。

這個系統中，真正煉製鐵之處，就是外觀形似巨大養樂多瓶的高爐爐身。其運作原理，是從上方加入煉鐵原料，以一層焦炭、一層燒結礦與鐵礦的方式，盡量將原料均勻散布其中，再透過周邊的熱風爐，將空氣加熱，從高爐下部的鼓風嘴鼓進高爐，來加熱、還原，將鐵礦石融煉成鐵水與爐渣。

熔煉過程中，中鋼也透過鼓風嘴噴吹粉煤，來取代部分焦炭作為還原劑，可降低煉焦爐的負荷，並有利於爐熱調節；而爐內產生的高爐氣，也能在淨化後用來發電，並作為熱風爐及廠內的燃料，來達成節能、減少碳排放的效益。最後的鐵水與爐渣，則會分開取出，各自進行下一步的加工或販售。

許雍達指出，這套高爐生產的做法，早從十多年前就持續運作至今，但在過去，高爐內部高溫、密閉且不易觀測，難以得知爐況是否符合預期，「比如原料一層一層加入之後，到底分佈均不均勻？又要如何在爐溫下降之前，提早預測來因應？」

這些問題，隨著IoT與AI技術日漸成熟，中鋼開始蒐集更多生產數據，逐步翻轉過去熟悉的高爐運行操作。

落地27項高爐智慧應用，更即時掌握高爐生產動態

中鋼約從3年前開始，致力於研發高爐AI，不只開發高爐爐況監控的相關應用，也開發周邊設備的AI應用，比如原料輸送帶的預測維修、熱風爐生產效率與耗能監控、現場人員的安全監控等，截至今年初，已經完成27項高爐智慧應用的開發，依據應用的特性與適用場域，分散部署在4座高爐中。

由於高爐本身就像是一個黑盒子，為了掌握高爐的生產狀況，中鋼在高爐上裝設了多種感測器，就是要靠各種生產數據，一步步將盒子打開。

比如說，從高爐上方布料時，雖然是均勻旋轉布料，但實際布料情況還是會依據爐內氣流變化而改變，為了監控布料狀況並適時調整，中鋼在布料槽裝設了料面溫度儀與輪廓儀，來掌握布料形狀與高溫氣體的分布情形。在爐壁上，中鋼也裝測了溫度感測器，透過爐壁溫度變化頻率，來預測爐壁冷卻元件是否受侵蝕、內部是否結塊。

不只如此，為了預測爐熱變化，中鋼量測出鐵口的鐵水溫度變化，參考操作條件、鐵渣的化性分析，開發AI預測未來爐熱；也運用爐溫爐壓分布的異常數值，找出發生管道流異常的可能性。透過更即時發現異常並自動預警，就是要讓產線人員盡早發現問題，才能提前調整生產參數來因應。

而且，針對所有開發的生產數據監控與AI應用，中鋼開發了綜合爐況評分機制，能從原料分佈、氣流狀況、目前風量、鐵水產量、爐內溫度等生產狀況，為高爐當下的運行表現評分，讓產線人員可以更直覺、快速地的了解當前高爐爐況，「中鋼自己設定的目標，是要隨時大於89分以上，」許雍達說。

克服AI落地挑戰，中鋼導入一站式生產數據監控平臺

中鋼過去開發AI應用時，是由技術人員設法取得生產數據，開發出AI模型，再由IT單位開發成應用程式，個別部署到現場中控室的單機電腦中。

許雍達指出，這個做法面臨了三大挑戰。首先，當時從生產環境蒐集到的資料，位於封閉式的生產系統中，為避免透過外部線路存取資料時，可能帶來的資安風險，「研究人員不能輕易的取得生產數據資料，分析費時費力。」

再加上，每一支開發完成的應用程式，都必須部署到中控室的單機電腦中，透過視窗介面來呈現，在應用程式分散在多臺電腦的情況下，增加了電腦、網路的維護工作。不只如此，隨著蒐集到的資料量更大，AI分析也需要更大量的硬體運算需求，原有的主機資源逐漸不敷使用。

這三大挑戰，讓中鋼在2019年底，率先在二號高爐場域，規劃建置AIoT智慧分析平臺，更找來研究部門、子公司中冠資訊共同研發，利用二號高爐在去年大修的期間，同步導入該場域。

這套AIoT平臺最主要的目的，是要將分散部署在不同電腦的AI應用，整合到同一個Ｗeb平臺中，讓員工只要以瀏覽器開啟入口網站，登入帳密，就能一站式管理高爐所有的生產資訊。

建置過程中，中鋼不只以Web介面重新設計AI應用儀表板，也將過去難以取得的生產數據整合到一個資料平臺，供技術人員更方便的分析取用資料，更建置了專屬AI應用的硬體資源，取代分散部署到電腦主機的方法。

許雍達指出，AIoT平臺上線後，中控人員不只能即時查看重要的生產資訊，當高爐發生任何異常狀況，平臺也會自動觸發告警，並顯示操作指引，讓員工可以依照指示排除異常，將異常狀況可能帶來的傷害降到最低。

比如說，當AI偵測到四號高爐的爐身發生結塊，就能利用過去一段時間的溫度變化，去推測結塊情形的演變，系統也會提供操作指引，來建議員工應使用哪一種應對模式，才不會導致結塊問題更嚴重。

處置完成後，員工也可以直接在介面中回報，將此次事故處理過程提交出去，作為歷史維運紀錄，而且，過去類似事故的處理方法與結果，也會同步附件於操作指引的介面中，提供緊急處理時參閱。

除了上線網頁版的AIoT監控平臺，中鋼也接續打造了行動裝置版本，只要安裝到手機上，具登入權限的中控人員，就能隨時隨地掌握生產即時動態，了解異常狀態資訊。

今年初，二號高爐完成大修，這套AIoT平臺已經導入二號高爐場域中。中鋼也正在規劃，要將AIoT平臺導入其他座高爐中。許雍達表示，更長久的計畫，則是要開發煉焦、燒結兩大原料加工廠的智能模組，並且整合到AIoT平臺來監控運用，「這樣一來，我們在高爐的現場就能看到原料加工廠的生產數據，如果有異況，高爐也能同步調整、配合。」

高爐AI應用大剖析

「高爐出了問題，就得降風停產，如果能見微知著，在發生狀況前預先防範，就能降低損失產量的風險。」中鋼技術部門代理副總經理鄭際昭，一句話點出高爐AI的重要性。

用AI煉鐵，導入27項高爐場域智慧應用，被中鋼視為第一個進化里程。27項應用中，中鋼不只開發高爐爐況分析監控，也開發周邊設備的AI應用，比如原料輸送帶的預測維修、熱風爐生產效率與耗能監控、現場人員的安全監控等。

其中，高爐本身的爐況監測，更是AI開發的重點任務，因為高爐就像是一個黑盒子，為了掌控高爐的生產狀況，中鋼得在高爐上裝設多種感測器，以AI監控生產數據，才能提前發現問題，並及早因應。

因此，在眾多應用中，中鋼特別介紹7項與高爐爐況分析相關的智慧應用，揭密1,500度高熱密閉的生產環境，如何靠AI監控。

1 爐內布料情形監控

技術關鍵 靠掃描感測儀器與熱像儀，偵測原料、粉塵、高溫氣體分佈狀況，並將資料視覺化

效用 監控氣流是否穩定、布料形狀是否符合預期

將原料從爐頂添加到高爐時，過去無法得知實際布料狀況，但現在，中鋼在爐頂布建掃描感測儀器，就能即時偵測原料在高爐內的分佈，同時透過爐內的熱像儀，掃描粉塵、高溫氣體的分佈，就能比對得知目前氣流是否穩定，布料形狀是否符合預期。中鋼也將量測到的數據，以視覺化的方式來呈現。

2 管道流預警AI

技術關鍵 透過AI判斷爐內壓力與溫度分布是否超過異常值，來預測管道流異常

效用 提早預測管道流異常發生可能性，調整生產參數來因應

一般來說，高爐運作的理想情況，是從下面鼓風，爐氣均勻往上傳遞，將原料還原熔融。但是，若爐氣無法穩定通過爐料，而是累積在某個區塊，就可能因為壓力蓄積過大往上竄出，造成爐頂洩壓閥排放，或造成設備損傷。「氣集中在一個地方，壓力大到一個程度就會往上衝，就好像人打嗝，不能等到衝上來，要想辦法及時拯救。」鄭際昭形容。

為了提早發現管道流的情形，中鋼在高爐爐殼上設置壓力量測與溫度量測點，分別將溫度與壓力的分佈視覺化呈現，若結合兩者數值，發現壓力差超過異常值，或是局部溫度過高，AI判斷為管道流異常可能發生，「系統會發出預警，引導操作人員先降低風壓、風量，」中鋼煉鐵廠高爐二課課長許雍達表示，越早預測出管道流異常，就能越早調整生產參數，來避免管道流發生。

3 爐壁厚度監測AI

技術關鍵 透過爐壁探鑽深度與周圍壁面溫度變化的關聯性，訓練AI靠爐壁溫度變化，判斷爐壁厚薄

效用 預測爐壁冷卻元件受損情形，安排檢修時程

高爐爐壁冷卻元件（冷卻壁）若被蝕破，就可能造成嚴重的生產危機。然而，單從高爐外觀，無法得知爐壁冷卻元件被侵蝕的程度，中鋼以往只能定期量測來推斷爐壁狀況，定期檢修，來降低意外風險。

要監測爐壁厚薄，中鋼在爐壁裝設測溫感測器，找出溫度與爐壁厚薄的關聯性。鄭際昭解釋，一般來說，爐壁變薄後，測得的爐壁溫度會升高，雖然鐵水在壁面結塊或脫落，也會造成可能造成溫度改變，但相較於正常爐壁狀況，溫度變化頻率會較為劇烈。

因此，中鋼以探鑽點位附近的歷史溫度變化，結合實際探鑽的厚度訓練AI模型，再套用到高爐其他測溫點位上，來推測爐壁不同位置的侵蝕狀況。

4 爐壁結塊預測AI

技術關鍵 透過爐壁溫度變化頻率預測結塊情形

效用 監測到爐壁溫度變化異常，提早因應避免結塊情形惡化

高爐溫度一旦降低，就可能造成鐵水冷卻結塊、附著在爐壁上，若爐壁的結塊大量滑落，導致爐氣異常溢出，就可能發生操作上的危險，「許多高爐曾經因為高爐內部結塊過大，掉落時打到鼓風嘴，導致鼓風元件受損漏氣。」許雍達說。

為了維持爐況穩定與操作安全，中鋼開發了爐壁結塊預測AI，當發現溫度變化波動越來越小，就能推測爐壁內部結塊，並提前調整高爐的生產條件，避免結塊情形更嚴重。

許雍達表示，這套AI應用目前部署在三、四號高爐，因為這兩座高爐的爐內冷卻元件形式與一、二號高爐不同，更容易發生產生爐壁結塊問題，較有應用AI的急迫性。

5 爐熱溫度預測AI

技術關鍵 量測出鐵口的鐵水溫度變化，參考操作條件、鐵渣的化性分析，學習預測未來爐熱

效用 預測未來2～4小時內的爐熱變化，提前調整生產參數來因應

對於正在生產鐵水的高爐來說，必須維持一定的爐熱，高爐才能穩地熔煉鐵水，若溫度異常大幅下降，就可能造成爐冷危機，需花費許多時間調整加熱，一旦惡化至鐵水凝固無法排出，復原工作會很困難。

「發生一次就是上億的損失，所以我們要盡可能避免走到這一步。」鄭際昭點出爐熱預測的重要性。

中鋼在建立爐熱溫度預測AI時，就是透過量測出鐵口的鐵水溫度變化，參考操作條件、鐵渣的化性分析，學習預知未來2～4小時的爐熱趨勢，藉此訓練出爐熱預測的AI，若預測到未來爐熱可能下降，就能即時調整生產參數，微調風溫、噴煤量，來維持爐熱的穩定。

6 鼓風嘴噴煤預警AI

技術關鍵 透過大量鼓風嘴噴煤影像訓練AI判斷異常

效用 自動化找出噴煤槍過短、噴煤口堵塞等異常影像，減少人力監控負擔

中鋼透過在鼓風嘴噴吹粉煤，來減少原料焦炭的使用，同時，也能透過粉煤噴吹量來調節爐熱。不過，粉煤噴吹的狀況，過去需要人工監控，透過攝影機將風口影像傳輸到中控室，來監測是否發生噴嘴阻塞、或是噴煤槍設備耗損的情形，而且，需監控的影像還不只一個，光是二號高爐就有30個風口影像需要監控。

為了減少人力的負擔，中鋼正在運用歷史監測影像，訓練影像辨識AI，來自動監診噴煤槍設備，找出噴煤槍過短、噴煤口堵塞等異狀。

7 高爐原料粒徑分析AI

技術關鍵 透過原料粒徑影像資料，訓練AI進行粒徑分析

效用 即時辨識原料粒徑大小與分布，調整入料情形來降低燃料率

將原料送入高爐時，若原料的粒徑大小符合預期、分布較平均，有助於爐況穩定、降低燃料率。中鋼甚至推算，高爐燃燒料率每減少1%，每年可以減少上億的燃料經費，因此，中鋼用AI來即時辨識原料的粒徑大小，即時計算進入到高爐原料粒徑分布，以及是否混雜到其他原料等情況，再根據分析結果來調整原料分布，有助於穩定爐況、降低燃料率。

附圖：光是二號高爐，中鋼就投資約5,700萬元來建置智慧應用，投資的金額雖大，但帶來的效益更可觀，預估每年可以降低成本3,270萬元，減少排放溫室氣體2,217噸。（攝影／洪政偉）

資料來源：https://www.ithome.com.tw/news/142938

＃記得打開ＣＣ字幕　＃太陽能發電ㄉ另一面

✔︎ 成為志祺七七會員：http://bit.ly/join_shasha77
✔︎ 訂閱志祺七七頻道： http://bit.ly/shasha77_subscribe
✔︎ 追蹤志祺 の IG ：https://www.instagram.com/shasha77.daily
✔︎ 志祺七七 の 粉專 ：http://bit.ly/shasha77_fb

各節重點：
01:10 太陽能發電的污染在哪裡？
01:50 製造太陽能電池會有什麼污染？
02:34 處理這些污染物很難嗎？
03:22 太陽能板是巨型垃圾？
04:15 回收成本要怎麼解決？
05:22 漁電共生會不會有污染風險？
06:05 漁電疑慮1：洗太陽能板會污染到魚塭的水嗎？
06:52 漁電疑慮2：太陽能板擋不住颱風？
07:49 漁電疑慮3：架設太陽能板會影響產值？
08:43 關於漁電共生的補充說明
09:14 我們的觀點
10:41 提問
11:00 掰比

【 製作團隊 】

｜企劃：歡歡、宇軒
｜腳本：歡歡
｜剪輯後製：絲繡
｜剪輯助理：范范
｜演出：志祺

——

🔺註解
→ 02:30 註1：
例如華盛頓郵報就在 2008 年報導，有中國工廠把四氯化矽直接倒在廠外的土地上，使得那裡的土壤慢慢變得雪白一片、沒辦法再種植作物；附近的居民也表示，空氣中因為含有這些化學物質，所以他們一出門，就會覺得眼睛刺痛、頭昏、呼吸困難。
→ 03:10 註2：
例如光宇材料的技術，可對太陽能及半導體產業每月產生的 6000 多噸廢砂漿進行分離、清洗、改值等工序，重新產出矽粉、氫氣、碳化矽、二氧化矽，重新應用於鋰電池負極材料，及機能衣物等產品，如去年世大運紀念服。
→ 03:17 註3：但薄膜型太陽能電池也會有自己的重金屬污染問題
→ 04:01 註4：一般矽晶體太陽能板組成比例是： 65%~75% 玻璃、10%~15% 鋁框、10% 塑膠和 3%~5% 的矽晶。
→ 04:09 註5：這個成本有包含回收玻璃以外的其他部分
→ 08:09 註6：
當然，按照漁電共生的法規，產量只要有七成就符合標準，但嚴格來說，漁民還是損失了另外三成，這也是大家會有顧慮的地方。
→ 09:36 註7：2015年天下爆出台積電的合作工廠違法傾倒的內幕：
https://www.cw.com.tw/article/article.action?id=5065621

——

【 本集參考資料 】

🌞 一次可以看很多太陽能資訊ㄉ網站們：
→ 陽光伏特家：http://bit.ly/2pe4IR1
→ 太陽能五四三：http://bit.ly/314Mi2h
→ 公視｜我們的島：太陽光電系列專題：http://bit.ly/2oAEdFw
/
→ 維基百科｜太陽能電池：http://bit.ly/2IMsSZY
→ 科技新報｜太陽能真的夠「綠」嗎？還是包裹著糖衣的毒藥：http://bit.ly/2Vy7YTu
→ TVBS｜真綠能？太陽能板製程　產生4千噸廢料：http://bit.ly/317MBcR
→ 環境資訊中心｜光電循環之路 桶裝廢液污染如何解：http://bit.ly/2q7CvvJ
→ 關鍵評論網｜太陽能光電的回收「技術」很環保，卻可能造成2項汙染：http://bit.ly/2B49vXX
→ Energy Trend｜廢太陽能板回收有解！台灣太陽能模組回收聯盟成立：http://bit.ly/2Mb1mqQ
→ 科技新報｜廢太陽能板惹人嫌？創新回收模式將再創商機：http://bit.ly/2q7DdsT
→ 央廣｜工研院研發太陽能板回收技術 獲環保署肯定：http://bit.ly/2oqEXgv
→ 科技新報｜退休太陽能板何處去？歐洲首座專門回收廠坐落法國：http://bit.ly/35wsHMa
→ 自由時報｜擁核公投控「太陽能板有毒」 太陽光電業者要提告：http://bit.ly/2B44RJt
→ 【能源報導月刊】太陽能板多久洗澡一次？：http://bit.ly/2oAFufM
→ 每日頭條｜太陽能發電原理圖，看完秒懂：http://bit.ly/2Mb2lHy
→ 太陽能五四三｜颱風對太陽光電系統的影響（1/2）-基礎與支架：http://bit.ly/35uPozY
→ 太陽能五四三｜颱風對太陽光電系統的影響（2/2）-模組強度問題：http://bit.ly/33lJMGD
→ 太陽能電池產業製程及污染防治簡介：http://bit.ly/35sHiYG
→ 陽光伏特家｜【誤會讓人受盡委屈- 太陽能真的夠「綠」嗎？】：http://bit.ly/319m92D
→ 公視｜太陽能產業廢棄物 可回收高純度""""矽""""：http://bit.ly/2IHlAXc
→ 中時｜樹立循環經濟體系新典範 成亞廢砂漿回收技術 獨步：http://bit.ly/2B7LCi5

【 延伸閱讀 】

→ 知識力｜太陽能的原理、種類與優缺點：http://bit.ly/32bnpmT
→ 達智綠能科技｜什麼是太陽能？：http://bit.ly/33tiNsv
→ 科技新報｜德國打造熱裂解太陽能回收設備，有望年處理 5 萬片太陽能板：http://bit.ly/2oAGhgK
→ GreenMatch｜The Opportunities of Solar Panel Recycling：http://bit.ly/2B3PyQS
→ 中央社｜疑颱風釀災 日最大規模水上太陽能板失火：http://bit.ly/2McypuZ
→ SEMI Taiwan｜半導體工業廢棄物處理創新技術與趨勢：http://bit.ly/31avfMp
→ 台積電｜廢棄物管理：http://bit.ly/2VACuMi
→ 科技報橘｜外媒讚「垃圾處理天才」，台灣廢棄物回收技術傲視全球好棒棒：http://bit.ly/2OIstLM


＼每週７天，每天７點，每次７分鐘，和我們一起了解更多有趣的生活議題吧！／
🥁七七仔們如果想寄東西關懷七七團隊與志祺，傳送門如下：
106台北市大安區羅斯福路二段111號8樓

如有業務需求，請洽：hi@simpleinfo.cc