製造業目前的趨勢在於產品設計越來越複雜，這也代表在設計製程上，要付出的運算需求也會大幅提升。但是在產品變得更複雜、運算需求的提升的情況下，可能還會面臨客戶要求讓設計產品週期縮短的情況。

「台灣製造業中目前遇到的問題，是否可以透過 GPU 加速平台解決？」 NVIDIA 解決方案架構師洪鈺嘉在《TechOrange》2022 智慧大工廠論壇中，分析台灣製造業中會遇到的問題，並分享 NVIDIA 過去透過 GPU 解決的成功案例。

產業對運算需求、效能要求大幅提升

為了滿足製造業對產品的需求，供應鏈在各方面也都需要導入新技術，以達到最好的產能。洪鈺嘉以半導體產業舉例，隨著運算需求提升，在晶圓製造方面推出更先進製程，以滿足運算需求。但其實半導體供應鏈除了 IC 製造之外，在上、中、下游也都需要有技術上的提升。

在 IC 設計上，很多研究都透過 AI 技術進行模擬。但洪鈺嘉表示，在 IC 瑕疵檢測上，因為製程提升導致電晶體體積縮小，電晶體數量也變得更多，這讓電子顯微鏡在拍攝時會變得更模糊，讓傳統 AI 、AOI 機台的辨識能力變差。而因應之道就是提升模型複雜度，或是做更多取樣，才能讓模型準確率回到過去的水準。

企業對運算需求、效能大幅提升，過去傳統 CPU 已經無法滿足現在產業對於運算的需求。舉例來說，AI、HPC（高效能運算）、模擬等相關的應用，過去在 CPU 上需要數天的時間完成的運算，透過 GPU 加速可以降低到數小時之內。

洪鈺嘉進一步說明，現在製造業中，很多 HPC 應用都在國家級的資料中心做開發，但因為 GPU 的加速讓產業運算成本降低、能力提升，因此現在很多企業也會靠 HPC 來解決產業上的問題。現在 GPU 運算或平行運算被廣泛應用在各種領域中，讓醫療科學、自駕、5G 等不同領域中的專業人士，都能享受到 GPU 加速帶來的好處。

產業中 GPU 加速的三大應用

洪鈺嘉將目前製造業可以透過 的應用分成三個類型。第一類較偏產線設備技術的提升，例如透過 AI 檢測產品瑕疵，或是透過產線上的實際數據來預測未來可能發生狀況；第二類是各式各樣不同的模擬，如材料模擬、結構模擬、流體力學模擬；第三類較偏產線中廠房、產線的規劃，很多演算法也都透過 GPU 平行運算，用 AI 模型分析產線狀況等。

上個月 NVIDIA 在年度 GTC 開發人員大會中分享了和百事可樂的成功案例。百事可樂每天商品出貨量約十幾億個產品，且要透過一百多個配送中心的複雜網路完成配送，而透過數位孿生和 AI 就能夠解決這樣的複雜問題。這樣的應用在製造業中相當常見，也很適合用於產線規劃中。

模擬世界中收集到的資料如何應用在現實世界？

開發應用需要收集大量的訓練資料集來訓練 AI 模組，過去在實際產線上收集資料會遇到一些問題，因為產線狀況的變化大，包括產品包裝、光線照明等都有可能發生，因此很難在實際狀況中完全掌握。洪鈺嘉指出，以數位孿生方法收集資料，一大好處在於可以在虛擬環境中大量產生目標物的訓練資料，以此隨機產出各種變化。

另一個好處就是不用再做數據標記（data labeling）。在現實產生出的資料需要透過人工進行標示，但虛擬世界中在產生的同時以同時製造好標記，而不再需要人工輸入。以數位孿生的方式收集資料，可以大幅降低現實情境中需要收集的資料量。

最後洪鈺嘉表示，因為製造業的產品設計越來越複雜，企業需要付出更多計算資源。NVIDIA 也針對不同應用情境設計了不同的 GPU，讓各領域都可以有最適合的 GPU 幫助解決產業問題。