硬件，尤其是MEMS傳感器，仍將會是終端裝置中不可或缺的部份，但展望未來，軟件在為用戶帶來價值方面也扮演同樣重要的角色。博世（Bosch Sensortec）認為，傳感器軟件將會變得越來越智能，從而將MEMS傳感器轉變為更準確且個人化的系統，協助用戶適應任何情況。

　　Bosch Sensortec技術長Markus Ulm說：“軟件為傳統傳感器組件增加了新功能。 我深信這將會對我們的產業帶來重大影響，”促進MEMS傳感器導入當前和新的應用中。

　　MEMS標準化

　　“一種產品，一種制程”（One Product， One Process）是MEMS產業中眾所周知的不二法則。MEMS組件必須經過高度客制才可能滿足功耗、延遲、穩定度和內存方面的特定要求。例如，虛擬現實（VR）頭戴式顯示器需要最低延遲時間，掃地機器人則要求在各種不同溫度下具有高穩定度，而穿戴式裝置則需要以超低功率實現自主學習以及定向追蹤。Ulm說：“但要開發一種適合所有產品的解決方案極其困難，而且還必須要有足夠的市場覆蓋才能真正使其具有商業可行性。”

　　再者，在邁向制程標準化方面幾乎沒什么進展，這也象征著這一產業與傳統半導體產業制程的顯著差異。Yole Développement技術市場分析師Damianos Dimitrios認為，“在MEMS標準化方面一直沒有任何改善和進步。過去二、三十年來一直是這樣，業界都在談論標準化，但卻一直未能實現。這就是為什么MEMS代工廠和CMOS代工廠的商業模式發展不同的原因。”

　　Ulm聲稱，軟件正是超越這種典范并帶來商業意義的主要推動力之一。

　　越來越聰明

　　從讀取傳感器數據到評估數據，直到最終展開學習并根據資料做出本地決策，軟件已經發展很長一段時間了。

　　Ulm說：“軟件和硬件的結合，帶來了創造傳感器以及新的感測方法之路。”

　　如果硬件中包括不止一種類型的傳感器，那么軟件就夠將各種原始測量結果匯整在一起，并將結果轉化為更有價值的信息。“因此，相較于傳感器組件，一個完整的系統能夠產生有關感測的更高層級信息。”他并以使用Bosch Sensortec BME680氣體傳感器為例說，“如果僅使用傳感器原始數據，你可能無法分類不同的氣體。但透過軟件啟用，氣體傳感器中所采用的技術還可用于進行溫度光譜分析。”

　　傳感器融合同樣透過軟件智能化地組合并評估來自多個傳感器的數據，以改善應用或系統效能。但是，實際上，要讓多個傳感器協同運作并收集有用的數據并不是那么簡單或直接。

　　Ulm說：“為了簡化傳感器融合過程，您必須提高運算能力，或者建立一些機器學習算法，以處理所有的數據、進行分類，并且了解哪些數據來自哪個傳感器以及數據在傳達什么訊息。”

　　處理能力也是一大挑戰。Damianos說：“您需要更多的能力來處理資料，但最終，您還需要降低功耗，才能讓裝置可以持續更長時間使用，特別是消費類應用。”

　　Ulm指出：“傳感器融合尚未達到極限，還需要進一步的研究和開發。”他說Bosch的方法包括利用人工智能（AI）和軟件合成，以使消費電子裝置更智能。“軟件合成是指根據領域知識和特定產品版本的特定限制自動產生程碼的方式。”

　　“傳感器融合技術實現了一定程度的自動化，這為更復雜的傳感器融合創造了新的機會——由于涉及大數據（big data）和大量潛在的數據源，是以往使用傳統方法無法實現的。”

　　軟件不僅為傳感器增加價值，也進一步提升了整體系統。它也變得越來越聰明，可以直接在MEMS傳感器內部實現AI。Ulm說：“我們一直聽到很多有關AI的討論，但我想鼓吹邊緣AI （edge AI）作為產業和用例驗收的解決方案。”直接在MEMS裝置的本地擁有AI，將有助于發展新的應用，并為用戶帶來更多好處。

　　在邊緣執行AI算法確實為用戶帶來了諸多好處。第一是個人化，在本地執行計算，并根據用戶的個人行為實現優化。其次是用戶的數據隱私。Ulm解釋說，由于在邊緣處理數據而無需經由云端，更能讓資料保有穩私性。第三個好處是實時反饋。“將內容上云處理后再傳回裝置，將會經歷延遲，而且有許多應用其實并沒有必要上云。”在邊緣執行可避免數據來回傳輸并減少延遲。第四個好處則是由于在本地進行處理，有助于延長電池壽命。

　　然而，Edge AI仍然受制于幾項關鍵的成功因素。Ulm說：“不僅要理解和控制數據，算法也不可忽略，這些都是至關重要的，尤其是對于Edge AI而言。”他并強調，Edge AI要能成功取決于三件事。首先從在邊緣受限條件下執行于裝置上的算法開始。“重點在于了解這些算法并開發能夠在此條件下執行的新算法。”其次是數據，這些實時產生的數據必須實時處理。第三是情境架構（context），這意味著數據的解讀必須對特定用例有意義，而且在特定情況下也具有價值。Ulm解釋說，“例如，這種價值可以是根據情況如何以不同方式處理問題的實時反饋。”

　　目前，Edge AI仍處于其發展初期。Ulm表示，由于機器學習社群一直專注于以基于云端的解決方案來解決大數據和大規模的問題，因此還有各種挑戰尚待解決。

　　Damianos指出，主要的挑戰是功耗和摩爾定律（Moore’s Law）的限制。“我們都知道摩爾定律正逐漸式微。我們不確定它是否終結，但至少知道它正放緩中，因而對于可能在處理器單元中增加的晶體管數量帶來了限制。”另一個確定的挑戰是資料隱私法規。“在歐洲，我們已經有《一般數據保護規范》（GDPR）了，但還需要了解其他地區的情況。”

　　而當被問及MEMS傳感器公司如何在edge AI方面有所作為，以及證實較云端供貨商更具優勢時，Ulm列舉了許多用例，包括在極其接近傳感器的邊緣，可能為客戶帶來的價值等等。“MEMS傳感器公司在此可以利用其優勢來突破邊緣的限制，從而實現本地機器學習解決方案。而且，最重要的是，我們了解傳感器的功能及其如何運作。”