當電機學會思考：Agentic AI 與工業控制的三個關鍵環節
家中的掃地機器人能繞開拖鞋，但工廠裡一台價值不菲的伺服電機，若遇到軸承磨損，通常會怎麼做？多數情況下，答案是：什麼都不做。它會繼續運轉，直到故障真正發生。
傳統電機控制就像一名只會執行命令的士兵。即使軸承異音、溫度異常或電流諧波已經透露出故障前兆，控制系統也未必能主動理解這些訊號。原因不在於它「不想處理」，而是它的大腦裡多半只有既定的 PID 控制邏輯，缺乏判讀情境與自主決策的能力。
將 Agentic AI（代理式人工智慧）導入嵌入式控制架構，正在成為改變工業控制底層邏輯的重要趨勢。這不只是智慧控制的升級，更是在即時控制的基礎上，賦予系統決策能力、自我調整能力與情境感知能力，讓控制系統真正長出「會思考的大腦」。
作為連接半導體原廠與工業用戶的橋樑，安富利致力於將這類前沿構想轉化為可落地的系統級方案，特別回應亞太區龐大的製造業升級需求。從晶片選型、架構設計到模型部署，安富利協助工業客戶搭建「會思考」的電機控制平台。拆解來看，關鍵在於三個技術動作。
一、從「規則驅動」到「目標驅動」：讓控制系統不只聽命令，更懂目標
傳統控制多半是規則驅動：例如 IF 溫度 > 80°C，THEN 降速。生成式 AI 的出現讓人機互動變得更自然，但許多應用仍屬於反應式模式，也就是「你不問，它不動」。
Agentic AI 的本質差異在於自主性。使用者給它的不是單一指令，而是一個目標，例如「在確保安全的前提下最大化產線效率」。Agentic AI 會將這個目標拆解為一連串子任務：持續監測感測器資料、分析振動趨勢、預測軸承剩餘壽命、判斷是否需要預防性降速、生成維護工單，並選擇合適的停機時段。
關鍵在於，Agentic AI 不必接管整個控制系統。它可以只負責特定子集，例如在正常工況下輔助優化能效，在異常工況下則退回確定性控制。這種「有限自治」模式，正是工業場景所需要的平衡：足夠聰明，但不越界。
二、在微秒級控制環路中，為 AI 留出「思考預算」
在回應式計算與控制應用中，AI 推理面臨一個非常現實的限制：AI 需要 CPU 算力，電機控制環路也需要 CPU 算力。當兩者競爭同一顆 MCU 的計算資源時，這正是嵌入式 AI 最核心的工程挑戰。
以電機 FOC（磁場導向控制）為例，每個週期都需要執行 Park/Clarke 變換等大量矩陣乘加運算，並透過轉子角度估算處理複雜的三角函數運算。若傳統 MCU 主要依賴軟體函式庫完成這些運算，CPU 週期會被大量占用，留給 AI 的「思考空間」便所剩有限。
以安富利合作夥伴英飛凌的 PSoC™ Control C3 系列為例，其內建 CORDIC 加速器，可加速角度計算與三角函數生成，並透過 DSP 指令加速矩陣變換，從而節省 CPU 週期，為 Agentic AI 預留更多運算空間。
核心邏輯不是為 AI 額外增加一顆晶片，而是在同一顆 MCU 內，先把確定性控制做得更快、更有效率，再把節省下來的運算資源留給 AI 使用。
三、智慧控制落地：把大模型「瘦身」到晶片上
Agentic AI 通常仰賴大型語言模型（LLM）進行推理與規劃，但工業 MCU 的記憶體通常只有數百 KB 到 1 MB。要把數十億參數的大模型放進 MCU，看似不切實際，但工程上已可透過三種方法逐步落地。
第一是權重量化，將模型參數從 32 位元浮點降至 8 位元，讓記憶體需求大幅降低，同時將精度損失控制在可接受範圍內。更進一步的做法是混合精度量化，對關鍵層保留較高精度，對非關鍵層採取更積極的量化策略。
第二是小型化模型。TinyLlama、SmolLM 等專為邊緣應用設計的輕量模型，參數規模遠低於大型模型，卻能在特定工業任務中提供足夠精度。
第三是邊緣與雲端協同推理。系統可先由本地輕量模型完成初步判斷；多數情境下，本地推理已足以支援即時決策，也不必依賴網路。只有在遇到複雜場景時，才交由雲端大模型進行校驗與精修。
透過這三種方法，基於 Arm Cortex-M33 等主流工業 MCU，便有機會在本地運行輕量版的「感知、決策、執行」循環，以毫秒級完成判斷，不依賴雲端，即使在斷網環境下也能持續運作。
安全：智慧控制不可逾越的邊界
無論 Agentic AI 多麼聰明，工業控制始終有一條不可逾越的底線：功能安全。實務上，較合理的架構是分層設計：AI 層負責「想」，也就是分析、建議與預測；確定性控制層負責「做」，例如執行 PID、切換模式；功能安全層則負責「兜底」，包括過流保護與緊急停機。
英飛凌 MOTIX™ TLE9954 系列正體現這樣的思路。其 SiP 封裝整合三相橋驅動器、OptiMOS™ 功率元件與 Arm® Cortex®-M 核心，符合 ISO 26262 ASIL B 功能安全要求，並內建電流檢測放大器與 12 位元 ADC。換句話說，Agentic AI 做出判斷所需的基礎資料，可由晶片本身完成採集。
結語
從「會轉的電機」走向「會思考的電機」，這條路需要硬體加速器釋放運算預算，需要模型優化技術將大型模型壓縮到 MCU 可承載的規模，也需要功能安全架構守住不可妥協的底線。
這正是安富利與英飛凌等合作夥伴正在共同建構的能力：從晶片選型、架構設計到模型部署，讓每一個環節對齊，協助智慧控制從概念走進實際工廠場域。當電機學會思考，它轉動的每一圈，都將更有意義。
