Articles › Microcontroller

引言 无人机已不再是单打独斗的角色。现代任务——搜索救援、精准农业、基础设施巡检、安防作业——日益依赖蜂群：由多架UAV协同编队，分工完成任务，共享态势感知，实现单机无法达成的目标。

はじめに ドローンはもはや単独の存在ではありません。捜索救助、精密農業、インフラ点検、安全保障といった現代のミッションは、スウォーム（群れ）への依存度を高めています。スウォームとは、タスクを分担し、状況認識を共有し、単機では達成できない目標を協調して実現するUAV群です。

บทนำ โดรนไม่ได้ทำงานคนเดียวอีกต่อไป ภารกิจสมัยใหม่ — ค้นหาและกู้ภัย, เกษตรกรรมความแม่นยำสูง, ตรวจสอบโครงสร้างพื้นฐาน, ภารกิจด้านความมั่นคง — ต้องอาศัย "ฝูงบิน" (swarm): กลุ่ม UAV ที่ทำงานประสานกัน แบ่งงาน แชร์ข้อมูลสถานการณ์ และบรรลุเป้าหมายที่โดรนตัวเดียวไม่สามารถทำได้

Introduction Drones are no longer solo actors. Modern mission profiles — search and rescue, precision agriculture, infrastructure inspection, defense — increasingly rely on swarms: coordinated groups of UAVs that divide tasks, share situational awareness, and collectively achieve what no single drone can.

过去几年，工业AI的讨论大多集中在AI模型本身： 模型精度、训练数据规模、算法先进性。 这些当然重要，但在迈向 2026 年的过程中，中国制造业正在发生明显转变。 真正决定成败的，不再是“用了什么模型”， 而是 AI 能否作为工业系统的一部分，长期、稳定、安全地运行。 正是在这个层面上，AI 加速器与软件框架开始成为关键。

これまでIndustrial AIの議論は、AIモデルに焦点が当たることがほとんどでした。 精度、データ量、アルゴリズム──それらは確かに重要です。 しかし2026年に向けて、製造業の現場では視点が大きく変わりつつあります。 本当に差を生むのは「どのモデルを使うか」ではなく、 AIを実システムとして、長期間・安全・安定的に動かせるかどうかです。 この変化の中心にあるのが、AIアクセラレータとソフトウェアフレームワークです。

ตลอดหลายปีที่ผ่านมา การพูดถึง Industrial AI มักโฟกัสไปที่ โมเดล ไม่ว่าจะเป็นความแม่นยำ ชุดข้อมูล หรืออัลกอริทึม แต่ในปี 2026 มุมมองนี้กำลังเปลี่ยนไป สิ่งที่สร้างความแตกต่างจริงในสภาพแวดล้อมอุตสาหกรรม ไม่ใช่ ใช้โมเดลอะไร แต่คือ การนำ AI ไปทำงานในระบบจริงได้อย่างเสถียร มีประสิทธิภาพ และปลอดภัย และนี่คือจุดที่ AI Accelerators และ Software Frameworks เข้ามาเปลี่ยนเกมของตลาดอย่างเงียบ ๆ

For years, industrial AI discussions focused on models: accuracy, datasets, and algorithms. In 2026, that focus is shifting. The real differentiator in industrial environments is no longer which model you use, but how AI is executed reliably, efficiently, and safely inside real systems. This is where AI accelerators and software frameworks quietly redefine the market.

在中国制造业推进 数字化工厂、智能制造、工业互联网 的过程中， 很多企业已经部署了 ERP、SCADA 或 PLC 系统，但仍然面临以下问题： 生产计划与现场执行脱节 生产数据依赖人工录入和 Excel 管理层无法实时掌握生产进度 设备数据“很多”，但无法转化为管理价值 造成这些问题的核心原因，往往是缺少真正的制造执行层系统（MES）。

日本の製造業では、ERP や設備制御システム（SCADA / PLC）は導入されているものの、 生産実績がリアルタイムで見えない 現場では Excel や手書き帳票が残っている 設備データと生産指示が結びついていない といった課題を抱える工場が少なくありません。 これらの課題を解決する中核となるのが MES（Manufacturing Execution System：製造実行システム）です。

โรงงานในประเทศไทยจำนวนมากเริ่มเข้าสู่การทำ Digital Factory / Smart Factory แต่พบว่าระบบที่มีอยู่ เช่น ERP หรือ SCADA ยังไม่สามารถตอบโจทย์หน้างานได้ครบถ้วน MES (Manufacturing Execution System) จึงกลายเป็น “ตัวกลางสำคัญ” ที่เชื่อม แผนการผลิตของธุรกิจ เข้ากับ ความเป็นจริงในโรงงาน

Manufacturers increasingly look to build or customize their own Manufacturing Execution Systems (MES) to gain better control over production, quality, and real-time visibility. While commercial MES platforms exist, many factories choose Python-based development for its flexibility, scalability, and strong ecosystem.

在中国制造业推进数字化转型、智能制造、工业互联网的过程中， ERP、MES、SCADA 几乎是每一家工厂都会接触到的系统。 但在实际落地中，很多企业仍然面临以下问题： 计划数据与生产实绩不一致 现场依赖 Excel、人工报表 管理层无法实时掌握生产状态 系统很多，但数据无法贯通

日本の製造業では、ERP、設備制御システム、現場の可視化ツールなど、さまざまなITシステムが導入されています。 しかし実際には、次のような課題を抱える工場も少なくありません。 生産実績と計画データが一致しない 現場では Excel や手書き帳票が残っている 経営層がリアルタイムで状況を把握できない IT部門と製造現場の認識が噛み合わない

โรงงานในประเทศไทยจำนวนมากลงทุนในระบบดิจิทัล เช่น ERP, ระบบควบคุมเครื่องจักร หรือระบบรายงานการผลิต แต่ยังคงพบปัญหาเดิม ๆ เช่น รายงานการผลิตไม่ตรงกับความเป็นจริง ต้องใช้ Excel และการกรอกข้อมูลมือจำนวนมาก ผู้บริหารเห็นข้อมูลช้าเกินไป ฝ่ายผลิต ฝ่ายไอที และฝ่ายบริหาร “เข้าใจระบบไม่ตรงกัน”

In manufacturing digitalization, confusion often arises around three core systems: ERP (Enterprise Resource Planning) MES (Manufacturing Execution System) SCADA (Supervisory Control and Data Acquisition)

传统的计算机视觉（Computer Vision, CV）主要依赖云端服务器和高性能 GPU。然而，随着实时性、安全性和成本要求不断提升，越来越多的企业开始将视觉推理从云端迁移到 边缘设备（Edge Device） 上，如智能摄像头、工业终端、IoT 设备、无人机、AGV 机器人等。

これまでコンピュータビジョン（Computer Vision, CV）は、高性能 GPU サーバーやクラウド環境で動作することが一般的でした。しかし近年、画像処理・AI 推論を クラウドからエッジデバイスへ移行する動き が急速に広がっています。

ปัจจุบันเทคโนโลยี Computer Vision (CV) ไม่ได้จำกัดอยู่แค่ในเซิร์ฟเวอร์หรือศูนย์ข้อมูลอีกต่อไป แต่กำลังถูกย้ายไปทำงานบน Edge Device เช่น กล้องอัจฉริยะ, อุปกรณ์ IoT, ระบบตรวจจับในโรงงาน, โดรน, หุ่นยนต์ และอุปกรณ์พกพาต่าง ๆ

Computer Vision (CV) has traditionally depended on powerful servers, large GPUs, and abundant memory. But today, a major shift is underway: moving vision intelligence from cloud servers directly onto edge devices — phones, cameras, IoT sensors, drones, robots, embedded chips, and even battery-powered devices.