挑戰
Aurora Precision 為航太與醫療器材供應鏈生產精密金屬零件，每條產線每分鐘產出數百件，需要逐件進行影像檢測。
雲端方案的三個瓶頸
- 延遲：影像上傳至公有雲推論再回傳，來回時間平均 350 ms，遠超過產線節拍允許的 80 ms。
- 資料出境：客戶合約要求製程影像不得離開廠區。
- 頻寬成本：12 台檢測相機全天候產生約 4 TB 原始影像，雲端上傳與儲存費用逐月攀升。
現場條件限制
廠區既有電力餘裕僅 250 kW，且無法為 IT 設備擴建獨立冷卻機房，傳統氣冷機櫃的密度無法滿足需求。
解決方案
KONST 以 AIDC 建置服務在既有廠務空間內建置一座小型液冷 AI 機房，並由維運團隊負責後續監控與值班。
系統規格
| 項目 | 規格 | 說明 |
|---|---|---|
| GPU 數量 | 32 顆 | 4 座機櫃，每櫃 8 顆 |
| 冷卻方式 | 晶片直接液冷 | 搭配 2 台 CDU 與漏液偵測 |
| 單櫃功耗 | 62 kW | 總設計容量 250 kW |
| 網路 | 10 Gbps 光纖 | 相機 → 邊緣擷取 → 叢集 |
| 維運 | KONST 7×24 值班 | 含韌體修補與容量規劃 |
導入步驟
- 第 1–2 週：現勘、電力與水迴路評估，確認液冷機櫃可沿用既有廠務冷卻水。
- 第 3–8 週：機櫃、CDU 與配電施工，同步在 KONST 測試環境驗證推論模型。
- 第 9–12 週：硬體進場、燒機測試、與產線 MES 系統整合。
- 第 13–14 週：單線試營運，逐步切換至全部 12 台相機。
成果
上線後第一個月，產線即完成全部相機切換，推論延遲穩定低於 80 ms。
| 指標 | 導入前（雲端） | 導入後（廠內叢集） |
|---|---|---|
| 平均推論延遲 | 350 ms | 78 ms |
| 誤判剔除率 | 2.3% | 0.9%（-61%） |
| 機房 PUE | 不適用 | 1.12 |
| 每月影像傳輸費用 | 持續上升 | 0 |
「以前我們得在速度和資料安全之間二選一。現在兩個都拿到了，而且維運不用自己扛。」 —— Aurora Precision 製造技術總監（範例引言，正式發佈前須由客戶確認）
後續
- Aurora Precision 計畫將同一套架構複製到第二座廠區，預估新增 16 顆 GPU。
- 雙方正在評估以 KONST digital twin 服務模擬產線改線後的檢測站配置。
- 維運團隊將於 2027 年第一季導入預測性維護模型，進一步降低非計畫停機。
- AIDC
- Manufacturing
- Liquid Cooling
- Computer Vision
Frank Wang
Head of Solutions, KONST
- 客戶
- Aurora Precision（範例／虛構客戶）
- 產業
- 製造