台灣已經有許多 AI 智慧工廠運行中

台灣與國際上許多製造大廠早就已經導入各式的 AI 在智慧工廠中，其應用涵蓋了預測性維護、生產品質控制、生產流程優化、供應鏈管理、自主機器人、能源管理和增進生產安全保障等方面。例如特斯拉使用 AI 驅動的 3D 列印機製造汽車；華碩利用內建 AI 引擎與智慧化、適性化的派工方案，讓派工計畫的產出時間下降超過 65%；台灣機械製造商 KUKA 提供不同產業應用的 AMR 自走車或是自動化機械手臂等。

通過這些應用，可以看到 AI 幫助智慧工廠實現更高效、更精準靈活的生產運營模式，將製造業帶向智慧自動化和數據驅動的方向發展。但這還沒完，自從生成式 AI 問世後，製造業再度看到新曙光。

相對於傳統分析型 AI，生成式 AI 可以做到更全方位的助益，例如透過分析市場趨勢、掌握最新產品監管合規的需求、總結客戶反饋等不同面向來優化產品的設計，幫助產品設計師掌握不同面向的考量，並且以更有效率、低成本的方式做出產品模型。

在供應鏈面向上，也可以透過歷史資料的分析洞察，更加掌握供應鏈狀況，依照原料可取得狀況、定價與風險等考量，讓採購決策更精準。或是依照歷史庫存資訊，提前預測出市場需求狀況，以避免庫存過剩或不足等風險。

極智嘉的 AMR 機器人，已成為許多企業達到高效倉儲的重要助手。

智慧工廠被打回現實的主因：沒有堅實的數據基礎

雖然看到各種 AI 的正向案例，但真的要導入自家企業中並且實際落地，這一段旅程可能會比想像中顛簸一些。

許多大廠雖然有資金與意願，不過在導入階段通常會因為人才、資料品質與流程規劃等因素而被打回現實。根據 MIT 雜誌與微軟的合作調查發現，要做 AI 若沒有堅實的數據基礎就很可能會停滯不前。57% 受訪者承認他們在開發 AI 用例時遇到資料品質不理想、54％ 認為資料整合狀況薄弱，並且只有約 20％ 的受訪者擁有可用於現有 AI 模型的數據。

最常見的狀況是，製造商規模越大，數據不合適的問題就越嚴重，其原因可能是因為各個部門資料格式、保存方式不一，跨部門也沒有統一的資料基礎架構導致「數據用時方恨少」。若是使用小規模或是品質不佳的資料，也會讓 AI 模型做白工、無法分析出理想成果。

缺乏 AI 人才也是許多大廠的限制，如何掌握 AI 模型中的黑盒子並且確保餵進 AI 的數據不會危及智慧財產權機密洩漏，或是針對現有數據做系統性地清理、了解雲端運算等現代化資料架構等都成為大廠的考驗課題。此外， AI 轉型過程中如何突破既有部門流程限制找到新徑更是挑戰。

【在 AI 新世界站穩腳步！製造業領導者該自問的關鍵問題】

1. 如何評估現有工作需求流程，找到最適合導入 AI 的場景並設定明確目標，為團隊增添信心？

2. 組織內是否有明確的資料治理、儲存與利用策略？是否有明確的分工？

3. 組織是否有明確的智財權保護策略，確保營運機密不外洩？

※ 本文由科技報橘授權轉載