在智慧製造的世界裡，

「看懂」不等於「做好」、

「會分析」也不等於「能執行」。

前四環讓工廠具備了超級 AI 大腦：

1. 取數：讓設備能開口說話，數據蒐集l（感知層）
2. 洞察：快速偵測早期問題，防微杜漸l（認知層）
3. 診斷：重建現場找出病灶，治本解決l（歸因層）
4. 預測：知道怎麼做最划算，並制定「策略」（決策層）

而第五環：優化（Optimization），要解決的是最後一哩路，

也是門檻最高的一哩路：

工廠能不能「自己自動做到」？

AI 能不能在安全的前提下，自動把事情做對？

優化不是分析，而是行動；

不是找到答案，而是依據答案做出成效。

但工業現場的「行動」充滿風險，例如：

• 多 Agent 會不會互相打架？
• 執行到一半「卡關」怎麼辦？
• 如何確保安全、不會撞機？

因此，第五環的核心價值不僅只是「自動」執行，

而是在「安全、可控、品質」的前提，

依據現場主管最在乎的三層指標，

最高「成效」的自動執行。

一、優化的真相：執行比預測難上一百倍

在網路世界，AI 自動訂一張票是毫秒級，結果是確定的。

但在工業現場，AI 自動下達一個指令（例如：更換模具、轉移工單），

執行過程是漫長，且充滿變數。

場景：連接器壓接的「調機」

過去： 壓力曲線偏移，老師傅憑經驗手轉微調旋鈕，試打五次，耗時20分鐘。

現在（AI 自動優化執行）：

1. AI 偵測到數據徵兆尾段微幅下滑（模具磨耗徵兆）
2. AI 計算出需補償行程 0.015 mm
3. Agent 直接寫入 PLC，伺服馬達自動進給

結果：下一顆端子的壓力曲線立刻回到正軌。

這看似美好，但如果環境變得複雜了呢？

二、難題一：當多 Agent 互相打架時（多目標衝突）

工廠是一個超複雜的有機體，不會只有一個 Agent。

當多個 Agent 為了各自的 KPI 而行動時，衝突必然發生。

案例：端子壓接機 P-07 的午後戰爭：QCD（Quality, Cost, Delivery）矛盾。

• Agent A（品質守護智能體）：

發現模具溫度升高，為了保護良率，下令「降速 20%」。

• Agent B（交期捍衛智能體）：

發現急單快要延遲，為了趕上出貨，下令「提速 10%」。

怎麼辦？誰聽誰的？

如果沒有仲裁機制，機台忽快忽慢，最後結果肯定不妙。

解法：權重與仲裁

必須具備一個「決策編排者、指揮官」（Orchestrator），

遵循工業機理 AI 第四環所制定的 今日策略（Policy），如第四篇。

若策略是 「品質優先」（Quality First），指揮官將判定：

批准 Agent A，駁回 Agent B。

結果是

❖　維持降速：依據「品質優先」策略，強制執行降速。

❖　自動回饋：將降速後的狀態同步給第四環（預測）。

❖　動態重規劃：第四環自動重新計算完工時間，若發現會延遲，則自動生成新的排程建議（如：將後續工單順延）。

三、難題二：執行到一半「卡關」怎麼辦？

AI 不僅要會下令，還要會「收爛攤子」。

案例：AI 決定換機生產

指令：預測顯示 A 機台即將故障，Agent 下令將工單轉移到 B 機台。

意外：B 機台在調機過程中，送料器卡料，無法執行任務。

這時，沒有閉環能力的 AI 會一直送出「轉移工單」指令，直到系統當機。

而具備閉環能力的 AI（具備優化能力）則會這樣做：

1. 監控執行狀態：發現 B 機台未在 10 分鐘內回報「Ready」。
2. 中斷任務：停止轉移指令，避免無限重試。
3. 升級事件：觸發異常警報，主動通知人類廠長介入。

結論：不能讓 Agent 撞了牆還繼續撞。

「執行失敗」意味著當前的自動化已經失效，

Agent 必須立刻終止循環，

並將此視為新的「異常事件」，交棒給人類專家介入。

這才能確保工廠「永不失控」的最後一道防線。

四、優化的本質：毫秒級的 AI PDCA

工業機理 AI 第五環的運作邏輯，本質上就是工廠最熟悉的 PDCA，

只不過，傳統人工 PDCA 可能一週開一次會，

AI 卻讓這個循環變成每秒鐘都在發生的高速閉環。

1. Plan（規劃）：策略生成

這是前四環（取數、洞察、診斷、預測）的總和。

• 輸入：機台數據、剩餘使用壽命、生產排程
• 產出：AI 建議最佳「行動方案」
• 範例：根據預測，建議將壓接機速度降低 10%，以維持 Cpk > 1.33

2. Do（執行）：包含「事前安控」的代理行動

【AI 與人工的差異】在傳統工廠，作業員憑「本能」就不會執行危險動作。

但 AI 沒有本能，必須強制插入一道「邏輯守門員」。

Step 1：事前安控（Pre-action Check） 

在指令寫入 PLC 之前，先進行「虛擬執行」（Dry Run）。

• 檢查1：是否違反動態物理邊界？

❖　例如，當感測器偵測到模具溫度過高，或上一小時曾發生過載，就得將壓力安全上限從 500N 「動態」自動限縮為 450N。

• 檢查2：是否有多 Agent 的累加風險？

❖　例如，Agent A 下令提速 20%，這合規，

　 Agent B 也下令提速 20%，這也合規，

　 但兩者疊加後總速將超過馬達負載。

• 檢查3：是否在工程授權邊界內？

❖　研發單位在完成製程設計後所召開的 PCRB（製程變更委員會），

    不但會定義製程參數的標準值，

    也會核定「參數彈性區間」（Process Window）。

    AI 僅能在「標準值 ± 容許微調量」的授權範圍內執行。

• 結果：若有風險，直接攔截，不讓錯誤指令進入機台。

Step 2：實體執行（Execution）

只有通過安控的指令，Agent 才會調用 API，將參數真正寫入機台控制器。

3. Check（查核）：事後成果驗收

【AI 的即時性】按需求定時（每秒/分）或每模次即時回饋。

• 動作：指令執行後，AI 立即讀取感測器數據與品質檢測結果。
• 判定：比較「預期效果」與「實際成果」。
• 例如：降速後，Cpk 是否如預期回升到 1.33 以上？

4. Act（處置）：依據驗收結果的分流

路徑一：動態補償（先進製程控制APC R2R Control）－精密的自動導航

• 觸發條件：Check（查核）顯示指令有效，或偏差在可控範圍內。
• AI 行動：以 APC 技術，針對變異執行 Run-to-run Control。

❖　回饋補償（Feedback）：針對模具磨損、酸液老化等「漸進式衰退」， 根據產出的產品量測值，自動微調下一模的參數，補償老化/衰退。

❖　前饋補償（Feedforward）：針對來料公差波動（如銅材偏硬），在加工前就預先調整參數。

• 結果：實現「毫秒級」持續改善，確保例如 Cpk 始終維持在高檔。

路徑二：升級與回歸（Escalation & Recovery）－人機協作的救援閉環

• 觸發條件：Check（查核）結果顯示無效

（例如補償後 Cpk 仍未改善，或執行失敗例如卡料）。

• AI 行動：交棒

❖　止損：AI 終止循環，機台暫停或降速至安全模式。

❖　求救：發送異常警報，並提供「診斷建議」（例如：懷疑模具崩裂）。

• 人類行動：救援

❖　處置：廠長或工程師介入，更換模具或排除卡料。

❖　確認：人類確認問題解決後，按下「復歸」，觸發下列回歸機制。

• 回歸機制

❖　系統自檢：重新進行安全檢查，確保系統與參數狀態正常。

❖　重啟循環：接手控制權，重回 PDCA 自動運轉。

五、AI 實作架構：Agentic Workflow（代理工作流）

實作部分需要透過 Agentic Workflow（代理工作流） 工具，

例如 LangChain 或 n8n 將其落地。

Step 1：觸發與感知－【Plan 的輸入】

• 情境：

❖　Agent A（溫控）：

偵測到模具升溫，發出 Request：「請求降速 20%」。

❖　Agent B（交期）

同時發出 Request：「請求提速 10%」。

• 意義：這是 PDCA 中 Plan 階段的資料輸入，多個 Agent 根據各自的優化目標提出需求的案例。

Step 2：仲裁與策略檢查－【Plan 的決策】

• 動作：指揮官（Orchestrator）讀取第四環所生成的「今日策略（Policy）」。
• 邏輯：若 Policy = Quality First（品質優先），則批准 Agent A，駁回 Agent B。
• 產出：待執行的「擬定指令」。

Step 3：安全守門員檢查－【Do 的事前安控】

• 定位：對應「Do（執行）Step 1：事前安控」，在自動執行前都得先過這一關。
• 虛擬執行：在指令發送前，先在數位孿生或邏輯層進行模擬。
• 檢查項目：

❖　動態邊界：確認 (當前值 + 指令值) 是否超過物理極限？

❖　累加風險：確認多個 Agent 指令疊加後是否會導致衝突？

❖　工程授權：確認在「標準值 ± 容許微調量」授權範圍內？

• 結果：若超標就直接攔截，保護 PLC 不會收到危險指令。

Step 4：執行與寫入－【Do 的實體執行】

• 定位：對應「Do（執行）Step 2：實體執行」。
• 動作：通過驗證後，調用 API（如 Modbus/OPC UA），將參數 Speed = 80% 真正寫入 PLC。

Step 5：驗收與分流－【Check 與 Act 的閉環】

• 定位：包含了 Check（查核）與 Act（處置）。
• 動作：執行後持續查核成效，並依據結果自動分流：

❖　路徑 A（有效 → 繼續自動）：若如預期，則啟動 APC R2R 機制，將此參數設為新標準並持續微調。

❖　路徑 B（無效 → 人類救援）：若異常。

AI 立即 終止循環，呼叫人類專家介入。

  待問題解決，再執行回歸機制重啟自動化。

六、優化的KPI：不是看 AI 多炫，是看工廠變多好

第五環的成效，必須反映在財報與營運報表上：

1. 無人化調機比例：有多少比例的參數修正，是 AI 自己搞定的？（目標：80%）
2. 異常停機時間：是否因PDCA閉環」避免了災難性損壞？
3. 反應速度：從異常到修正，是人工的20分鐘、還是AI的1秒？
4. 綜合成本：成本、能耗、廢料、人力成本是否總體下降？

七、五環總結：從「看見」到「做到」的進化路徑

至此，我們完成了《工業機理 AI 五環》的完整拼圖。

這不只是五個步驟，而是製造業從 數位化 邁向 智慧自動化 的必經之路：

1. 取數：讓設備能開口說話，數據蒐集l（感知層）
2. 洞察：快速偵測早期問題，防微杜漸l（認知層）
3. 診斷：重建現場找出病灶，治本解決l（歸因層）
4. 預測：知道怎麼做最划算，並制定「策略」（決策層）
5. 優化：實現毫秒級PDCA，智慧+自動+人機協作（行動層）

這五環環環相扣，缺一不可。

最後，工業機理 AI 的終點，不是取代人，而是釋放人。

讓 AI + Agent 處理那些毫秒級的安全作業與動態補償，

讓人類從繁瑣的監控中解放，專注於策略性的創新與決策。

這就是智慧工廠真正賺錢的起點，

也是製造業未來的模樣。

返回工業機理 AI 第一篇 取數：

讓設備說話，智慧工廠的起點。