智慧工廠精髓在於管理統一化，透過工業物聯網等數位化技術，使廠務作業更加透明。在AI技術發展逐漸成熟，陸續應用於智慧工廠後，智慧工廠重點轉為利用數據作決策，以數據導向發展出思考、預測的能力。過往要利用AI進行瑕疵檢測，常因資料量不足而延遲上線，智慧工廠導入生成式AI後，可填補訓練AI的資料缺口，事前預警機器設備的預測性維護，並分析控管供應鏈風險，還能模擬可能發生的情況，自行動態調整因應作法。

資策會MIC資深產業分析師張家輔分享生成式AI於智慧工廠應用發展趨勢；攝影：北美智權報／吳碧娥

鑑別式AI與生成式AI

資策會MIC產業分析師張家輔指出，AI依應用目的不同，可區分為鑑別式AI與生成式AI，鑑別式AI擅長區別不同數據類型；生成式AI則基於數據生成、文本分析的能力，發展內容生成、翻譯、對話等應用。

鑑別式AI針對預定義的類別進行數據分析，適用於分類、分群、回歸等任務，目標是找到最適函數，用以區別不同數據類型；而生成式AI則利用大規模資料進行訓練，大幅提升自然語言處理能力，生成式AI可以理解數據特徵，再生成類似的新數據，有利於智慧工廠的人機互動應用。舉例來說，鑑別式AI可以透過分類訓練判斷出是否有瑕疵，生成式AI會以圖片特徵為基礎，加入更多圖片特徵，生成瑕疵樣態作為訓練數據來源。

鑑別式AI與生成式AI對於智慧工廠的影響面向不同，鑑別式AI著重於處理特定任務，例如瑕疵檢測、需求預估、庫存管理等；生成式AI則利用大型語言模型（Large Language Model，LLM）對於文本理解的優勢，讓使用者簡易了解問題狀況與後續作法。張家輔強調，鑑別式AI與生成式AI各有應用範疇，彼此並非替代關係，鑑別式AI應用在語音識別、圖片辨識、數量預測等範疇，生成式AI可應用在圖像創造、音樂合成、程式編碼和文字生成。

因為製造業容易受到環境影響，生成式AI能透過擷取增強生成（Retrieval-Augmented Generation，RAG）掌握即時資料、分析多種資料來源，同時採用自然語言輸入的人機互動方式，降低人員系統操作時間，填補鑑別式AI應用未被滿足的需求缺口。

應用 1：生成式AI大幅降低生產排程規劃時間

傳統生產排程因為必須考量眾多變數，加上透過人員手動Excel錯誤高，不但使作業耗時並且難以應付急單。透過LLM提供最適的排程方案，可以減少作業延遲和資源浪費。應用在產能分析方面。若一間工廠月產量10萬台，欲新增20％的產能，將這樣的需求告訴生成式AI，生成式AI會撈出資料判斷目前的狀況，不但能分析目前的瓶頸，還會提供人員後續建議的作法。

應用 2：加速供應鏈管理決策

雖然過往供應鏈數據已可透過AI和機器學習分析供應鏈風險，但是使用時機較為被動，且功能分散於各系統，難以跨團隊協作任務，結合LLM之後，不僅是提供可視化圖表，更能以使用者角度思考問題，提供建議方案與數據見解，生成式AI一改過去被動進行的模式，主動整合員工通訊軟體進行應用，並透過統一的數據平台和資料庫的數據，直接提供決策與建議的作法。

應用3：作為智慧助理識別生產問題

以往工廠依賴有經驗的人員掌握生產品質問題、處理機器運行緩慢等狀況，仰賴人力找出原因出處，即使有可視化圖表顯示機器、生產線狀況，仍需花時間比對問題。生成式AI能以更直覺的詢問過程，提供KPI 報告、比較運作效能、數據趨勢和相關性分析，甚至連結生產配方提供設備參數來調整建議，讓生成式AI來擔任工廠智慧助理的角色。

張家輔舉例，透過生成式AI的人機介面，人員可以詢問機台的運作狀況，並列出每一天的運作狀況，找出機器運作效率最低的日期之後，可以詢問生成式AI影響當天運作的可能因素，並與其他天的運作條件進行比較，透過生成式AI的介面可以先排除問題，不用人員自己手動拉圖表去看數據。

應用4：填補AOI+AI瑕疵品數據缺口

依靠機器視覺作為辨識的自動光學檢查（Automated Optical Inspection，AOI），運用機器視覺做為檢測標準技術，改良傳統上以人力使用光學儀器進行檢測的缺點，半導體、印刷電路板、面板、電子製造、電子機械等產業，常利用AOI結合鑑別式AI，進行各種瑕疵檢測，像是空焊、錫量變形、破損缺件、髒污與刮痕等檢測，但因只要遇新型瑕疵就會影響到模型的判斷能力，加上產品生命週期短，可能半年就停產或改版、可提供AI學習的訓練數據少，都是過往AOI+AI的關鍵痛點。

張家輔指出，在少量多樣生產模式下，製造業者需花更長時間累積模型訓練數據，因而拖延AI瑕疵檢測方案上線時間，且產品生命週期逐漸縮短，方案上線後實際應用時間亦被壓縮。生成式AI突破數據不足困境，模擬各式瑕疵種類作為訓練數據，加速模型上線時間與可靠性。然仍需少量真實數據讓模型學習，避免模擬瑕疵失真。

應用5：提供設備維修項目具體實施步驟

為求生產可靠性，製造業工廠相關設備可能採半客製化，並利用鑑別式AI進行預測性維護，當維修工程師接受異常警報後，根據AI分析的設備參數（溫度、振動、速度等等），判斷設備運作是否脫離正常模式，但若資淺工程師誤判設備狀況，可能導致難以修復。生成式AI則是提供故障原因分析，透過調閱文件與紀錄，可以查詢機器過往的故障記錄，提供待修設備的狀況以及維修建議。

搭配DLP方案，防止機敏資料外洩

隨著AI技術發展逐漸成熟並應用於智慧工廠，智慧工廠將利用數據作決策，發展以數據作思考、預測的能力，生成式AI並不會取代鑑別式AI，反而可互補並塑造更完整的智慧應用方案，鑑別式AI擅長區別不同數據類型；生成式AI能透過RAG掌握即時資料，分析多種資料來源提供更完整的見解，同時自然語言輸入的人機互動方式可降低人員系統操作時間，填補鑑別式AI應用未被滿足的需求。

張家輔建議，製造業導入生成式AI可從資料、模型著手，針對資料面，製造業面對跨系統、跨部門的數據孤島挑戰，應建立資料統一儲存的管理平台，提升資料可用性；針對模型面，為優化LLM在地化用語、產業化領域知識的表現，LLM選用上可優先考量具領域知識的繁體中文模型，長期再透過RAG、Fine-tune等優化模型方式，打造客製化應用。值得留意的是，目前台灣製造業使用生成式AI的運算架構大宗為私有雲，建議可進一步搭配資料外洩防護（DLP）的安全性解決方案，進一步防止敏感數據外洩。

資料來源：

1. 2024/9/12，第37屆MIC FORUM Fall《智鏈未來AI：Now & Next》研討會－AI新興應用與商機，張家輔簡報。

Facebook 在北美智權報粉絲團上追踪我們