智能工厂精髓在于管理统一化，透过工业物联网等数字化技术，使厂务作业更加透明。在AI技术发展逐渐成熟，陆续应用于智能工厂后，智能工厂重点转为利用数据作决策，以数据导向发展出思考、预测的能力。过往要利用AI进行瑕疵检测，常因数据量不足而延迟上线，智能工厂导入生成式AI后，可填补训练AI的资料缺口，事前预警机器设备的预测性维护，并分析控管供应链风险，还能模拟可能发生的情况，自行动态调整因应作法。

台湾地区资策会MIC资深产业分析师张家辅分享生成式AI于智能工厂应用发展趋势；摄影：北美智权报／吴碧娥

鉴别式AI与生成式AI

台湾地区资策会MIC产业分析师张家辅指出，AI依应用目的不同，可区分为鉴别式AI与生成式AI，鉴别式AI擅长区别不同数据类型；生成式AI则基于数据生成、文本分析的能力，进一步发展内容生成、翻译、对话等应用。

鉴别式AI针对预定义的类别进行数据分析，适用于分类、分群、回归等任务，目标是找到最适函数，用以区别不同数据类型；而生成式AI则利用大规模资料进行训练，大幅提升自然语言处理能力，生成式AI可以理解数据特征，再生成类似的新数据，有利于智能工厂的人机互动应用。举例来说，鉴别式AI透过分类训练判断出是否有瑕疵，生成式AI会以图片特征为基础，加入更多图片特征，生成瑕疵样态作为训练数据来源。

鉴别式AI与生成式AI对于智能工厂的影响面向不同，鉴别式AI着重于处理特定任务，例如瑕疵检测、需求预估、库存管理等；生成式AI则利用大型语言模型（Large Language Model，LLM）对于文本理解的优势，让使用者简易了解问题状况与后续作法。张家辅强调，鉴别式AI与生成式AI各有应用范畴，彼此并非替代关系，鉴别式AI应用在语音识别、图片辨识、数量预测等范畴，生成式AI可应用在图像创造、音乐合成、程序编码和文字生成。

因为制造业容易受到环境影响，生成式AI能透过撷取增强生成（Retrieval-Augmented Generation，RAG）掌握实时数据、分析多种数据源，同时采用自然语言输入的人机互动方式，降低人员系统操作时间，填补鉴别式AI应用未被满足的需求缺口。

应用 1：生成式AI大幅降低生产排程规划时间

传统生产排程因为必须考虑众多变量，加上透过人员手动Excel错误高，不但使作业耗时并且难以应付急单。透过LLM提供最适的排程方案，可以减少作业延迟和资源浪费。应用在产能分析方面。若一间工厂月产量10万台，欲新增20％的产能，将这样的需求告诉生成式AI，生成式AI会捞出资料判断目前的状况，不但能分析目前的瓶颈，还会提供人员后续建议的作法。

应用 2：加速供应链管理决策

虽然过往供应链数据已可透过AI和机器学习分析供应链风险，但是使用时机较为被动，且功能分散于各系统，难以跨团队协作任务，结合LLM之后，不仅是提供可视化图表，更能以用户角度思考问题，提供建议方案与数据见解，生成式AI一改过去被动进行的模式，主动整合员工通讯软件进行应用，并透过统一的数据平台和数据库的数据，直接提供决策与建议的作法。

应用3：作为智能助理识别生产问题

以往工厂依赖有经验的人员掌握生产质量问题、处理机器运行缓慢等状况，仰赖人力找出原因出处，即使有可视化图表显示机器、生产线状况，仍需花时间比对问题。生成式AI能以更直觉的询问过程，提供KPI 报告、比较运作效能、数据趋势和相关性分析，甚至连结生产配方提供设备参数来调整建议，让生成式AI来担任工厂智能助理的角色。

张家辅举例，透过生成式AI的人机接口，人员可以询问机台的运作状况，并列出每一天的运作状况，找出机器运作效率最低的日期之后，可以询问生成式AI影响当天运作的可能因素，并与其他天的运作条件进行比较，透过生成式AI的接口可以先排除问题，不用人员自己手动拉图表去看数据。

应用4：填补AOI+AI瑕疵品数据缺口

依靠机器视觉作为辨识的自动光学检查（Automated Optical Inspection，AOI），运用机器视觉做为检测标准技术，改良传统上以人力使用光学仪器进行检测的缺点，半导体、印刷电路板、面板、电子制造、电子机械等产业，常利用AOI结合鉴别式AI，进行各种瑕疵检测，像是空焊、锡量变形、破损缺件、脏污与刮痕等检测，但因只要遇新型瑕疵就会影响到模型的判断能力，加上产品生命周期短，可能半年就停产或改版、可提供AI学习的训练数据少，都是过往AOI+AI的关键痛点。

张家辅指出，在少量多样生产模式下，制造业者需花更长时间累积模型训练数据，因而拖延AI瑕疵检测方案上线时间，且产品生命周期逐渐缩短，方案上线后实际应用时间亦被压缩。生成式AI突破数据不足困境，仿真各式瑕疵种类作为训练数据，加速模型上线时间与可靠性。然仍需少量真实数据让模型学习，避免仿真瑕疵失真。

应用5：提供设备维修项目具体实施步骤

为求生产可靠性，制造业工厂相关设备可能采半客制化，并利用鉴别式AI进行预测性维护，当维修工程师接受异常警报后，根据AI分析的设备参数（温度、振动、速度等等），判断设备运作是否脱离正常模式，但若资浅工程师误判设备状况，可能导致难以修复。生成式AI则是提供故障原因分析，透过调阅文件与纪录，可以查询机器过往的故障记录，提供待修设备的状况以及维修建议。

搭配DLP方案，防止机敏数据外泄

随着AI技术发展逐渐成熟并应用于智能工厂，智能工厂将利用数据作决策，发展以数据作思考、预测的能力，生成式AI并不会取代鉴别式AI，反而可互补并塑造更完整的智能应用方案，鉴别式AI擅长区别不同数据类型；生成式AI能透过RAG掌握实时数据，分析多种数据源提供更完整的见解，同时自然语言输入的人机互动方式可降低人员系统操作时间，填补鉴别式AI应用未被满足的需求。

张家辅建议，制造业导入生成式AI可从数据、模型着手，针对数据面，制造业面对跨系统、跨部门的数据孤岛挑战，应建立数据统一储存的管理平台，提升数据可用性；针对模型面，为优化LLM在地化用语、产业化领域知识的表现，LLM选用上可优先考虑具领域知识的繁体中文模型，长期再透过RAG、Fine-tune等优化模型方式，打造客制化应用。值得留意的是，目前台湾制造业使用生成式AI的运算架构大宗为私有云，建议可进一步搭配数据外泄防护（DLP）的安全性解决方案，进一步防止敏感数据外泄。

数据源：

1. 2024/9/12，第37届MIC FORUM Fall《智链未来AI：Now & Next》研讨会－AI新兴应用与商机，张家辅简报。

好消息～北美智权报有微信公众号了！ 《北美智权报》内容涵盖世界各国的知识产权新闻、重要的侵权诉讼案例分析、法规解析，以及产业与技术新知等等。 立即关注北美智权微信公众号→ NAIP_IPServices ～欢迎读者分享与转发～