技術專題主編前言｜智慧工廠技術專輯主編前言

機械設備製造業是臺灣經濟發展的重要支柱，目前高階產品仍面臨關鍵組件仰賴進口與系統化整合缺乏的困境，製造業附加價值率雖在2020年創下歷史新高(32.28%)，但距離德、日等國家仍有落差，亟需掌握關鍵技術以強化自主供應能量及國際競爭力。近兩年在美中貿易戰和全球病毒大流行雙重威脅下，全球許多企業考量到關稅、缺工及供應中斷的風險，紛紛將旗下第二生產基地布局規劃朝東南亞國家。因應供應鏈遷移、新設生產基地，更需完整智慧製造整合方案。打樣即成品與大量客製化漸為製造業主流，目前遠端之產線建置、製造流程、設備運作優化等，以遠距協作無法快速反應需求，且異地工廠資安疑慮仍有待解決。另外，當前Chat GPT爆發式的大量商業應用，越來越多企業開始探討，以製造業中小企業為主體的臺灣，可以思考如何導入/應用生成式人工智慧(Generative AI, GAI)以提升製造技術。
我國政府為協助製造業導入智慧製造，由法人及產學研合作，以設備聯網扎根許多基礎建設技術並強化自主供應能量，逐漸透過智慧軟體服務開發導入企業，建立雲端服務模式，並鏈結、培育系統整合商，擴散應用範圍。因此，近年智慧製造導入AI應用已逐漸普遍，但面對產品多樣化及更快速的時代，從生產設計到製程，對於異常或特殊製程參數資料收集難度漸高，資料完整性不足，且傳統鑑別式人工智慧僅能依現有數據進行模型識別，無法有效應對日益複雜和多變的生產製程情境。根據Omdia於2023年9月研究顯示，至2028年全球GAI市場預計將達585億美元(CAGR 56%)，應朝向以AI及數位雙生應用於產品開發、製程管控、虛擬預測等，結合GAI以減輕設計開發人力負擔。工研院產科所預估2025年企業將有30%導入GAI技術，如文件生成、程式設計及對外營運訊息等，而全球30%製造商將採用GAI來提高產品開發效率，GAI將占所有數據的10%。另外，根據MIC (Market Intelligence & Consulting Institute)報告指出，GAI導入結合自動化與智慧化應用，快速生成大量文本、圖片、影像等資料，進行自動化分析及生成決策，可提高50%以上作業效率、降低80%人力成本。依國際成功案例顯示GAI技術應用於汽車、航空航太等產業時，可將零件成本降低6%到20%、重量減輕10%到50%、縮短開發時間30%到50%。
各產業製程都有領域知識及慣用製程配方或程序，現階段依賴人工經驗逐一調整至符合產出之產品規格，耗時、耗能又效率不佳，而GAI技術應用已成趨勢，但若應用在專業領域或科學計算，仍需邏輯分析手法，且現行的資料生成多應用在圖像、文字以及簡單可人工校驗的資料，而專業製程振動、聲音、電流等製程資料的生成難度高。根據Gartner的報告中分享，企業推動AI最大挑戰在於「員工技能」，企業導入不易，雖然GAI帶來了巨大的潛力，但它的採用也帶來數據安全、集成複雜性和勞動力適應等挑戰。因此，將GAI實際落地應用於製造產線時也將面臨許多困難。如產線中存在眾多不同種類的設備，各自擁有特定的製程和技術。導入GAI技術時須解決設備多樣性的問題，可能需要製造商協助進行複雜的系統整合作業，以確保GAI技術與各種設備的協同運作。另因實際產線環境較為複雜，難以預測GAI技術在不同情境下的表現，導致須花費大量測試和驗證成本，因此初期導入GAI難準確地掌握導入效益，業者須長期投入人力進行技術維護和優化，才能確保其與製造流程的緊密結合，實現預期的效果。
而在國際上也已有實際導入工業應用的案例可借鏡，如NASA以GAI輔助生成飛行器/探測器的零件，零件成品雖看起來奇怪(像外星人)，但成功讓整體零件減重 1/3，且維持所需性能。GAI可給予零件設計開發者不同於原有既定框架下的設計思維，支援工程師透過圖文提示縮短產品設計工程圖生成之時間。以鋼鐵業為例，使用廢鋼煉鋼將影響良率(約6~9成)，導致瑕疵產生不一樣狀態，瑕疵資料不易收集，而訓練資料不足將嚴重影響鑑別式AI檢測模型之檢出正確率，透過GAI技術生成稀缺資料，能將鑑別式AI檢測模組累積的異常資料(如：影像、訊號…等)，建立異常資料庫及GAI異常資料生成，藉以解決產業界異常資料難以收集之問題。所以，企業期待透過生成式人工智慧技術優化員工生產力，除與GAI技術日趨成熟，有助於激發創新等因素外，另一個關鍵是，它可以讓企業更精準且高效地將累積許久的珍貴經驗與知識封裝成企業超級大腦，建立自家企業的仿生製造產線，善於人機協作，便可更有能力與快速應對現今市場劇烈變化，搶先增加國際競爭力。
從數位觀點檢視智慧工廠，數位化非電子化檔案，是將資料變成可以統計分析的數據，其次數位優化，則以AI模型建立，將數位資料變成可以決策的依據，以數據分析結果告知管理者如何做生產判斷。在產業即將邁入下一個智慧製造2.0，面對新科技GAI技術興起，對於導入智慧工廠應用問題，工研院已開始帶頭布局進階智慧製造藍圖，在因應現行的資料生成方法大多應用在圖像、文字以及簡單可人工校驗的資料，然而現有的生成方法對於產業專業知識領域的資料蒐集困難，使得其發展成本及檢測正確率尚不易滿足產業需求。工研院團隊將發展本地化AI & GAI應用服務工具、關鍵製程數位模型、即時決策及優化工具，加速高階AI技術產業落地，並建立AI設計資料庫，結合建立輕量化的企業內就地部署GAI專屬服務平台，以大型模型代理與知識庫管理機制、分散式運算引擎以及超融合訓練架構，加速GAI應用開發與運算速度。建構知識庫匯入、索引與查詢引擎，及向量資料庫，開發分散式運算引擎，以完善整體GAI應用整合系統。為降低產業資訊軟體開發成本，系統串聯國際商用模擬服務及機械雲平台，藉由整合雲端服務與數位工廠技術，協助業者實現生產過程的監控和優化，同時以製程模擬與微服務資料整合技術，建立GAI生成式資料之虛擬化驗證場域，協助業者採用多種不同雲端服務和應用程序以預測產線效能，能夠適應多樣化需求，並以實際需求部署新功能和服務，降低產業導入GAI技術應用時所需的前期驗證成本，促進智慧製造技術實際落地應用。