中國臺灣中小規(guī)模的傳產(chǎn)制造、機械設(shè)備業(yè)，早在2010年開始，陸續(xù)推行制造服務化、工業(yè)4.0、數(shù)字轉(zhuǎn)型等，已習慣搜集累積制程中/后段鑒別監(jiān)控，乃至于售后維運服務的巨量數(shù)據(jù)數(shù)據(jù)，形成生產(chǎn)履歷；未來應逐步建構(gòu)數(shù)字分身，預先于實地量產(chǎn)前模擬加工，藉以提升良率，并減少因廢品而增加排碳。
根據(jù)麥肯錫最新調(diào)查報告，未來幾乎所有產(chǎn)業(yè)都需要導入生成式AI輔助才有競爭力，包括：編程（Coding）、營銷（Marketing）和客服（Customer service），以及制造業(yè)的產(chǎn)品設(shè)計等應用，將會產(chǎn)生對話式商務模式、自動生成營銷內(nèi)容等，都可投入數(shù)字轉(zhuǎn)型的下一步。并將之概分為4大面向：產(chǎn)品轉(zhuǎn)換、優(yōu)化營運、強化營銷、賦能員工，尤其是最后強調(diào)能藉此克服現(xiàn)今老齡少子化社會的缺工現(xiàn)狀，而非取代人力。
估計目前全球生成式AI創(chuàng)造的經(jīng)濟價值，若以新增營收3,000億美元為界，產(chǎn)業(yè)應用前5名依序為：高科技、零售、銀行、旅行運輸運籌、先進制造；企業(yè)功能前5名依序為：營銷銷售、軟件工程、供應鏈、客戶管理、產(chǎn)品研發(fā)。
許多企業(yè)也因此，開始積極將具有創(chuàng)作特性的生成式AI導入內(nèi)部工作，成為研發(fā)與制造工作的要角，或是擴展至整個供應鏈的運作，進而生成各式專業(yè)文件內(nèi)容，或是再進階的產(chǎn)業(yè)應用，提高生產(chǎn)效能。

 
圖一 : 估計目前全球生成式AI創(chuàng)造的經(jīng)濟價值，若以新增營收3,000億美元為界，企業(yè)功能前5名依序為：營銷銷售、軟件工程、供應鏈、客戶管理、產(chǎn)品研發(fā)。（source：McKinsey）
就連輝達（NVIDIA）執(zhí)行長黃仁勛2023年現(xiàn)身鴻海科技日活動，也特別以手繪方式，一邊描述具有AI大腦的電動車，能夠自動駕駛、與人互動；另一頭，則是一座AI工廠，從電動車端不斷獲得數(shù)據(jù)，并產(chǎn)出更新、更適合電動車的各式軟件。

宣布將與鴻海合作打造基于輝達加速運算平臺的AI工廠，強調(diào)并非利用AI來制造產(chǎn)品，而是制造出AI解決方案、生產(chǎn)「智慧」的工廠。將搭載最新的GPU超級芯片和AI Enterprise軟件，專門用于處理、精煉、將大量數(shù)據(jù)轉(zhuǎn)化為有價值的AI模型；鴻海也將在智能/自駕電動車、智能制造機器人系統(tǒng)和智能城市等領(lǐng)域，開發(fā)基于NVIDIA技術(shù)的智慧解決方案平臺，資料再回傳到AI工廠，成為不斷優(yōu)化的循環(huán)，加速全球產(chǎn)業(yè)的數(shù)字化革命。


 
圖二 : NVIDIA執(zhí)行長黃仁勛2023年現(xiàn)身鴻?？萍既栈顒樱蔡貏e以手繪方式，宣布將與鴻海合作打造可用來制造出AI解決方案，生產(chǎn)「智慧」的工廠。（source：鴻?？萍既眨?br/>
善用客制化小語言模型　導入Edge AI應用
另依工研院產(chǎn)科國際所產(chǎn)業(yè)分析師熊治民分析，如今無論是生成式（Generative AI）與鑒別式人工智能（Discriminative AI），都是基于機器學習（Machine Learning）而來，兩者的應用效益都包含自動化、高速化與準確性。
只是其中鑒別式AI的輸入數(shù)據(jù)，須先經(jīng)過標記后，再進行學習訓練辨識與分類，目前更已結(jié)合自動光學檢測（AOI）、機器視覺等應用，被大量導入諸多場域，包括讓制造業(yè)者用來提高加工零組件與產(chǎn)品的自動化檢測速度與準確性，進而降低人力需求與誤判率，提升人員安全與作業(yè)效能。
生成式AI則可透過輸入大量的非標注、非結(jié)構(gòu)化數(shù)據(jù)，提供大語言模型GPT（Generative Pre-trained Transformer）與自監(jiān)督式學習（Self-Supervised Learning）的過程訓練，再建構(gòu)出基礎(chǔ)模型（Foundation model），自主生成創(chuàng)新的數(shù)據(jù)內(nèi)容，包括立即式問答與自動應答文字、語音、圖像、影像、程序代碼、3D模型數(shù)據(jù)等相關(guān)數(shù)據(jù)內(nèi)容，正持續(xù)探索與驗證在制造領(lǐng)域的應用模式與價值。
一旦面對較專業(yè)的問題，無法提出令人滿意的答案，即可再透過少量人工標記數(shù)據(jù)，針對通才性的生成式AI基礎(chǔ)模型進行更專門的學習訓練，并調(diào)適（Finetune）建構(gòu)成符合制造業(yè)應用需求的客制化模型。
工業(yè)物聯(lián)網(wǎng)大廠研華公司資深經(jīng)理郭柏村便表示，自從生成式AI在2022年Q4蔚為風潮，也開始出現(xiàn)邊緣AI導入客制化LLM加速落地發(fā)展，開發(fā)視覺AI算法；各家大廠陸續(xù)投入AI軍備競賽，包括GPU、內(nèi)存等硬件約2年成長2倍、語言模型（Parameter）大小甚至因此擴增千倍！主因在于LLM「頓悟點」（Emergent point），大致維持在10B左右的數(shù)據(jù)規(guī)模，才會大幅提升其創(chuàng)意智慧。
進而造就2013~2023年間「AI 1.0階段」，以鑒別式AI模型為主，透過越多越好的標記數(shù)據(jù)供深度學習或監(jiān)督；以及AI 2.0階段的生成式AI通才模型，則強調(diào)可觸類旁通，只需少量數(shù)據(jù)就能快速了解與應用，不必大量標記數(shù)據(jù)訓練將更有效率，并將之導入邊緣（Edge AI）應用。
郭柏村進一步指出，過去AI 1.0的表現(xiàn)上雖然在特殊專才領(lǐng)域為強項，如Alphago，卻無法被復制到跨領(lǐng)域應用（遷移學習），例如將醫(yī)療CT辨識病灶模型轉(zhuǎn)移至AOI辨識產(chǎn)品瑕疵，且耗費算力資源較少。面臨問題還是需要從頭搜集、標注大量參數(shù)數(shù)據(jù)，訓練監(jiān)督式模型迭代進化，耗費大量時間與成本；待使用超過一段時間還要重新訓練，以免準確度衰退。
AI 2.0結(jié)構(gòu)則相對簡單，經(jīng)過不斷擴大語言模型和參數(shù)訓練，先經(jīng)過遷移學習轉(zhuǎn)化而跨足各式各樣領(lǐng)域。但缺點是因此越長越大的建模、訓練成本，非中國臺灣中小企業(yè)能承擔。研華也為此推出Instant AI功能，模型架構(gòu)單一，可減少使用數(shù)據(jù)量與時間，容易再訓練，更快導入Edge AI應用。
并快速建立以Foundation Model的LLM通才能力為基礎(chǔ)，用來解決傳統(tǒng)AOI瑕疵檢測常見異常檢測、對象計數(shù)等高度通用性場域，僅須該模型的前中段產(chǎn)生的瑕疵特征，經(jīng)壓縮至10~20%參數(shù)量的樣本數(shù)少，約耗用1/10資源。因此部署容易，適合多樣跨領(lǐng)域產(chǎn)業(yè)，而不必重頭再訓練，即可搭配適合的硬軟件在Edge裝置運行，分別找出OK/NG件，準確度已不輸人眼，還可以7天24hr全年無休。


 
圖三 : 因應AI 2.0跨足各式各樣領(lǐng)域，業(yè)者也為此快速建立以Foundation Model的LLM通才能力為基礎(chǔ)，減少所使用參數(shù)量及耗用資源，而能在Edge裝置運行。（source： nvidia）

結(jié)合云端服務商LLM　提高生成式AI平民化價值
目前生成式AI模型層訓練專才小語言模型情境共概分為3類：端對端應用，使用自有模型開發(fā)一般應用；或與伙伴（開發(fā)商）合作，透過API自動接取閉/開源通用型大語言模型；再加入企業(yè)垂直領(lǐng)域應用，再以微調(diào)模型，真正達到AI平民化。
倘若企業(yè)內(nèi)部沒有合格的IT人員時，便能請求外援；或是將應用層直接建立在企業(yè)私有云上，決定采取開源或閉源；同時建立使用規(guī)范，在生成后實時反饋，以防止機密數(shù)據(jù)外泄風險，還能保持商業(yè)化的競爭力。
如依Amazon亞馬遜技術(shù)長Werner Vogels預測2024年未來技術(shù)趨勢，LLM模型將開始形成更廣泛的全球化視角，拓展視野并理解文化。其中有兩個研究領(lǐng)域?qū)l(fā)揮關(guān)鍵作用：
一、基于AI回饋的強化學習（reinforcement learning from AI feedback，RLAIF），即一個模型可以吸收另一個模型的回饋，不同的模型之間能相互影響，藉此更新對不同文化概念的理解；
二、透過自我辯論，即一個模型的多個實例生成響應之后，再針對每個響應的有效性及背后的推論展開辯論，得到一致的響應。
這兩個研究領(lǐng)域都能降低訓練和微調(diào)模型所需的人力成本，LLM模型還能在相互學習的過程中，從不同文化的視角獲得對復雜社會的理解，確保模型提供更具韌性和準確性的回應。

選擇智能制造領(lǐng)域
進而導入制造場域的潛在應用，包括：協(xié)助挖掘新市場機會與產(chǎn)品需求；加速創(chuàng)新產(chǎn)品設(shè)計及獲得優(yōu)化；自動生成軟件系統(tǒng)、工具機、自動化裝置、機器人所需控制程序；增加企業(yè)建構(gòu)知識管理系統(tǒng)能力與降低成本，并透過數(shù)據(jù)快速擷取、匯整，提供作業(yè)人員實時輔助；透過智能化人機接口，強化機器人、設(shè)備控制與人機協(xié)作能力。

 
圖四 : 目前生成式AI已逐步導入制造場域的潛在應用。（source：工研院）

尤其是在「控制程序自動生成」，因為在制造領(lǐng)域有許多工作，都會涉及到軟件開發(fā)與程序撰寫。包括各類制造與生產(chǎn)管理信息系統(tǒng)、數(shù)字控制（CNC）工具機和加工程序（NC code）、各類應用于自動化裝置及工業(yè)機器人的可程控器（PLC）程序等，可讓研發(fā)、制造領(lǐng)域的工程師，透過生成式AI自動產(chǎn)生程序代碼、進行差補與除錯，加速軟件與控制系統(tǒng)開發(fā)更新。
Siemens公司也在2023年德國漢諾威工業(yè)展中，展示旗下工程團隊如何透過自然語言輸入，由生成式AI自動產(chǎn)生PLC程序代碼，來協(xié)助軟件開發(fā)人員和自動化工程師，減少軟件開發(fā)時間和人為編寫程序錯誤的機會。
于「智能化人機接口」，則可以結(jié)合語音識別技術(shù)，建構(gòu)出能理解人類自然語言，并進行有意義對話的智能化人機接口。經(jīng)過流暢文字與用戶對話，應用在各種制造場域的機臺與設(shè)備操作、維護，實現(xiàn)人機協(xié)作并提供更快速的客戶服務。
如今包括Google及Microsoft公司，都在嘗試發(fā)展以生成式AI利用自然語言或感測影像數(shù)據(jù)，來實現(xiàn)更簡便的指揮機器人完成指定工作的控制方案；未來也可能出現(xiàn)可與操作人員對話的加工機械設(shè)備，能依據(jù)自然語言快速設(shè)定工作程序，或提出異常警示、建議故障排除方案。依Google研究顯示，因此將大幅降低機器人導入門坎，減少專業(yè)人員教導或編程需求，增加使用彈性與便利性。


利用AI平民商業(yè)化　實現(xiàn)制造業(yè)轉(zhuǎn)型有感升級
值得一提的是，由于制造業(yè)導入AI轉(zhuǎn)型還須留意3大重點：首先是完成能夠?qū)嵺`數(shù)字分身的數(shù)據(jù)數(shù)字化，讓研發(fā)、管理到制造流程同步并進，加速產(chǎn)品上市；其次是善用云端平臺，降低對于AI高速算力和儲存空間等硬件建構(gòu)的昂貴成本，打造團隊協(xié)作基地。
最后是挑選具備AI和機械學習的訓練工具和模型，透過軟件自主學習用戶的設(shè)計習慣和喜好不斷進化，進而具備自動設(shè)計的效能，把產(chǎn)品生命周期的的時間留給前期創(chuàng)新，也有助于制造業(yè)吸引、培訓留才。
中國臺灣自2022年TIMTOS x TMTS聯(lián)展以來，數(shù)字分身（Digital twin）技術(shù)已逐漸導入工具機大廠的應用情境，未來還可望銜接鑒別/生成式人工智能（AI）應用。利用中國臺灣機械業(yè)既有「萬機聯(lián)網(wǎng)上云」為基礎(chǔ)，取得大量數(shù)據(jù)進行分析、仿真；串聯(lián)工具機產(chǎn)業(yè)共通標準，開發(fā)所需App微服務小程序應用，陸續(xù)投入組裝銷售前研發(fā)設(shè)計、售后維運教育訓練及維修等服務；進而提供終端加工業(yè)者，導入AI來優(yōu)化生產(chǎn)制程、創(chuàng)新商務模式，共同實現(xiàn)永續(xù)智能制造。
近期工研院南分院人工智能應用部副經(jīng)理江宜霖，也發(fā)表工研院延續(xù)多年來投入研發(fā)有成，而提出數(shù)字化制程設(shè)備關(guān)鍵參數(shù)自主調(diào)校技術(shù)，并導入生成式AI應用。分別針對一般設(shè)備進廠后，必會歷經(jīng)的調(diào)機→運行→維運→維修等流程。
包括可先利用「流程自動化機器人」（RPA）軟件+AI，布建工業(yè)用異質(zhì)網(wǎng)絡(luò)，搜集所有現(xiàn)場信息后集中于云平臺，讓占據(jù)機器生命周期（Lifecycle）最長的設(shè)備運作狀態(tài)聯(lián)網(wǎng)可視化，加以監(jiān)控、診斷。
進而將感測數(shù)據(jù)化繁為簡，輔助自我診斷與現(xiàn)場決策數(shù)字化，預先得知機器設(shè)備異?；蚪】禒顟B(tài)。到了維修階段，即可串聯(lián)設(shè)備維護手冊與維修記錄，由生成式AI產(chǎn)生有用信息，協(xié)助現(xiàn)場人員快速完成維修保養(yǎng)、調(diào)整參數(shù)；或是透過動態(tài)學習專家感官經(jīng)驗，達成智能調(diào)光的角度、強度、色域等參數(shù)優(yōu)化。

工研院近幾年來也透過智能機械云平臺，積極與其他法人單位合作，開發(fā)多樣App應用軟件，清查設(shè)備各參數(shù)的加工能力和影響，快速調(diào)整設(shè)定值與實際值的誤差；實現(xiàn)設(shè)備作業(yè)認知流程自動化，由RPA提升設(shè)備效率與實現(xiàn)永續(xù)維運

江宜霖強調(diào)工研院目前無意自行發(fā)展LLM，而是站在巨人的肩膀上發(fā)展應用，由專家抓方向與原理，選擇云端開源或閉源方式，再透過AI探索數(shù)據(jù)關(guān)聯(lián)，并取得正確數(shù)據(jù)優(yōu)化參數(shù)、加快調(diào)機試驗的學習訓練時間，加速，使得設(shè)備運作優(yōu)化。

 
圖五 : 工研院延續(xù)多年來投入推廣智慧機械云有成，而分別針對一般設(shè)備進廠后，必會歷經(jīng)的調(diào)機→運行→維運→維修等流程，導入生成式AI應用。（source：工研院）

此外，由于面對制程大量設(shè)備，每臺機器需要建立一個模型，導致AI模型適當調(diào)校成為一大問題。所以工研院也透過結(jié)合AI建模與管理平臺，降低AI模型建置門坎，大幅縮短開發(fā)時間，可讓各領(lǐng)域?qū)＜易孕薪ㄖ谩⒄{(diào)校與持續(xù)管理AI模型，估計3個月內(nèi)可建置并上線400多個模型。
接著利用智慧機械云推出次世代智慧平臺，將導入數(shù)字分身和生成式AI，并整合國際元宇宙及專業(yè)仿真軟件，開發(fā)多樣化模擬工具，優(yōu)化設(shè)計與制程；串聯(lián)地端微服務及決策，發(fā)展虛實整合智能工廠。
未來透過布署設(shè)備永續(xù)維運智能化系統(tǒng)，可在電子半導體、紡織、金屬加工等產(chǎn)業(yè)，應用于舊機操作功能升級，滿足既有產(chǎn)線檢測自動化的多樣性需求；透過AI+RPA與腳本化機制，讓專家依經(jīng)驗自行調(diào)整維運流程，可因應少量、多樣化生產(chǎn)需求，自動且快速排除異常作業(yè)，減輕人員操作負擔，增加作業(yè)產(chǎn)能和減碳，創(chuàng)造未來具自我生產(chǎn)特色的智慧維運工廠。