臺灣中小規(guī)模的傳產(chǎn)製造、機械設(shè)備業(yè)，早在2010年開始，陸續(xù)推行製造服務(wù)化、工業(yè)4.0、數(shù)位轉(zhuǎn)型等，已習(xí)慣蒐集累積製程中/後段鑑別監(jiān)控，乃至於售後維運服務(wù)的巨量數(shù)據(jù)資料，形成生產(chǎn)履歷；未來應(yīng)逐步建構(gòu)數(shù)位分身，預(yù)先於實地量產(chǎn)前模擬加工，藉以提升良率，並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(dǎo)入生成式AI輔助才有競爭力，包括：編程（Coding）、行銷（Marketing）和客服（Customer service），以及製造業(yè)的產(chǎn)品設(shè)計等應(yīng)用，將會產(chǎn)生對話式商務(wù)模式、自動生成行銷內(nèi)容等，都可投入數(shù)位轉(zhuǎn)型的下一步。並將之概分為4大面向：產(chǎn)品轉(zhuǎn)換、優(yōu)化營運、強化行銷、賦能員工，尤其是最後強調(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(yīng)用前5名依序為：高科技、零售、銀行、旅行運輸運籌、先進製造；企業(yè)功能前5名依序為：行銷銷售、軟體工程、供應(yīng)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(dǎo)入內(nèi)部工作，成為研發(fā)與製造工作的要角，或是擴展至整個供應(yīng)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(yīng)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：行銷銷售、軟體工程、供應(yīng)鏈、客戶管理、產(chǎn)品研發(fā)。（source：McKinsey） |
|
就連輝達（NVIDIA）執(zhí)行長黃仁勳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資料，並產(chǎn)出更新、更適合電動車的各式軟體。
宣布將與鴻海合作打造基於輝達加速運算平臺的AI工廠，強調(diào)並非利用AI來製造產(chǎn)品，而是製造出AI解決方案、生產(chǎn)「智慧」的工廠。將搭載最新的GPU超級晶片和AI Enterprise軟體，專門用於處理、精煉、將大量資料轉(zhuǎn)化為有價值的AI模型；鴻海也將在智慧/自駕電動車、智慧製造機器人系統(tǒng)和智慧城市等領(lǐng)域，開發(fā)基於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)位化革命。
| 圖二 : NVIDIA執(zhí)行長黃仁勳2023年現(xiàn)身鴻海科技日活動，也特別以手繪方式，宣布將與鴻海合作打造可用來製造出AI解決方案，生產(chǎn)「智慧」的工廠。（source：鴻海科技日） |
|
善用客製化小語言模型 導(dǎo)入Edge AI應(yīng)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）與鑑別式人工智慧（Discriminative AI），都是基於機器學(xué)習(xí)（Machine Learning）而來，兩者的應(yīng)用效益都包含自動化、高速化與準確性。
只是其中鑑別式AI的輸入資料，須先經(jīng)過標記後，再進行學(xué)習(xí)訓(xùn)練辨識與分類，目前更已結(jié)合自動光學(xué)檢測（AOI）、機器視覺等應(yīng)用，被大量導(dǎo)入諸多場域，包括讓製造業(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註、非結(jié)構(gòu)化資料，提供大語言模型GPT（Generative Pre-trained Transformer）與自監(jiān)督式學(xué)習(xí)（Self-Supervised Learning）的過程訓(xùn)練，再建構(gòu)出基礎(chǔ)模型（Foundation model），自主生成創(chuàng)新的資料內(nèi)容，包括立即式問答與自動回應(yīng)文字、語音、圖像、影像、程式碼、3D模型數(shù)據(jù)等相關(guān)資料內(nèi)容，正持續(xù)探索與驗證在製造領(lǐng)域的應(yīng)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資料，針對通才性的生成式AI基礎(chǔ)模型進行更專門的學(xué)習(xí)訓(xùn)練，並調(diào)適（Finetune）建構(gòu)成符合製造業(yè)應(yīng)用需求的客製化模型。
工業(yè)物聯(lián)網(wǎng)大廠研華公司資深經(jīng)理郭柏村表示，自從生成式AI在2022年Q4蔚為風(fēng)潮，也開始出現(xiàn)邊緣AI導(dǎo)入客製化LLM加速落地發(fā)展，開發(fā)視覺AI演算法；各家大廠陸續(xù)投入AI軍備競賽，包括GPU、記憶體等硬體約2年成長2倍、語言模型（Parameter）大小甚至因此擴增千倍！主因在於LLM「頓悟點」（Emergent point），大致維持在10B左右的資料規(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」，以鑑別式AI模型為主，透過越多越好的標記資料供深度學(xué)習(xí)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，只需少量資料就能快速瞭解與應(yīng)用，不必大量標記資料訓(xùn)練將更有效率，並將之導(dǎo)入邊緣（Edge AI）應(yīng)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，卻無法被複製到跨領(lǐng)域應(yīng)用（遷移學(xué)習(xí)），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蒐集、標註大量參數(shù)資料，訓(xùn)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(xùn)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(xùn)練，先經(jīng)過遷移學(xué)習(xí)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(xùn)練成本，非臺灣中小企業(yè)能承擔(dān)。研華也為此推出Instant AI功能，模型架構(gòu)單一，可減少使用資料量與時間，容易再訓(xùn)練，更快導(dǎo)入Edge AI應(yīng)用。
並快速建立以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、物件計數(shù)等高度通用性場域，僅須該模型的前中段產(chǎn)生的瑕疵特徵，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(xùn)練，即可搭配適合的硬軟體在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(yīng)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：developer-blogs.nvidia.com） |
|
結(jié)合雲(yún)端服務(wù)商LLM 提高生成式AI平民化價值
目前生成式AI模型層訓(xùn)練專才小語言模型情境共概分為3類：端對端應(yīng)用，使用自有模型開發(fā)一般應(yīng)用；或與夥伴（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(yīng)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(yīng)用層直接建立在企業(yè)私有雲(yún)上，決定採取開源或閉源；同時建立使用規(guī)範(fàn)，在生成後即時反饋，以防止機密數(shù)據(jù)外洩風(fēng)險，還能保持商業(yè)化的競爭力。
如依亞馬遜（Amazon）技術(shù)長Werner Vogels預(yù)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，拓展視野並理解文化。其中有兩個研究領(lǐng)域?qū)l(fā)揮關(guān)鍵作用：
一、 基於AI回饋的強化學(xué)習(xí)（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，即一個模型的多個執(zhí)行個體生成回應(yīng)之後，再針對每個回應(yīng)的有效性及背後的推論展開辯論，得到一致的回應(yīng)。
這兩個研究領(lǐng)域都能降低訓(xùn)練和微調(diào)模型所需的人力成本，LLM模型還能在相互學(xué)習(xí)的過程中，從不同文化的視角獲得對複雜社會的理解，確保模型提供更具韌性和準確性的回應(yīng)。
| 圖四 : 亞馬遜預(yù)測，生成式AI將逐漸具備文化意識，藉此強化學(xué)習(xí)、進行自我辯論，將發(fā)揮關(guān)鍵作用。（source：AWS） |
|
選擇智慧製造領(lǐng)域
進而導(dǎo)入製造場域的潛在應(yīng)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；自動生成軟體系統(tǒng)、工具機、自動化裝置、機器人所需控制程式；增加企業(yè)建構(gòu)知識管理系統(tǒng)能力與降低成本，並透過資料快速擷取、彙整，提供作業(yè)人員即時輔助；透過智慧化人機介面，強化機器人、設(shè)備控制與人機協(xié)作能力。
| 圖五 : 目前生成式AI已逐步導(dǎo)入製造場域的潛在應(yīng)用。（source：工研院） |
|
尤其是在「控制程式自動生成」，因為在製造領(lǐng)域有許多工作，都會涉及到軟體開發(fā)與程式撰寫。包括各類製造與生產(chǎn)管理資訊系統(tǒng)、數(shù)位控制（CNC）工具機和加工程式（NC code）、各類應(yīng)用於自動化裝置及工業(yè)機器人的可程式控制器（PLC）程式等，可讓研發(fā)、製造領(lǐng)域的工程師，透過生成式AI自動產(chǎn)生程式碼、進行差補與除錯，加速軟體與控制系統(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程式碼，來協(xié)助軟體開發(fā)人員和自動化工程師，減少軟體開發(fā)時間和人為編寫程式錯誤的機會。
於「智慧化人機介面」，則可以結(jié)合語音辨識技術(shù)，建構(gòu)出能理解人類自然語言，並進行有意義對話的智慧化人機介面。經(jīng)過流暢文字與使用者對話，應(yīng)用在各種製造場域的機臺與設(shè)備操作、維護，實現(xiàn)人機協(xié)作並提供更快速的客戶服務(wù)。
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資料，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(dǎo)入門檻，減少專業(yè)人員教導(dǎo)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)製造業(yè)轉(zhuǎn)型有感升級
值得一提的是，由於製造業(yè)導(dǎo)入AI轉(zhuǎn)型還須留意3大重點：首先是完成能夠?qū)嵺`數(shù)位分身的資料數(shù)位化，讓研發(fā)、管理到製造流程同步並進，加速產(chǎn)品上市；其次是善用雲(yún)端平臺，降低對於AI高速算力和儲存空間等硬體建構(gòu)的昂貴成本，打造團隊協(xié)作基地。
最後是挑選具備AI和機械學(xué)習(xí)的訓(xùn)練工具和模型，透過軟體自主學(xué)習(xí)使用者的設(shè)計習(xí)慣和喜好不斷進化，進而具備自動設(shè)計的效能，把產(chǎn)品生命週期的的時間留給前期創(chuàng)新，也有助於製造業(yè)吸引、培訓(xùn)留才。
臺灣自2022年TIMTOS x TMTS聯(lián)展以來，數(shù)位分身（Digital twin）技術(shù)已逐漸導(dǎo)入工具機大廠的應(yīng)用情境，未來還可望銜接鑑別/生成式人工智慧（AI）應(yīng)用。利用臺灣機械業(yè)既有「萬機聯(lián)網(wǎng)上雲(yún)」為基礎(chǔ)，取得大量數(shù)據(jù)進行分析、模擬；串聯(lián)工具機產(chǎn)業(yè)共通標準，開發(fā)所需App微服務(wù)小程式應(yīng)用，陸續(xù)投入組裝銷售前研發(fā)設(shè)計、售後維運教育訓(xùn)練及維修等服務(wù)；進而提供終端加工業(yè)者，導(dǎo)入AI來優(yōu)化生產(chǎn)製程、創(chuàng)新商務(wù)模式，共同實現(xiàn)永續(xù)智慧製造。
近期工研院南分院人工智慧應(yīng)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)位化製程設(shè)備關(guān)鍵參數(shù)自主調(diào)校技術(shù)，並導(dǎo)入生成式AI應(yīng)用。分別針對一般設(shè)備進廠後，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）軟體+AI，布建工業(yè)用異質(zhì)網(wǎng)路，蒐集所有現(xiàn)場資訊後集中於雲(yún)平臺，讓占據(jù)機器生命週期（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)位化，預(yù)先得知機器設(shè)備異常或健康狀態(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)生有用資訊，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(xué)習(xí)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)最佳化。
| 圖六 : 工研院延續(xù)多年來投入推廣智慧機械雲(yún)有成，而分別針對一般設(shè)備進廠後，必會歷經(jīng)的調(diào)機→運行→維運→維修等流程，導(dǎo)入生成式AI應(yīng)用。（source：工研院） |
|
工研院近幾年來也透過智慧機械雲(yún)平臺，積極與其他法人單位合作，開發(fā)多樣App應(yīng)用軟體，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(yīng)用，由專家抓方向與原理，選擇雲(yún)端開源或閉源方式，再透過AI探索數(shù)據(jù)關(guān)聯(lián)，並取得正確資料優(yōu)化參數(shù)、加快調(diào)機試驗的學(xué)習(xí)訓(xùn)練時間，加速，使得設(shè)備運作最佳化。
此外，由於面對製程大量設(shè)備，每臺機器需要建立一個模型，導(dǎo)致AI模型適當(dāng)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模型建置門檻，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)可建置並上線400多個模型。
接著利用智慧機械雲(yún)推出次世代智慧平臺，將導(dǎo)入數(shù)位分身和生成式AI，並整合國際元宇宙及專業(yè)模擬軟體，開發(fā)多樣化模擬工具，優(yōu)化設(shè)計與製程；串聯(lián)地端微服務(wù)及決策，發(fā)展虛實整合智慧工廠。
未來透過佈署設(shè)備永續(xù)維運智慧化系統(tǒng)，可在電子半導(dǎo)體、紡織、金屬加工等產(chǎn)業(yè)，應(yīng)用於舊機操作功能升級，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(yīng)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(dān)，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。
