AI賦能智能制造轉型 工業(yè)4.0數字孿生奠基

中國臺灣中小規模的傳產(chǎn)制造、機械設備業(yè)，早在2010年開(kāi)始，陸續推行制造服務(wù)化、工業(yè)4.0、數字轉型等，已習慣搜集累積制程中/后段鑒別監控，乃至于售后維運服務(wù)的巨量數據數據，形成生產(chǎn)履歷；未來(lái)應逐步建構數字分身，預先于實(shí)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。
根據麥肯錫最新調查報告，未來(lái)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(yíng)銷(xiāo)（Marketing）和客服（Customer service），以及制造業(yè)的產(chǎn)品設計等應用，將會(huì )產(chǎn)生對話(huà)式商務(wù)模式、自動(dòng)生成營(yíng)銷(xiāo)內容等，都可投入數字轉型的下一步。并將之概分為4大面向：產(chǎn)品轉換、優(yōu)化營(yíng)運、強化營(yíng)銷(xiāo)、賦能員工，尤其是最后強調能藉此克服現今老齡少子化社會(huì )的缺工現狀，而非取代人力。
估計目前全球生成式AI創(chuàng )造的經(jīng)濟價(jià)值，若以新增營(yíng)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(jìn)制造；企業(yè)功能前5名依序為：營(yíng)銷(xiāo)銷(xiāo)售、軟件工程、供應鏈、客戶(hù)管理、產(chǎn)品研發(fā)。
許多企業(yè)也因此，開(kāi)始積極將具有創(chuàng )作特性的生成式AI導入內部工作，成為研發(fā)與制造工作的要角，或是擴展至整個(gè)供應鏈的運作，進(jìn)而生成各式專(zhuān)業(yè)文件內容，或是再進(jìn)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(jià)值，若以新增營(yíng)收3,000億美元為界，企業(yè)功能前5名依序為：營(yíng)銷(xiāo)銷(xiāo)售、軟件工程、供應鏈、客戶(hù)管理、產(chǎn)品研發(fā)。（source：McKinsey）
就連輝達（NVIDIA）執行長(cháng)黃仁勛2023年現身鴻?？萍既栈顒?dòng)，也特別以手繪方式，一邊描述具有AI大腦的電動(dòng)車(chē)，能夠自動(dòng)駕駛、與人互動(dòng)；另一頭，則是一座AI工廠(chǎng)，從電動(dòng)車(chē)端不斷獲得數據，并產(chǎn)出更新、更適合電動(dòng)車(chē)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(chǎng)，強調并非利用AI來(lái)制造產(chǎn)品，而是制造出AI解決方案、生產(chǎn)「智慧」的工廠(chǎng)。將搭載最新的GPU超級芯片和AI Enterprise軟件，專(zhuān)門(mén)用于處理、精煉、將大量數據轉化為有價(jià)值的AI模型；鴻海也將在智能/自駕電動(dòng)車(chē)、智能制造機器人系統和智能城市等領(lǐng)域，開(kāi)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(chǎng)，成為不斷優(yōu)化的循環(huán)，加速全球產(chǎn)業(yè)的數字化革命。


 
圖二 : NVIDIA執行長(cháng)黃仁勛2023年現身鴻?？萍既栈顒?dòng)，也特別以手繪方式，宣布將與鴻海合作打造可用來(lái)制造出AI解決方案，生產(chǎn)「智慧」的工廠(chǎng)。（source：鴻?？萍既眨?br/>
善用客制化小語(yǔ)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(wú)論是生成式（Generative AI）與鑒別式人工智能（Discriminative AI），都是基于機器學(xué)習（Machine Learning）而來(lái)，兩者的應用效益都包含自動(dòng)化、高速化與準確性。
只是其中鑒別式AI的輸入數據，須先經(jīng)過(guò)標記后，再進(jìn)行學(xué)習訓練辨識與分類(lèi)，目前更已結合自動(dòng)光學(xué)檢測（AOI）、機器視覺(jué)等應用，被大量導入諸多場(chǎng)域，包括讓制造業(yè)者用來(lái)提高加工零組件與產(chǎn)品的自動(dòng)化檢測速度與準確性，進(jìn)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(guò)輸入大量的非標注、非結構化數據，提供大語(yǔ)言模型GPT（Generative Pre-trained Transformer）與自監督式學(xué)習（Self-Supervised Learning）的過(guò)程訓練，再建構出基礎模型（Foundation model），自主生成創(chuàng )新的數據內容，包括立即式問(wèn)答與自動(dòng)應答文字、語(yǔ)音、圖像、影像、程序代碼、3D模型數據等相關(guān)數據內容，正持續探索與驗證在制造領(lǐng)域的應用模式與價(jià)值。
一旦面對較專(zhuān)業(yè)的問(wèn)題，無(wú)法提出令人滿(mǎn)意的答案，即可再透過(guò)少量人工標記數據，針對通才性的生成式AI基礎模型進(jìn)行更專(zhuān)門(mén)的學(xué)習訓練，并調適（Finetune）建構成符合制造業(yè)應用需求的客制化模型。
工業(yè)物聯(lián)網(wǎng)大廠(chǎng)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(fēng)潮，也開(kāi)始出現邊緣AI導入客制化LLM加速落地發(fā)展，開(kāi)發(fā)視覺(jué)AI算法；各家大廠(chǎng)陸續投入AI軍備競賽，包括GPU、內存等硬件約2年成長(cháng)2倍、語(yǔ)言模型（Parameter）大小甚至因此擴增千倍！主因在于LLM「頓悟點(diǎn)」（Emergent point），大致維持在10B左右的數據規模，才會(huì )大幅提升其創(chuàng )意智慧。
進(jìn)而造就2013~2023年間「AI 1.0階段」，以鑒別式AI模型為主，透過(guò)越多越好的標記數據供深度學(xué)習或監督；以及AI 2.0階段的生成式AI通才模型，則強調可觸類(lèi)旁通，只需少量數據就能快速了解與應用，不必大量標記數據訓練將更有效率，并將之導入邊緣（Edge AI）應用。
郭柏村進(jìn)一步指出，過(guò)去AI 1.0的表現上雖然在特殊專(zhuān)才領(lǐng)域為強項，如Alphago，卻無(wú)法被復制到跨領(lǐng)域應用（遷移學(xué)習），例如將醫療CT辨識病灶模型轉移至AOI辨識產(chǎn)品瑕疵，且耗費算力資源較少。面臨問(wèn)題還是需要從頭搜集、標注大量參數數據，訓練監督式模型迭代進(jìn)化，耗費大量時(shí)間與成本；待使用超過(guò)一段時(shí)間還要重新訓練，以免準確度衰退。
AI 2.0結構則相對簡(jiǎn)單，經(jīng)過(guò)不斷擴大語(yǔ)言模型和參數訓練，先經(jīng)過(guò)遷移學(xué)習轉化而跨足各式各樣領(lǐng)域。但缺點(diǎn)是因此越長(cháng)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，模型架構單一，可減少使用數據量與時(shí)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，用來(lái)解決傳統AOI瑕疵檢測常見(jiàn)異常檢測、對象計數等高度通用性場(chǎng)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%參數量的樣本數少，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(wú)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，減少所使用參數量及耗用資源，而能在Edge裝置運行。（source： nvidia）

結合云端服務(wù)商LLM　提高生成式AI平民化價(jià)值
目前生成式AI模型層訓練專(zhuān)才小語(yǔ)言模型情境共概分為3類(lèi)：端對端應用，使用自有模型開(kāi)發(fā)一般應用；或與伙伴（開(kāi)發(fā)商）合作，透過(guò)API自動(dòng)接取閉/開(kāi)源通用型大語(yǔ)言模型；再加入企業(yè)垂直領(lǐng)域應用，再以微調模型，真正達到AI平民化。
倘若企業(yè)內部沒(méi)有合格的IT人員時(shí)，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(kāi)源或閉源；同時(shí)建立使用規范，在生成后實(shí)時(shí)反饋，以防止機密數據外泄風(fēng)險，還能保持商業(yè)化的競爭力。
如依Amazon亞馬遜技術(shù)長(cháng)Werner Vogels預測2024年未來(lái)技術(shù)趨勢，LLM模型將開(kāi)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(gè)研究領(lǐng)域將發(fā)揮關(guān)鍵作用：
一、基于A(yíng)I回饋的強化學(xué)習（reinforcement learning from AI feedback，RLAIF），即一個(gè)模型可以吸收另一個(gè)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(guò)自我辯論，即一個(gè)模型的多個(gè)實(shí)例生成響應之后，再針對每個(gè)響應的有效性及背后的推論展開(kāi)辯論，得到一致的響應。
這兩個(gè)研究領(lǐng)域都能降低訓練和微調模型所需的人力成本，LLM模型還能在相互學(xué)習的過(guò)程中，從不同文化的視角獲得對復雜社會(huì )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(jìn)而導入制造場(chǎng)域的潛在應用，包括：協(xié)助挖掘新市場(chǎng)機會(huì )與產(chǎn)品需求；加速創(chuàng )新產(chǎn)品設計及獲得優(yōu)化；自動(dòng)生成軟件系統、工具機、自動(dòng)化裝置、機器人所需控制程序；增加企業(yè)建構知識管理系統能力與降低成本，并透過(guò)數據快速擷取、匯整，提供作業(yè)人員實(shí)時(shí)輔助；透過(guò)智能化人機接口，強化機器人、設備控制與人機協(xié)作能力。

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

尤其是在「控制程序自動(dòng)生成」，因為在制造領(lǐng)域有許多工作，都會(huì )涉及到軟件開(kāi)發(fā)與程序撰寫(xiě)。包括各類(lèi)制造與生產(chǎn)管理信息系統、數字控制（CNC）工具機和加工程序（NC code）、各類(lèi)應用于自動(dòng)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(guò)生成式AI自動(dòng)產(chǎn)生程序代碼、進(jìn)行差補與除錯，加速軟件與控制系統開(kāi)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(guò)自然語(yǔ)言輸入，由生成式AI自動(dòng)產(chǎn)生PLC程序代碼，來(lái)協(xié)助軟件開(kāi)發(fā)人員和自動(dòng)化工程師，減少軟件開(kāi)發(fā)時(shí)間和人為編寫(xiě)程序錯誤的機會(huì )。
于「智能化人機接口」，則可以結合語(yǔ)音識別技術(shù)，建構出能理解人類(lèi)自然語(yǔ)言，并進(jìn)行有意義對話(huà)的智能化人機接口。經(jīng)過(guò)流暢文字與用戶(hù)對話(huà)，應用在各種制造場(chǎng)域的機臺與設備操作、維護，實(shí)現人機協(xié)作并提供更快速的客戶(hù)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(yǔ)言或感測影像數據，來(lái)實(shí)現更簡(jiǎn)便的指揮機器人完成指定工作的控制方案；未來(lái)也可能出現可與操作人員對話(huà)的加工機械設備，能依據自然語(yǔ)言快速設定工作程序，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(mén)坎，減少專(zhuān)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(shí)現制造業(yè)轉型有感升級
值得一提的是，由于制造業(yè)導入AI轉型還須留意3大重點(diǎn)：首先是完成能夠實(shí)踐數字分身的數據數字化，讓研發(fā)、管理到制造流程同步并進(jìn)，加速產(chǎn)品上市；其次是善用云端平臺，降低對于A(yíng)I高速算力和儲存空間等硬件建構的昂貴成本，打造團隊協(xié)作基地。
最后是挑選具備AI和機械學(xué)習的訓練工具和模型，透過(guò)軟件自主學(xué)習用戶(hù)的設計習慣和喜好不斷進(jìn)化，進(jìn)而具備自動(dòng)設計的效能，把產(chǎn)品生命周期的的時(shí)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(lái)，數字分身（Digital twin）技術(shù)已逐漸導入工具機大廠(chǎng)的應用情境，未來(lái)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(wàn)機聯(lián)網(wǎng)上云」為基礎，取得大量數據進(jìn)行分析、仿真；串聯(lián)工具機產(chǎn)業(yè)共通標準，開(kāi)發(fā)所需App微服務(wù)小程序應用，陸續投入組裝銷(xiāo)售前研發(fā)設計、售后維運教育訓練及維修等服務(wù)；進(jìn)而提供終端加工業(yè)者，導入AI來(lái)優(yōu)化生產(chǎn)制程、創(chuàng )新商務(wù)模式，共同實(shí)現永續智能制造。
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)表工研院延續多年來(lái)投入研發(fā)有成，而提出數字化制程設備關(guān)鍵參數自主調校技術(shù)，并導入生成式AI應用。分別針對一般設備進(jìn)廠(chǎng)后，必會(huì )歷經(jīng)的調機→運行→維運→維修等流程。
包括可先利用「流程自動(dòng)化機器人」（RPA）軟件+AI，布建工業(yè)用異質(zhì)網(wǎng)絡(luò )，搜集所有現場(chǎng)信息后集中于云平臺，讓占據機器生命周期（Lifecycle）最長(cháng)的設備運作狀態(tài)聯(lián)網(wǎng)可視化，加以監控、診斷。
進(jìn)而將感測數據化繁為簡(jiǎn)，輔助自我診斷與現場(chǎng)決策數字化，預先得知機器設備異?；蚪】禒顟B(tài)。到了維修階段，即可串聯(lián)設備維護手冊與維修記錄，由生成式AI產(chǎn)生有用信息，協(xié)助現場(chǎng)人員快速完成維修保養、調整參數；或是透過(guò)動(dòng)態(tài)學(xué)習專(zhuān)家感官經(jīng)驗，達成智能調光的角度、強度、色域等參數優(yōu)化。

工研院近幾年來(lái)也透過(guò)智能機械云平臺，積極與其他法人單位合作，開(kāi)發(fā)多樣App應用軟件，清查設備各參數的加工能力和影響，快速調整設定值與實(shí)際值的誤差；實(shí)現設備作業(yè)認知流程自動(dòng)化，由RPA提升設備效率與實(shí)現永續維運

江宜霖強調工研院目前無(wú)意自行發(fā)展LLM，而是站在巨人的肩膀上發(fā)展應用，由專(zhuān)家抓方向與原理，選擇云端開(kāi)源或閉源方式，再透過(guò)AI探索數據關(guān)聯(lián)，并取得正確數據優(yōu)化參數、加快調機試驗的學(xué)習訓練時(shí)間，加速，使得設備運作優(yōu)化。

 
圖五 : 工研院延續多年來(lái)投入推廣智慧機械云有成，而分別針對一般設備進(jìn)廠(chǎng)后，必會(huì )歷經(jīng)的調機→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備，每臺機器需要建立一個(gè)模型，導致AI模型適當調校成為一大問(wèn)題。所以工研院也透過(guò)結合AI建模與管理平臺，降低AI模型建置門(mén)坎，大幅縮短開(kāi)發(fā)時(shí)間，可讓各領(lǐng)域專(zhuān)家自行建置、調校與持續管理AI模型，估計3個(gè)月內可建置并上線(xiàn)400多個(gè)模型。
接著(zhù)利用智慧機械云推出次世代智慧平臺，將導入數字分身和生成式AI，并整合國際元宇宙及專(zhuān)業(yè)仿真軟件，開(kāi)發(fā)多樣化模擬工具，優(yōu)化設計與制程；串聯(lián)地端微服務(wù)及決策，發(fā)展虛實(shí)整合智能工廠(chǎng)。
未來(lái)透過(guò)布署設備永續維運智能化系統，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(mǎn)足既有產(chǎn)線(xiàn)檢測自動(dòng)化的多樣性需求；透過(guò)AI+RPA與腳本化機制，讓專(zhuān)家依經(jīng)驗自行調整維運流程，可因應少量、多樣化生產(chǎn)需求，自動(dòng)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(lái)具自我生產(chǎn)特色的智慧維運工廠(chǎng)。