(Daily Issue)從單點輔助到適應性 　AI在智慧製造的發展和想像

謝承學

在COVID-19（新冠肺炎）、通膨以及淨零趨勢影響下，帶動供應鏈加速產業價值提升，服務理念開始抬頭，帶動製造業從過去單純製造、自動化的情境，進展到生產優化、提供客製化需求，進一步衍生出智慧製造的概念。

無論對科技產業或傳統工業，導入智慧製造有助於提升生產效率。而有別於導入智慧物聯網（AIoT）或5G企業專網等應用，人工智慧（AI）在智慧製造中的角色定位仍不明確，究竟是作為輔助檢測錯誤，還是透過機器學習（ML）來輔助決策，甚至讓AI主導生產呢？

本次透過專訪智慧製造領域專家，並輔以案例說明，探討目前AI在智慧製造上的角色，以及未來將朝向哪些面向發展，下一步為何。

「從頭到腳」都能取代　AI為製造業帶來智慧化

熟悉AI應用的工研院機械與機電系統研究所智慧機器人技術組組長黃甦表示，智慧製造相較傳統製造，最大的差異就是智慧化，由於生產形態改變，從大量生產走向少量多樣，無論生產、批次生產甚至客製化生產，都愈來愈強調生產效率，可以說是在挑戰產線的彈性。

過去無論是瑕疵檢測或是需要老師傅經驗的製造調整，對於生產韌性都是挑戰。而欲提升韌性，機器人扮演重要角色，黃甦指出，機器人以前是專用機，不同機器人有各自任務，但在「機器人＋AI」下，AI機器人可以作為不同生產流程、工作任務的載體，進而達成智慧生產。

AI在智慧製造中大致可以依功能分成幾種角色：首先是視覺，透過機器視覺判斷達到自動上下料、瑕疵檢驗等工作；再者，在機械手臂的部分就是加工，例如研磨、拋光。和傳統自動化不同的是，過去補磨需仰賴老師傅經驗，但在人工智慧的學習和輔助下，機器手臂也能做到老師傅的手藝。

腳的部分例如自主移動機器人（AMR），透過定位導航以及辨識環境物件、輸入位置地圖，AI就可以使機器人達到有效率的移動，進行物料運輸。

此外，黃甦也補充，在智慧製造中還有另一種AI的應用：專家系統。專家系統是一種增強式學習，透過給予獎勵來告訴AI哪個方向是正確的，隨著獎勵愈來愈多，就會知道AI朝正向發展，讓專家系統持續進步。

以獨立模流分析軟體供應商科盛科技為例，就是透過模流分析以達到最高良率，讓AI了解材料的特性並設計模具，達到產業升級。

然AI看似為智慧製造帶來更多可能性和未來性，但具有多次AI輔助製造業經驗的工研院機械與機電系統研究所智慧工廠系統整合技術組組長吳志平卻坦言，目前AI在智慧製造中的使用其實有相當侷限，無論是機器學習或類神經網路（Artificial Neural Network；ANN），目前都是以輔助為主，例如預兆診斷，透過數據分析、線性回歸，提供供應商元件替換或品質提升、製造流程改進的參考。

AI在生產機器上的四大用途

吳志平指出，目前AI在生產機器上主要有下列四個用途。

首先是機聯網，換句話說要將介面打通，可以想像過去使用滑鼠前需要先在電腦中安裝驅動程式才能使用，透過將通訊定義打通，就可以達到工業4.0的程度，但光工具機就有好幾萬種，在制訂工具機通訊標準的國家中，以德國最積極。

接著是設備預兆診斷，AI可以知道設備是否有問題，就像是設備的醫生，吳志平表示，預兆診斷的重要性隨著設備愈來愈自動化而變得更重要。

除了設備的醫生，AI也能作為產品醫生，先從能夠辨識產品是否有瑕疵，進而在生產過程中不斷比對、修正，進行最佳化參數調控。

最後是最佳化參數，也就是自動控制、自我調適，進入工業4.0的最後階段。

吳志平表示，雖然上述四點中，後三者有較多AI的應用，但機聯網卻是所有階段的前提。

AI在智慧製造的三大階段

由上述分析可以得知，目前AI在智慧製造中扮演「輔助讓工作更好」的角色，並改善人在工作上的作業品質，目前製造業導入AI的現況，工廠大多使用自動光學檢查（Automated Optical Inspection；AOI），無法同時進行辨識，但如果打通兩者的話將有機會在工廠製造端看見通用型AI的出現。

同時黃甦也指出AI在智慧製造的三個階段，首先是工作上的輔助，也就是目前最常見的情況，可以視為讓工作更有效率和方法來達到目標。

第二階段是工業元宇宙，AI只是介於中間的通道，以近期逐漸被重視的數位分身（Digital twin）為例，以模擬情境的方式讓溝通雙方不需見面，就能像在現場一樣，但在這部分的模擬僅是告訴「人」該怎麼做，而不是告訴AI。

到此為止AI都還處在被動、協助的階段，而在第三階段，黃甦認為是AI可以告訴AI該怎麼做，但距離實際應用在工業上還有一段距離，目前為止都還是以協助為主。

不過黃甦也指出，如果是以小部分導入的話，或許有可行之處。他舉例，可以讓AI負責工廠生產線的某一站做嘗試。

AI何時能在智慧製造上做主

既然我們知道目前AI就是作為輔助角色，但近期AI聊天機器人爆紅後，人們發現原來AI可以做得比所想的還多，不免讓人期待AI在智慧製造上從輔助到主導的角色轉變。

對此，黃甦坦言有一定難度，他以研磨拋光製程為例，過去會以路徑、形狀進行程式設計，自動化系統機器人會自動進行元件加工，但加工狀況、環境、甚至當天的溫濕度，都是品質變因，以往自動化無法處理，不過如果加入一些感測器來分析現況，例如沙袋磨耗時，加工系統會讓路徑變慢，但依然無法完全達到主導生產。

以前AI在對話上只適用語音辨識，後來進階到簡單問與答，近期不只是針對問題提出答案，若有相關訊息也將一併提供，有更多內容和情境。黃甦認為，智慧製造也是，但關鍵是AI的技術發展，過去ML主要用於圖像學習，比較多應用是在瑕疵辨識，但更進階的製造就不是單純圖像辨識可以解決。

從單點到適應性　關鍵是打通通訊定義

不過在近年AI高速發展下，吳志平對AI的未來相當樂觀，他表示，生產作業上，工廠流程可以導入AI的部分都有人在研發，差別是AI可以做到什麼程度。

目前AI解決的都是單點問題，如果能從整個製程設計端來思考，設計出能夠跨生產線的應用，達到適應性的程度，AI在智慧製造上的價值，就能進入下一個階段。

吳志平以先前輔導廠商經驗舉例，該業者為光纖生產商，在進行參數調控時，最長需要花1年的時間調整，而每一次至少就要花費上萬人民幣，但如果能透過AI把調整過程串起來，將可作為AI下一個發展的方向。

被問及對於AI在智慧製造的未來想像，黃甦表示，可以想像的是，產品從設計源頭就由AI主導。

黃甦指出，原本生產製造是由人決定應該要怎麼做，同時在不同單點有AI做協助，但如果真的有一種厲害的AI系統，應該只要告訴AI想生產何種物品，以及物品的特色如輕薄等，AI就能自己設計製程，選定材料和工法，有別於當前AI都以原本製程為基礎，真正成為主導生產的決策核心。

在一個製程中的各個生產線可能採用不同品牌的設備，對此，吳志平則點出，要做到這樣的AI，光是要打通通訊就很困難，要如何在上百萬種設備中定義出全球標準，將會是打造全能型AI在智慧製造持續發展的前提。

近期在AI聊天機器人魅力席捲全球後，各界對於AI的想像與期待達到高峰，不過回到現實，在智慧製造上，雖然AI已被證實可以大幅改善缺陷並提高生產效率，但要從輔助角色到主導地位，中間還有許多挑戰，不過如同上述內容分析，儘管要做到全能型跨製程的AI系統相當困難，但能串起並主導單一製程的AI仍深具潛力，相信這也會是AI在智慧製造發展上的里程碑。

 

責任編輯：毛履兆