AI賦能智能制造轉(zhuǎn)型 工業(yè)4.0數(shù)字孿生奠基

中國(guó)臺(tái)灣中小規(guī)模的傳產(chǎn)制造、機(jī)械設(shè)備業(yè)，早在2010年開(kāi)始，陸續(xù)推行制造服務(wù)化、工業(yè)4.0、數(shù)字轉(zhuǎn)型等，已習(xí)慣搜集累積制程中/后段鑒別監(jiān)控，乃至于售后維運(yùn)服務(wù)的巨量數(shù)據(jù)數(shù)據(jù)，形成生產(chǎn)履歷；未來(lái)應(yīng)逐步建構(gòu)數(shù)字分身，預(yù)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(jù)麥肯錫最新調(diào)查報(bào)告，未來(lái)幾乎所有產(chǎn)業(yè)都需要導(dǎo)入生成式AI輔助才有競(jìng)爭(zhēng)力，包括：編程（Coding）、營(yíng)銷（Marketing）和客服（Customer service），以及制造業(yè)的產(chǎn)品設(shè)計(jì)等應(yīng)用，將會(huì)產(chǎn)生對(duì)話式商務(wù)模式、自動(dòng)生成營(yíng)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(yíng)運(yùn)、強(qiáng)化營(yíng)銷、賦能員工，尤其是最后強(qiáng)調(diào)能藉此克服現(xiàn)今老齡少子化社會(huì)的缺工現(xiàn)狀，而非取代人力。
估計(jì)目前全球生成式AI創(chuàng)造的經(jīng)濟(jì)價(jià)值，若以新增營(yíng)收3,000億美元為界，產(chǎn)業(yè)應(yīng)用前5名依序?yàn)椋焊呖萍肌⒘闶?、銀行、旅行運(yùn)輸運(yùn)籌、先進(jìn)制造；企業(yè)功能前5名依序?yàn)椋籂I(yíng)銷銷售、軟件工程、供應(yīng)鏈、客戶管理、產(chǎn)品研發(fā)。
許多企業(yè)也因此，開(kāi)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)與制造工作的要角，或是擴(kuò)展至整個(gè)供應(yīng)鏈的運(yùn)作，進(jìn)而生成各式專業(yè)文件內(nèi)容，或是再進(jìn)階的產(chǎn)業(yè)應(yīng)用，提高生產(chǎn)效能。

 
圖一 : 估計(jì)目前全球生成式AI創(chuàng)造的經(jīng)濟(jì)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?yàn)椋籂I(yíng)銷銷售、軟件工程、供應(yīng)鏈、客戶管理、產(chǎn)品研發(fā)。（source：McKinsey）
就連輝達(dá)（NVIDIA）執(zhí)行長(zhǎng)黃仁勛2023年現(xiàn)身鴻海科技日活動(dòng)，也特別以手繪方式，一邊描述具有AI大腦的電動(dòng)車，能夠自動(dòng)駕駛、與人互動(dòng)；另一頭，則是一座AI工廠，從電動(dòng)車端不斷獲得數(shù)據(jù)，并產(chǎn)出更新、更適合電動(dòng)車的各式軟件。

宣布將與鴻海合作打造基于輝達(dá)加速運(yùn)算平臺(tái)的AI工廠，強(qiáng)調(diào)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。將搭載最新的GPU超級(jí)芯片和AI Enterprise軟件，專門(mén)用于處理、精煉、將大量數(shù)據(jù)轉(zhuǎn)化為有價(jià)值的AI模型；鴻海也將在智能/自駕電動(dòng)車、智能制造機(jī)器人系統(tǒng)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(tái)，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(zhǎng)黃仁勛2023年現(xiàn)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。（source：鴻?？萍既眨?br/>
善用客制化小語(yǔ)言模型　導(dǎo)入Edge AI應(yīng)用
另依工研院產(chǎn)科國(guó)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(jī)器學(xué)習(xí)（Machine Learning）而來(lái)，兩者的應(yīng)用效益都包含自動(dòng)化、高速化與準(zhǔn)確性。
只是其中鑒別式AI的輸入數(shù)據(jù)，須先經(jīng)過(guò)標(biāo)記后，再進(jìn)行學(xué)習(xí)訓(xùn)練辨識(shí)與分類，目前更已結(jié)合自動(dòng)光學(xué)檢測(cè)（AOI）、機(jī)器視覺(jué)等應(yīng)用，被大量導(dǎo)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(cè)速度與準(zhǔn)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(biāo)注、非結(jié)構(gòu)化數(shù)據(jù)，提供大語(yǔ)言模型GPT（Generative Pre-trained Transformer）與自監(jiān)督式學(xué)習(xí)（Self-Supervised Learning）的過(guò)程訓(xùn)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(wèn)答與自動(dòng)應(yīng)答文字、語(yǔ)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(yàn)證在制造領(lǐng)域的應(yīng)用模式與價(jià)值。
一旦面對(duì)較專業(yè)的問(wèn)題，無(wú)法提出令人滿意的答案，即可再透過(guò)少量人工標(biāo)記數(shù)據(jù)，針對(duì)通才性的生成式AI基礎(chǔ)模型進(jìn)行更專門(mén)的學(xué)習(xí)訓(xùn)練，并調(diào)適（Finetune）建構(gòu)成符合制造業(yè)應(yīng)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(fēng)潮，也開(kāi)始出現(xiàn)邊緣AI導(dǎo)入客制化LLM加速落地發(fā)展，開(kāi)發(fā)視覺(jué)AI算法；各家大廠陸續(xù)投入AI軍備競(jìng)賽，包括GPU、內(nèi)存等硬件約2年成長(zhǎng)2倍、語(yǔ)言模型（Parameter）大小甚至因此擴(kuò)增千倍！主因在于LLM「頓悟點(diǎn)」（Emergent point），大致維持在10B左右的數(shù)據(jù)規(guī)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(biāo)記數(shù)據(jù)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(qiáng)調(diào)可觸類旁通，只需少量數(shù)據(jù)就能快速了解與應(yīng)用，不必大量標(biāo)記數(shù)據(jù)訓(xùn)練將更有效率，并將之導(dǎo)入邊緣（Edge AI）應(yīng)用。
郭柏村進(jìn)一步指出，過(guò)去AI 1.0的表現(xiàn)上雖然在特殊專才領(lǐng)域?yàn)閺?qiáng)項(xiàng)，如Alphago，卻無(wú)法被復(fù)制到跨領(lǐng)域應(yīng)用（遷移學(xué)習(xí)），例如將醫(yī)療CT辨識(shí)病灶模型轉(zhuǎn)移至AOI辨識(shí)產(chǎn)品瑕疵，且耗費(fèi)算力資源較少。面臨問(wèn)題還是需要從頭搜集、標(biāo)注大量參數(shù)數(shù)據(jù)，訓(xùn)練監(jiān)督式模型迭代進(jìn)化，耗費(fèi)大量時(shí)間與成本；待使用超過(guò)一段時(shí)間還要重新訓(xùn)練，以免準(zhǔn)確度衰退。
AI 2.0結(jié)構(gòu)則相對(duì)簡(jiǎn)單，經(jīng)過(guò)不斷擴(kuò)大語(yǔ)言模型和參數(shù)訓(xùn)練，先經(jīng)過(guò)遷移學(xué)習(xí)轉(zhuǎn)化而跨足各式各樣領(lǐng)域。但缺點(diǎn)是因此越長(zhǎng)越大的建模、訓(xùn)練成本，非中國(guó)臺(tái)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，可減少使用數(shù)據(jù)量與時(shí)間，容易再訓(xùn)練，更快導(dǎo)入Edge AI應(yīng)用。
并快速建立以Foundation Model的LLM通才能力為基礎(chǔ)，用來(lái)解決傳統(tǒng)AOI瑕疵檢測(cè)常見(jiàn)異常檢測(cè)、對(duì)象計(jì)數(shù)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(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件在Edge裝置運(yùn)行，分別找出OK/NG件，準(zhǔn)確度已不輸人眼，還可以7天24hr全年無(wú)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(yùn)行。（source： nvidia）

結(jié)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(xùn)練專才小語(yǔ)言模型情境共概分為3類：端對(duì)端應(yīng)用，使用自有模型開(kāi)發(fā)一般應(yīng)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(yīng)用，再以微調(diào)模型，真正達(dá)到AI平民化。
倘若企業(yè)內(nèi)部沒(méi)有合格的IT人員時(shí)，便能請(qǐng)求外援；或是將應(yīng)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(guī)范，在生成后實(shí)時(shí)反饋，以防止機(jī)密數(shù)據(jù)外泄風(fēng)險(xiǎn)，還能保持商業(yè)化的競(jìng)爭(zhēng)力。
如依Amazon亞馬遜技術(shù)長(zhǎng)Werner Vogels預(yù)測(cè)2024年未來(lái)技術(shù)趨勢(shì)，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?qū)l(fā)揮關(guān)鍵作用：
一、基于AI回饋的強(qiáng)化學(xué)習(xí)（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(duì)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(yīng)之后，再針對(duì)每個(gè)響應(yīng)的有效性及背后的推論展開(kāi)辯論，得到一致的響應(yīng)。
這兩個(gè)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(guò)程中，從不同文化的視角獲得對(duì)復(fù)雜社會(huì)的理解，確保模型提供更具韌性和準(zhǔn)確性的回應(yīng)。

選擇智能制造領(lǐng)域
進(jìn)而導(dǎo)入制造場(chǎng)域的潛在應(yīng)用，包括：協(xié)助挖掘新市場(chǎng)機(jī)會(huì)與產(chǎn)品需求；加速創(chuàng)新產(chǎn)品設(shè)計(jì)及獲得優(yōu)化；自動(dòng)生成軟件系統(tǒng)、工具機(jī)、自動(dòng)化裝置、機(jī)器人所需控制程序；增加企業(yè)建構(gòu)知識(shí)管理系統(tǒng)能力與降低成本，并透過(guò)數(shù)據(jù)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(jī)接口，強(qiáng)化機(jī)器人、設(shè)備控制與人機(jī)協(xié)作能力。

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

尤其是在「控制程序自動(dòng)生成」，因?yàn)樵谥圃祛I(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)。包括各類制造與生產(chǎn)管理信息系統(tǒng)、數(shù)字控制（CNC）工具機(jī)和加工程序（NC code）、各類應(yīng)用于自動(dòng)化裝置及工業(yè)機(jī)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(bǔ)與除錯(cuò)，加速軟件與控制系統(tǒng)開(kāi)發(fā)更新。
Siemens公司也在2023年德國(guó)漢諾威工業(yè)展中，展示旗下工程團(tuán)隊(duì)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(cuò)誤的機(jī)會(huì)。
于「智能化人機(jī)接口」，則可以結(jié)合語(yǔ)音識(shí)別技術(shù)，建構(gòu)出能理解人類自然語(yǔ)言，并進(jìn)行有意義對(duì)話的智能化人機(jī)接口。經(jīng)過(guò)流暢文字與用戶對(duì)話，應(yīng)用在各種制造場(chǎng)域的機(jī)臺(tái)與設(shè)備操作、維護(hù)，實(shí)現(xiàn)人機(jī)協(xié)作并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(yǔ)言或感測(cè)影像數(shù)據(jù)，來(lái)實(shí)現(xiàn)更簡(jiǎn)便的指揮機(jī)器人完成指定工作的控制方案；未來(lái)也可能出現(xiàn)可與操作人員對(duì)話的加工機(jī)械設(shè)備，能依據(jù)自然語(yǔ)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(jī)器人導(dǎo)入門(mén)坎，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(shí)現(xiàn)制造業(yè)轉(zhuǎn)型有感升級(jí)
值得一提的是，由于制造業(yè)導(dǎo)入AI轉(zhuǎn)型還須留意3大重點(diǎn)：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(jìn)，加速產(chǎn)品上市；其次是善用云端平臺(tái)，降低對(duì)于AI高速算力和儲(chǔ)存空間等硬件建構(gòu)的昂貴成本，打造團(tuán)隊(duì)協(xié)作基地。
最后是挑選具備AI和機(jī)械學(xué)習(xí)的訓(xùn)練工具和模型，透過(guò)軟件自主學(xué)習(xí)用戶的設(shè)計(jì)習(xí)慣和喜好不斷進(jìn)化，進(jìn)而具備自動(dòng)設(shè)計(jì)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(xùn)留才。
中國(guó)臺(tái)灣自2022年TIMTOS x TMTS聯(lián)展以來(lái)，數(shù)字分身（Digital twin）技術(shù)已逐漸導(dǎo)入工具機(jī)大廠的應(yīng)用情境，未來(lái)還可望銜接鑒別/生成式人工智能（AI）應(yīng)用。利用中國(guó)臺(tái)灣機(jī)械業(yè)既有「萬(wàn)機(jī)聯(lián)網(wǎng)上云」為基礎(chǔ)，取得大量數(shù)據(jù)進(jìn)行分析、仿真；串聯(lián)工具機(jī)產(chǎn)業(yè)共通標(biāo)準(zhǔn)，開(kāi)發(fā)所需App微服務(wù)小程序應(yīng)用，陸續(xù)投入組裝銷售前研發(fā)設(shè)計(jì)、售后維運(yùn)教育訓(xùn)練及維修等服務(wù)；進(jìn)而提供終端加工業(yè)者，導(dǎo)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(xiàn)永續(xù)智能制造。
近期工研院南分院人工智能應(yīng)用部副經(jīng)理江宜霖，也發(fā)表工研院延續(xù)多年來(lái)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(dǎo)入生成式AI應(yīng)用。分別針對(duì)一般設(shè)備進(jìn)廠后，必會(huì)歷經(jīng)的調(diào)機(jī)→運(yùn)行→維運(yùn)→維修等流程。
包括可先利用「流程自動(dòng)化機(jī)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(chǎng)信息后集中于云平臺(tái)，讓占據(jù)機(jī)器生命周期（Lifecycle）最長(zhǎng)的設(shè)備運(yùn)作狀態(tài)聯(lián)網(wǎng)可視化，加以監(jiān)控、診斷。
進(jìn)而將感測(cè)數(shù)據(jù)化繁為簡(jiǎn)，輔助自我診斷與現(xiàn)場(chǎng)決策數(shù)字化，預(yù)先得知機(jī)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(hù)手冊(cè)與維修記錄，由生成式AI產(chǎn)生有用信息，協(xié)助現(xiàn)場(chǎng)人員快速完成維修保養(yǎng)、調(diào)整參數(shù)；或是透過(guò)動(dòng)態(tài)學(xué)習(xí)專家感官經(jīng)驗(yàn)，達(dá)成智能調(diào)光的角度、強(qiáng)度、色域等參數(shù)優(yōu)化。

工研院近幾年來(lái)也透過(guò)智能機(jī)械云平臺(tái)，積極與其他法人單位合作，開(kāi)發(fā)多樣App應(yīng)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(shí)際值的誤差；實(shí)現(xiàn)設(shè)備作業(yè)認(rèn)知流程自動(dòng)化，由RPA提升設(shè)備效率與實(shí)現(xiàn)永續(xù)維運(yùn)

江宜霖強(qiáng)調(diào)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(yīng)用，由專家抓方向與原理，選擇云端開(kāi)源或閉源方式，再透過(guò)AI探索數(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(jī)試驗(yàn)的學(xué)習(xí)訓(xùn)練時(shí)間，加速，使得設(shè)備運(yùn)作優(yōu)化。

 
圖五 : 工研院延續(xù)多年來(lái)投入推廣智慧機(jī)械云有成，而分別針對(duì)一般設(shè)備進(jìn)廠后，必會(huì)歷經(jīng)的調(diào)機(jī)→運(yùn)行→維運(yùn)→維修等流程，導(dǎo)入生成式AI應(yīng)用。（source：工研院）

此外，由于面對(duì)制程大量設(shè)備，每臺(tái)機(jī)器需要建立一個(gè)模型，導(dǎo)致AI模型適當(dāng)調(diào)校成為一大問(wèn)題。所以工研院也透過(guò)結(jié)合AI建模與管理平臺(tái)，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?qū)＜易孕薪ㄖ谩⒄{(diào)校與持續(xù)管理AI模型，估計(jì)3個(gè)月內(nèi)可建置并上線400多個(gè)模型。
接著利用智慧機(jī)械云推出次世代智慧平臺(tái)，將導(dǎo)入數(shù)字分身和生成式AI，并整合國(guó)際元宇宙及專業(yè)仿真軟件，開(kāi)發(fā)多樣化模擬工具，優(yōu)化設(shè)計(jì)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。
未來(lái)透過(guò)布署設(shè)備永續(xù)維運(yùn)智能化系統(tǒng)，可在電子半導(dǎo)體、紡織、金屬加工等產(chǎn)業(yè)，應(yīng)用于舊機(jī)操作功能升級(jí)，滿足既有產(chǎn)線檢測(cè)自動(dòng)化的多樣性需求；透過(guò)AI+RPA與腳本化機(jī)制，讓專家依經(jīng)驗(yàn)自行調(diào)整維運(yùn)流程，可因應(yīng)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(fù)擔(dān)，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(yùn)工廠。