台湾中小规模的传产制造、机械设备业，早在2010年开始，陆续推行制造服务化、工业4.0、数位转型等，已习惯搜集累积制程中/後段监别监控，乃至於售後维运服务的巨量数据资料，形成生产履历；未来应逐步建构数位分身，预先於实地量产前模拟加工，藉以提升良率，并减少因废品而增加排碳。

根据麦肯锡最新调查报告，未来几??所有产业都需要导入生成式AI辅助才有竞争力，包括：编程（Coding）、行销（Marketing）和客服（Customer service），以及制造业的产品设计等应用，将会产生对话式商务模式、自动生成行销内容等，都可投入数位转型的下一步。并将之概分为4大面向：产品转换、优化营运、强化行销、赋能员工，尤其是最後强调能藉此克服现今老龄少子化社会的缺工现状，而非取代人力。

估计目前全球生成式AI创造的经济价值，若以新增营收3,000亿美元为界，产业应用前5名依序为：高科技、零售、银行、旅行运输运筹、先进制造；企业功能前5名依序为：行销销售、软体工程、供应链、客户管理、产品研发。

许多企业也因此，开始积极将具有创作特性的生成式AI导入内部工作，成为研发与制造工作的要角，或是扩展至整个供应链的运作，进而生成各式专业文件内容，或是再进阶的产业应用，提高生产效能。

图一 : 估计目前全球生成式AI创造的经济价值，若以新增营收3,000亿美元为界，企业功能前5名依序为：行销销售、软体工程、供应链、客户管理、产品研发。（source：McKinsey）

就连辉达（NVIDIA）执行长黄仁勋2023年现身鸿海科技日活动，也特别以手绘方式，一边描述具有AI大脑的电动车，能够自动驾驶、与人互动；另一头，则是一座AI工厂，从电动车端不断获得资料，并产出更新、更适合电动车的各式软体。

宣布将与鸿海合作打造基於辉达加速运算平台的AI工厂，强调并非利用AI来制造产品，而是制造出AI解决方案、生产「智慧」的工厂。将搭载最新的GPU超级晶片和AI Enterprise软体，专门用於处理、精炼、将大量资料转化为有价值的AI模型；鸿海也将在智慧/自驾电动车、智慧制造机器人系统和智慧城市等领域，开发基於NVIDIA技术的智慧解决方案平台，资料再回传到AI工厂，成为不断优化的循环，加速全球产业的数位化革命。

图二 : NVIDIA执行长黄仁勋2023年现身鸿海科技日活动，也特别以手绘方式，宣布将与鸿海合作打造可用来制造出AI解决方案，生产「智慧」的工厂。（source：鸿海科技日）

善用客制化小语言模型 导入Edge AI应用

另依工研院产科国际所产业分析师熊治民分析，如今无论是生成式（Generative AI）与监别式人工智慧（Discriminative AI），都是基於机器学习（Machine Learning）而来，两者的应用效益都包含自动化、高速化与准确性。

只是其中监别式AI的输入资料，须先经过标记後，再进行学习训练辨识与分类，目前更已结合自动光学检测（AOI）、机器视觉等应用，被大量导入诸多场域，包括让制造业者用来提高加工零组件与产品的自动化检测速度与准确性，进而降低人力需求与误判率，提升人员安全与作业效能。

生成式AI则可透过输入大量的非标注、非结构化资料，提供大语言模型GPT（Generative Pre-trained Transformer）与自监督式学习（Self-Supervised Learning）的过程训练，再建构出基础模型（Foundation model），自主生成创新的资料内容，包括立即式问答与自动回应文字、语音、图像、影像、程式码、3D模型数据等相关资料内容，正持续探索与验证在制造领域的应用模式与价值。

一旦面对较专业的问题，无法提出令人满意的答案，即可再透过少量人工标记资料，针对通才性的生成式AI基础模型进行更专门的学习训练，并调适（Finetune）建构成符合制造业应用需求的客制化模型。

工业物联网大厂研华公司资深经理郭柏村表示，自从生成式AI在2022年Q4蔚为风潮，也开始出现边缘AI导入客制化LLM加速落地发展，开发视觉AI演算法；各家大厂陆续投入AI军备竞赛，包括GPU、记忆体等硬体约2年成长2倍、语言模型（Parameter）大小甚至因此扩增千倍！主因在於LLM「顿悟点」（Emergent point），大致维持在10B左右的资料规模，才会大幅提升其创意智慧。

进而造就2013~2023年间「AI 1.0阶段」，以监别式AI模型为主，透过越多越好的标记资料供深度学习或监督；以及AI 2.0阶段的生成式AI通才模型，则强调可触类旁通，只需少量资料就能快速了解与应用，不必大量标记资料训练将更有效率，并将之导入边缘（Edge AI）应用。

郭柏村进一步指出，过去AI 1.0的表现上虽然在特殊专才领域为强项，如AlphaGo，却无法被复制到跨领域应用（迁移学习），例如将医疗CT辨识病灶模型转移至AOI辨识产品瑕疵，且耗费算力资源较少。面临问题还是需要从头搜集、标注大量叁数资料，训练监督式模型迭代进化，耗费大量时间与成本；待使用超过一段时间还要重新训练，以免准确度衰退。

AI 2.0结构则相对简单，经过不断扩大语言模型和叁数训练，先经过迁移学习转化而跨足各式各样领域。但缺点是因此越长越大的建模、训练成本，非台湾中小企业能承担。研华也为此推出Instant AI功能，模型架构单一，可减少使用资料量与时间，容易再训练，更快导入Edge AI应用。

并快速建立以Foundation Model的LLM通才能力为基础，用来解决传统AOI瑕疵检测常见异常检测、物件计数等高度通用性场域，仅须该模型的前中段产生的瑕疵特徵，经压缩至10~20%叁数量的样本数少，约耗用1/10资源。因此部署容易，适合多样跨领域产业，而不必重头再训练，即可搭配适合的硬软体在Edge装置运行，分别找出OK/NG件，准确度已不输人眼，还可以7天24hr全年无休。。

图三 : 因应AI 2.0跨足各式各样领域，业者也为此快速建立以Foundation Model的LLM通才能力为基础，减少所使用叁数量及耗用资源，而能在Edge装置运行。（source：developer-blogs.nvidia.com）

结合云端服务商LLM 提高生成式AI平民化价值

目前生成式AI模型层训练专才小语言模型情境共概分为3类：端对端应用，使用自有模型开发一般应用；或与夥伴（开发商）合作，透过API自动接取闭/开源通用型大语言模型；再加入企业垂直领域应用，再以微调模型，真正达到AI平民化。

倘若企业内部没有合格的IT人员时，便能请求外援；或是将应用层直接建立在企业私有云上，决定采取开源或闭源；同时建立使用规范，在生成後即时反??，以防止机密数据外泄风险，还能保持商业化的竞争力。

如依亚马逊（Amazon）技术长Werner Vogels预测2024年未来技术趋势，LLM模型将开始形成更广泛的全球化视角，拓展视野并理解文化。其中有两个研究领域将发挥关键作用：

一、 基於AI回??的强化学习（reinforcement learning from AI feedback；RLAIF），即一个模型可以吸收另一个模型的回??，不同的模型之间能相互影响，藉此更新对不同文化概念的理解；

二、 透过自我辩论，即一个模型的多个执行个体生成回应之後，再针对每个回应的有效性及背後的推论展开辩论，得到一致的回应。

这两个研究领域都能降低训练和微调模型所需的人力成本，LLM模型还能在相互学习的过程中，从不同文化的视角获得对复杂社会的理解，确保模型提供更具韧性和准确性的回应。

图四 : 亚马逊预测，生成式AI将逐渐具备文化意识，藉此强化学习、进行自我辩论，将发挥关键作用。（source：AWS）

选择智慧制造领域

进而导入制造场域的潜在应用，包括：协助挖掘新市场机会与产品需求；加速创新产品设计及获得优化；自动生成软体系统、工具机、自动化装置、机器人所需控制程式；增加企业建构知识管理系统能力与降低成本，并透过资料快速撷取、汇整，提供作业人员即时辅助；透过智慧化人机介面，强化机器人、设备控制与人机协作能力。

图五 : 目前生成式AI已逐步导入制造场域的潜在应用。（source：工研院）

尤其是在「控制程式自动生成」，因为在制造领域有许多工作，都会涉及到软体开发与程式撰写。包括各类制造与生产管理资讯系统、数位控制（CNC）工具机和加工程式（NC code）、各类应用於自动化装置及工业机器人的可程式控制器（PLC）程式等，可让研发、制造领域的工程师，透过生成式AI自动产生程式码、进行差补与除错，加速软体与控制系统开发更新。

Siemens公司也在2023年德国汉诺威工业展中，展示旗下工程团队如何透过自然语言输入，由生成式AI自动产生PLC程式码，来协助软体开发人员和自动化工程师，减少软体开发时间和人为编写程式错误的机会。

於「智慧化人机介面」，则可以结合语音辨识技术，建构出能理解人类自然语言，并进行有意义对话的智慧化人机介面。经过流畅文字与使用者对话，应用在各种制造场域的机台与设备操作、维护，实现人机协作并提供更快速的客户服务。

如今包括Google及Microsoft公司，都在尝试发展以生成式AI利用自然语言或感测影像资料，来实现更简便的指挥机器人完成指定工作的控制方案；未来也可能出现可与操作人员对话的加工机械设备，能依据自然语言快速设定工作程序，或提出异常警示、建议故障排除方案。依Google研究显示，因此将大幅降低机器人导入门槛，减少专业人员教导或编程需求，增加使用弹性与便利性。

利用AI平民商业化 实现制造业转型有感升级

值得一提的是，由於制造业导入AI转型还须留意3大重点：首先是完成能够实践数位分身的资料数位化，让研发、管理到制造流程同步并进，加速产品上市；其次是善用云端平台，降低对於AI高速算力和储存空间等硬体建构的昂贵成本，打造团队协作基地。

最後是挑选具备AI和机械学习的训练工具和模型，透过软体自主学习使用者的设计习惯和喜好不断进化，进而具备自动设计的效能，把产品生命周期的的时间留给前期创新，也有助於制造业吸引、培训留才。

台湾自2022年TIMTOS x TMTS联展以来，数位分身（Digital twin）技术已逐渐导入工具机大厂的应用情境，未来还可??衔接监别/生成式人工智慧（AI）应用。利用台湾机械业既有「万机联网上云」为基础，取得大量数据进行分析、模拟；串联工具机产业共通标准，开发所需App微服务小程式应用，陆续投入组装销售前研发设计、售後维运教育训练及维修等服务；进而提供终端加工业者，导入AI来优化生产制程、创新商务模式，共同实现永续智慧制造。

近期工研院南分院人工智慧应用部??经理江宜霖，也发表工研院延续多年来投入研发有成，而提出数位化制程设备关键叁数自主调校技术，并导入生成式AI应用。分别针对一般设备进厂後，必会历经的调机←运行←维运←维修等流程。

包括可先利用「流程自动化机器人」（RPA）软体+AI，布建工业用异质网路，搜集所有现场资讯後集中於云平台，让占据机器生命周期（Lifecycle）最长的设备运作状态联网可视化，加以监控、诊断。

进而将感测数据化繁为简，辅助自我诊断与现场决策数位化，预先得知机器设备异常或健康状态。到了维修阶段，即可串联设备维护手册与维修记录，由生成式AI产生有用资讯，协助现场人员快速完成维修保养、调整叁数；或是透过动态学习专家感官经验，达成智能调光的角度、强度、色域等叁数最隹化。

图六 : 工研院延续多年来投入推广智慧机械云有成，而分别针对一般设备进厂後，必会历经的调机←运行←维运←维修等流程，导入生成式AI应用。（source：工研院）

工研院近几年来也透过智慧机械云平台，积极与其他法人单位合作，开发多样App应用软体，清查设备各叁数的加工能力和影响，快速调整设定值与实际值的误差；实现设备作业认知流程自动化，由RPA提升设备效率与实现永续维运。

江宜霖强调工研院目前无意自行发展LLM，而是站在巨人的肩膀上发展应用，由专家抓方向与原理，选择云端开源或闭源方式，再透过AI探索数据关联，并取得正确资料优化叁数、加快调机试验的学习训练时间，加速，使得设备运作最隹化。

此外，由於面对制程大量设备，每台机器需要建立一个模型，导致AI模型适当调校成为一大问题。所以工研院也透过结合AI建模与管理平台，降低AI模型建置门槛，大幅缩短开发时间，可让各领域专家自行建置、调校与持续管理AI模型，估计3个月内可建置并上线400多个模型。

接着利用智慧机械云推出次世代智慧平台，将导入数位分身和生成式AI，并整合国际元宇宙及专业模拟软体，开发多样化模拟工具，优化设计与制程；串联地端微服务及决策，发展虚实整合智慧工厂。

未来透过布署设备永续维运智慧化系统，可在电子半导体、纺织、金属加工等产业，应用於旧机操作功能升级，满足既有产线检测自动化的多样性需求；透过AI+RPA与脚本化机制，让专家依经验自行调整维运流程，可因应少量、多样化生产需求，自动且快速排除异常作业，减轻人员操作负担，增加作业产能和减碳，创造未来具自我生产特色的智慧维运工厂。