仁寶AI上線了！自研模型搭配視覺辨識「幫筆電產線Debug」，下一步還想做AI助理|數位時代 BusinessNext

仁寶AI上線了！自研模型搭配視覺辨識「幫筆電產線Debug」，下一步還想做AI助理

電子代工廠仁寶攜手軟體公司PowerArena進行產線管理，結合電腦視覺偵測將數據蒐集後訓練仁寶自家的大語言模型，以AI系統進行問答降低資料蒐集時程。

Debug自動化！產線效率大升級

過去，這樣的產線Debug工作，往往要耗時1小時以上，但現在透過AI模型就能夠降至1分鐘，不但大大提高產線工程師的效率，也更容易向管理層回報數據化的異常報告。

更重要的是，各類異常影像的歸檔、累積，可協助仁寶自家語言模型的深度學習，未來產線有類似問題發生時，即使是沒有經驗的工程師，也能透過仁寶AI找到具體解方。

PowerArena行銷經理謝瑄表示，過去傳統的產線由於是以人工在產線旁記錄，不僅耗時費工，產線工程師也很難做到全面記錄，「當主管站在身後檢查，作業員也會感到壓力，沒辦法呈現最真實的作業狀態。」而透過產線上的影像記錄偵測，就能夠改善人員操作的限制。

目前PowerArena的AI電腦視覺系統客戶除了仁寶以外，也包含英業達、緯創等台灣電子代工廠商，針對不同產線的需求進行相應的電腦視覺管理。

謝瑄表示，雖然導入AI系統會產生一部分的系統開發成本，但長遠來說，能夠降低生產成本，提生更高的效率。

不怕機密外流！仁寶採用聯發科私有雲開源模型Breeze-7B

然而解決了成本問題，還有另一項挑戰。

仁寶電腦智能技術研發一部工程師黃冠維表示，開發大語言模型遇到的最大的困難就是模型的選擇，有些客戶資料屬於機密文件，無法使用會公開至雲端的開放模型當中進行訓練。因此，仁寶使用聯發科所開發的「地端」私有雲開源模型Breeze-7B來做後續微調，研發出自己的一套作業流程語言模型。

就像是工廠內部的ChatGPT，產線工程師可以透過簡單的問答來找到產線的相關資料，進而透過系統產製出的視覺化圖表，協助產線⼯程師提升管理品質與效率。

利用Meta Llmma，仁寶AI助理指日可待

目前，這套作業系統應用在仁寶的筆電製造產線當中進行測試，未來也會透過這樣的數據基礎來導入到其他產線。

黃冠維表示，目前仁寶也積極透過其他開源模型架構如Meta的Llmma進行微調來開發內部的AI助理（AI Agent），「目前已經開始實作測試，很快就能夠看到成果。」

未來的AI不再只是現有的單一來回問答，而是可以主動做出建議，用感測器感知周圍環境，然後採取相對應的行動、做出決策。黃冠維也提到，未來仁寶內部除了能夠在工廠產線端，其他如人資部門、財會部門等都可以使用。

責任編輯：李先泰

從生成式AI訓練、推論，到代理式工作流程（Agentic Workflow）與未來的實體AI，資料流量正以指數級成長，讓記憶體從過去支援運算的配角躍升為決定AI效能與能源效率的關鍵角色。

全球知名的半導體與微電子技術分析機構TechInsights指出，AI競爭正逐漸從晶片算力擴展到記憶體架構設計能力，加速「Computational Memory」等新架構興起；在這波浪潮中，深耕記憶體與儲存技術數十年的美光科技，正與關鍵夥伴展開深度協同設計，包含攜手NVIDIA共同開發適用於新世代資料中心的低功耗記憶體技術，在AI基礎建設的新賽局中成為不可或缺的關鍵。

當GPU不再是唯一主角，記憶體為何躍上AI舞台中央？

過去，半導體的焦點多圍繞在晶片，例如CPU、GPU跟AI加速器等，市場普遍認為，晶片運算能力是左右科技產業發展速度的關鍵，但在進入生成式AI世代後，產業逐漸發現另一個事實：真正限制AI效能的瓶頸不是運算，而是資料能否快速被存取與傳輸。

從大型語言模型訓練，到AI推論、代理式工作流程（Agentic Workflow），甚至未來的機器人與自駕車，龐大的資料流量正持續推升對高頻寬、低延遲、高容量記憶體的需求，讓記憶體產業從過去相對標準化、以價格競爭為主的市場，逐漸轉變為AI基礎建設的重要核心。

「仔細觀察AI應用服務會發現，大多數工作負載都被頻寬限制。」美光科技全球業務執行副總裁Mike Cordano認為，記憶體是突破（頻寬）瓶頸的關鍵，也讓AI競賽從晶片算力升級到記憶體與儲存架構的系統級競爭。這樣的產業洞察，也正是Mike在歷經二十餘年的儲存產業資歷，加上四年半的創投生涯後，選擇加入美光的核心原因之一：在AI重塑產業結構的浪潮下，記憶體將成為這波成長最直接的動能所在。

從零組件供應商到策略夥伴，記憶體共創時代來臨

AI的崛起，正在改變記憶體廠商與客戶的關係。

過去，記憶體產品多是標準化元件，客戶關注的是價格、供貨與規格；合作模式也偏向短期採購與交易導向。然而隨著AI系統規模愈來愈大，從資料中心、雲端平台到終端裝置，記憶體已經成為決定系統效能的重要關鍵，也因如此，越來越多企業將記憶體視為「策略性資產」，而非單純零組件。

Mike表示：「現在，我們跟客戶合作的時間跨度改變了，在產品正式上市前三到四年便開始合作，從系統架構階段就共同規劃未來需求。」例如，美光科技與NVIDIA共同研發的資料中心所使用的低功耗記憶體，便是雙方提前多年展開深度合作（co-design）的成果。

值得特別注意的是，美光科技除從技術層面與晶片製造商等夥伴共創產品，也在需求層面與客戶進行密切合作，例如，將過去較無約束力、期限僅一年的長期協議（LTA）轉變成為期五年、條款更具約束力的策略性客戶協議（SCA），藉此掌握客戶的未來需求，進而在技術層面做更深度的合作。Mike坦言，深度協同設計是高成本的投入，美光的做法是先廣泛進行市場感知，理解不同場域的需求方向，再與生態系統中的夥伴們展開客製化合作。

從裝置導向轉為Token導向，AI浪潮重寫記憶體成長模式

除了合作模式改變，更大的典範轉移是需求的改變。

Mike解釋，過去記憶體需求跟PC、手機跟伺服器出貨量息息相關，但在AI新世代，推動記憶體需求成長的核心不再是設備數量，而是AI模型所產生的運算與資料消耗量。「AI產業逐漸走向以『Consumption』或『Token』為主的新經濟模式，每一次的模型運算都需要消耗大量的記憶體跟儲存資源，這意味著，即使設備銷量成長趨緩，記憶體需求仍可能持續上升。」

更重要的是，AI應用正從資料中心外擴至手機、PC、自駕車與機器人等場域，儘管不同場域對記憶體的需求不盡相同，但是，Mike認為：所有AI裝置都存在三項共同需求：更快的速度、更大的容量，以及更高的能源效率。

正如Mike在受訪時提到的：「我們最大的挑戰，是如何與客戶和整個生態系保持高度一致，一方面創造供給與產能，另一方面持續推動技術創新。」可以預期，在接下來的五年，記憶體產業面臨的挑戰不僅僅是擴展產能，而是如何與客戶共同規劃需求、同步投入技術創新，而這也是美光科技積極經營AI生態體系的原因。

總的來說，AI帶來的改變，不只是算力提升，而是重新定義整個運算架構：過去，記憶體被視為支援運算的基礎元件；現在，則是決定AI效能、能源效率與創新速度的關鍵資源；當產業競爭從晶片性能延伸到資料流動效率，從裝置數量轉向Token消耗量，記憶體的重要性也將隨之水漲船高，對美光科技來說，這將是其從供應商走向AI生態系核心夥伴的關鍵角色轉變。