義大利製藥公司Recordati位於愛爾蘭科克郡的一座原料藥廠，良率突然掉了4％，各批藥品的品質差異也變大。影響的因素很多，從乾燥時間、原料品質、洗滌溫度、當天氣溫到不同班別的操作習慣，每一項都可能降低良率，甚至互相影響，完全無法確定誰是元兇。
而且這是一家傳統工廠，許多資料不是以紙本保存，就是掃描成PDF存放，感測器數據也沒在使用，一群工程師盯著產線，始終找不到原因。
於是Recordati找上專攻製藥領域的AI公司Aizon，運用該公司提供的工具將資料數位化、轉換成電腦可讀取的形式，並串連以前沒有使用的感測器數據，讓AI比對各項資料。最後的結果指向乾燥時間，這項參數的長短，與最終良率密切相關。把乾燥時間收斂到最佳區間後，短短3個月，這條產線的良率提升1.5％、生產成本降低2％。
AI什麼都能拿來演算⋯ 晶圓「隱形殺手」火速落網
不過Recordati的故事中，值得注意的不是AI終於學會調參數。事實上，早在1990年代石化、煉油產業便廣泛使用閉環控制技術，能夠運用感測器搭配演算法，自動調整壓力、溫度、流量等條件。
AI帶來的變化，是它可以運用散落各處、不同格式，甚至乍看之下毫無關聯的資訊，從中找出過去傳統設備、工程師、老師傅難以發現的關係，得出更好的結果。這改變了機器究竟憑什麼知道，下一步該怎麼調。
「AI能做的，是參考更多資料。」台灣西門子業務推動加速協理范栩指出，「不只是溫度，還有濕度，甚至可能是水庫的水質，然後計算或找出更好的操作點、更好的配方。」
這代表著，AI不僅可以幫工廠找出問題，還已經嘗試回答更難的問題：如果要讓製程表現更好，該怎麼做？而半導體產業已經在試著這麼做。
尤其晶圓製程牽一髮而動全身，數十、上百道製程步驟交互影響，工程師過去只能找出最有可能出問題的因素，逐一調整再實際生產驗證，每一次修改都必須重新投入晶圓、耗費數周時間，且調整一個參數，也可能出現別的缺陷。
產能糾察進擊調參總司令，最後還是要人控？
半導體設備商科林研發（Lam Research）2025年推出的Fabtex Yield Optimizer，就將這個試驗的過程搬到虛擬世界，把晶圓廠既有的實際製程資料，與虛擬矽製程模型（Virtual Silicon）結合，運用AI與機器學習模擬不同製程條件的可能結果，找出影響良率的製程缺陷。
這使得工程師不必犧牲一批又一批的晶圓測試，而是可以先讓AI在虛擬環境中得出方案與建議，再用比較有希望的方案實際驗證。
科林研發Semiverse Solutions總經理艾爾文（Joseph Ervin）指出，當企業能透過虛擬的方式調整製程，無須花費數個月時間實際生產晶圓進行實驗，就能減少提升良率的時間，進而加快產品上市步調。
科林研發公布的案例中，一家未具名晶片製造商遇上複雜的3D結構缺陷、眾多因素交互影響且涉及多個製程，解決起來極具挑戰。不過Fabtex找出了最關鍵的步驟及缺陷成因，提出修正方式，最後在實際驗證中成功解決問題。
但即使AI有能力透過模擬、在虛擬世界找到更好的調整與答案，多數工廠仍會把最後的決策權留在人類手上。那麼當AI能夠驗證答案、自行改良時，能不能連最後一道關卡都交給它？
沙日連線合攻強化學習，省人力還降本15％、節電5％
沙烏地阿美的Fadhili天然氣廠正與日本橫河電機嘗試跨過這一步。2025年10月，橫河電機宣布成功在Fadhili天然氣廠部署了多個協同運作的自主AI代理，用於控制並優化天然氣處理過程中的酸性氣體移除（AGR）作業。
這套系統採用強化學習演算法FKDPP。不過橫河不是直接讓AI代理走馬上任，而是先建立工廠的模擬器，讓AI在虛擬環境中訓練，經過可靠性評估後，才與原有的CENTUM VP生產控制系統整合、沿用工廠既有的安全機制。
強化學習是什麼？
讓AI在不同情境下，透過試錯學會如何做決定的技術。工業AI可先讓模型在虛擬工廠中訓練，橫河電機便利用強化學習演算法「FKDPP（Factorial Kernel Dynamic Policy Programming）」，讓AI代理逐步學習控制天然氣處理製程。
整個導入過程分成3階段，先優化各個環節，再漸漸擴大範圍，最終讓AI取得AGR核心製程的自主控制能力。
橫河電機分享的初步結果中，導入AI代理後胺液與蒸汽用量減少10到15％、電力使用減少約5％，製程穩定性提升，作業員需要手動介入的次數大幅減少，且即使環境條件改變，系統仍能維持運作。
從串連工廠內四散的資料，找出工程師看不出的關聯、利用資料與模型，設計出更好的製程解法，到讓AI自行執行決策，AI在工廠內扮演的角色正一步步改變。
但沙烏地阿美的案例也顯示出，讓AI取得製程控制權，並不是把模型接上產線這麼簡單。煉油廠、化學工廠或半導體廠一個錯誤的控制決策，可能代表產品報廢、設備損壞，甚至造成安全事故。沙烏地阿美與橫河電機透過先讓AI在模擬器中訓練，接上工廠內的安全機制，再分階段授權，才跨過這道門檻。
這也是為什麼，工業AI的發展速度不完全取決於模型有多聰明。即使模型快速進步，工廠仍須謹慎考量AI哪些情況可能犯錯、有什麼後果，以及哪些決策可以交由AI，哪些仍需要人類許可。
沙烏地阿美並不是唯一這樣做的。德國博世（Bosch）的AI機台操作優化系統（AIMO）則更進一步，透過AI讓機器能在運作過程中自主監控、優化並調整製程參數。博世透露，在混合雷射製造的製程上，參數最佳化時間減少超過8成；每條產線每年最多省25萬歐元。
全球98％製造業沒跟上！台廠導入落差也很嚴重
但製造業要跟上這股浪潮，可能還需要一段時間。Redwood Software在2026年製造業AI及自動化展望報告中，調查全球300名製造業人士，發現高達98％的製造業者正在探索或評估基於AI的自動化，但只有20％自認準備好大規模應用。
而台廠的導入落差可能更為懸殊。台灣西門子總裁暨執行長張合翕（翕音同系）指出，台灣最大的那家半導體公司，光是數位基礎設施就有多達3,000人的部門。然而許多中小企業都缺乏這樣架構，「我們去現場時，他們給我們看的機台往往已經30幾年了。」
張合翕說，不僅沒感測器，連用電量等最基本的生產資料都收集不到，AI要能導入產線，前提是要有足夠的資料與環境，「基本上就是工業4.0。有了這個，才疊得上工業AI。」
從事後追查良率下降原因、事前在虛擬環境找出缺陷成因，再到即時管理製程，AI在工廠中扮演的角色也一步步從分析工具轉變為決策者。但這場轉型的起點，或許是產線上的機台該如何串連、留下資料。
范栩｜台灣西門子業務推動加速協理，台大機械碩士，曾任光陽工業引擎研發工程師、台灣西門子數位工廠事業部產品副理。
責任編輯：謝宗穎
