製造業是台灣出口主力，當AI進駐工廠，會帶來什麼樣的新風貌和新商機？老師傅經驗傳承的方式有可能變成虛擬教練嗎？或者以後不再有「工人」這個職業？
台灣製造業正走向全世界，而AI正在走進我們的製造業。從晶片戰爭，到海外的人力管理、成本考量，都成為推動工業AI化的各種誘因。提升工廠的良率和效率，就是提升競爭力。比起純軟體、大語言模型，與製造業高度相關的工業AI，正是推動台灣產業升級的好機會。
李傑 Jay Lee｜美國馬里蘭大學特聘講座教授、工業人工智慧中心主任，是工業AI學科化的關鍵推手。曾創立美國國家科學基金會（NSF）智慧維護系統中心，與逾130家企業合作；2019至2021年出任鴻海科技集團副董事長，主導工業富聯與燈塔工廠轉型。今年5月出任ASTM新成立的人工智慧製造系統技術委員會（F50）主席。
綜觀全球製造業導入工業AI的進展，領先企業已做到什麼地步？
李傑： 領先製造業者已經超越單點式AI應用，但轉型仍在進行。第一代工業AI聚焦預測性維護、品質檢測與製程優化；現在領先企業開始透過共通的工業數據、數位雙生與AI代理串接不同應用。
例如，有業者利用工廠數位雙生，讓AI代理在虛擬環境評估生產變更、協調工程與自動化作業，再協助部署後的營運優化。目標不再只是預測機器故障，而是讓AI理解情境、判斷行動、模擬後果，執行經核准的行動並從結果中學習。
目前世界經濟論壇（WEF）全球燈塔網絡已有238個據點，近期入選者約3至4成展現工業AI應用。不過，完全自主的跨流程製造仍在早期階段。真正的前沿，是整合工程、生產、品質、維護與供應鏈的多個AI代理，並由人參與後果重大的決策。
企業推進工業AI的門檻為何？各產業成熟度有落差？標準化會是規模化導入的關鍵嗎？
李傑： 目前推進工業AI的主要障礙已不再是演算法，而在「工業化（industrialization）」的層面：包括數據破碎分散、老舊設備、IT/OT整合、缺乏AI與領域專業知識、難以在高風險環境中驗證AI，以及ROI的不確定性。AI人才短缺與整體勞動力準備度也是主要缺口。
不同產業的成熟度落差非常大：半導體、汽車、電子與其他高度自動化、數據豐富的產業，正朝跨流程整合發展；許多中小型製造商仍集中在品質檢測、預測性維護等單點應用。
要縮小這些落差，標準化愈來愈重要。我們不一定需要將AI模型本身標準化；真正需要的是針對數據、介面、互通性、效能衡量、驗證、數位雙生與人機互動建立標準。否則每個成功的AI應用都會變成高度客製化的專案，難以複製到不同機器、工廠與供應鏈，成本也很高。
總的來說，挑戰正從「試點可行的AI」走向「能可靠地跨工廠與供應鏈運作的AI」。這將是下一波工業AI主要價值所在。
如果產業數據、領域經驗是工業AI的關鍵，製造規模龐大的中國是否更有優勢？台灣如何競爭？
李傑： 中國雖然也在發展AI，但大量算力不一定都用於工程或製造，很多投入繪圖、廣告、生成式代言人、小說、電影、短劇等。不是因為這些比較重要，而是因為它有市場、有直接的商業需求。製造業的領域（domain）專家數據，是最難收集、最累、最辛苦的。所以製造規模大、算力多，不代表工業AI一定領先。
每個國家的本質、素質跟體質都不一樣。例如瑞士人口不多，但集中在長期累積的鐘表、製藥、精密機械等精密產業；新加坡土地與生產成本高，因此選擇集中在高價值生產。它們都根據自己的條件做選擇。
台灣也一樣。台灣的本質之一，就是代工與長期累積的製造力。問題是，怎麼把代工過程累積下來的經驗、數據與know-how用起來。你要用代工去贏？還是用技術去贏？這是2種不同的戰略。所以很難現在就說誰是AI的大贏家，各個國家和公司，其實都還在不同階段。
延伸閱讀：工業AI如何讓生產力提升100倍？台積電前研發處長楊光磊揭「高速公路」思惟
談AI自主，容易聯想到人形機器人。你認為實體AI最該解決什麼？
李傑：「Physical AI（實體AI）」這個詞，現在普遍用得不是很好。一般的理解，是把AI放進一個物理系統裡，例如人形機器人，它可以自主學習、辨認與改變，看起來像人一樣。
但一個小孩放在那裡，他並不會自己學習。他需要父母照顧、老師教導，在學校與社會逐漸形成自己的能力。一個物理系統，也不可能只靠自學。更重要的是：不能只說我要autonomy（自主），卻沒有purpose（目的）。這不符合工業的做法。搬運機器人的目的就是搬運，清潔機器人的目的就是清潔。先要有目的，再去增加它的autonomy。
工業裡已經存在大量有形資產，包括飛機、輪船、風電、電動車、電網、各種機器、發電廠與建築。如果能先提高這些既有物理系統的智慧化、減少不必要的問題，本身就有很大的價值。
未來1到3年，AI將帶來哪些改變？有哪些問題現在被低估？
李傑： 不管是傳統AI或生成式AI，都會帶動大家用AI改變生產力、競爭力、創造力與學習力，這已經在發生。另一方面，重複性很高、價值不高的工作可能被淘汰。即使是重複性高、價值也高的工作，也需要用新方法強化差異化。
但替代之後，顧客的滿意度究竟高不高？這一點還不敢講，也是現在大家想得不夠多的問題。譬如我這次班機被取消，基本上AI就幫不了我。正常情況下，AI可以幫忙；可是班機取消、大規模停飛，甚至整個機場的正常流程被打亂時，大家要怎麼重新訂位？這才是真正的痛點。
所以我把它分成peacetime（和平時期）和wartime（戰時）。AI現在大多是在和平時期解決問題，但更值得探討的是：當異常真的發生，AI能不能處理問題？這個價值可能更高。
延伸閱讀：機器人有種價值叫「擋命」！具身智慧拚落地的2大考驗，成功率沒100％也能導入
如果台灣要建立自己的工業資料基礎，要如何開始？由誰主導？
李傑： 可以先處理共性的問題。但同一類製造也有不同的專業需求，例如精密加工和一般機械的製造方法就不一樣。所以共性的部分可以集中建立；專業的部分，則需要企業與公協會依精密加工、機械、材料等不同領域，各自建立數據。
像工研院這類機構可以做，但第一步要先盤點真正有多少數據來源、多少數據流；學校則可以利用開源資料，做數據分類、分解與分析等基礎訓練。但如果是工業數據與工業大模型，我認為一定要由產業、由工業本身主導，而不能單純由電腦科學主導。因為領域專業性很強。飛機發動機的數據給你看，你不一定看得懂；病人的病歷也是一樣。資料固然要靠電腦計算，但沒有領域知識，就很難真正解決專業問題。
責任編輯：謝宗穎
