2011年德國提出工業4.0概念，全球製造業開始進入新一波智慧化革命，無論是工業大國政府或知名工業大廠都動作頻頻，近年來也已看到不少成功案例問世，智慧化之所以能在向來保守的製造領域快速啟動，肇因於內在需求浮現與外在技術提升。
| 圖1 : AI是製造智慧化的重要技術，在廠商的努力下，AI已逐步克服導入問題，落實到製造現場系統。 |
|
「內在需求」是現在消費性市場利潤逐漸薄弱，客戶端的囤貨意願大減，因此製造業所收到的急單、插單比例逐漸增加，另一因素是消費性市場產品走向多樣化，過去的少樣多量製造模式開始減少，這兩大因素都逼使製造業者必須調整生產模式，以靈活具彈性的產線因應隨時而來的訂單。
「外在技術」則是物聯網與AI。IT市場談物聯網已將近十年之久，經過市場教育期後，大約在2010年市場逐漸了解並接受此概念，在此同時，德國開始推動工業4.0政策，市場需求迅速浮現，專為製造業設計的工業物聯網也隨之提出。不過智慧製造與工業物聯網概念也在製造業推動了一段時間，在2016年開始有廠商將意願化為實際行動，市場逐漸出現導入案例。
也在同一時間，Google的AlphaGo挑戰全球職業圍棋棋士，開啟了人類歷史上的第三波AI熱潮，與過去兩次最後黯然收場的發展不同，這次AI挾網際網路所累積的龐大數據與科技產業多年來精進的強大運算能力，拓展出各種應用。
而在物聯網領域，AI被視為最後一塊拼圖，整合雙方技術的AIoT不但填補了物聯網上層平臺的分析運算需求，2017年開始的邊緣運算，更讓物聯網終端設備也具有一定程度的運算能力，讓整體架構更強大、更貼近使用者。
串接訓練與推論兩端 克服實際導入困境
就目前市場來看，製造業是AI應用發展的先行領域之一，藉由工業物聯網的完整架構，現在已有廠商將之實際導入到製程中。凌華科技IST-智能工廠事業中心資深協理鄭名哲指出，AI在工業領域的第一波應用是偵測產線的設備運作與人員狀態，藉此提升系統稼動率。
| 圖2 : 凌華科技IST-智能工廠事業中心資深協理鄭名哲表示，現場端的實際導入才是目前AI的最大挑戰。（攝影／王明德） |
|
過去的產線設備運作、人員動作都是靠現場人員長年培養的經驗設定，但管理人員難以判斷這些動作是否最佳化？而透過AI運算各種數據，就可分析出最佳化結果，進而提升產線效率。鄭名哲表示，在製造現場中，AI必須要同時應用到人與工具兩端，不過要達到此目標，前提是現場所有設備的數據都被收集，並匯集到後端統一應用，才能形成完整網路，讓後端平臺可以統整分析出最佳化策略。
除了建構現場端的網路外，終端設備的應用也是AI在製造業的重點，這幾年談的邊緣運算就是賦予終端設備足夠的運算能力，快速反應產線端會遇到的各種狀況。
現在主流的AI運算法是機器學習，而機器學習中的分支–深度學習更為多數製造業者所採用，機器學習與深度學習都要先經過訓練模式（Training），再將結果下載至終端設備的推論模式（Inference），一般廠商多將重點放在訓練模式的建立，不過鄭明哲從凌華的建置經驗指出，現場端的實際導入才是目前最大挑戰。
由於製造現場的環境多變，上層訓練模式能否與現場匹配？這會決定耗費大量成本的智慧製造系統能否順利導入，鄭明哲直指這也是現在市面上多數POC（概念驗證）無法順利落地使用的主因，而凌華這幾年在AI的布局，就是希望可以將訓練模式的成果順利移轉到現場設備中，目前凌華已在硬體產品中建置應用程式，並以自行開發的ADLINK Edge SDK中介軟體透過ADLINK Data River技術介接兩端，讓製造端可以快速打造出AI系統。
掌握軟硬兩端技術 快速建構AI系統
對於訓練模式與現場設備的匹配問題，凌華科技平臺產品中心嵌入式平臺及模組事業處總監蔡雨利也指出，ADLINK Data River已可串起兩端，解決這兩端的模式移轉問題，不過除此之外，現在業界還有另一個疑惑，深度學習的訓練模式被導入實際應用時，其模式運作與效能表現是否一致？蔡雨利此一問題對硬體廠商是極大考驗。
| 圖3 : 凌華科技平臺產品中心嵌入式平臺及模組事業處總監蔡雨利指出，訓練模式被移轉至實際應用時，其模式運作與效能表現是否一致？將是AI導入關鍵。（攝影／王明德） |
|
對此，凌華的作法是完整掌握軟硬兩端的關鍵知識，他指出目前最常用的深度學習神經網路大約有21種，這21種網路覆蓋了現在大約80%的應用，而凌華不僅已掌握這21種神經網路的型態，同時也與Google（TPU）、NVIDIA、Intel等處理器廠商的加速器協作資源，可以了解每一類型神經網路在不同加速器上的運作效能，這些專業一來可以針對使用端所使用的神經網路類型，推薦最適合的處理器，二來則是要將AI複製到相同產業時，凌華可快速完成最終一哩路的適地化調整。
除了運算端之外，現在AI在製造業應用的另一個瓶頸在於網路傳輸。蔡雨利指出，智慧製造系統要求IT與OT兩套系統整合，而AI運算分析是由IT系統負責，之後再將結果移轉至OT系統，然而IT與OT系統在傳輸速度方面有其落差，IT系統可以忍受一定的延遲，OT系統則對即時性有極高要求，這兩者要串介一直是個問題，過去IT系統遲遲無法被應用於製造端也是肇因於此，但在智慧製造時代，這個問題必須被解決。
對此，蔡雨利認為近年來IEEE制定的TSN將會是此問題的解方，TSN結合了乙太網路與工業通訊的功能，讓兩者可以在同一基礎上運作，解決了乙太網路的即時性與工業通訊的相容性兩大問題，包括凌華在內的各製造設備供應商都高度關注此一技術。
觀察發展現況，AI在製造業的應用已從早期藍圖規畫進展到實際應用階段，現在的各廠商都已開始設法解決導入時所遇到的問題，而以現在廠商所掌握的技術，這些問題要克服並非難事，當成功案例逐漸增加，製造業的導入意願也會隨之提升，就此形成良性循環，智慧製造願景也會開始浮現。
