人工智能正在顛覆全球制造業形態，這絕對無庸置疑。據IDC預估，***制造業在2018年將會有25%的業者導入人工智能。乍看之下這數字并不令人驚艷，但事實上，制造業已是繼金融業之后，***產業導入人工智能技術最多的領域。制造業者該如何追隨、并在這股趨勢中不脫節？在導入人工智能技術前，制造業者必須理解一件事情，即人工智能系靠數據奠基，透過數據資料的餵哺與消化，最終讓人工智能達到自行調適與優化，因此數據可說是人工智能的「基本食物」。遠東先進纖維營運部協理林偉仁實際以應用端分析，有些制造業者因數據不夠充分，因此即便導入人工智能進行分析，準確率也不到6成，若連人類原先的水平都無法達到，人工智能便沒有任何意義。因此林偉仁建議制造業者，人工智能定要先有大數據支撐，業者若有積極導入人工智能的想法，就必須先著手準備數據，累積越多，分析才會越加精確。***IBM制造事業群副總經理梁晏慈則分析，目前國內制造業對于人工智能的運用，主要著重于兩個需求，其一是質量檢測，其次則是設備預知維護。現階段產業型態中，制造業工廠仍多以人力運行為主，象是由人工負責品檢流程。

　　但此舉往往會面臨因人眼疲勞導致質量不一，或是肉眼無法挑選出太過細微的瑕疵。甚至因勞動人口銳減，造成人力不足或成本高漲，按照此趨勢，人工品檢勢必難以因應市場需求。

　　因此，以機器取代人力的視覺檢測技術，將扮演相當重要的角色。其中，人工智能技術更是能夠讓機器快速進化，提升檢測質量與效率的工具。

　　人工智能與傳統AOI不同的是，前者無需耗時編寫算法，只要讓系統透過大量的影像分辯何為良品、何為不良品、各自的特征是什么，人工智能便會促使機器不斷自我學習并優化，除了能夠達到比人更快的檢測效率外，準確度也會愈加精準，最后達到非人眼可比擬的程度。

　　歸功于深度學習越趨成熟，近年影像辨識技術已可具備相當優異的表現。IBM指出，目前利用人工智能進行品檢的判讀準確率可達9成以上，且更因此協助如汽車制造業者減少80%的檢測時間。視覺檢測可說是目前制造業界運用人工智能技術最廣泛的領域，不僅大幅提升良率，亦可削減產在線的人力需求。

　　就長期表現而言，一旦由人力精簡帶來效益提升，制造業者便可因此明顯感受到智能制造與傳統模式的顯著差異。直白地來說，這便是對于業者最直接、最快速可以cost down的做法。梁晏慈觀察，視覺檢測應是目前多數制造業者會率先導入人工智能的第一個應用。

　　至于設備預知維護，雖其架構龐大，背后需集成非結構性資料如傳感器、零件等的數據分析，然而因對于像半導體或高科技電子產業而言，容不得機臺半路停機所造成的損失，因而早在設備預知預防議題尚未引起討論前，產業就已投入研究與開發，而發展至今日也已具備相對優異的技術水平。為了強化制造技術升級，人工智能已成為新顯學，這是產業未來避不可免的趨勢，只是這當中仍然會因為產業型態的不同而衍生出許多差異。以設備預知預防保養舉例來說，此應用強調針對機臺設備可達到實時監控、提前預警的功效，對于生產在線遍布精密電子零件的高科技電子產業而言，可確保產線運行維持穩定。隨著電子零件越趨精密，高科技電子產業對于品檢把關的要求也日益增高。但這并非代表傳統產業不在乎質量的把關，只是相對于傳統產業的制造模式而言，對于人力需求的調適更加渴求。

　　梁晏慈補充，傳統產業未來比較容易面臨的問題在于少量多樣的挑戰。她指出，如果生產需求變化快速，那么傳統產業將更頻繁地改變產線內容去符合多樣化的需求，這將致使機器在導入人工智能時，必須具備更大量的數據資料與更多樣化的學習模式，才能應變瞬息萬變的市場需求。

　　而人才更迭的問題對于傳統產業來說也是另一項挑戰。至今多數傳統產業的工廠老師傅有些一做就是十幾年，因為舊習難改，因而許多專業知識與寶貴經驗是存儲于腦海中，而非系統性的保存。加上人才銳減，傳統產業只得導入新科技元素來解決這個問題。

　　IBM的IoT Equipment Advisor，類似于IBM的Watson采用自然語言問答系統，基于獲取的知識來確認答案的可信度。Equipment Advisor會從使用者的問題中，利用日積月累的資料去判斷，推薦最合理的方法，并給予信心度指數關連，協助使用者在面臨修復、維護、程序或技術相關的問題時，輔助其進行決策。

　　簡單地說，也就是將工廠老師傅二、三十年的寶貴經驗具體、數據化，并透過任何行動裝置的呈現，從旁提供協助。這可視為知識管理的范疇，梁晏慈認為，這也是傳統產業未來比較有機會接觸且實際運行的人工智能應用。

　　由于此與自動化關聯性較少，因此就算業者現階段并無具備自動化技術，或是設備有無連網功能，兩者之間也并無沖突，對于傳統產業而言，更是一項可快速導入的人工智能應用。