工業製造

製造業 AI 失敗的原因很少出在演算法本身，而是出在整合層——也就是來自 24/7 全天候控制網路的乾淨、具情境脈絡的資料，必須在不干擾產線的前提下送達模型的那個環節。我們的做法是打造能在工廠環境中存活、與既有 OT 基礎設施整合、並突破試點產線規模的製造業 AI，並以廠商中立的方式，相容於您廠區現有的各種設備組合。

為何製造業 AI 試點會失敗

以下是我們在幾乎每一個製造業 AI 專案中都會看到的模式：某廠商在一條生產線上執行概念驗證，準確率數字看起來很出色，接著有人向營運副總報告一份投影片簡報。六個月後，這套系統要嘛只在那一條產線上運行、沒有任何擴展計畫，要嘛因為準確率衰退、又沒人編列模型再訓練的預算，操作員已悄悄開始繞過它。

IDC 發現 88% 的 AI 概念驗證從未進入生產部署。具體到製造業，部署率大約落在 13 至 16%。原因並不神秘，但屬於結構性問題：工廠 AI 失敗於整合層，而非演算法層。

阻礙一切的 OT/IT 整合難題

多數製造廠所運行的自動化基礎設施，是為了可靠性與隔離性而設計，而非為了資料共享。PLC 透過專有協定通訊，SCADA 系統將資料記錄至本地歷史資料庫，而 MES 平台則位於防火牆之後——廠務工程師對於開放這些防火牆自然是有所顧慮的。2025 年一份 Gartner 調查發現， 61% 的製造商將其 OT/IT 整合評為基礎級或根本不存在。

這正是 AI 專案所撞上的那道牆。您可以打造出全世界最精密的預測性維護模型，但如果無法在不干擾一條 24/7 全天候運行的生產網路的前提下，將乾淨、具情境脈絡的資料從控制層送進模型，那麼這個模型永遠見不到生產環境。

前瞻性廠區正在採用的架構是一個 統一命名空間（Unified Namespace） ，其建構基礎是用於機台層級情境脈絡的 OPC UA ，以及用於企業資料傳輸的 MQTT 搭配 Sparkplug B （於 2023 年獲批准為 ISO/IEC 標準）。它以發布—訂閱架構取代點對點整合的亂麻，讓每一個資料來源——從 CNC 主軸上的振動感測器到 ERP 生產訂單——都發布到單一的語意命名空間。

實施此架構的廠區回報 AI 部署時間縮短 60 至 80%，因為資料管線只需解決一次，而不必為每一個使用案例重新設計。我們的做法是為既有褐地廠區設計這些架構，並能配合廠區現場既有的西門子、Rockwell、三菱或老舊設備等各種組合。

超越炒作的預測性維護

旋轉設備的振動分析自 1990 年代以來便已是成熟的學科——像 Emerson（CSI）、SKF 與 Fluke 等公司數十年來一直在銷售狀態監測的硬體與軟體。當某廠商告訴您他們發明了 AI 驅動的預測性維護時，通常意思是他們在單一狀態監測資料流（通常是振動）之上加了一層機器學習，然後就稱之為「預測性」。

真正的機會所在，也是其經濟效益之所以引人注目的原因，在於將多股狀態監測資料流與生產情境融合：振動加上熱影像、加上馬達電流特徵分析、再加上聲射，並與機台在該時刻實際生產的內容相互關聯，所得出的剩餘使用壽命估算，是單一資料流分析所無法達成的。

ABB 調查了 3,200 位廠區維護主管 ，發現三分之二的公司至少每月都會經歷非計畫性停機，平均成本為 每小時 125,000 美元。遍及整個製造業，非計畫性停機的估計成本達 每年 500 億美元。妥善部署多資料流預測性維護的廠區回報：

• 降低 25 至 40% 的維護成本；
• 減少 50% 的非計畫性停機事件；
• 投資報酬通常在 12 至 18 個月內實現。

一個專案的範疇涵蓋建置感測器融合管線、邊緣推論層（詳見 我們關於製造業邊緣原生 AI 延遲的研究），以及與您的 CMMS 整合——無論是 SAP PM、Maximo 還是 Fiix——如此一來，維護團隊看到的是可付諸行動的工單，而不是原始的模型輸出。

在生產環境條件下依然可靠的品質檢測

AI 視覺檢測確實有效。已記錄在案的部署顯示，瑕疵偵測率 比人工檢測高出 90%，準確率介於 95 至 99% ，且速度是人工檢測員無法持續維持的。問題在於，那些數字來自在受控光照、零件擺放方向一致、光學鏡頭潔淨的條件下所蒐集的驗證資料集。

進入生產六週後——在光照隨季節變化、刀具磨損、材料批次更換、研磨或焊接產生的微粒沾附鏡頭之後——準確率會悄無聲息地衰退。系統不會拋出錯誤；它只是開始放行有瑕疵的零件，或誤退良品。如果它退掉太多良品，產線主管就會繞過它。如果它放行瑕疵品，您就會從客戶退貨中才發現。這兩種結果都比根本沒有這套系統更糟，因為您付出了部署成本，還額外背上一種虛假的覆蓋率安全感。

我們的做法是設計出能將生產漂移納入考量的檢測系統：

• 環境監測 ，在光照或污染條件變化超出閾值時觸發重新校準；
• 資料集管線 ，自動蒐集並標註邊緣案例以供模型更新；
• 衰退偵測 ，在準確率跌破管制界限之前向品質工程師發出警示。

檢測模型是容易的部分。經生產環境強化的部署才是工程功力所在——請參閱我們的 邊緣 AI 製造檢測實測示範。

數位孿生的落差

64% 的數位孿生專案從未跨出試點階段，而其根本原因幾乎總是資料，而非模擬技術。若您擁有 CAD 模型與製程參數，要建構一條生產線的物理式模擬並不困難。困難的是讓它與現實保持同步，這需要來自每一個相關感測器、致動器與控制器的即時資料饋送，並與生產排程、材料批次與維護歷史相互結合成情境脈絡。

多數廠區並沒有這樣的管線。他們的歷史資料庫資料不完整、標記不一致，且以需要客製化 ETL 才能餵入任何有用系統的格式儲存。西門子展示了其 在 2026 年漢諾威工業展上搭載 NVIDIA Omniverse 的數位孿生編排器（Digital Twin Composer），並以百事公司作為首發合作夥伴。模擬引擎是真實存在的；落差在於餵養它們的資料基礎設施。我們的做法從資料基礎著手，而非從模擬層著手。

當 OT 遇上 AI 的資安

將工廠控制網路連接到 AI 系統，會開啟一個多數製造業 IT 團隊無力防禦的攻擊面。鎖定製造業的威脅行為者 在 2024 年至 2025 年初之間增加了 71%，而識別並遏制一起製造業資安入侵的平均時間為 272 天，遠高於跨產業平均值。

挑戰在於，OT 資安與 IT 資安是不同的專業領域。 IEC 62443 為工業自動化定義了區域與管道（zone and conduit）資安架構，而 NIST 則於 2025 年發布了其 資安框架 2.0 製造業設定檔（IR 8183 Rev 2） 。但多數 AI 部署為了把資料取出，會在 OT 網路邊界上打洞，恰恰製造出這些框架所設計要防範的那種不受管控的橫向移動路徑。我們的做法是設計出尊重 OT 網路分區的 AI 資料架構——在必要時運用邊緣運算與單向資料二極體——如此一來 AI 便能取得其所需的資料，而不會把控制網路變成一條攻擊途徑。

法規轉變：搭載 AI 的機械

該 歐盟機械法規 2023/1230 將取代機械指令 2006/42/EC，生效日為 2027 年 1 月 20 日，且無過渡期。此法規首次明確涵蓋機械中基於 AI 的安全功能。製造商必須：

• 為可追溯性記錄資料治理實務、訓練資料版本以及系統設計規格；
• 提供 AI 決策流程的詳細說明。

如果您向歐盟市場銷售搭載 AI 安全功能的機械，您的合規計畫現在就必須開始運作，而不是在截止期限前六個月才啟動。我們的做法協助製造商將其搭載 AI 的機械對應到新的要求、建置文件成果，並準備符合性評鑑機構將會審查的技術檔案。

突破試點產線規模

製造業 AI 最大的浪費並非失敗的試點——而是一個成功卻從未擴展的試點。廠區在第 3 號產線上驗證了概念、指標看起來很好，然後就沒有下文了，因為沒有人為整合工作、再訓練管線，或支援 12 條產線（而非一條）所需的基礎設施做規劃。Deloitte 報告指出，製造業中代理型 AI（agentic AI）的採用率將 在 2026 年從 6% 翻兩番至 24%。需求是存在的；執行落差在於擴展，而非試點。

我們從第一天起就圍繞著生產部署來規劃專案：試點產線是一套範本、資料架構支援多產線擴展、再訓練管線是自動化的，而 MES/ERP 整合則是參數化的。由於那套管線只設計一次並可重複使用，從一條產線擴展到十二條，其目標是成為一項以「週」為單位計量的組態變更，而不是又一個為期十八個月的專案。

為何不選大型系統整合商或平台廠商？

像西門子、Rockwell 與 PTC 這樣的平台廠商，確實打造出優異的自動化基礎設施，但他們的 AI 能力設計初衷是要把您留在他們的生態系裡。以西門子為主的廠區得到的是西門子 AI；Rockwell 廠區得到的是 Rockwell AI。如果您的廠區運行的是混合式自動化——多數廠區都是如此——那麼兩家廠商都沒有動機去建置跨平台的整合層，而更換自動化廠商的成本可能比蓋一座新廠還要高。

大型顧問公司收費 每小時 300 至 500 美元，將這類專案執行 6 至 18 個月，並從通用人力庫調派人員。他們把專案管理得很好，但撰寫工作說明書（SOW）的那些人，很少親自除錯 PLC 通訊故障，或設計出能在焊接工作站電磁干擾（EMI）中存活的邊緣部署（請參閱 我們關於製造業邊緣原生 AI 的白皮書）。我們的模式是以廠商中立的方式運作、針對每個廠區的設備組合與資料架構進行客製化打造，並以具備工廠現場經驗的工程師來配置人力——一支規模較小、專注的團隊，沒有平台鎖定。