半導體廠早已高度自動化，舉凡製造執行系統（MES）、統計製程管制（SPC）、先進製程控制（APC）、設備維護、缺陷分析、派工與排程系統各自累積大量資料與自動化能力。然而，一旦設備或製程出現異常，工程師仍經常必須跨系統調閱警報、配方、設備紀錄、量測與歷史事件，再依據經驗判斷根因與處置方式。在日前舉行的SEMICON Taiwan 2026高科技智慧製造論壇，多位領域專家皆認為自主製造下一階段的關鍵，正在於能否把這些分散的資料、領域知識與工程工具組合成可以持續感知、推理、行動與驗證的資料驅動決策循環。
台積電副總經理暨資訊長林宏達博士指出，生成式人工智慧（GenAI）應用於製造現場，可以先由領域技能與領域知識兩個方向建立能力。企業可將標準作業程序、最佳實務、政策、程序、技術文件、論文、筆記與影音等知識納入AI系統，透過持續更新與知識治理，逐步形成企業的數位大腦，再依不同人員的角色與責任提供個人化AI協助。
這種架構的意義，在於工程知識開始脫勾個別工程師或單一團隊，成為系統可以檢索與調用的企業能力。例如對製程高度複雜的晶圓廠而言，單靠資料集中並不足以形成自主決策，AI還必須知道哪些知識適用於特定設備、產品與製程條件，也要具備連結MES及相關工程系統的能力，才能把文件知識轉換成實際處置。
AI代理開始承接工程判斷
林宏達進一步提出數位員工（Digital Employee）與AI專家（AI Specialist）的構想。過往設備發出警報後，由工程師接收訊息，再向AI助理查詢可能原因；若由具備領域知識的AI Specialist接手第一線處理，系統可先查詢知識庫，再檢視不同製造系統與相關資訊，判斷警報可能屬於誤報或真實異常。若符合既有處理條件，也可聯繫MES與相關系統啟動設備復原流程，再整理可能根因與緩解方法，交由人員監督與決策。
類似的AI Specialist也可應用於交班、批次暫停處置及警報根因初步分析。林宏達指出，若大量部署這類AI專家，人員可以把部分資訊蒐集與分析工作交給AI同事，工程師則逐漸承擔AI團隊的領導與監督角色。這也代表企業導入AI的焦點，會由回答問題逐漸擴大到委派工作，系統必須具備資料存取、工具調用與明確責任邊界。
美光智慧製造與人工智慧資深總監Cheng How Tan分享的工程工作流程，也呈現類似方向。實際上，美光建立AI工作平台，讓代理可安全取得資料、調用經過驗證的工具、執行多步驟分析並回傳完整結果。工程師提出問題後，代理再判斷需要哪些資料與分析工具，並透過MCP（Model Context Protocol）連接器與既有製造、分析及MES環境互動。
這類架構另一項值得注意的設計，是將成熟工程方法轉換成可重複使用的Skill。新能力先經過實際使用情境驗證，確認有效後再提升為最佳已知方法，提供組織其他人員調用。如此一來，AI的價值便與企業既有工程方法結合，新進工程師也有機會快速取得過去仰賴資深人員累積的分析程序與處理經驗。
不過，AI代理如果只取得大量資料，仍可能面臨資料關係不明與大型語言模型（LLM）上下文限制。默克數位轉型工程師Paul Kim指出，過去企業把ERP、實驗室資訊管理系統（LIMS）、製程歷史資料系統及非結構化文件集中至Data Lake，建立新儀表板或分析需求時，仍常需重新整理資料與建立資料管線。真正缺少的是資料之間的Context與Relationship。
他的做法是在資料之上建立Ontology本體模型，定義批次、品質、原料與製程資料之間的關係與語意。當AI收到特定批次異常問題，可以沿著這些關係尋找品質、原料與製程資訊，再視需要調用統計工具分析。對大量感測資料，則先以多變量統計製程管制（MSPC）進行特徵萃取與異常判讀，把高維度時間序列轉換成AI可處理的少量監控資訊，再交由代理進一步推理。
知識治理決定自主能力邊界
當AI開始參與實際製造判斷，治理的重要性也隨之提高。美商應用材料策略行銷資深經理Mingyuan Zhao以良率異常為例指出，現有晶圓廠各系統雖高度自動化，工程師遇到Excursion時仍需要人工整合SPC、配方變更、設備維護紀錄與設備Log。不同人員可能得到不同答案，解決方式也容易停留在個別工程師或團隊，使相同推理工作反覆發生。
他提出的方向，是把偵測、洞察、決策、回應以及後續監控與評估串成受治理的學習與回饋機制。系統執行修正措施之後，結果還要持續監控，只有經過驗證的結果才能被學習引擎吸收，進而調整日後相似事件的處理方式。
自主程度也需要逐級增加。第一階段由Advisory AI提供建議，人員保留決策權；之後進入Assistive Workflow與Shadow Mode，讓AI預測與真實結果交叉驗證；再進一步進入受治理行動（Governed Action），讓AI在核准範圍內採取措施，成熟後才進入適應性學習（Adaptive Learning）。每一階段都需要證明結果有效、正確且可控，才能擴大下一階段的自主權限。
因此，自主製造的管理議題將逐漸轉化為決策權限治理。AI能取得多少製造控制權，取決於企業是否已建立可查詢的知識、可靠的資料關係、標準化工程工具、結果驗證以及明確的核准邊界。當這些條件逐步成熟，AI Agent才有機會由工程助理角色進一步到承擔部分製造任務，而人類工程師的角色也將更集中於例外處理、工程判斷、權限管理與AI工作成果監督。