當前製造業同時承受多樣化製程、精密檢測、缺工壓力與跨部門資訊斷層等多重挑戰。許多企業已逐漸意識到，智慧工廠的發展若仍停留在單點設備升級或局部自動化思維，很難真正解決產線效率、品質穩定與營運韌性問題。
人工智慧（AI）快速滲透工業製造場景之後，產業關注的焦點也隨之轉移，企業開始重新檢視資料治理、設備協同、控制平台、安全架構與法規遵循之間的連動關係，期待以更完整的系統規劃方式，推動智慧工廠邁向可持續擴充的下一階段。
《新電子科技雜誌》、《新通訊元件雜誌》、《網管人雜誌》三刊聯合舉辦「AI智慧工廠部署策略論壇」，吸引產業專家齊聚交流。
勤業眾信資深副總簡宏偉表示，智慧製造真正的核心聚焦，始終圍繞在如何讓生產線持續運作、如何保護生產線，以及產品輸往歐盟等海外市場時，企業必須滿足哪些安全與合規要求。過去企業多半把系統開發資源集中在辦公室資訊環境，但工廠端的風險結構與企業網路完全不同。IT強調的是資訊安全，OT場域更在意的則是產線不中斷、設備不失控，以及人員與環境不受影響。由於許多可程式化邏輯控制器（PLC）、監控與資料擷取（SCADA）系統及各式現場控制設備壽命長、停機成本高，修補流程不可能比照辦公室IT處理，因此工廠的防護重點，必須放在架構分區、資產可視性、遠端連線控管，以及IT風險向OT擴散的隔離能力。
勤業眾信資深副總簡宏偉指出，智慧製造推進AI部署之際，企業應同步強化OT資產可視性、工控分區防護與CRA合規規畫，提升產線韌性與治理能力。
簡宏偉進一步指出，企業若有設備或產品準備輸往歐盟，《網路韌性法案》（CRA）已成為無法忽視的門檻。CRA要求製造商在產品規劃、設計、開發、生產、運送與維護各階段納入網路安全風險評估，一旦偵測到漏洞或重大事件，必須在24小時內向歐盟網路與資訊安全局（ENISA）及用戶通報，且至少提供5年的安全更新。工業自動化控制系統、工業物聯網裝置與機器人控制器等，也被列入Class II關鍵類產品，須接受第三方認可機構的更高層級符合性評鑑。簡宏偉認為，企業若希望同時兼顧工控防護與法規遵循，可將IEC 62443視為高效率的切入點，循序補齊管理制度、產品安全開發流程與安全規格設計等缺口，才能把合規要求轉化為可持續執行的產品安全能力。
金屬工業研究發展中心能源與精敏系統設備處處長邱振璋表示，生成式AI可擴充訓練資料與現場變異條件，協助製造業突破瑕疵檢測等應用瓶頸。
這樣的治理思維，也與泰科動力執行長林傳凱對智慧物流的觀察相互呼應。林傳凱表示，製造業常見的瓶頸，在於原料、製造、成品與出貨分屬不同部門，各單位各自追求局部效率，整體產線卻難以達成全線最佳化。例如實務現場常見的情況是原料未能即時補到線邊倉（Line-side Warehouse），成品倉儲無法準確預估，進而造成線邊倉堆積、成品倉爆倉，甚至連走道都被占滿。表面上看似倉儲管理失衡，實際反映的卻是決策邏輯分散、設備控制缺乏統一協調，最終造成系統性的營運失衡。林傳凱強調，新廠若在規劃階段仍讓各部門各自設計設備與流程，後續很容易出現硬體彼此無法協同、流程難以順暢銜接的問題。
因此，林傳凱將解法放在平台層。他提出倉儲資源平台（WRP）概念，將其定位為倉儲物流領域的ERP，再以智慧倉儲控制系統（IWCS）負責現場設備協調與最佳化決策。WRP掌管設備、庫存與工作流，透過API或資料庫介接既有製造執行系統（MES）、企業資源規劃（ERP）與倉儲控制系統（WCS），盡可能保留既有自動倉儲、搬運車與機器人投資，把優化焦點集中在任務統合與分割、動態儲位管理、出庫排程及多品牌設備協同。換言之，AI在此承擔的是全場決策引擎角色，核心價值在於把分散於不同部門的局部效率，整合成整體場域可驗證的營運效率。
創博技術長林緯作指出，AI機器人走入智慧產線後，控制器須同步整合即時控制、感測資料處理與功能安全監控，才能兼顧效能與安全。
跨部門協同成形 平台接手現場決策
慧穩科技總經理林耿呈則將焦點放在AI導入門檻。他表示，許多企業面對快速演進的模型與工具鏈時，最大的困難並非不知道AI有價值，而是擔心導入流程過於複雜，組織無法有效吸收與複製。因此他主張，應先以邊緣運算作為起點，將資料AI與影像AI包裝為開箱即可部署的模組，再逐步向上延伸至代理型AI（AI Agent）與企業專屬大型語言模型（LLM）助理平台。慧穩以WinEdge-N、AIWinOps、WinHub.AI等模組，串起鑑別式AI、生成式AI（GenAI）與AI Agent，目的在於讓製造現場先完成資料蒐集、即時推論、儀表板生成、自動標記與模型訓練，再進一步把專家知識、文件與設備資料轉化為可執行的決策能力。林耿呈認為，AI落地的根本關鍵，仍是先把領域知識融入資料平台，讓通用模型能真正理解製程語境與現場規則。
泰科動力執行長林傳凱表示，智慧物流升級關鍵在於跨部門協同與最佳化，透過平台整合設備、庫存與工作流，可提升整體產線效率。
金屬工業研究發展中心能源與精敏系統設備處處長邱振璋表示，生成式AI帶來的新契機，在於它開始能處理過去自動化與檢測領域難以克服的變異問題。對製造場域而言，最難取得的往往不是正常樣本，而是足夠多、足夠完整的異常樣本。邱振璋指出，在瑕疵檢測場景中，若工廠真能蒐集到大量瑕疵資料，通常也代表產線本身早已存在更嚴重的品質問題。也因此，現階段更具實務意義的方向，是結合生成式AI與鑑別式AI的混合式AI（Hybrid AI）應用，藉由生成光影變化、視角差異與多種環境條件下的訓練資料，擴充模型對現場變數的適應能力。這讓AI不再只適用於理想環境中的單一檢測場景，也更有機會進入高溫、粉塵、尺寸變異與光源不穩定的實際製造場域。
他以鑄造砂芯自動搬運與刻字系統為例說明，鑄造廠現場溫度高、粉塵多、光源不穩，砂芯本身又具有尺寸、重量、正反面與堆疊高度差異，以傳統視覺與固定規則極難穩定處理。金屬中心透過數位孿生（Digital Twin）規劃與深度學習訓練，把砂芯辨識、機械手臂夾取與MES串接刻字整合成完整流程，並利用生成式方式擴增不同光影條件的影像資料，提升辨識模型穩健度。另一個案例則是精密線圈六面瑕疵檢測，系統必須在高速節拍下完成破殼、溢膠與脫線等缺陷辨識，且還要計算缺陷面積與距離，才能真正支援品質判定。邱振璋表示，過去自動化業者因風險過高而不願承接的案型，如今藉由AI能逐步具備量產落地條件。更重要的是，檢測模型完成訓練後，可部署至小型邊緣設備執行，企業不必全面仰賴高階伺服器，真正的挑戰反而回到能否建立持續蒐集資料、修正模型與回饋現場的營運機制。
慧穩科技總經理林耿呈表示，企業導入AI應先從邊緣端模組化部署著手，再逐步串接資料平台、影像訓練與代理機制，縮短落地時間與導入門檻。
機器人進產線 控制與安全同步升級
創博技術長林緯作觀察，AI技術進入智慧產線的路徑，早期多半停留在AI加值視覺階段，也就是機器人本體仍依賴傳統控制器，視覺辨識才交由AI運算，因此常見架構是兩台電腦各自分工。近兩年情勢已開始改變，語音控制、視覺語言模型（VLM）、視覺語言動作模型（VLA）與實體AI（Physical AI）逐漸成熟，AI已不再只是理解環境，也開始直接參與動作規劃與控制決策。林緯作直言，新聞裡看到晚會的人形機器人流暢表演，很多仍屬於傳統運動控制成果；真正把AI放入控制迴路後，必須面對的是記憶體頻寬、低延遲推論、即時通訊與多感測器融合等全新挑戰。
當控制器由單純的「小腦式」運動控制，進一步整合「大腦式」AI決策後，平台就必須同時承擔AI推論、即時運動控制與功能安全監控。林緯作提出三位一體架構，分別對應高層情境感知與任務規劃的大腦、負責毫秒級動力學與運動學計算的小腦，以及擁有最高優先權的安全腦；同時還要結合EtherCAT即時通訊、多軸伺服控制與多感測器整合，AI控制才有機會真正落地。他說明，VLA模型與多模態處理對算力與頻寬要求極高，因此新一代控制器平台已導入更高等級的邊緣AI晶片與即時作業環境，確保AI判斷能轉化為穩定且可預測的機械動作。
林緯作更關注的是，當AI輸出帶有機率性，傳統功能安全標準所面臨的問題，已不再只是性能夠不夠，而是可解釋性與可預測性正被重新檢驗。因此他認為，IEC 61508、ISO／IEC TR 5469等規範必須提早納入發展框架。AI可以負責認知、判斷與建議，但安全監控仍須維持確定性邏輯，必要時由獨立安全層直接介入。隨著歐盟新版《機械法規》（Machinery Regulation EU 2023/1230）預計於2027年實施，設備製造商將面對更具體的功能安全要求。林緯作指出，創博已推出高效能安全控制器，SCB100採用Intel Elkhart Lake處理器，產品已量產，並取得TÜV Rheinland的SIL 2認證；另一款ESC210採用Renesas RZ/T2M MPU，目前仍處於開發階段，但測試樣品已完成，預計可達到SIL 3安全等級。兩款產品皆瞄準高階機器人與智慧產線場景，具備支援機器人運動學、動力學與高階演算法的運算能力。
智慧工廠下一階段的AI部署，已經不是多做幾個模型、多買幾台GPU即可完成的工程。真正具備競爭力的工廠，必須同步處理幾個關鍵層次。其一，資料、知識與製程經驗要能沉澱為可持續利用的數位資產；其二，物流、倉儲與設備調度要能跨部門協同，讓局部最佳化轉為全域最佳化；其三，控制器與機器人平台必須把AI判斷轉化為穩定、可驗證的實際動作；其四，OT資安、功能安全與國際法規要求，必須在設計初期即納入治理架構。模型本身更新很快，但工廠真正難以複製的能力，始終是那套可持續、可驗證、可擴充的決策與治理體系。