一、前言

AI能夠讓繁瑣的任務自動化，不僅可以提高工作品質，還能改善人們的工作條件。將生成式AI導入日常工作任務中，有助於提升工作效率、節省人力需求。透過生成式AI省下的工時，讓人們更專注於核心任務，從而有效提高生產力、創造力及績效。生成式AI在製造業的增值效益如圖一所示。

生成式AI可以利用深度訓練的能力與交叉映射(Convergent Cross Mapping, CCM)方法，不斷擴充知識，以便對人類的查詢做出適切的反應，可以被訓練來處理與製造產品的相關流程，包含產品設計、工程技術、生產流程、物流及供應鏈管理，所使用的培訓數據可以涵蓋從感測器、生產設備的時間序列數據、可編程邏輯控制器的指令，以及產品的設計與工程流程。下列將說明生成式AI在製造業的新興應用機會。

二、生成式AI在製造業的新興應用機會

(一)3D列印
生成式AI在3D列印領域中主要應用於新外型與結構設計，並確保產品規格能夠在嚴格的公差範圍內。對於3D列印製造商而言，需要整合生成式AI技術，包括相對應的軟體支持，提供智慧化的設計建議，來完善製造流程，從選擇最佳的3D列印方式、最佳的產品結構設計、最合適的3D列印材料，以確保整體的製作流程順暢、高效，縮短產品上市時間，同時提高設備備件、零件及最終產品的設計靈活性。Frost & Sullivan 預測，製造業將在未來3至5年內逐漸依賴生成式AI技術來拓展3D列印的應用，並推出更全面的3D列印參數設置方案，以充分實現生成式AI的潛力。
市場參與者：美國Ansys公司、美國Autodesk公司、美國/以色列Stratasys公司、美國Desktop Metal公司、法國Dassault Systemes公司、美國PTC公司。

(二)新材料開發
材料資訊學(Material Informatics, MI)利用數據驅動技術(如數據分析、機器學習)快速開發具有所需特性的新材料。開發新材料對化學、製藥、半導體及電子等特定製造領域至關重要。傳統找尋新材料是一個既昂貴又耗時的過程，科學家常常需要合成、描述並測試大量的化合物，才能確定哪些材料最能滿足需求，可能涉及數月或數年的研究，成本高昂；然而，生成式AI模型利用演算法，迅速且準確地模擬數百萬種分子特性，並預測哪些材料最可能具備所需特質，不僅能大幅縮短新材料的研發時間，還能減少成本，帶來更快的新產品開發速度。Frost & Sullivan預測，在未來3至5年，化學、製藥、半導體、電子製造等產業將大量採用生成式AI，且致力於AI技術投資，以強化材料研發。然而由於生成式AI仍屬於新興技術，需要更進一步地深入研究與學習，才能真正解決實際問題，實現商業化。
市場參與者：美國Zymergen公司、美國IBM公司、日本Toyota公司、荷蘭BioBTX公司。

(三)自動化工業機器人
工業機器人正逐漸應用於各種專業領域，其工作任務包含堆疊、分揀、拾取、放置、組件裝配、焊接、高速包裝，以及物料運輸。Frost & Sullivan預測，從2022年至2027年，工業機器人市場的複合年成長率(CAGR)將達到10.78%。傳統工業機器人僅能在規定的範疇內進行精確的最佳操作，面對不確定的環境變動，機器人可能無法有效率地運作，需要進行耗時的重新編程，並導致高昂的停工成本。為了增強工業機器人的能力，透過生成式AI技術，強化機器人的訓練數據與智慧代碼生成，以提供更詳盡的數據集，讓機器人能夠自行編輯程式，以即時調整運行時的行為模式，使其在新的情境中可以快速、靈活地執行複雜任務，不僅具高度的準確性，還能進一步提高生產效率、節省資源。
市場參與者：美國Microsoft公司、英國DeepMind公司(Google子公司)、美國Meta公司。

(四)缺陷檢測
缺陷檢測系統在製造業中的角色，為篩選有缺陷的產品或者分類與識別生產流程中的異常。隨著大數據的興起，缺陷檢測系統越來越依賴AI技術來分析大量數據。由於AI模型必須在大型數據集上進行訓練，但異常狀況的發生率低，取得相關數據困難，將影響AI模型檢測異常狀態的效果。此外，隨著新的缺陷類型出現或製造流程更新，AI模型也需定期進行更新。在未來3至5年間，製造業將逐步採用生成式AI技術，如生成對抗網路(Generative Adversarial Network, GAN)與變分自編碼器(Variational Autoencoder, VAE)生成技術，最佳化質量控制系統的訓練數據，從現有的數據集中生成新的、未見過的數據樣本，提高稀缺數據的量，進而縮短質量控制系統的學習時間，特別是在需要合成辨識缺陷的數據領域，具有巨大潛力。該技術目前處於初始階段，僅於學術論文或研究報告中發表，尚未有代表性的應用案例，但數據科學家仍繼續在這領域深耕，Frost & Sullivan預測，在未來3年內，此技術將能實際應用於特定領域。

(五)AI助理
製造業市場正面臨勞動力人口老齡化的挑戰，導致技術工人短缺、經驗豐富的員工缺乏，威脅製造業的生產力與競爭力。為了應對前述問題，近兩年，採用自然語言處理(Natural Language Processing, NLP)工具已成為製造業之趨勢，以確保珍貴的專業知識與經驗得以保留。未來兩年內，製造業將會運用生成式AI技術開發AI助理，用AI的思維建構專業知識。因此，下一代的製造工廠工作人員將需要與AI助理進行交流、詢問問題，以獲取資訊，幫助工作人員精確地處理數據並做出決策，避免不必要的猜測。
市場參與者：美國C3 AI公司、美國Embassy of Things (EOT)公司、挪威Cognite公司。

(六)數位孿生
製造業可以透過數位孿生，模擬各種情境，並預測系統在各種狀況下的行為，進行虛擬測試而不必進行實際操作，提早辨識風險，加速創新。另外，完整的數位孿生方案需要涵蓋以下六項功能之專業軟體與技術，包括：數據採集與服務、數據整合、數據智慧化、用戶體驗與數據視覺化、數據管理以及數據可靠性等功能。然而，前述技術之開發與整合僅靠單一業者之能力難以實現，因此大規模併購或建立合作夥伴關係，將成為未來市場發展的重要趨勢。Frost & Sullivan預測，從2022年至2027年，製造業領域數位孿生應用的複合年成長率(CAGR)將達到24.2%。
市場參與者：美國Nvidia公司、奧地利Blackshark.ai公司。

(七)汽車產品製造
實際生產之前，汽車業者可透過生成式AI技術，進行虛擬設計生產與測試評估，提高材料與零件的機械性能，靈活調整與擴展其產品，滿足客戶需求，減少未來在汽車市場中的返工成本。目前，雷諾、通用汽車、現代汽車、大眾汽車已經成功地部署生成式AI設計平台。預計在接下來的3至5年內，AI設計平台將進一步優化，以協助使用者實現永續發展之目標。除此之外，英國Secondmind公司開發出一款將AI技術結合到雲端原生架構(Cloud Native Architecture)的引擎最佳化(Engine Optimization)平台，透過主動學習(Active Learning)能讓工程師簡化設計與校正流程，提供既直觀又易於使用的機器學習工具。未來，汽車製造商、委託製造商(OEM)及軟體提供商之間的深度合作將開啟新的商業機會，AI設計平台能成為連接汽車OEM與零組件製造商的資訊共享與協作平台，如零組件共同設計，以強化供應鏈的連接性和合作性。
市場參與者：英國Secondmind公司、美國Autodesk公司、法國Dassault Systemes公司、美國PTC公司。

(八)物流運輸
全球物流業因各大國之間的商業競爭、能源中斷、基礎設施堵塞、原物料短缺而面臨壓力，因此，業者需要運用創新技術來應對前述挑戰。透過生成式AI技術及其AI演算法，讓物流團隊能夠制定最理想的配送計畫與路線(考量客戶需求、交通流量、現有庫存、以及車輛、員工和其他資源的狀態)，進而降低成本、提高效率，同時也減少對環境的影響，並提升客戶滿意度。另外，物流軟體平台必須易於使用，而且能夠適應數據量的增加、需求的變化，以及業務的拓展，進一步節省時間與成本。Frost & Sullivan 預測，在未來5年，應用於物流領域之生成式AI技術所帶來的綜合效益，將成為推動工業市場轉型的重要動力。

(九)再生能源
再生能源業者正逐步使用生成式AI技術，探索運營效率的最佳方案。藉由歷史數據、統計模型、機器學習演算法，模擬不同的價格、成本、生產輸出或考慮其他假設場景，估計未來的需求、庫存、產量，將有助於減少風險、提升財務穩定性。以風能為例，風力渦輪機供應商Vestas公司，已利用生成式AI演算法，依據即時的風向與風速調整渦輪機的位置，確保發電效能的最大化。再生能源是一個資本密集型、高風險/價值的產業，Frost & Sullivan預測，在未來3年，能源產業必須將生成式AI技術與可解釋人工智慧(Explainable AI)相結合，幫助使用者與利害關係人能更好地理解AI所提供之建議，以取得利害關係人之信任並獲得監管機構的許可。
市場參與者：美國Vestas公司。

(十)知識轉移與任務分配
操作員的專業知識與實戰經驗對製造業者來說是無價的，因此，人員培訓成效會嚴重影響著生產效率。操作員訓練模擬系統(Operator Training Systems, OTS) 提供交互式的培訓平台，不僅能夠彌補知識缺口，同時增強對勞動力的管理與培訓。操作員訓練模擬系統利用模擬與虛擬環境為操作員營造真實的學習環境，藉由生成式AI的自然語言處理工具，可將冗長的技術文件轉化為互動式對話；並且可透過顯攝影機、手機等裝置紀錄操作員執行任務的流程，並將前述紀錄轉換成培訓影片；或者可將語音輸入轉化為具體的任務指示；以及將紙本設計圖轉化為數位文檔、專業圖表。此外，該系統還能夠簡化員工的招募、入職流程、培訓、留任以及工作分派，讓業者能夠進行有效的任務記錄、知識傳遞及培訓計畫。
市場參與者：德國SIEMENS公司、美國DeepHow公司。

三、小結

從製造業過去導入自動化系統的經驗來看，要讓自動化系統長期穩定運行並充分發揮效能，精細且周全的設計是不可或缺的，因此，需要深入理解人類、AI，以及整體系統的能力與局限性。目前，對於如何系統化採用AI的方法還不明確。也就是說，儘管生成式AI能加速工作效率，但也帶來了新的任務與挑戰。AI節省的工作時間中，許多時間將會被調整AI指令、驗證AI輸出的最佳化成果、編輯成品等新任務所佔用。因此，即使有了新技術與新應用程式，仍需要改變工作方式、提高技能並投入大量資源，才能真正發揮提高生產力的潛力，這也是一個漫長的過程。近期，AI的急速發展引發了對未來潛在風險的警告，因此，我們在考慮其所有利益時應更為謹慎地使用。