學會自動還要自發 人工智慧將成工業4.0發展關鍵

工業3.0雖然因為大量導入ICT科技，發展出非常高度的自動化應用，但元智大學工業工程學系副教授鍾雲恭指出，自動化程度提高，不代表就是已經智慧化，但如果生產線有問題，機器卻不能自我改善，就需要有人來處理，真正要達到減少人力的目標，其實並不容易。

所幸，隨著人工智慧所須具備的機器學習理論(Machine Learning Theory)的基礎，目前因已發展成熟，機器自我學習的能力得以提升，德國提出的工業4.0展望於焉成形。

鍾雲恭指出，機器人或視訊監控，都是人工智慧應用的具體呈現，以機器人為例，可以將視覺、聽覺及動作成為一體，如裝配需要看到位置及瑕疵，安裝時要注意力道，或是對機台是否造成損壞等，但機台運作久了，難免會有故障，但到底是要停機？還是要自我改善？能不能讓機器自我調整，即使碰到困難，頂多只會發生一次，而且不需要人力維護，就能避免犯下同樣的錯誤，唯有機器能夠自動改善，才能做到無人工廠。

鍾雲恭強調，人工智慧跟自動化的差別，就在於有沒有「學習」或「自我改善」。機器不只要「自動」，還要「自發」。自動化(automatic)設備與具自發性(autonomous)的設備，驅動的數學模式是不一樣的，前者是模式驅動(Model-Driven)，用的是演繹法(deduction)，後者是數據驅動(Data-Driven)，用的是歸納法(induction或generalization)，這也是為何大家得改用人工智慧中的「機器學習理論」來處理大數據的原因。

但實驗室中的理論或實驗結果所得到的資料特性，鍾雲恭認為，仍然不比實際上在物聯網(IoT)或工業物聯網(IIoT)中，具6V特性的大數據(Big Data)還要複雜，許多錯綜複雜且真假難辨，堆積如山又深如大海的網路資料，目前仍無法用實驗室中的人工智慧，有效率地分析與處理。

因此，在「機器學習」之前與之後，都需要資料統計分析技術。但鍾雲恭指出，一般懂機器學習模式的人，卻未必通曉資料的統計分析，就像醫生沒有幕後發明藥的生化專家一樣，病不好治。要成功的發展工業4.0，就必須具備「機器學習理論」，以建立可以處理6V大數據學習演算法模式的專家，與懂得如何分析(analyze)與合判(Synthesize)各類不同特性資料的「統計技術」人才。

此外，資訊系統開發的「計算機科學」人才，也不可少，專攻通訊網路與硬體建設的工程專家，也有一定的地位。因此要發展工業4.0，需要有功夫紮實的跨領域合作團隊，才能在工業4.0崎嶇不平的道路上，披荊斬棘地前進。

從自動化經驗發展人工智慧

鍾雲恭指出，台灣製造業的確進步很快，自政府提倡「生產力4.0」的目標後，業界都向「無人工廠」的邁進，但取代人力的設備與機器的自動化，究竟是仍屬傳統的彈性製造系統(Flexible Manufacturing System；FMS)？或是等級更高的電腦化整合製造系統(Computerized Integrated Manufacturing System；CIM)？還是已經有學習功能，會自發性生產的製造系統？

如製程或規格監控，自動化只能做到區隔是及不是，只要監控結果不在不正常的範圍，系統就會以為還是正常的。但人工智慧可以透過學習結果，從「不一定」的答案中找到答案，就會有能力自己調整監控範圍。

鍾雲恭認為，人工智慧要像機器老鼠走迷宮，當第一個錯誤發生時，要有能力學習，甚至要有能力預測可能出現的錯誤。但傳統的控制模式，都會有假設模式，只要超出假設模式，就很難避免錯誤發生。以影像辨識為例，在擷取訊號或影像，雖然都已經沒問題，但如果是從來沒有看過的資料，就可能會無法辨識，自然就無法避免可能發生的錯誤。

因此，只要問：「這套設備有學習的功能嗎？」就可以知道該設備是否達到工業4.0的級數，但歐美等國開始倡導工業4.0，也才不過5年的時間，台灣現在還很難有真正的學習型智慧機器或生產線，能以精實管理的判斷過程如6個標準差(Six Sigma)為基礎，透過機器學習來完成。

鍾雲恭指出，現今的自動化製造知識，是工業4.0的學習對象之一，機器若沒有「自動」動作，爾後也不會學到「自發」行為。能做到高度自動化，就有機會做到人工智慧化，因為數學模型已經高度完整，網路環境、中央控管系統、大數據分析相對成熟，現在的關鍵是機器本身有無學習能力，更重要的是要學習，為什麼會有問題。

導入人工智慧的目的，在於要做到精準預測，如誤差往往是漸進發生的，但現在的產品製造速度愈來愈快，可能等到察覺問題時，就已經製造出很多不良品，人工智慧因為要走一步學一步，演算法學習速度也許不夠快，但是只要學習完成了，不但不會再犯錯，而且會愈走愈快。

儘快建立成功案例

製造業若希望能在智慧工廠與工業4.0相關領域有所表現，鍾雲恭認為，可能會遭遇的主要挑戰，就是人才不足的問題。如在人工智慧領域，台灣並沒有投入足夠的資源，如數學教育的氛圍需要更加強化，才能培養能夠用機器學習演算法來設計電腦的人才。

反觀大陸，不僅已經擁有自己的超級電腦，也已開始進行人工智慧方面的實驗，如Travel Salesman Problem(TSP)，可深入了解邏輯運算的正確性，大陸的「知識大躍進」，將會是台灣需要面臨的挑戰。

但最主要的挑戰，鍾雲恭認為還是來自企業主本身，是否真的願意投入足夠的研發經費。「怕失敗，怕投資無法回收」是每個企業主一定會有的風險考量，但要搞工業革命，沒有經費，那革命恐怕也會待在「尚未成功」的階段。

政府除要持續高度對製造業施行各項輔導與補助外，也要體認工業4.0是要著重在研發與教育。政府政策必須多管齊下，除加強提升業界現有之多功能自動化的FMS或CIM系統，使之提升至再具有自發性功能外，還要建立教育機器學習理論與演算法設計的環境，如研發可以學習用數據方式來呈現過去製造經驗的智慧機器與設備，儘快建立成功案例，才能夠有效推動人工智慧於工業4.0的應用推廣。