学会自动还要自发 人工智能将成工业4.0发展关键

工业3.0虽然因为大量导入ICT科技，发展出非常高度的自动化应用，但元智大学工业工程学系副教授锺云恭指出，自动化程度提高，不代表就是已经智能化，但如果生产线有问题，机器却不能自我改善，就需要有人来处理，真正要达到减少人力的目标，其实并不容易。

所幸，随着人工智能所须具备的机器学习理论(Machine Learning Theory)的基础，目前因已发展成熟，机器自我学习的能力得以提升，德国提出的工业4.0展望于焉成形。

锺云恭指出，机器人或视讯监控，都是人工智能应用的具体呈现，以机器人为例，可以将视觉、听觉及动作成为一体，如装配需要看到位置及瑕疵，安装时要注意力道，或是对机台是否造成损坏等，但机台运作久了，难免会有故障，但到底是要停机？还是要自我改善？能不能让机器自我调整，即使碰到困难，顶多只会发生一次，而且不需要人力维护，就能避免犯下同样的错误，唯有机器能够自动改善，才能做到无人工厂。

锺云恭强调，人工智能跟自动化的差别，就在于有没有「学习」或「自我改善」。机器不只要「自动」，还要「自发」。自动化(automatic)设备与具自发性(autonomous)的设备，驱动的数学模式是不一样的，前者是模式驱动(Model-Driven)，用的是演绎法(deduction)，后者是数据驱动(Data-Driven)，用的是归纳法(induction或generalization)，这也是为何大家得改用人工智能中的「机器学习理论」来处理大数据的原因。

但实验室中的理论或实验结果所得到的数据特性，锺云恭认为，仍然不比实际上在物联网(IoT)或工业物联网(IIoT)中，具6V特性的大数据(Big Data)还要复杂，许多错综复杂且真假难辨，堆积如山又深如大海的网络数据，目前仍无法用实验室中的人工智能，有效率地分析与处理。

因此，在「机器学习」之前与之后，都需要数据统计分析技术。但锺云恭指出，一般懂机器学习模式的人，却未必通晓数据的统计分析，就像医生没有幕后发明药的生化专家一样，病不好治。要成功的发展工业4.0，就必须具备「机器学习理论」，以建立可以处理6V大数据学习演算法模式的专家，与懂得如何分析(analyze)与合判(Synthesize)各类不同特性数据的「统计技术」人才。

此外，信息系统开发的「计算机科学」人才，也不可少，专攻通讯网络与硬件建设的工程专家，也有一定的地位。因此要发展工业4.0，需要有功夫紮实的跨领域合作团队，才能在工业4.0崎岖不平的道路上，披荆斩棘地前进。

从自动化经验发展人工智能

锺云恭指出，台湾制造业的确进步很快，自政府提倡「生产力4.0」的目标后，业界都向「无人工厂」的迈进，但取代人力的设备与机器的自动化，究竟是仍属传统的弹性制造系统(Flexible Manufacturing System；FMS)？或是等级更高的电脑化整合制造系统(Computerized Integrated Manufacturing System；CIM)？还是已经有学习功能，会自发性生产的制造系统？

如制程或规格监控，自动化只能做到区隔是及不是，只要监控结果不在不正常的范围，系统就会以为还是正常的。但人工智能可以透过学习结果，从「不一定」的答案中找到答案，就会有能力自己调整监控范围。

锺云恭认为，人工智能要像机器老鼠走迷宫，当第一个错误发生时，要有能力学习，甚至要有能力预测可能出现的错误。但传统的控制模式，都会有假设模式，只要超出假设模式，就很难避免错误发生。以影像识别为例，在撷取信号或影像，虽然都已经没问题，但如果是从来没有看过的数据，就可能会无法识别，自然就无法避免可能发生的错误。

因此，只要问：「这套设备有学习的功能吗？」就可以知道该设备是否达到工业4.0的级数，但欧美等国开始倡导工业4.0，也才不过5年的时间，台湾现在还很难有真正的学习型智能机器或生产线，能以精实管理的判断过程如6个标准差(Six Sigma)为基础，透过机器学习来完成。

锺云恭指出，现今的自动化制造知识，是工业4.0的学习对象之一，机器若没有「自动」动作，尔后也不会学到「自发」行为。能做到高度自动化，就有机会做到人工智能化，因为数学模型已经高度完整，网络环境、中央控管系统、大数据分析相对成熟，现在的关键是机器本身有无学习能力，更重要的是要学习，为什麽会有问题。

导入人工智能的目的，在于要做到精准预测，如误差往往是渐进发生的，但现在的产品制造速度愈来愈快，可能等到察觉问题时，就已经制造出很多不良品，人工智能因为要走一步学一步，演算法学习速度也许不够快，但是只要学习完成了，不但不会再犯错，而且会愈走愈快。

尽快建立成功案例

制造业若希望能在智能工厂与工业4.0相关领域有所表现，锺云恭认为，可能会遭遇的主要挑战，就是人才不足的问题。如在人工智能领域，台湾并没有投入足够的资源，如数学教育的氛围需要更加强化，才能培养能够用机器学习演算法来设计电脑的人才。

反观大陆，不仅已经拥有自己的超级电脑，也已开始进行人工智能方面的实验，如Travel Salesman Problem(TSP)，可深入了解逻辑运算的正确性，大陆的「知识大跃进」，将会是台湾需要面临的挑战。

但最主要的挑战，锺云恭认为还是来自企业主本身，是否真的愿意投入足够的研发经费。「怕失败，怕投资无法回收」是每个企业主一定会有的风险考量，但要搞工业革命，没有经费，那革命恐怕也会待在「尚未成功」的阶段。

政府除要持续高度对制造业施行各项辅导与补助外，也要体认工业4.0是要着重在研发与教育。政府政策必须多管齐下，除加强提升业界现有之多功能自动化的FMS或CIM系统，使之提升至再具有自发性功能外，还要建立教育机器学习理论与演算法设计的环境，如研发可以学习用数据方式来呈现过去制造经验的智能机器与设备，尽快建立成功案例，才能够有效推动人工智能于工业4.0的应用推广。