1769
地缘政治的冲击导致供应链断链危机，促使制造业者意识到必须尽快提高供应链韧性。韧性较高的供应链可灵活应付市场变化，具有高度抗风险的能力。其中，人工智慧(AI)有助于产业实现供应链韧性，企业透过智慧化工具的预测与模拟等能力，可即时掌握市场突发状况并规画应变策略。现阶段AI的技术进展与可用的运算资源呈正相关，目前全球AI技术研究朝向大型模型训练的方向发展，因此需要Exascale超级电脑的支援。若中国台湾能建立自有超级电脑并免费提供学术应用运算资源，将能有效提升技术竞争力。实务应用方面，供应链断链可能成为新常态，因此企业需要整合内部专案，并善用数据与AI工具来提升韧性。
AI技术专注大型模型研究
在AI技术的进程中，模型的规模不断成长，研发所需的算力随之倍增。联发科技资深处长梁伯嵩(图1)说明，2010年之后，AI运算分成深度学习时期以及2016年后的大规模神经网路时期，所需算力大幅成长。大规模神经网路时期相较深度学习时期，应用的算力增加一万倍。其中，Transformer相关的AI模型参数每年成长十倍以上。AI技术的研究主题也朝向多元化发展，2022年以前， Transformer的研究都以文字为主。2022年Transformer研究增加了更多针对图像、影像等方面的研发，文字的研究下降到41%。
图1 联发科技资深处长梁伯嵩认为，中国台湾须要跟上全球积极建置超级电脑的脚步，以确保在AI领域的竞争力 (图片来源：中国台湾人工智慧学校)
大型模型训练的重点之一，是避免採用带有偏见的数据。现阶段研究的大型AI 基础模型(Foundation Model)的训练时间增加，当模型训练时间越长，便能处理越複杂的任务。大型模型需要经过预训练(Pre-train)及微调(Fine tune)，完成预训练的模型，后续可透过不同的微调内容，将模型应用于相关领域内的不同情境中。训练模型的过程中，亟需重视预训练的内容，避免输入带有偏见的数据，以免影响模型未来的表现。
全球以美国为首，积极推动建立Exascale超级电脑计画。因为AI技术的进展与运算资源高度相关，但是目前面临学术发展所需算力不足的挑战。2010 年全球的大型A I模型约六成来自学术界的训练成果，但是2022年则几乎没有来自学术界训练的大型模型。美国为了解决学术资源不足的问题，提供AI学术研究几乎免费的运算资源。
梁伯嵩认为，中国台湾可借鉴美国的作法，除了建立自有的Exascale超级电脑，还须免费提供学术使用，便能促进大型模型训练相关研究。模型训练方面，中国台湾则需要蒐集自有的语料并建立资料库，以避免AI基础模型训练内容中还有偏见。未来科技、文创等多元产业，都可能採用AI产生的素材，因此需要确保模型产生不带有偏见的内容，才适用于中国台湾的使用需求。
可视化系统导入AI强化韧性
AI应用方面，面对地缘政治等因素的衝击，产业高度关注供应链韧性的议题，并思考如何应用智慧化工具提高韧性。纬创资通数位转型产情研析室处长邱之崧(图2)指出，执行供应链转型，需要釐清三个问题，包含：什么是供应链韧性？如何执行？以及如何透过AI强化供应韧性？对电子製造业而言，供应链需要确保端到端流程可视化，以及弹性供应的能力。可视化的重点是需要建立数据中台，才能管理并发挥数据的价值。接著堆迭技术元件、资安元件，来形成模组化的业务服务。
图2 纬创资通数位转型产情研析室处长邱之崧指出，製造业建置可视化的AI管理系统，有助于弹性面对市场的突发状况 (图片来源：中国台湾人工智慧学校)
建立可视化的工作流程之后，就能进一步思考如何应用AI解决业务问题，以提升供应链韧性。以电子製造业为例，厂商希望降低平均库存天数。传统作法是根据库存水位决定备货数量。但是当市场需求出现意外的波动，厂商便无法即时调整库存，可能面临供不应求或者供过于求的风险。因此採用AI串联库存与订单数据，结合大量的机器人与感测器，每小时执行1~20次的即时感测，就能即时掌握调整库存的方向。
钢铁制造AI落地
另一方面，採用传统制程的钢铁制造也需要导入AI来提高竞争力。钢铁产品应用范围广、规格变化大，因此生产管理不易。生产钢铁的传统製程有多段不连续製程，透过不同的生产组合，来生产出不同的产品。每一个生产流程都需要精密控制，才能确保产品品质。中钢自动化与检测系统发展组长吴崇勇(图3)指出，40年前中钢就已经建立自动化流程与完整的资料库，但是当时仅使用传统的统计工具，尚未走向工业4.0。
图3 中钢自动化与检测系统发展组长吴崇勇表示，採用AI同时解决企业内部多项专案共同面临的问题，便能有效提升智慧化效益 (图片来源：中国台湾人工智慧学校)
近六年来，中钢透过AI工具发展智慧化，建立规模更大且更弹性的管理系统，逐步实践工业4.0。中钢发展智慧化的前期专注单一的AI方案，较难评估及量化AI导入后的效益。因此后期整合公司中多项专案，同时解决相关的上游及下游营运问题，才能为公司营运带来明显的帮助。另外，为了建立智慧发展的数据基础，中钢透过AIoT平台串联网域资料，并在每个工厂建立私有云，以管理资料、标记资料、管理模型及调整模型淮确性。
以智慧设备的应用为例，钢铁业需要妥善管理盛装高温钢液的桶子，其中最大的重点是确保桶子不会漏液。因为高温钢液如果不慎外漏，便会引发无法扑灭的火灾。若要监测钢液桶的运作，需要从温度感测方面著手。採用智慧热像仪监测钢液桶温度，确保设备运作过程的温度在合理范围内。此外，测量钢液桶温度，可以推估得知桶子的残壁厚度，温度越高则表示桶身耐火材料残馀的厚度越薄，便能精淮得知需要维修钢液桶的时间，达到控管设备维护成本的目的。
总结中钢投入智慧制造的经验，吴崇勇认为，数据品质是发展智慧製造最关键的基础，数位转型的重点便在于有能力善用数据。而製造业智慧化可依序提升企业的生产力，进而强化竞争力，未来企业也将透过应用AI推动ESG来增加影响力。
智慧製造已成时势所趋
COVID-19疫情、中美贸易战与俄乌战争带来的外部因素衝击，原有供应链的运作模式受到挑战。在地缘政治的变局中，业界厂商必须祭出更加智慧化的策略来应对，以免遭受未来可能再次出现的断链危机衝击。AI作为可有效提升供应链韧性的技术，需要扎实的研究成果，并将AI工具高度结合企业内部的管理需求，才能最大化智慧应用带来的效益。
为了强化技术研发基础，中国台湾面对全球的AI大型模型技术进展，以及避免偏见的模型训练重点，需要投入Exascale超级电脑的建置，并且蒐集中国台湾的语料来建立资料库，才能有效提升中国台湾在AI领域的竞争力。而将AI落地应用于电子製造及钢铁製造等产业，须从釐清业务问题著手，再聚焦于适合採用AI来解决问题。企业内部也能整合多项专案，导入结合AI的管理系统，藉此优化产品製程的安全性与产品品质。
下载ECAD模型
