透過可信任的數據，台達的智慧製造從原生數位工廠、資料治理到 Digital Twin，邁向建立 AI- Ready 的製造基礎。
採訪／施鑫澤‧文／鄭宜芬‧刊期／2026.10
製造業細分行業眾多，不同行業的製程技術與數位化水準不一，也使智慧製造需求呈現高度碎片化。
台達智能製造解決方案發展部研發總監楊應龍表示，台達的智慧製造核心，是提供管理、整合及製程技術三個關鍵價值，以行業知識、數位化及工控自動化驅動智慧製造，為製造業者提供融合資訊流、實物流與管理流三者合一的智慧製造系統。
[ 加入 CIO Taiwan 官方 LINE、Facebook 與 LinkedIn，與全球 CIO 同步獲取精華見解 ]
在台達的定位中，智慧製造方案不只是工具，更是企業建立數位競爭力的重要基礎設施，扮演整個製造價值鏈中的「數據中樞」，建立完整的數據空間，是打造 AI-Ready 產線的基礎。
台達的「原生數位工廠」概念，是在設計之初就將智慧製造系統、產品、設備、製程、產線、工廠等實物，以及生產管理視為一個有機整體，建構能夠支撐智慧製造的營運基礎。
擁有完整的架構，有利於應對製造業面臨的全球在地化趨勢。台達透過統一數位平台，實現對全球分散式工廠的集中可視化、協同管理與智慧調度，在不同地區維持標準一致，同時提升效率。
另一方面，面對自動化、無人化生產趨勢，透過設備與產線數位孿生，以及智慧的人機互動介面，讓製造現場從依賴人工經驗，轉向資料驅動，提升設備效能與人機協作效率。
智慧製造同時需要生態圈合作，台達以人機協作與自主化製造提供平台化支援，從設備、軟體到公協會等，都屬於台達積極合作的生態夥伴。
在實際面上，組織如何推動轉型同樣是重要課題。楊應龍指出，台達採取 Top-down 方式，透過高階管理者親自參與，有利於推動跨部門溝通與協調。
例如若讓工廠自己推動自動化轉型，能改變的可能只有約 40%；但如果由企業主訂定規則，例如要求研發單位介入，否則無法通過 NPI、新產品不能上線量產，就能推動產品設計達到 90% 的自動化要求。
透過 Top-down 的方式可避免各部門只從自身KPI 出發，而是能夠從整體製造效益進行思考。例如研發單位的 KPI 是材料成本，但若調整製程雖增加部分材料成本，卻能大幅節省後續製程成本，其實有利於企業整體 Total Cost。
[ 推薦閱讀：決戰下一個紀元！超級智慧的宏大意涵與大國賽局 ]
OT、IT 整合強化資料治理
在智慧工廠導入過程中，OT 與 IT 整合是關鍵挑戰。楊應龍表示，台達協助客戶建立分層式架構，包括設備層、控制層、邊緣運算層、製造執行層（MES），以及企業應用層（ERP、SCM、BI）。
在設備端，透過標準化通訊協定及工業物聯網平台進行資料收集，並針對特定行業採用相應的國際標準，例如半導體業的 SECS／GEM，以及電子組裝業的IPC CFX、Hermes 等協議。Edge 端則負責即時運算與事件處理，以避免延遲。
至於 MES 與資料平台，則需要建立統一資料模型與主數據治理機制，確保不同設備與系統產生的資料具有一致性。台達也重視模組化與平台化設計，以利未來導入新設備、新產線甚至新工廠時，都能快速擴展，不需要重新建置整體系統架構。
不過，OT、IT 整合時容易遇到資料治理問題。每家公司都做了很多系統，甚至很多資料庫中的資料欄位名稱，可能是在描述同一件事情，但欄位名稱卻不一樣。因此資料梳理與清洗，是數位轉型時非常重要的一環。IT 對系統及資料庫結構非常清楚，但不一定了解使用者的痛點與需求，必須先了解「為什麼要這些資料」以及「這些資料要怎麼使用」。
這也攸關企業常面臨的另一個問題：從 OT 層收集大量資料上來，到底要拿來做什麼？如果只是大量收集 raw data，可能增加系統負擔。企業需要先釐清哪些資料是用來做參數最佳化、哪些是用來追溯、哪些是用來做預測預防。
楊應龍表示，有些工廠在轉型時，還不清楚每個製程站別應收集什麼資料。過去多半只是訊息與追溯，確認是否跳製程，但每個製程或產品到底應該收集哪些資訊，以及這些資訊回傳之後要做什麼運用，其實是企業需要釐清的問題。因此，智慧製造的資料治理，需要使用單位提供 domain knowledge，並由 IT從系統與資料架構角度協助整合。
[ 推薦閱讀：以「自適應 AI 治理循環」管理「地下 AI 與模型技術債」 ]
AI 落地 從可信數據開始
近年 AI 在製造業的應用逐漸從 PoC 驗證進入實際生產。楊應龍說明，產業目前較成熟的應用主要集中在 AI 品質檢測、預測維護，以及製程與參數最佳化等領域。
AI 品質檢測透過深度學習技術進行外觀缺陷辨識，可提升檢測效率與一致性。相較傳統 Rule-Based方法，AI 能夠更快速適應複雜產品與多變製程。預測維護則透過設備震動、溫度、電流等高頻資料分析設備健康狀態，提前預警異常，從事後維修走向預防維護，降低非預期停機風險。
在製程與參數優化方面，則結合 MES 與設備資料，利用機器學習模型找出影響良率與產能的關鍵因素，協助改善製程穩定度。
此外，AI 應用於作業引導，透過視覺辨識及人工智慧輔助操作指引，提升人工作業準確性與效率，同時讓作業紀錄數位化並具備可追溯性，以提高品質。資料視覺化與異常快速排除也是應用方向之一。透過高度整合的資料視覺化平台，將設備及產線運轉狀態、關鍵參數即時呈現，幫助現場人員與管理者快速判斷，啟動快速排除流程，縮短停機時間。
楊應龍認為，AI 在製造領域的應用，最主要還是要用情境來引導 AI。企業需要先釐清處於什麼樣的流程情境，再決定需要什麼樣的 AI，例如設備預測預防、品質預測預防，以及參數自我最佳化等。
企業也可以利用 LLM 針對既有資料庫中的問題提供即時回答。例如遇到問題時，系統可以根據既有資料回答第一步要做什麼、第二步要做什麼，以及第三步可以採取什麼建議值。
「系統的建構始終要服務於管理，而不是系統走系統、管理走管理。」楊應龍觀察，有些企業雖然已經導入 MES、MOM，但管理思維沒有改變。他建議應由系統提供參考，協助管理者判斷，讓不同職級的人員擁有自己的 dashboard，可依照需求取得所需要的資訊。台達的 MOM 系統也朝這樣的方向設計。
這種思維同樣適用於 AI 導入。企業第一線需要先釐清希望在管理上取得什麼樣的效益、希望增進什麼，再去思考如何運用既有資料與新技術，而不是沿用舊有管理流程，再把 AI 套進去。因此，台達相當重視建立可信任的製造數據基礎，再發展真正能理解製造情境的 AI Agent 系統。
Digital Twin 降低試錯成本
Digital Twin 的價值在於建立虛擬世界與真實工廠之間的橋樑。要真正做到 Twin，並不是取得一套軟體就可以完成，而是牽涉整個公司的思維與資料基礎。
楊應龍指出，例如從產品研發 PLM 開始就需要建立大量資料，包括產品的 3D 模型、電子元器件的3D 模型，以及過去以文字描述的生產注意事項，都必須進一步資料化，才能真正被系統運用。
台達在發展 Digital Twin 的過程中，是從前端R&D 產生的資料與檔案開始進行數位化。目前台達協助客戶導入的主要應用，包括產線規劃與產能模擬、設備模擬與效能最佳化，以及生產決策支援。在產線規劃與產能模擬方面，在工廠建置前模擬設備配置、人流、物流與產能瓶頸，精確模擬設備細部動作，驗證加工邏輯與流程準確性，再透過甘特圖等分析工具視覺化生產節拍，快速找出瓶頸站的工序，進行調整與虛擬驗證，最佳化設備 Cycle Time。
設備模擬與效能優化方面，則同步設備運轉狀態與即時數據，分析機台效能與異常情況，並離線生成設備配方與模擬生產，讓調機和產線調整不影響實際生產流程。透過虛擬模擬機台與製程，從設計、打樣到調試可縮短約兩成時間。售前亦可透過設備模型方便布局評估，縮短決策週期。
楊應龍表示，台達 Dig it al Twi n 可深入到Physical AI，包括機械手臂、馬達速度與加速度等，甚至可控制 PLC 或馬達驅動器。以台達機械手臂為例，模擬擬真度可達 92%* 以上，不需佔用實際生產空間，可減少試錯成本。而且讓虛擬環境中產生的recipe 不只停留在概念驗證階段，還可以直接下載到實際裝置。* 此為台達機械手臂模擬的平均驗證結果，可能因機型、應用情境與驗證條件而有所差異。
Digital Twin 也同時服務兩種模式。一種是服務 Machine Maker，在製作設備時，可以利用 Digital Twin 模擬設備完成後的動作干涉、效率與 Cycle Time 等；另一種則是服務 End User，在新產品導入時，即使實際產線尚未建置完成，也可以先在虛擬世界進行模擬，甚至在新機種導入時，先在 Digital Twin中進行 recipe 等相關作業。
此外，Digital Twin 也可以支援生產決策，模擬不同排程策略、產品組合與資源配置對產能與交期的影響，讓決策不必完全依賴實際生產後才進行驗證。
[ 推薦閱讀：AI 落地成敗關鍵 FDE 角色日益吃重 ]
從 Connected 邁向 Trusted A I
隨著設備聯網與資料流量增加、歐盟《Cyber Resilience Act》要求產品在上市前具備完整的資安能力，楊應龍建議智慧製造解決方案最好在設計階段納入資安考量：
第一是 Security by Design，在產品與系統開發初期即導入資安需求，從身分驗證、資料加密到軟體更新機制，都納入設計流程。
第二是 Zero Trust 架構，任何設備、使用者與系統連線都必須經過驗證，即使位於工廠內部，也不預設為可信任。
第三則是 OT 資安治理，遵循 IEC 62443 等國際工業資安標準，建立設備、網路與應用層的分層防護機制。
從智慧製造、資料治理到 AI 與數位孿生，台達從企業管理、資料、設備、系統到應用進行整體整合。尤其在 AI 逐漸進入製造流程後，資料是否可信、管理需求是否清楚，以及 IT 與使用單位是否能夠有效協作，都會影響 AI 最終能否真正產生價值。
楊應龍最後強調，未來的智慧工廠有三個要件：Connected（互聯）、Intelligent（智慧）、Trusted（可信任），尤其「Trusted」將成為未來工業 AI 能否真正落地的重要基礎，也是台達的智慧製造藍圖。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
