Gen AI 很聪明，但工厂更需要机器学习

当全世界都在谈 Gen AI？

工厂真正需要的是「可验证的设备理解」？
在近年来，ChatGPT、Gemini、Copilot 等 Gen AI 技术快速崛起，掀起全球企业数位转型热潮。从撰写报告、整理资料、生成图片到自动客服， Gen AI 展现出前所未有的能力，也让许多人开始思考，未来工厂是否也能透过 Gen AI 来管理设备、判断故障，甚至取代传统设备监测系统。

然而，当我们真正走进工厂现场，面对机械手臂、冲压机、打线机、切割机、晶圆搬送设备等高度自动化的生产设备时，会发现一个非常现实的问题： Gen AI 虽然很聪明，但它其实不知道「这一台设备」正常运转时应该长什么样子。

对于工业设备而言，最重要的问题并不是如何生成一份漂亮的分析报告，而是如何在数万次、数十万次重複动作之中，判断设备是否仍然维持正常状态。这项工作并非 Gen AI 的强项，而是机器学习真正发挥价值的地方。

更精确地说，工厂需要的不是单纯的 AI 回答能力，而是能被现场验证、能和历史资料比较、能在製程脉络中解释的设备健康模型。 Gen AI 擅长语言与知识整合，但设备健康管理的核心是时间序列、讯号特徵、动作週期、基准偏移与异常趋势。这些资料并不只是「文字问题」，而是需要透过感测、特徵萃取、模型训练与持续比对，才能逐步建立出来的设备理解。

因此，在智慧製造场景中， Gen AI 与机器学习并不是谁取代谁，而是一种分工合作的关係：机器学习负责理解设备， Gen AI 负责理解人；机器学习负责产生可信赖的设备健康指标， Gen AI 负责把这些指标转换成现场主管、维修人员与经营管理层都能理解的决策语言。

设备没有停机，就是设备没有问题？

当手臂关节、滑轨逐渐磨耗，轴承开始劣化，或结构产生微小松动时，设备控制系统仍然显示正常，机台依然能够持续运转，但搬送精度却可能已经开始下降。...

同样的情况也发生在冲压设备上。冲压机可能每天重複数千次甚至数万次加工动作。当模具磨耗、导柱间隙改变或机构疲劳发生时，设备依然能够完成冲压程序，但产品尺寸误差却逐渐增加，造成后续重工与产品报废。

问题在于，这些异常通常不会立即造成停机，因此很容易被忽略。当企业发现良率下降时，往往已经产生大量不良品；当设备真正发出故障警报时，问题通常已经恶化到必须停机维修的程度。因此，设备管理最大的挑战从来不是故障之后如何维修，而是在故障发生之前，如何发现那些看不见的异常徵兆。

这也是设备健康管理与一般维修管理最大的差异。维修管理关心的是「坏了怎么修」；设备健康管理关心的是「还没坏以前，哪些讯号已经开始改变」。前者属于反应式管理，后者则是预测式与预防式管理。

週期性设备最大的敌人不是故障，而是动作偏移？

每一次动作都有固定流程、固定节奏以及固定机械特徵。当设备处于最佳状态时，每一次动作几乎完全一致。然而随着设备老化，滑轨磨耗、轴承劣化、马达性能衰退、齿轮间隙增加、机构松动、润滑不足等问题会逐渐产生。

这些问题不一定会立即造成停机，但却会让设备开始偏离原本的标准动作。也许只是多了 0.1 秒的延迟，也许只是增加微小振动，也许只是搬送位置偏移十几微米。但对高精度製造业而言，这些微小差异都可能成为品质问题的开始。

动作偏移的可怕之处：它通常比故障更早发生

真正的故障往往只是结果，偏移才是过程。以设备劣化曲线来看，设备通常不会从健康状态瞬间变成故障状态，而是先进入「可运转但品质开始不稳」的灰色区间。这个阶段最容易被忽略，因为设备仍然会动，PLC 也没有报警，操作员也不一定听得出差异。

但机器学习可以做的事情，就是把这个灰色区间量化。透过每一次动作的波形、频谱、时间长度、峰值位置、能量分布与相似度变化，系统可以判断设备是否逐渐偏离原本的正常轨迹。换句话说，机器学习不是等设备坏掉才看见异常，而是在设备「还能动但已经不一样」的时候，就把变化抓出来。

传统警报门槛为什么越来越不够用？

以机械手臂为例，一次完整动作可能包含启动、加速、移动、定位、取放、回位等阶段，每个阶段都会产生不同讯号特徵。即使是同一台设备，只要加工不同产品、执行不同程式或使用不同速度，讯号模式就可能完全不同。

因此，单纯使用固定数值门槛，往往会产生两种问题：第一种是正常设备被误判异常，造成现场对系统失去信任；第二种则是真正异常设备没有被发现，让风险一路累积到品质事故或停机事故。

门槛管理的限制，本质上是「没有脉络」

固定门槛最大的问题不是数值设定得太高或太低，而是它缺乏脉络。5 mm/s 对某一台设备可能已经偏高，但对另一台设备可能仍在正常范围；某个频率峰值在 A 製程可能代表异常，在 B 製程却可能是正常动作特徵。若系统只看单一数值，而不看设备身份、动作阶段、历史基准与製程条件，就很难做出精准判断。

这也是为什么越来越多工厂开始从传统门槛管理，转向机器学习监测技术。因为机器学习不是只问「有没有超过某个值」，而是问「这次动作和过去正常动作相比，有没有变得不一样」。这个问题才更接近工厂现场真正想知道的答案。

机器学习真正学习的是设备正常的样子

工业设备的模型通常不能只靠通用知识。因为每一台设备的安装方式、负载条件、工件重量、运转速度、保养习惯与现场环境都不同。

许多人以为机器学习是在学习故障。事实上，机器学习最重要的工作是先学习正常。这个概念很像老师傅。资深维修人员之所以能够快速判断设备异常，并不是因为他们看过所有故障案例，而是因为他们非常熟悉设备正常运转时的样子。只要设备声音、振动或动作稍有不同，他们就能察觉异常。机器学习其实也是相同原理。

透过感测器收集设备正常运转数据后，系统会建立专属于该设备的行为模型。例如正常搬送动作、正常冲压动作、正常切割路径、正常打线程序，都会形成设备专属规范。未来每一次动作执行时，系统都会与规范进行比对。只要出现差异，便代表设备开始发生变化。

这里最重要的观念是：工业设备的模型通常不能只靠通用知识。因为每一台设备的安装方式、负载条件、工件重量、运转速度、保养习惯与现场环境都不同。即使是同品牌、同型号设备，装在不同产线，也可能呈现不同的振动特徵。因此，好的设备健康模型必须具有「设备专属性」，而不是只依靠通用故障百科。

从单点判断到趋势判断：设备健康分数的真正价值

机器学习在设备管理中的价值，不只是判断某一次动作是否异常，更重要的是建立长期趋势。单次异常可能只是杂讯、操作条件差异或短暂干扰，但如果相似度持续下降、频谱特徵逐步偏移、动作时间逐渐拉长，就代表设备健康状态正在发生系统性变化。

因此，设备健康分数不应被视为单一警报，而应被视为设备状态的连续性语言。当健康分数从 95 分下降到 85 分，可能代表设备仍可运转，但已进入观察区；当健康分数下降到 70 分，可能需要安排检查；当健康分数持续下降且与良率波动同步，就可能需要立即介入。这种趋势式管理，正是预知保养与品质预防能够连结的关键。

特徵值清洗才是工业 AI 最重要的核心技术

真正困难的其实是资料处理。工厂设备每天产生大量讯号，包括振动讯号、电流讯号、压力讯号、声音讯号。如果直接把原始数据交给 Gen AI 分析，不但效率低，也很难得到准确结果。

许多人认为 AI 的重点在于模型演算法。但在工业领域，真正困难的其实是资料处理。工厂设备每天产生大量讯号，包括振动讯号、电流讯号、压力讯号、声音讯号。如果直接把原始数据交给 Gen AI 分析，不但效率低，也很难得到准确结果。

因此必须先透过感测器与机器学习流程进行特徵值清洗，将大量原始讯号转换成具有意义的设备健康指标，例如 Dynamic Similarity（动态相似度）、Frequency Similarity（频谱相似度）、Health Score（健康度）、Stability Score（稳定度）、Frequency Over Rate（频率超标率）等。

这些特徵值就像医院检验报告中的血压、血糖、心率与血氧。医生不会只看一整段没有处理过的生理讯号，而是需要经过整理后的关键指标。设备诊断也是如此。特徵值让複杂讯号变得容易理解，也成为后续 AI 分析的重要依据。

资料清洗不是前置作业，而是工业 AI 的成败关键

在工业现场，资料常常比想像中更混乱。例如感测器安装角度不同、取样频率不一致、设备动作未正确分段、异常资料被误标为正常、维修纪录不完整、製程参数没有同步，都会影响模型判断。若前端资料治理不足，再先进的 AI 模型也只会放大错误。

因此，导入设备健康管理时，资料清洗不应被视为工程细节，而应被视为核心能力。企业必须回答几个问题：哪些资料代表正常？哪些资料应排除？设备动作如何切分？不同产品配方是否需要建立不同基准？维修后是否需要重新建模？模型漂移如何监控？这些问题看似技术性，实际上决定了系统能否长期被现场信任。

Gen AI 其实无法直接判断设备好坏？

Gen AI 的限制在于，它擅长基于大量知识进行推论与表达，但设备健康判断需要的是具体现场资料、历史基准与即时比较。

许多人认为，只要把设备数据交给 ChatGPT，就能完成设备诊断。实际上并非如此。假设今天把一张 FFT 频谱图交给 Gen AI，它或许能告诉你可能有 1X 频率特徵、可能存在不平衡现象、可能有对中不良问题。

但它并不知道：这台设备以前长什么样子？这个频率对这台设备而言是否正常？最近三个月是否有变化？与历史资料相比是否异常？这些资讯都必须来自机器学习建立的设备模型。换句话说，Gen AI 知道什么是轴承故障，但机器学习才知道你的轴承是否正在故障。

Gen AI 的限制在于，它擅长基于大量知识进行推论与表达，但设备健康判断需要的是具体现场资料、历史基准与即时比较。若没有这些基础，Gen AI 很容易给出看似合理但无法验证的答案。对工厂而言，最危险的不是 AI 不会回答，而是 AI 回答得很像真的，却缺乏现场证据。

工业 AI 需要的是可追溯、可验证、可行动的答案

设备诊断不能只停留在「可能是轴承问题」这种模糊描述，而应该进一步回答：是哪一台设备？哪一个动作段？哪一个频段开始变化？从什么时间开始恶化？与哪一次维修或製程切换有关？是否需要立即停机？或是可以安排在下一次保养窗口检查？

这些答案需要资料链支撑。机器学习提供异常分数、相似度变化、趋势图与历史比较； Gen AI 则能把这些资料整理成维修建议、风险说明与管理报告。因此，真正可靠的做法不是让 Gen AI 直接诊断设备，而是让 Gen AI 站在机器学习已经产生的可信资料上，进行解释与辅助决策。

第一，导入前要先定义「要解决的问题」
许多企业导入 AI 系统时，容易从技术出发，先问模型有多准、演算法多先进。但真正应该先问的是：这套系统要解决什么问题？是要降低非预期停机？降低刮片风险？减少不良品？延长模具寿命？还是让维修排程更准确？

问题定义不同，资料收集方式、模型设计、警报逻辑与绩效指标都会不同。如果没有先定义清楚，最后很容易变成系统看似很完整，却不知道要如何判断成效。

第二，导入中要建立现场回馈机制
机器学习不是一次建好就永远正确。现场设备会维修、改机、换料、换程式，也会因季节、温度、负载而改变。因此，系统必须和现场人员建立回馈机制。当系统发出异常提示时，维修人员应回填检查结果；当设备保养后，系统应记录事件；当製程条件改变时，模型也应知道资料背景已不同。

这种回馈机制能让模型逐步成熟，也能让现场人员感受到系统不是黑盒子，而是可以共同调整的管理工具。

第三，导入后要用管理指标验证价值
设备健康管理系统的价值，不应只用警报数量衡量。更重要的是要看它是否降低非预期停机、是否缩短异常排查时间、是否减少重工与报废、是否提升保养排程准确度、是否让新人也能依据资料做出接近老师傅的判断。

换句话说，AI 系统不是为了展示技术，而是为了改变管理结果。只有当系统能与 OEE、良率、MTBF、MTTR、维修成本、备品管理与客诉风险连结时，企业才真正把 AI 从展示专案转化为营运能力。

机器学习负责发现异常，Gen AI 负责解释异常

未来智慧工厂最理想的架构，其实是两种 AI 共同合作。

未来智慧工厂最理想的架构，其实是两种 AI 共同合作。第一层是感测器，负责收集设备运转讯号；第二层是机器学习，负责建立规范、特徵值清洗、动作比对、健康度评分与异常侦测；第三层才是 Gen AI，负责解读分析结果、产生诊断报告、提供维修建议与协助决策管理。

如果没有机器学习提供可靠基础资料， Gen AI 就像没有检验报告的医生，即使再聪明，也难以做出正确判断。相反地，如果只有机器学习，没有 Gen AI，系统可能产生大量图表与分数，却无法被管理者快速理解，也无法转换成跨部门沟通语言。

因此，双 AI 架构的价值在于把「设备讯号」转换成「管理行动」。机器学习先把複杂讯号转换成健康指标， Gen AI 再把健康指标转换成现场可以採取的行动，例如：建议检查滑轨润滑状态、观察 X 轴马达振动趋势、安排下一次停机窗口检查模具、比对近期良率下降是否与设备健康分数同步。

双脑分工：机器学习与 Gen AI 的核心能力对比

评估维度	机器学习	Gen AI
核心角色	看懂设备	看懂人
资料输入	物理感测数据、高频时间序列	文字、历史报告、健康分数
核心强项	基准偏移比对、微小异常侦测	知识推论、脉络解释、跨部门沟通
产出形式	健康度、动态相似度	维修建议、风险说明报告

半导体产业案例：机械手臂如何避免刮片风险

当动态相似度下降时，系统即可提前发现异常，避免问题扩大成产品损失。这种方式不只是设备监测，更是品质管理的重要工具。

在半导体工厂中，晶圆搬送手臂是极为重要的设备。每一次搬送动作都关係着产品良率。当 Fork 结构磨耗、滑轨老化或机构松动时，设备不一定会停机，但却可能导致刮片、撞片、定位误差与良率下降。

透过机器学习建立搬送动作规范后，每一次取放晶圆动作都会被持续比对。当动态相似度下降时，系统即可提前发现异常，避免问题扩大成产品损失。这种方式不只是设备监测，更是品质管理的重要工具。

从「设备异常」延伸到「製程风险」

半导体产线的设备健康管理不能只看维修成本，还必须看製程风险。一支手臂的微小偏移，可能影响的不只是设备本身，而是晶圆刮伤、破片、批量报废、客诉与交期延误。因此，设备健康分数若能与良率、破片纪录、Alarm log、保养纪录与 Recipe 资料整合，就能从单纯维修工具升级为製程风险预警工具。

举例来说，当某台搬送手臂的动态相似度在两週内逐步下降，同时某一站点的刮伤率略微上升，即使尚未达到传统警报门槛，管理者也能提前安排检查。这种做法能把维修决策从「被警报推着走」转变为「用数据主动排程」。

冲压设备案例：从设备监测走向不良品预防

一旦动作开始偏离正常规范，即可提早安排检查。企业不再只是等设备坏掉，而是能够主动避免大量不良品产生。

传统冲压设备维护大多依靠定期保养。然而模具磨耗速度并不一定固定。有些模具提前劣化，有些模具则仍然维持良好状态。如果只依靠时间保养，容易造成过度维护、维护不足与不必要成本增加。

透过机器学习监测冲压动作后，系统可以持续比较每次加工特徵。一旦动作开始偏离正常规范，即可提早安排检查。企业不再只是等设备坏掉，而是能够主动避免大量不良品产生。

冲压监测的重点不只在机台，也在模具生命週期

冲压产线的品质变异，常常与模具状态高度相关。模具磨耗、间隙改变、材料批次差异、润滑条件与送料稳定性，都可能改变冲压瞬间的振动与力量特徵。若系统能把每一次冲压动作转换成可比较的特徵值，就能建立模具生命週期的健康曲线。

这样的管理方式可以协助企业回答更精准的问题：某组模具是否比预期更快劣化？哪一段加工动作最先出现异常？目前应该立即换模，还是可以维持到下一个排程窗口？这些问题若只靠经验判断，很容易受人员能力与班别差异影响；若能透过机器学习量化，就能形成更一致的管理标准。

最好的工业 AI，不是最会说话，而是最懂设备

Gen AI 的出现确实改变了世界。但在工业现场，Gen AI 并不会取代机器学习。因为设备管理最重要的工作不是写报告，而是找出异常。机器学习负责学习设备正常状态，负责清洗特徵数据，负责建立健康模型，负责判断设备好坏；而 Gen AI 则负责把这些结果转换成人类容易理解的语言。

因此未来真正成功的工业 AI 架构，并不是单一依靠 Gen AI，而是结合机器学习与 Gen AI 的双 AI 架构。机器学习负责看懂设备， Gen AI 负责看懂人。当两者结合时，企业不只能掌握设备健康状态，更能进一步提升良率、降低停机风险，并真正实现智慧製造的目标。

对製造业而言，这场 AI 转型的重点不是追逐最流行的工具，而是建立一套能长期累积、持续学习、被现场信任的设备知识系统。 Gen AI 可以让知识被更快理解，但机器学习才是让设备状态被正确看见的基础。当工厂能同时做到「看见异常」、「解释异常」与「採取行动」，AI 才不只是技术名词，而会真正成为企业竞争力的一部分。

所以，当企业讨论 Gen AI 如何进入工厂时，真正应该思考的不是「能不能让 AI 帮我写报告」，而是「我是否已经有足够可靠的设备健康资料，让 AI 能够说出有根据的报告」。这正是机器学习在设备健康管理中不可取代的原因。

未来的智慧工厂，不会只靠会说话的 AI，而会靠懂设备的 AI。机器学习让工厂看见设备正在发生什么， Gen AI 让人理解下一步应该做什么。两者结合，才是工业 AI 真正成熟的样子。