台灣傳統製造商資源較少、機台新舊程度不一，必須以「穿著西裝改西裝」的模式，逐步提升智慧化程度，因此步伐會較慢，不過速度較慢不代表可以停滯不動，在工業4.0趨勢已成的態勢下，沒有智慧升級策略者，將被市場逐步邊緣化，釐清需求、穩健而持續的踏出每一步，才能讓自身企業保持競爭力。

釐清需求才能讓製造系統更貼身
在全球製造領域中，台灣向來扮演重要角色，雖然產值龐大，不過其競爭優勢主要為勞力成本，以物美價廉的產品在市場攻城掠地。1980年代，自動化技術開始普及，各先進國家的製造業者逐步導入，台灣業者因兩岸開放帶來了中國龐大且低廉人力，選擇既有的勞力密集製造模式，錯失產業升級機會，因此在工業4.0浪潮中，產官兩方回頭檢視，才發現台灣多數傳統製造業者都仍停留在半自動的工業2.5，甚至是手工業的工業2.0階段。

面對此態勢，政府與產業這幾年開始重整腳步，以更務實的策略調整企業體質、制定方向與目標，與新進國家相比，台灣製造業智慧轉型的速度或許不快，但工業4.0是長期作戰，走得對會比走得快更重要。

觀察台灣智慧製造的發展歷程，從2011年德國推動工業4.0政策後，自動化廠商與媒體就隨之展開市場教育，經過將近5年的推廣，2016年左右成果開始浮現，陸續有製造業者嘗試導入。根據研究機關統計，2020年已有將近三分之一的台灣製造商著手建置智慧化系統，而且會根據本身特色，將資源挹注於研發能量、生產力的提升。

台灣製造業可概略分為科技與傳統兩種製造業，科技大廠如半導體製造、主機板、電腦等業者，自動化程度非常高，尤其是半導體製造，更早已進入工業3.5階段，透過大數據的累積與分析，改善製程效能。至於傳統製造業的則多為前文所敘的工業2.5甚至是2.0狀態，自動化程度不足，因此無法一步到位導入智慧製造系統，必須先從基礎做起。

AI讓AOI檢測走向智慧化
在工廠製造機制演進過程中，必須按部就班逐步發展，先從製程動線的合理化做起，再將之精實化、標準化，後面才是數位化與智慧化。台灣有意啟動智慧化布局的製造業者，多數先從合理化與精實化做起，由於主事者意願與企業資源不盡相同，各廠商的進度也有差異，目前已有廠商完成這兩項動作，開始導入數位化架構，而智慧製造的功能品項多元，大部分台灣廠商會先選擇成效最快浮現的AIAOI與智慧製造基礎的機聯網。

AOI原本就是工廠維持產品品質的重要環節，透過工業相機、影像擷取軟體等軟硬體架構組成機器視覺架構，解決過去以人眼檢測產品，造成檢測品質不一、效能不佳的問題。
AOI架構在自動化產線中應用已久，技術相當成熟，不過近年來消費性市場走向少量多樣，產品檢測也必須同步演進，以更具彈性的機制因應市場變化。在此態勢下，自動化系統業者開始導入AI，強化此一環節效能。

在AOI架構中的AI，是透過深度學習演算法，智慧識別產品各種瑕疵，此機制不須像以往的AOI，需要以人力方式設定瑕疵樣態，演算法會根據當初訓練模式的條件，自行判定產品良窳，因此特別適合少量多樣的生產模式。這種方式不只在視覺檢測，也有廠商應用於聲音偵測，讓馬達在出貨前，先經過AI從轉動聲音判定軸心有無歪斜，確保產品品質。

除了品質檢測，AIAOI還可以進一步延伸到產線前端，做法是在每一工作站中設置AI攝影機，偵測該站的製造方式是否合於標準？產品是否有瑕疵？若未達標準就立即告知，協助工作人員即時修正，避免產品到最後環節才被判定為不良品，浪費過程中的物料與人力資源。

相較於AIAOI幾近立竿見影的效益，機聯網投資報酬率浮現的速度較慢，不過機台數據擷取和傳輸、儲存，是智慧製造的基礎，因此這也成為現在產業與政府的布局重點。機聯網的第一步是擷取設備數據，目前自動化廠商所推出的新式機台，多已內建感測與通訊功能，可快速組建成聯網架構，困難度較高者是廠內既有的機台，這些機台不一定都有相關功能，要取得數據本就有一定難度，再加上為了維持產能，產線無法長時間停機加裝感測、通訊模組，更大幅提升系統升級的難度。

對此，資料科學專家指出，數據是智慧化的根本，因此即便使用最傳統的紙本，也要將數據紀錄下來。當然以現有的技術，不至於用回容易出錯且無法數位化的人工抄寫作業，近年已有廠商研發出可快速得到機台數據的方式，像是用攝影機判別每一機台上方的三色燈，或是利用光學字元辨識（OCR）識別HMI上的文字，並將之累積成大數據，用來作為分析設備綜合效率（OEE）。

詳細內文請參考網址