設備智慧化為什麼會從後裝走向原生？[文章全文可下載]

完整文章的PDF檔，歡迎點擊畫面右側「文件下載」取得。

一、從行車紀錄器說起

二十多年前買車，很少有人會問業務：「這台車有沒有內建行車紀錄器？」那時候，行車紀錄器並不是汽車的基本配備。真的有需要，車買回家之後，再找一家汽車百貨或安裝店加裝就好了。當需求還很單純時，這種「後裝」其實非常合理。

車廠不用為了少數人的需求修改整台車，車主也可以依自己的預算與喜好選擇設備。便宜、快速，而且很有彈性。

但後來，道路環境變得愈來愈複雜。交通事故後的責任判定、停車碰撞、保險理賠與行車安全等問題愈來愈受到重視，車主希望掌握的資訊也不再只是「前方發生了什麼」。使用需求也從單純記錄，逐步走向更完整的感知與安全。

於是，相關功能也跟著增加。從單純影像紀錄，慢慢延伸到前後影像、停車監控、環景感知，以及更多與行車安全相關的能力。

但功能愈多、整合愈深，後裝原本的彈性優勢，也開始伴隨更多整合成本與風險。如果每增加一項能力，都要在買車後再拆內裝、拉電源、加鏡頭、裝控制盒，不但施工品質難以一致，也可能碰到配線、訊號整合、系統介接、保固與安全等問題。

當愈來愈多車主都有相似需求時，原廠自然會開始思考：與其讓每一位車主買車後再重新改一次，為什麼不把共通的基礎能力先做好？

於是，原本由外部加裝的「後裝」，開始逐步走向由原廠提供共通能力的「前裝」，並進一步影響產品本身的設計。

後裝、前裝到原生：需求深化如何改變產品設計

行車紀錄器及相關車載感知功能的演進，反映了一個很普遍的產品發展規律：

• 當需求還少、還淺時，後裝最有彈性。
• 當愈來愈多人都有相似需求時，原廠就會把反覆需要的底層能力標準化，例如建立共通平台，在出廠前先完成整合，再由客戶依自身需求選購、啟用與設定。
• 當這些能力進一步成為產品競爭力的一部分時，原廠就會在研發設計之初一併納入，逐步走向原生設計。

真正的演進，並不是「後裝消失、全面改成前裝」，而是把重複、風險較高的「底層改造」逐步前移，讓後續客製從「改硬體」轉向「設定與應用」。當智慧進一步深入產品核心，這些需求更會開始影響產品本身的研發與架構設計。

今天的製造業機台，也正在面對非常類似的演進。只是這一次，逐步走進設備核心的，不只是感測與連網，而是更深層的智慧化與 AI。

二、不是因為 AI 很紅，而是製造業正被現實逼著更智慧

機台設備為什麼需要 AI？答案不是因為 AI 正熱門，而是製造業所面對的市場壓力與組織挑戰正在改變。當交期、品質與成本等壓力持續升高，而人力與經驗又愈來愈有限，工廠自然需要更高程度的智慧來因應。

• 市場壓力

1. 交期更急：少量多樣、快速換線、急單與插單愈來愈常見，反應時間愈來愈短。
2. 品質更嚴：規格愈來愈高，客戶對良率、穩定度與可追溯性的要求也愈來愈嚴格。
3. 成本更高：原物料、能源、人力與設備成本持續增加，必須不斷從現有資源擠出更多效率。

• 組織挑戰

1. 缺工加劇：少子化與勞動人口結構改變，讓製造現場愈來愈難找到足夠而穩定的人力。
2. 經驗斷層：資深工程師與老師傅逐漸退休，長期累積的現場 Know-how 面臨傳承問題。
3. 跨域人才不足：真正同時懂 AI、設備、製程與工業機理的人並不多，導入阻力大。

換句話說，今天的製造業面臨著很現實的矛盾：市場要求愈來愈高，但可用來回應這些要求的人力、知識與時間卻愈來愈有限。

因此，工廠不能再只依賴固定規則、SOP 與少數資深人員的經驗，而必須讓有限的人力，能夠更早發現異常、更快判斷問題，並把經驗逐步轉化為可重複使用的智慧能力。

工業機理 AI 五環：從看見現場到改變現場

AI 是工具，不是目的。製造業導入 AI，不該從「要用什麼 AI」開始，而應先回到現場真正想解決的問題。從這些需求出發，可以把工廠需要的智慧能力整理成「工業機理 AI 五環」。

第一環｜取數：能看到現場

蒐集製造現場數據。

第二環｜洞察：能看懂問題

從數據辨識關鍵徵兆。

第三環｜診斷：能找到原因

整合證據縮小原因範圍。

第四環｜預測：能預判未來

預測現場結果，支援更好決策。

第五環｜優化：能落實改善

把更佳方案安全落實到現場。

這就是「工業機理 AI 五環」：一條從「看見現場」一路走向「改變現場」的能力進化路徑。

三、工廠智慧化，不是靠一個萬能中央系統就能完成

既然工廠需要更智慧，一個很直覺的想法就是：把 ERP、MES、APS、大數據與 AI 做得更強，是不是就夠了？答案是：還不夠。因為工廠並不是單一智慧體，企業、工廠、產線、製程、設備、原物料、夾治模刀與廠務，各自掌握不同資訊，也各自面對不同問題。

1｜企業層：訂單、交期、成本、毛利與客戶優先順序。

2｜工廠／產線層：工單、WIP、排程、產能、瓶頸與 Throughput。

3｜製程層：品質、材料、Recipe 與 Process Window。

4｜設備層：即時物理狀態、健康程度與製程能力。

舉一個最簡單的例子：假設某條產線上有三台完全相同型號的設備，A 是剛驗收不久的新機、B 昨天剛做完 PM（預防保養）、C 已接近下一次 PM 且振動數據顯示已經開始出現輕微漂移。在傳統 MES 的視角下，三台設備可能都是「Available」，因此容易被視為可同等派工的同質資源。但在真實的物理世界裡，當下各自的健康狀況、製程能力與品質風險，其實早就不一樣了。

更好的派工決策，不能只問「哪一台設備有空？」而是要進一步判斷：「這張工單，在現在這個時間點，最適合交給哪一台設備？」這就是因機制宜的核心。

但要做到「因機制宜」，有一個前提：設備必須先讓上層知道自己現在真正的狀態、能力與限制。換句話說，要讓上層做到「因機制宜」，設備本身就必須先能「知己」，而這正是設備智慧化不可迴避的原因。

局部最佳，不代表整體最佳

Local Optimum ≠ System-level Optimization

因此，工業機理 AI 五環並不只存在於一套巨大的中央資訊系統。即使建立全廠 Digital Twin，也不代表是由一個中央模型包辦所有智慧。不論是設備、製程、產線、工廠到企業層，都可以從五環角度檢視並逐步建立自身所需的智慧能力，只是各自主體、資訊範圍與決策尺度不同。

各層的局部最佳解

例如設備把自己的速度調到最快，不代表整條產線效率最高。APS 即使算出最佳排程，如果沒有掌握某台設備在當下生產特定產品時的異常或劣化風險，也不一定是工廠真正最好的選擇。每一層所做出的最佳判斷，也都只是自己範圍裡的局部最佳解（Local Optimum）。

要跨越局部最佳，一個全廠級 Digital Twin 理論上可以支援 System-level Optimization。但面對多廠牌、多型號與持續變化的製程，很難由單一供應商精準建模並長期維護。較可行的做法，是由最了解各對象的設備商、製程人員與系統供應商分工，將設備、製程與產線等的 Digital Twins 組合起來，再透過跨層協作，持續尋找更好的整體解。

分層 Digital Twins：Multi-Agent 協作的基礎

分散並不代表不要中央，而是重新分工：各層負責理解自己，上層負責協調全局。

設備、製程、產線與工廠可以逐步建立各自所需的 Digital Twin，交換彼此的狀態、能力、限制與目標，組合成更完整的全廠 Digital Twin。例如設備不再只回報「Available」，還能提供健康程度、加工特定產品的能力與風險，讓 APS 據此做到因機制宜。

到了 AI Agent 時代，這些 Digital Twins 可以進一步支撐 Multi-Agent 協作，由不同 Agent 交換資訊、協調任務與執行行動。

中央負責看全局，各層負責提供真實狀態；Digital Twins 提供決策依據，Multi-Agent 推動協同決策與行動。而其中非常重要的一個節點，那就是：設備的智慧化。

四、設備要變聰明，但一定要靠工廠自己改機嗎？

既然設備必須智慧化，接下來就碰到一個很實際的問題：誰來做？目前常見的方式，是設備進入工廠後，製造業再依自己的需求，找內部 IT、數位化團隊或外部 SI 進行改造，例如加裝 Sensor、數位錶頭，透過機聯網或 IoT 從 PLC、IPC 或 CNC 取得資料，再串接 Database 與 AI 模型。這就是由客戶主導的「後裝」。

這種作法最大的優點是彈性高。每家工廠生產的產品、關心的品質問題、設備型號與使用方式都不相同，因此，設備進廠後再依需求改機，本來就是合理且常見的做法。

但客戶選擇自行「後裝」，原因不一定只是彈性與成本，有時也是為了保護自己的差異化 Know-how。同業即使購買同一家設備商的相同機型，最後在品質、良率、產能與成本上仍可能存在明顯差距。差異往往來自客戶長期所累積的獨門絕活，例如 Recipe、模治具、控制邏輯、設備改造與製程經驗。而這些能力正是企業不希望競爭對手快速取得的獨門技術。

因此，客戶若請設備原廠參與改機，可能會擔心相關的 Know-how 被有意或無意地應用到其他同業。但是這並不代表 SI「後裝」一定更安全，只是客戶可能認為 SI 對設備與製程的理解較有限，差異化 Know-how 被快速複製的風險相對較低而已。

也就是說，設備原廠未必知道客戶改了什麼、為什麼要改，有時正是客戶基於保密考量而選擇不揭露的結果，這也使得設備商難以取得導入後的數據與經驗。換句話說，智慧化需求可能早已在客戶現場發生，卻沒有回到設備商的產品規劃與研發流程中。

隨著市場壓力升高，客戶對設備智慧化的需求也持續深化，「後裝」改造的成本、風險與整合難度因而不斷增加。早期可能只是接三色燈，蒐集設備機況；但當需求進一步走向預知保養、品質預測與因機派工，就需要分析高頻振動特徵、判斷零組件是否劣化，甚至透過毫秒級資料評估某台設備是否適合加工特定產品。此時，單靠「後裝」因應，就會愈來愈困難。

因為當智慧化進一步深入設備核心，就會開始牽涉設備本身的機械結構、控制邏輯、Sensor 位置、訊號特性、零組件劣化與製程異常徵兆，以及設備原廠長期累積的 Domain Knowledge。這些資訊往往不是客戶或外部 SI 單靠資料介接就能完整掌握。

• 機械結構

控制邏輯與 Sensor 位置

• 訊號特性

Servo 動態與 Alarm 定義

• Domain Knowledge

設備廠長期累積的領域知識

• 異常徵兆

部件劣化、製程異常等徵兆

於是，設備商與客戶便陷入兩難：智慧化愈深入設備核心，技術上愈需要設備原廠參與，讓智慧化從後裝逐步走向前裝，甚至納入原生設計；但另一方面，又必須回應客戶不願揭露差異化 Know-how 的顧慮。

因此，設備商除了主動爭取，更必須建立客戶可以信任的合作方式，包括法律面的保密與智慧財產權約定、技術面的資料留在客戶端、模型黑箱化與 Recipe 權限隔離，以及協作面清楚界定雙方的責任與知識邊界。

設備商要掌握的，不是客戶的獨門配方，而是不同客戶反覆需要哪些設備共通能力，並將這些能力預先納入下一代設備。

前裝共通智慧平台：兼顧應用彈性與 Know-how 保護

這裡很容易產生一個誤會。「前裝」不代表設備商把所有 AI 功能寫死，也不代表客戶必須交出自己的差異化 Know-how。更合理的分工是：設備商預先建立共通的設備能力、運行環境與安全介面；客戶則保留 Recipe、模型、數據與製程秘密的控制權，依自身需求進行差異化設定。

設備商前裝（共通能力）

資料底座

• 感測與資料取得
• 高頻 Data Pipeline
• Cycle Context 定義

AI 運行底座

• Edge Computing 環境
• AI Model Runtime
• 模型部署與更新介面

整合與設備安全底座

• 標準 API 介面
• 安全的參數寫回機制
• 設備 Safety Boundary
• 權限、資安與稽核機制

客戶掌握與設定（差異化 Know-how）

應用目標

• 預測目標與品質指標
• 最佳化目標與限制條件
• 製程預警與處置規則

製程 Know-how

• Recipe 與 Process Window
• 材料、模治具與產品特性
• 品質判斷與參數調整邏輯

數據與模型治理

• 數據、模型的權利歸屬與使用範圍
• 模型黑箱化與 Recipe 權限隔離
• 存取權限與揭露範圍

設備商與客戶的分工，可以用兩種邊界來理解：

設備商定義設備基本的 Safety Boundary，界定哪些參數可以調整、可調整的安全範圍，以及超出邊界時的保護機制；客戶則在設備允許的範圍內，依產品、材料與品質需求，建立自己的 Recipe 與 Process Window。

設備商先定義「不能超過哪裡」，客戶再決定「在安全範圍內，如何做得比同業更好」。

未來真正的變化，可能不是「後裝」被「前裝」取代，而是把設備智慧化拆成不同層次：

• 共通能力前裝：由設備商預先提供資料取得、運算、介面與設備安全機制。
• 差異 Know-how 由客戶掌握：客戶保留數據、模型、Recipe、Process Window 與製程秘密。
• 特殊應用協作擴充：透過標準介面與最小必要授權，由客戶、設備商或 SI 共同完成個案應用。

真正前移的是可重複使用的設備能力，真正留在客戶手中的，是客戶專屬的 Recipe、模型、數據與製程 Know-how。好的前裝平台，不是要求客戶交出獨門配方，而是讓客戶不必反覆改硬體，也能安全地部署、運用並保護自己的差異化能力。

五、「前裝」仍然不是終點：走向 Design for AI

假設某家設備商決定：「以後每一台設備出廠前，我都先在電控箱旁加裝一台 IPC，預先安裝 AI Platform。」這確實比讓每個客戶自行改機進步很多，但距離真正的「設備原生智慧化（AI-Native Machine）」仍有一段距離，因為這套 AI Platform 本質上仍是一個被提前裝上的外掛系統。

「前裝」仍有盲點

如果設備原本的機械、電控、Sensor、控制架構與 Data Architecture 並沒有因智慧化需求而重新思考，前裝本身仍會受到既有架構限制。

因為真正想看的訊號，可能當初就沒有安裝 Sensor；AI 需要的高頻資料，原控制器也未必有保留下來；即使 AI 算出較佳 Recipe，原系統若沒有設計安全的參數寫回機制，最後仍可能只能以「非標準方式介接」，或由人員手動寫回，甚至根本無法安全調整。

這樣的智慧化雖然比純粹後裝更進一步，但本質上仍是「把 AI 硬加到設備上」，還不是「AI 原生設備」。

就像汽車原廠如果只是出廠前幫你把行車紀錄器黏好、線藏好，這可以叫做前裝。但如果車輛本身的感測、電源、通訊與控制架構並沒有為這些功能重新設計，就還稱不上真正的原生整合。

Design for AI 的核心價值

真正的「設備原生智慧化」，應該在設備研發階段就問：

• 哪些物理狀態需要被感知？
• Sensor 應該設計在哪裡，才能取得真正有價值的訊號？
• 哪些資料需要高頻、同步且完整保留？
• Cycle Phase 應該如何明確定義？
• 哪些製程參數未來可能交由 AI 最佳化？
• 哪些製程參數會隨原物料、模治具微調？
• 哪些製程參數會隨耗材與衰退動態調參？
• Process Window 與 Safety Boundary 應該如何設計？
• 設備要如何把自己的狀態、能力與限制提供給上層系統？

當這些問題開始進入設備 RD 的 Design Review，AI 就不再只是一個可有可無的 Add-on，而會成為設備本身的一項 Design Requirement。這就是「前裝」真正走向「原生」的分水嶺。

延伸閱讀：

就像品質不是靠最後檢查出來的，而是在設計與製造過程中建立的。設備智慧也是一樣，真正深入的 AI 化，不是機台做完後再加上一套系統，而是在研發設計之初，就把感測、數據、運算、控制與安全邊界一併納入。這才是 Design for AI，也是設備從「前裝」走向「原生」的關鍵。

六、從後裝、前裝到原生：設備智慧化的演進路徑

設備智慧化的演化路徑，會由後裝逐步走向前裝，並透過 Design for AI，最終形成 AI-Native Machine。

1. 後裝改機：客戶買回設備後，再依智慧化需求加裝 Sensor、IoT、機聯網、上位機與 AI。優點是彈性高，但隨著智慧需求加深，每個客戶重新改機的成本、風險與整合難度也會持續增加。
2. 前裝共通智慧平台＋後裝設定與客製：設備商先把多數客戶共通需要的資料底座、AI 底座，以及整合與治理底座準備好。客戶再依產品、製程與應用需求，設定應用目標、AI 模型與場域參數。如此既保留彈性，也能大幅降低重複改機的工程成本。
3. Design for AI（設計方法）：當智慧化逐漸成為設備的重要競爭力，AI 就不能再被視為設備完成後才決定是否加裝的選配，而應在機構、感測、電控、數據與軟體架構的設計階段，就一併納入作為設計需求。
4. AI-Native Machine（產品結果）：AI 不再是設備旁邊的附加系統，而是從設計第一天起，就成為設備原生能力的一部分。

七、結語

過去設備商競爭的重點，主要是精度、速度、Cycle Time、可靠度與價格，這些基本功未來仍然重要。但當製造業面臨交期、品質與成本壓力持續升高，加上缺工、經驗斷層，以及現場人員能力與熟練度落差擴大，工廠也會更需要提早發現異常、加快問題診斷、預判品質風險，並把更好的方案安全落實到現場。換句話說，客戶對「工業機理 AI 五環」的需求，將持續走向更深、更即時，也更接近設備核心。

這些能力不可能只靠一套中央系統完成。愈要做到細緻的整體最佳化，愈需要關鍵設備持續提供自身真實狀態、能力與限制，再由製程、產線與工廠層進行協調。因此，設備智慧化不會一步到位，也不必一步到位，而會隨著客戶需求逐步由後裝、前裝走向原生。

1. 建立信任並主動參與：看見隱性的後裝需求：當智慧需求仍分散在少數客戶或特殊應用時，通常由客戶自行或委託 SI 進行後裝。設備原廠若希望參與，不能只靠業務爭取，更必須透過保密約定、資料與模型留廠、黑箱化及明確分工，降低客戶對 Know-how 外洩的疑慮，再從實際場景中辨識哪些需求具有共通性與產品化價值。
2. 萃取共通：把重複需求變成前裝底座：當設備商在不同客戶現場反覆看見相似需求，就應辨識其中共通的 Sensor、資料取得、Cycle Context、運算環境、API 與安全機制，逐步建立前裝共通智慧平台。客戶再依產品與製程進行差異化設定。
3. 納入研發：從前裝平台走向 Design for AI：當智慧能力開始影響設備的品質、效率、可靠度與市場差異化，就應將感測、資料、運算、模型部署、控制與安全邊界納入新機研發的 Design Review，逐步走向 AI-Native Machine。

對設備商而言，真正值得提早思考的問題，也許已經不是「現在有多少客戶要求我的設備加 AI？」而是：「如果五年後，客戶要求設備具備更深入的智慧能力，我今天正在開發的這一代設備，有沒有為那一天準備好？」

設備原生智慧化未必會在明天全面發生，也不代表設備商現在就要把所有產品重新設計。較務實的起點是，先從一種機型、一個反覆出現且具高價值的場景開始，逐步補齊感測、資料、運算與介面等共通底座。

從後裝改機走向前裝共通平台，再透過 Design for AI 走向原生智慧，將是設備商值得提早布局的長期方向。