五分鐘全方位了解AIoT架構與應用

Q: AIoT 解決企業哪些痛點？

四大經營痛點：達交率不足、直通率偏低、設備頻繁停機、人力短缺對製造業來說，導入 AIoT 不是為了「收集數據」，而是要解決真實痛點：達交率不足、直通率偏低、設備頻繁停機、人力短缺。AIoT 讓管理者能從最終的經營指標（成本、獲利）回推，從過程管理指標（OEE、直通率），一路追蹤到現場 OT 感測數據（轉速、壓力曲線），在問題成形前介入，而非事後補救，這正是AIoT對企業最核心的價值。

Q: 2.雲端與邊緣運算：適合應用場景？

雲端運算和邊緣運算各有特長，適合不同的應用場景。雲端運算：適合大量歷史數據與深度分析。彙整各地廠區的數據，進行歷史趨勢分析、預測性維護和生產優化。例如，企業可透過雲端AI進行跨廠比較，制定最佳的生產排程，提升產能利用率。邊緣運算：低延遲與即時決策。邊緣運算是在設備端或本地伺服器處理，減少等待雲端回應。在智慧製造中，邊緣AI晶片使機械手臂或AGV能即時執行異常檢測或路徑規劃，確保生產線的高效運轉。

Q: Q1：AIoT 和 IoT 有什麼不同？

IoT 負責「連接」和「蒐集」，把設備連上網路，持續回傳溫度、壓力、振動等現場數據。AIoT 則在此基礎上加入 AI ，讓數據不只是被記錄，而是被即時分析、自動判斷、主動決策。

Q: Q2：AIoT 適合那些產業？

製造業：即時監控設備狀態、預測刀具壽命、自動調整製程參數，直接改善 OEE、直通率與達交率。醫療業：穿戴式裝置持續監測心率、血壓、血氧，透過邊緣運算即時分析異常，實現從被動治療到主動預防的轉變。能源管理：即時監控設備用電、自動調整能源配置，友達光電即透過 AIoT 預測用電量，最小化能源浪費。零售業：分析顧客數位足跡與消費行為，即時調整庫存與行銷策略，提升供應鏈反應速度。

Q: Q3：導入 AIoT 前的第一步？

第一步是定義「你要解決什麼問題」。從經營痛點出發——達交率差多少、直通率卡在哪裡、停機損失有多少，再回推需要監控哪些管理指標，最後才定義對應的感測器與取數清單，沒有目標的取數，只會製造更多沒人看的數據。

2025-03-28

作者

莊馥綺

1.4k

AIoT已成為推動產業升級與數位轉型的核心引擎，AIoT是結合人工智慧（AI）與物聯網（IoT）的強大潛力版本，將感測器蒐集的現場數據，轉化為即時決策的依據，讓工廠從「被動應對」進化為「主動預測」，這是智慧製造無法迴避的下一步。

AIoT 是什麼？

AIoT（Artificial Intelligence of Things）是人工智慧AI與物聯網 IoT 的深度融合，加入AI後，設備能偵測資料、理解環境、辨識異常，即時做出決策，讓連網設備進化為具備「智慧決策能力」的系統。

傳統物聯網（IoT）著重感測器與數據收集，但有了數據資料，仍要等待人工分析與決策，分析數據圖表的意義。AIoT 將 AI 人工智慧導入IoT 裝置，運用工業 AI 實現即時分析與自動化反應，目標是實現 AIoT 的核心流程「自動感知→即時分析→主動決策」的閉環。

簡單說，IoT 像眼睛、AI 是大腦，AIoT 即是整合感知、思考、行動的完整系統。

▲圖源：Freepik

AIoT 解決企業哪些痛點？

四大經營痛點：達交率不足、直通率偏低、設備頻繁停機、人力短缺

對製造業來說，導入 AIoT 不是為了「收集數據」，而是要解決真實痛點：達交率不足、直通率偏低、設備頻繁停機、人力短缺。

AIoT 讓管理者能從最終的經營指標（成本、獲利）回推，從過程管理指標（OEE、直通率），一路追蹤到現場 OT 感測數據（轉速、壓力曲線），在問題成形前介入，而非事後補救，這正是AIoT對企業最核心的價值。

AIoT 架構中的數位系統：ERP、MES、SCADA

在 AIoT 架構中，ERP、MES 與 SCADA 扮演三層角色，把企業管理、製造現場與設備監控串接起來：

▲ERP、MES 跟 SCADA可以把企業管理、製造現場與設備監控串接起來圖源：就享知

通過這三者的協作整合，可以為 AI 模型提供完整的數據基礎。搭配機器學習、深度學習技術，設備不只能「感知」，還具備「思考」與「行動」的能力，可以預測設備何時維修、刀具何時更換，甚至自動調整生產參數。

AIoT 架構基本組成

1.感知層：數據收集的前端

環境數據的即時捕捉與感知。由各類感測器、攝影機、RFID組成，監測溫度、濕度、壓力、振動、光照等參數。例如，在智慧製造中，CNC機台、機械手臂感測器會持續回傳運行數據。

最常見的問題：數據黑洞與取數品質

現實工廠多半是新舊機混合產線，只要有一台關鍵舊機沒有納入取數，就形成「數據黑洞」，遮蔽全產線的問題真相。就像木桶理論，智慧工廠的分析能力取決於感測最弱的舊機器。

當舊設備無法汰換時，透過外掛感測器改機取數是最務實的解方。而取數沒做好= Garbage In , Garbage Out ，AI 分析也沒有意義。常見的取數三大誤區：

▲常見的取數三大誤區圖源：就享知

延伸閱讀：IoT與AIoT是什麼關係？

2.網絡層：數據傳輸的橋樑

將感知層收集的數據，傳輸至雲端或本地數據中心。通信協議（如4G、5G、Wi-Fi）會直接影響傳輸速度和穩定性。在智慧製造場景中，5G的低延遲、高頻寬能確保設備數據快速上傳或即時處理，是 AIoT 決策即性的關鍵基礎。

3.應用層：數據價值的實現

AIoT 架構核心，負責數據的分析與應用。透過機器學習、深度學習，把原始數據轉化為執行指令，例如預防性維護、智慧排程和品質檢測。AIoT 在應用層把數據變行動，直接牽動 oee、達交、生產成本。

AIoT 的三大核心技術

AIoT 的實現依賴於三大技術支柱：感測與數據收集、雲端與邊緣運算、人工智慧分析。

1.感測與數據收集：如何取數？

感測器部署於 CNC 機台、SMT 生產線、AGV、AMR 等設備，即時蒐集溫度、振動、電流數據。RFID 技術則記錄產品批次與儲存條件，實現供應鏈的可視化管理。

感測器取數並不是越多越好，正確做法是從營運痛點出發，逆向推導：

營運痛點（達交率、製造成本、報廢率）→
管理指標（OEE、直通率、MTBF）→
失效模式（PFMEA 定義的風險點）→
取數清單（該取什麼、取多少、精度多高）。

這樣的策略，可以確保每一筆數據都貼合明確的業務目標。

2.雲端與邊緣運算：適合應用場景？

雲端運算和邊緣運算各有特長，適合不同的應用場景。

雲端運算：適合大量歷史數據與深度分析。彙整各地廠區的數據，進行歷史趨勢分析、預測性維護和生產優化。例如，企業可透過雲端AI進行跨廠比較，制定最佳的生產排程，提升產能利用率。

邊緣運算：低延遲與即時決策。邊緣運算是在設備端或本地伺服器處理，減少等待雲端回應。在智慧製造中，邊緣AI晶片使機械手臂或AGV能即時執行異常檢測或路徑規劃，確保生產線的高效運轉。

3.AI 分析：診斷標準是什麼？

AIoT 透過機器學習、深度學習、電腦視覺，將數據轉化為行動決策。工業 AI 最務實的分析方法是比較分析：對照優異與落後機台的 IoT 數據，快速定位改善方向。

隨著算力大幅提升，企業不再只看「平均值」，而是用 AI 分析每個數據點，整合現場感測數據、生產工單、供應鏈資訊，讓工廠從「被動應對」進化為「主動預測」。

AIoT 智慧工廠全景：從入廠到出貨的循環

AIoT 智慧工廠的價值

AIoT 的價值不是導入多少精密設備，而是在問題成形前自動介入。

工廠是一部不能停下的高速機器，現場問題都是從微小徵兆累積，當你想先趕急單，很可能設備問題就加速爆發，急單和故障雙向夾擊。

AIoT 現場決策的兩個角色

AIoT 用兩種互補機制解決這個困境：

OT Agent（快思）：規則驅動，毫秒級反應，當感測器數值超出閾值，立即暫停機台，不需人工介入。

AI模型（慢想）：數據驅動，預判未來，分析歷史振動頻譜與品質數據，預測刀具最佳換刀時機，給管理者提前排程的科學依據。

從入廠到出貨的閉環運作

物料入廠：AGV與AMR自動執行卸貨搬運，RFID標籤即時同步至MES完成報到與比對。智慧料架依感測器辨識結果，引導AGV進行最佳上架配置，全程無人化。

精密加工：系統自動調度工件與刀具，內建感測器於加工前完成刀具壽命評估。CNC機台啟動後，刀具與工件狀態即時傳至邊緣運算裝置，自動調整進給速率與轉速，形成閉環式製程控制。

智慧倉儲：工件通過檢測後，系統即時分析可用空間、加工優先順序與下一道工序排程，自動指派儲位並派遣AGV執行。料架依產品周轉率動態分配高頻與低頻儲區，整合垂直式自動倉儲後支援多樓層快速出庫。

跨線調度：所有設備感測資料整合至數據平台，AI模型持續優化排程、資源分配與工序順序。中控系統統一監控機械手臂效率、AMR電量與路徑、刀具耗損、倉儲利用率與生產週期。

出貨追溯：AOI智慧辨識掃描產品序號與規格，自動產出物流資料與品質報告，對接ERP完成出貨。產品履歷與出貨紀錄同步上傳雲端，實現全流程可追溯。

智慧製造從入廠到出貨的閉環運作流程圖源：就享知

AIoT 製造業應用的五大效益指標

AIoT 不是單點設備升級，而是讓工廠五大核心KPI 同時改善，且指標可量化。

達交率：所有指標的火車頭。AIoT 即時監控在製品位置、設備稼動率與物料狀況，在產能瓶頸出現前重新分配資源，而非等到延誤才補救。

直通率（FPY）：製程穩定度的溫度計。直通率低意味大量重工、報廢與材料浪費。AIoT 即時比對壓力曲線與歷史良品數據，偏差超出管制界限時立即調整參數，把不良品攔截在流入下一道工序之前。

單位生產成本：AIoT 讓隱形成本現形。刀具過早更換是浪費，損壞才換損失更大。感測器精準預測最佳換刀時機，直接壓縮耗材成本與報廢損失。

OEE（設備總合效率）：可用率、性能效率、良率三項同步監控。預防非計畫停機、即時調整加工參數、攔截製程偏差，對資本密集型產業，OEE 每提升 1% 都代表固定成本攤提的顯著下降。

人均產值：缺工時代的終極指標。AIoT 以感測器自動採集取代人工報工，讓作業人員從「紀錄數據」轉向「判讀數據」，人力價值向上移動。

▲觀察製造業應用效益的五大指標圖源：就享知

AIoT 的應用趨勢與案例

隨著5G／6G普及、邊緣運算進步與AI演算持續優化，AIoT 會達到更低延遲、高效能的應用，目前也正從工廠快速擴展到醫療、城市與零售。

智慧醫療：從被動治療到主動預防

穿戴式裝置搭配遠距照護平台的需求增長，穿戴設備持續監測心率、血壓、血糖、血氧乃至神經活動，透過邊緣AI辨識異常。智能手環偵測到心律不整徵兆後，可自動聯繫醫師啟動遠距會診。整合基因與生活數據，AIoT 進一步提供個人化健康建議，讓醫療資源配置更精準。

智慧製造：5G 讓萬物即時互聯

5G 為智慧工廠帶來三大助力：

廣連結：串聯人員、機台、物料，消除設備孤島造成的數據斷鏈。
高頻寬：傳輸高畫質現場影像，讓管理者遠端掌握現場即時狀態。
低延遲：雲端控制機器人，避免時間差造成作業衝突，實現遠端精密製造。

台灣製造業落地案例

友達光電以 AIoT 管理微電網，預測用電量並自動調整配電，同時透過製程材料數據找出最佳化配方，減少化廢棄物。

日月光以 AIoT 進行設備維護，即時偵測故障與預測異常，大幅降低停機損失。

AIoT 未來三大關鍵支柱

1. 雲端數據管理與分析：

資料上雲統一管理，提供歷史數據分析、跨廠區管理，把數據轉成業務效益。

2. 嵌入式系統（邊緣 AI ）：

嵌入式裝置搭載邊緣 AI，實現邊緣運算。不須要等待數據回傳雲端，即時在現場做出反應，包括自動駕駛、機械手臂即時控制等是低延遲應用場景，都依靠邊緣運算支持。

3. 資訊安全管理：

AIoT 規模愈大，資安重要性也同步提升。結合用戶、資料、服務、溯源與信任端點五大元素，從應用需求延伸至晶片乃至整個系統的全局思維，是AIoT落地時不可迴避的課題。

AIoT 是製造業數位轉型的起點，從第一個感測器的部署，到數據驅動的自主決策，每一步都在縮短「現狀」與「目標」之間的差距。現在開始取數，才能讓AI真正看見你的現場。

常見問題 FAQ

Q1：AIoT 和 IoT 有什麼不同？

IoT 負責「連接」和「蒐集」，把設備連上網路，持續回傳溫度、壓力、振動等現場數據。

AIoT 則在此基礎上加入 AI ，讓數據不只是被記錄，而是被即時分析、自動判斷、主動決策。

Q2：AIoT 適合那些產業？

製造業：即時監控設備狀態、預測刀具壽命、自動調整製程參數，直接改善 OEE、直通率與達交率。

醫療業：穿戴式裝置持續監測心率、血壓、血氧，透過邊緣運算即時分析異常，實現從被動治療到主動預防的轉變。

能源管理：即時監控設備用電、自動調整能源配置，友達光電即透過 AIoT 預測用電量，最小化能源浪費。

零售業：分析顧客數位足跡與消費行為，即時調整庫存與行銷策略，提升供應鏈反應速度。

Q3：導入 AIoT 前的第一步？

第一步是定義「你要解決什麼問題」。

從經營痛點出發——達交率差多少、直通率卡在哪裡、停機損失有多少，再回推需要監控哪些管理指標，最後才定義對應的感測器與取數清單，沒有目標的取數，只會製造更多沒人看的數據。

【IoT與AIoT 完整地圖】

⬥5G如何加速AIoT？

參考資料：工研院產業學習網、AIoT 是什麼？、AI共學社群、何謂AIoT？、Harbor、COMMEET、什麼是AIoT智慧聯網？、