1995年，西洋棋大師卡斯帕羅夫敗給了體重1.4噸的人工智慧電腦「深藍」，這是人工智慧（AI）第1次打得人類猝不及防地滿地找牙。2016年世界圍棋冠軍李世石在與AlphaGO的比賽中投子認輸，人們開始驚覺到人工智慧的力量已不容忽視。時隔20餘年，浪潮迭起，未來已至，人工智慧正在全球引領一場比網際網路影響更為深遠的科技革命，顛覆現有的商業模式，重塑產業的思維方式。
李開復在《人工智慧》一書中將這次的人工智慧復興稱之為「第3次AI熱潮」，這一次熱潮最大的不一樣在於，AI真正從學術界走到工業界和人們所處應用的場景中，AI技術革新賦能產業升級正成為現實。在此發展背景下，科技部為掌握AI來襲的浪潮，在2017年亦擬定AI科研戰略，以5大推動方向，如建置AI雲端平台和成立AI創新研究中心等，期待全面提升臺灣未來在AI領域的競爭力，近期更有推動半導體射月計畫，目標要在2022年讓臺灣成為AI大國。
AI賦能製造業，本質是「人機協同」
伴隨著人臉辨識、無人零售等新技術帶來消費升級，人工智慧已幫助零售業圍繞消費者，在時間碎片化、資訊獲取社交化的大背景下，建立更靈活便捷的零售場景，提升用戶體驗。那麼，人工智慧究竟能為龐大的製造產業群帶來什麼？製造業在過去很長的一段時間裡，是「勞動密集型」產業的代名詞。當人工智慧來臨的時候，許多人不禁擔憂：「是不是製造業中的勞動力要被替代了？」
李開復甚至斷言，10年後50%的人類工作將被AI取代。誠然，人工智慧經常被通俗地解讀為「與人類一樣聰明的人造機器」，將這個「聰明的機器」引進製造現場，主要作用是使機器能夠「達到甚至超過人類技工水準」，以提升企業生產營運效率。而這個AI介入的「智慧化」過程，與過往製造業追求「自動化」的過程有本質上的差異。
「自動化」追求的是機器自動生產，本質是「機器換人」，強調在完全不需要人的情況下，持續大規模機器生產；而「智慧化」追求的是機器的彈性生產，本質是「人機協同」，強調機器能夠自主配合要素變化和人的工作。
因此，「AI+製造」未來所追求的，不應是簡單粗暴的「機器替人」，而應是將工業革命以來極度細化、甚至異化的生產線作業，重新拉回「以人為本」的組織模式，讓機器承擔更多簡單、重複、甚至危險的工作，而人承擔更多管理和創造工作。
未來已至，還原人工智慧+製造應用場景
即便在未來，想以人工智慧全面取代製造過程中人類專家的智慧，獨立承擔分析、判斷、決策等任務是不切實際的。「AI+製造」實現的人機一體化、高度協同，可以在智慧機器的配合下，充分發揮人的潛能，使人機之間形成一種平等共事、相互理解、相互協作的關係，讓設備、軟體、數據、人，都像在擁有智慧的基礎上，把自己在生產製造場景中的價值發揮到極致。
依據《「人工智慧+製造」產業發展研究報告》，將AI作用於製造業的典型應用場景分為以下3類：
實現從軟體到硬體的智慧升級：人工智慧演算法將以能力封裝和開放方式嵌入到產品中，從而幫助製造業生產出新一代的智慧產品。如Google開發出專用於大規模機器學習的智慧晶片TPU、騰訊AI開放平台對外提供電腦視覺等AI能力、亞馬遜推出內嵌人工智慧語音助理的智慧音箱Echo等。
提高行銷和售後的精準水準：在售前行銷，以AI分析用戶端需求數據的多維度，實現更即時、精準的廣告資訊傳遞，如Google為製造業專門開發了精準廣告平台；在售後維護，AI將有機會和物聯網、大數據結合，實現對製造業產品的即時監測、管理和風險預警。如三一重工把分布全球的30萬台設備接入平台，即時採集近1萬個運行參數，利用大數據和智慧演算法，遠端管理龐大設備群的運行狀況，有效達成故障風險預警，大幅提升排障效率並降低維護成本。
增強機器自主生產能力：AI技術能使機器在更多複雜情況下自主生產，從而全面提升生產效率。應用場景包含：工藝最佳化，即透過機器學習建立產品的健康模型，識別各製造環節參數對最終產品品質的影響，找到最佳生產工藝參數；智慧質檢，即藉由機器視覺辨識，快速掃描產品品質，提高質檢效率。
其中，尤其如視覺缺陷檢測、機器人視覺定位分揀和設備故障預測報警等應用場景，得益於深度學習和人工智慧的加速成熟，已在製造現場落地應用。例如透過整合3D掃描器、協作機器人、視覺系統與智慧夾爪，實現目標物品的視覺定位、抓取、搬運、旋轉及擺放，並自動抓取與分揀自動化生產線上無序或任意擺放的物品。這既可應用於工具機無序上下料、雷射標刻無序上下料，也可用於物品檢測、物品分揀和產品分揀包裝等。目前在應用場景案例中，已能實現規則條形工件100%的拾取成功率。
在設備故障預測應用場景中，基於人工智慧與IoT技術，透過在工廠各設備加裝感測器監測設備運作狀態，並利用神經網路建立設備故障模型，在故障發生前提前預測，並替換可能發生故障的零件，確保設備持續無故障運轉。此應用能將產線停工時間從數十分鐘縮短至數分鐘。
總之，從目前消費性網際網路的發展來看，能清楚感受到軟體正在定義大眾的生活，且這種發展趨勢必定會延伸至製造業。工業4.0理念下的智慧製造，是將所有的人、事、物都連接起來，形成萬物互聯，整合為一種由智慧機器與人類專家共同組成的人機一體化智慧系統，在製造過程中發揮智慧作用，將分析、推理、判斷、構思和決策等功能融合為一套智慧製造系統。
工業網際網路支撐，深挖大數據「AI+製造」場景價值
隨著物聯網向製造領域加速滲透，工業OT層數據採集範圍不斷擴大，製造資料的規模、類型與速度正呈倍數成長，企業對資訊化軟體的依賴程度也越來越高，如PLM/PDM、ERP、MES、APS、CRM、SCM、SPC等。上述各式軟體不僅需要協調管理企業內部資源，還需要良好支撐不同企業間資源與業務的交互，實現不同主體與系統間的高效整合。
為解決應用軟體由多個功能模組聚合而成、複雜度高且難以擴充等問題，越來越多的工業軟體將在新型工業網際網路平台上，以微服務的方式運作，具備小而精、易於敏捷開發、獨立更新與管理等優勢。在製造業這個龐大的產業中，數據的連通與交互更為複雜，要讓「人工智慧+製造」的智慧應用場景儘快成為現實，工業網際網路平台便成為關鍵基礎。藉由工業網際網路打破傳統企業架構，實現工業4.0所強調的橫向整合、縱向整合和端到端整合，進而切入「人工智慧+製造」的關鍵應用場景。
沒有數據無法學習，企業需要AI Thinking
「人工智慧發展一定是從數據最大、最快能產生價值的領域開始，決定AI商業化的關鍵在於應用產業本身收集數據的情況。」《人工智慧》作者李開復曾不只一次在公開場合如此表示。誠然，沒有大數據就無法進行深度學習，因為在單一領域中，經過海量數據的訓練，系統能做出比人類更精確的判斷。可以說，有了大數據，才有了發展AI的機會。
AI時代，深度學習與大數據密不可分。深度學習可以從大數據中挖掘出有價值的數據、知識或規律，然後再將這些概念或知識應用到新數據上。任何擁有大數據的領域，都可以找到深度學習的揮灑空間，從而探索實現AI應用場景可能性。
但是，在導入AI技術前，我們必須理解到：AI要靠數據才能發揮作用，唯有透過海量數據的學習，才能讓AI達到自我調適與最佳化的效果，因此數據可說是發展AI的必要前提。
面對AI的應用，企業經常面臨數據不足的困境。對許多企業而言，實際情況可能是連結構化的資料收集都未完成，或者資料散落在各個系統中無法整合。針對這類情況，許多專家建議應回頭先導入基礎軟體系統，並確實做好數據累積。因為AI的落地是一套循序漸進的過程，若不重視數據，AI離企業依然很遙遠。
針對數據收集的重要性，東海大學軟體工程與技術中心主任周忠信教授表示，目前市面上的AI訓練，大多數是由下往上學習AI技術，例如深度學習等開發，但對於企業管理階層而言，鑽研AI技術細節不僅在時間、成本上不符效益，更可能迷失企業運用AI的初衷。因此，周忠信教授提出「AI Thinking（人工智慧思維）」，認為技術和數據都很重要，但企業若要萬事俱備才開始使用AI，絕對不是最佳解法，關鍵是要從Model-based轉換到Learning-based，儘早讓既有數據展開學習，才能讓數據轉化為決策資訊。
所謂AI思維並非強調AI技術，而是理解AI的抽象概念。AI技術的範圍頗廣，從電腦視覺、自然語言理解、機器學習、深度學習到強化學習等，若要先懂得這些技術才能將之運用在企業上，企業將難以順利轉型。因此，關鍵在於如何跨越AI技術門檻，依然能掌握AI的應用能力。
周忠信教授定義AI思維的4個「自」構面，分別為自動、自學、自主與自覺。若以AI思維在企業上的應用為例：「自動」掌握變化，例如運用AI的視覺辨識自動檢視產品，掌握產品的瑕疵變化；「自學」模擬預測，AI技術能深入企業數據中建立預測模型，協助企業預見趨勢；「自主」輔助決策，運用AI擷取職能的關鍵知識與經驗，主動輔助管理者制定決策；「自覺」注重體驗，代表AI並非取代人，而是以人為中心，滿足使用者的應用與互動體驗。
AI+ERP深度學習融合大數據應用典範：小慧
除製造業應用外，AI於軟體開發領域也不例外。ERP智慧化便是AI領域深度學習與大數據結合的典型應用方向。作為製造業核心的智慧營運平台，如何實現人機互動的企業級ERP智慧化用戶體驗，已成為熱烈討論的議題。以鼎新推出的智慧語音助理小慧為例，系統能理解用戶語言，並在龐大的企業資料庫中快速獲取所需資訊。這讓ERP系統能透過自然對話溝通，使用戶擺脫面對多種系統的複雜困擾，使工作變得簡單高效。
結合大數據與行動網際網路，圍繞「自我學習」這一AI重要特性，智慧ERP能以語音對話形式與用戶隨時隨地快速互動，完成自我需求、自我分析、自我決策及自主運作的循環，既能簡單高效完成日常工作與精準數據查詢，更能提供智慧化的決策建議與異常警示，給出更合理的行動建議。這能將用戶從日常重複的操作中徹底解放，轉而投入更具價值的業務與決策層面。
逐夢人工智慧，發掘數據紅利
如果說，農耕社會和工業社會，人類基於物質和能量的動力工具得到極大發展；今天，勞動工具則轉向了基於數據、資訊、知識、價值和智慧的智力工具，數據紅利時代已然來臨。在此AI、大數據、網際網路將對產業發生愈發重要影響之際，AI已展現出前所未有的數據紅利，這些如金礦般的數據紅利，也正在為各產業帶來不可預測的爆發點。