「AI 焦慮」了嗎？AI × Robotics 真正落地該從哪裡開始

「兩三年前大家談 AI，是興奮多一點；現在，焦慮好像多了。」Profet AI 客戶成功經理陳緯竹的開場白一針見血，

兩三年前，AI 帶來的是新鮮與好奇；如今，站在產線的人卻更常感到焦慮——要怎麼導入？要選哪裡開始？老師傅的經驗怎麼變成模型？新廠區跨國複製不易，人力越來越缺，產線品質與效率卻不能等待。

當 AI 的聲浪退去，製造業卻迎來了一個更真實、也更殘酷的問題：工廠到底準備好讓 AI 真正上線、真正產生 ROI 了嗎？從缺工、跨國設廠到老師傅經驗斷層，Profet AI × 致伸科技 Primax 共同舉辦了《Beyond PoC：From Demo to Dollar｜AI × Robotics 升級轉型進行式》活動，一場不到人數不多的閉門分享會，卻拼接出 AI × Robotics 真正落地的答案。

站在更大的格局上，讓 AI 成為製造業的共同語言

Profet AI 執行長黃建豪指出，製造業版圖正在快速變動。地緣政治、關稅政策、供應鏈重組，使得企業不得不在更短時間內跨區建廠、擴線，而這些動作同時暴露出另一個更深的問題——人才與經驗的斷層。

「如果方法還停留在招人、教人，未來三到五年都會跟不上需求。」許多企業都察覺到，原本靠「老師傅」支撐的製程 know-how，已經越來越難複製到海外工廠。

他強調，AI 在此時的重要性並非因為它「新」，而是因為它能把經驗變成可擴張的能力。

他把 AI 分成兩種：Machine Learning（左腦）和 Gen AI / LLM（右腦），前者負責處理結構化數據、提供預測能力，後者負責處理文本、推理與決策建議。兩者結合後，企業能讓 AI 成為「知識的載體」。老師傅的經驗不再只能留在心裡，而能透過模型快速傳給下一代工程師，甚至傳到海外廠區與機器人身上。

企業最缺的不是模型，而是能使用模型的人。「如果老師傅自己能在三、四個小時內做出模型，這件事的價值就已經完全不同。」他說，這不只是能力提升，而是文化的改變。當現場工程師意識到 AI 是他們的工具，而不是外部專家替他們做的事情，轉型的速度會大幅加快。

焦慮之後：AI 落地，到底該從哪裡開始？

作為 Profet AI 的客戶成功經理， 陳緯竹也擔任致伸科技 AI Thinking Workshop（AI 賦能工作坊） 顧問，她最常聽到的不是關於技術的問題，而是我們到底該從哪裡開始？

Sophie 點出了五大典型的落地障礙：

場景迷霧——不知道從哪一站切入。

數據孤島——資料散落在製造、品保、研發與業務之間。

人才斷層——缺乏懂製程又懂 AI 的「雙語人才」。

信任落差——老師傅不相信黑盒子結果。

流程斷點——模型做出來，但無法融入日常 SOP。

過去兩年，許多企業都卡在 PoC 階段。模型做得出來，卻推不進流程；報告做得漂亮，卻無法在現場產生效益，「導入 AI，不是交付模型就結束，而是讓同仁真的學會伸手去用、用得出效果。」AI 成敗的關鍵，不在技術，而在「轉譯」與「跟著做」的能力。

因此，她介紹了 Profet AI的「AI Thinking Workshop」，這是一個把製程痛點翻譯成 AI 題目的方法論：跨部門共識 → 議題篩選 → 問題定義 → Prototype → ROI 計算。

在致伸的實際案例中，一場 30 小時的工作坊，團隊從 50 題發散想法，逐步收斂並最終聚焦 8 項 AI 導入專案，預估一年可節省 1,600 萬新台幣與 20 個月人力時數。也因此她說：「AI 是催化劑，但決策與知識仍掌握在人」。

從檢測到預測：致伸 × Profet AI 的製程智慧化嘗試

即便許多電子製造廠早已配備 AOI，設備能告訴工程師哪裡有瑕疵，但無法協助解釋原因，也無法在異常真正發生前提出預警，這使得現場經常面臨三大痛點：問題發生得太晚、參數調整缺乏依據、資料未被充分利用。

Profet AI 產品總監 王禮新表示，這正是 Profet AI 與致伸啟動合作的起點：把 AOI 從「檢測工具」變成能「協助決策的預測工具」。

致伸長期在 Vision（視覺）、Audio（聲學）、Interface（人機介面） 三大領域深耕，擁有深厚的光、機、電能力與完整的影像資料；Profet AI 則提供 AutoML 與 Domain AI 方法，將這些資料結構化並形成模型。

為說明合作方式的實際效果，他分享了一個點膠製程的案例流程如下：

AOI 量化膠線影像特徵（溢膠、偏移、間距等）

數據進入 Profet AI AutoML 訓練模型

找出與氣密不良高度相關的特徵因子

在產線上進行回測與驗證

模型部署至 Vision Hub，於 Edge 端即時推論

模型上線後，AOI 不再只是記錄異常，而能在製程前段提出預測訊號，協助工程師提前介入。他強調，這種整合並不是要取代現場經驗，而是提供更穩定的判斷依據，讓工程師能更快調整參數，減少試誤時間，並降低整批報廢的風險。

他也指出，這種模式具有很高的可擴展性：當模型能在單站成功運作，就能複製到更多製程站點，甚至跨廠區部署；未來也能成為機器人巡檢與異常處理的知識來源。

從設備到自主移動：致伸科技的技術底蘊與 AI 場景落地

「影像、聲音、動作數據每天都有，但以前沒有被整理起來；AI 讓這些資料第一次變得有用。」——致伸科技資深經理 馮倉勇

對致伸科技而言，「如何把 AI 帶進現場」並不是突然冒出的想法，而是延續公司多年累積的技術底蘊。從相機模組、滑鼠鍵盤，到馬達控制、自動化設備，致伸都具備成熟的研發與量產能力。這些本用於產品的技術，同時也讓致伸在工廠現場具備穩定的資料擷取與設備整合能力。

正因為如此，致伸與 Profet AI 的合作能自然接軌。致伸負責讓現場資訊被「看見」與「記錄」，Profet AI 則負責將資料轉成模型與預測，協助設備能及早做出判斷。兩者互補，使智慧化流程更容易複製到不同產線與廠區。

而在設備之外，致伸近年也開始探索自主移動技術（AMR），契機卻讓人意外，致伸科技行銷副理 陳彥廷表示：「我們做 AMR 不是因為潮流，而是餐廳真的人手不夠。」

於是團隊決定用自家餐廳作為測試場域，讓 AMR 在人群之間運作、學習，累積真實世界的經驗。這種由需求驅動的方式，也讓 AMR 的發展與前面談到的設備、資料與 AI 整合自然連上線。

親眼所見：致伸餐廳裡的 AMR 體驗

在活動最後，參與者被引導前往致伸科技的餐廳，實際觀察 自主移動機器人（送餐機器人） 的運作。

參與者沒有被要求在特定位置落座，也沒有特別的導覽流程；機器人待命於餐檯旁，接收任務後便啟動路徑規劃，在餐廳的動線中前進、避障、停下、調整路徑，最後把咖啡送到指定桌面。

對於這場「從 Demo 到 Dollar」的討論而言，這段體驗提供了一個清楚的結尾：AI × Robotics 不再是構想，而已經能在日常流程中運作。參與者以一個簡單、直接的觀察，補上了這場活動的最後一塊拼圖：未來工廠的輪廓，其實正在常態化、可落地的場景中成形。

了解更多