地緣政治的衝擊導致供應鏈斷鏈危機，促使製造業者意識到必須盡快提高供應鏈韌性。韌性較高的供應鏈可靈活應付市場變化，具有高度抗風險的能力。其中，人工智慧(AI)有助於產業實現供應鏈韌性，企業透過智慧化工具的預測與模擬等能力，可即時掌握市場突發狀況並規畫應變策略。現階段AI的技術進展與可用的運算資源呈正相關，目前全球AI技術研究朝向大型模型訓練的方向發展，因此需要Exascale超級電腦的支援。若台灣能建立自有超級電腦並免費提供學術應用運算資源，將能有效提升技術競爭力。實務應用方面，供應鏈斷鏈可能成為新常態，因此企業需要整合內部專案，並善用數據與AI工具來提升韌性。

AI技術專注大型模型研究

在AI技術的進程中，模型的規模不斷成長，研發所需的算力隨之倍增。聯發科技資深處長梁伯嵩(圖1)說明，2010年之後，AI運算分成深度學習時期以及2016年後的大規模神經網路時期，所需算力大幅成長。大規模神經網路時期相較深度學習時期，應用的算力增加一萬倍。其中，Transformer相關的AI模型參數每年成長十倍以上。AI技術的研究主題也朝向多元化發展，2022年以前， Transformer的研究都以文字為主。2022年Transformer研究增加了更多針對圖像、影像等方面的研發，文字的研究下降到41%。

圖1　聯發科技資深處長梁伯嵩認為，台灣須要跟上全球積極建置超級電腦的腳步，以確保在AI領域的競爭力　(圖片來源：台灣人工智慧學校)

大型模型訓練的重點之一，是避免採用帶有偏見的數據。現階段研究的大型AI 基礎模型(Foundation Model)的訓練時間增加，當模型訓練時間越長，便能處理越複雜的任務。大型模型需要經過預訓練(Pre-train)及微調(Fine tune)，完成預訓練的模型，後續可透過不同的微調內容，將模型應用於相關領域內的不同情境中。訓練模型的過程中，亟需重視預訓練的內容，避免輸入帶有偏見的數據，以免影響模型未來的表現。

全球以美國為首，積極推動建立Exascale超級電腦計畫。因為AI技術的進展與運算資源高度相關，但是目前面臨學術發展所需算力不足的挑戰。2010 年全球的大型A I模型約六成來自學術界的訓練成果，但是2022年則幾乎沒有來自學術界訓練的大型模型。美國為了解決學術資源不足的問題，提供AI學術研究幾乎免費的運算資源。

梁伯嵩認為，台灣可借鑒美國的作法，除了建立自有的Exascale超級電腦，還須免費提供學術使用，便能促進大型模型訓練相關研究。模型訓練方面，台灣則需要蒐集自有的語料並建立資料庫，以避免AI基礎模型訓練內容中還有偏見。未來科技、文創等多元產業，都可能採用AI產生的素材，因此需要確保模型產生不帶有偏見的內容，才適用於台灣的使用需求。

可視化系統導入AI強化韌性

AI應用方面，面對地緣政治等因素的衝擊，產業高度關注供應鏈韌性的議題，並思考如何應用智慧化工具提高韌性。緯創資通數位轉型產情研析室處長邱之崧(圖2)指出，執行供應鏈轉型，需要釐清三個問題，包含：什麼是供應鏈韌性？如何執行？以及如何透過AI強化供應韌性？對電子製造業而言，供應鏈需要確保端到端流程可視化，以及彈性供應的能力。可視化的重點是需要建立數據中台，才能管理並發揮數據的價值。接著堆疊技術元件、資安元件，來形成模組化的業務服務。

圖2　緯創資通數位轉型產情研析室處長邱之崧指出，製造業建置可視化的AI管理系統，有助於彈性面對市場的突發狀況　(圖片來源：台灣人工智慧學校)

建立可視化的工作流程之後，就能進一步思考如何應用AI解決業務問題，以提升供應鏈韌性。以電子製造業為例，廠商希望降低平均庫存天數。傳統作法是根據庫存水位決定備貨數量。但是當市場需求出現意外的波動，廠商便無法即時調整庫存，可能面臨供不應求或者供過於求的風險。因此採用AI串聯庫存與訂單數據，結合大量的機器人與感測器，每小時執行1~20次的即時感測，就能即時掌握調整庫存的方向。

鋼鐵製造AI落地

另一方面，採用傳統製程的鋼鐵製造也需要導入AI來提高競爭力。鋼鐵產品應用範圍廣、規格變化大，因此生產管理不易。生產鋼鐵的傳統製程有多段不連續製程，透過不同的生產組合，來生產出不同的產品。每一個生產流程都需要精密控制，才能確保產品品質。中鋼自動化與檢測系統發展組長吳崇勇(圖3)指出，40年前中鋼就已經建立自動化流程與完整的資料庫，但是當時僅使用傳統的統計工具，尚未走向工業4.0。

圖3　中鋼自動化與檢測系統發展組長吳崇勇表示，採用AI同時解決企業內部多項專案共同面臨的問題，便能有效提升智慧化效益　(圖片來源：台灣人工智慧學校)

近六年來，中鋼透過AI工具發展智慧化，建立規模更大且更彈性的管理系統，逐步實踐工業4.0。中鋼發展智慧化的前期專注單一的AI方案，較難評估及量化AI導入後的效益。因此後期整合公司中多項專案，同時解決相關的上游及下游營運問題，才能為公司營運帶來明顯的幫助。另外，為了建立智慧發展的數據基礎，中鋼透過AIoT平台串聯網域資料，並在每個工廠建立私有雲，以管理資料、標記資料、管理模型及調整模型準確性。

以智慧設備的應用為例，鋼鐵業需要妥善管理盛裝高溫鋼液的桶子，其中最大的重點是確保桶子不會漏液。因為高溫鋼液如果不慎外漏，便會引發無法撲滅的火災。若要監測鋼液桶的運作，需要從溫度感測方面著手。採用智慧熱像儀監測鋼液桶溫度，確保設備運作過程的溫度在合理範圍內。此外，測量鋼液桶溫度，可以推估得知桶子的殘壁厚度，溫度越高則表示桶身耐火材料殘餘的厚度越薄，便能精準得知需要維修鋼液桶的時間，達到控管設備維護成本的目的。

總結中鋼投入智慧製造的經驗，吳崇勇認為，數據品質是發展智慧製造最關鍵的基礎，數位轉型的重點便在於有能力善用數據。而製造業智慧化可依序提升企業的生產力，進而強化競爭力，未來企業也將透過應用AI推動ESG來增加影響力。

智慧製造已成時勢所趨

COVID-19疫情、中美貿易戰與俄烏戰爭帶來的外部因素衝擊，原有供應鏈的運作模式受到挑戰。在地緣政治的變局中，業界廠商必須祭出更加智慧化的策略來應對，以免遭受未來可能再次出現的斷鏈危機衝擊。AI作為可有效提升供應鏈韌性的技術，需要扎實的研究成果，並將AI工具高度結合企業內部的管理需求，才能最大化智慧應用帶來的效益。

為了強化技術研發基礎，台灣面對全球的AI大型模型技術進展，以及避免偏見的模型訓練重點，需要投入Exascale超級電腦的建置，並且蒐集台灣的語料來建立資料庫，才能有效提升台灣在AI領域的競爭力。而將AI落地應用於電子製造及鋼鐵製造等產業，須從釐清業務問題著手，再聚焦於適合採用AI來解決問題。企業內部也能整合多項專案，導入結合AI的管理系統，藉此優化產品製程的安全性與產品品質。