生成式AI提供製造業在工業4.0發展上無限的想像，諸如用在人型機器人上，可以解決缺工的問題；用在聊天機器人上，解決技術人員訓練的問題；用在可視化戰情室上，協助管理者決策問題。上述應用似乎都引起製造業高層的興趣，根據SAP、KPMG與IBM的報告顯示，近八成的製造業已經在探索生成式AI的用法。然而，根據生成式AI新創公司SoluLab的估算，一項基礎生成式AI應用發展專案，從構想到介面設計、應用開發、測試、維護，可能需要花費10到40萬美元之間。然而，對製造業而言，生成式AI到底是救星還是錢坑呢?
生成式AI適用於製造業工作流程
關於這個問題，資策會數位轉型研究院研究團隊近期與多家製造廠商進行訪談，可以從幾個面向來討論。首先，在適用的範圍上，製造業在生產製程本身需要高度的穩定性，使得生成式AI的特性並不適合用在如製程參數調整、良率分析與預測等類型的應用上。比較適合應用在營運、研發等工作流程上，其回收的價值較難直接對應企業策略目標。再者，由於發展生成式AI應用，在基礎設施就需要有足夠的投資，因此在企業體質上，本身資料整備度需要有一定的水平。因此，從現實層面來說，若非有一定規模、基礎設施良好，且業務分工完善的製造業，發展生成式AI必定付出相當大的代價。
生成式AI相當於傳統AI加值應用
而在幾個大型電子製造服務業者的訪談中得知，實際上，生成式AI比較類似傳統AI加值的應用。舉例來說，在電子產品的組裝上，EMS業者向來都有想使用AI了解組裝線的品質和效率的想法。事實上，即使傳統AI解決方案結合攝影機，判斷出在組裝線端有效率或品質的問題，卻礙於這些問題不一定是現場人員的專業知識得以判斷或權限可以處理的，因此無法立即被有效解決。不過，若將此類組裝效率問題的事後檢討及調整作法等相關資料，讓生成式AI學習，再與傳統AI的判斷相結合，現場員工就能夠根據先前的處理經驗，做第一線的處置，即可能有機會讓產線的運作效率提升。也就是說，生成式AI應用的定位，若是加值傳統AI的成果並賦能員工，就能夠提升其產生的價值。
圖1:傳統AI結合生成式AI在電子產品組裝線上的應用
資料來源: 資策會數轉院，2024年10月
生成式AI對於製造業的價值並非絕對的「救星」或「錢坑」，而是取決於企業的現實條件與應用策略。以目前的發展趨勢與訪談結果來看，生成式AI的最大價值在於「輔助與加值」。它能夠透過強化傳統AI的效能，為製造業帶來新的應用可能性。但由於技術發展成本高昂，且需具備資料整備與基礎設施條件，對於缺乏資源的中小型企業來說，導入生成式AI仍是一項巨大挑戰。
因此，對大多數製造業來說，生成式AI並非「一勞永逸」的解決方案，而是一項需要謹慎評估與長期投入的工具。只有當技術能力與實際需求相匹配時，生成式AI才能真正為製造業帶來實質價值，而非成為無底的「錢坑」。
封面圖片來源：Photo by Nahrizul Kadri on Unsplash
參考資料來源：
- How manufacturers can best use generative AI, https://www.sap.com/blogs/how-manufacturers-can-best-use-generative-ai, 2024.06.17
- Thoughts on Generative AI in Manufacturing 4.0, https://mediacenter.ibm.com/media/Thoughts+on+Generative+AI+in+Manufacturing+4.0/1_z99oby47/98864272, 2024.10.15
- How Much Does it Cost to Build a Generative AI in 2024, https://www.linkedin.com/pulse/how-much-does-cost-build-generative-ai-2024-solulab-imy4c/, 2024.09.23