發揮一下想像力，這是您在一家金屬製造工廠工作的第一天，它已經實現無紙化，並且似乎正在順利連接機器並成為真正的數位製造工廠。在整個工廠中，您會看到精心佈置的儀表板，每個儀表板都顯示目前工作的進度；是否生產週期會提前、會準時或是落後於計劃。一切都在滴答作響，盡可能順利。
然後警報響起，自動雷射切割系統剛剛停機。原來是負責更換切割台的叉車卡住了。切割台上骯髒的切割片和不理想的切割條件，造成切割時產生過多的熔渣，這些的液體金屬將鐵板與切割台黏在一起了。
切割機意外停機造成的生產延宕，隨著時間的推移，其他生產機器單位也開始發出缺料的警報!機器學習 Machine Learning System
理想情況下，將正確的傳感器放在正確的位置，使用於開發有用信息和情報的數據（包含上述案例中需要經常清潔的切割台與的定時正確的機台維護），上述故事的事故就會很少見到。
但理想的世界只存在理想之中，因此瞭解組織是如何應對不完美的世界這件事情就變得很重要。因此建模和仿真將發揮越來越重要的作用。
Richard Boyd 在美國金屬加工展Fabtech說過：20 世紀是關於電視圖像的。這是人類歷史上第一次，如果我們想了解世界上正在發生的事情，我們可以回顧它的鏡頭。而21 世紀將是模擬世紀。21 世紀將是關於建模和仿真的。我們可以運行模擬來預測可能發生的情況，然後決定要做什麼。
機器學習系統(Machine Learning System)可以映射組織中的一切，一旦AI檢測到有人試圖做某事，它就會說：哦，這是我們以前做過的類似事情，讓我把你和能幫助你做到這一點的人和內容聯繫起來。
這其實跟近期很夯的ChatGPT 與AI繪圖非常類似了。只是應用在生產製造端，讓機器學習人類遇到問題時會如何處理，爾後遇到問題，就用類似的處理方式處理。
AI人工智慧的製造工廠
AI人工智慧的發展，使機器學習成為可能被普及化的技術。
從前的人工智慧是人類通過告訴機器做什麼來實現人類工作的自動化。新的人工智慧則是機器學習。機器現在可以從大量的數據中，推測出屬於“它”的見解給人類參考。它還可以為人類和機器如何合作來實現生產目標提供自己的看法。”
舉例來說：
想像一個組裝工廠，每個工作人員身上都裝有電子跟踪器，不僅跟踪製造步驟，而且還準確跟踪該工作在每個工作站實際停留和移動的位置，在資料庫中這代表著數百個甚至數千個不同工件流經工廠時的零件路徑。
更進一步，我們把信息連同銷售信息、報價活動、噴漆時間、熱處理時間、外部加工要求以及其他所有信息一起提供給AI人工智慧。AI人工智慧將會根據上述的訊息來制定最佳的生產流程。它將以新的方式拆分工作並發布訂單。例如運行一項工作的 X 部分和另一項工作的 W 部分，然後在成型和半組裝後拆分工作以分離裝配單元。
這整個流程可能完全不直覺，作業 X 和 W 甚至可能需要不同的加工工具並需要更多的轉換時間。但是，我們會發現這看似不合理的調度卻在以後的工作中節省許多步驟，進而節省更多的時間。
因為 AI 可以在幾微秒內處理海量數據，所以這個不可能的時間表變成了現實。而且因為 AI 永遠不會停止讀取數據，所以整個生產流程會不斷的即時變動。而手動操作這些方式極其複雜且成本高昂，當然，上述的流程是極端理想化的狀況，完全沒有考量到意外狀況與設備的零件的損耗可能造成的加工誤差等，但很簡單的說明了 AI 智慧製造的潛力。
現實的狀況也沒有太差，雖然上述的舉例現況還做不到，但AI瞬間檢查和分析大量數據所得到的結果，可以讓人類根據這些結果去調整整個產線，進而達到提高生產效率。因此技術的發展不會減少人類的存在意義，反而會增強每個人類決定的有效性，讓生產更有效率。
元宇宙如何與製造工廠拉上關係?
一間工廠中，我們有很多設備都是為不同類型需求而配置在現場的。生產個產品的方法與流程其實並不止一種，我們在生產中遇到的問題也時常不同。各種問題的解決都是即刻發生然後需要即刻解決的，我們人類遇到各種狀況就是能夠利用各種的方式去排除問題，這就是人類管工廠的價值發揮作用的地方。單純的工業4.0其實只是智慧製造，並沒有納入考量人類的行為。
我們要如何將人類的判斷邏輯，行動行為納入實際的生產系統的管轄中? 讓機器學會人類遇到問題的解決方式? Try and Error?
從製造商的角度來看，利用既有產線來模擬這件事情的代價太大，因此元宇宙變成了可行的方向。在元宇宙中，我們就能將人類行為的影響添加到系統中，進而進行生產的模擬，並讓AI學習。
實務上的可行性乍看之下還是遙不可及。畢竟我們很容易理解如何在元宇宙中建立一個實體的工廠，只要把機器設備的3D圖檔放置其中，寫入動作方式，添加或修改有關生產參數的變數，讓工廠的運作結果與真實世界一致。這是很好理解的。若有玩過minecraft應該更能夠理解。
但是當我們要考慮將人類行為模型導入產線管理中時，我們眉頭就會皺起來，不知道如何下手。
我們換個產業思考一下，其實追蹤與建立人類行為的模型並不是一門新科學，這個科學已經發展很久，且與我們日常息息相關。Facebook會記錄你的使用行為，推播你有興趣的廣告；Google會記錄你的搜尋習慣，讓你可以更快找到你想要的資料。他們都是利用追蹤與建立人類行為的資料庫，利用AI分析我們使用者的行為，然後投其所好。這就是一個已經存在的實例。
目前尚未發現有人把這個技術放到製造產線中，甚至連意圖也沒有。我認為最主要的原因是做這件事情的成本太高，看起來無利可圖。但會不會十幾年或幾十年後世界改變了，將既有產線自動化，導入AI管理，並納入該公司工廠的員工工作行為的因子模型變成一門超熱門的生意?
總結
今天，在一個製造工廠，如果問工廠內的師傅他們是如何學會執行某項複雜任務的，無論是發現折彎機上的創新彎曲順序還是、無論是改善排版流程降低切割的生產時間、無論是設計新治具來減少銲接的工時等，他們通常會說“經驗”。
隨著師傅的“經驗”不斷的被“數字化”；隨著AI資料庫越來越大；隨著Machine Leaning越來越強大，未來的單一生產機器可能會自動建議操作者修改生產方式來增加效率。
當所有的機器都具備自我學習機制後，並且建構在同一個互聯網下，下一步就是由AI來統合所有的生產數據，產生出優化產線的報告，交由工廠管理者下決斷。
再下一步則可能是將工廠交由AI管理，而且AI會根據收集到的資料，未來的AI工廠可能會自動修改生產流程，並不斷優化。
最後一步就是導入人為因素，讓機器學習如何模仿人類思考，當產線遇到問題時，不會當機，而是會模仿人類的思考邏輯去排除，然後讓產線重新上線。而且可能AI工廠的電腦會在產線中故意輸入一個問題(如果把原本的火焰切割改為電漿切割；如果把外包的折床加工改為自己做...)，然後查看所有內容並提出自己關於解決方案的假設，以及根據它所看到的活動模式提出改善製程的需求。
我覺得，有可能實現。
下週是TIMTOS台北國際工具機展，看到Richard Boyd去年在美國FABTECH展發表有關【元宇宙與製造業】一文，進而思索未來製造業可能性的有感而發。
如同Richard Boyd所提現在我們就應該思考：人類應該做什麼，什麼應該留給自動化？優化結果的正確平衡是什麼？
〈全文完〉
【關於本專欄】
每個月 NT$ 150。 持續的閱讀在B2B業務職涯中，實務上會遇到的案例、實作方法與業務觀念、工作觀念，保證物有所值。
Podcast 有通勤聽Podcast習慣的，可在各大Podcast收聽平台搜尋"業務可頌 | B2B外銷業務工作筆記"。即時的工作內容分享。
如果喜歡本篇文章，還請按下右邊欄位〔訂閱〕、〔追蹤〕或〔贊助〕。
業務可頌 杭特
