我今天去參加”AI與工廠”的論壇，順手寫點感想
Open AI
首先，或許是報章雜誌都把open AI神化，ChatGPT也都快要跟AI畫上等號一樣，幾乎每一個報告人都一定要把自己報告題目和Open AI扯上關係。
有個演講人提到了open AI創造出的新趨勢(Hilosi覺得這只適用在服務業)
• 電腦時代，所有的軟體未來都是必要搭上AI的浪潮，不然注定被淘汰 你永遠不會被AI淘汰，但是你會被擅長使用AI的人淘汰
• 和過去學一套軟體不同，未來的辦公室白領都要學咒語(prompting langage, 就是和AI溝通的關鍵字)
• 辦公室白領要從過去內容的創造者的身分，改為把AI的成品修正的校稿者身分 AI會自動創作，但是成品正確率需商榷
• 網路上虛假資訊的危機影響力，會因為大家對AI的信任而被擴大 因為AI不會判斷資訊來源正確性
• 企業會面臨是否需要分享企業內部資訊的抉擇 要在網際網路提供資訊給AI，AI才能用你公司的資訊幫助公司 這是新的資本家使用工具剝削藍領的時代 社會加速M型化
以上聽起來聳人聽聞，但是微軟的報告人反而提醒不要把ChatGPT神話
• ChatGPT的學習方法類似造句接龍，所以他只是用2019年以前的資訊找最近的”下一句”給你。不但不一定正確；而且當他句子接不下去，他會瞎掰。
• 演講人給我們看一個用溝通的方式寫出SQL電腦程式的案例，這雖然是很成功的案例，但是這前提是要懂SQL的人才會問對問題。 所以，只有對這個領域熟的人才有辦法判斷ChatGPT給的結果是否合理，所以有紮實Domain knowledge的人不可能被取代
• Open AI是用全世界資訊資源製作的模型。不會也無法為了某公司的資訊客製。某公司如果需要公司專屬的open AI, 就得重頭自己訓練AI模型
Hilosi個人註解: 撇開ChatGPT有很多限制，open AI 確實會加速專業人員的工作速度，但要取代是不可能的。就像汽車的速度比人類跑步快近百倍，但人類也沒有因為這樣就不需要走路了。工廠自動化推行了也近三十年，幾乎每個工廠都有自動化機台。但是包含鴻海的無人工廠，我從來沒看過任何工廠裡不需要人的。
AOI 自動光學檢測
隨著AI圖形處理能力的躍進，工廠已經有很多AOI技術的應用
公安檢測: 針對特定區域或是動作，電腦可以自動判斷並且提出警告。例如工地不正常的揚塵；冒煙。以及人員沒有配戴手套帽子等，都可以透過圖形判斷而提醒
人員行為: MES(製造執行系統)能抓到的process cycle time只能細到工單的單位。但是透過AOI的動作偵測，AOI可以再把一個工單裡的動作依據SOP再繼續切細。
產品缺陷: 取代目視化人員檢查，這樣可以提高準確率以及節省人力成本 這個Hilosi過去一年曾經深入研究，其實因為光線和角度的關係。我努力的案子要用AOI都還很困難。
套裝化: 過去AOI的動作與區域判定可能需要寫程式和複雜設定，現在很多AOI軟體都可以透過簡單(廠商號稱簡單)的方法做設定與模型訓練
雲端與地端的抉擇
雲端指的是大型server, 地端指的是客戶企業端的server。雲端要做套裝的AI模型計算必須要讀懂地端的資料結構；地端的算力也不可能跑AI的機器學習。
現在比較流行的作法是定義一個中介溝通介面，地端把自己的format依照雲端需求放到中介給雲端吃。雲端訓練完的模型也會還給地端，未來AI計算就由地端執行。
Hilosi的感想:
聽了這些演講以後，Hilosi覺得這次open AI的浪潮對於非製造業的影響固然很大，但是深度學習以及神經網路等演算法對於工廠的幫助很少(但是還是有 想知道請參加我的讀書會)
幾場演講裡被重複提到的都是光學檢測；工廠排程和機台維修保養這三個領域。事實上，除了光學檢測確實和AI有關係以外。Scheduling用的演算法是遺傳演算法；機台維修用的也只是統計學，都和open AI無關。
從前一陣子報章雜誌一直吹捧工業4.0到現在已經好幾年了。除了少數科學園區的科技廠本來就已經到了這水準以外以外，大部分製造業連”製造數據蒐集”這件事情都還沒做完。而要訓練AI最重要的就是資料，這種連資料都沒有就開始害怕未來被AI取代，不如多花點心力去蒐集數據。就像與其擔心外面撿回來的小貓會變成老虎把自己給吃了，不如花點心神把小貓餵飽，搞不好小貓長大可以幫忙抓個蟑螂。
論壇的題目都是討論AI和製造業的關係。我個人覺得工廠先把資料蒐集好以後，用統計學的方法來提升工廠效率就已經很厲害了。AI或許會改變白領工作的結構與競爭方式，但是工廠都是藍領，這巨浪和藍領無關，藍領只要關心五年前那個工業4.0巨浪就好。
製造業仍要盯緊工業4.0的浪潮，先把資料蒐集好，光靠著資料和統計學技術就能領先競爭對手了。至於Open AI的浪潮，交給服務業去頭痛就好。
