作者：Ben Tsai 日期：2025.8.26
前言：
近年來，生成式人工智慧(Generative AI, GenAI)快速崛起，從文字生成、圖像創作到程式碼撰寫，展現出廣泛的應用潛力。個人服務機電產業逾30年，專注在馬達領域的產品研發，涵蓋電動載具(兩輪及四輪)、醫療輔具、民生及軍事應用。本文嘗試導入此GenAI新興技術，探索如何應用於馬達相關的知識學習、教育訓練，以及產品設計與可行性研究，預期GenAI將成為馬達領域工作者的得力助手。文章內容分為上下篇，分別闡述基礎技術與實務應用，利用馬達領域應用範例來說明GenAI在工程上的價值與挑戰。
一、生成式AI與LLM基礎
GenAI的核心特徵是「創造」，能根據輸入生成全新的內容。大型語言模型(Large Language Model, LLM)則是其中專注於語言處理的分支，代表性模型如GPT、LLaMA等。它們透過海量的數據訓練，具備進行對話、知識檢索、甚至推理與計算的能力。圖(一)顯示生成式AI & LLM的基本特徵與關係。
在馬達設計的情境中，這代表工程師能藉由對話式互動，快速獲得馬達運動方程式推導，磁路、電氣及散熱設計參數建議，甚至馬達轉速的數值模擬程式碼範例，大幅降低入門學習與前期設計的門檻。
圖(一) 生成式AI & LLM的簡易說明
二、專屬AI助手平台與運作流程
對於一般的使用者，利用LLM建構的對話機器人(知名者如Gemini、ChatGPT、Copilot等)處理日常事務(如上網查資料、文件摘要、翻譯、簡報設計甚或行程規劃等)是足夠的。然而對企業或專業工作者而言，更重要的是如何以個人或企業擁有的內部知識庫(向量資料庫型態)為核心、結合LLM、檢索增強生成(RAG)技術、提示工程(Prompt Engineering)與輸入/輸出介面，建構專屬的AI助手平台。平台運作流程的描述如下及示意如圖(二)：
- 使用者以文字或語音提出問題。
- 系統先以RAG檢索內部知識庫文件，過濾出相關知識。
- LLM在此基礎上生成回答，並可輸出text、spreadsheet格式或程式碼。
圖(二) AI助手平台運作流程示意
此架構的價值在於能把「通用型AI」轉化為「專業領域AI」，避免答案僅停留在一般性對話，且依據知識庫資料內容進行回答，大幅降低AI「幻覺」，如此AI具備「知識管理」賦能者及加速器的資格。未來若能與CAD及CAE (如MATLAB、Ansys Maxwell等)專業工具整合，其潛力將更為強大。
三、具備馬達專業知識的AI助手-小馬
此章節將實際以目前使用人數最高的閉源LLM軟件-ChatGPT作為操作平台，建構一輔助「馬達產品設計與技術學習」的AI助手。下面是利用ChatGPT「我的GPT (Custom GPTs)」功能，一步一步打造一個「馬達AI助手-小馬」的流程。
- 「我的GPT」定位與範疇
- 適用對象：具備電機及機械相關工程背景工作者及大專學生。
- 範圍：馬達原理、種類(同步、感應)、應用選型、設計估算包含外型尺寸、設計參數(如定子繞組線徑與方式、磁性材料選擇等)、馬達特性(如轉速、轉矩、效率、銅/鐵損、溫升等)、簡易成本估算等。
- 建立「我的GPT」的步驟
- 如圖(三)，進入ChatGPT的探索GPT → 建立。
- 如圖(四)，在建立分頁可以直接跟「GPT Builder」對話快速生成GPT雛形；接著到設定分頁修改細節，通常GPT雛型無法百分百滿足使用者需求。
- 如圖(五)，在設定分頁逐欄完成內容修改。首先完成logo、名稱及說明設定，並在指令欄給予系統提示(system prompt)。指令的重點：扮演角色的內容、回答的方式與風格、專業方面的要求及限制。以下是系統提示的範例：
這個GPT將是一個專門協助使用者學習馬達相關知識與設計應用的 AI助手。它能夠解釋馬達的基本原理(如直流馬達、交流馬達、同步馬達等)，提供數學公式與電磁學基礎，並結合設計實例幫助理解。此外，它會協助使用者在馬達設計、選型、材料選擇、控制方式與驅動電路等方面做分析，並提供案例比較與優缺點說明。當使用者有不完整的問題時，它會適度補充背景，並以簡明易懂的方式給出解釋，避免過度專業化的術語，並在必要時引導使用者深入。它的風格偏向耐心、清晰、專業且帶有教學感，能用文字、公式、圖示建議等方式來幫助學習。若涉及模糊問題，它會先釐清需求，再提供設計或學習上的協助。同時，回答時必須遵守一般規則：
01_每次回答，首先自我介紹：Hi!我是小馬，可以提供關於學習馬達專業知識及設計時的協助。之後，再進行回答。
02_所有回答均須優先根據知識庫之文獻資料，以確保準確性和來源可追溯性。
03_如問題超出知識庫文獻內容範圍或與"馬達技術"無關，請回答「很抱歉，我是馬達AI助手，無法回答您的提問。」
作為「馬達AI助手」，主要任務目標是在早期設計/選型階段，給出可追溯的計算、假設與風險提示。採用專業準則如下：
01_優先採用SI (國際單位)：N·m、V、A、Ω、W、kg、m、rad/s，遇到AWG需同時給出直徑與截面積(mm、mm²)。
02_任何結果都要列出：公式、代入數值、單位換算、關鍵假設、敏感度(哪些變數對結果影響大)、參考範圍/經驗值。
03_參數不足時：先詢問有無其他必要輸入參數，若用預設或估計值，必須清楚標示並列出取值來源或業界常見範圍。
04_涉及安全性：特別是關於高壓/高溫/旋轉部件時，提供安全與法規提醒(僅一般性建議，非法律或合規意見)。
05_互動規則：先畫出「需求→輸入→輸出」表，然後逐步計算與驗證(含單位檢查)。並提供Python計算，與可下載的表格(CSV/Excel)及圖表(例如效率-轉速、扭矩-電流)。
06_回答要分段、列表化，重要數值以表格呈現，最後再給「下一步建議」。
07_免責聲明：僅提供工程估算與學術性建議，不替代專業審查、詳細電磁場/熱仿真與現場測試。
圖(五) 設定分頁的欄位(logo、名稱、說明及指令)
- 如圖(六)，接續完成欄位內容修改。首先在「啟動對話」欄完成數則對話例，適當的對話例可以協助使用者快速了解AI助手的能力及知識範圍，同時也會開啟使用者對相關主題的無限想像空間。
- 如圖(六)，上傳個人或企業內部的專業文件至「知識庫」是打造具備專業知識AI助手的關鍵，以「馬達AI助手」為例，結構如下供參考：
01_motor_basics.pdf (原理、基本公式、單位換算表)
02_winding_awg_table.csv (AWG↔直徑/截面積/電阻率)
03_materials_cheatsheet.csv (矽鋼/磁石參數：密度、BH曲線)
04_design_circuit.md (輸入參數、設計公式、流程步驟)
05_design_mech.md (輸入參數、設計公式、流程步驟)
06_control_basics.pdf (原理、基本電路)
使用限制：最多20份檔案、每檔案512 MB、每檔案最高約200萬tokens的文字上限，可上傳含圖片的檔案，但主要處理文字。(OpenAI Help Center)
圖(六) 設定分頁的欄位(對話啟動器&知識庫)
- 能力(Capabilities)
在設定分頁的最後，GPT管理者還可以選擇是否開啟擴充功能：
- Browsing (瀏覽網路)：查找公開資料與名詞定義(需注意來源可靠性)，但在指令欄中註明，回答時須以知識庫資料為優先來源。
- Data Analysis/Python (資料分析/程式計算)：讓助手以Python做單位換算、數值優化、畫圖與輸出CSV/Excel。
- Image Generation：產生示意圖(例如馬達外型示意、繞組圖解)作為溝通之用。
- 建構AI助手的PDCA循環
- 計畫(Planning)階段：確認此AI助手的定位與範疇，蒐集重要專業資料為建構「知識庫」作準備。
- 執行(Doing)階段：選擇適當合用之AI平台(如ChatGPT)，依照設定步驟進行建置。
- 檢驗(Checking)階段：前面的計劃與執行的內容必須經過嚴謹的測試與驗證，依驗收清單進行逐項對談測試並檢查，參考項目：
01_釐清問題：缺參數會追問而不是亂答甚或產生「幻覺」。
02_步驟化推導：公式→代入→單位檢查。
03_表格與圖匯出：CSV/Excel (如效率vs轉速、扭矩vs電流)。
04_知識庫引用：會引用上傳的知識庫資料內容。
05_風險提醒：高壓/高溫/旋轉件的安全性。
06_如開啟瀏覽：能簡要查證名詞或常見值並標註來源。
07_如連結外部工具：能成功呼叫你的API並用回傳計算結果。
- 行動(Action)階段：如清單項目無法達標，通常可以採用改善作法如下：
01_改善指令欄系統提示(system prompt)與使用者對話提示(user prompt)的品質，學習採用思維鏈(CoT)的提示。
02_改用擅長推理的高階模型(例如GPT-5 → GPT-5 Thinking)。
03_改善「知識庫」資料結構：採用易查詢文件格式如.md、.csv或單行.pdf，提供「設計模板」文件等)。
結論：
本文是「淺談GenAI於馬達領域的應用」的上篇，簡述GenAI與LLM的基本技術，以及依此建構AI助手平台的運作流程。而且實際利用商用AI系統(ChatGPT)打造出「馬達AI助手-小馬」，並強調整個建置過程遵循PDCA的原則。GenAI與LLM是泛用技術，適用於百工百業，將文章中的馬達以其他產品(如發電機、水泵、機械手臂、無人機…)取代，建置AI助手的基本流程與原則也是相同的。
