為什麼 AI 取代不了你最好的師傅
推銷話術總是一樣：AI 讀取 CAD 模型、產生刀具路徑、五分鐘輸出 CNC 程式，程式設計時間下降 60%。展示台上確實跑得動。
然後你把程式載入真實機台，旁邊 58 歲的師傅在你按下啟動前就已經在搖頭了。以下是真正阻擋 AI 取代資深師傅的障礙，來自真實車間、真實失敗案例。
輸入資料本來就是錯的 AI 把材質規格當事實。現實是：材質證明書常態性不準。資深師傅靠第一刀的手感、切屑的顏色和機台聲音察覺異狀，立刻調整。AI 沒有這套感知能力，只能照單全收，廢品從這裡開始。
回饋迴路是斷的 AI 要進步，需要封閉的回饋迴路。但幾乎沒有工廠把程式、品質、材料批號、機台狀態系統性地串連起來。AI 每次產出程式都像第一次嘗試。師傅的 30 年失敗案例庫，才是真正持續更新的風險模型。
每台機器都有自己的個性 同型號、同批購入的兩台機台，表現就是不同。左邊那台 Z 軸熱漂移 12 微米，右邊只漂 4 微米。刀庫 14 號位有 8 微米偏擺，只能放粗加工刀具。師傅把這些寫在貼於機台的手寫本裡。AI 把每台機器都當成一樣的。
夾治具完全是人類的領域 AI 的刀具路徑從工件夾好後才開始。但夾治具才是關鍵：薄壁零件夾太緊變形，夾太鬆顫振。師傅靠特製軟爪、施力順序、灌蠟支撐解決這些問題。有師傅花三天設計夾具，零件加工只需四小時。AI 不考慮任何一項。
共振地雷要靠耳朵踩 每組刀具與工件組合都有自然頻率。師傅從保守轉速開始，邊聽邊調，找到甜蜜點就記住。他知道某台 Makino 在 8,200 到 8,600 RPM 必定顫振，而且機台升溫兩小時後顫振帶會再上移 200 RPM。目前沒有任何 AI 能做到事前預防，只能事後偵測。
環境變數沒人寫進程式 早上和下午的溫差，對 500mm 鋼件就是 30 微米的尺寸變化。許多精密零件公差只有 ±10 微米。有師傅一個班次內為同一程式做了三次偏移調整。AI 產出的是靜態程式，假設條件永遠不變。
決策超出最佳化函數範疇 師傅知道這位客戶雖然圖面標 Ra 1.6，但實際用 Ra 0.8 驗收；知道陽極處理後孔徑會縮 0.008mm，所以提前補償；知道錯過交期的加班費 2,000 元，多買刀具只要 200 元，所以選快的策略。這些判斷 AI 沒有資料可以做。
異常狀況是無限的 冷卻液噴嘴偏移、切屑纏刀、材料有鑄造空洞、停電丟失參考位置——每個場景都需要即時感知和臨場應變。AI 在按下啟動前就完成任務了，後面的事都是師傅在扛。
感測器的代價超出多數工廠負擔 理論上感測器可以複製師傅的感知能力。實際上，在嘈雜車間部署聲學監測、力感測、熱補償的完整基礎設施，成本超出絕大多數機械工廠的年度設備預算。師傅用生物硬體免費做到這一切。
知識正在快速流失 CNC 師傅平均年齡超過 50 歲。他們的知識存在腦子裡、手上、感官裡，大多無法完整言語化，更無法完整記錄。每年都有無可取代的知識走出大門。
結論
AI 是強大的助手，不是好的替代品。它能幫初階工程師更快產出水準之上的程式，降低人與人之間的產出差異。這有價值。
但完全取代師傅的障礙是結構性的：輸入資料不可靠、回饋迴路不存在、機台個體差異巨大、環境複雜難以感知、決策脈絡無法數位化。更好的演算法解決不了這些問題。
真正該問的問題不是「AI 什麼時候取代師傅」，而是「怎麼在他們退休前把知識留下來」。
