——OT 與 AI 對「正常 / 異常」的世界觀衝突
在傳統 OT（Operational Technology）的世界裡，「正常」與「異常」的界線，曾經定義得非常清楚，也非常單純。
那是一個規格導向（Specification-based）的世界。在這個世界裡，感測器的數據有著絕對的紅線：溫度高於上限就是異常，壓力低於下限就是警報，電流過大就跳脫（Trip）。世界非黑即白，只要數值落在兩條紅線之間，就被視為平安無事。而在這個體系中，我們最引以為傲的工具叫做 PID 控制。
但這裡存在一個常被誤解的觀念。PID 的本質並不是「理解」，而是「糾偏」。它的工作邏輯非常直接：P（比例）看現在偏多少，I（積分）看偏了多久，D（微分）看變化多快。PID 的前提假設是：目標值是對的，只要偏差一出現，就立刻修正。
所以 PID 非常擅長維持穩定、抑制震盪。但它完全不關心「為什麼會偏」，也不在乎這個偏差是不是合理的，更不會去思考設備的行為是否正在慢慢「變質」。
然而，隨著現代工業系統越來越複雜，我們開始覺得這套邏輯不夠用了。
現場開始出現各種奇怪的現象：設備沒有超標，但運作起來就是越來越不穩；PID 還在努力拉回數值，但拉得越來越吃力；能耗莫名上升，但所有儀表都在規格內；良率開始飄移，卻找不到單一的異常點。
這時候，工廠裡的老師傅往往會說出一句很有深意的話：
「數字都正常，但感覺不對。」
這句話，在講求精確的 OT 世界裡往往被視為禁語，但在 AI 的世界裡，這卻是最重要的線索。
我們在這裡看到了一個明顯的「世界觀衝突」。OT 的世界觀關心的是「點」，只要點在範圍內就是正常，控制的目的就是把偏差拉回；但 AI 的世界觀關心的是「形狀」與「時間」，它認為正常意味著行為模式的一致，而異常則是行為開始偏離了既有的軌跡。
這就引出了一個全新的觀點：目前 OT 系統提供給 AI 的資料，維度是嚴重不足的。
傳統的感測器資料本質上是「低維、即時、規格導向」的，而 AI 需要的卻是「高維、時序、行為導向」的資料。即使你在設備上裝了十個溫度計、八個壓力計，如果你只給 AI 看當下的數值、是否超標、或是平均值，那麼在 AI 眼中，這些資料幾乎都是扁平的。
AI 真正渴望的「數據維度」，其實藏在我們過去忽略的地方。
首先是時間的厚度（Temporal Depth）。AI 不只想知道「現在是多少」，更想知道「是怎麼變到現在的」。是緩慢爬升？是劇烈震盪？還是階梯式跳躍？這就是我們常說的行為指紋。
其次是關聯的維度（Relationship）。異常往往不存在於單一數值，而存在於「關係」之中。溫度升高時，功率是否同步上升？壓力變化時，流量是否合理？這些變量之間的「舞蹈」是否協調，才是 AI 判斷的依據。
再來是狀態的語境（Context）。同一個電流數值，在馬達啟動時是正常，在穩態運轉時可能是異常，在清洗製程中又另當別論。若沒有語境，數據就只是無意義的數字。
最後，也是最關鍵的一點，是歷史的可回放性。在 OT 的世界，事情過了就過了；但在 AI 的世界，每一次異常都是珍貴的訓練素材。沒有原始過程的完整紀錄，就沒有真正的學習。
那麼，我們該如何解決這種「維度不足」的困境？
答案不是拋棄舊系統，而是建立一套新的資料方法論。我們必須不再只存「值」，而是存「連續的原始時序」，讓 AI 能在關鍵時刻看見完整的波形過程。我們必須把「正常 / 異常」的定義，從簡單的臨界值，升級為「行為一致性」。
甚至，我們提出了一個更大膽的觀點：把 PID 的「控制輸出」也變成 AI 的觀測對象。
未來，AI 不只要看感測器回傳了什麼，還要看「控制器自己有多辛苦」。當 PID 的輸出振幅變大、積分項累積速度變快、控制頻率被迫升高時，往往代表系統內部已經開始劣化。這些「掙扎的過程」，在傳統 OT 裡被視為背景雜訊，但對 AI 來說，卻是預測故障的黃金指標。
這就是為什麼我們堅持使用 { CID, Timestamp, Value } 這種最小通用單元來解構數據。Timestamp 打開了時間維度，CID 連結了語境與關聯，Value 保留了真實訊號。再配合外部的資產模型治理，我們才能避免陷入傳統 OT 的「寄存器地獄」。
總結來說，OT 控制系統擅長維持穩定，但 AI 的任務不是再穩定一次，而是理解「穩定是怎麼逐漸失效的」。而要做到這件事，單靠臨界值不夠，單靠 PID 也不夠，數據的維度必須先被解放。
如果我們給 AI 的，仍然只是三十年前為控制而設計的數據形態，那 AI 永遠只能當旁觀者。
真正的問題，從來不是模型不夠聰明，而是現場發生的事，沒有被好好記下來。
© 2025 KangarooTEC Corporation All Rights Reserved.
