在全球經濟日趨不穩定的背景下，通貨膨脹、地緣政治和供應鏈重組等多種因素使經濟前景變得難以預測。對於以出口為主力的台灣製造業來說，提升市場應變能力逐漸顯得至關重要。為此，有效運用現代IT技術手段在自動化產線或工作流程中引進人工智慧（AI）不僅能夠提高生產效率，也有助於更靈活地應對市場波動，強化企業營運敏捷性。
洛克威爾自動化（Rockwell Automation）在2023年發布的第8年《智慧製造概況》報告中指出，愈來愈多的企業已經開始認識到智慧製造的潛在價值。該報告統計，97%的調查參與者目前已經在運用或計畫在接下來的一至兩年內採用智慧製造技術。值得注意的是，與2022年相比，採用機器學習和AI的製造業者增加了超過50%。
台灣洛克威爾自動化解決方案暨工程服務事業群資深經理王展帆強調，該報告中最值得關注的兩大議題是高價值轉型（High-Value Transformation）和淨零供應鏈。他指出，高價值轉型是全球產業追求的目標，與台灣製造業有著密切的相關性。過去，多數企業通常只專注於研發和品牌知名度的提升，卻忽略了製造過程中價值的潛在提升。事實上，智慧製造不僅能加速新產品的市場推廣，還有助於提升產品品質和加強品牌價值。
智慧製造和淨零供應鏈實現高附加價值
在2023年，製造業面臨著供應鏈重組的不可逆轉趨勢。與此同時，「淨零供應鏈」已經成為核心討論議題。根據「溫室氣體盤查議定書」對於範疇三的定義，這不僅影響工廠內部的能源使用，還牽涉到上游原材料的選擇與管理。對於市場龍頭企業而言，例如Apple、BMW等公司，實現淨零供應鏈已逐漸成為衡量企業成功的一項重要指標。
王展帆進一步說明，在討論碳排放量的計算和管理過程中，業界普遍將碳排放分為三個範疇。範疇一是直接碳排放，主要涉及公司自有的設備和運營；範疇二是間接碳排放，通常與用電、暖氣或冷氣等有關；而範疇三則更為全面，涵蓋整個供應鏈，包括製造、運輸、使用，甚至是產品壽命結束後的廢棄。 比如計算製造設備的碳排放時，會細分到IC元件或塑膠外殼等，這些零組件都會在生產過程中產生碳排放。因此供應商須收集碳排放數據，提供給客戶統整計算產品的整體碳足跡。
根據洛克威爾自動化（Rockwell Automation）2023年發布的第8年《智慧製造概況》報告統計，54%的製造業已經部署了生產監控系統，而51%的製造業已經採用了品質管理系統（QMS），以確保產品品質。
至於碳排放計算，不同產業有不同的標準和方法，通常以產品類別規則（PCR）為基礎。PCR會針對特定產業的特性，提供一套計算碳排放的指引與提交的表單。因此即使是相同類型的產品，在不同產業下也可能有不同的碳排放計算方法。
淨零供應鏈的推動不只要求企業自身達到淨零碳排放的目標，還敦促其在整個供應鏈中的合作夥伴亦須達到相應標準。對台灣的產業來說，這樣全方位的轉型將無可避免地帶來深遠的影響，進一步使智慧製造和淨零供應鏈成為追求高附加價值企業必須發展的目標。
在全球逐漸從COVID-19大流行恢復的過程中，製造業緊接著必須應對多重困境，包括經濟不穩定性、供應鏈的中斷、勞動力短缺，以及網路安全風險。尤其值得注意的是，根據洛克威爾自動化最新的《智慧製造概況》調查報告，近半數的製造業將人力資源短缺視為一大隱憂，這一比例較去年提升了11個百分點。因此，在接下來的一年中，如何有效地管理和提升人力資源將成為製造業營運挑戰。
同時，為了確保營收成長，愈來愈多的製造業已經開始採用先進的生產監控和品質管理系統（QMS）以確保達到目標。環境、社會與治理（ESG）政策的重要性也相應地升高，使得製造業不僅聚焦於社會責任或品牌形象，更逐漸注重持續性的營運效益。
釐清AI應用ROI確保符合預期
台灣製造業在全球供應鏈中佔有舉足輕重的地位，隨著產業環境變遷和社會結構改變，正面臨多重挑戰，例如設備老化、勞動力短缺等亟待解決的問題。王展帆認為，這也是近幾年製造業開始積極擁抱數位轉型的重要驅動力。
隨著人口老化，許多新設工廠面臨到適任員工短缺的困境，可能使得製造業面對未來商業轉型時，可能遭遇難以跟上潮流的窘境。因此，王展帆認為，台灣製造業無法避免將增加自動化和人工智慧（AI）方面的投資。特別是在技術傳承方面，AI已被視為是一個有效的輔助工具。
至於老舊設備，在效能和效率上無法與新型設備相比，因此需要投入更多的維護，不僅增加了維運成本，同時也影響生產效率。此外，老舊設備往往缺乏現代化的資料收集和分析功能，恐限制了工廠對生產流程的了解和最佳化。
王展帆指出，生產線環境運用AI輔助最為廣泛的是視覺方面，例如影像辨識，不僅可以輔助檢測產品瑕疵，也能用於交通安全偵測等不同場域。但若僅侷限於視覺應用，並不能充分發揮AI的潛在價值，資料分析輔助決策也是不可或缺的一環。「長期的資料收集可以預測設備損壞或找出製程優化的環節，以提高整體生產效率。不過，目前遭遇的瓶頸是資料收集的完整性。」
對於影像資料的收集，只需要架設攝影機即可達到目的，但對於設備參數的收集，則須部署各種感測器，這樣的投入成本對多數製造業而言相當高昂。王展帆舉例，為了進行馬達的振動分析，必須在馬達上安裝感測器並進行配線，以便收集相關訊號。單一馬達進行振動分析所需的投資成本假設為20萬元，工廠環境若有1,000顆馬達，則總投資將高達2億元，僅僅是為了跨過預測性維護的起跑線。對多數企業而言，這樣龐大的投資金額使其難以計算明確的投資報酬率（ROI）。
同樣地，若希望透過AI應用來提高產線調度效率，也需要首先部署大量的感測器。由於初期投資成本相對較高，加上難以預先評估投資報酬率，因此在推廣上受到限制。王展帆強調，這些限制並非是技術層面，而是在應用模式導入前，ROI的不確定性造成了障礙。因此他建議，製造業應先從最小可行方案（MVP）著手，再擴展到整體應用場域，以發揮AI應用實質效益。