製程是製造業的共通需求，不論是高科技的半導體研發，或是傳統產業如石化業的材料組合，又或是生醫產業開發新藥時的化合物組成，都會面臨製程優化的議題。其中，製程裡的「參數」就像食譜配方，透過調整不同組合，影響最終的產品規格、產能和良率。製程可說是影響產業創新的關鍵，考驗廠商能否更快推出更具競爭力的產品，拉開與對手的差距。

然而製程參數的調整，極度仰賴深厚的人工經驗與知識，這一塊過去被認為是神聖不可侵犯的地方，不是機器可以做到的；但當AI技術精進後，就大有可為。建議製造業者可以思考以下兩個方向：運用人工智慧(AI)找出最佳製程參數、善用小數據克服產業導入AI的瓶頸，加速實現智慧製造。

運用AI找出最佳製程參數

以石化業為例，製程複雜，涵蓋溫度、壓力、入料量、觸媒溶劑添加比例等近20個重要參數搭配，再加上石化業的參數調整又有高度安全性考量，如果調整錯誤甚至會引起爆炸，過去只能依賴人員經驗，進行保守性調整。像這種多目標的優化過程，需提高生產效率，又要節省製程耗能，還要符合安全顧慮。

在工研院擘畫2030技術策略與藍圖中，工研院投入共通基礎技術AI創新研發，發展出「製程智慧分析與配方參數最佳化」技術，即是以AI演算法，協助產業以最快時間，找出最佳製程配方。

工研院研發團隊根據幾十萬筆模擬資料，先建立一個AI模型，再套入現場少量的幾百筆資料，修正模擬器誤差，最終產出最佳參數建議。這項技術不僅能改善原有製程，更重要的意義是，能幫助業者探索從未接觸過的製程配方。「製程智慧分析與配方參數最佳化」技術，能為業者節省3%的能源消耗，相當於千萬以上的成本。

善用小數據克服產業導入AI的瓶頸

數據是訓練AI的最佳養分，有效的數據量越多，分析更精準；然而，數據量不足，是許多製造業者導入AI的瓶頸。例如，過去業界對於製程參數的調整，大多採用經驗法則，逐一試驗各種參數組合，這個做法不僅耗時費力，也極度墊高研發成本，當人才流失或培育不及時，許多公司也會面臨知識斷層的狀況。

工研院團隊在研發「製程智慧分析與配方參數最佳化」之初，則選擇能有效運用少量資料、數據的「貝氏最佳化演算法」，不需完整解析模型全貌，也能就現有資料推論分析最佳操作區域，有效克服產業想導入AI，數據量卻相對不足的門檻。

此外，在研發相關製程參數最佳化的同時，研發團隊與製程工程師密切互動也很重要，必須深入了解產業中最重要的關鍵參數為何，或是哪幾個參數存在高度關聯性，讓AI的判讀更加準確；當分析結果出爐時，工程師也能協助以過去經驗，初步判斷AI的建議結果是否可行。

透過「人腦」跟「電腦」的雙腦合作，當未來資料量越來越充足時，就能減少對人工知識的依賴，更快找出最佳的製程參數組合。

AI是提升製造業競爭力的最佳利器，以工研院開發「製程智慧分析與配方參數最佳化」技術來說，其應用潛力也相當驚人，可導入有製程概念的相關產業，例如石化業、光電半導體、鋼鐵業等。

有了AI當助手，各大產業就像是聘請了一位智慧主廚，隨時都能端出最佳化的參數配方，協助台灣製造業突破轉型瓶頸，加速實現智慧製造。(本文作者為工研院巨資中心執行長暨AI人工智慧應用策略辦公室副主任馮文生)