真正的工业4.0是机器不只要“自动”还要要会“学习”

中国***元智大学工业工程学系副教授锺云恭指出，自动化程度提高，不代表就是已经智能化，但如果生产线有问题，机器却不能自我改善，就需要有人来处理，真正要达到减少人力的目标，其实并不容易。

自动化≠智能化，学习才是王道

工业3.0虽然因为大量导入ICT科技，发展出非常高度的自动化应用，但中国***元智大学工业工程学系副教授锺云恭指出，自动化程度提高，不代表就是已经智能化，

但如果生产线有问题，机器却不能自我改善，就需要有人来处理，真正要达到减少人力的目标，其实并不容易。

中国***元智大学工业工程学系副教授锺云恭

所幸，随著人工智能所须具备的机器学习理论(Machine Learning Theory)的基础，目前因已发展成熟，机器自我学习的能力得以提升，德国提出的工业4.0展望于焉成形。

锺云恭指出，机器人或视讯监控，都是人工智能应用的具体呈现，以机器人为例，可以将视觉、听觉及动作成为一体，如装配需要看到位置及瑕疵，安装时要注意力道，或是对机台是否造成损坏等，

但机台运行久了，难免会有故障，但到底是要停机？还是要自我改善？能不能让机器自我调整，即使碰到困难，顶多只会发生一次，而且不需要人力维护，就能避免犯下同样的错误，唯有机器能够自动改善，才能做到无人工厂。

锺云恭强调，人工智能跟自动化的差别，就在于有没有「学习」或「自我改善」。机器不只要「自动」，还要「自发」。

自动化(automatic)设备与具自发性(autonomous)的设备，驱动的数学模式是不一样的，前者是模式驱动(Model-Driven)，用的是演绎法(deduction)，后者是数据驱动(Data-Driven)，用的是归纳法(induction或generalization)，这也是为何大家得改用人工智能中的「机器学习理论」来处理大数据的原因。

但实验室中的理论或实验结果所得到的资料特性，锺云恭认为，仍然不比实际上在物联网(IoT)或工业物联网(IIoT)中，具6V特性的大数据(Big Data)还要复杂，许多错综复杂且真假难辨，堆积如山又深如大海的网络资料，目前仍无法用实验室中的人工智能，有效率地分析与处理。

因此，在「机器学习」之前与之后，都需要资料统计分析技术。但锺云恭指出，一般懂机器学习模式的人，却未必通晓资料的统计分析，就像医生没有幕后发明药的生化专家一样，病不好治。

要成功的发展工业4.0，就必须具备「机器学习理论」，以建立可以处理6V大数据学习算法模式的专家，与懂得如何分析(analyze)与合判(Synthesize)各类不同特性资料的「统计技术」人才。

此外，信息系统开发的「计算机科学」人才，也不可少，专攻通讯网络与硬件建设的工程专家，也有一定的地位。因此要发展工业4.0，需要有功夫扎实的跨领域合作团队，才能在工业4.0崎岖不平的道路上，披荆斩棘地前进。

从自动化经验发展人工智能

锺云恭指出，中国制造业的确进步很快，自政府提倡「生产力4.0」的目标后，业界都向「无人工厂」的迈进，但取代人力的设备与机器的自动化，究竟是仍属传统的弹性制造系统(Flexible Manufacturing System；FMS)？

或是等级更高的计算机化集成制造系统(Computerized Integrated Manufacturing System；CIM)？还是已经有学习功能，会自发性生产的制造系统？

如制程或规格监控，自动化只能做到区隔是及不是，只要监控结果不在不正常的范围，系统就会以为还是正常的。但人工智能可以透过学习结果，从「不一定」的答案中找到答案，就会有能力自己调整监控范围。

锺云恭认为，人工智能要像机器老鼠走迷宫，当第一个错误发生时，要有能力学习，甚至要有能力预测可能出现的错误。

但传统的控制模式，都会有假设模式，只要超出假设模式，就很难避免错误发生。以影像辨识为例，在撷取讯号或影像，虽然都已经没问题，但如果是从来没有看过的资料，就可能会无法辨识，自然就无法避免可能发生的错误。

因此，只要问：「这套设备有学习的功能吗？」就可以知道该设备是否达到工业4.0的级数，但欧美等国开始倡导工业4.0，也才不过5年的时间，中国现在还很难有真正的学习型智能机器或生产线，能以精实管理的判断过程如6个标准差(Six Sigma)为基础，透过机器学习来完成。

锺云恭指出，现今的自动化制造知识，是工业4.0的学习对象之一，机器若没有「自动」动作，尔后也不会学到「自发」行为。

能做到高度自动化，就有机会做到人工智能化，因为数学模型已经高度完整，网络环境、中央控管系统、大数据分析相对成熟，现在的关键是机器本身有无学习能力，更重要的是要学习，为什么会有问题。

导入人工智能的目的，在于要做到精准预测，如误差往往是渐进发生的，但现在的产品制造速度愈来愈快，可能等到察觉问题时，就已经制造出很多不良品，人工智能因为要走一步学一步，算法学习速度也许不够快，但是只要学习完成了，不但不会再犯错，而且会愈走愈快。

3尽快建立成功案例

制造业若希望能在智能工厂与工业4.0相关领域有所表现，锺云恭认为，可能会遭遇的主要挑战，就是人才不足的问题。如在人工智能领域，只有投入足够的资源，如数学教育的氛围需要更加强化，才能培养能够用机器学习算法来设计计算机的人才。

中国已经拥有自己的超级计算机，也已开始进行人工智能方面的实验，如Travel Salesman Problem(TSP)，可深入了解逻辑运算的正确性，中国的制造业的飞速崛起将指日可待。

值得注意的是，锺云恭认为企业主本身是否真的愿意投入足够的研发经费将是一个挑战。「怕失败，怕投资无法回收」是每个企业主一定会有的风险考量，但要搞工业革命，没有经费，那革命恐怕也会待在「尚未成功」的阶段。

政府除要持续高度对制造业施行各项辅导与补助外，也要体认工业4.0是要着重在研发与教育。政府政策必须多管齐下，除加强提升业界现有之多功能自动化的FMS或CIM系统，使之提升至再具有自发性功能外，还要建立教育机器学习理论与算法设计的环境，如研发可以学习用数据方式来呈现过去制造经验的智能机器与设备，尽快建立成功案例，才能够有效推动人工智能于工业4.0的应用推广。