不久前的新聞，工研院產(chǎn)業(yè)學院組成一個「工業(yè)4.0導入德國見習營」，歡迎不論是欲導入工業(yè)4.0的企業(yè)第二代、決策主管、資深工程師，或者欲強化工業(yè)4.0導入輔導能量的管理顧問公司中高階主管，一齊共襄盛舉，赴德國就近體驗與學習工業(yè)4.0技術(shù)精華，而此行程個中含括了工業(yè)4.0基本訓練、企業(yè)參訪及Workshop。

上述行程的參與價值是高是低，取決于企業(yè)自己的評估與判斷；然而產(chǎn)業(yè)學院基于此見習營所擬的對外說帖，某些論述其實頗為正確、值得一讀。該單位指出，工業(yè)4.0系由德國政府于「德國2020高技術(shù)戰(zhàn)略」中提出的十大未來項目之一，旨在提升制造業(yè)的智能化水平，建立具有適應性、資源效率的競爭力；但工業(yè)4.0的真正戰(zhàn)略目的，絕非僅是實現(xiàn)以「數(shù)碼化」、「智能化」與「自動化」為特征的智能工廠，而是希望透過以「智能工廠」為特征的第四次工業(yè)革命，持續(xù)保持德國在復雜多變的市場經(jīng)濟與技術(shù)背景下的響應能力與國際競爭力。

持平而論，綜觀企業(yè)，現(xiàn)已將數(shù)碼化概念融入到公司經(jīng)營者，其實并不多見，更遑論透過供應鏈的集成，抑或利用企業(yè)核心競爭力來提升商業(yè)化模式，從硬件提供者轉(zhuǎn)變?yōu)榉?wù)提供者，同樣為數(shù)有限。深究主因，乃在于多數(shù)企業(yè)對于客戶或消費者的需求不明，以致欠缺導入工業(yè)4.0的切入點與誘因。因此如何借鑒德國企業(yè)經(jīng)營者基于工業(yè)4.0做好轉(zhuǎn)型準備，及如何培訓轉(zhuǎn)型所需要的人才，包括如何優(yōu)化人員管理、工作流程及建造IT基礎(chǔ)設(shè)施，乃至如何利用工業(yè)4.0 Toolbox進行產(chǎn)品智能化及生產(chǎn)制程智能化，都值得借鑒學習。

僅完成數(shù)碼化，未達工業(yè)4.0精髓

看到這里，想必有些企業(yè)備感詫異，心想好不容易打造出以數(shù)碼化、智能化與自動化為導向的智能工廠，居然還不算是達到工業(yè)4.0層次？

有專家根據(jù)工業(yè)4.0的實踐過程，劃分出兩大階段，第一階段即是數(shù)碼化階段，里頭包含了計算機化、通訊連結(jié)等重要里程碑，具體而言就是多數(shù)企業(yè)此刻正在做的事，即是透過傳感器、I/O的布建，設(shè)法讓原本只懂得埋頭苦干做事的生產(chǎn)機臺設(shè)備，開始變得耳聰目明，有能力透過設(shè)備連網(wǎng)，把自己機器內(nèi)部的狀況，及正在進行的加工任務(wù)進度，實時不斷地傳遞出去。

但如果僅做到前述內(nèi)容，充其量僅能幫助企業(yè)匯集到一堆數(shù)據(jù)，究竟有用或沒有用，尚在未定之天；以此水平來看，確實距離所謂的工業(yè)4.0目標，尚有不小的落差。

第二階段，才是進入工業(yè)4.0的階段。這個階段所蘊含的關(guān)鍵里程碑，就比上一階段多得多。首先是可視性，假設(shè)有特定事件發(fā)生，便利用收集到的機臺狀態(tài)與參數(shù)，輔以周遭環(huán)境的相關(guān)信息，通通與缺省的正?；€(Baseline)做比較，一旦差距幅度到了某個范圍便發(fā)出告警，以便讓企業(yè)「知道發(fā)生什么事」。再者是透明度，利用統(tǒng)計分析、大數(shù)據(jù)分析等手法，為前述的異常事故執(zhí)行診斷把脈，以期理出頭緒，能讓企業(yè)「知道事情的發(fā)生原因」。

再來是預測能力。當企業(yè)累積足夠的異常事件信息，即可藉助時下最夯的人工智能(AI)、機器學習或深度學習等技術(shù)，透過算法萃取這些事故的共通特征，從而建立模型，以利企業(yè)培養(yǎng)防微杜漸的洞察力，萬一日后再遇到特征值開始出籠，不待機器故障、缺料等異常事故出現(xiàn)，便能提早介入處理，及早遏止產(chǎn)能停頓或產(chǎn)出不良品等憾事發(fā)生。顯而易見的，假使做到這一步，確實已稱得上是價值連城。

只不過，經(jīng)由AI邏輯推論，讓企業(yè)得以掌握異常事故前兆，繼而展開因應對策，其對策的產(chǎn)生還需人為介入判斷，起碼也需要人為介入選擇(由智能制造管理系統(tǒng)提供選擇方案)，更技高一籌的境界則是「適應性」、也就是「自我最佳化」，此時智能制造管理系統(tǒng)猶如貼心的軟件伙伴，會根據(jù)事件發(fā)生的原委，并巧妙地盱衡所有「利害關(guān)系人」(即涉及該事件的相關(guān)設(shè)備、元件)的意愿、情緒、勞逸...等等因素，自主安排一套最佳的應變對策，順利排除異常事故，其間不需仰賴人為決策便可實現(xiàn)「自主式反應」；一旦具備這般火候，就達到工研院產(chǎn)業(yè)學院針對德國見習營的說帖內(nèi)容，具有適應性、資源效率的競爭力。

大數(shù)據(jù)結(jié)合專家知識，加速實現(xiàn)智能生產(chǎn)

話說回來，循著以上論述來推導，意謂企業(yè)能否善用大數(shù)據(jù)、AI等技術(shù)，似乎就成為工業(yè)4.0的成敗關(guān)鍵。然而有若干學者專家提出不同看法，凡事都得靠資料分析來做決策，唯恐導致企業(yè)成為事后諸葛，面對沒發(fā)生過的事，由于缺乏數(shù)據(jù)的佐證與分析，就無從應對處理，必須等到至少痛過一次，才知道如何阻止類似悲劇再次上演。

比方說，某座工廠在建造時，建廠者便根據(jù)過往累積的專業(yè)知識，提出廠內(nèi)溫度若升高到某一水平，便應立即啟動告警機制，進而疏散人員、讓鍋爐停止運轉(zhuǎn)，此為該廠房的最大法則，意指今天只要溫度到了，不管誰要執(zhí)行什么東西，通通都不行。

按理說，這套依溫度極限所設(shè)定的邊界，應是工廠運行的最高指導原則，亦是推動智能制造的過程中所不容忽略的觀念。但現(xiàn)今人們逐漸不把傳承已久的專業(yè)知識當一回事，只求純粹靠資料建立知識；倘若該廠未曾出現(xiàn)過因高溫而導致鍋爐爆炸的前例，則可以肯定，不論企業(yè)如何做統(tǒng)計分析、甚至實施AI訓練與推論，都將因為缺乏數(shù)據(jù)，而無從產(chǎn)生足以遏阻意外的邏輯規(guī)則，只能任由悲劇發(fā)生；說得更具體一些，即使有人主張可運用AI消弭無謂的產(chǎn)能浪費與意外損失，焦點都在設(shè)計、生產(chǎn)、出貨等價值活動上，而不是工安意外。

專家認為，如今由傳感器收集如此龐大資料，彷若是源源不絕的學習訓練素材，但即便如此，現(xiàn)階段所能供給的智能制造工具，依然如此「原始」？委實太過可惜，唯今之計，企業(yè)除了力推大數(shù)據(jù)分析、AI算法外，亦應思考如何利用專家系統(tǒng)或本體論，將專家知識納入驅(qū)動智能生產(chǎn)的條件之一，此事難度雖然不低，卻仍是后續(xù)值得努力的方向。