不久前的新聞，工研院產業學院組成一個「工業4.0導入德國見習營」，歡迎不論是欲導入工業4.0的企業第二代、決策主管、資深工程師，或者欲強化工業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4.0技術精華，而此行程個中含括了工業4.0基本訓練、企業參訪及Workshop。

上述行程的參與價值是高是低，取決于企業自己的評估與判斷；然而產業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4.0系由德國政府于「德國2020高技術戰略」中提出的十大未來項目之一，旨在提升制造業的智能化水平，建立具有適應性、資源效率的競爭力；但工業4.0的真正戰略目的，絕非僅是實現以「數碼化」、「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革命，持續保持德國在復雜多變的市場經濟與技術背景下的響應能力與國際競爭力。

持平而論，綜觀企業，現已將數碼化概念融入到公司經營者，其實并不多見，更遑論透過供應鏈的集成，抑或利用企業核心競爭力來提升商業化模式，從硬件提供者轉變為服務提供者，同樣為數有限。深究主因，乃在于多數企業對于客戶或消費者的需求不明，以致欠缺導入工業4.0的切入點與誘因。因此如何借鑒德國企業經營者基于工業4.0做好轉型準備，及如何培訓轉型所需要的人才，包括如何優化人員管理、工作流程及建造IT基礎設施，乃至如何利用工業4.0 Toolbox進行產品智能化及生產制程智能化，都值得借鑒學習。

僅完成數碼化，未達工業4.0精髓

看到這里，想必有些企業備感詫異，心想好不容易打造出以數碼化、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4.0層次？

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

但如果僅做到前述內容，充其量僅能幫助企業匯集到一堆數據，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4.0目標，尚有不小的落差。

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

再來是預測能力。當企業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，透過算法萃取這些事故的共通特征，從而建立模型，以利企業培養防微杜漸的洞察力，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，便能提早介入處理，及早遏止產能停頓或產出不良品等憾事發生。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，經由AI邏輯推論，讓企業得以掌握異常事故前兆，繼而展開因應對策，其對策的產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猶如貼心的軟件伙伴，會根據事件發生的原委，并巧妙地盱衡所有「利害關系人」(即涉及該事件的相關設備、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「自主式反應」；一旦具備這般火候，就達到工研院產業學院針對德國見習營的說帖內容，具有適應性、資源效率的競爭力。

大數據結合專家知識，加速實現智能生產

話說回來，循著以上論述來推導，意謂企業能否善用大數據、AI等技術，似乎就成為工業4.0的成敗關鍵。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，唯恐導致企業成為事后諸葛，面對沒發生過的事，由于缺乏數據的佐證與分析，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，建廠者便根據過往累積的專業知識，提出廠內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，此為該廠房的最大法則，意指今天只要溫度到了，不管誰要執行什么東西，通通都不行。

按理說，這套依溫度極限所設定的邊界，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。但現今人們逐漸不把傳承已久的專業知識當一回事，只求純粹靠資料建立知識；倘若該廠未曾出現過因高溫而導致鍋爐爆炸的前例，則可以肯定，不論企業如何做統計分析、甚至實施AI訓練與推論，都將因為缺乏數據，而無從產生足以遏阻意外的邏輯規則，只能任由悲劇發生；說得更具體一些，即使有人主張可運用AI消弭無謂的產能浪費與意外損失，焦點都在設計、生產、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，企業除了力推大數據分析、AI算法外，亦應思考如何利用專家系統或本體論，將專家知識納入驅動智能生產的條件之一，此事難度雖然不低，卻仍是后續值得努力的方向。