只要走進任何一家大型製造工廠，相信許多人很快就會察覺一項既隱藏卻又顯而易見的矛盾：當生產線上不斷製造著先進、高科技，融合人類心血結晶的產品時，負責管理生產線與機台的控制系統，卻常常是在第一代 iPhone 上市之前，就已經投入製造工廠。
換句話說，即便是生產高科技產品的廠房，其管理軟體卻幾乎都運行在早已被淘汰的作業系統上，甚至採用過時的程式語言編寫，並且仰賴著越來越難尋覓的備用零件，勉強維持正常運作。
超過 5 成工控系統，投入長達 20 年
根據研究，全球大約有 50% 到 70% 的工業控制系統，早已被廠商長期投入使用即將達到或超過 20 年時間；同時，非計劃性停機為企業造成的損失，平均每小時也達到 26 萬美元，若為資本密集型產業，其損失金額更可以高達數百萬美元以上。
科技顧問公司 Stefanini 全球技術長 Fabio Caversan 就指出，傳統工業控制系統在設計之初，並未考量到現代網路安全的防護措施，因此容易面臨勒索軟體攻擊等各種資安風險。
此外，擁有舊式架構的工業控制系統，亦無法與工業物聯網（IIoT）基礎設施，或者進階分析工具等進行串接，使得企業難以將工廠內部數據，轉化為增加生產效率的營運智慧。
傳統升級方法，耗時且成本高昂
Fabio Caversan 表示，若廠商想要升級傳統工業控制系統，其所採用的經典方式，向來是仰賴人類工程師的手動操作，既耗時且成本高昂。
傳統上，工程師必須研究運行於可程式化邏輯控制器（PLC）或監督控制與資料擷取系統（SCADA）上的現有程式碼，人工閱讀、解析每條指令的功能，再針對目標平台重新編寫整個程式。
對於擁有數百個控制節點的大型工廠與製造設施而言，光是轉換工作就可能耗費數個月的工程時間，而人力手動轉換過程中所具備的錯誤風險，更會在每個任務階段增加營運成本，造成生產線恢復時程的延誤。
而在 AI 科技的高速發展之下，Fabio Caversan 表示，專為工廠營運技術所打造的人工智慧工具，其實正在逐步介入工業製造領域，嘗試重塑過往的升級作業流程。
利用 AI 擺脫綁定，減少轉換時間
進一步而言，這些 AI 工具不僅能讀取舊有的 PLC 程式碼，將其轉換為不被特定供應商綁定的中間格式，主動檢查邏輯錯誤，同步生成適用於新系統的等效程式碼，還可以同時產出文件、網路圖及 I/O 清單，取代過去需要組織專門工程團隊所負責的升級工作。
不僅如此，某些 AI 工具還有能力解說程式碼，即透過淺顯易懂的語言，闡述老舊設備的運作邏輯；程式碼審核工具則可標記出新舊系統的不一致之處；至於 PLC 遷移工具將肩負處理跨廠商架構的轉換任務。
Fabio Caversan 直言，維持供應商的靈活性，其實是工業控制系統升級歷程中，至關重要的一環，但卻往往未受到企業的重視；那些有能力跨平台運作的工具，才有辦法讓企業根據成本、功能及流程需求，評估哪種技術最適合自身的生產環境，而非僅僅依賴某個特定的系統整合商或者供應商。
Fabio Caversan 指出，在大型現代化的工控系統升級專案中，相較於傳統方法，導入 AI 工具後的新流程，至少能夠將任務時程縮短一半以上，甚至隨著工廠規模與複雜度的增加，其效益還會成比例提升。
升級效益外擴，提高多方面產能
Fabio Caversan 深入分析，當工廠效率有所提升，其將會影響到更廣泛的工程領域，並且為設計、程式碼撰寫、測試及文件編撰等作業流程，帶來更加顯著的升級效益。
換句話說，過去需要透過獨立且耗時流程所處理的任務，在當今 AI 技術的幫助下，已經有能力並行處理或者完全自動化，這不僅為企業減少了工作量，也降低了人為錯誤的發生機率。
此外，工程師還能夠利用 AI 技術，以更快的速度及更高的一致性，從初期設計一路推進至驗證與部署階段，特別是在複雜性迅速加劇的大型環境中，有效提高工作效率。
同時，機器學習模型亦被應用於加速轉換後的產能提升，縮短了將全新現代化設備，恢復到擁有全面生產能力所需要的時間。
停工代價高昂，AI 加速恢復
緊接著 Fabio Caversan 提及，當現代化生產線發生停工，便會引發一連串「代價高昂」的連鎖反應，因此更需要 AI 工具的介入輔助。
舉例來說，若工廠中的機台操作員發現設備問題，便會開始聯繫維修人員，然後靜靜等待他們抵達；然而，隨後到達的技術人員卻會在診斷問題上耗費大量時間，接著才給出解決的實際方案。
當 AI 技術介入後，產線停工的補救機制，將會開始變得有所不同。
Fabio Caversan 解釋，當企業擁有專為工廠部署設計的虛擬助理，AI 就可以向機台操作員提供系統狀態的持續性即時監測數據，並且於偵測到異常時，立即向技術人員指出可能的根本原因，從而改變整個報修流程。
雖然機台與設備的實際維修，仍然需要技術人員親自動手，但 AI 工具卻能減少數小時的故障排查工作，加速生產線恢復運作。
Fabio Caversan 指出，正所謂「積少成多」，若企業將非計劃性停工的時間加總，直接視為 AI 技術能夠挽回的正常生產時間，那麼這些數字就會轉化為實際的產量增長，並且清晰體現於最終的收益報表上。
全面利用 OEE，決策指標更精確
過去四十多年來，工業製造領域的整體設備效率（OEE），一直都是製造業衡量績效的重要指標；OEE 將設備可用性、產能利用率及產品品質整合為單一指標，用以衡量工廠或單一設備的運作效率。
OEE 可以獲得製造業長久沿用，在在彰顯出了它的高度實用性，然而也正因為如此，Fabio Caversan 認為，目前製造產業中仍有非常大一部分，無法透過 OEE 指標進行嚴謹追蹤。
在 AI 技術的發展之下，Fabio Caversan 表示 OEE 將能獲得更加全面性的利用。舉例來說，過去需要機台操作員暫停作業，手動評估、記錄、分類每起停機事件的原因，現在有了 AI 的幫助，將不再需要人工干預，即可自動擷取並歸類事件。
當企業有能力擺脫手動記錄，讓 AI 把週期時間、產量及品質指標，持續匯入到 OEE 的計算中，指標與數據不僅會變得更細緻，也將更加值得信賴，從而使每項基於數據的後續決策，變得更為精準與精確。
AI 成本容易計算，產出回報更明確
另一方面，在驗證 AI 技術的成本支出上，Fabio Caversan 指出，製造業相較於其他產業擁有獨特優勢。
畢竟，工廠產線回報給企業財務團隊進行審計的內容，通常都十分簡單明瞭，例如每作業班次的產出增加量、每次故障事件的恢復時長，以及設備同期的維護成本降低幅度等，這些數據可以讓工廠發起現代化升級的賭注，轉變為一項具有可驗證結果的可控性實驗。
雖然 AI 技術確實能夠為製造業帶來大幅度革新，但 Fabio Caversan 也提醒，即使是最先進的 AI 工具，若部署團隊無法理解實際運作情境，其表現也將大打折扣，尤其是涉及「人類」的現場狀況。
舉例來說，操作人員會如何在壓力下，跟設備持續進行互動？維修團隊如何在相互衝突的需求中，為生產線設定優先順序？停機時間會如何在讓產線上的製造任務，出現互相影響的連鎖反應？Fabio Caversan 說，這些都是任何演算法皆無法複製重現、多大規模的感測器都無法給出答案的東西。
Fabio Caversan 認為，那些有能力在工業製造流程中，釐清各自責任歸屬，而非將任務於技術顧問跟基層員工之間來回推諉的企業，通常才能確保專案準時且於預算之內完成。
老舊工控系統寬限期已到終點
Fabio Caversan 明確表示，在 AI 時代之下，容忍老舊工業控制系統的「寬限期」已經走到終點；當人工智慧開始具備製造專業知識，並且擁有足夠的數據做為基礎，工業現代化的進程將比以往任何時候都來得更加迅速、成本更低，甚至是更加容易把成效結果進行量化。
簡單來說，Fabio Caversan 強調，現在決定就擁抱 AI 技術的製造商，將為未來十年的競爭格局定調；而那些仍在猶豫是否讓使用了二十年的工控系統再撐一陣子的企業，其所冒的風險將會日益增加。
【推薦閱讀】
◆ AI 進入巧克力供應鏈：Hershey 估 5,000 萬美元生產力提升、減少 1 億美元庫存
◆ AI 熱潮進入製藥工廠端：BMS 產量提升 40%，Eli Lilly 如何用數位孿生突破產能瓶頸？
◆ 98% 自動化、每輛車 2 萬項數據回傳：解析 BMW 慕尼黑廠的 iFACTORY 數位升級邏輯
＊本文開放合作夥伴轉載，參考資料：Forbes、Bain & Company，首圖來源：Nano Banana 2
（責任編輯：鄒家彥）
