未來工廠 AI實驗室深度解析 關注
#百業分享堂 分享主題:「未來工廠 AI實驗室深度解析」 分享人:翁永豪 /台灣明新科大助理教授/台灣中原大學物理博士 翁老師從中原大學物理博士畢業之後,從事機器學習/深度學習和人工智慧領域已經超過了20年以上的時間。在生物醫療資訊、系統生物學、材料科學、計算物理化學、工業4.0、智慧製造和自動化方面都有豐碩的研究成果。 翁老師的實驗室致力於跨領域人工智慧研究與產業應用整合,聚焦三大核心方向。首先,在AI醫療生物資訊領域,結合機器學習與大數據分析,發展疾病預測、基因表現解析與智慧診斷系統,提升精準醫療能力。其次,在智慧製造(工業3.0升級)方面,導入AI與IoT技術,建構數據驅動的製程優化與品質檢測模型,協助傳統產業邁向智慧化與自動化轉型。最後,在AI代理人與資安領域,開發具自主決策能力的智能代理系統,並強化資安防護與異常偵測機制,以因應未來智慧系統的安全挑戰。實驗室強調理論與實務並重,積極推動產學合作,培育具備AI整合能力之跨域人才。翁博士目前是科技部AI智慧製造聯盟的成員,也是台中醫療聯盟的成員。 影片介紹: 在邁向工業 4.0 與智慧製造的浪潮中,「未來工廠」已不再只是自動化設備的集合,而是一個高度整合的智慧系統。未來工廠需要的核心整合,包含機電系統(Mechatronics)、人工智慧(AI)、物聯網(IoT)、資料分析平台以及人機互動介面等多層次技術的融合。透過感測器全面蒐集設備與製程數據,結合邊緣運算與雲端平台進行即時分析,再透過 AI 模型進行預測與決策,最終實現從「資料→資訊→智慧→行動」的完整閉環,讓工廠具備自我監控、自我優化甚至自我決策的能力。 在這樣的願景下,翁永豪老師以「未來工廠整合實踐者」為定位,致力於將上述各項技術在實驗室具體落地。首先在智慧感知層導入 AI 電腦視覺技術,運用深度學習模型(如 YOLO)結合 AOI 系統,實現生產品質的即時檢測與瑕疵判斷;在決策層則導入生成式 AI 與大型語言模型(LLM),透過 RAG 架構與多模態模型,建立可對話、可分析的智慧助理系統,協助工程師快速理解製程狀態與異常原因。 在設備與控制層面,結合機器人系統(ROS)與先進控制方法,發展具備人機互動能力的智慧機台,使操作更直覺且具彈性。同時,在製程優化方面,透過統計方法(如田口法)與控制理論(如 PID),精準調校關鍵製程參數,提升良率與穩定性。此外,透過 AIoT 架構,將各式設備、感測器與管理系統全面串聯,建立可視化與可追溯的智慧工廠平台。 總體而言,翁老師所建構的是一個完整的「未來工廠縮影」。在這裡不僅學習單點技術,更能掌握跨領域整合的核心能力,從硬體設備到 AI 模型、從資料蒐集到決策應用,全面培養成為引領下一世代智慧製造的關鍵人才。 影片連結如下: https://bit.ly/3PBNtFH 連絡方式 : email: [email protected] Linkedin連結 https://www.linkedin.com/in/永豪-翁-050234302 影片連結如下: https://bit.ly/3PBNtFH 關於「百業分享堂」: 「百業分享堂」網址如下: https://www.ganjingworld.com/@百業分享堂 「百業分享堂」頻道,如果希望以後在新的影片及短片上傳後得到通知,請按訂閱,如下連結。 https://bit.ly/3AGXwPA 以下是「百業分享堂粉絲團」的連結,你可以按追蹤,以後有新的貼文就會通知你 https://bit.ly/3wkZCCd 「百業分享堂」FB連結如下,歡迎參加與專家互動 https://bit.ly/3K6Ta7w
評論 章節 文字稿
0:03 探索未來工廠的智慧核心 1:01 五大技術支柱:從視覺到製程優化 3:46 生成式AI與系統整合:打造智慧工廠的神經與血脈 5:55 實驗室成功關鍵與未來工廠的想像
大家好
今天我們要帶大家直擊未來工廠的核心
我們要深入一所頂尖大學的實驗室
看看他們是怎麼樣用AI
用機器人
一步步畫出下一代智慧製造的藍圖
來 我們先來想一個問題
這個問題可以說
直接就打中了現代工業最核心的挑戰
你想想看
如果一座工廠
它自己能看見自己犯的錯
而且還能馬上學習 馬上改進
那會是一個什麼樣的世界
這個問題其實就是翁永豪教授
這個實驗室的核心任務
智慧機電整合與AI的落地應用
白話一點講
就是把硬邦邦的機器
這些硬體
跟很聰明的AI軟體
這個大腦
把它們完美地結合在一起
然後去解決真實世界裡
那些真的很棘手的問題
所以
他們到底是怎麼辦到的
他們的研究工作
基本上是建立在
五個非常關鍵的支柱上
接下來我們就一個一個來看
好 第一個支柱
也是他們成果最豐富的領域就是
教機器怎麼看東西
你看哦
這裡最有趣的地方是
他們把像YOLO
這種很強的AI視覺模型
它的名字就叫
You Only Look Once
意思就是它辨識速度超級快
跟樹莓派這種小小的電腦結合在一起
這代表什麼
這代表你可以把這個聰明的眼睛
直接裝在產線上
有問題
馬上發現馬上分析
不用什麼東西都大費周章
傳到雲端去等半天
這個就是我們常說的邊緣運算
非常關鍵
所以你看
這些技術到底用在哪
哇 應用可廣了
小到檢查CNC鑽孔的尺寸
有沒有跑掉那麼零點幾毫米
大到快速抓出
直管上面的微小瑕疵
甚至連晶片有沒有放對位置
廣角鏡頭拍出來的畫面有沒有變形
它都能幫你搞定
你看
每一個都是在解決
工廠裡那種最實際
最頭痛的問題
OK 那光會看
還不夠 對吧
所以我們來看第二個支柱
就是把這個能力
延伸到實體世界
也就是機器人
所以你看喔
這邊的重點
不只是讓機器人變得很厲害
更重要的是
要讓人可以很輕鬆地去控制它
這包括了很高深的控制演算法
來確保機器手臂動起來
又穩又準
也包括了像Google Media Pipe
這種技術
讓你可以用手勢
欸 揮揮手
機器人就知道該做什麼
這是不是很酷
這一切的目的
就是要讓工廠裡的人
跟機器合作起來
可以等自然更順暢
不再是人要去清救機器
而是機器要來配合人
好 第三個支柱
這個就更根本了
我們回到製造業的核心
要怎麼讓整個流程本身
變得更好
欸 這個可以說是這個實驗室的老本行了
是他們的看家本領
他們用像填口方法
這種很經典的統計工具
這聽起來很學術
但你就可以把它想像成
像是在找一個做菜的最佳食譜
用最科學最有效率的方法
去試出那個黃金比例
找出影響品質最關鍵的因素
而不是像無頭蒼蠅一樣亂試一通
所以你看
他們把這個方法用在
像是錫膏運刷
回焊爐的溫度控制
這些非常細節的地方
目標很簡單
就是把每一步都做到最好
品質自然就上來了
浪費也就跟著減少了
所以你看這個時間走就很有意思了
你可以看到他們是怎麼一步一步走過來的
從過去專精的PID控制
到現在把傳統的填口方法
跟最新的AI視覺YOLO結合
然後未來他們已經在看LLM跟RAG了
這就告訴我們
他們不是守著舊東西
而是在穩固的基礎上
不斷去擁抱最新的技術
好 講到最新技術
那當然就要提到現在最紅的
第四個支柱
生成式AI
他們在這裡用的技術
像是RIG
這個就非常關鍵了
你可以把它想像成是
我們不讓AI憑空亂掰
而是給它一本書
一本你們公司的SOP或技術手冊
然後跟它說
欸 你回答問題前先看這本書
這樣AI給出來的答案
就會非常準確而且有根據
這就像是給AI一場開書考欸
對吧
所以你看
應用就不只是做個校園導覽的聊天機器人而已
他們把YOLO的視覺
跟LLM的大腦結合
做出可以偵測火災的系統
甚至還能透過LINE主動跟你說
欸 那臺機器好像差不多要保養囉
這就不是單純的聊天了
這是真正能看 能懂 能溝通的智慧系統
好 前面講了這麼多厲害的技術
視覺 機器人 AI大腦
但如果這些東西都各做各的
那也沒用 對吧
所以最後一個
也是最關鍵的支柱
就是系統整合
把所有拼圖都拼起來
所以你看
他們不只是玩單一的裝置
而是要打造一個完整的平臺
用網頁技術 用資料庫
把所有東西都串起來
你想想看欸
一座智慧工廠
它的厲害之處
絕對不是隻有一臺機器人很強
而是所有的設備 所有的數據
都能夠互相溝通 協同作戰
所以啦 他們做的系統
小到用QR Code
來管理實驗室的工具
大到監控電池的狀況
這一切
其實都是在為未來的智慧工廠
打下那個最重要的數位地基
好 我們來看一下這張總表
你看 這樣一擺出來就非常清楚了
從最底層的製程優化
這是根本
然後加上AI視覺
讓機器有眼睛
加上機器人
讓它有手有腳
然後用系統整合
把全部串起來
最後再用深層式AI
賦予它一個能跟你溝通的大腦
你看 這整個技術路線圖
是不是非常完整
非常清晰
好 說了這麼多
那這個實驗室成功的祕訣
它的核心DNA到底是什麼
嗯 我覺得可以濃縮成三個重點
第一個就是務實
他們做的所有東西
都是為瞭解決工廠裡面
真正會遇到的問題
那種很痛的痛點
而不是在玩一些學術理論
第二 他們軟硬通吃
你看 他們懂機器 懂控制
這是硬體
但他們也懂AI 懂網頁
這是軟體
兩種語言都會講
這就很厲害
最後一個
他們跑得很快
你看 從電腦視覺到最新的Rig
什麼技術紅
他們就馬上學 馬上用
這三點加起來
就是他們最獨特
也最強大的地方
所以 繞了一大圈
其實他們所有的努力
都可以回到這句話
解決工廠實際痛點
真的就是這麼簡單
也這麼有力
好 那最後
也留一個問題給大家想一想
如果 今天我們看到的
只是一個大學實驗室
就能做到的事情
那你想想看
在這些人的努力下
明天 後天
我們全世界的工廠
又會變成什麼樣子呢