智造升級轉型獎—大型企業首獎
仁寶電腦導入「智造之眼」AI平台，透過元件分類建立共用模型，減少90％建模工作。以產線數據說話，檢測效率提升2倍，誤報率降至1％，並實現跨廠區規模化複製。 文／王毓茹
▲仁寶電腦策略長陳信仲（左）與共同軟體研發本部副總經理陳益昌（右）推動「智造之眼」AI視覺辨識平台，大幅提升產線檢測效率。蘇義傑 攝
複判員升級主力檢測 仁寶電腦策略長陳信仲表示，仁寶長期以PC為核心，面對AI快速改變產業競爭，決定從客戶、產品到製造端全面擁抱AI。「智造之眼」便是製造端轉型的重要起點。 這個AI專案從一個只有5人的小團隊起步，從讀論文、測模型、反覆實驗開始，一步步建立資料清洗、模型訓練與部署能力。摸索了兩年，才把系統誤判率降到約1％。 但真正的突破，是重新思考AI在產線上的角色。起初，團隊只是把AI當成AOI的「複判員」：先由AOI判定異常，再交給AI確認，以降低人工重判的負擔。 然而，只要AOI仍然沿用原本的固定模板與參數，工程師就還是得不斷維護與調整，工作負擔並沒有減輕。於是團隊做出更大的改變，不再只讓AI負責複判，而是把取像、影像辨識到判斷流程重新整合進自建AI系統。 至於AI如何在數以萬計、規格各異的材料號中做到規模化？若每個機種、SKU（庫存單位）都建一套模型，很快就會陷入難以維護的「一機種一模型」。因此，團隊重新定義辨識單位，把上萬個材料料號歸納成80～100種元件類別，如電阻、電容與IC、排線、卡勾，再搭配料號規則建立少數共用模型。如此一來，同一套模型就能延伸至不同機種與產線，建模工作量降低超過90％。 模型能共用後，還得跟上產線速度。部分產線每6～10秒就要產出1台筆電，產品不可能為了拍攝而停下。團隊於是從軟體一路做到光學與硬體，解決高速移動下的取像與運算問題，讓產品能在傳送帶上完成拍攝與AI判讀。 然而，剛導入第一條產線時，第一線人員並不埋單。陳益昌讓數據說話，從規則較明確、風險較低的Logo檢測切入，安排AI與人工在相同條件下交叉比對，結果人工誤判率達5％、AI則約1％。經過這場「人機PK」，現場人員開始願意接受AI的判斷。 從單點走向規模化 但一條產線成功，並不等於整套系統能夠複製。要將「智造之眼」從單點擴展到500多個檢測站點。團隊必須先回頭釐清一個基礎問題：到底什麼才算異常？於是將品質細分為9個等級，讓不同產線對齊判定標準，再交由AI學習。這一步成為「智造之眼」從單點走向規模化的關鍵，只有標準一致，模型才能跨機種、跨產線使用。 團隊也刻意讓AI「無痕」進入產線。系統直接串接既有設備與流程，現場人員沿用原本的介面與操作方式。當AI接手大量重複性的視覺判斷，人員也能從長時間盯螢幕複判，轉向製程管理與異常處理等更高價值的工作。 下一步，仁寶希望讓AI不只看見問題，還能一路追到問題源頭。 從一條產線起步，仁寶要打造的，不只是一套AI檢測技術，而是一套能跨產線、跨廠區複製，並持續自我改善的品質管理能力，才能讓轉型效益極大化。 …本文摘錄自 哈佛商業評論全球繁體中文版 2026/10月 第242期
閱讀完整內容
