跨工廠AI 同一套 AI，為什麼台灣、中國、越南工廠不能直接照搬？

內容目錄

Why the Same AI System Can’t Simply Be Copied to Another Factory

一套AI視覺檢測系統在台灣工廠運作順利，模型能辨識指定瑕疵，結果也接得回產線。公司看見成效，接著決定把系統導入其他工廠。

新廠可能在中國、越南、日本、美國等，也可能就在同一個國家。目的地不同，現場條件也不同。

模型已經訓練好，軟體可以安裝，攝影機規格也有文件。乍看之下，似乎只要把設備搬過去、接上產線，就能複製原廠成果。

但新系統一上線，問題開始出現：良品被判成瑕疵，某些缺陷沒有被抓到；影像進得了系統，檢測結果卻寫不回當地的生產系統；產線發生異常時，現場人員也不確定該找設備商、IT 團隊，還是原本負責 AI 的工程師。

這時候，大家很容易先問：「是不是模型不夠好？要不要再補資料、重新訓練？」

模型可能需要調整，但模型只是整套檢測系統的一部分。攝影條件、設備介面、資料品質、生產流程和現場維護方式，都會影響 AI 能不能穩定運作。

所以，跨工廠部署真正要處理的，不只是把模型複製到另一台電腦，而是弄清楚：哪些部分可以共用，哪些條件換了之後就得重新驗證？

原廠成功不代表所有條件都能跨工廠AI複製

先看一個常見的視覺檢測情境。

產品經過產線上的固定位置時，攝影機拍下外觀，AI 判斷是否有瑕疵，再把結果送回生產系統。原廠經過一段時間調整，系統逐漸達到預期。攝影機位置固定、產品通過鏡頭時角度穩定，現場工程師也熟悉設備，知道什麼時候要調光源、什麼時候該檢查產品定位。

這些條件都可能是成果的一部分。

然而，團隊在準備擴廠時，往往只記得「模型辨識率達標」，沒有把模型以外的成功條件整理出來。到了另一座工廠，設備型號、產線速度或產品材質不同，模型表現開始改變。團隊卻不知道該先檢查攝影環境、資料標註、產品差異，還是模型本身。

在原廠成功，首先只代表系統在特定產品、設備與生產條件下能夠運作，並不等於換個地方就能得到相同結果。

就算兩座工廠使用同型號攝影機，鏡頭和產品的距離、拍攝角度、環境反光、設備震動、產線速度仍可能不同。產品表面材質或供應來源改變，也會讓影像看起來不一樣。

因此，複製前應先回頭問：原廠的成效是由哪些條件共同支撐的？哪些來自模型？哪些其實來自穩定的光源、固定的產品位置、清楚的缺陷定義，或現場人員累積的經驗？

如果沒有把這些條件記錄下來，新廠遇到問題時，所有人都可能把原因推給模型。接著不斷補資料、重訓、再上線，卻始終沒找到真正的落差。

影像變了，模型看到的就不是同一件事

AI 視覺檢測是根據影像中的特徵進行判斷。當新工廠拍到的影像與訓練時使用的影像差異很大，模型的表現就可能改變。現場不必先記住「資料分布改變」這類名詞；更實際的問題是：新工廠拍到的照片，和原廠的照片差在哪裡？

可能是光源亮度或方向不同，也可能是鏡頭、拍攝距離、產品定位或背景反光造成差異。產線加快後，影像可能變得模糊；產品換了供應商，表面紋理也可能不同。單一變化看起來不大，累積起來卻足以影響判斷。

遇到誤判時，先檢查影像品質和拍攝條件，通常比立刻重訓更有效。若光源角度不對，調整光源可能就能改善；若產品位置不穩，應先處理定位；若不同產品版本本來就有明顯差異，才需要進一步確認要不要增加訓練資料或調整模型。

資料標註也不能忽略。不同工廠對同一種瑕疵，可能有不同的判定習慣：什麼程度算不良？哪些情況需要停線？哪些交由人工覆判？如果標準不同，模型收到的標註就可能互相矛盾。

資料變多，不代表資料就更有用。若標註標準不一致，增加資料可能只是讓模型更難學到公司真正採用的品質要求。跨工廠部署前，要先對齊缺陷分類、判定原則和覆判流程，再討論是否需要擴充資料。

模型判得出來，系統還要接得上產線

AI 系統不只和攝影機互動。它還需要知道產品編號、產線和工序，判斷結果也要送到正確的位置。即使模型判斷完全正確，若結果對不上產品或無法寫回生產系統，現場仍然不知道該怎麼處理。

原廠可能使用一套 MES 和固定的資料欄位，跨工廠AI的新廠則使用另一套系統，設備介面和資料格式也不一樣。這時要確認的不只是程式能不能安裝，還有影像從哪裡來、結果送到哪裡、如何對應產品批次，以及異常發生時能不能追溯。

網路與運算架構也需要提前考慮。有些工廠不適合把大量影像傳到雲端，或有資料必須留在廠內的要求，因此需要在 Edge 端運算。這會影響模型更新、故障紀錄和遠端支援方式。

系統離線時，影像要不要暫存？資料恢復後怎麼同步？模型更新失敗時能不能切回舊版本？遠端團隊如何知道現場系統已經停止運作？這些若等到上線後才處理，現場可能只好改用人工紀錄、跳過系統，或等待遠端人員回覆。

上線之後，誰負責維護？

部署計畫常花很多時間討論模型、攝影機和專案時程，卻較少問一個直接的問題：系統出狀況時，誰負責？

現場人員要知道哪些異常能自行排除、什麼情況要通知工程師、何時必須停線，以及何時改用原有檢查流程。模型誤判增加時，誰收集影像？誰確認問題出在設備、資料還是模型？更新前由誰驗收？

若每件事都要找總部處理，就要確認總部能否即時支援。不同工廠的班別、語言、時區和維修資源可能不同，等待遠端團隊處理，也可能直接影響生產。

這不代表每個工廠都要成立一支 AI 團隊，而是必須把工作分工說清楚：現場能處理什麼，什麼需要升級處理，誰負責模型更新，出了問題又如何回復到既有流程。

備援也要設計好。攝影機故障、AI 無法判斷或結果異常時，產線能不能暫時回到人工檢查？是否有覆判流程？誰有權決定重新啟用系統？這些安排不是對 AI 沒信心，而是讓產線在系統不穩定時仍有下一步。

標準化共通規則，現場設定留給現場

跨工廠導入常遇到兩種極端做法。

一種是每座工廠各做各的。初期可以快速配合現場，後來卻容易累積不同版本、不同資料格式和不同維護流程。總部不容易掌握每個工廠使用什麼模型，也很難比較各地的成效。

另一種是要求所有工廠完全照總部設定執行，即使設備和流程不同，也不准調整。結果常是現場另外想辦法，系統看似統一，實際上卻沒有人照原設計使用。

比較可行的方式，是把共通規則和現場設定分開。模型版本、資料欄位、缺陷分類、驗收流程和異常紀錄可以統一；光源、拍攝角度、設備介面和現場操作方式，則根據當地條件調整。

項目	可以建立共通標準	新工廠仍須確認
模型與軟體	模型架構、版本管理、更新與回復流程	新環境下的辨識效果與運算需求
資料	欄位、命名、缺陷分類和追溯方式	資料來源、標註品質和產品差異
評估方式	測試流程、驗收紀錄和共通指標	各種錯判對現場造成的影響
攝影設備	選型原則、校正方法和安裝文件	光源、鏡頭、拍攝角度、速度和震動
系統串接	API、錯誤紀錄和資料交換原則	MES、PLC、網路和 Edge 架構
現場作業	教育訓練、異常回報和覆判紀錄	人員分工、維修能力和備援流程