分享嘉賓 | 賴駿凱, 艾聚達總經理
策劃 | 高玉嫻
友達光電成立於 1996 年，是光電行業最早進行智能製造轉型的企業。在光電行業從規模競爭轉向價值競爭的背景下，光電企業生產的產品形態呈現少量多樣、高規格、定製化的趨勢；但面板的生產周期仍然非常長，管理的幅度很寬，複雜性高；與此同時，面板價格出現變化，成本改善的速度比較慢。
各種內外部的因素，促使友達光電在 2015 年前後著手推動全面性的數字化轉型。而在 2017 年，整個集團內部就開始大量導入 AI 推動預測式的製造、預測式的研發和預測式的運營。
2021 年，友達光電入選世界燈塔工廠，當時麥肯錫團隊對友達光電給出的評鑑結果就是「大數據與 AI 技術開發與廣泛應用，展現工業 4.0 自驅動的永續發展動能。」在這個過程中， 友達光電培育了超過 800 位 AI 專家，累計了超過 2000 個 AI 模型（如今已經超過 3000 個），在工廠里實時運行。
基於這些親身實踐經驗，友達光電對 AI 的應用形成了比較清晰的思路和路徑。在最新一期的 InfoQ《超級連麥. 數智大腦》直播中，友達工業服務全資子公司艾聚達總經理賴駿凱，揭秘了友達光電作為「燈塔工廠」背後的 AI 應用案例和規 * 模化策略。
今天跟大家分享四個議題：第一，友達光電自身數字化轉型的背景，以及在這個過程中創造的價值；第二，AI 在工業領域的應用成功案例；第三，AI 擴散的關鍵策略；最後，總結一下企業如何提升新型競爭力。
1品質提升是 AI 應用最重要的場景之一
下面，我們以車載品質管理系統作為一個切入點。
大家都知道，AI 被應用於非常多領域，而在製造中，品質提升是非常重要的一個應用場景。以車用市場為例，很多人可能對 IATF16949 品質管理體系非常熟悉，在每個製程過程中，我們都會去分析它的失效模式、失效原因，並且找到一個更好的管制方式，從而降低它的發生率，降低失效的嚴重度。
但是，過往的這種改善過程是存在天花板的，我們很難持續地去取得很好的改善成果。而 AI 可以幫助我們去突破這些改善的邊界，甚至去拓展我們的管理幅度。
舉個例子：過去我們大多使用的是統計方式在做失效分析，隨著數據越來越多，分析維度就會有所短缺。而如果使用 AI 數據科學相關技術，就可以建構更高維度的分析能力，當分析能力越做越好，分析越來越細緻，就有可能實現所謂的「無憂生產」的狀態。
在整個監控和管理的過程中，我們也可以充分的使用 AI 技術。比如，在檢測環節導入 AI 工業質檢來建構智能化的檢測能力；在產線發生率管理的過程中，也可以導入 AI 智能監控技術來建構智能化的管理能力，進而實現生產過程的精細化管理。接下來，聚焦數據科學、工業質檢、智能監控三個方面，給大家分享一下 AI 在工業品質提升場景的具體應用案例。
AI 數據科學
首先，看 AI 數據科學。大家知道，最早企業做品質管理或品質改善更多是基於老師傅的經驗去做分析，雖然後來衍生出了很多統計學方法，包括 6-Sigma、SPC、DoE 等等，但它們本質上還存在著老師傅的主觀經驗，並且分析的維度變量也是比較少的。
直到 2015 年之後，AI 機器學習的分析方式陸續出現，我們開始有機會通過 AI 的方式去做全樣本的建模，通過數據來驅動客觀分析，實現高維度分析，甚至可以去預測產品狀態。經過大量的實踐，我們得到結論就是，AI 的分析通常會做得比人更好。因為，過去我們遇到問題更多是事後解決，但 通過 AI，我們完全可以預測未來可能發生什麼問題，並在這之前先行解決，或者進行干涉，從而減少產能的損失、良率的損失，實現事前管理。
以我們早期在友達光電內部進行良率改善的一個應用為例：比如面對 W Spot 這樣的產品缺陷，過去我們花了很長時間去做改善，良率損失已經控制在 0.5% 左右，但是已經很難再找到改善的環節。直到使用了 AI 技術，我們在大量數據內部找到了兩個新的關鍵因子。根據過往人的經驗，我們並不認為這兩個因素會影響到產品品質，而經過 AI 分析，我們嘗試去做分析和小量實驗，發現經過對兩個參數的優化，我們的良率的確得到了改善，最後把不良率降到了 0%。這是非常明顯的良率改善。
除了類似這種隱性因子挖掘之外，AI 技術還能提供非常多的幫助。例如參數推薦，我們在 PCB 行業做過一個應用案例，就是在金屬鍍膜的過程中（鍍金或鍍銅），成本材料非常高，如果鍍的金層厚度過高，就會造成成本上升，如果厚度過薄，就會影響到產品良率。這時候，就要可以通過 AI 去做參數最優化的推薦，在兼顧成本跟品質的前提下給出最好的參數，這個參數過往都是由老師傅的經驗決定的，但有可能它並不是最好的。
如今，相似的應用已經非常廣泛，在過去多年時間裡，我們已經在內外部超過 12 個行業實現了落地應用，包括 PCB、半導體、光電行業，以及傳統的石化橡膠、醫療、食品、傳統材料研發等等。甚至，不只是製造端，在產供研銷等環節都可以，例如人力資源領域，可以用 AI 去做離職率的預測，再比如廠務端，可以用 AI 去預測用電量等等。這些都是新技術帶給我們的一些新能力的擴展。
AI 工業質檢
針對工業質檢，很多企業會導入 AOI 的產線，但是，過去的 AOI 技術存在一定的技術短板，往往會因為規格越來越高，檢出的缺陷越來越細微，從而產生大量誤判，而當誤判量變高，就需要有人工進行後續的攔檢。這意味著， 在這個過程中必然會產生額外的人力成本。對於這個問題，AI 工業質檢的方法可以很好地優化。
以半導體行業應用為例：我們知道，半導體製程非常複雜，在晶圓的製造測試過程中有超過 40 到 60 道的製造和檢測過程，需要大量的 AOI 機台在產線上去做產品的質量把關。我們有一個客戶遇到過這樣一個問題，他們每天經過 AOI 檢測出來的照片超過 100 萬張，日班和夜班分別有 50 個人在做復判，人力成本非常高，並且因為是人在做判別，所以效率很低，這也造成產線上任何良率異常回饋速度都非常慢，從而導致更多的產品損失。
在這個案例中，我們通過 AI 方式幫企業節省了 60%-80% 的人工成本，並且因為復判精準度越來越高，速度越來越快，也使得企業產品良率得到了 6%-8% 的提升。
當然，除了半導體之外還有非常多的行業都可以使用 AI 去實現誤判率降低。例如 SMT 行業也一樣有在爐後進行 AOI/AVI 外觀檢測的需求，當發現元件異常、元件偏移等等，就需要非常多人員投入進行復判，這時候就可以使用 AI 技術去降低誤判率，實現人工成本的降低。
工業智能監控
智能監控方面，這也是很多企業的痛點。過去，製造企業常常是通過人工查驗去控管各個環節，比如在製造園區、車間內的人員是否都佩戴好安全帽、無塵鞋、防塵衣等等，是否存在安全遺患；比如，在關鍵崗位，工作人員是否按照動作標準和規範進行操作，包括生產過程中的節拍管制以及設備異常波動等等。而人工查驗的方式，不但非常低效，而且沒辦法做到 24 小時主動管理。
除此之外，我們也可以使用 AI 智能監控技術實現「防呆」。舉例來說，在製造過程中，我們有個塗膠的設備，它的膠頭會隨著作業時間越來越大，以往這很難管理，只有它變大到連續性產生塗膠異常，在品質檢測時候才能發現並介入管理。但現在，我們在旁邊裝了攝像頭，可以 24 小時監控，只要一發現膠頭，就可以跟設備去實時聯動，讓設備停下來，這就不會造成產品的品質異常。
當然，在製造過程中，我們還可以通過 AI 技術去管理人員的動作，或者裝配過程中監控是否有缺件少件等等，從而進行品質監控。
2無代碼平台是實現 AI 擴散和「全民 AI」的重要抓手
大家可以看到，如今 AI 應用越來越廣泛，企業關心的不只是 AI 的某個應用導入，還包括如何更快速地擴散企業內的 AI 應用，甚至是實現「全民 AI」的願景。這個過程，需要企業投入非常多的資源支持，同時也充滿各種阻礙和挑戰，比如人才不足、成本高昂、模型訓練速度緩慢，或者成效不明確等等。但是，隨著技術的疊代，AI 技術的使用成本會越來越低，比如現在已經有很多的無代碼 AI 平台可以助力企業快速完成人才的賦能和技術的落地。
比如，過去我們做 AI 數據分析的流程非常長，涉及數據預處理、特徵工程、模型訓練、模型評估以及非常多的代碼工程，但現在，我們通過無代碼平台，在整個過程中完全不需要使用到代碼，只要點擊幾下就可以把 AI 的模型跑出來，從而完成數據分析的工作。
以某半導體龍頭企業為例，他們通過無代碼平台工具在 3 個月內賦能了內部 70 個員工，使其擁有了 AI 數據科學分析能力，藉此，在新產品的良率上得到了 0.5% 的提升。在封測行業，良率已經非常高，因此 0.5% 是一個非常大的改善，同時，這也使得他們在整體成本控制上得到了很好的改善。
機器視覺應用也是相似的，通過這些無代碼平台，企業只要把視頻數據上傳到平台上完成標註，一鍵就可以完成模型的訓練，並且可以一鍵部署到邊緣硬體，從而提升超過 70% 以上的開發效率。
今年第一季度，麥肯錫發布了《全球燈塔網絡：續寫工業 4.0 新篇章》，其中談到，根據對全球超過 100 個燈塔工廠的觀察，他們總結出這些企業之所以做得比較快、比較完善的最核心原因，就是他們參與人員非常多，有超過 50% 的員工都參與了數字化轉型，超過 30% 企業的 COE 組織參與了數字化轉型。
但是，在非燈塔工廠裡面，這樣的人才比例平均不到 30%， 一個企業要做數字化轉型，其中最關鍵的就是數字化人才的培養，只有人才足夠多，才能讓數字化的擴張速度更快。就人工智慧本身來說，我們可以使用無代碼的工具讓 80% 的關鍵員工都能在很短的時間內自主運用人工智慧的技術。
最後再分享一個來自於麥肯錫的資料，相關數據顯示，那些早期已經開始大量使用 AI 的企業，目前已經進入快速提升效益的階段，在同行業中，這意味著這些企業的競爭力會快速被放大，反之，那些沒有採取行動的企業可能就會存在競爭力的相對流失。
嘉賓介紹
賴駿凱，艾聚達總經理。大數據與人工智慧專家，擁有超過 18 年的光電行業製造運營經驗，作為友達崑山智能製造負責人，2016 年開始參與友達光電數字化轉型工作。目前擔任友達工業服務全資子公司艾聚達總經理，同時也是省級兩化融合特聘講師，重慶郵電大學先進位造工程學院客座教授。
活動推薦