智慧製造的終極目標，就是把零件倒進去一個神奇機器，就能把產品組裝出來，但是實務上離這個理想還很遙遠的，以電子產品為例，過去幾十年來許多的技術演進，已經將物流、生產與測試自動化的程度大大推進，但是人工的需求還是無可避免的，陳維超擔任英業達首席AI顧問，以英業達的實務案例，如何運用 AI 於產品功能與外觀品質驗證，找出品質問題成因、與提升品質之機會。

智慧製造的隱性問題

英業達一年所製造的產品，筆記型電腦約2千萬台、電腦伺服器400萬台、智慧型裝置更達上億台，因此在不同的廠區和生產流程當中，就有不同的自動化設備來提升生產效率，像是倉儲、SMT、檢測、製造等，而其中更有非常多的問題需要由工程師來解決。

製造的背後會有一些隱性的問題，例如什麼時候進料、進料後要怎麼儲存和驗證、怎麼控制拿料品質、產線生產排程、機器會不會壞掉、人力資源管理等等，陳維超表示，這麼多問題當中的第一順位，就是要先從品質開始確認，確定產品做對了，才能回頭去檢視生產的順暢度。

AI幫助提升品質檢驗效率

以英業達一年製造幾百萬台的筆電，其中還分為好幾十種不同的產品線，所以生產測試就要夠自動化，過去一台筆電大概要花幾個禮拜、幾十個人力去測試和驗證，因此英業達就做了AI機器，模擬人類看螢幕和打字，把人的眼睛換成攝影機，人的手換成機械鍵盤，然後中間接了一台機器執行以往由人工執行的測試項目，像是電腦重開機功能、打開瀏覽器、網路搜尋的結果正確性等，結合AI和電腦視覺的技術來提升測試效率。

外觀檢查是筆電出貨前的一個重要檢測項目，生產過程多會造成一些外觀的擦傷、刮痕或是人工的指紋，外觀檢查就是要讓消費者感覺好像是機器人組裝，沒有人碰過的無瑕疵產品。陳維超說明，1個員工只有十幾秒的時間可以測試，在這麼短的時間之內，很多時候只能靠感覺，感覺好像沒問題，就讓產品通過，造成良率下降，因此英業達利用５、６千張的照片以及數萬個瑕疵資料去訓練AI，成功設計出智慧檢測機器。

但是在產品檢測不是只有失敗和通過兩種選項，不同的市場對於產品瑕疵的接受度不同，必須要讓AI是具有調整彈性的，讓產品分級並依市場接受度分區出貨，太嚴格的AI最後會導致生產結果下降，這樣是不好的。

然而，在AI發展的過程當中，很麻煩的一件事情是必須要有非常多的資料，而且好不容易獲得這些資料之後，卻只能做一件事情，達成一個目的，陳維超說明，未來AI的發展目標，是要做到「Ｏne shot learning」，減少所需要的資料量，並且可以達到多樣化的應用。