2026 台北國際自動化工業大展在 8 月 19 日至 22 日於南港展覽館舉行。冠理科技這四天都在現場，除了自己的攤位，也走了展場、聽了幾場講座與論壇。整理下來，今年最清楚的一個訊號是：AI 在設備端已經是成熟應用，視覺檢測、異常偵測、參數最佳化都能當場看到實機；但「整座工廠怎麼判斷」這一層，我們在展場上看到的討論相對少。這是展場的樣貌，未必等於各家工廠內部的樣貌——所以以下寫的都是我們看到什麼、想到什麼。
這篇是我們的現場心得，記錄今年看到的幾個現象，以及它們指向的同一個問題。
設備端的 AI，已經不是新鮮事
走進展場，AI 出現的位置很集中：機台、產線、檢測站。視覺檢測抓瑕疵、異常偵測提早示警、參數最佳化在開模期間就把良率修回來。現場甚至有人提到，過去四、五年他們都在做同一件事——瑕疵檢測。
這句話比任何一段行銷文案都有份量。它代表設備端的 AI 不是概念展示，而是一段已經走了好幾年的成熟應用。
也有講者強調，工業場域的 AI 要絕對安全、絕對可靠，而且要真的能面對工業生產體系裡複雜的情境。這說明了為什麼這一塊會先落地：問題邊界清楚、資料就在機台上、判斷對不對當場看得出來。
設備變聰明了。那工廠整體呢？
同一個詞，在展場裡有三種意思
今年最有意思的觀察不是誰家的技術，而是同一個詞被不同的人拿去講不同的事。
品質。在多數展位裡，品質指的是產品品質：SPC 統計製程管制、AOI 視覺檢測，確認產品有沒有瑕疵、尺寸有沒有偏、良率有沒有掉。這一塊也正是 AI 最常落地的地方。但站在整廠管理的角度，品質還牽涉到是哪一張工單、哪一批材料、哪一台機、哪一組參數、哪一個班別，最後共同造成這個結果。設備端看的是結果，整廠端要追的是脈絡。
真實成本。「一報價就賠錢？」「您真的算得清真實成本嗎？」這個切角在展場不只出現一次，而且問得很準。從內容來看，它談的是從機台數據推估加工成本，這是一種成本視角。整廠管理談的真實成本，則是管理數據與製程數據交叉：工單、工時、良率、重工、報廢、設備稼動、排程變動。同樣三個字，有人從機台看，有人從訂單看。
數據孤島。這幾乎已經是展場的公用語，有人印在型錄的痛點欄，有人在簡報裡講。大家都同意資料要整合，但接下來那個問題很少被展開：整合到哪一層？為了回答什麼問題？
如果把資料集中起來就算完成，那工廠得到的是一個更大的資料夾，不是一套會判斷的系統。
同一個展場，兩種訂單語言
展場裡的攤位大致分成兩種重點。一種在講 AI：視覺檢測、異常偵測、參數最佳化、資料平台。一種在講產品：加工精度、公差、良率、交期。
這兩種攤位面對的客戶，問的問題不一樣。
問產品的客戶會問：這批尺寸落在公差內嗎？表面處理達不達得到規格？交期趕不趕得上？要回答這些，靠的是製程能力、設備精度，還有幾十年累積下來的參數。這些東西寫在展板上，就是那幾行數字。
問 AI 的客戶會問：你怎麼知道這批沒問題？出事能不能追到是哪一台、哪一批料、哪一班？報告什麼時候給我？要回答這一層，就得有系統把過程留下來。
這幾年比較明顯的變化是，第二種問題會沿著供應鏈往下傳。國際品牌客戶開始要碳排數據，一級供應商就得算；一級供應商要算，就得跟二級要工時、要用電、要批次。
「我們有資料」，其實分成三層
展場上的硬實力都寫在展板：機械手臂、視覺檢測、感測器，規格可以當場比。比較難展示的是另外那一半——把這些數據串起來的那條線。
出一批貨的過程裡，資料通常散在好幾個地方。料號和交期在 ERP，工單在生產排程表，機台參數在機台上，品檢結果在檢驗單，客訴紀錄在業務的信箱。每一份都有人管，也都查得到。比較少被單獨管起來的，是它們之間的關係。
這批為什麼調這個參數，因為是那個客戶那款料；那天為什麼多等三分鐘，因為前一站的爐溫還沒回來；上次同樣的問題怎麼解的，因為換了另一批料就好了。這些連結不一定寫在哪一張表上，很多時候是存在老師傅的記憶裡。
同樣一句「我們有資料」，其實可以分成三層：
- 第一層在人腦裡。哪台機器脾氣怎樣、哪種料要多等三分鐘。問得到答案，但很少被寫下來，因為對當事人來說那是常識。
- 第二層在檔案裡。師傅的筆記本、班長的 Excel、群組裡的照片、貼在機台上的便條紙。東西確實存在，但散在各自的地方，格式也各不相同，下一個人打開來，看得到數字、看不懂當時為什麼那樣調。
- 第三層在系統裡。同一件事被記成固定的欄位，接得上工單、料號、機台、班別。查得到、比得了、後面的人能接著用。
三層都可以說「我們有資料」。差別在第三層那些連結是寫下來的，前兩層是靠人記著。而記著的那個人，總有一天會退休。
從自動化到自主化，中間要接起來的是那條線
把展場和論壇放在一起看，會看到一條路徑：先讓設備照規則動起來，再讓系統能感知、分析、輔助判斷，最後是感知、決策、動作由系統自己完成。
論壇上的說法比較準確：自主化工廠不是無人工廠，而是人、感測器、設備、AI 一起協作；人不是被拿掉，而是從每天追資料、問狀況、救異常，往更高層的判斷移動。
要走到那一步，工廠需要的不只是很多聰明的單點，而是一個能把整廠脈絡串起來的層。它要理解的不只是機台數據，還有工單、排程、物料、品質、成本、交期與客戶要求。它要能回答的也不只是「這台機器怎麼了」，而是：
- 這個異常會影響哪一張訂單？
- 現在該先救良率、救交期，還是救成本？
- 如果改參數，後段製程會不會受影響？
- 下一代產品進來，現在這套規則還適用嗎？
這正是 MES 這一層在處理的事：以工單為載體，把現場發生的事情接回訂單與管理。設備端負責把單一環節做得更快、更準；這一層負責讓環節之間對得起來。
從最痛的開始
從最痛的點下手。先數位化，再把資訊流串起來，再走向智慧化與預測。這個順序很務實。實務上可以先挑一條最怕斷的線：那個最常出問題的製程，從料進來到出貨，中間經過哪幾站、每一站留下什麼，先把那一條接起來。
