ROI 逾 40%、廢料少 13%：品客的洋芋片產線，把 AI 數位孿生做到了哪一步？
製造業長期存在一個難解的矛盾：原料與環境條件不斷變動，成品品質卻必須維持一致。品客（Pringles）製造商 Kellanova 決定用一套 AI 系統正面處理這個問題。據《The Wall Street Journal》報導，Kellanova 與工業科技公司 Siemens 合作四年、投入約 400 萬至 500 萬美元，在波蘭工廠的一條產線上，為麵糰打造出一個即時運作的「數位孿生」（digital twin）。
值得注意的是，這套系統做的已經不只是「看」。它會在原料出現異常時，主動建議產線該怎麼調整。也就是說，AI 開始從監測工具，走向介入製程的角色。
一片「完美洋芋片」背後，有 200 多項變數要顧
Kellanova 工程資深總監 Jan Laenen 有一個目標：讓每一片下線的洋芋片都是「完美的品客」：沒有破裂的麵糰、沒有黏在油炸機裡的碎片，只有薄、呈馬鞍狀、金黃的一片。他表示，希望做出口感、味道與開罐時觸感都一致的洋芋片。
問題在於，要達成這種一致並不容易。報導指出，影響一片「完美品客」的變數超過 200 項，從麵粉的顆粒大小、麵糰濕度，到馬鈴薯的採收產地都涵蓋在內；即使是同一供應商、同一產地的馬鈴薯，品質也會隨季節出現明顯差異。
這些差異讓麵糰處於持續變動的狀態，機台必須隨之微調，才能維持成品一致。過去，這件事全靠「看」與「摸」：工廠裡的麵糰師傅會從產線抓一塊麵糰拉開來看，或把剛出爐的洋芋片拿去秤重、量測，一旦發現異常，再事後調整機台，而數位孿生改變了這套流程的時間軸。
每毫秒 200 個數據點，AI 從「事後補救」變「事前預測」
《The Wall Street Journal》報導，如今產線機台上的感測器每毫秒擷取 200 個數據點，資料在廠內的平台上處理。與此同時，一個 AI 模型即時模擬洋芋片最終的成形結果，並確認是否符合理想標準；當模型在新原料中偵測到異常，就會建議小幅調整，例如微調配方裡的油量或水量。
如果這些調整仍不足以解決問題，系統會轉向一個運行在雲端、握有更多歷史資料的較大模型，對其重新訓練。這兩個 AI 模型用的都是傳統機器學習，而非生成式 AI。Laenen 表示，該模型會依操作人員的回饋持續改進，未來也有機會納入更多變數，包括不同品種的馬鈴薯，以及玉米與稻米的品種。
成效方面，據《The Wall Street Journal》，這條位於波蘭的產線帶來了 10% 的品客品質提升、13% 的廢料減少，以及投入該專案的 400 萬至 500 萬美元逾 40% 的整體投資報酬率（ROI）。Siemens 在官方資料中則就同一座 Kutno 工廠提出另一組數字，宣稱數位轉型帶來產能提升 10%、廢料減少 13% 與能耗降低 7%；此外，Siemens 也表示，透過從預防性維護轉向預測性維護，預期可將維護支出降低 25%。
數位孿生正在「長大」：從呈現現況，到給出製程建議
品客的案例之所以值得關注，在於它落在一條更大的產業演進線上。據《The Wall Street Journal》，Gartner 新興技術趨勢與投資實務分析師 Evan Brown 指出，數位孿生雖是行之有年的概念，但過去一年才真正起飛。
Brown 說明，五年前數位孿生剛開始受到關注時，多半只是掛上相關資料標籤的 3D 模型；隨著時間演進，它們的運作愈來愈接近即時，提供的也不再只是工廠現在發生什麼事的視角，而是進一步給出如何改善或最佳化生產的 AI 建議。品客這套能即時模擬、主動建議調整的系統，正是這個階段的體現。
如果數位孿生的下一步是讓 AI 動手調整機台，那麼問題就落到了控制權上。Brown 認為這條演進線的下一階段，是賦予 AI 自主權，讓它依自身建議去調整機台設定與運作；但在多數情況下，包括品客在內，企業仍傾向由人類員工來做這個決定。
就目前而言，這套系統只在波蘭的一條產線上線並見到成效。Laenen 表示接下來會擴展到比利時，並計畫於 2027 年導入美國，最終目標是推廣到所有產線。可以看到，數位孿生已經具備從「看工廠」走向「調工廠」的能力，而在這條路上，工廠要把多少製程決策權交給 AI、又要保留多少在人的手上，正逐漸浮現為智慧製造下一階段的核心課題。
【推薦閱讀】
◆ 番茄醬巨頭要讓 AI 代理堵現金流破洞：目標一年多追回 15% 資金
＊本文開放合作夥伴轉載，資料來源：《The Wall Street Journal》、Siemens，首圖來源：Unsplash