高爐更新停機縮短 30 天、冰水主機效能提升 10%，西門子揭 AI 與數位雙生如何幫工廠真正降本增效
專訪：戴季全
撰稿：李昀蔚
AI、數位雙生與 Physical AI（實體 AI）正加速走進製造現場，隨著晶片持續微縮、製程愈來愈複雜，企業一方面要追求更高良率、更快上市速度與更高生產效率，另一方面還得同時面對缺工、地緣政治、關稅與 ESG 等多重壓力，這也讓電子、高科技製造業的競爭模式，從單純比拚產能，走向速度、效率與韌性的綜合競賽。
本集《全新一週》邀請台灣西門子數位工業半導體產業協理朱軒逸，以及業務驅動加速協理范栩，從數位雙生（Digital Twin）、Industrial Copilot、預測性維護，到西門子與 NVIDIA 推動的 Industrial AI Operating System、Physical AI 與自主化工廠，逐步拆解 AI 如何深入產品設計、工程、製造與維運流程。
要讓 AI 真正進工廠，得先打好數位化地基
Digital Twin、生成式 AI 與傳統工業自動化，究竟可以各自導入，還是必須整合？范栩認為答案是後者，並建議企業先從組織管理的角度理解 AI，「從管理的角度來看，其實導入 AI 就好像從一個數位的人力市場，找到一個新員工，希望員工進來以後能夠幫你接手一些單一團隊沒有辦法很快速執行的事情，或是一些重複的事情，就讓 AI 來做」。
如同新進員工必須先熟悉公司，AI 也需要理解企業流程、產品與組織特性。因此，企業導入 AI 的第一步，不在於選擇最強大的模型，而是建立數位化基礎，包括流程標準化、數位模組化，以及能被 AI 讀取的資料。完成這些基礎後，Digital Twin 才能進一步扮演 AI 與實體世界之間的連結介面。
廣達先在虛擬世界測 QC、高爐更新少 30 天，Digital Twin 如何降低製造業試錯成本？
以西門子與廣達電腦合作為例，雙方在車用電子最終 QC 測試階段導入 Digital Twin，在實際建置產線前，就先在電腦模擬完整流程。在數位雙生的虛擬環境中，系統可以建置虛擬的機械手臂與攝影機，並依照 PCB 板的測試需求模擬多角度成像，藉此檢驗元件是否正常安裝、焊接或發生歪斜。隨後，這些在虛擬環境中生成的影像會直接交由 AI 進行判讀與測試，成功將過去實體產線上高成本的試錯與迭代更新，提前在數位世界中完成。
另一個高爐更新案例則直接反映時間效益。過去高爐更新必須停機翻修，工程團隊還要同步完成製程升級與測試，但現在透過 Digital Twin 事前驗證後，原本約 90 天的更新週期縮短至 60 天，讓企業多出約一個月的生產時間。
從工程協作到預測維護：Industrial Copilot、Senseye 把 AI 帶進日常工作流
AI 的應用也正往工程設計端延伸。西門子與微軟（Microsoft）合作，將 Industrial Copilot 整合至 TIA Portal 工程軟體平台，並透過 Eigen Engineering 協助工程師進行協同設計與工程工作。
這類 AI 可以學習程式編寫與流程設計，接手大量重複、需要閱讀與統整資訊的工作。不過范栩認為，其價值不只是替工程師寫程式，而是在導入過程中，促使企業同步建立程式規範、流程標準與模組化架構，讓 AI 應用同時成為推動數位轉型的工具。
除了生成式 AI，西門子推出的 Senseye Predictive Maintenance 預測性維護解決方案，則展現了預測型 AI 如何翻轉設備的維護模式。朱軒逸直言，工廠裡面，遇到最怕的問題就是東西突然壞掉。過去工廠為了避免突發停機，大多採用固定週期的傳統保養，例如每隔半年進行設備維修或更換部分零件，也可能因此產生不必要的資源浪費。如今，預測型 AI 能不間斷地讀取現場感測器回傳的馬達振動、溫度、轉速等運轉數據，並結合機台原始設定資訊進行機器學習。
朱軒逸解釋，AI 能在「一週前、或是三、或是兩週前」即發現異常趨勢，讓維運團隊提前檢修，而下一步不只是預警，「現在最新的一代，是當現場的員工發現這個問題，AI 要告訴他要做什麼事情」。此外，AI 還能調閱半年、一年前，甚至其他廠區處理相同問題的紀錄，將預測性維護延伸為企業知識管理工具，同時降低缺工與經驗斷層的影響。
西門子與 NVIDIA 打造工業 AI 作業系統，打破資料孤島
今年 CES，西門子與 NVIDIA 宣布擴大合作，共同打造「工業 AI 作業系統」（Industrial AI Operating System），讓 AI 橫跨設計、工程、製造、營運與供應鏈。NVIDIA 提供 AI 基礎設施與 GPU 算力，西門子則提供長期累積的製造場域知識。
這套架構鎖定的不只是單一製程，而是產品與廠房的完整生命週期。從前期設計開始，AI 可以協助工程師尋找設計解，搭配 GPU 平行運算加速 CAD、CAE、EDA 等模擬，進入製造與維運後，資料則持續延伸至 Physical AI 與設備管理。這一切的關鍵在於建立一體化資料基礎，打破資訊孤島（Silo），讓不同生命週期階段都能取用一致、持續流動的工業資料。
人形機器人進工廠前先算 ROI，西門子用 Digital Twin 找出最佳部署場景
面對 Physical AI 與人形機器人熱潮，范栩強調，西門子並不製造機器人，而是提供機器人生態系需要的硬體與軟體工具。對企業來說，真正需要回答的是機器人投入產線後能否提高產能、減少工時，並確保安全。
在德國 Erlangen 電子工廠的人形機器人實測中，西門子利用 Process Simulation、Digital Twin 與 NVIDIA 平台，在虛擬環境中先模擬機器人部署。范栩指出，團隊能在前期「很完整的去計算整個 ROI」，評估工時與產出效益，再決定是否實際投入。
人形機器人也不代表每一道製程都需要「機器人化」。對高度自動化的電子製造（EMS）產業，中段製程本來就大量由自動化設備執行，人形機器人較適合目前仍高度仰賴人力的「進料端」與「包裝端」，至於既有自動化產線，AI 更大的價值可能在於從生產節拍、工序與設備運作中找出新的應用潛力。
工廠開始「自己做決定」，AI 推動製造從自適應走向自主化
當生成式 AI、數位雙生與機器人串接起來，製造業也開始朝自主化工廠前進。「我們 Erlangen 工廠就是自主化的工廠，它可以自己透過 Digital Twin、AI 預測，」朱軒逸強調，但人仍必須留在流程中處理關鍵決策與特殊情況。
范栩則將工廠演進分成三個階段：先從大量導入設備的自動化工廠，進一步走向能因應突發狀況、臨時訂單自行調整的自適應工廠，最終則是「Autonomous 自主化工廠」。到了這個階段，當設計端出現新的加工需求，AI 未來有機會自行協調產線變更、投入新的加工程式，人類則轉向管理與關鍵決策角色。
冰水主機效率提高 10%，西門子更要做「節源減碳」
AI 與數位雙生的另一項價值，是提高能源與資源使用效率。對高用電、高耗水的半導體與電子製造業而言，節能不只是 ESG 議題，也直接牽動營運成本。
朱軒逸指出，企業可以利用 AI 分析既有數據，找出最佳能源調度。例如西門子近期協助客戶優化冰水主機，透過 AI 計算不同製程條件下的最佳啟動台數，使能源效率再提高 10%。
不過，西門子談的並不只是省電。朱軒逸表示，「我們一直在提倡的是『節源減碳』，這個源不會只有電，舉凡是在生產中所用到的資源，包含水、氣、電、原物料、人力」。因此，從前期產品設計到後端製造，Digital Twin 都能協助企業減少用料、工序與能源消耗，進一步提升整體資源效率。
先做 POC、再驗證 POV，AI 落地關鍵在數位基礎
面對生成式 AI、數位雙生與 Physical AI，朱軒逸建議台灣製造業採取「從小到大」的策略，不需要一開始就全面改造工廠，「可以先從一個小的產線做 POC，然後先看最在意的是成本還是效能」。找出核心痛點後，再決定需要數位雙生、預測性維護或機器人。
范栩則進一步提出 POV（Proof of Value）的概念，企業不能只驗證 AI 能不能運作，更要評估能否帶來管理與商業價值。例如導入 Senseye 後，企業若希望 AI 未來能調出歷史維修經驗，現在就必須將紙本或資深員工腦中的知識轉進數位系統，換言之，AI 導入也同步推動企業建立更完整的流程、資料與知識管理。
真正的智慧工廠，不是搬進一套模型或購買一套軟體就能完成。如果希望 AI 從分析與建議，進一步走向現場執行，企業仍必須先建立足夠的數位基礎，否則即使模型能產生決策，最後仍需要大量人工介入。
因此，工業 AI 轉型更像一段持續推進的旅程。企業可以從單一製程開始，逐步擴大到完整產線、產品系統與整座工廠。當 AI 最終從「分析建議」走向「接管工作」，製造業下一階段的競爭分水嶺，將是誰能更早把多年累積的機台、製程、人才與管理經驗，轉化為 AI 能讀取、理解並運作的數位基礎。