繼物聯(lián)網(wǎng)(IoT)后，工業(yè)4.0(Industry 4.0)接棒成為火熱話題，在全球發(fā)燒。樂觀者認為，工業(yè)4.0代表的智能制造(Smart Manufacturing)將提高生產效益，開創(chuàng)出更多高科技就業(yè)機會，讓人類再也無須從事無聊、危險又骯臟的工作，晉升為管理人才，進而使民眾享有更好的生活。

       但從悲觀者的角度來看，智能機器替代人類所引發(fā)的失業(yè)潮將無可避免。為什么工業(yè)4.0會引起如此大的回響？工業(yè)4.0、物聯(lián)網(wǎng)、智能工廠(Smart Factory)三者如何交織出智能制造的篇章？巨量資料(Big Data)又在其中扮演何種角色？ 

       解決解勞力短缺　全球力推智能制造

       制造業(yè)是一國國力之基礎，也是養(yǎng)活最多人口、創(chuàng)造重要經(jīng)濟價值的產業(yè)。而隨著世界工廠大陸的角色隨著勞動問題浮出，世界主要制造業(yè)國家人口結構轉變，走向高齡少子化，從歐美到亞洲地區(qū)，近來莫不戮力在制造業(yè)政策上下功夫。

       諸如美國的AMP計劃，引導制造業(yè)回流；德國致力于打造智能工廠，向世界推行工業(yè)4.0；日本發(fā)展人機共存未來工廠，韓國則以自身ICT網(wǎng)際網(wǎng)路與機器人技術，發(fā)展下世代智能工廠，而大陸除了十二五計劃發(fā)展機器人自動化生產等高階設備，十三五計劃也正如火如荼規(guī)劃中。

       這些政策并非憑空而生，而是其來有自。從國與國之間的競爭態(tài)勢來看，各國莫不期待在未來的制造業(yè)領域保有一席之地甚至領先，維持競爭力。另一方面，制造業(yè)國家普遍面臨高齡少子化社會浪潮，因而必須正視勞動力短缺問題。

       缺工所引發(fā)的問題除了墊高人力成本以及生產品質青黃不接等，也使得制造業(yè)在應付日益縮短的產品生命周期以及少量多樣的制造趨勢時，出現(xiàn)困難。

       而臺灣所面臨的問題亦是如此。研華科技經(jīng)理施文森表示，2016年起，15~64歲的工作人口將以每年18萬的趨勢萎縮，如何透過工業(yè)4.0提升臺灣生產的動能，來面臨創(chuàng)業(yè)上的調整與改變，至關重要。他并認為在工業(yè)4.0架構的發(fā)展之下，結合機器人與物聯(lián)網(wǎng)，將是制造業(yè)回流臺灣的發(fā)展關鍵。

       工業(yè)4.0精髓在于智能工廠

       經(jīng)濟部工業(yè)局副局長呂正華指出，當勞動人口逐漸減少，如何提升人均產值成為大家關心的議題；而德國提出工業(yè)4.0背后的思維，無非是希望利用自動化技術加上云端科技等，提升生產效率并彌補人力不足。

       呂正華進一步表示，工業(yè)4.0精隨在于智能工廠，而智能工廠的核心，則在于“虛實合一”。要達成虛實合一，則必須運用物聯(lián)網(wǎng)技術，整合實實在在的機器與相較虛渺的軟體、通訊、網(wǎng)路、云端等科技，并做到巨量資料探勘和分析，將龐雜的資料轉化為有用的資訊，以便決策。

       換句話說，工業(yè)4.0最終其達成的目標即是智能制造，而此目標體現(xiàn)在建構智能工廠。智能二字是建立在機器可以通訊、運算、分析進而移動之上，如同人能與外界溝通、思考、分析進而下決策并有所移動。

       在智能工廠里，所有工具機臺和機器人均為智能機器，意即，機器與機器之間能透過通訊架構彼此溝通，并透過機器專用應用平臺串聯(lián)機臺，成為虛實合一制造系統(tǒng)(Cyber-Physical System；CPS)。

       而機器運轉中產生的巨量資料皆上傳至安全云端網(wǎng)絡，由分析引擎找出關鍵資訊，進行預兆通知、事前維護等。此外，不同廠房之間也具備溝通協(xié)調能力。分析認為，“整合”是智能工廠內涵最重要的詞匯。

       智能工廠所創(chuàng)造的不但是應運而生的全新生產流程，更垂直整合工廠管理和企業(yè)管理流程，水平整合價值鏈，實現(xiàn)產品及其生產系統(tǒng)的生命周期管理，可確保有效運用能源、掌握產品上市時間和確保產出品質，提升生產效率和能源應用效率，最終可達成永續(xù)制造。

       后端巨量資料分析是成敗最后一哩

       工研院南分院云端服務中心主任程瑞曦則強調，物聯(lián)網(wǎng)、云端運算和巨量資料三者宛如兄弟，缺一則無法形成應用，智能工廠也將功虧一簣。

       針對巨量資料的特性，程瑞曦指出，相較于從前習慣的抽樣資料，巨量資料具有樣本等同于母體、資料數(shù)量重于資料品質、資料相關性先于因果關系三大特點。

       由于從前是抽樣，母體和樣本有差距，樣本的品質也顯得格外重要，否則容易出現(xiàn)偏差；但在巨量資料時代，當數(shù)量已等同于樣本，由于所有的可能性都已經(jīng)涵蓋其中，反而沒有品質問題。

       此外，在運用巨量資料時，必須擺脫從前事事尋求因果關系的舊思維，而應將重點放在資料所顯現(xiàn)出的觀點或趨勢；背后的原因不再重要，重要的是抓到趨勢后可用于創(chuàng)造效益。

       至于智能工廠中巨量資料的應用方向，程瑞曦認為有五大方向：探知、診斷、控管、預測以及視覺化，可能用來改善品質、降低成本、縮短工時、提高產量等。

       而在應用之前，則必須根據(jù)目的慎選主題以決定資料搜集的范圍，接著以e化方式搜集，避免人為影響，而且必須由業(yè)者或領域專家親自檢視欲運用的資料成分并與ICT人員討論，才能確保資料正確性，達到解決問題的目的。

       不過，工研院機械座智能系統(tǒng)技術組組長鐘裕亮指出，臺灣制造業(yè)除了半導體業(yè)，一般而言在ICT方面大概落后德國10~20年。

       且在工廠智能化之前，機器先得智能化；而在機器智能化之前，零組件要先智能化，能夠自我監(jiān)測健康狀態(tài)，透過無線射頻等方式回傳資料。這一連串過程中處處是需求，也代表許多ICT業(yè)者可投入的缺口，商機處處。