不少人認為，所謂的智能工廠一定要有最完善的智能化産線，以及機械操作臂 ，AGV 搬運車、碼垛機器人等最先進的設備。但是，很多企業在智能化轉型的初期，往往無法一次性到位，對舊工廠、舊設備的改造，幾乎無法避免。

友達是全球頭部的顯示面闆設計、研發、制造和銷售公司，最早的工廠籌建于 20 多年前，所以很多設備在早期也不具備良好的數據采集和聯網基礎。但是，這些令很多傳統制造企業在數字化和智能化轉型過程中非常頭大的舊設備和舊産線，似乎沒有變成友達的“拖油瓶”。反而，友達利用AIoT技術為它們煥發出了新的生命力。

幾年前，筆者曾經在參觀友達蘇州工廠時看到這樣一幕：很多老舊設備的監測表頭前都加裝了一個攝像頭，通過對表頭數據（包括溫度、壓力等）進行圖像識别和讀取，把無法進行數據采集的關鍵設備信息也上傳到了後台，供後續數據分析使用。這就解決了既要保護原始投資，又想實現數據獲取、傳輸和應用的問題。

而這其實不過是友達借助 AI、IoT、大數據等數字技術實現智能化升級的一個縮影。從 2015 年開始布局智能制造以來，除了對舊設備的改造，友達還布局了大量智能化設備和軟硬件基礎設施，在智能化的技術、場景、人才等方面積累了大量經驗，這些經驗先是在公司内部得到了廣泛且深入的複制落地，随後又轉化為技術産品向外部進行智慧工業服務輸出，成為友達的另一增長曲線。并且，就在 2021 年，友達還憑此轉型成效獲評了世界經濟論壇的“全球燈塔工廠”。

故事要從 2015 年講起。那一年，友達開始在全集團範圍内投入大量資源進行數字化建設，其中包括數據整合與數據分析技術提升等。2016 年，阿爾法狗大戰世界圍棋冠軍李世石，并以 4:1 的總分獲勝，AI 技術迎來高光時刻；一年之後，友達很快啟動了全面智能化戰略，開始在内部通過 AI 等技術與先進制造融合，構建自感知、自決策、自執行的智能系統。

“所謂的自感知就是數據能被采集偵測，比如設備的狀況能通過 IoT 技術做到實時監測；自決策就是數據采集後可以借助 AI 技術進行數據分析建模，從而實現自主決策，例如是否要調整參數或者停機等等，并且不管數據是在邊緣、雲端還是本地；自執行就是在決策完成後，可以把決策動作反饋到後台，讓智能系統做自執行、自調整，形成閉環。”艾聚達信息技術（蘇州）有限公司（以下簡稱“艾聚達”）總經理賴駿凱在接受 InfoQ 采訪時解釋，從技術角度而言，這樣的智能系統正是 AI 與 IoT 技術融合的表現形式，是AIoT落地的成果。

艾聚達是友達在 2018 年成立的工業服務全資子公司之一，主要提供 AI 賦能的 HaaS 平台解決方案，透過 AI 技術賦能邊緣硬件産生數據價值，助力企業智慧化升級。具體來說，艾聚達基于 AI 技術，可以幫助企業提取數據價值并将算法模型賦予終端，讓邊緣硬件産生智慧決策能力。憑借在制造行業多年積累的豐富場景應用技術與算法模型，能夠為各企業提供工業自動化、邊緣智能化、工業大腦、工業人工智能平台四大解決方案和服務。

和艾聚達同年成立的，還有另一家工業服務子公司友達智彙，主要提供規劃咨詢服務解決方案、數字化工廠解決方案、智能工廠解決方案和綠色智慧園區解決方案。2021 年，友達在全球的智慧工業服務全新事業：友達數位成立，艾聚達和友達智彙都劃歸為旗下子公司，共同為制造業轉型升級貢獻力量。

事實上，變革是一件需要強驅動力的事情，和大多數企業一樣，友達最初做數字化和智能化，也有很多外部因素的推動。賴駿凱告訴 InfoQ，光電是一個競争非常激烈的行業，尤其是在過去十年間，國内面闆市場出現了大規模的擴産，對于友達這樣的光電制造領導企業來說，必須提前布局思考如何從規模競争轉向價值競争。

所謂價值轉型主要表現在兩方面：首先，是産品形态的轉變，專注于高附加值的産品；其次，是訂單形态的變化，從規模化生産轉變為少量多樣的訂單生産。舉例來說，“現在大家打遊戲對畫面的要求越來越高，我們就必須做超高刷新率的産品，以前這種産品的标準是 90 赫茲，也就是一秒刷新 90 次，但現在在電競領域，我們已經可以做到領先業界的 500 赫茲。”賴駿凱表示，“外部環境的這些變化，要求我們必須做高度定制化，必須少量多樣地去生産，但是這種生産方式會帶來一個很大的挑戰，比如産能會有所損失、成本會增加、良率會變差，這就是我們轉型過程中的‘痛’。”

除此之外，還有一個關鍵的矛盾點——市場需求變快、産品周期變短，但面闆産品的制造周期卻相對長。用賴駿凱的話說，産品優化和生産的速度都不一定能跟上産品需求的變化速度。“所以，正是這些源源不斷的問題促使我們很早就開始思考，如何通過新的技術提升内部的競争力，如何用新方法解決舊問題。”

2017 年開始，AI 成了友達應對這些問題的那個“新的技術”和“新的方法”。具體來說，賴駿凱認為 AI 在制造行業主要有三大應用場景——數據科學、工業質檢和智能監控。

以生産排程計劃為例，賴駿凱表示，在面闆制造的過程中有一個關鍵制程，每個産線配備的設備比較有限，所以作為一個稀缺資源，這類設備的排程計劃會直接影響生産效率。

“比如，這個設備一次要生産多少片面闆、一天要産出多少量，如果産品在 A 設備上良率比較低，這時候就必須在 B 設備上生産，這些都是限制式。而這些限制式一旦達到一定數量，比如十幾種甚至幾十種，用人工去計算的工作量是大且繁複的。”賴駿凱表示，過去這個工作需要由最有經驗的工程師每天花時間用 Excel 表格手工完成。

但這種“傳統”的模式不隻效率低、調整次數有限，而且很難與 MES（生産執行系統）聯動生産。“而利用 AI 模型，我們隻要把限制式輸入進去，它就能直接輸出一個最佳排程結果，告訴我們今天最多可以生産多少産品，甚至什麼時間點要産出這些産品。這麼做的好處不隻是效率變高了，也使得該關鍵設備的産能得以提升。

同樣的道理，面向員工的排班工作也可以由 AI 完成。在友達工廠，基于由 AI 自動化進行的排崗、調休和操作規範知識庫實時支持，員工每天上崗後就可以非常清楚自己當天的主要工作、具體的生産任務、操作注意事項等等。

另外，其中還有一個令人拍案的巧思之處在于，友達在每個關鍵崗位也加設了攝像頭，結合 AI 技術可以分析員工的作業節拍，判斷動作是否标準等。這樣一來，傳統工位就搖身一變變成了智能工位，過去可控性比較低的人工作業也實現了相對的标準化，在生産環節就提高了對産品質量的把控。

而為了提高産線的可控性，除了對人的操作做追蹤，還要對設備的運行狀态做監測。比如我們在開篇中提到的那一幕，通過攝像頭讀取表頭數據的目的，事實上就是為了對設備做監控，一旦設備出現故障，可能直接表現為溫度、壓力等數據異常，這時候就可以立即給設備工程師下維修訂單。

賴駿凱介紹，如今在友達工廠，早期那些加挂固定式的攝像頭很多已經升級成了移動式的攝像頭，通過加裝在機械臂上，不但可以用來讀取數據，還可以去完成一些不适合人工完成的操作。比如在車間的一些角落，人要進去比較困難，很容易撞頭或者發生危險，這時候，機械臂的攝像頭和自動巡檢機器人配合就可以替代人工作業，完成點檢的工作，用來規避這些安全隐患。

由于友達的智能化轉型起步較早，當時行業内幾乎沒有可參考的案例和路徑，所以回顧這 7 年的曆程，賴駿凱坦言他們也走過一些彎路。

賴駿凱回憶，最開始友達對于 AI 這樣的新技術也不熟悉，如何把它與制造流程結合更沒有概念，所以初期隻能先依托外部資源進行項目合作。“他們的确給我們帶來了新的技術思維，對我們視野産生了新的擴展，但是在這個過程中我們還是遇到了兩個問題。一方面，這些公司不夠了解工業現場的場景和一線的真正需求，這使得我們之間的溝通成本很高；另一方面，當技術公司在項目完成撤出後，除了産品本身，他們的能力并沒有留存下來，使得我們無法基于新的技術能力持續進行制程優化。”

友達很快意識到，這個困境的症結出在“人”上。于是，從 2018 年開始，友達每年都會安排遍布于各地、各個産線、各個部門的工程師進行脫崗學習，他們不隻是技術人員，還可能來自生産部門、研發部門或者品質管理部門。在這個過程中，他們會先花大概數個月的時間學習 AI、RPA 等最新的技術，然後再用近一年的時間做專案，讓每一個人了解除了過去他專精的業務領域之外，AI 技術還可以解決哪些業務問題。

“随着我們 AI 落地經驗的不斷積累, 也摸索出工業應用的核心場景, 即将過去積累的經驗轉化為 AI 工具平台，也就是說，後進的人隻要通過已平台化的工具就可以快速獲得 AI 能力去解決問題。比如，我們有一個 AI 平台，它可以幫助員工在上面快速做數據分析，做最佳參數推薦。”賴駿凱表示，這一平台的使用門檻非常低，隻要對制程機理有一定了解，進公司大概半年時間，就能在上面靈活運用 AI 工具幫助自己探索數據價值，而不一定要懂代碼、懂 Python。

那麼，有了技術又找對了場景就能萬事大吉了嗎？真相往往沒有那麼簡單。據了解，友達最初通過 MES、ERP、IoT 等系統的融合把數據做了統一的整合管理，然而，轉型初期的數據利用率偏低。很多企業在數字化、智能化的推進過程中也會遇到類似的問題。

在賴駿凱看來，這一方面是管理的問題。還以設備故障維修為例，雖然 AI 可以幫助工廠做數據讀取、數據分析，實現故障預警。但是，後續的維修動作還是由人來完成。過去，産線生産員工和設備工程師之間的關鍵矛盾在于，設備出現故障會直接影響生産人員的業績，但與工程師的業績無關。所以，設備維修這件事最後往往是後者不急前者急。

為了解決這個問題，友達的辦法是裝預警燈 APP“搶單”。如果設備出現故障沒有及時維修，預警燈就會長亮。而在後台，通過“搶單”的方式可以快速匹配工程師進行故障維修，并且所有維修結果，包括平均用時等等都會通過數據結果呈現到後台，與工單價格直接挂勾。通過這種管理模式的改變，友達的工廠車間從“有故障沒人修”變成了“有故障搶着修”，從反應式管理變成了預測式管理。

另一方面，數據利用率低也是人的思維因素使然。“比如，那麼多數據呈現在眼前，但不知道如何将其價值充分發揮出來。這時候我們就需要通過一些培訓和機制培養員工在這方面的能力，讓大家知道自己關心的指标什麼情況下異常，如果發生異常應該采取什麼動作，其中的數據量夠不夠，如果不夠是否需要通過 IoT 再補充收集數據等等。通過這樣的方式慢慢培養工程師的數據思維，讓大家的能力螺旋式上升。”賴駿凱解釋道。

也就是說，要讓數據驅動形成閉環是一個系統工程，既要有技術維度，也要有管理維度，二者融合才能讓效果最大化。

其實，變革這件事就像是過河，有人早早上岸，有人正在蹚水，有人還在觀望。

賴駿凱表示，這是一個從 0 到 1、從 1 到 10、從 10 再到 100 的過程。企業不需要急于求成，一開始就投入大量的資源。而是找準自己的問題點，在幾個關鍵的業務場景先針對性地投入做試點，取得一定改善成效之後再進一步複制平展。

比如，對于友達來說，并沒有一上來就把老舊設備都抛棄，也不是一步到位全做了改造，而是先從關鍵設備開始，逐步對舊設備實現了數據聯網，再逐步實現 AI 自決策與異常自調整。

“并且，我們在做任何流程改善的時候，都會先做流程梳理，然後再做流程精益，在精益化完成之後，才能把一些新的技術逐步放進去，形成新的智能化制造流程。”賴駿凱強調，“這麼做的原因，一是避免資源浪費，二是讓内部員工看到新技術的價值。”

如此一來，無論是數字化還是智能化，才能在企業内部形成自上而下、自下而上的可持續正循環，形成滾雪球式的效應放大，讓企業真正從中受益，實現降本增效、提質轉型的最終目的。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!