當前工業元宇宙透過軟硬體互聯、虛實整合，讓AI、5G、雲端整合數位分身技術的各個環節，進一步打造智慧工廠與智慧供應鏈，已成為製造業者在轉型上的主要嘗試之一。

根據調查，2022年全球元宇宙市場規模為474.8億美元，年複合成長率為39.4%，到2030年估值為6,788億美元，其中北美地區占比最大，占比超過45%。而當前元宇宙議題雖然稍微退燒，但在製造業的應用上熱度不減，特別在一般製造、汽車、能源和公用事業、醫療保健和生命科學、航空航天、電信等子產業更是如此。

當前工業元宇宙透過軟硬體互聯、虛實整合，讓AI、5G、雲端整合數位分身（Digital Twin）技術的各個環節，進一步打造智慧工廠與智慧供應鏈已成為製造業者在轉型上的主要嘗試之一，這種多技術的融合牽涉到複雜的數位基礎建設、數位科技掌握程度與工廠自動化程度，其「程式化邏輯控制器」（Programmable Logic Controller；PLC）為雙向生產數據的轉運站，能夠大幅提升單機、整線、與整廠的營運效能。

工業元宇宙可用於將產品設計與生產的物理版本進行比較—例如尋找產品缺陷，或者可以建立虛擬環境以進行模擬。例如，許多自動駕駛汽車設計師現在利用真實世界位置的模擬來微調汽車性能，提高其安全性與可用性。

以汽車業者BMW為例，該公司在一家新工廠使用工業元宇宙，以一對一的比例製造虛擬汽車，然後為工廠部署最終佈局。在這六個月的部署過程中，該公司根據模擬結果對原始設計進行了大約30%的更改。雖然BWM並未對外公開表示效率提高幅度，但該公司指出，在模擬的第一天，工廠中有大約30%流程能夠獲得改善。

圖1 : BMW使用工業元宇宙，以一對一的比例製造虛擬汽車，然後為工廠部署最終佈局。（source：BMW）

當然，該技術也能用於員工培訓，以JetBlue為例，若以真實飛機培訓技術人員成本高又耗時，因此該公司與軟體製造商Strivr合作部署了VR解決方案。該程序幫助技術人員以盡可能最真實的方式模擬接觸飛機，而沉浸式學習則將VR 的體驗與學習理論、數據科學和空間設計整合有效提升年輕員工的學習體驗。

若跳脫應用場域，單從人工智慧與元宇宙技術融合，則潛在效益不僅如此，基於人工智慧驅動的IT基礎設施能在Metaverse中用於預測中斷並在問題發生時辨識，例如AIOps必須持續運作並且具有足夠的可延展性，以與Metaverse同步運作，這使得它的技術要求很高。

人工智慧還將使元宇宙不僅能夠理解用戶輸入，從文本到圖像甚至影音皆可，無論用戶輸入的語言如何，都能正確回應，當然，這將需要大量數據，並且訓練此類高級 NLP 模型可能需要數年時間。

同時，在元宇宙開發中，人工智慧不僅是電腦視覺和自然語言處理領域的必備技術，也是虛擬現實和增強現實（AR）領域的必備技術。例如，在AR技術中，AI用於相機校準、檢測、跟?、沉浸式渲染、實體世界物體檢測、虛擬世界物體檢測和3D物體建立，有助於保證AR應用的多樣性和可用性。

大型語言模型對企業營運的機會與風險

顧問公司麥肯錫指出，人工智慧企業領導者者比相較其他同業更能抓住在何處享受技術帶來的價值，例如制定完整的人工智慧策略，並連結業務、財務指標，同時更頻繁地參與能夠大規模開發和部署前瞻技術，發展人工智慧產業化。

這些領導者具備通常完善基礎設施，例如模組化的數據架構、優質的數據、完整的Devops團隊，以及強悍的資安措施，以快速適應新的應用程式開發。同時這些業者也發展數據的流程自動化，這既可以提高模型的開發效率，又能透過更多高質量的數據倒入演算法，進一步提升開發的應用程式的數量。

當然，越前瞻的人工智慧應用可能帶來越高的風險，除了資訊安全外，如何建立好的人工智慧治理機制也相當重要，其例如確保人工智慧和數據治理政策、標準化流程和協議、自動化流程（控制數據質量以減少手動輸入資料造成的的錯誤）、測試模型的有效性，並隨著時間監控模型是否存在偏誤問題等。

語言模型的已經存在數十年，該模型的核心執行一個簡單的任務：給定一串文本，使之能預測最有可能的下一個詞，多年來，語言模型已經從基本的N-gram模型（其中語言由簡單的向量表示）發展到更複雜的循環（RNN）和長短期記憶 （LSTM）神經網路，以更複雜的方式建立單字和短句子。

語言模型的發展轉捩點是從Google Brain 2017年的開創性論文《Attention Is All You Need》

中引入的transformer架構這改變領域遊戲規則。過去的語言模型基於對每個單詞的單獨理解和處理，而轉換器允許將句子和段落作為一個整體進行處理。這些模型能夠根據字符串中每個詞與字符串中其他詞的關係，為每個詞分配不同的權重；而現在的模型可以根據上下文理解單詞，在性能上取得重大突破。

Transformer 使大型語言模型能夠從自然語言中深入理解人類的意圖，使得一系列突破性的功能成為可能：從描述中生成各種內容，將大量非結構化數據提煉成簡潔的摘要，以更準確的翻譯、回答複雜的查詢等等。

圖2 : 語言模型的主要提供商。（source：Two sigma ventures）

近年來，隨著軟體快速迭代和更大系統的建置，大型語言模型（LLM）的使用快速成長。原因之一為單個模型就能用於多種任務，從文本生成、句子創建、分類和翻譯。此外，當使用者僅給出數個標記時，模型幾乎能夠做出合理的預測，即所謂的「小樣本學習」。

LLM正在改變我們當今處理業務的方式。隨著ChatGPT在短短 5天或2個月內經歷的驚人成長，越來越多產業開始意識到這些大型模型可能從根本上改變數據傳輸與處理的方式，這些模型透過利用深度學習技術與自然語言處理來「生成」各種解決方案，一方面擔任「產品設計」的角色，一方面又能透過人機協作來調校模型對準卻度，業者若能掌握大型語言模型的核心技術與團隊建置，未來在超大量數據的競爭環境下將更容易取得先機。

從實際應用來看，大型語言模型能協助醫療保健、製造、金融、機器人等產業處理各種任務，例如回答客戶問題、為他們提供客製化建議、識別和生成高精度的文本、聲音和圖像。

大型語言模型可以幫助企業更有效率地了解客戶需求，從自動化程序到提供客製化化體驗。這些基於自然語言處理的人工智慧技術也能用於協助營運上的資安議題、或是自動針對指定內容進行分類、部署虛擬助理、以及提升SEO等，而目前雖然較無看到製造業者使用大型語言模型的案例，但由於雲端業者如微軟、Google已開始將LLM模型嵌入至解決方案中，故業者應可了解該技術在製造領域的應用。

當然，該模型在營運上也存在風險，大型語言模型可能剽竊或編造內容，使得人員需要辨識資訊的真偽程度，囿於新冠病毒疫情、網路媒體和社群平臺的大量使用等因素，企業的經營環境大幅曝險於假訊息風險中，加上定量分析、圖形或數位模擬，或為演算法編碼等技術不夠成熟，對於反制假新聞的能力不足，加上如「錯誤訊息」的使用，可能在內外部發布消息時誤植、遺漏詞句或關鍵資料，讓利害關係人與員工相信錯誤的資訊，最終影響決策。

德國西門子的應用案例

工業軟體大廠業者西門子在工業元宇宙與人工智慧的發展上不遺餘力，其數位業務平臺Siemens Xcelerator即是代表，2022年6月，公司與人工智慧業者NVIDIA合作，在工業元宇宙與人工智慧合作上再下一城，NVIDIA將Omniverse加入 Siemens Xcelerator開放式的合作夥伴生態系，串聯從邊緣到雲端、擁有豐富資料軟硬體解決方案，建立出即時的沉浸式元宇宙環境，這將促使業界加速使用數位分身技術，提升整個生產和產品生命週期中的生產力並改善製程，目前獲得機械、電子和軟體領域客戶採用，Volta Trucks和Automotive Cells Company（ACC）兩家業者皆為其客戶。

工業元宇宙與人工智慧要能整合應用，大量的數據資料與多元化的使用者缺一不可，西門子在工業4.0以來即累積大量使用數位解決方案的客戶，加上過去疫情衝擊促使產業轉型，Siemens Xcelerator能夠整合IT/OT核心系統的數據，同時連結不同的3D設計與CAD應用程序，以建立單一真實來源的虛擬模型，並擴展到物聯網、數據系統和工業自動化設備，同時，西門子也透過投資工業技術新創來因應其生態系成長。

圖3 : Siemens Xcelerator能夠整合IT/OT核心系統的數據，同時連結不同的3D設計與CAD應用程序（source：Siemens）

全球智慧製造未來發展方向

根據Euromonitor指出，全球製造業預計將在2023年經歷動盪，肇因於經濟前景惡化、地緣政治風險上升以及能源和大宗商品市場的波動將給製造商的業績帶來壓力。預計2023年各產業的增長將不平衡，能源強度高或高度依賴投資需求的行業受到的衝擊最大。

在全球範圍內，預計2023年化工產品、橡膠和塑料以及機械行業的產值增長將放緩，因為預計B2B需求疲軟和能源成本上升將影響生產。由於2023年總體經濟環境惡化，新車銷售放緩預計也將拖累全球運輸設備行業的表現，然而，高附加值和低週期性產業預計將在2023年維持成長，預計2023年高科技產品產業將在所有製造業中表現最強勁，因為轉向綠色能源和投資於數位科技將繼續支持對高科技產品的需求。

同時，根據其調查，全球約62%的公司計劃在未來五年增加對雲端運算投資，同時約50%的公司計劃投資於人工智慧、物聯網和生產自動化工具，這些都是製造業需要投入更多資源在數位工具的原因。

在地製造的需求是推動製造業加快工業元宇宙投資的因素之一，在疫情爆發後，製造企業加快了生產在地化和回流工作，地緣政治緊張局勢加劇成為2023年生產回流的另一個催化劑：根據生產回流倡導組織Reshoring Initiative的數據，總計1,800家企業計劃回美國生產，企業在遷廠的過程中可能需要遠端模擬生產情境，以對遷廠進一步評估。

當然，當前經濟情勢的下滑與預算配置的改變，可能致使相關投資降低，但不變的是人工智慧與其他技術的發展需求依舊龐大。而上述提及，大型語言模型目前雖無大型製造業導入的實際案例，但從Open AI與微軟的關係也可看到，大型科技業者正在將各種人工智慧技術整合進服務方案中，而服務的產業日趨多元，未來在製造業的實際應用，應也僅是時間早晚問題。

圖4 : 目前正使用Open AI的產業類別。（source：Statia）

結語

若從我國產業發展來看，製造業者在發展工業元宇宙的速度不若國外，許多企業當前尚在挖掘人工智慧的潛能，對於多種技術融合的應用較少，加上當前雖許多製造業者雖已經擁有大量設備與製程數據，但往往很難從中獲取價值，因為他們缺乏可以提出數據看法並加以解析的數據科學家，以及相對成熟的機器學習模型。

因此企如何透過合作來打造一個數位生態系，納入物聯網與人工智慧技術，以及採用自動化軟體解決方案為當前業者積極部署的領域。另一不可或缺的技術為雲端平臺，透過雲端的即時分析，將原先基於時間的維護設定轉變為預測性維護。

隨著雲端的規模的不斷擴大，業者可以在無接觸（contactless）的狀態下遠端對感測器組進行遠端更新和維護，這些技術部署都有賴於生態系的建立與夥伴的支援。而這些技術的融合最終應是導向工業元宇宙的發展，由於工業元宇宙本身為多種技術的融合體，因此先熟悉各種技術的應用，對於發展工業元宇宙與人工智慧較有效益。