2020年，當多數企業還在觀望AI能做什麼，仁寶電腦已悄悄在工廠裡展開一場革命。
驅動這場變革的，除了科技趨勢的推動，更重要的，是一道道積累已久的產線痛點。
「我們首先面臨的是傳統產線的極限，」仁寶電腦專案處長陳宏義回憶道。隨著電子產品設計日趨精密，元件越來越微小，過去仰賴純光學技術的AOI自動瑕疵檢測系統，檢測良率已卡在90%上下，再怎麼調整也難以突破。
除了機器的極限，人的問題更棘手。
陳宏義坦言，「人去看是會疲勞的，有時也會產生視覺誤差，但AI可以一年365天、24小時持續運作。」製造業第一線人員流動率高，新手頻繁替換，良率時高時低，然而，比起這些有跡可循的問題，更令管理層頭痛的，是那些防不勝防的人為失誤。
螺絲鎖錯步驟、產品裝錯箱，造成產線災難
「人畢竟不是機器人，你不可能派一個人從頭到尾盯著他看，也很難要求他如機器般，百分之百嚴謹地執行每一個SOP。」陳宏義一語道破製造業的無奈。
他舉了一個看似微不足道、卻足以釀成大禍的例子—鎖螺絲。
當SOP規定，鎖4顆螺絲必須按「1、3、2、4」的對角線順序，才能確保受力均勻。但產線上總有資深老手心想「反正4顆都有鎖滿就好」，便順手改成順時針繞圈鎖，甚至稍一分神就漏鎖一顆。
「如果不按對角線鎖，鎖到後面元件是有可能會變形的！」陳宏義強調。
更麻煩的是，精密主機板上布滿「禁區」，作業員的手若不小心輕碰脆弱元件，肉眼當下完全看不出異狀，但產品到了消費者手中，內部早已悄悄裂開，客訴投訴接踵而來。
另個場景，則發生在包裝流水線上。
每一件產品都必須跟對應條碼的紙箱完美匹配，這道理人人都懂。但流水線不停歇持續運作，在出貨旺季，當紙箱不小心倒了，作業員慌了手腳，想趕快收拾，「結果就把A產品塞進了B紙箱！」
陳宏義描述這個極容易發生的失誤。當條碼與內容物不符的產品一旦出貨，品牌客戶往往直接翻臉，進而引發嚴重的品牌信任危機。
這些故事，幾乎每條產線都曾上演過，但問題的本質不是員工不認真，而是「人性本來就不是為了重複性精密工作所設計的」。
如何用科技去彌補人性的侷限，成了仁寶轉型的核心命題。
用AI彌補人性缺點，從「改考卷」到防範未然
面對這些痛點，仁寶的策略不是一次砸重金建設智慧工廠，而是按部就班、分階段推進。
第一步先導入CNN深度學習進行靜態的視覺瑕疵檢測，替代傳統AOI的極限；接著，更將AI進化到「人因行為分析」，也就是讓AI來盯人。
透過AI視覺監測，只要作業員拿錯工具、鎖螺絲順序有誤，或手部動作偏離系統容忍的角度範圍（例如規定直上直下，僅允許偏移5度），AI 立刻發出警示。
針對裝錯箱的問題，為涵蓋整條作業流水線，仁寶更自行研發「多支相機連動」技術，確保產品從進入流水線，到完成包裝的每一秒都在監控中，條碼與內容物只要有一絲不符，當場攔截。
在新人管理上，AI也化身一位不徇私的「無私考官」。
過去新作業員上線，往往仰賴領班的主觀判斷，難免有人情壓力；現在新手須先實際操作10次，由AI對照標準動作逐一評分，達標才能正式上線生產。這套系統把品管從事後的「改考卷」，提前到了事前的「防範未然」。
為了提升效益，仁寶沒有採購昂貴的大型伺服器，而是直接拿自家生產的電競筆電作為邊緣運算裝置，搭配平價的200萬畫素相機，在產線最前線完成視覺檢測與運算，讓投資成本降到最低，也確保機敏數據不須上雲。
AI最難不是技術，而是人心與數據紀律
技術方案確定了，真正的硬仗才要開始。把AI請進工廠盯人，現場的反彈比想像中大得多。
「一開始剛導入真的很辛苦，產線會覺得我以前這樣做也沒不好，現在客戶搶單搶得要死，你還要我整理資料？」陳宏義坦言，第一線員工的本位主義極深，甚至有人被鏡頭盯著會有被監視的不適感。為此，團隊刻意調整攝影角度，只拍手部動作、避開人臉，同時靠著小規模MVP試驗，讓大家親眼看到良率真的提升，反彈聲浪才慢慢平息。
技術落地同樣充滿挑戰。以「多支相機連動」防堵裝錯箱為例，流水線上的物品是不斷移動的，多支相機如果時間沒有完全同步，AI看到的畫面就會錯位，根本抓不到失誤。
更棘手的是，現代產線講究「少量多樣、混線生產」，這一秒跑A機型，下一秒突然換成B機型，AI 必須能瞬間分辨。這種高度客製化、天天在變的需求，讓外部廠商根本不願接單，逼得內部團隊必須天天貼著產線，親手在現場修煉模型。
另一道關卡，是說服高層持續投資。
新技術不可能立竿見影，面對這道難題，陳宏義分享了自己的關鍵心法，「一開始推動絕對不能大規模，一定要從小規模的 MVP 快攻。」先從一條產線切入，讓老闆看到實際的良率提升與商業價值，再一步步取得資源擴大規模。「先求有、再求好」的務實策略，最終讓仁寶的AI轉型一關一關闖過去。
瑕疵檢測良率99.5％ ，改變藏在組織文化裡
成果有目共睹。仁寶產線的瑕疵檢測良率從90%一路躍升至99.5%以上，產線整體一次過關率也從95%推升至98%至99%之間，裝錯箱的客訴問題幾近絕跡。
然而陳宏義認為，數字之外，更深層的改變發生在組織文化上。
他回憶，以前遇到產線效率不佳，工程師只能拿碼表站在旁邊人工計時；例如管理層追問該產線某日產量為何從 400 掉到 200 PCS（Pieces；產品計量單位），產線主管給的理由往往是，「今天作業員心情不好、身體不舒服。」這種難以改善的藉口，甚至有人為了怕被罵而偷偷竄改數據。
「現在AI全天候記錄，數據攤出來，一翻兩瞪眼！」陳宏義說。
AI能精準揪出瓶頸工站，例如，發現某個微小的排線組裝特別耗時，這就不是工人的問題，而是設計太複雜。製造端現在能拿著AI拍下的實況回放與客觀秒數，直接向研發端要求修改，打破設計與製造部門間的「穀倉效應」，讓雙方一同解決問題。
此外，地端大語言模型助手也讓老師傅多年累積的維修經驗得以數位化保存。新手遇到問題，不再只能苦等老手，直接詢問地端AI，便能獲得建議，企業核心知識不再隨人員流動而流失。
切忌一開始砸重金，把錢用在刀口上
「企業不需要一開始就砸重金、盲目追求頂規設備，而可以透過2個關鍵策略精準解題。」陳宏義建議。
他點出，第一：物盡其用的邊緣運算。 仁寶並未採購昂貴的大型伺服器，也沒有將機敏的工廠資料全數上雲，而是直接利用自家生產的電競筆電作為邊緣運算裝置，搭配平價相機鏡頭，就能在產線最前線執行視覺檢測與運算。大幅降低硬體導入門檻，將錢花在刀口上。
第二是專模分工的小語言模型架構。 在AI模型選擇上，仁寶全面採用地端小語言模型，刻意避開「包山包海」的大型模型，針對特定領域開發專屬小模型。
在「智慧製造多代理協作系統」中，仁寶部署多個小模型擔任不同領域專家：智能派遣中心負責分配任務、設備維護專家結合視覺模型識別設備狀態、零件維修專家分析故障原因，以及解決方案專家負責推理與提出解方。
陳宏義強調，這種「3個臭皮匠頂個諸葛亮」的多代理協作機制，不僅讓小模型更貼近現場需求、將運算效能最大化，還能確保分散式系統的韌性，即使單一節點故障，也不會導致整條產線癱瘓。
從「靠經驗和運氣撐著」，變成「讓數據說話、讓知識留下來」，仁寶這場寧靜革命，正是給所有AI轉型企業的深刻啟示，「導入AI的終點，不是一套更聰明的系統，而是人機合作，回頭檢視效率的韌性組織。」
「殺雞不要用牛刀，錢要花在刀口上，用適當的邊緣裝置與特定領域小模型去解決痛點。」—仁寶電腦專案處長陳宏義
百強小檔案
公司：仁寶電腦工業股份有限公司
成立：1984 年
AI應用領導人：仁寶電腦專案處長陳宏義
AI應用項目：智慧製造多代理協作系統
AI應用成效：瑕疵檢測良率從 90% 躍升至 99.5%
核稿編輯：康育萍、黃巧惠
