在製造業與半導體產業中，無論是電路設計、布料裁切、產品選型到機台參數調整，都潛藏著關鍵的「最佳化問題」，也就是如何在多重限制條件下，找出最適組合，以達成效能最大化與成本最小化。這些問題看似技術性的數學題，實則是現場工程師每天面對的實務挑戰。

在製造業與半導體產業中，無論是電路設計、布料裁切、產品選型到機台參數調整，都潛藏著關鍵的「最佳化問題」，也就是如何在多重限制條件下，找出最適組合，以達成效能最大化與成本最小化。這些問題看似技術性的數學題，實則是現場工程師每天面對的實務挑戰。

成立於 2021 年的優智能（GoEdge.ai），前身為國立陽明交通大學人工智慧系統檢測中心。透過自研的最佳化引擎切入製造現場，協助企業將長期仰賴經驗的場域知識轉化為可計算、可擴散的決策邏輯，落實製程效率提升與智慧自動化。迄今已服務涵蓋半導體、電子製造、成衣製造等多個產業場域，累積豐富落地經驗與應用案例。

GoEdge.ai執行長陳建志近一步說明，團隊最初是將這套最佳化引擎用來調校 AI 模型，隨著應用拓展，結合客戶場域端的經驗與技術，將經驗轉化為標準化的知識，再整合進自動化工具中，與原本的操作流程結合，形成「最佳化的外掛工具」，以解決場域中常見的痛點。

陳建志說，他們的模型部署以地端為主，對於資料安全極度敏感的製造與半導體企業而言，也不用擔心數據有外洩的風險。

資深經驗難複製，製程調校耗時又不穩

陳建志以半導體產業為例，許多半導體廠的研發工程師多來自物理或電路設計背景，雖熟練操作如 EDA（電子設計自動化）等複雜工具，卻往往不擅長撰寫程式或運用高階 AI 演算法。這也使得參數調校與製程優化仍高度依賴資深工程師的經驗與手感。

但資深工程師的養成需時半年至一年，效率遠高於新人。一旦離職，知識隨之流失。此外，複雜製程的電路模型優化及工廠內部分工造成跨部門與跨廠區的協作成本居高不下。

面對常見的製程優化難題，一套製程模型可能涉及超過 300 個變數，調校過程極為冗長且結果難以穩定。即使透過企業內部團隊依據經驗，將參數範圍縮減至約 40 個。但要由人工調整這 40 個參數依然極具挑戰性，仍需三個月才能完成一輪調校，且穩定性難以保證。

優智能的解法，是將這些工程師的隱性經驗透過 AI 模型學習歷史操作邏輯，從成功案例中萃取參數調整規律，轉化為可重現的決策流程。並結合最佳化引擎進行模擬與推薦，讓工程師能在數小時內完成原需數月的人工作業，並確保結果穩定。

最佳化不只是數學問題，更是現場知識的延伸

優智能執行長陳建志強調，在導入最佳化引擎之前，團隊會先深入了解客戶實際面臨的問題與背後的數學邏輯，並透過現有資料驗證模型是否能準確反映真實情境。這不只是單純導入資料，而是協助企業重新定義問題、建立對應模型。從過往經驗中，他也發現，多數企業即便擁有大量數據，也常缺乏明確應用方向。此時，如何正確定義問題、構建模型，正是優智能最重要的價值所在。

這樣的能力也體現在工具的彈性與廣度上。無論是製程參數調整、產品選型，還是布料排料，只要牽涉到「條件與結果的最適組合」，優智能開發的最佳化系統皆可靈活應用。陳建志指出，真正有效的最佳化，必須對接現場師傅的思維與習慣。以布料排料為例，儘管演算法可以產出材料利用率極高的切割方案，但若不考量實際操作步驟與現場節奏，可能反而降低整體效率。也因此，評估一項最佳化工具是否成功，關鍵不在於演算法有多複雜，而在於工程師是否真正理解產線運作邏輯，並能將技術與產業知識精準連結。

優智能團隊曾協助一家成衣廠優化其布料裁切流程。過去，面對包含上萬件不同尺寸衣服的訂單，師傅需依經驗手動裁切，不僅耗時，也難以確保材料使用最小化。導入優智能的系統後，團隊一方面學習並承接資深師傅的排版邏輯，另一方面結合演算法進行高精度模擬，成功大幅降低布料浪費，同時建立可量化的排版依據與精準的庫存預測機制。這不僅提升了生產效率，更使成本控制具備長期可持續性。

跨部門溝通成本高，選型流程繁瑣

除了協助製程外，也可用來協助業務單位回應客戶需求。陳建志提到，許多製造企業的產品選型流程，常需來回溝通需求、比對規格、編寫報告，嚴重消耗 PM、業務與工程師時間。優智能團隊將這整個流程整合為一套自動化工具。讓業務單位從需求輸入、模型推論、參數調整到報告輸出，都可以由系統依定義好的格式完成。透過模組化設計，使用者可自由配置各項欄位與圖表輸出邏輯，類似於 Dashboard 設計邏輯，最終轉化為完整的文檔報告。

對企業來說，這樣的工具大幅縮短了產品選型與設計時程。原本需跨部門多次往返確認的作業，現在可在系統中快速完成。從業務接單到工程審核、再到PM回報過程中，不再依賴個別人員的空閒狀態，避免「追進度」變成日常，有效提升了內部溝通效率，也讓工程人力從繁瑣的例行工時中釋放出來，轉向更高價值的決策任務。

優智能（GoEdge.ai）官方網站