AI 熱潮持續延燒，從生成式 AI 到多元應用場景，話題不斷升溫。然而，觀察近年產業導入 AI 的現況可見，多數企業仍以單點式 POC（概念驗證）專案作為起步，雖能在短期內展現成效，卻難以支撐長期轉型。

隨著演算法日趨成熟、硬體成本降低，AI 瑕疵檢測幾乎已成為企業導入 AI 的標準起點，市場上提供相關解決方案的供應商亦眾。成立於 2015 年的偲倢科技（Spingence），早期聚焦於 AOI（Automated Optical Inspection，自動光學檢測）瑕疵檢測的 AI 應用，開發出成熟的產品平台，支援多元產業檢測場景，並入選 NVIDIA Inception 計畫，成為亞洲智慧製造的代表之一。

這幾年，偲倢以「流程穩定」與「數據整合」為雙核心，發展出多項對應策略與工具。例如，建置一套從資料標註、模型訓練、設備推論到現場部署皆可模組化操作的完整 AI 工具鏈，大幅降低導入門檻與訓練成本。尤其針對少量瑕疵樣本的場景，也引入生成式 AI 技術，協助客戶模擬異常圖像，加速模型學習並回應品牌客戶對高標準品質的要求。

偲倢科技執行長陳青煒觀察到，瑕疵檢測市場雖穩定但碎片化，無論是連接器、散熱模組還是光學元件，每一類產品都需不同的檢測架構與資料模型。

他認為，對新創而言，好的技術與產品固然重要，但若缺乏有效的市場推進與合作策略，創新難以擴散。對新創而言，若仍停留在單點導入與效率優化階段，將難以在下一波競爭中突圍。因此，偲倢選擇將重心放在高價值產業，並專注與龍頭客戶深度合作。將成長模式建立在與客戶共同進化的基礎上，透過長期合作累積信任與技術深度，實現彼此成長的循環。陳青煒說，這樣的策略雖非快速擴張，卻是穩健而長期的賽道，讓企業能在深化技術與信任基礎的同時，逐步拓展可延展的 AI 生態。

偲倢也與研華、中華開發創新加速器等夥伴，擴展至半導體、車用電子與連接器等高精密產業，累積超過數百套 AI 導入實績。目前，其瑕疵檢測方案已穩定運行於半導體、被動元件與連接器等製造現場，協助客戶提升檢測效率與良率，推動產業邁向智慧製造的下一階段。

與研華合作，建立韌性供應與品牌信任

偲倢科技與研華（Advantech）的合作，不僅止於股權投資，更是一場從硬體整合到生態共創的長期策略聯盟。研華在偲倢早期成長階段即提供資金與技術資源，協助公司穩健發展，同時在地端 AI 平台事業中，扮演了關鍵的技術支援者與市場推進夥伴角色。

這項投資不僅是資金挹注，更代表產業的信任與技術背書，使偲倢能在研發密集、資本消耗高的 AI 領域持續深耕，而不必被短期營收壓力所限制。

在地端大型語言模型平台（AGI/EdgeStar）事業中，研華也 是偲倢最關鍵的硬體夥伴。雙方以「硬體帶動軟體」的策略為核心，將軟體平台與研華硬體方案整合出貨。客戶在採購 GPU Server 或工業電腦（IPC）時，即可同步獲得 EdgeStar 的 AI 工具套件，形成一體化的解決方案。

這樣的商業設計，讓偲倢得以以「軟體無償、硬體獲利」的模式維持市場競爭力，既降低客戶導入門檻、提升採用意願，也確保企業能在可持續的商業基礎上持續創新與擴展。

LLM 崛起帶來的 AI 應用

至於近幾年大語言模型（ LLM）的崛起，是否注入新的變數與機會？這也是許多製造業十分好奇的地方。陳青煒認為，較為常見的延伸方向多半是在良率與製程分析，或人員教育訓練。他將應用大致分成幾個面向，分別是：現場端、系統端，以及生產流程與報告。

現場端可以看到在生產現場的應用包括智慧助理，它能協助新進人員快速熟悉設備操作與流程，將過去必須翻閱操作手冊的訓練模式，轉化為可直接與系統對話的互動式學習。透過自然語言詢問即可獲得即時回應，不僅節省查找時間，也減輕主管的培訓負擔。這類應用對於人員流動率高、需要快速上線的製造現場，尤其具有顯著效益。

而在系統端的應用則可以看到，在隨著製造業版圖全球化，語言溝通成為跨廠協作的一大挑戰。雖然現有翻譯工具（如 Teams）能部分協助，但仍難達到精確同步。例如從中國移到越南、美國、墨西哥、泰國等地，語言溝通就變成很大的挑戰。雖然有像 Teams 這樣的平台可以翻譯，但整體還是有落差。

理想的狀況是讓會議語音能即時轉譯為多語版本，並確保技術用語正確無誤。這需要模型在企業自有資料上進行專業訓練，才能提升準確度。陳青煒解釋，若使用者用 ChatGPT 將中文翻成日文，但對方並不懂日文，就無法判斷翻得對不對。問題不在模型能力，而在如何確保輸出的正確性。他指出，光是「翻譯」這一環節，便涉及內部文件管理、跨區教育訓練及協作流程等多項配合機制，因此跨國企業對這類系統化解決方案的需求正快速增加。

所以光是「翻譯」這件事情，在內部流程上就有很多要配合的地方。尤其跨國企業裡，不同地區的協作、文件、教育訓練，這些都需要系統性的解決方案。我們現在也有客戶正在討論這樣的應用。

第三個面向則是生產流程與報告。舉例來說，許多企業開始嘗試將瑕疵檢測資料庫結合 VLM（Vision-Language Model）技術，讓系統能自動生成報告。以常見的 FACA 報告為例，過去工程師需耗時撰寫與比對，如今可由模型自動生成初稿，再由人員檢核，大幅節省時間。這類應用的價值不在於提升良率，而在於釋放工程師時間，將人力資源投入更具創造力的任務中。

從工具到平台：地端 AI 的新戰略

隨著偲倢從瑕疵檢測拓展至邊緣運算（Edge AI），陳青煒指出，當前資料中心（Data Center）建置速度放緩，NVIDIA 等業者紛紛尋求下一波成長動能。與此同時，地端 AI 模型的能力快速提升，雖效能仍不及雲端模型，但「已經夠用」，且能在隱私與效率間取得平衡。

「許多企業希望打造自己的 AI 系統，但不熟悉硬體架構與部署方式。」陳青煒指出，偲倢在 GPU 與硬體整合上的經驗，讓他們能提供不僅是設備，而是一整套「可內部部署」的 AI 系統管理方案，讓企業能像使用 GPT 一樣，在地端快速啟動自己的 AI 能力。

這樣的轉變，意味著產業競爭焦點正從「AI 工具」轉向「AI 平台」。業者透過成立新事業部、發展 PaaS（Platform as a Service）服務，將累積多年的硬體整合與領域知識（domain know-how）橫向擴展，意圖在資料中心放緩的趨勢下，搶佔企業內部 AI 系統的關鍵位置。

從「單點應用」邁向「平台化佈局」，不僅是企業升級的必經之路，更是台灣製造業在全球競局中重新定義競爭力的關鍵轉折。

AI 重新定義製造業競爭邏輯

AI 正重新定義製造業的競爭邏輯。當市場從單點應用邁向平台化佈局，真正的勝出者將不再是技術最先進者，而是能在客戶、資料與生態間建立長期信任連結的企業。偲倢科技的路徑，也折射出台灣新創在 AI 時代中，針對製造業從工具導入走向價值共創的關鍵轉折。