各位朋友們好：

在五年前寫《人工智慧在台灣》時，「缺乏資料」跟「缺乏人才」就是台灣企業導入 AI 最大的關卡，不分產業、不分企業規模大小，幾乎沒有例外都遇到相同問題。五年後的今天，生成式 AI 席捲全球一年多之後，這兩個問題非但沒有解決，可能還更令企業經營者與主管們憂心。

特別是製造業，例如汽車製造、設備製造業，過去以精密技術勝出的製造業，這幾年都希望快速趕上數位轉型與 AI 浪潮，但對於如何將數據與實體產品結合、並進一步創造新的價值，卻始終存在很大的挑戰。

本期電子報特別參考 Vijay Govindarajan 和 Venkat Venkatraman 兩位學者在《哈佛商業評論》所提出的。「融合策略」其中有句話令我印象特別深刻，他們說企業要能成功融合現有實體產品和新的數位科技，必須從一開始就了解，「絕對不是在曳引機上裝台電腦那麼簡單」。

當然，很多企業在開始動手導入 AI 時，通常很快就會發現資料不夠：有些是根本沒蒐集，有些是蒐集了但沒有整理；有些是蒐集也整理了，但方向不對……資料的問題怎麼解？有家新創公司結合生成式 AI 和數位孿生技術，找到了解決方法，並在成立之初就受邀加入 NVIDIA Inception Program 的計畫。希望他們的解決方法也能給你一些啟發與新想法。

人工智慧科技基金會執行長 溫怡玲

本期目錄

• 具備場域資料與知識，工業如何運用 AI 取得最大優勢？
• AI 於瑕疵檢測的應用
• 讓智慧製造成真：數位孿生 x 合成資料 x 生成式模型

具備場域資料與知識，工業如何運用 AI 取得最大優勢？

面對生成式 AI 技術的快速發展，無論企業是否意識到，僅有製造實體產品已不足以取得競爭優勢，必須制定一套融合策略，結合實體產品與數位科技，從資料與專業領域中獲取最大價值的系統。但是，該怎麼做？

AI 於瑕疵檢測的應用

隨著人工智慧技術的發展，特別是機器學習和計算機視覺的進步，瑕疵檢測領域的技術不斷推陳出新，不僅可以結合傳統的手法提升準確率，還能透過生成式 AI 輔助生成訓練用的瑕疵資料，讓瑕疵檢測更精準、更符合快速更迭的產線週期。

讓智慧製造成真：數位孿生 x 合成資料 x 生成式模型

一直以來，製造業在邁向智慧化和數位轉型過程中，面臨的主要挑戰就是數據不足。無論是用於訓練人工智慧（AI）模型，或是進行產線優化，資料的缺乏往往成為瓶頸。然而，Met AI公司透過結合生成式 AI 和數位孿生技術，為製造業提供創新的解決方案，成功地解決了這個難題。