AI應用在品質管理的典範 - BOSCH Invented For Life  (上)

✎【Mealcourt LLC】陳宏毅 總裁  |   2025-07-10

       提到BOSCH，就一定也要提到BOSCH Center for Artificial Intelligence ( BCAI, https://www.bosch-ai.com )。 BCAI  是BOSCH在2017年成立的專門AI研發中心，是BOSCH集團內，驅動當下數位化和智慧化的戰略核心。 它透過全球化的研究佈局、平台建設，致力於BOSCH「零缺點」製造願景，也正日益由各項AI的投入逐一實現當中。  2024 年至 2025 年，BCAI 在部署AI技術以提升BOSCH全球工廠的品質管理方面取得了重大進展。這些進展涵蓋用於自動檢測的AI視覺系統、用於知識和數據分析的大型語言模型(Large Language Model，LLM) 以及用於早期故障檢測的”預測性維護演算法”。 本篇文章特別以BOSCH作為案例，介紹幾項技術在BOSCH工廠的實施過程、成果，以及BCAI 研發解決方案所應對的挑戰。身為AI工業工程時代的一份子，相信這會是很有養分的一個實際案例！ 

■ AI視覺檢測系統

 ◆ 視覺檢測系統說明

        BCAI 開發了先進的智能視覺解決方案，用於自動化和增強製造業的光學品質檢測。BOSCH的一項旗艦計畫是其視覺品質檢測 (Visual Quality Inspection, VQI) 平台，它是一個基於AI的系統，利用深度學習透過影像檢測產品的缺陷。傳統的機器視覺系統需要針對每種產品進行客製化，並且可能會因環境的細微變化而出現故障。 而BOSCH的AI視覺系統則利用類神經網路（包括convolutional models甚至generative adversarial networks）來更穩定地學習缺陷型態。  例如，BOSCH的 VQI 使用Transfer Learning，它可以透過一個智能模型能夠適應多種不同的產品或組件，從而減少了從頭開始，逐一建立新解決方案的需求。到 2024 年，這些AI視覺解決方案已整合到BOSCH的組裝生產線上，用於對從汽車燃油噴射器，到電子產品等各種零件進行自動光學檢測。

◆工廠部署和時間表

       AI視覺檢測的原型已經在BOSCH德國工廠進行了首次的在線測試。 此外，BOSCH研究院開發了視覺檢測助手 (Visual Inspection Assistant ，ViPAS) ， 就是個新一代自動光學檢測原型，並在BOSCH位於紐倫堡 (Nürnberg  or Nuremberg) 和斯圖加特 費爾巴赫 (Stuttgart-Feuerbach) 的工廠進行了測試。在2024年的各個試點，ViPAS經過12,000次測試程序後，缺陷檢測成功率高達99.9%。測試結果證明，該系統能夠精準的捕捉微小瑕疵，其可靠性堪比（甚至優於）人工檢測員。 

       在試點運作之後，BOSCH開始將ViPAS的組件整合到現有的自動化產品中，並在更多工廠擴大評估範圍。截至2024年底，全球已有超過20家BOSCH工廠採用AI機器視覺進行品質控制，採用BOSCH專用機械部門和BOSCH AI中心 (BCAI) 開發的解決方案。這些系統，可以檢測出不容易察覺的缺陷，例如細微刮痕、表面崩裂或焊接缺陷，而這些缺陷是人工偵測員很可能遺漏的。

       值得注意的是，BOSCH旗下一家重要的發動機零件工廠－費爾巴哈(Feuerbach) 工廠，在2024年將燃油噴射零組件的”全人工目視檢測”過渡到AI輔助光學檢測。同時，希爾德斯海姆 (Hildesheim) 工廠試行了馬達生產的AI視覺檢測：利用生成式AI模型產生的合成影像，訓練馬達銅線焊接檢測系統。 2024年的這些試點計畫為2025年及以後的更廣泛擴大奠定了基礎，BOSCH將繼續致力於在所有生產線上配備AI強化的品質檢測系統。

◆ 技術與平台

       BOSCH 的 AI 視覺系統就是把最新的AI技術和 BOSCH 自行開發的工業設備進行整合。 簡單來說，工廠裡會安裝高解析度的攝影機和 2D 或 3D 感測器，去拍攝生產線上的產品。這些影像會交給 AI 模型來分析——通常是「Convolutional Neural Networks（CNN）」，這是一種擅長影像圖形辨識的深度學習技術。為了讓 AI 更聰明，BOSCH 還加入了遷移學習(Transfer Learning)和資料擴增(Data Augmentation)這些方法，讓模型能更快學會怎麼找出缺陷。 但最特別的是，BCAI 團隊還在 2024 年開始嘗試用「生成式 AI數據」來生成訓練系統的圖像資料，也就是說，當工廠沒有足夠的真實缺陷照片歷史數據時，AI 可以自己生成透過模擬的缺陷影像來訓練系統。這對於那些缺陷很少見、資料不好收集的產品非常大的幫助。 

        例如，BCAI 建立了一套「基礎視覺模型」，它從 BOSCH 全球製造網路中收集了大量的產品影像資料，再用 AI 模擬出各種產品變體和缺陷類型來強化模型。這樣訓練出來的 AI 模型可以辨識很多不同款式和樣子的產品，也能找出各式各樣的問題，對於產品經常變動、多樣少量生產的工廠來說，是非常實用的。 這些 AI 模型會透過 BOSCH 自家開發的平台「Nexeed」來整合進生產系統，它可以把攝影機和感測器的資料串在一起，把 AI 的分析結果即時傳送給現場的作業員看。

       為了反應更快，這些 AI 系統通常會直接在工廠裡的本地伺服器或邊緣設備上執行，像是在機台旁的小型電腦；而更大的模型訓練工作，則是在 BOSCH 自己建的資料中心或雲端上處理——他們每天要儲存並分析來自工廠生產的大量數據（每天可能有數十億筆），因此 BOSCH 也有建置完整的大數據基礎設施來支援這些運算需求。

◆ 對品質 KPI的 影響

       BOSCH 推出的 AI 視覺檢測系統，讓他們在品控方面的成效大幅提升，不論是準確度還是效率性都有顯著進步。根據 BOSCH 自己的數據，他們的 AI 檢測系統在找出產品缺陷的準確率，比人工目視檢查還要高出 40%。因為 AI 不會累，也不會因為換人檢查而產生標準不一致的問題，所以整體檢查的穩定性也更高。 

       舉個例子來說，在 BOSCH 德國費爾巴哈的工廠，2024 年開始導入新一代 AI 演算法後，原本每個零件要花 3.5 分鐘才能檢查完，現在縮短到只要 3 分鐘就完成，而且準確率沒有下降。這表示他們的品質檢查流程變得更快、更有效率。

       另一家工廠，希爾德斯海姆的電機產線，也做了一項很特別的試驗，他們用「合成圖像」來訓練 AI 模型（也就是用 AI 自己生出模擬圖像當訓練資料），結果讓新系統的導入時間整整縮短了六個月！因為導入快、錯過缺陷的情況變少、產量又提升，整體估算一年下來至少可以幫公司多賺六位數歐元。 

       而那些比較早期導入 BOSCH AI 視覺系統的工廠，也都有很明顯的改善。例如 BOSCH 位在布萊夏赫的 ABS/ESP 零件工廠，他們的生產中斷事件減少了 25%，這是因為 AI 可以提早發現問題，在它變嚴重之前就提醒維修或調整。

       前面提到的一個很厲害的系統ViPAS，在 BOSCH 自家內部測試中竟然達到了 99.9% 的檢測率，幾乎是「零缺陷」的表現！這樣的系統不只保證產品在離開產線前都沒問題，還能提升顧客的滿意度，甚至降低保固維修的費用。

       最後值得一提的是，這些 AI 系統並不是要取代人，而是人機協作。它們可以自動處理重複性高的例行檢查工作，讓現場的品管人員可以專心去做更重要的事情，比如分析為什麼會有問題，找出根本原因，進一步提升整體品質。

◆ 主要挑戰和 BCAI 的解決方案

       在製造業導入 AI 視覺系統的路上，BOSCH 和他們的 AI 團隊 BCAI 面臨不少挑戰，我們舉幾個例子來說，他們是怎麼來克服的。

       首先，訓練 AI 模型最難的一點就是—— 要有足夠多、足夠準確的資料。尤其是那些「缺陷影像」，往往非常罕見，不容易收集到。為了解決這個問題，BCAI 想出了一個聰明的方法：用生成式 AI 來「製造出」假的缺陷圖，這些合成影像能補足真實資料的不足，幫助模型學會更多缺陷類型。另外，他們也利用「遷移學習」這種技巧，簡單來說就是先讓模型在某一類產品上學習，然後再把這些學到的經驗套用到其他類似產品上，這樣一來不用從零開始，訓練的時間也更快。

       接著是系統的靈活性問題。BOSCH 工廠生產的產品超過數千種，而且每條生產線的攝影機安裝位置、光線條件都不一樣。傳統的 AI 系統很難應對這麼多變數，常常需要重新寫很多程式碼來調整。但 BOSCH 的新 AI 解決方案用的是「深度學習」，它可以像人一樣從例子中「學會」怎麼判斷，而不是只能依照固定規則。這讓 AI 模型能自己適應不同環境，不管產品怎麼變、光線怎麼變，依然可以保持高準確度。

       BOSCH 也很重視 AI 系統跟現場設備的整合。比方說，他們的 AI 檢測系統可以直接跟生產線上的可程式化邏輯控制器（programmable logic controller， PLC）連線，當發現有瑕疵的零件時，系統可以自動讓那個零件被挑出，或提醒操作員，而不會影響整條生產線繼續運作。

       為了讓這些系統更容易使用，BOSCH 設計了一些很直覺的操作介面。例如 ViPAS 系統，它的操作畫面是圖形化的，就算是沒有寫程式背景的技術人員，只要提供幾張範例圖，就可以訓練出新的 AI 檢測模型，完全不用寫一行程式碼。這大大降低了導入 AI 的難度。

       最後，BOSCH 也非常重視資料安全和使用者隱私，確保這些 AI 系統在處理工廠資料時是安全可靠的。

■ 大型語言模型在製造品質管理的應用

◆ 系統說明

       在 AI 電腦視覺領域之外，BOSCH 最近也開始積極探索另一種 AI 技術——就是像 ChatGPT 這種大型語言模型，看看它能不能幫助改善生產和品質管理流程。

這些 LLM最厲害的地方是：它們可以閱讀、理解，甚至幫忙整理大量的文字資料。BOSCH 發現，工廠裡每天都會產生很多作業紀錄、維修日誌、品質報告等文字資料，過去這些內容很難即時被使用或找出重點，但現在可以透過 AI 幫忙快速搜尋、分析、甚至提出建議。

       在 2024 年，BOSCH 就啟動了一個內部計畫，正式讓「生成式 AI」開始參與工廠營運。其中一個最有代表性的應用叫做 AskBosch，簡單來說，它就像是 BOSCH 自家的 ChatGPT。員工可以用自然語言（像聊天一樣）問問題，AskBosch 就會從公司龐大的內部知識庫、技術文件或報告中找出答案給你，省下翻資料的時間。

       到了 2024 年底，BOSCH 甚至還做了一系列教育訓練影片，名字就叫 「ChatGPT 與 AskBosch 解碼」，幫助更多員工了解 LLM 是什麼、怎麼使用、在工廠裡能解決哪些實際問題。這也顯示出 BOSCH 並不是為了趕 AI 熱潮才做這些事，而是很實際地推動員工去理解、操作，甚至在工作流程中落實這些技術。

       這背後的推動力，就是 BOSCH 的 AI 團隊 BCAI，他們的角色已經不只是開發技術，更是讓 AI 真正成為現場能用的工具，讓整個公司從管理到現場都能更聰明、更有效率地運作。

◆ 品質管理應用

       雖然像 ChatGPT 這樣的大型語言模型還是相對新的技術，但 BOSCH 已經開始在工廠裡嘗試把它應用在品質相關的工作上，特別是在「知識管理」與「故障排除」這兩方面。

       想像一下，工廠裡每天會產生很多文字紀錄：維修日誌、測試報告、操作手冊、品管紀錄等。這些資料通常是雜亂無章的，過去如果工程師要解決某個生產問題，得花很多時間慢慢翻資料、找答案。

       現在有了 LLM 技術，工程師可以直接對 AI 說：「幫我整理 X 生產線過去出現的焊接缺陷，並分析可能的原因」。AI 就會在幾秒鐘內把過去的紀錄翻出來、統整成摘要，幫助他們更快找出問題的根本原因。BOSCH 推出的 AskBosch 系統就是往這個方向邁進的一大步。它讓員工像跟人聊天一樣跟公司資料庫互動，不需要關鍵字、不需要知道在哪裡找，只要說出想問的問題就行了。

       另一個很有潛力的應用是：訓練新手和產線說明文件的自動產生。LLM 可以根據技術手冊自動轉換成一份簡單好懂的操作指令，還能依照不同工廠的實際環境做出客製化調整。這樣一來，不只能提高新進員工的學習速度，也能確保大家都依照標準流程操作，提高整體品質的一致性。

       BOSCH 甚至更進一步思考：如果 LLM 能整合現場感測器的資料（像溫度、速度、缺陷率）會怎樣？這就進入所謂的 AIoT（人工智慧 + 物聯網） 的範疇。舉例來說，AI 可以結合文字紀錄和即時感測資料，回答這種複雜問題：「為什麼上禮拜缺陷率突然上升？是不是跟某台機器異常有關？有什麼維修紀錄提到這件事？」

       雖然這類 AIoT 應用目前還在試驗中，但 BOSCH 顯然是非常有前瞻性。他們在 2024 年已經展開一項新計畫，要訓練一個專門為製造業設計的 AI 模型，使用的是來自全球 230 家 BOSCH 工廠的大型資料集。這個模型目前主要用在影像分析（電腦視覺），但它的訓練方式和 LLM 的思路很像：先用大量資料訓練，再針對特定任務做微調。這表示 BOSCH 不只是用現成工具，更是從根本上在打造自己的 AI 能力，未來無論是語言任務還是感測器分析，都可以更快、更精準地應用在真實工廠中。

◆  技術平台與合作夥伴

       在開發自己的 LLM 系統時，BOSCH 採取的是「開源 + 自家開發」同時進行。他們的 AI 團隊 BCAI會先從一些現成的開源模型開始，例如 GPT-J（這是一種免費開放的大型語言模型），來研究這些模型的能力與限制。然後，BCAI 團隊會把這些模型「微調」——也就是根據 BOSCH 自家的數據來進一步訓練，讓模型更懂 BOSCH 的工作環境、用語與技術知識。這樣的模型在應用上會更準、更貼近實際需要。

       在實際部署這些 AI 系統的時候，BOSCH 非常重視資料安全。他們通常不會把 AI 系統直接放到公共雲端，而是選擇兩種方式：

• 一是放在 BOSCH 自己的資料中心，這樣所有資料都在自家掌控範圍內；

• 二是使用經過高度保護的雲端系統，但也會限制資料外流的風險。

       舉例來說，像是內部使用的 AskBosch 聊天機器人，很可能就是安裝在 BOSCH 自己的內網裡，這樣才能確保機密的工廠資料不會被外洩到公共 AI 系統中。雖然 BOSCH 還沒有公開與哪一家雲端服務商合作開發 LLM 系統，但他們在其他 AI 領域是有跟大型科技公司（例如微軟）合作的經驗（像是在自動駕駛專案中）。這也表示，BOSCH 雖然注重自主開發，但並不排斥與外部夥伴合作。另外值得一提的是，BOSCH 很早就開始建立自己的 AI 能力。從 BCAI 成立以來，他們的使命就是幫 BOSCH 打造適合自己業務的 AI 解決方案。因此，BOSCH 的 LLM 系統很可能是用像 PyTorch 或 TensorFlow 這些主流 AI 平台開發的，並使用自家的高速運算伺服器群（HPC cluster）來進行模型訓練。

       在實際工廠裡使用時，這些 LLM 工具也被做得很接地氣——操作人員可以透過筆電或手機上的聊天介面來與 AI 互動，就像用 ChatGPT 一樣簡單方便。

◆ 挑戰與解決方案

       在工廠裡使用像 ChatGPT 這樣的大型語言模型，看起來很先進，但實際上遇到不少挑戰。BOSCH 的 AI 團隊 BCAI 也很清楚這一點，也是一步一步謹慎地來面對。

       第一個挑戰是準確性。大家都知道，ChatGPT 有時候會「亂講話」，給出看似合理但其實錯誤的答案，這種情況被稱為「AI 幻覺」。但在工廠現場，如果 AI 給錯指令，後果可不只是答錯題，而可能導致設備故障、品質出錯，甚至生產線停擺。 所以，BOSCH 的做法很明確：LLM 是幫手，不是決策者。像 AskBosch 這類 AI 助理可以提供建議或資料摘要，但真正的判斷和決定，還是要由有經驗的工程師或品質專家來做最後確認。

       第二個挑戰是讓 AI 更了解工廠。ChatGPT 是讀網路上的文章長大的，但工廠用語、機器代碼、零件編號，這些通用 AI 是看不懂的。為了解決這問題，BCAI 會把 BOSCH 的技術文件、常用術語、內部資料餵給模型學習，讓它能「聽得懂行話」，回答得更精準。

       第三個大挑戰是資訊安全。工廠資料非常敏感，比如某款產品的製程細節、維修日誌、客戶機密，這些如果流到公有雲或外部 AI 系統，風險極高。所以 BOSCH 決定把生成式 AI 都放在公司內部使用，不會讓這些資料外流。

       第四個挑戰是員工教育與期望管理。AI 很熱，但也常被「炒作」。為了避免大家對 AI 有不切實際的期待，BOSCH 的技術長 Michael Bolle 博士在 2024 年就強調：要真的理解 AI 的強項和弱點。BCAI 也推出像「AskBosch 解碼」這種影片系列與內部訓練，幫助品質部門了解 AI 能做什麼、不能做什麼。

       最後一個挑戰是整合進工作流程。你不能只把 AI 丟進工廠，還得讓它用起來「順手」。BCAI 和 BOSCH 的 IT 部門合作，讓 AskBosch 這種工具可以直接整合到工程師每天在用的系統裡，比如內部網站或 Nexeed 數位儀表板。這樣大家不必切換系統，就能直接叫 AI 幫忙查資料、找錯因、提出建議。

       簡單來說，BOSCH 並沒有把 AI 當成萬能的魔法工具，而是很務實地把它當成一個可靠的幫手，慢慢教它、養它、整合它。隨著經驗累積與員工越來越熟悉這些工具，未來 LLM 很有可能成為工廠日常工作的一部分，就像 Excel、SAP 一樣普及。

受限於篇幅，我們這期就先講到這邊。下期繼續再跟大家聊這家很厲害的公司。