從半導體 Know-How 到 AI ROI：製造 AI 如何在檳城走進營運
隨著馬來西亞半導體產業持續向價值鏈高端發展，製造企業需要的 AI，必須走出零散實驗，真正融入可治理、可複製的工作流程。
Profet AI 杰倫智能科技與馬來西亞在地夥伴 Ashisuto Global Technologies 於檳城共同舉辦「From Semiconductor Know-How to AI ROI」論壇，匯聚台灣與馬來西亞的產業觀點，共同探討製造企業如何將第一線經驗轉化為可治理、可複製的 AI 資產，推進 AI 從單一走向可被驗證的營運成果。
活動由檳州第二副首長 YB Tuan Jagdeep Singh Deo（佳日星）開場。他在致詞中特別提到，期待更多台灣企業持續前進檳城、深耕當地產業，進一步擴大雙方在製造、科技與人才領域的合作。
檳城已是馬來西亞半導體與電子製造的重要基地，並持續向 IC 設計、先進封裝與高附加價值製造發展。對前進東南亞的台灣企業而言，跨國布局的關鍵不只是移轉設備與產能，更是如何把累積多年的製程判斷、品質經驗與管理方法，帶到新的生產據點。
AI 卡住的往往不是模型，而是知識與流程之間的斷層
Profet AI 執行長特助楊建洲從台灣半導體產業的實務經驗出發，指出儘管企業規模、製程與 IT 架構各不相同，推進 AI 時往往面對相似問題，包括資料分散、知識散落在人員與系統中、AI 專案難以規模化，以及模型無法真正進入日常工作流程。
楊建洲表示：「不要只問有多少員工正在使用 AI，而要問 AI 能不能縮短特定問題的處理時間、改善一次良率，或讓新進工程師更快做出接近資深工程師的判斷。AI use case 必須從工廠已經在衡量的問題出發，才能真正連結到營運價值。」
半導體製造涉及批次、產品規格、製程配方、設備狀態、測試程式與環境條件。單一感測器數值或檢測結果，放在不同產品、設備或製程階段，可能代表完全不同的意義。AI 因此不能只分析孤立數據，而必須重建問題發生時的完整製造情境。
除了資料，企業還需要讓工程師持續教會 AI 什麼是「好的工程判斷」。模型可以找出模式與可能原因，但只有現場人員能進一步判斷證據是否充分、哪些限制條件需要考量，以及什麼行動適合當下的生產情境。透過每一次人工確認與結果回饋，企業才能逐步把個人經驗沉澱為可持續使用的組織能力。
楊建洲進一步指出：「我們的目標不是取代人，而是放大人的能力。當工程師的知識、決策邏輯與工作流程被轉化為可治理、可重複使用的 AI 資產，關鍵 know-how 就不再受限於單一工程師或單一工廠，而能在適當治理下，安全地跨團隊與跨據點使用。」
這也是 Profet AI 推動 Domain Twin™ 的核心。Domain Twin™ 作為企業的中央 AI 大腦，將預測模型、領域知識、工作流程與治理機制整合起來。其中，AutoML 讓工程師能以 no-code 方式，運用結構化製造數據建立預測模型；AI Studio 則提供 agentic AI 協作環境，協助企業建立 AI 助理、數位員工，以及能與既有系統及流程連動的 AI 應用。
當 AI 進入工作流程，治理也不能留到部署完成後才補上。企業必須能追蹤由誰發出任務、AI 使用哪些資料、工具與模型、執行哪些行動，以及最終產生什麼結果。唯有建立從身分、權限到執行結果的完整紀錄，AI 才能在可控、可管、可稽核的架構下，從單一產線擴展至多廠區與跨國營運。
OSAT 的下一階段，不只是更高度的自動化
台灣人工智慧協會顧問謝禮宗則從 OSAT 產業切入，將討論進一步延伸到企業的營運與決策模式。OSAT 業者正同時面對先進封裝技術發展、產品與製程複雜度提高、成本與交期壓力、人才短缺，以及供應鏈不確定性。傳統自動化擅長按照既定規則執行任務，但當生產條件快速變化、異常原因彼此影響，企業需要的不只是更快執行，而是更快理解情境並做出判斷。
AI 因此開始進入研發與製程創新、生產與設備、品質、供應鏈，以及能源管理等不同營運環節。它可以協助工程團隊縮小參數搜尋範圍、提前辨識設備與品質風險，或在訂單、產能、庫存與能源之間提供更即時的決策依據。
但應用案例增加，不代表企業已經完成 AI 轉型。如果不同部門各自建立模型、資料環境與操作流程，AI 反而可能形成新的資訊孤島。要讓應用持續擴大，企業需要共用的 AI 與資料平台、清楚的治理與資安機制，以及能讓工程、IT、資料團隊與管理者共同參與的組織能力。
「當 AI 從 Copilot 走向 Coworker，它將進入每天的工作與決策，並在每一次回饋中持續理解企業。真正需要改變的，不只是系統，而是企業如何設計流程、培養人才，以及重新定義人與 AI 的分工。」謝禮宗表示。
當設備出現異常風險時，AI 不應只顯示一個預測結果，而應能彙整相關製程紀錄、比對過往案例、提出檢查順序、通知負責人員，並追蹤後續處理結果。AI 的價值也因此從「提供答案」，轉向「協助工作完成」。
這並不代表將所有決策交給 AI，而是重新設計人與 AI 的分工。哪些任務可以自動執行、哪些操作需要人工確認、哪些決策必須保留專家覆核，都需要被清楚定義並完整追蹤。
因此，AI 轉型不能只被視為 IT 專案。它同時牽涉工作流程、決策權責、人才發展與管理制度。當 AI 真正進入日常營運，改變的就不只是一項技術，而是整個組織理解問題與採取行動的方式。
從產業採用走向可驗證的營運成果
馬來西亞半導體產業協會（MSIA）技術總監 Duncan Lee 從當地產業現況出發，指出馬來西亞企業對 AI 的採用正在提升，但下一階段的重點，是從一般工具使用走向更深入的企業級應用。對半導體製造而言，AI 必須建立在完整的自動化、資料與跨部門基礎上，才能支援更全面的製造決策，而不只是解決個別問題。
Ashisuto Global Technologies 的COO Tham Kok Tong 則透過馬來西亞製造案例，分享企業從需求盤點、資料準備到現場驗證的導入過程。無論是透過製程與品質資料預測產品瑕疵，或利用感測器與設備資料判斷機台狀態，案例的共同點都是先從明確的營運問題與可衡量指標出發。
企業需要確認問題是否對應實際的生產或品質指標、現場是否具備足夠且可用的資料、模型結果能否轉化為具體行動，以及導入後的改善能否被持續衡量。當問題、資料與行動無法連結，再好的模型也難以產生營運價值。
真正的挑戰，是讓 AI 進入每天的決策
活動最後由日本駐檳城總領事町田慎也致詞，為這場串聯台灣、馬來西亞與日本產業觀點的交流畫下句點。
從技術、人才到營運流程，製造業真正的挑戰不是再做一個 PoC，而是讓 AI 進入企業每天的決策，並持續創造可被驗證的營運成果。
Profet AI 將持續把台灣累積的製造 AI 經驗帶往更多市場，攜手在地夥伴與製造企業，將第一線 know-how 轉化為可治理、可複製的 AI 資產，推進 AI 從案例走向 ROI。