MASTER + AI · A DAY IN THE SHOP
老師傅帶 AI 上工：一位 CNC 老師傅與 AI 協作的一天
01為什麼用「一天」來講協作？
談 AI 進工廠，很多人腦中浮現的是「機台自己動、人被請走」。但實際落在 CNC 代工廠的，是另一種畫面：一位做了三十年的老師傅，桌上多了一個不會喊累、隨叫隨到的助手。自動化與電腦整合製造的經典論述早就指出，導入自動化的重點不是「有沒有人」，而是「人與系統各自負責哪一段」——把重複、可標準化的工作交給系統，讓人專注在判斷與例外處理[1]。
所以與其抽象地爭論「AI 會不會取代師傅」，不如具體走一遍一天。以下的「陳師傅」在一家承接鋁件與不鏽鋼板件的中小型代工廠，這天他要處理一張新進的客戶圖面。我們每一段都標出兩件事：AI 做了什麼、師傅判斷了什麼。若你想先理解「知識怎麼留下來」這個更長線的問題，可以搭配閱讀 老師傅退休，30 年經驗怎麼留下來；本篇談的則是每天的日常協作。
0207:30 收圖與 AI 讀圖
陳師傅到廠，第一件事是打開昨晚業務轉進來的客戶圖面。這次客戶給的是 DWG 原生檔，還附了一張手機拍的舊件照片。他把圖面丟進系統，AI 開始讀圖。
AI 做了什麼：辨識圖面上的尺寸標註、孔位、牙孔規格與標準加工特徵（口袋、槽、島、圓孔），把 2D 圖面初步結構化。以深度學習為基礎的圖面／特徵辨識，近年在智慧製造研究中已被驗證是可行的方法路線，能把過去仰賴人工逐一判讀的特徵，交給模型先做一版[2]。DWG 這類結構化電子檔正是辨識準確度最高的輸入。
師傅判斷了什麼：陳師傅一眼掃過那張拍照的舊件——照片有陰影和透視變形，AI 對其中一個孔到底是通孔還是盲孔標了「待確認」。他憑經驗判斷那是沉頭盲孔，手動修正。AI 讀的是「圖上畫了什麼」，師傅補的是「客戶其實想要什麼」。這一步就定調了一整天：AI 起草，師傅拍板。
0309:00 覆核 3D 模型與公差
讀完圖，AI 依辨識結果生成了 3D 模型。陳師傅泡了杯茶，開始覆核。
AI 做了什麼：把結構化的圖面資訊建成可視的 3D 實體，並由第二道獨立的 AI 將模型尺寸與原圖標註逐一交叉比對，主動把對不上的地方標紅。這種「生成一版、再用獨立機制檢查一版」的做法，呼應智慧製造文獻對深度學習系統的建議：模型的輸出必須有獨立驗證，才能在現場被信任[2]。
師傅判斷了什麼：公差與基準。圖上有幾個尺寸沒有individually標公差，AI 依一般公差通則處理；但其中一個孔位牽涉到後續裝配，陳師傅知道那裡要收緊，並重新指定了量測基準面。製造系統理論早就強調，製程規劃與決策的品質，取決於是否理解零件在整個系統中的功能與裝配意圖——這種脈絡判斷，正是人在製造系統中不可替代的位置[3]。AI 算得出尺寸對不對，算不出這個尺寸「為什麼重要」。
0410:30 檢視 AI 初版 G-code 與刀具
模型確認後，AI 依廠內設定草擬了第一版 G-code。
AI 做了什麼：參照廠內專屬刀具庫（刀具代號、標準長度、切削參數）、機台控制器方言與行程／轉速上限，生成初版加工程式，並選用實際存在於刀庫裡的刀具。因為刀具庫與機台上限被當成邊界條件輸入，AI 不會排出一把廠裡根本沒有的刀，也不會給出超過機台能力的轉速。這種把老師傅經驗「編碼成可重用規則」的思路，本質上就是自動化文獻談的製程知識標準化——讓 know-how 不再只鎖在某個人腦裡[1]。
| 環節 | AI（勤快的學徒） | 師傅（最終判斷） |
|---|---|---|
| 讀圖 | 辨識尺寸、孔位、標準特徵 | 判讀客戶意圖、修正模糊標註 |
| 建模 | 生成 3D、交叉比對尺寸 | 設定公差與基準 |
| 產碼 | 依刀庫與機台上限草擬 G-code | 審下刀順序與夾持策略 |
| 驗證 | 切削模擬、標出干涉 | 確認例外與現場狀態 |
師傅判斷了什麼：下刀順序與夾持。AI 排的粗加工路徑效率不錯，但陳師傅看出其中一段在薄壁附近下得太猛，工件可能被夾持力和切削力一起頂到變形。他調整了初、精加工的分配，也改了翻面策略。AI 給的是「一版能跑的程式」，師傅給的是「一版跑得穩的程式」。
0513:30 切削模擬與 AI 交叉比對
午休後，把修正過的程式送進 3D 切削模擬。
AI 做了什麼：在螢幕上模擬材料一層層被移除的過程，檢查過切、殘料、夾治具干涉與行程超限，並把可疑的碰撞點標出來。同時，尺寸交叉比對再跑一次，確認修改後的模型與原圖仍然一致。等於上機之前，先在虛擬世界裡把這支程式「試切」了一遍。
師傅判斷了什麼：模擬標出一處刀桿與夾具的距離偏近。陳師傅判斷這在實際夾具剛性下屬於可接受範圍，但為保險改用了較短的刀長並加了一道空跑確認。模擬能算出「幾何上會不會撞」，算不出「這台機今天的狀態撐不撐得住」——後者是站在機台前三十年累積的手感。想更完整了解模擬與雙重驗證的機制，可延伸閱讀支柱文章 BestAI CAM 自動編程完整指南。
0615:00 上機前的最終簽核
一切就緒，來到最關鍵、也最不能自動化的一步。
AI 做了什麼：整理出一份完整的準備包——3D 模型、G-code、刀具清單、模擬結果與交叉比對報告，把每個判斷節點的紀錄都留下痕跡，方便師傅一眼複查，也方便日後追溯。
師傅判斷了什麼：簽名。陳師傅逐項確認刀長補正、進退刀、行程安全與這台機當下的狀態，然後在準備包上簽核放行。這一筆簽名不是形式——它代表「由一個承擔責任的人，對這支程式上機負最終責任」。無論 AI 把前面九成的準備做得多快多好，放行這一關永遠留給人。AI 可以是最勤快的學徒，但學徒不簽名。
07下班前 帶徒弟複盤
收工前，陳師傅把今天的準備包叫出來，找來廠裡的年輕技師小林一起複盤。
AI 做了什麼：完整保留了今天每一步的版本與差異——AI 的初版下刀策略、師傅改過的版本、模擬前後的對照。這些痕跡讓「師傅到底改了什麼、為什麼改」變得看得見、可討論。
師傅判斷了什麼：怎麼教。陳師傅讓小林先看 AI 的初版，問他「你覺得哪裡有問題」，再對照自己改過的版本，把「薄壁為什麼不能這樣下刀」講出來。過去這種 know-how 只能靠站在旁邊看、慢慢意會；現在 AI 把過程留成對照組，抽象的經驗變得可複盤。這也是把個人經驗轉為組織資產的關鍵一步——讓判斷的理由被說出來、被記錄下來，而不是隨人走[1]。若想系統性規劃這條成長路徑，可參考 CNC 工程師的 AI 時代學習路徑；想從頭理解 AI CNC 的定義，可看 AI CNC 是什麼。
一天結束。AI 沒有取代陳師傅的任何一個判斷，它只是把他從「逐格建模、逐行打字、反覆試切」裡解放出來，讓他有時間做真正只有他能做的事：判斷，以及把判斷傳下去。
08常見問題 FAQ
老師傅帶 AI，是不是就等於要被 AI 取代了？
剛好相反。AI 扮演最勤快的學徒，負責讀圖、建模、草擬 G-code 與跑模擬這些耗時的準備工作；下刀策略是否合理、公差與基準怎麼設、上機前能不能簽名放行，仍由師傅判斷。AI 放大的是師傅的產能，取代的是重複性的準備工時，不是判斷力。
AI 生成的 3D 模型和 G-code，師傅每天要花多少時間覆核？
本文為假想情境，不宣稱具體節省數字。實務上覆核重點集中在少數關鍵節點：模型與原圖尺寸是否一致（由第二道 AI 先交叉比對、標出異常）、公差與基準設定、下刀與夾持策略，以及上機前的最終簽核。AI 吸收了逐格建模與打字產碼的時間，師傅的注意力得以更集中在判斷。
AI 會不會學到師傅的下刀習慣？
可以在受控範圍內學習。系統能匯入廠內刀具庫、控制器方言與歷史上驗證過的成功程式，讓 AI 生成時貼近廠內慣用的加工模式。但這是把師傅的判斷編碼成邊界條件，而不是讓 AI 自由發揮；特殊工法、翻面校正等臨場變通仍需師傅親自決定。
帶徒弟時，AI 的存在會不會讓新人學不到東西？
關鍵在怎麼用。若把 AI 產出當成教材與對照組——讓徒弟先自己判斷，再和 AI 版本比對、由師傅講評差異，AI 反而讓抽象的 know-how 變得可討論、可複盤。重點是師傅把判斷的理由說出來，AI 負責把過程留下痕跡。
新文章與影片導讀上線時通知你——不塞爆信箱，一鍵取消訂閱。
READY FOR A CONTROLLED PILOT?
讓 AI 當你師傅最勤快的那位學徒
從圖面品質、機台控制器、刀具庫到覆核簽核點，我們協助把你廠內老師傅的判斷，變成 AI 生成時的邊界條件。
聯絡導入顧問 教育訓練課程09參考文獻
- Groover, M. P. (2019). Automation, Production Systems, and Computer-Integrated Manufacturing (5th ed.). Pearson.
- Wang, J., Ma, Y., Zhang, L., Gao, R. X., & Wu, D. (2018). Deep learning for smart manufacturing: Methods and applications. Journal of Manufacturing Systems, 48, 144–156.
- Chryssolouris, G. (2006). Manufacturing Systems: Theory and Practice (2nd ed.). Springer.