KNOWLEDGE TRANSFER FOR CNC SHOPS
老師傅要退休了，30 年加工經驗怎麼留下來？AI 知識傳承實務
01什麼是 AI 知識傳承？把老師傅的經驗變成知識庫
老師傅 AI 知識傳承，指的是用人工智慧把資深技師累積數十年的加工 know-how「經驗知識庫化」——不是替師傅寫回憶錄，而是把廠內已經存在、卻散落各處的經驗資產（跑成功的加工程式、刀具庫、標準參數、量測紀錄）整理成結構化、可檢索、可被 AI 學習的知識庫。當新程式要編、新圖面要建模時，AI 便能依這座知識庫草擬做法，再交由師傅審核。
這正是電腦整合製造（CIM）長期追求的目標：把製程知識從個人的隱性經驗，轉為組織可重複使用的資產，減少因人員異動造成的品質波動（Groover, 2019）[1]。換句話說，CNC 經驗傳承的關鍵不在「多請幾個學徒」，而在於讓經驗本身變成一種留得住、調得出、教得動的東西。
02技術斷層：加工廠最貴的隱形成本
製造現場的競爭力，向來高度依賴人員的知識與決策品質，而不只是機台規格——這是製造系統理論反覆強調的觀點（Chryssolouris, 2006）[2]。問題是，這份最關鍵的資產綁在少數幾位老師傅身上，一旦退休或離職，就會出現所謂的技術斷層：
- 品質忽高忽低：同一張圖，老師傅編的程式一次到位，接手的人卻要試切好幾輪，尺寸與表面粗糙度開始飄。
- 報價與交期變保守：沒人敢拍板難件能不能做、要花多久，只好把價格與工期都抓寬，訂單競爭力下降。
- 踩已經填過的坑：某支刀在某種材料上會讓、某個夾持角度會震——這些教訓沒被記錄，新人只能用報廢的工件重新學一次。
放到大環境看，這並非單一工廠的問題。世界經濟論壇的研究指出，製造業正面臨顯著的技能缺口與再培訓需求擴大的壓力[4]；當資深人力退場的速度快過新人養成的速度，經驗傳承就從「該做的事」變成「不做會流血的事」。技術斷層之所以是最貴的隱形成本，是因為它不會出現在任何一張報表上，卻天天在報廢、返工與流失的訂單裡結算。
03老師傅腦中的三種 know-how，為什麼難以文件化
很多老闆試過「請師傅把經驗寫下來」，結果多半失敗。原因是師傅的經驗大部分是隱性知識（tacit knowledge），本來就難以用言語窮盡。大致可分三類：
- 程序型 know-how：下刀順序、粗精加工分配、翻面與夾持策略。這類知識藏在「跑成功的那支程式」裡，師傅講不完整，但程式本身把它記錄了下來。
- 參數型 know-how：某材料配某支刀該用多少轉速、進給與切深。它散在師傅的手感與零星筆記中，也沉澱在刀具庫與標準參數表裡。
- 判斷型 know-how：什麼時候該換刀、圖面標註看起來怪要不要先問客戶、這個公差用三軸能不能守得住。這一類最靠情境與經驗，也是最該留給人來拍板的部分。
關鍵洞察在於：程序型與參數型知識，其實早已以「資料」的形式存在廠內，只是沒被整理成可用的樣子。AI 知識傳承要做的第一步，就是把這些沉睡的資料喚醒。
04AI 如何把經驗知識庫化：歷史程式、刀具庫、標準參數
機器學習之所以能用在製造，正是因為它擅長從既有的製程資料中萃取規律，把過去的成功經驗轉化為可複用的決策依據（Wuest et al., 2016）[3]。落到 CNC 加工廠，AI 學習的對象是三種廠內就有的真實資產：
| 經驗資產 | 知識庫化之後，AI 能做什麼 |
|---|---|
| 歷史上跑成功的加工程式 | 學習廠內慣用的下刀順序與加工策略，草擬新程式時貼近老師傅的做法 |
| 專屬刀具庫（刀號、標準長度、切削參數） | 選用實際存在的刀具與已驗證的參數，降低刀長設定錯誤與撞機風險 |
| 標準參數表與機台上限（行程、轉速） | 生成時即以廠內標準為邊界條件，避免超出機台能力的程式 |
要特別界定清楚：AI 並不是憑空「發明」師傅的手藝，而是從歷史成功程式、刀具庫與標準參數中學習，把經驗知識庫化。當一張新圖面進來，系統會依這座知識庫草擬 3D 模型、選刀與 G-code，並可搭配 3D 切削模擬與獨立 AI 的尺寸交叉比對先做一輪自我檢查。但這些產出仍是「草稿」——它是師傅經驗的延伸與加速，不是最終定案。也因此，機器學習文獻同時提醒：模型的可靠度取決於資料品質，且需要領域專家把關才能落地（Wuest et al., 2016）[3]。垃圾進、垃圾出，把失敗的程式也一起餵進去，AI 只會學到失敗。
05Human-in-the-loop 與導入實務：AI 放大師傅，不是取代
整套方法的定位必須講白：AI 放大師傅，不是取代師傅。AI 接手的是耗時、重複、可從歷史資料歸納的工作——讀圖、建模、依知識庫草擬程式、跑模擬與交叉比對；師傅保留的是最需要臨場判斷的一關——公差與基準的確認、特殊工法的變通、以及上機前的最終簽核。兩者各做最擅長的事，整體反而比全人工或全自動都更穩。這條 human-in-the-loop 路線，也讓「經驗傳承」從一次性的口耳相傳，變成每天都在累積的循環。導入時建議照下列步驟走：
- 盤點並清洗經驗資產：找出真正跑成功、品質合格的歷史程式與對應刀具、參數，剔除失敗與廢棄版本——這一步決定知識庫的品質上限。
- 建立刀具庫與標準參數：把刀號、標準長度、切削參數與機台行程／轉速上限先建檔，讓 AI 生成一開始就受廠內條件約束。
- 以真實案件做受控試點：選一張中等複雜度的實際圖面，走完「圖面 → 3D → G-code → 模擬 → 師傅覆核」，把師傅的每一次修正回饋進知識庫。
- 明定人工簽核點：把公差、基準、特殊工法與上機前確認寫進 SOP，讓「哪些由 AI、哪些由師傅」變成制度而非默契。
- 依機密等級選部署：NDA 或高機密案件的完全離線地端部署為發展路線，屆時知識庫與模型都不出廠。
想了解 AI 讀圖建模、產碼與驗證的完整技術鏈，可延伸閱讀《CNC 自動編程完整指南》；若你面對的是更前端的人力問題，《CNC 缺工自救指南》談的是同一套邏輯如何讓一個人顧更多機台；已經用了多年 Mastercam 的廠，則可參考《AI CAM 是取代還是加值？》，看知識庫如何與既有 CAM 投資共存。
06常見問題 FAQ
導入老師傅 AI 會取代現場師傅嗎？
不會。AI 的角色是把師傅的加工經驗知識庫化並加速重複性工作，公差判讀、基準設定、特殊工法與上機前的最終簽核仍由師傅決定。正確定位是 human-in-the-loop——AI 放大師傅的產能，而不是取代師傅的判斷。
老師傅的經驗多半沒有寫成文件，只在腦子裡，AI 學得起來嗎？
AI 不是去讀不存在的文件，而是從廠內已經留下的資產學習：歷史上跑成功的加工程式、刀具庫的刀號與切削參數、標準參數表與量測結果。這些是師傅經驗的具體結晶，把它們結構化、可檢索，就等於把腦中的隱性知識逐步顯性化。
導入 AI 知識傳承，老師傅需要配合做什麼？
師傅的核心工作是「審核與標註」，而非從頭教學。AI 依歷史資料草擬建模、選刀與程式後，由師傅確認或修正；每一次修正都被回饋進知識庫，讓系統越用越貼近廠內慣用做法。師傅不需要會寫程式或懂 AI。
把廠內經驗與客戶圖面交給 AI，機密會外洩嗎？
涉及 NDA 或高機密產品時，不應使用聯網公共 AI 服務。完全離線的地端部署為發展路線，依現場需求評估；屆時知識庫與模型都在廠內專屬伺服器獨立運算，歷史程式、刀具參數、圖面與客戶名稱皆不出廠，讓經驗資產既能傳承又受控。
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。
DON'T LET 30 YEARS WALK OUT THE DOOR
趁老師傅還在，把經驗留成工廠的資產
從盤點歷史成功程式、建立刀具庫到規劃人工簽核點，我們協助你把師傅的 know-how 逐步知識庫化，用一張真實圖面驗證成效。
聯絡導入顧問 教育訓練課程07參考文獻
- Groover, M. P. (2019). Automation, Production Systems, and Computer-Integrated Manufacturing (5th ed.). Pearson.
- Chryssolouris, G. (2006). Manufacturing Systems: Theory and Practice (2nd ed.). Springer.
- Wuest, T., Weimer, D., Irgens, C., & Thoben, K.-D. (2016). Machine learning in manufacturing: advantages, challenges, and applications. Production & Manufacturing Research, 4(1), 23–45.
- World Economic Forum (2023). The Future of Jobs Report 2023. World Economic Forum.