SHOP-FLOOR WISDOM × AI
老師傅的 10 個加工口訣，AI 學得會幾個？
00口訣，是壓縮過的工程經驗
先說清楚：本文列的這些加工口訣不是國家標準、也不是哪本教科書的定義，而是台灣加工廠一代傳一代、在機台旁邊講出來的通則性智慧，各廠說法還略有差異。但它們能流傳幾十年，靠的不是順口，而是背後多半對得上製造工程的原理。把口訣當成「壓縮過的工程經驗」來讀，正好是檢驗老師傅 AI CNC 這個命題的好方法：AI 能不能學會，取決於口訣裡的智慧是「可寫成規則的策略」還是「只能靠人臨場給的判斷」。以下 10 條，逐一拆給你看。
01先粗後精
口訣：先用大刀大切深把料快速去掉，再換小刀、小切深修出尺寸與表面。
原理：粗加工的任務是效率地移除材料，精加工才負責精度與表面品質；製造工程教材把切削參數對表面粗糙度與尺寸精度的影響講得很清楚，兩者的目標本就不同，混在一起做只會兩頭落空（Kalpakjian & Schmid, 2020）[3]。更關鍵的是，大量去料會釋放材料內的殘留應力讓工件微微變形，留一刀精修正好把變形吃掉。
AI 學得會嗎？→ 會。這是可標準化的策略，AI 能從廠內歷史成功程式歸納粗精分配，並以刀具庫與參數上限為邊界生成路徑。
02基準面先做
口訣：先把基準面、基準邊加工出來，後面所有尺寸都從它量起。
原理：基準統一是尺寸精度的地基。每換一次量測起點就多累積一次誤差，基準亂跳的工件到最後往往「每個尺寸單看都對、裝起來就不合」。這是幾何公差與定位設計的核心觀念，也是自動化與製程規劃文獻反覆強調的標準化重點（Groover, 2019）[1]。
AI 學得會嗎？→ 會。基準選擇有明確的規則邏輯，AI 可依圖面基準標註與加工順序建議合理的基準面。
03一次裝夾做到底
口訣：能一次夾好做完的，就別拆下來重夾。
原理：每一次重新裝夾，都是一次重新定位、一次新的誤差來源。減少裝夾次數就是減少誤差累積，也縮短工時——這正是製程規劃裡「工序合併」的價值（Groover, 2019）[1]。當然，能不能一次做完還要看機台軸數與夾治具。
AI 學得會嗎？→ 大致會。裝夾次數最小化的規劃邏輯可運算；但夾治具設計與翻面策略仍常需師傅拍板。
04薄的最後銑
口訣：薄壁、薄底這種軟趴趴的部位，留到最後再銑。
原理：工件在還有厚料撐著時剛性最好，先把需要力氣的加工做完，把最容易讓工件變形、震刀的薄壁留到最後、用輕切削收尾，變形與顫振的風險最低。刀具—工件系統的剛性與加工變形關係，是製造工程的基本盤（Kalpakjian & Schmid, 2020）[3]。
AI 學得會嗎？→ 大致會。「先剛後柔」的加工順序可寫成規則；但實際留多少餘量、走幾刀，仍要看師傅對這個料的手感。
05圖看三遍再上機
口訣：程式跑之前，圖至少看三遍，公差、基準、數量對過再說。
原理：加工的錯誤成本是往後遞增的——圖上看漏一個公差，到試切、甚至撞機才發現，返工與停線的代價比多看兩眼大得多。自動化文獻談製程可靠度時，一貫主張把驗證往前挪、在源頭攔錯（Groover, 2019）[1]。
AI 學得會嗎？→ 會，而且這是 AI 的強項。獨立的第二道 AI 能把 3D 模型尺寸與原圖標註逐一交叉比對、主動標出異常，等於一台不會累、不會跳行的「看圖機器」。
06急件更要照步來
口訣：越急的單，越要照步驟走，別為了快跳過檢查。
原理：急件出包的代價通常比一般件更高，因為它本來就沒有重做的時間。省掉模擬、省掉首件確認換來的「快」，一旦撞機或報廢，反而更慢。製程紀律與標準作業的價值，在越趕的時候越明顯（Groover, 2019）[1]。
AI 學得會嗎？→ 會，甚至比人更穩。AI 不會因為趕就跳步，模擬與尺寸驗證照跑；急件的「快」應該來自準備快，而不是省步驟。
07聽聲音判刀況
口訣：切削的聲音一變、鐵屑顏色一不對，就知道刀要換了。
原理：刀具磨耗與異常確實會反映在振動、聲射與主軸負載等訊號上。用感測器搭配深度學習做刀具狀態與製程監控，在智慧製造研究中已是活躍且成熟的方向（Wang et al., 2018）[2]。
AI 學得會嗎？→ 只學得會一部分。感測器能量化訊號，但老師傅把聲音、鐵屑顏色、手上震動一起整合的臨場判讀，目前很難完整複製——這仍偏向人的專業。
08慢工出細活
口訣：要好的表面與精度，該慢的地方就得慢下來。
原理：進給、轉速與切深的搭配直接決定表面粗糙度與尺寸穩定，這部分教科書給得出通則（Kalpakjian & Schmid, 2020）[3]。但「慢工」不是一味慢——太慢反而讓刀在同一處磨、積屑瘤上身、表面更糟。真正的手藝，是知道這一刀該慢、下一刀可以快。
AI 學得會嗎？→ 學不全。參數的基本範圍可標準化，但「這一刀慢一點」的火候拿捏，靠的是師傅對材料與機台狀態的手感。
09刀是耗材，手是本錢
口訣：刀斷了再買就有，人的手受傷了換不回來——安全永遠擺第一。
原理：這一條談的不是切削力學，而是價值排序：任何加工決策，安全與人的價值都在效率與良率之上。它提醒的是「什麼事情不能為了快而妥協」，屬於現場文化與職安判斷，不是能被最佳化函數算出來的目標。
AI 學得會嗎？→ 學不會。這是價值判斷，不是可運算的策略。AI 可以守住轉速、行程等安全邊界，但「什麼比效率更重要」的排序，得由人來定。
10懷疑就停
口訣：只要覺得哪裡怪怪的、說不上來，先停下來確認再說。
原理：老師傅那個「怪怪的」，是多年經驗累積出的異常直覺——往往先於任何儀表報警。機器學習能對已知模式做異常偵測，但也承認：面對訓練資料沒涵蓋過的新狀況，模型的可靠度會下降，需要人來把關（Wang et al., 2018）[2]。
AI 學得會嗎？→ 學不全。AI 能對已知異常示警、幫忙「多一雙眼睛」；但那種對未知狀況喊停的直覺，仍是人的專業。
11AI 學得會幾個？6/10 的誠實盤點
把 10 條攤開看，界線其實很清楚：可標準化、可從歷史程式歸納的策略，AI 學得會；靠耳朵、手感、臨場直覺與價值排序的，AI 學不會。
| 加工口訣 | 本質 | AI 學得會嗎 |
|---|---|---|
| 先粗後精 | 可標準化策略 | 會 |
| 基準面先做 | 規則邏輯 | 會 |
| 一次裝夾做到底 | 工序規劃 | 大致會 |
| 薄的最後銑 | 加工順序規則 | 大致會 |
| 圖看三遍再上機 | 交叉驗證 | 會（強項） |
| 急件更要照步來 | 製程紀律 | 會 |
| 聽聲音判刀況 | 多感官臨場 | 只學一部分 |
| 慢工出細活 | 火候手感 | 學不全 |
| 刀是耗材，手是本錢 | 價值判斷 | 學不會 |
| 懷疑就停 | 異常直覺 | 學不全 |
算下來，可標準化的六條 AI 學得會，靠手感臨場與價值判斷的四條學不會——大約 6/10。這個數字重點不在多寡，而在告訴我們該怎麼分工：讓 AI 去做那 6 條——讀圖、建模、產碼、依廠內刀具庫與行程上限草擬粗精分配、再用獨立 AI 交叉驗證尺寸；把那 4 條留給師傅——聽聲音、拿捏火候、守安全、對未知喊停。智慧製造的研究一再指出，AI 系統的輸出需要獨立機制與人的判斷來背書才能在現場建立可信度（Wang et al., 2018）[2]。
這正是 human-in-the-loop 的意義：AI 加速能標準化的部分，老師傅保留公差、基準、特殊工法與上機前的最終簽核。想更完整了解怎麼把師傅的經驗留成廠內資產，可延伸閱讀我們的老師傅經驗傳承實務與AI 師徒協作流程；對品牌核心概念不熟的，先看什麼是 AI CNC，或回產品首頁與技術專欄。
12常見問題 FAQ
這些加工口訣是誰訂的？有官方標準嗎？
沒有。這 10 條是台灣工廠代代口耳相傳的通則性智慧，不是官方或國際標準，各廠說法也略有出入。但它們能流傳，是因為背後多半對得上可用製造工程學解釋的原理。把口訣當「壓縮過的工程經驗」來讀，比當口號背誦更有價值。
AI 學得會這些口訣，是不是就能取代老師傅了？
不能。以本文的盤點，10 條約有 6 條可標準化、AI 學得會，另外 4 條靠耳朵、手感、直覺與價值判斷，AI 學不全。正確定位是 human-in-the-loop：AI 加速可標準化的部分，老師傅保留最後的判斷與簽核。
「聽聲音判刀況」AI 真的做不到嗎？
做得到一部分。感測器搭配深度學習能監測振動、聲射與主軸負載來判斷刀具磨耗與異常。難的是老師傅把聲音、鐵屑顏色、手上震動一起整合的臨場判讀，這種多感官經驗目前很難完整複製，仍偏向人的專業。
像「先粗後精」這種口訣，AI 是怎麼學的？
透過把口訣背後的策略標準化。先粗後精對應「先大量去料、再小切深修精度與表面」的加工邏輯，可寫成規則、也可從廠內歷史成功程式歸納。AI 生成路徑與參數時，會以廠內刀具庫、行程與轉速上限為邊界草擬粗精分配，再交技師覆核與上機前確認。
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。
TURN SHOP-FLOOR WISDOM INTO ASSETS
把師傅口訣裡「能標準化的那 6 條」，變成廠內的 AI 產能
從圖面辨識、刀具庫建檔到 G-code 生成與尺寸交叉驗證，我們協助你把可標準化的加工策略沉澱下來，讓老師傅專心做只有人做得到的事。
聯絡導入顧問 教育訓練課程13參考文獻
- 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.
- Kalpakjian, S., & Schmid, S. R. (2020). Manufacturing Engineering and Technology (8th ed.). Pearson.