VIDEO REVIEW · TACIT KNOWLEDGE
AI 編不了 G-code？從老師傅的隱性知識看 AI 編程的真實邊界
01這支影片在講什麼
這支 2026 年 2 月發布的中文影片，標題就帶著反差感：「AI 攻克不了的領域竟然是它？揭秘 CNC 編程為何讓 AI 束手無策」。上傳至今累積超過 2 萬次觀看，在中文 CNC 內容裡是難得認真拆問題的一支[1]。
影片沒有停在「AI 不行」的情緒，而是給了完整的章節結構：材料的複雜性、刀具與機床的個體差異、共振問題、環境因素、裝夾的藝術、隱性知識，最後以「人機協作是未來方向」收尾，並給 CNC 編程師三點建議[1]。這個結構本身就值得學：它把一句籠統的「AI 做不到」拆成了六個可以逐項討論的技術問題。
02影片的六層拆解：從材料批次到機床脾氣
影片前半段列舉的難點，每個做現場的人都會點頭：
- 材料：同樣叫 45# 鋼，不同批次、不同熱處理狀態，適用參數就不同——資料表給的是起點，不是答案。
- 刀具與機床的個體差異：同型號刀具的實際狀態、每台機床的剛性與磨損程度都不一樣。
- 共振：影片說每台機床有自己的「脾氣」——特定轉速下的振動行為是機台個體的屬性，寫在任何手冊之外。
- 環境：溫度、濕度、甚至地基，都會影響高精度加工的表現。
- 裝夾：薄壁件夾多緊才不變形，是手上的功夫。
影片也給了它對現狀的評估：AI 編程軟體已有進步，簡單零件可觀地提速（影片估計三到四成以上），但複雜零件仍靠人工，且所有 AI 輸出都需要人工檢查——它稱之為「效率悖論」[1]。
03最硬的一層：聲音、鐵屑與「感覺」
影片把最難的一層留給隱性知識（tacit knowledge）：老師傅聽切削聲音就知道刀還行不行、看鐵屑顏色形狀就知道參數對不對、手一摸就知道表面到不到位。這些判斷快、準，但說不出完整規則——連老師傅自己都說不清楚「為什麼知道」，自然難以直接寫進演算法[1]。
這層觀察與我們在〈老師傅要退休了，30 年經驗怎麼留下來？〉討論的困境完全一致：台灣加工業真正的資產不在機台，在人腦裡那套沒有文件化的判斷系統。影片的貢獻是把「AI 取代論」的討論拉回正確的層次——問題不是 AI 會不會寫 G-code（語法層面它會），而是 G-code 背後那些依賴現場感知的決策，目前仍在人的手上。
04學理檢驗：哪些成立，哪些正在改變
用文獻對照，影片的主要論點站得住，但有兩個值得補充的「正在改變」：
第一，「聽聲音」正在被工程化。切削監測領域三十年來做的正是這件事：用力、振動、聲射（acoustic emission）等感測訊號監測刀具磨損與切削狀態——本質上就是把老師傅的耳朵變成感測器加演算法[2]。它還沒到取代人的程度，但「感覺無法數位化」的絕對說法，在監測這個子領域已經鬆動。
第二，資料閉環確實是關鍵瓶頸，這與學界共識一致。製造業機器學習的回顧研究指出，資料取得、標注與跨情境泛化是普遍挑戰[3]——影片說「數據閉環缺失是最大技術瓶頸」，方向是對的。也因此，願意在自家場景累積資料、建立驗證迴路的工具與工廠，進步速度會與其他人拉開。
至於材料、振動與環境對加工的影響，本來就是製造工程教科書的基本內容[4]——影片用現場語言把它們講活了，這正是好的技術科普。
05台灣廠的務實路徑：分工，而不是等 AI 全能
影片的結論是人機協作，我們完全同意，而且可以更具體：把工作按「可規則化程度」分工。
| 工作 | 性質 | 今天該給誰 |
|---|---|---|
| 讀圖、建 3D 模型 | 規則性高、耗時 | AI（人審核） |
| 依刀具庫與機台限制產 G-code | 規則性高、組合多 | AI（人審核） |
| 過切、干涉、撞刀檢查 | 可模擬驗證 | 3D 切削模擬 |
| 公差取捨、基準、特殊工法 | 依賴經驗判斷 | 人 |
| 批次材料、裝夾手感、現場微調 | 隱性知識 | 人（老師傅） |
BestAI CAM 的設計就是這個分工的落實：AI 接手 2D 圖面到 G-code 的準備鏈，依廠內刀具庫與機台上限生成程式並強制模擬，獨立 AI 交叉比對尺寸——而公差、基準、工法與上機決定，永遠留給專業人員。老師傅的「感覺」不必跟 AI 比，它該被用在 AI 做不到的地方，並且透過〈師徒協作流程〉一點一點變成廠裡留得下來的資產。
06常見問題 FAQ
影片說 AI 編不了 G-code，是真的嗎？
要分層看。語法層面 AI 寫得出 G-code；影片真正的論點是：G-code 背後的決策依賴材料批次、機台個體差異、共振行為、環境與裝夾手感這些現場資訊，而這些難以完整數位化。所以務實的結論不是「AI 不能用」，而是 AI 輸出必須配模擬驗證與人工把關。
老師傅聽聲音、看鐵屑的功夫，AI 真的學不會嗎？
切削監測研究三十年來一直在把聲音與振動變成感測訊號與演算法，刀具磨損監測已有成熟應用——「耳朵」正在被工程化，但綜合判斷仍遠不及老師傅。合理的預期是：感測輔助越來越強，最終判斷仍在人，且老師傅的經驗值得用系統化方式記錄傳承。
簡單零件提速三四成、複雜零件靠人工，這個說法可信嗎？
這是影片自己的估計，我們無法獨立證實具體數字，引用時應標明出處。但「規則性高的工作提速明顯、依賴判斷的工作仍靠人」這個方向，與製造業機器學習文獻及各家 AI CAM 工具的實測影片一致，可作為導入評估的合理預期框架。
台灣廠該怎麼開始人機協作？
按可規則化程度分工：讓 AI 接讀圖、建模、依刀具庫產 G-code 這些規則性高的準備工作，配切削模擬與尺寸交叉驗證；公差、基準、特殊工法與上機決定由人把關。從一張真實圖面的受控試點開始，量測工時差，再決定擴大範圍。
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。
HUMAN + AI, PROPERLY DIVIDED
把規則性的交給 AI，把判斷留給老師傅
從讀圖到 G-code 的準備鏈交給 AI 加速，模擬與尺寸交叉驗證補上風險，關鍵決策永遠在人手上——這才是可導入的人機協作。
聯絡導入顧問 教育訓練課程07參考文獻
- Timber & Tech（YouTube）。AI攻克不了的领域竟然是它？揭秘CNC编程为何让AI束手无策｜G代码（2026-02-09 發布）。youtube.com/watch?v=IU7e0t2ZpH0
- Teti, R., Jemielniak, K., O'Donnell, G., & Dornfeld, D. (2010). Advanced monitoring of machining operations. CIRP Annals, 59(2), 717–739.
- 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.
- Kalpakjian, S., & Schmid, S. R. (2020). Manufacturing Engineering and Technology (8th ed.). Pearson.