JAPAN VIDEO REVIEW · KAN & KOTSU
日本人說「勘とコツ」最適合 AI？11 萬人看過的製造業對談導讀
01這支對談影片在講什麼
這支影片來自 PIVOT 的新創對談節目「&POTENTIAL」，主題直白：「為什麼製造業用 AI 有效」。受訪者是京都 AI 新創エムニ（Emuni）的 CEO 下野祐太——東京大學松尾研究所（日本深度學習重鎮）出身，做過製造業的異常偵測、外觀檢查自動化與生產計畫最佳化。影片累積超過 11 萬次觀看[1]。
先說立場：本集由エムニ贊助（Sponsored by エムニ），論點來自一位 AI 服務商的視角，引用時應注明。但其論點結構清楚、可用文獻獨立檢驗——這正是本文要做的。
節目標題裡最重要的一句話：「カンコツが多い製造業は AI と相性が良い（勘與訣竅多的製造業，與 AI 相性好）」[1]。
02為什麼「靠手感」反而適合 AI
直覺上，「說不出規則的判斷」應該最難自動化——傳統軟體確實如此，因為傳統軟體需要人先把規則寫出來。但機器學習反轉了這件事：它不需要規則，只需要例子。
老師傅看一眼工件表面就知道良否，說不出完整判準——但如果有一萬張「良品／不良品」的照片，監督式學習可以直接從資料逼近這個判斷函數。製造業機器學習的回顧文獻把這類「輸入可感測、輸出可判定、規則難言明」的任務列為最典型的應用場景：外觀檢查、異常偵測、品質預測[2]。深度學習在製造的應用研究也顯示，視覺與訊號類的判斷任務是落地最快的一類[3]。
換句話說，「勘とコツ」的本質是人腦從多年例子中學出的模式——而「從例子學模式」正是機器學習的定義。這就是相性好的學理根據。
03成立的條件：手感要能變成資料
但這個論點有一個常被略過的前提：AI 學的是資料，不是手感本身。手感要先變成資料——影像、振動訊號、溫度曲線、操作記錄——AI 才有東西可學。這正是製造業 ML 文獻反覆強調的挑戰：資料取得與標注是最大瓶頸[2]。
用這個條件回看我們在中文影片篇〈老師傅的隱性知識〉整理的「AI 學不會的部分」，兩支影片其實互補而非矛盾：
| 手感類型 | 能否資料化 | AI 的角色 |
|---|---|---|
| 看外觀判良否 | 可（影像） | 外觀檢查自動化——成熟落地 |
| 聽聲音判刀況 | 可（振動／聲射訊號） | 刀況監測——研究成熟、商品化中[4] |
| 讀圖判工序 | 可（圖面即資料） | AI 讀圖、特徵辨識、工序推導——本站主題 |
| 綜合現場狀況的臨場決策 | 難（情境無法完整記錄） | 仍屬於人——human-in-the-loop 的理由 |
04台灣廠實務：把手感變資料的三個場景
台灣加工廠的「勘とコツ」一點不比日本少。依上表的邏輯，最值得先投資的三個資料化場景：
- 圖面判讀：老師傅看圖秒懂工序——這份手感的載體（圖面）天生就是資料。AI 讀圖建模、推導工序與程式，是資料化門檻最低、頻率最高的場景：每張單都發生，資料自動累積（見〈CNC 自動編程完整指南〉）。
- 程式審核經驗：資深者看 AI 產的程式「哪裡怪」的直覺，透過模擬與尺寸交叉驗證被結構化——每次審核的修正都是留下來的知識（協作方法見〈師徒協作流程〉）。
- 檢驗與異常記錄：把「這批怪怪的」變成有照片、有量測值的記錄，未來的外觀檢查與異常偵測 AI 才有本地資料可用。
影片的結論值得再說一次：製造業與 AI 相性好，不是因為 AI 萬能，而是因為這個產業累積了大量「有例子可學」的判斷。把例子變成資料的廠，就把老師傅的手感變成了不會退休的資產——這也是 BestAI CAM 從讀圖那一步就開始做的事。
05常見問題 FAQ
「勘とコツ多的產業適合 AI」和「隱性知識難數位化」矛盾嗎？
不矛盾，是同一件事的兩半。關鍵在能否資料化：看外觀、聽聲音、讀圖面這類判斷，輸入可以被記錄成影像、訊號或圖檔，AI 能從例子學；而綜合現場情境的臨場決策難以完整記錄，仍屬於人。務實的做法是把可資料化的交給 AI，其餘保留 human-in-the-loop。
中小廠沒有大量標注資料，AI 還學得動嗎？
分場景。圖面判讀不需要你自備訓練資料——AI 讀圖工具已在大量圖面上訓練過，你的圖面進門即可用；外觀檢查等場景則需要累積本地良品／不良品樣本。所以合理的順序是：先用現成的 AI 讀圖產碼（零資料門檻），同時開始累積檢驗記錄，為下一步鋪路。
這支影片是贊助內容，論點還可信嗎？
本集由受訪新創エムニ贊助，選例與立場自然偏向 AI 服務商視角，引用時應注明。但「規則難言明、例子可判定的任務適合機器學習」這個核心論點，可由獨立的學術文獻支持（製造業 ML 回顧、深度學習應用研究），不依賴節目本身的公信力。
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。
DATA-FY YOUR KNOW-HOW
從讀圖開始，把廠裡的手感變成留得下的資產
每張圖面走一遍 AI 讀圖、建模、產碼、模擬、驗證——判斷的例子自動變成資料，老師傅的功夫不再只存在腦裡。
聯絡導入顧問 教育訓練課程06參考文獻
- PIVOT 公式チャンネル（YouTube）。【なぜ製造業にAIが効くのか】新番組「&POTENTIAL」で紐解く製造業×AI活用の可能性（2025-08-06 發布，Sponsored by エムニ）。youtube.com/watch?v=KuUw090PQGE
- 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.
- 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.
- Teti, R., Jemielniak, K., O'Donnell, G., & Dornfeld, D. (2010). Advanced monitoring of machining operations. CIRP Annals, 59(2), 717–739.