工業AI邁向規模化導入 AVEVA以資料基礎串聯工程與營運

(中央社財經訊息服務20261106 11:02:16)2026 AVEVA台灣技術峰會聚焦Industrial AI CONNECT與數位孿生

人工智慧正加速進入工業現場，然而要從單點試驗走向穩定營運，企業仍須建立連貫且可信賴的資料基礎。AVEVA（劍維軟體）於10月29日在台北成功舉辦「2026 AVEVA台灣技術峰會」，以「加速工業智慧，共創產業新未來」為主題，聚焦工業AI、工業資料平台、AVEVA CONNECT、數位孿生、智慧製造與工程數位化，探討AI如何實際應用於製造、能源、化工、醫療及工程場域。

台灣製造業進入AI規模化導入關鍵期

台灣企業對AI的關注，已轉化為明確的導入行動。財團法人人工智慧科技基金會發布的《2026台灣產業AI化大調查》顯示，傳統製造業中，進入AI導入驗證階段（Ready AI）或AI規模化應用階段（Scaling AI）的企業合計占38.5%，但達到規模化應用階段者僅占15.4%。另一方面，中華經濟研究院的另一項調查採用較寬的統計口徑，顯示69.0%的製造業者已導入、正在評估或規劃AI。在已導入AI的企業中，流程自動化占58.6%，物聯網與感測資料應用占27.8%，智慧生產或無人工廠占18.3%。

兩項調查呈現相同趨勢：企業對AI的需求已經成形，如何縮短試行與規模化應用之間的距離，將是下一階段的重點。

製造現場並不缺少資料。設備運轉、製程參數、歷史紀錄、工程圖資與資產資訊持續產生，卻往往分散在HMI、SCADA、MES、歷史資料庫及工程系統中，並由不同團隊分別管理。若缺少一致的工業情境，即使將資料送入AI模型，也難以支援可靠判斷。

AVEVA資深副總裁 / PI System 業務全球負責人Harpreet Gulati指出，「對工業企業而言，挑戰不在意願，而在基礎架構。要安全且大規模部署AI，所需的營運資料、工程資料、工作流程與合規架構，很少能有系統地整合在一起。」

讓資料帶著工業情境進入AI

AVEVA台灣銷售總經理黃瑞珩將這項能力概括為工業智慧：「差別不在資料蒐集，而在智慧創新。領先企業能將營運資料轉化為決策、績效與創新。」

這表示企業必須保留資料與設備、流程、工程條件及營運目標之間的關聯，讓工程、生產、維護與管理團隊能依據同一套事實分析問題。

資料協作也需要跨越組織邊界。AVEVA與IMD商學院於2026年發布的首份工業智慧報告，彙整12個產業、超過275位資深主管的觀點。調查顯示，74%的受訪者將數位生態系視為重要策略議題，但只有27%表示正與生態系夥伴進行實質或廣泛的資料共享。願景與執行之間的落差顯示，企業除了建立串接能力，也需要明確的資料治理、權限管理與協作機制。

為達成這項目標，AVEVA透過CONNECT工業智慧平台與PI Data Infrastructure串聯現場及企業層級資料。AVEVA在2026年5月舉行的AVEVA World 2026期間公布多項產品進展。CONNECT中的Flows可運用800多個協定連接器，串接工業及企業系統，並在邊緣端、地端或雲端即時處理資料，進行清理、篩選、轉換與資訊補充。AVEVA也計畫於2027年第1季在CONNECT導入工業知識圖譜（Knowledge Graph）與數位孿生建構工具，運用代理式AI協助對應既有資料來源與標準模型，同時保留資料血緣與治理資訊。這些能力可協助企業減少長期累積的點對點整合，讓可用資料更快進入分析、模擬與AI工作流程。

AVEVA也提升PI Data Infrastructure中PI Server針對企業級分析與AI工作負載的效能及擴充能力，並簡化現場資料的擷取、管理及傳送至CONNECT的流程。AVEVA Operations Control則透過CONNECT串聯HMI、SCADA與企業系統，並支援在邊緣端部署以C#或Python開發的AI演算法。企業可依即時性、資料主權與合規需求，搭配邊緣端、地端及雲端，無須將所有工業資料集中於單一環境。

數位孿生串聯工程與營運

當即時營運資料與工程及資產資訊建立關聯，數位孿生便能從靜態模型發展為持續更新的決策環境。AVEVA副總裁、亞太區售前負責人Shenoy Janardhan認為，持續演進的數位孿生應串聯工程、營運與企業管理系統，並透過語意（Semantics）及知識圖譜（Knowledge Graph）保留工業情境，協助企業從「掌握現場」進一步走向預測、協調與最佳化。數位孿生因此不再侷限於單一設備，也能涵蓋資產生命週期、跨廠區協作及更廣泛的產業生態系。

本次台灣技術峰會透過在地實務案例呈現這項發展。台化、李長榮等企業將從製造、能源、醫療及工程領域的實際應用出發，說明工業資料如何從單點監控進一步支援跨系統協作與智慧決策。

這些應用來自不同產業，但推動路徑相近：先讓即時資料與歷史資訊可供使用，再補上工程與資產的情境脈絡，最後將預測結果帶回具體工作流程。唯有建立從資料、模型到行動的完整回饋流程，工業AI才能持續改善設備可靠度、製程效率與能源使用，而非停留在彼此孤立的分析畫面。