台灣是否能夠把握機會，在自動化典範轉移的亂局中佔有一席之地？
在先前Robotics 2.0系列文章中，我們討論了AI如何讓機器人做到過去做不到的靈巧工作，並能夠開始自主學習。第一篇文章介紹了AI如何開啟Robot2.0時代。第二篇文章則描述AI機器人在倉儲運輸業的應用，透過觀察這個新技術的第一個應用場景，來預測這一切將如何影響我們的生產力、就業狀況以及於日常生活。
這篇文章我們將聚焦目前大量運用傳統機器手臂及自動化設備，同時佔台灣產值最高(30%)的製造業。具有自主學習能力而且靈巧的AI機器人，將如何影響製造業流程及整體產業結構？供應鏈上的各廠商又該如何因應Robotics 2.0帶來的破壞性創新？
「未來已經到來，只是先被一部分人看見。」— 作家威廉．吉布森
The future is already here — it's just not very evenly distributed. — William Gibson
製造業自動化的現況
根據國際機器人聯合會(IFR)發布的最近報告，全球工業機器手臂的出貨量在2018年創下新紀錄，來到38萬4千台。其中中國仍是最大市場（佔比35%)，接著是日本，美國，台灣排名全球第六。汽車以及電子製造業依然是工業手臂的最大應用市場（佔比60%)，遠遠領先其他包含金屬，塑膠及食品等產業。具體原因我們在第一篇文章(link)中也討論過，由於傳統機器人和電腦視覺的限制，目前除汽車業和電子業以外，倉儲、農業和其他產業幾乎都還沒開始使用機械手臂。而這樣的情形將會被AI機器人及深度學習等新技術所改變。（請參考前兩篇文章）
看到這裡，你可能會想：自動化及工業機器手臂在製造業既然已經有幾十年的歷史，該自動化或可以被自動化的部分應該都已經自動化了，還有什麼創新的空間呢？
出乎意料地，就連自動化程度最高的汽車製造業，離所謂的全自動化關燈工廠（lights out factory)也還有很大一段距離。
舉例來說，汽車組裝的部分大多依然是由人工來完成。這也是車廠最勞力密集的部分，平均一間汽車工廠裡有三分之二的員工都在裝配車間。就連一向追求革新與顛覆，主張追求最高自動化的特斯拉執行長馬斯克，都不得不公開承認特斯拉生產線自動化的進度不如預期。
究竟為什麼自動化這麼困難？
自動化至今無法跨越的技術限制？
現今的自動化生產線普遍為大量生產設計，因此能有效降低成本，但也因此缺乏彈性。面對消費者越來越短的產品生命週期，越來越多的少量多樣客製化生產需求，人類往往比機器人更能夠因應新的產品線，也不需要花費很多時間去重新編寫程序或更改製造工序。
1.靈巧度與複雜度 （相關報導： Siri、Alexa說話越來越像真人的秘密：自然語言處理的終極目標──讓AI能像人類一樣讀懂文章 ｜ 更多文章 ）
儘管科技在快速進步，人類還是比機器人靈巧許多。在訪談電子代工廠商的過程中發現，儘管組裝產品(assembly)已經高度自動化，但備料(kitting)的程序還是必須由人來完成。備料在製造及倉儲業都很普遍，是提高生產效率的重要步驟。指的是把組裝產品需要的各個零散部件集合起來，打包並放置在工具包(kit)中的過程。之後機器人再從工具包中拿取各個零件並進行組裝作業，這時候因為各個零件都在一個固定的位置和角度，自動化編程相對容易。相反地，備料時必須從雜亂無序的零件盒中辨識並拿取零件，零件的位置角度不一，甚至可能重疊或纏繞在一起，這對現有的機器視覺及機器人技術都是一項挑戰。
