日本要讓 AI 學會老師傅的直覺:ROHM 與 SHIN-JIGEN 如何把「隱性知識」變成工廠模型?
30秒摘要
日本 SHIN-JIGEN 與 ROHM、Data Techno 將在 EdgeTech+ 2026 展示現場學習型 Edge AI,嘗試保存熟練技師難以言傳的操作經驗。這項技術如何運作?能否讓機器人真正學會精密作業?
重點摘要
- 01SHIN-JIGEN、ROHM、Data Techno 將於 EdgeTech+ 2026 共同展示現場學習型 Edge AI。
- 02目標是把熟練技師難以言傳的作業技巧保存成可持續學習的 AI 技能庫。
- 03關鍵技術挑戰包括感測資料品質、跨機台泛化、模型漂移與實際作業安全。
- 04目前不能把技術展示直接視為已實現的全面無人化工廠。
日本要讓 AI 學會老師傅的直覺:當工廠裡最難傳承的技術,開始被轉換成模型
2026 年 11 月 17 日,日本機器人與邊緣 AI 企業 SHIN-JIGEN 宣布,將與 ROHM(羅姆)及 Data Techno 共同參加 11 月 18 至 20 日在橫濱舉行的 EdgeTech+ 2026,展示以「現場學習型 Edge AI」將熟練工作者的隱性知識轉化為可運用技術的方案。展位為 CJ-05。這是即將公開展示的技術及企業方向,不是三家公司宣布已讓所有工廠作業全面自動化。[1][2]
一、真正難以自動化的,不一定是複雜動作
在傳統自動化中,固定位置、固定速度、固定材料的重複動作較容易用程序表示。例如機械手臂以指定路徑搬運零件,控制器只需要依序執行座標、速度與夾爪命令。但一旦材料有微小變形、振動頻率改變、接觸力略有差異,原本有效的固定程序就可能失效。
在這些情境下,熟練技師會根據多種感官訊號調整動作:聽設備運轉音色、看切削表面、感受工具阻力,或從長期經驗判斷某項異常是否值得停機。這些判斷未必能完整化為「溫度超過 X 就停止」之類的單一規則。專業知識可以透過文件記錄一部分,但在現場形成的操作節奏與判斷閾值,往往藏在難以言傳的經驗裡。
這就是 Tacit Knowledge(隱性知識)。「隱性」不代表神秘,而是表示知識難以被直接、完整地描述。學習它不只需要文字,也可能需要觀察人的操作、量測操作時的環境反應,以及持續得到正確或錯誤的回饋。
二、三家公司究竟宣布了什麼?
SHIN-JIGEN 11 月 17 日的正式公告指出,三方將展示從製造現場資料直接學習的 Edge AI,嘗試將作業訣竅與技能保存為 AI library,透過持續學習提升對現場條件的適應能力。其目標包含協助機器人再現熟練工作、提高任務成功率、改善生產節拍(Tact Time)及精度。[1]
ROHM 在 11 月 5 日的官方預告則指出,EdgeTech+ 展出核心之一是 Solist-AI,主張在邊緣裝置端即時執行學習與推論,尤其著重設備狀態監控、異常偵測和預知保養。[2] ROHM 的合作夥伴介紹也將 SHIN-JIGEN 描述為能以小型單晶片平台導入端側學習的整合業者,涵蓋需求分析、演算法開發、裝置選擇及安裝。[3]
這裡要嚴格區分三個層次:第一,廠商已正式宣布展示與技術方向;第二,官方有說明裝置端學習、異常偵測等應用場景;第三,跨工廠大規模部署、量產良率提升幅度、實際投資報酬率等,尚沒有在本次公告中提供可獨立檢驗的數據。第三層不能憑前兩層推定已實現。
三、AI 怎麼把老師傅的經驗學進去?
以下是一個工程上可行的示意流程,用來說明這類技術的運作原理;它不是本次展示所公開的完整內部架構。
第一步:量測現場。 使用麥克風、加速度計、電流感測器、力矩感測器、溫度計或視覺系統,紀錄設備與工件的狀態。不同場域需要的感測器不同,不能假設所有工廠都採用這些裝置。
第二步:建立經驗標籤或回饋。 例如讓有經驗的操作員標示正常與異常、記錄一次加工是否符合品質檢查,或使用設備停機紀錄作為事後回饋。若沒有可靠的標籤,也可能透過異常偵測學習正常狀態的分布,再對偏離模式發出警示。
第三步:模型在現場更新。 將時間序列資料輸入資源受限的小型模型。比起將所有原始資料送往遠端 GPU 伺服器,Edge AI 可在靠近設備的裝置執行推論;若硬體與模型支援,亦可在裝置端持續調整。這可以縮短資料往返,但並不意味每一款微控制器都能執行大型神經網路完整訓練。
第四步:把判斷接回作業流程。 AI 可以提示設備可能異常、建議檢修,或提供機器人控制器判斷依據。對具有安全風險的設備而言,AI 的輸出應先經過限定邊界的驗證,不應直接取代急停、硬體互鎖與安全控制系統。
第五步:從新資料繼續學習。 不同設備、磨耗程度、作業材料與環境噪音會使資料分布改變。模型需要版本記錄、回退機制與漂移監測,避免「學習新設備」之後反而忘掉舊設備的正常模式。
四、為什麼不直接把工廠資料丟給雲端大模型?
雲端大型模型適合吸收大量資料、跨場域分析與訓練複雜模型,但工廠現場有三個現實約束。
首先是延遲與連線可靠度。若設備每次偵測異常都要先經外網傳輸,網路波動就可能影響警示時效。其次是資料保密。生產參數、機台訊號、加工品質可能涉及商業機密,端側處理能減少部分資料外傳需求。第三是設備差異。即便是同一型號設備,使用年限、維修歷史與負載也可能不同。現場適應式學習能嘗試以設備自己的資料作修正。[3][4]
不過「Edge AI」不等於零成本:儲存、處理器效能、能源預算、模型更新、安全驗證都會形成限制。現實解法可能是雲端先訓練基礎模型,再在工廠端執行輕量微調或校準;也可能完全採用小型端側模型。實際選型要看任務對準確率、延遲、成本與可稽核性的要求。
五、與一般預測性維護有何不同?
傳統 Predictive Maintenance(預測性維護)通常使用溫度、振動、電流等訊號預測設備健康狀態。若演算法只判斷「這台馬達可能故障」,仍不等於掌握熟練技師的完整操作技能。
SHIN-JIGEN 的敘事向前推進一步:它想保存現場作業的訣竅,並讓機器人在不同條件下再現技能。兩者的技術距離很大。從感測器讀到可疑振動是一回事,讓機器人根據不同零件的硬度、摩擦與裝配公差,自主調整力道而穩定完成任務,則需要感知、控制與驗證的整合。
以精密插接作業為例,真正要學的可能不是單一軌跡,而是「接觸力變化時應如何微調角度」的策略。研究上常會涉及模仿學習(Imitation Learning)、力回饋控制、狀態估測與策略調整;但本次官方公告並未宣稱採用某一種特定模型或強化學習演算法,不能將這些通用方法寫成產品規格。
六、技術難點:資料多,不代表技能就能被複製
第一個難點是觀測不完整。老師傅的決策可能依賴微弱的觸覺、材料手感或過往維修背景。若感測器沒量到關鍵變數,模型再大也不一定能還原判斷。
第二是資料品質。人類示範不代表每次都正確,經驗豐富者也會偶爾失誤。模型若把偶然的操作習慣當作規則,就可能複製錯誤。
第三是罕見故障與分布轉移。模型可能在日常運作時表現良好,但遇到首次出現的工件、故障或極端環境就失效。這需要留出未見設備、未見日期與罕見情境進行測試。
第四是安全與責任。現場自主學習若直接改變機器人的動作,必須設計安全範圍、人工核准、版本管理及回退能力。降低平均誤差不足以證明系統適合處理高風險工序。
第五是技能擁有權。當技師提供自己的工作經驗,企業究竟如何取得同意、如何界定資料用途、是否給予合理回饋,都會成為管理議題。這不是單靠模型精度就能處理的問題。
七、日本製造業為何特別關注這件事?
SHIN-JIGEN 在新聞稿中明確指出,少子高齡化可能使部分熟練技能流失,希望用 AI library 保留與傳承這些能力。[1] 工程上的意義是:一家工廠不一定缺少標準作業程序,而是缺少能在例外狀況中做出良好判斷的人。
如果技術成熟,應用可能從設備異常辨識、調機輔助、作業員訓練,逐步延伸到機器人精細操作。但應區分「協助人類保存與使用知識」與「完全取代人類」。某些高變異、低頻率或需高度責任判斷的工作,仍可能需要資深技師在場。
另一條路線是知識的跨工廠傳遞。假設 A 工廠的某一設備曾發現早期磨耗徵兆,理論上可嘗試將辨識方法移植至 B 工廠。不過前提是資料格式、感測器配置及機器條件可比較;否則直接複製模型,可能造成錯誤警報。所謂技能庫更接近需要持續驗證的工程資產,不是把人的記憶像檔案一樣無損拷貝。
八、如何判斷展示是否真的具有產業價值?
比起看一段機械手臂的精采影片,更值得問的是以下幾個問題:在未曾看過的新工件上成功率多少?需要多少次示範或多少小時的資料?換機台後是否仍準確?模型持續更新會否造成退步?與原有規則式控制或單純的異常偵測相比,究竟改善多少?
如果未來廠商能公開基準條件、訓練資料規模、延遲、錯誤率、跨設備驗證與安全保護,就能更清楚地區分技術展示與可長期維護的製造系統。截至 2026 年 11 月 17 日,此次公告沒有披露足以計算成效的詳細量產測試數據。[1][2]
九、結論:AI 不只保存文件,還開始嘗試保存「怎麼做」
這則新聞代表一個值得觀察的轉向。過去企業數位化常以資料庫、操作手冊和知識管理系統保存「人知道什麼」;現場學習型 Edge AI 則試圖從感測資料與操作回饋中,保存一部分「人如何做判斷與動作」的能力。
它既不是把老師傅的整個思考方式上傳晶片,也不是宣告無人化工廠已經到來。真正的技術突破,必須證明模型能在不同設備、不同材料和意外情境中,安全且穩定地再現某些可量測的技能。若能做到,這項技術或許會成為 Physical AI 與下一代工廠自動化之間的重要橋梁。
Tech English|本文技術名詞
- Tacit Knowledge|隱性知識:難以透過文件完整描述,常透過實際經驗累積的判斷與技能。
- Edge AI|邊緣人工智慧:在靠近資料來源的裝置執行 AI 運算,減少對雲端即時連線的依賴。
- On-device Learning|裝置端學習:模型直接利用裝置取得的資料更新參數或調整判斷方式。
- Predictive Maintenance|預測性維護:分析設備訊號,提前偵測異常或估計故障風險。
- Imitation Learning|模仿學習:透過觀察示範資料學習操作策略;本文作為相關技術解說,不代表廠商已確認採用。
- Concept Drift|概念漂移:隨環境與設備條件變化,輸入資料與預測目標之間的關係改變,可能導致模型準確度下降。
資料註記:[1] SHIN-JIGEN 2026-11-17 新聞稿;[2] ROHM 2026-11-05 官方預告;[3] ROHM Solist-AI SHIN-JIGEN 夥伴頁;[4] SHIN-JIGEN 2026-10 現場學習 Edge AI 示範公告。
Core takeaway
三家日本企業將展示以現場資料學習熟練操作經驗的 Edge AI,目標是保存與重用隱性知識,但大規模工廠成效仍待驗證。
Why it matters
對製造業而言,技能傳承的瓶頸常在於難以文件化的判斷與操作細節。若端側 AI 能可靠學習這些能力,可能改善設備維護、作業訓練與機器人自動化,但也帶來安全、資料治理與技能權益議題。
Data story
02Tech index
06限制與注意
04- 01本次 11 月 17 日公告主要是展會與技術目標,並未提供大規模工廠導入後的獨立量化績效。
- 02文中感測器、模仿學習及控制迴路為一般工程原理解說,非三家企業公開確認的完整產品架構。
- 03端側學習的可行規模取決於晶片記憶體、運算與供電條件;不能推論所有大模型可在微控制器上完成訓練。
- 04AI 儲存的是可從資料學習的技能模式,並不等同完整複製人類直覺或意識。
原始來源
prtimes.jp相關公司
SHIN-JIGEN
ROHM
Data Techno
SUPPORT INDEPENDENT JOURNALISM
支持獨立科技內容
Chip Insight 不依賴廣告或付費牆。若這篇文章對你有所幫助,歡迎透過加密貨幣自願支持網站持續研究與內容製作。
了解贊助方式 →

