快速回答：製造業導入 AI 的基礎建設需求：邊緣運算（工廠端 GPU 伺服器處理即時推論，如 AOI 瑕疵檢測）、OT/IT 網路整合（工控網路安全隔離）、資料收集平台（IoT 感測器 + 時序資料庫）。建議先從一條產線做 POC（預算 50-150 萬），驗證 ROI 後再擴展。
前言：製造業 AI 導入的特殊性
製造業的 AI 導入與一般 IT 企業有本質上的差異。廠區的生產環境（OT，Operational Technology）有嚴格的即時性要求，任何系統延遲都可能影響生產線節奏。同時，工廠環境的網路架構複雜，老舊設備與現代 IT 系統並存，OT 安全也有別於傳統 IT 安全。
本文針對製造業的三大 AI 應用情境——影像辨識品管、製程分析優化、數據集中化——分別說明基礎建設的規劃重點。
一、影像辨識品管：高速儲存需求
AI 視覺品管系統透過工業相機拍攝產品影像，即時判斷是否有缺陷。這類應用對儲存系統有極高的要求。
資料量估算
- 工業相機解析度：通常 12～29MP，每張影像 10～30MB（原始 RAW 格式）
- 典型產線速度：每秒 1～10 張影像
- 單條產線每天可產生：10MB × 5 張/秒 × 86,400 秒 = 4.3TB/天
- 需保留 30 天影像作為訓練資料：4.3TB × 30 = 129TB
儲存架構建議
- 本地快速儲存：每台 AI 推論伺服器配置 NVMe SSD（建議 8TB 以上），用於即時推論的影像暫存
- 集中 NAS 儲存：高效能 NAS（支援 10GbE 或 25GbE）集中存放全廠影像，供訓練與回顧使用
- 儲存分級：近期 30 天影像存於高效能 NAS，歷史影像遷移至冷儲存（SATA HDD 或物件儲存）
網路需求
影像傳輸需要足夠的網路頻寬。每條產線建議獨立的 10GbE 網路，與工廠一般辦公網路分隔，避免頻寬競爭。
二、製程分析優化：GPU 訓練環境
製程參數（溫度、壓力、流量、轉速等）的 AI 分析，需要收集大量歷史製程數據，訓練預測模型，進而優化良率或降低能耗。
訓練資料特性
製程時序資料通常為結構化資料，單日資料量相較影像資料小得多（通常 1～100GB/天），但需要長時間的歷史數據（通常 1～3 年）才能訓練出準確的模型。
GPU 訓練伺服器規劃
- 製程優化模型通常不需要超大型 GPU 叢集，1～4 張 NVIDIA H200/B200 GPU 通常足夠
- 訓練完成後的推論模型可部署於 CPU 伺服器或邊緣 GPU（如 NVIDIA T4/L4），降低推論成本
- 建議在廠區設置邊緣 AI 伺服器，減少製程資料上傳至雲端的延遲與安全疑慮
三、數據集中化：SAN 與資料湖架構
製造業 AI 的長期效益，需要建立跨產線、跨廠區的數據集中化平台，讓不同類型的製造數據能夠整合分析。
製造數據的類型
- MES（製造執行系統）資料：工單、產量、良率、作業員資訊
- SCADA/PLC 時序資料：設備感測器數值，每秒可產生數千筆記錄
- 品質檢測影像：AI 視覺系統的拍攝結果
- 設備日誌：機台警報、維修記錄、停機紀錄
儲存架構選型
- 時序資料庫：InfluxDB、TimescaleDB 專為 SCADA 等高頻時序資料設計，查詢效率遠優於傳統關聯式資料庫
- 全快閃 SAN：MES 核心資料庫部署於全快閃 SAN，確保低延遲存取
- 資料湖（Data Lake）：建立 S3 相容的物件儲存作為資料湖，整合結構化與非結構化製造資料，供 AI 訓練平台使用
四、OT/IT 網路分區
製造業 IT/OT 融合（IT/OT Convergence）是 AI 導入的前提，但兩個網路的安全要求截然不同，必須謹慎設計分區策略。
IT/OT 分區原則（Purdue Model）
| 層級 | 說明 | 典型設備 |
|---|---|---|
| Level 0～1（OT） | 現場感測器、PLC、驅動器 | 馬達、感測器、PLC |
| Level 2（OT） | SCADA、HMI 控制系統 | SCADA Server、HMI 工作站 |
| Level 3（DMZ） | OT/IT 資料交換緩衝層 | 工業防火牆、資料二極體 |
| Level 4（IT） | MES、ERP 企業應用層 | 應用伺服器、資料庫 |
| Level 5（IT） | 企業辦公網路、雲端整合 | IT 基礎建設、AI 訓練平台 |
OT/IT 資料整合建議
- OT 資料應透過工業防火牆或資料二極體（Data Diode）單向傳輸至 IT 層，防止 IT 側的威脅影響 OT 系統
- AI 推論結果回傳至 PLC/SCADA 時，需嚴格驗證數值範圍，防止異常指令危及設備安全
- OT 網路建議定期進行資安掃描，但需使用 OT 專用的非侵入式掃描工具，避免影響實時控制系統
重點摘要
- AOI 瑕疵檢測是製造業 AI 最常見且 ROI 最高的應用
- 邊緣運算讓 AI 推論在工廠端即時完成，延遲 < 100ms
- OT/IT 網路必須安全隔離，避免 AI 系統成為攻擊入口
- 先選一條產線 POC（50-150 萬），驗證後再擴展
有任何問題，歡迎與我們討論。
預約免費架構盤點 →