不只是功能更新！解讀 NexusAI R2026b 產品的15 項升級，如何重塑企業工作流程

企業在導入 AI 的過程中，真正卡住的地方，很少是「模型做不做得出來」。

 

比較常見的情況是資料標不完、誤判了不知道該怎麼修正、文件不敢交給 AI 處理、工程圖改版來不及核對、資料散落在不同系統查不到，或者市場上的資訊看了一堆，卻很難判斷哪些訊號真的值得提前反應。

 

AI 能不能真正創造價值，關鍵往往不在演算法本身有多強，而在於它能不能融入既有的工作流程：讓人員更快把資料準備好、更容易驗證分析結果、更放心地使用內部知識，並且把分析出來的東西，真的推進到品質改善、工程決策與市場布局裡面去。

 

NexusAI R2026b 這次針對天眼通、數據通、知識通、圖文通與市研通五大模組，一口氣推出 15 項功能更新。從企業實務的角度來看，這批更新其實不是單純在功能清單上加東西，而是補齊了 AI 導入過程中最容易卡關的幾個環節：資料製備、模型迭代、知識治理、工程協作，以及外部市場訊號的量化分析。

 

以下就從五個現場最常遇到的問題出發，聊聊這次更新到底改變了什麼。

 

天眼通：視覺 AI 難的地方，往往不在辨識，而在資料和模型能不能持續變好

製造現場導入 AI 視覺檢測，第一個卡關的地方通常不是鏡頭也不是硬體，而是資料。

 

瑕疵的形狀常常是傾斜的、不規則的，甚至細微到跟背景紋理很難分開。如果標註方式只靠傳統的矩形框選，模型學到的範圍很容易包含太多背景或不相干的特徵；再加上品項一多、角度變化大、缺陷樣本又少，人工標註幾乎注定會變成整個專案推進的瓶頸。

智慧旋轉標註：讓模型學到更貼近真實瑕疵的樣子

R2026b 新增了旋轉標註、分割多邊形線條旋轉，也加入了 KeyPoint、Segmentation 的自動標註與類別標籤能力。這項更新的意義不只是讓使用者少拉幾次框，而是讓訓練資料能更精準地描述真正要檢測的目標。

 

像是紡織布邊、金屬切削件、圓形工件、斜向條碼這類細長型或不規則的瑕疵，本來就不太適合用固定水平框去框。標註範圍貼近物件本身之後，模型受到的背景干擾會少一些，對特徵位置、方向和邊界的理解也會更準確。

 

加上跨圖複製貼上、快捷鍵跟操作防呆這些細節，原本高度依賴專職標註人員的工作，可以慢慢回到第一線品保、製程或技術人員手上。這其實才是 No-Code 真正的意義，不是把專業取消掉，而是讓最了解現場狀況的人，更容易參與資料建立跟模型改善。

從只看分數，到找出模型到底看錯了什麼

模型上線之後，很多企業習慣只看一個整體準確率或 mAP 分數就結束了。但對製造現場來說，更值得問的問題其實是：A 瑕疵被判成 B 瑕疵，到底是哪個特徵造成混淆？是拍攝角度、反光、材質、背景，還是標註本身就不太一致？哪些錯誤案例最值得優先拿出來補件、重標、再訓練？

 

R2026b 強化了 YOLO、Fast R-CNN 的混淆矩陣與錯誤案例篩選功能，也加入模型結果詳情、最佳分數顯示、圖表化檢視跟測試結果下載。有了這些，模型驗證就不再只是「分數高不高」，而是能具體回答「哪一類錯誤最需要處理」。

 

對品保跟工程團隊來說，視覺 AI 因此不再是訓練完就交出去的黑箱模型，而能慢慢變成一套可以檢視、可以回饋、可以再訓練的維運流程。模型不是驗收一次就結束，而是在每一次誤判、每一批新資料、每一次現場回饋裡持續改善。

DataMatrix 與特殊工件相容性：因應少量多樣的生產現實

少量多樣的生產模式，對檢測系統的要求本來就比較高。同一條產線上，條碼可能因為反光、偏斜、磨損或材質不同而讀不到；同一類工件，也可能隨著尺寸、批次、印刷或外觀變化增加辨識難度。系統如果只能適應固定規格，一旦切換品項就容易失去穩定性。

 

天眼通這次提升了 DataMatrix 條碼跟特殊、多樣少量工件的辨識相容性，可以看出視覺 AI 的角色正從單純的檢測站功能，慢慢延伸成更有彈性的品質資料入口。未來的檢測不會只判定良品跟不良品，也會同步留下瑕疵類型、影像證據跟批次關聯，這些資料被系統化記錄下來之後，品質管理才有機會從事後篩檢，走向更快的追溯跟預防。

 

天眼通這次更新，講白了就是讓現場更有效率地建立資料、看懂錯誤，並且讓模型一直處在可以被改善的狀態。

 

數據通：資料分析要進步，靠的不是更多圖表，而是更快找出藏在資料裡的模式

企業手上的資料愈來愈多，但真正能轉化成決策的洞察，未必跟著等比例增加。

 

製程、設備、品質、能源、研發跟營運資料往往散落在不同系統裡。就算資料已經匯出來了，工程師還是得在 Excel、統計工具跟各種報表之間來回切換，花大把時間整理跟比對，真正用來思考問題、驗證假設的時間反而被壓縮掉。

 

R2026b 對數據通的更新，從 EDA 2.0、Auto Analytics 到企業帳號整合，核心其實是讓資料分析從「操作工具」更靠近「探索問題」。

EDA 2.0：圖表不是拿來展示，而是幫你更快形成判斷

K 線圖、河流圖、Bubble Chart、Treemap、Sunburst、Circle Pack、Radar、QQ Plot、3D Bar 這些互動式圖表，看起來像是視覺化介面升級，實際上對應的是不同資料問題該用什麼方式去看。時間序列資料適合觀察波動跟突變，群組型資料需要比較不同產品或機台之間的結構，分布型資料則要確認數據有沒有偏態或離群。

 

資料視覺化真正的價值，不在於報表看起來多完整，而在於能不能幫使用者更快回答：異常是不是集中在特定時間、設備或班別？某個指標的變化只是單點波動，還是已經形成趨勢了？不同群組之間的差異值不值得追查下去？管理者看到的數字，是否有足夠的上下文可以支撐決策？

 

資料探索不再被綁死在單一圖表或固定報表格式，工程、品管跟管理端才能用更貼近問題本質的方式去理解現場。

Auto Analytics：還沒有答案之前，先讓資料幫你找方向

R2026b 新增了 t-SNE、降維分析、Kohonen Self-Organizing Map、K-Means、TwoStep Cluster、Dendrogram、Sequence Analysis 跟關聯規則等分析能力。這些方法有個共同的價值，就是幫使用者從大量資料裡找出原本沒被定義出來的群組、關聯跟異常模式。

 

製程改善這件事，問題常常不會直接對應某個超標的參數。看似相同的批次，可能背後藏著不同的操作模式；看似正常的設備，也可能慢慢跟其他設備走出不一樣的行為軌跡；有些品質異常，也不是單一因子造成的，而是幾個條件同時出現才提高了風險。

 

分群、降維跟關聯規則的意義，不是要取代工程師的判斷，而是幫工程師更早看到值得懷疑的資料結構，縮短從「資料很多」到「知道該從哪裡查」之間的距離。AI 建模也因此不用一開始就急著預測結果，可以先經過探索、分類、驗證跟假設形成，把分析基礎打得更穩。

LDAP／AD 整合：AI 要跨部門推廣，治理能力少不了

很多 AI 平台在小規模試用時表現都不錯，但導入範圍一旦擴大到多個部門、多個廠區，就容易開始卡在帳號、權限、資料範圍跟 IT 維護這些問題上。

 

R2026b 新增了 LDAP 跟 Active Directory 整合，支援企業既有的帳號架構跟 Single Sign-On 管理模式。這聽起來偏向 IT 管理，實際上卻是 AI 平台能不能被規模化推廣的必要條件。企業需要的不只是「更多人可以登入」，而是不同角色能在正確的權限下看到正確的資料，IT 團隊也能少一些重複建帳號、維護權限的成本，讓資料分析可以跨部門協作，同時還保有治理跟資安的邊界。

 

數據通這次更新的重點，是讓資料分析不只變豐富，也更容易被企業真正運用、管理並擴散。

 

知識通：企業生成式 AI 的關鍵，不是更會聊天，而是更能被管理跟追溯

生成式 AI 進到企業裡，最常被期待的就是「讓員工更快找到答案」。但企業真正要處理的問題，比一般聊天工具複雜得多。文件散落在 SOP、教育訓練、維修紀錄、DCC、ECN、品保報告跟各部門資料夾裡，不同使用者能看的內容不一樣，有些資料還不能離開企業環境，而 AI 的回答有沒有依據、能不能追溯，也直接影響使用者願不願意採信。

 

R2026b 對知識通的更新，是把生成式 AI 從單純的問答介面，推向一個受控、可查核的企業工作台。

多模態企業知識庫：讓文件不只是被存起來，而是能被讀懂

知識通新增了對 PDF、Word、PPT、Excel、圖片、文字檔跟音檔的摘要、翻譯、問答跟重點整理能力，也可以透過 OCR、表格解析跟文件圖片解析建立企業 RAG 知識庫。

 

這代表企業知識不用再靠檔名、關鍵字或資料夾結構去搜尋。使用者可以用更接近日常工作的方式提問，比如問某項設備異常的標準處理流程、某個客訴的歷史處置方式，或某份 SOP 的關鍵限制條件。重要的是，這些答案應該建立在企業內部已授權的資料來源上，讓知識從一堆文件，變成真正可以被查詢、理解跟重用的工作資產。

權限控管與部署彈性：讓企業敢把重要的知識放進 AI 裡

企業導入生成式 AI，最常見的顧慮其實不是功能，而是資料安全。哪些文件全公司都能查？哪些內容只能限定部門或人員用？哪些資料適合放雲端，哪些機敏內容得留在地端？

 

R2026b 新增了部門／群組權限、個人知識庫跟企業知識庫配置，也支援雲端或地端 LLM 部署。更重要的是，系統會記錄使用者的提問、引用來源、使用工具跟時間戳記，讓整個 AI 使用過程可以被追溯。企業 AI 成不成熟，看的不只是回答快不快，還要看效率、資料安全、權限治理跟責任歸屬能不能同時顧到。

AI Agent 與 Text-to-SQL：讓自然語言查詢開始連上營運資料

主管想知道上個月哪條產線異常停機最多，或哪些產品品質偏移最明顯，傳統做法通常得透過 IT 撈資料、人工整理、做成 Excel，然後等報表出來。

 

知識通新增了 AI Agent 跟 Text-to-SQL 能力，讓使用者可以用自然語言查詢 ERP、MES、SPC、FDC、EAP、WMS 這些系統的資料，把查文件、查資料庫、產圖表、生成報告拆成可以追蹤的任務流程。這項更新的價值，不只是讓不懂 SQL 的人也能查資料，而是降低跨系統查詢的門檻，讓提出問題、取得資料、看到結果跟後續追查，更靠近同一個工作流程。資料查詢不再完全依賴少數 IT 或分析人員，管理者跟現場主管才有機會把時間花在判斷跟改善上，而不是等資料。

8D／F8D 改善閉環：讓異常處理不只是完成一份報告

R2026b 也揭露了知識通下一階段的方向：規劃支援 D0-D8、5W2H、Why-Why、魚骨圖／5M1E、改善成效驗證、ECN／DCC 串接跟 Human-in-the-loop 人工確認。

 

這個方向值得留意，因為很多企業的品質改善流程，還是高度依賴資深人員的經驗。異常發生的時候，能不能快速提出正確的問題、找到可驗證的根因、形成改善對策，再把結論同步回寫到文件跟工程變更流程，是品質系統能不能持續進化的關鍵。AI 在這裡最適合的角色，不是取代品保或工程人員做最終判斷，而是幫忙整理歷史案例、提出根因追問、建立改善報告初稿，並且保留專業人員確認跟審核的空間。

 

知識通這次更新，指向的是讓企業知識不只「可以問」，還能安全地被使用、被驗證，並且在一次次改善中慢慢累積起來。

 

圖文通：工程圖紙不該只是靜態檔案，要能被讀、被比、被搜尋

對很多 OEM、ODM、零組件跟精密加工業者來說，工程圖是最重要的知識資產之一。但現實中，圖紙常常以 PDF、CAD、影像檔或不同版本文件的形式散落各處，報價、零件資訊、製程條件跟歷史經驗則存在 ERP、MES、Excel，或是資深工程師的腦子裡。新案一進來、客戶改版、業務要報價，往往還是得靠人工找圖、看圖、比圖、問人。

 

R2026b 對圖文通的更新，可以看成是工程資料四個階段的升級：看懂圖、找出差異、找回過去的經驗、推動後續行動。

藍圖 OCR 與表格識別：先讓工程圖能被讀懂

圖文通新增了 PDF OCR 藍圖解析，也強化了 CAD 圖紙右下角欄位、標籤、表格跟零件個數的識別能力。這不只是把圖上的文字轉出來，而是讓圖紙裡的規格、欄位、料號、版本、尺寸這些資訊，有機會被轉換成可搜尋、可比對、可串接的結構化資料。對接單跟工程前置流程來說，人工讀圖、抄欄位、拆解零件的時間可以少一些，因為人工輸入或遺漏造成的後續錯誤也能跟著減少。更重要的是，工程圖資訊一旦結構化，後面才有機會連上報價、BOM、工序規劃跟知識重用。

圖差析：工程變更管理不該只靠肉眼

客戶設計圖改版時，最怕的往往不是大幅變動，而是那些容易被忽略的小差異。一個孔徑、一處公差、一條線段、一項文字註記，只要在新舊版本比對時被漏掉，就可能造成錯料、重工、報廢，甚至影響交期跟客戶信任。

 

R2026b 開發了圖片、PDF 跟不同版本 CAD 圖紙的視覺差異比對能力，透過高亮標示幫工程人員找出版次之間的細微變動。圖差析的價值不只是加快審圖速度，更是把原本高度依賴個人經驗跟注意力的工程變更流程，轉成可以核對、可以溝通、可以追蹤的標準作業。業務、PM、工程跟產線能更快掌握變更內容，圖紙改版也就不再只是工程部門一個人的事。

自然語言 CAD 搜尋：讓歷史圖紙跟報價經驗重新被找到

很多企業累積了數十年的圖紙資料，但真正要用的時候常常找不到。檔名不一致、資料夾亂、舊圖沒標籤、歷史報價散在不同系統，讓新進工程師、業務或 PM 很難快速找到可參考的類似案例，結果往往是重新畫圖、重新估價，把已經走過一次的流程再走一遍。

 

圖文通新增了結合 LLM 跟 ERP／MES 資料庫的自然語言搜尋能力，讓使用者可以用文字找圖、用文字找文，查詢類似圖紙、規格、歷史資料跟相關決策。這項更新真正解決的是企業的技術記憶問題。舊圖、舊報價、舊工序跟過往決策能被更容易找回來，資深人員的經驗才不會只停留在個人腦袋裡，而能慢慢變成整個團隊都能用的資產。

圖像／影音轉換與維修教學：從工程資料延伸到實際執行

圖文通也提出手繪或拍照圖片轉 CAD、依設計圖拆解加工圖並生成 CAM 機台程式，以及結合機台維修影片、照片跟智慧眼鏡的維修教學應用方向。這幾項還屬於延伸開發跟落地應用的路徑，但代表一個值得留意的趨勢：工程資訊不再只是被保存跟查詢，而有機會直接推動後續加工、維修、教學跟現場作業。對傳統製造業來說這格外重要，因為很多既有知識還存在手繪草圖、現場照片、維修影片跟老師傅口述裡，這些非結構化內容一旦能被轉換成可理解、可檢索、可操作的數位資訊，企業就能縮短從接到需求到實際上線之間的落差。

圖文通這次更新的核心，不只是加快讀圖速度，而是讓工程圖紙從一堆檔案，慢慢變成能驅動報價、變更管理、製程規劃跟人才傳承的數位資產。

 

市研通：市場 AI 的價值，不是預測更多，而是知道哪些訊號值得提前反應

市場決策常常卡在一個矛盾裡：資訊很多，能拿來行動的判斷卻很少。

 

全球經貿新聞、社群討論、Google 搜尋趨勢、關稅政策、利率、原物料價格跟地緣事件，每天都可能影響企業的市場規劃、採購策略跟庫存決策。但如果沒有方法把這些訊息跟企業內部的訂單、CRM、庫存跟採購資料連起來，多數市場情報就只能停在「知道發生了什麼事」，很難回答「這件事跟我們有什麼關係」。

 

R2026b 對市研通的更新，就是在處理這個問題。

把外部雜訊轉成可以驗證的先行指標

市研通整合了全球經貿新聞、社群平台動態跟 Google Trends 這些外部非結構化資料，並串接企業內部 ERP、CRM、庫存跟採購資訊，建立事件、時間跟區域之間的量化分析能力。企業真正需要辨識的不是所有熱門話題，而是哪個事件可能影響特定市場或產品需求、話題可能持續多久、影響會先出現在採購還是訂單、哪個區域或產業值得優先投入資源。市場資料因此不再只是報告素材，而有機會變成比較早出現的決策訊號。

從猜市場，到檢驗決策風險

市研通也提出了 Precision、Recall、Win Rate 跟情境沙盤推演這些策略指標。市場預測不該只被理解成猜對或猜錯，而要進一步評估模型有沒有抓到真正重要的訊號、會不會錯過高風險或高機會的事件、不同決策門檻下企業願意承受多少誤判、市場情境一旦改變，採購跟業務策略有沒有替代方案。這比單純得到一句「價格會上漲」更有價值，因為真正的決策需要的不只是方向，還包括可信度、時間提前量跟可行動的範圍。

 

市研通這次更新的意義，是讓外部市場變化不再只能憑直覺解讀，而能逐步被納入企業自己的資料節奏跟決策流程裡。

 

從功能更新，看 AI 導入方式正在怎麼改變

R2026b 的 15 項升級，表面上涵蓋標註、圖表、分群、權限、RAG、AI Agent、OCR、圖差析、CAD 搜尋跟市場推演這些不同的功能。但從企業工作流程的角度來看，它們共同在做的其實是幾件事：讓資料更容易被準備好，讓模型更容易被驗證跟持續改善，讓企業知識能更安全地被查詢跟使用，讓工程資訊更快轉化成報價、變更跟製程行動，也讓市場訊號更早進到採購、營運跟策略判斷裡。

 

AI 導入從來就不該只是一個模型、一套系統，或是一次性的 PoC 成果。真正能被企業長期用下去的 AI，得進得了現場流程、被不同角色理解、守得住資料治理的邊界，並且在每一次瑕疵、異常、工程變更跟市場決策裡，留下可以累積的改善經驗。

 

R2026b 呈現的，不只是五大模組的功能演進，更像是一條從資料、知識到行動的企業 AI 落地路徑。

想深入了解 NexusAI R2026b 更新版，能夠在AI導入戰略面如何幫助你的企業，歡迎提出你的需求！