7 月 15 日先知科技將舉辦【數據通 AIUPS】產品訓練，會帶大家透過數據分析預測 AI，完整跑一次資料怎麼整理、模型怎麼建立、上線後又該如何管理的流程。

建模只是起點，能不能持續運作才是關鍵

很多企業導入 AI，很自然會把焦點放在模型準確度、演算法等技術面，或是某次專案跑出來的成果漂不漂亮。但如果真的要讓 AI 在現場派上用場，光是模型能跑還不夠。資料整理得乾不乾淨？模型的判斷邏輯合不合理？預測結果進不進得了作業流程？現場資料一直在變動，模型能不能跟著更新、有沒有風險監控機制？這些問題都得一併考慮進去。

AI 要落地，靠的不是一次性的建模專案，而是資料準備、探索分析、找因子、建模、判讀、上線維運，一路串起來的完整流程。這套流程如果沒有被產品化、標準化，現場人員也看不懂、用不了，那企業的 AI 應用就很容易停在技術展示階段，進不了日常營運。

數據通 AIUPS：讓資料真正走到預測，走進現場決策

數據通 AIUPS 是先知科技 NexusAI 平台的數據分析預測模組，目的是讓企業做資料分析、AI 建模到上線應用這幾件事，可以更有效率地一次完成。平台裡的 AutoML、重要因子分析、探索式資料分析、最佳化模擬、AI Online 這些功能，都是為了幫使用者更快抓出影響品質、良率、設備穩定性或營運結果的關鍵因素，再把預測結果用在製程改善、品質預警、設備診斷、虛擬量測、參數最佳化這些場景上。

跟單點式的 AI 模型開發比起來，數據通 AIUPS 更看重的是一站式的平台能力。從資料匯入、探索、建模到上線管理，整個流程都設計成降低導入門檻，讓沒有資料科學背景的工程師、製程人員或應用團隊，也能一步步累積自己的數據分析與 AI 應用能力。

換句話說，AI 能做的事不只是「跑出一個模型」，而是幫企業更快找到問題所在、更早預測風險，把分析結果變成真正能執行的改善行動。

這次訓練要建立的，是可理解、可運作的 AI 數據能力

這次數據通 AIUPS 產品訓練不會只是介紹功能清單，而是從實務應用的角度出發，帶參與者理解 AI 數據應用的完整路徑。

訓練內容會涵蓋數據通 AIUPS 的產品架構、核心功能，以及常見的應用情境：資料怎麼準備整理、怎麼透過探索分析摸清資料特性、怎麼找出真正影響結果的關鍵因子、怎麼用 AutoML 建立預測模型，模型上線之後又該怎麼判讀、監控風險、持續維運。

完成這場訓練，參與者會更清楚數據通在企業 AI 導入流程中扮演的角色，也能知道怎麼把這套產品能力對應到製造現場常見的品質、良率、設備與營運管理需求上。

從理解產品到理解產業，建立團隊共同語言

對產品、業務、售前、專案和技術團隊來說，搞懂數據通 AIUPS 不只是學會用一套工具，更重要的是在面對客戶需求時，大家能有一套共同的語言。

客戶常會提到：資料很多但不知道怎麼分析、建模只能靠少數專家、品質異常都是事後才發現、AI 模型上線後很難維護。這些問題背後，其實反映的是客戶的資料成熟度、應用場景、導入條件各有不同。透過這次訓練，先知科技希望團隊不只是懂產品功能，更能從產業痛點和應用價值出發,提出更貼近客戶實際場域的解決方案。

讓數據成為智慧製造的決策基礎

智慧製造要做的，不只是把設備連上網、把資料做成儀表板，或是導入某一個 AI 模型而已。真正關鍵的是，資料能不能被持續分析、持續預測、持續管理,並且真的支持到現場的每一次決策。

7 月 15 日，數據通 AIUPS 產品訓練即將展開，歡迎團隊夥伴一起參加，從理解資料開始，一步步掌握 AI 落地應用的能力。

• 2026/7/15（三）13:30 – 16:30
• Google Meet 線上會議 (報名成功後提供連結)
• 免費參加，限額 10 名

立即報名課程！

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！

先知科技 NexusAI 智慧製造戰略平台 5 大模組更新上市

1.「天眼通 SkyEyes」2026b 更新內容

1-1. 智慧旋轉標註與全自動 AI 輔助標記技術

新增 Labeling Rotate（旋轉標註） 與分割多邊形線條旋轉功能，全面支援 KeyPoint（關鍵點）與 Segmentation（語意分割）自動標註與類別標籤，並加入跨圖複製貼上與快捷鍵防呆。

1-2. 效能可視化與自動化「再訓練」防呆模組

優化 YOLO / Fast R-CNN 混淆矩陣（Confusion Matrix） 的錯誤篩選顯示，能自動抓出誤判照片進行「重新標註與再訓練」，並新增模型結果詳情（最佳分數 mAP50 燈號與圖表顯示）與測試結果下載。

1-3. 彈性相容 DataMatrix 與特殊工件全檢方案

全面提升 DataMatrix 條碼相容式辨識率，以及永豐餘死蚊瑕疵等特殊多樣少量檢測方案。

2.「數據通 AIUPS」2026b 更新內容

2-1. AI 視覺化分析升級（EDA 2.0 & 智慧圖表）

全新 EDA 2.0 分析介面，新增 K線圖、河流圖（Stream Graph）、Bubble Chart、Treemap、Sunburst、Circle Pack、Radar 雷達圖、Math Curve、Error Bar、3D Bar、QQ Plot、Word Cloud 等多元互動式圖表，可快速呈現資料分布、趨勢、異常及群組特性。

2-2. AI 智慧分析與分群升級（Auto Analytics）

新增 t-SNE、降維分析、Kohonen Self-Organizing Map、K-Means、TwoStep Cluster、Parallel Analysis、Dendrogram、Sequence Analysis、關聯規則（CARMA） 等智慧分析模組，提供資料自動分群、特徵探索、流程分析與關聯挖掘能力。

2-3. 平台整合與企業管理升級（Enterprise Ready）

新增 LDAP 帳號整合與企業權限管理，可串接 AD／LDAP，統一登入與帳號管理，搭配既有 AIUPS 平台提供更完整的企業級部署能力。

3.「知識通 KnowledgeConnect」2026b 更新內容

3-1. 企業 AI 知識庫與多模態文件理解

支援 PDF、Word、PPT、Excel、圖片、文字檔、音檔等資料的摘要、翻譯、問答與重點整理，並可透過 OCR、表格解析、文件圖片解析，建立企業 RAG 知識庫。

3-2. 企業級權限控管與安全部署

提供部門／群組權限、個人知識庫、企業知識庫，並可配合雲端或地端 LLM 部署，保護企業機密資料。

3-3. AI Agent 與 Text-to-SQL 數據決策助理

讓使用者用自然語言查詢 ERP、MES、SPC、FDC、EAP、WMS 等資料庫，並透過 AI Agent 將查文件、查資料庫、產圖表、產報告拆成可追蹤任務。

3-4. 8D / F8D 品質改善與知識閉環

規劃支援 D0-D8 流程、5W2H、Why-Why、魚骨圖／5M1E、改善成效驗證、ECN／DCC 串接與 Human-in-the-loop 人工確認。

4.「圖文通 BlueprintLegacyAI」2026b 更新內容

4-1. 藍圖快析與表格 OCR 智能識別系統(Blueprint OCR & Analysis)

新增 PDF OCR 藍圖解析功能、優化 CAD 右下角欄位/標籤/圖紙表格 (Zumen) 的自動高精度識別，自動拆解工程圖上的重要零件個數。

4-2. 雙圖智能比對與製程真因「圖差析」(Visual Difference & Revision Audit)

開發兩張圖片、PDF 或不同版本 CAD 設計圖的細微視覺差異自動比對 (圖差析)，自動智能審圖並高亮列出所有版次差異。

4-3. 自然語言 CAD 智能搜索與互動圖表(Natural Language CAD Search & Chat)

深度整合 LLM 生成式 AI 與企業內部資料庫 (ERP/MES)，使用者能以自然語言 (文搜圖、文搜文) 直接反向搜索舊圖紙、查詢規格，或透過對話要求系統產出決策圖表與建議。

4-4. 圖像/影音多模態轉換與維修教學落地(Multimodal CAD Generation & Maintenance AI)

開發手繪/拍照圖片自動轉為 CAD 格式與比對技術、依據設計圖自動分解加工圖與生成 CAM 加工機台程式；並可串接機台維修影片/照片轉為 CAD，結合智慧眼鏡用於工廠的維修教學。

5.「市研通 Market Trade」市場決策輔助 AI 模組 2026b 更新內容

5-1. 全球輿論發酵與新市場開拓預測引擎

整合外部多源非結構化數據（如全球經貿新聞、社群平台動態、Google 趨勢），無縫串接企業內部 ERP/CRM 庫存與採購資料。結合大數據時序性推演模型，升級對於「輿論發酵點（風向事件）、發酵時間長度與跨國新市場區域」的量化預測能力，將無形、雜亂的市場大眾情緒轉化為科學的先行指標，主動推估並指引潛在客戶的需求落點。

如果你希望更深入了解這次更新如何對應不同產業與應用場景，我們期待與你分享更多實務觀察與導入經驗！

因受輕度颱風「米克拉」外圍環流影響，台南市政府已宣布今日停止上班、停止上課。為顧及全體股東與同仁之安全，並確保股東常會順利召開，本公司依規定取消實體會議，全面改以「線上視訊會議」方式召開。

相關應變與會議資訊公告如下：

一、 會議變更調整

• 變更前： 實體會議及線上視訊會議併行。
• 變更後： 全面改為線上視訊會議（取消實體會場）。
• 會議時間： 仍維持於 115年6月26日（星期五）下午2:00 準時召開。

二、 線上會議參與方式

請各位股東於會議開始前，點擊下方連結進入線上會議室：

會議直播連結：https://meet.google.com/fmn-uwvr-vqz (點入後請輸入股東姓名待主持人允許後即參與會議)

• 報到時間： 請於下午 1:30 起開始登入線上會議室進行報到。

三、 注意事項

1. 敬請參與線上會議之股東，提前確認網路連線與視訊設備收訊正常。
2. 股東如欲於會中發言或進行投票，請依視訊會議系統之提示與規範辦理。
3. 若對本次會議變更有任何疑問，歡迎聯繫本公司股務代理機構或股務室。

特此公告

先知科技股份有限公司

董事會 敬啟

中華民國 115 年 6 月 26 日

資料卡在哪裡？多數時候，卡在人員之間：從人工抄寫、跨系統複製貼上、人工查詢比對、定期彙整報表、逐一電話或 Email 通知。工廠端的機台資訊與辦公室端的營運數字，要成為管理層可以用的資訊，往往還要靠人員反覆轉接資料與確認才能到位。

所以企業真正面對的問題並不是「哪些流程還沒有接入系統」，而是資料能不能順暢流動？流程能不能被自動執行？異常發生時，系統能不能即時反應？

先知科技於 6 月 17 日舉辦「AI+RPA 產品教育訓練」，從企業常見的數據斷點與流程痛點出發，帶領與會者認識 AI+RPA 如何在既有系統與設備之間建立串接，讓自動化從單點作業延伸成為可持續運作的智慧營運機制。

數位化之後，流程還是跑不動？

許多企業在數位化過程中已累積大量資料與系統工具，但資料如果仍需靠人工擷取、整理、轉錄與核對，數位化帶來的效益，就容易被日常作業的摩擦成本抵銷掉。

以製造現場來說，設備資訊可能分散在 PLC、工控電腦、儀表畫面或既有中控系統；辦公室端則可能同時要處理 Email、紙本文件、訂單、發票、報表與各類系統輸出。當這些資訊無法即時串接，幾個典型問題就會反覆出現：現場數據需人工抄錄，即時性與正確性難以同時顧到。各系統之間缺乏整合，資料得反覆下載、整理、再登打。例行巡檢、報表彙整與異常通知高度依賴人力。員工的時間大量消耗在重複性作業上，難以回到分析、改善與決策的工作。異常事件往往在事後才被發現，應變時機就已經錯過了。

本次課程傳遞的核心觀點是：RPA 能做的，不只是模擬人員操作電腦，而是協助企業重新梳理資料與流程的流動方式。當 RPA 能串接既有系統、擷取設備資訊、執行例行操作、生成報表並主動通報異常，企業就有機會從「人追著流程跑」，轉向「流程主動支援人」。

AI+RPA：分工明確，才能讓自動化真正落地

傳統 RPA 的邏輯是按照預設規則執行固定操作—登入系統、查詢資料、複製貼上、填寫欄位、下載檔案、產出報表、發送通知。這個範圍內，RPA 的效率相當穩定。

但現實場景的複雜度往往超過規則所能預先設定的邊界。當 RPA 結合 AI 與電腦視覺，流程自動化就能延伸到非結構化資料與動態判斷的場景。

AI 負責辨識畫面中的人員、設備、產品狀態與異常行為；電腦視覺讓系統能讀取監視器畫面、儀表數值、設備燈號或操作介面；RPA 則接手後續任務：資料擷取、系統操作、通知派送、紀錄留存、流程觸發。

分工簡單說就是：AI 是大腦，RPA 是雙手，Camera 是眼睛。三者組合起來，企業不只能被動接收資料，也能建立即時感知、快速反應、持續運作的自動化機制。

AI+RPA 在企業中能切入哪些流程？

課程以實際企業場景為主軸，從辦公室到工廠現場，說明 AI+RPA 常見的五個應用切入點。

跨系統資料擷取與同步

企業內部常同時使用 ERP、MES、WMS、SCADA、Excel、Email 與各類自建系統。沒有有效串接的情況下，資料往往需要人工在不同平台間搬運。AI+RPA 可自動執行資料擷取、欄位比對、格式整理與跨系統登打，讓資訊更快進入可分析、可決策的狀態。

設備數據與畫面資訊自動化取得

老舊設備、封閉機台或不易直接串接的操作環境，通常仍仰賴人員巡檢與人工抄表。透過電腦視覺與 OCR，系統可辨識儀表數值、設備畫面或燈號狀態，再由 RPA 自動寫入資料庫、報表或管理系統，讓設備運行資訊更即時，也更具可追溯性。

異常監控、分級通報與後續處理

異常處理的挑戰，不只在於能不能發現，更在於發現後能否快速讓正確的人採取行動。AI+RPA 可辨識設備異常、作業行為偏差、品質瑕疵或關鍵參數異動，並依預設條件執行分級通知、建立事件紀錄、同步系統或觸發後續處理流程。

無人巡檢與例行作業自動化

設備巡檢、系統查詢、資料下載、報表生成、異常彙整、固定時段監控等，這類高頻率、規則明確、重複性高的作業，是流程自動化最適合優先切入的範圍。標準化後不只降低人員負擔，也讓作業紀錄與管理基準更一致。

智慧設備操作與中控輔助

在具備明確規則與權限控管的前提下，RPA 也可協助執行機台登入、參數查詢、例行設定與監控任務。這類應用的重點不在於取代人員，而是讓系統承接標準化操作，讓現場人員能將注意力放在例外處理、異常判讀與製程改善。

RPAi+ 在 NexusAI 架構中的定位

先知科技以 NexusAI 平台協助企業整合資料、建立 AI 應用、提升現場感知能力。在這個架構下，RPAi+ 的角色是負責將平台產出的資訊與洞察，推進到實際的作業流程。

企業透過數據通 AIUPS 進行資料分析與預測、透過知識通 KnowledgeConnect 建立可查詢的企業知識、透過數據戰情通 TranX 掌握營運全貌，最終仍需要一個能將這些資訊轉化為流程行動的執行層。

RPAi+ 補上的，正是這個環節。它讓分析結果能依規則觸發後續任務、讓報表能自動流向所需系統、讓異常通報、紀錄與後續處理機制能串接起來，而不是停在「資訊已到位，但流程還要靠人推」的狀態。

從一個小流程開始

對多數企業而言，流程自動化不需要從大規模系統改造入手。更務實的起點，是先找出那些每天、每週或每月重複發生、且高度仰賴人工處理的具體工作。例如：定期下載整理的營運報表、需跨系統比對與登打的資料流程、現場巡檢與設備資訊抄錄、異常事件的通報與紀錄、需人工重複執行的系統操作。

只要流程具備高頻率、規則明確、步驟可標準化、改善成果可衡量這幾個條件，就值得進一步評估 AI+RPA 的導入可行性。

從一個具體場景開始驗證，企業能更快看見效益，也能在過程中逐步建立流程盤點、資料治理、例外處理與維運優化的能力，為後續更大規模的自動化打好基礎。

後記

本次 RPAi+ 教育訓練聚焦於一個在實務上常被忽略的問題：企業數位轉型走到某個階段後，系統與資料往往已不缺乏，缺的是讓資料能流動、讓流程能被執行、讓異常能被即時回應的機制。

AI+RPA 提供了從日常作業切入的路徑。透過 AI 視覺、數據擷取、系統串接與自動化執行，企業可以逐步降低重複性工作負擔、提升作業品質、縮短異常反應時間，讓人力回到更需要判斷與經驗的工作上。

先知科技透過 NexusAI 的模組化架構與整合服務，協助企業從流程盤點、資料串接到自動化落地，一步一步建構更高效率、更具韌性的智慧營運能力。

想了解 RPAi+ 如何應用於企業既有流程與設備環境？歡迎聯繫先知科技，預約專人諮詢。

AI 成為中小企業升級的實際入場券

115 年 SBIR 計畫在規模上有明顯擴大，核定金額較前一年同期翻倍，核定件數提高 44%，其中 AI 技術導入案件增加 33%。計畫同步設定創新科技主軸，涵蓋 AI 智慧應用、無人載具與淨零應用，預期帶動企業拓展國內外營收達 2.1 億元。

這些數字說明一件事：AI 導入的門檻正在降低，但要從補助走到真正落地，中間仍有一段距離。對多數中小企業來說，資金、人力與技術能力的缺口並不會因為拿到補助就自動消失，SBIR 的價值更多是在這個缺口上搭了一座橋。

先知科技在本次記者會的成果說明

本次記者會中，先知科技分享了以 AI 技術協助農工產業優化製程與品質管理的執行成果。目前已協助多家國內中小微企業完成 AI 導入，並成功進入日本食品產業市場，取得具體訂單成績。

回顧這幾年的案子，我們花最多時間的其實不是建模本身，而是在釐清客戶現場的資料狀況：哪些資料有在記錄、哪些只存在師傅腦袋裡、哪些系統根本沒辦法對接。這個前期工作做不好，後面的 AI 模型再準確也派不上用場。

NexusAI 平台的模組化思路

先知科技的 AI 應用能力整合於 Foresight NexusAI 平台，涵蓋數據分析預測（數據通）、AI 視覺偵測辨識（天眼通）、多模態圖文解析（圖文通）、生成式知識管理（知識通）、數據戰情分析（戰情通）與 AI+RPA 流程自動化（RPAi+）等模組。

平台設計上採模組化架構，讓企業不必一次導入所有功能，而是從最有感的痛點切入，驗證效益後再逐步擴展。製造業常見的起點是品質異常預警與視覺檢測，走到後期才會延伸到知識管理或跨系統數據整合。這樣的路徑對中小企業來說，風險比較可控。

持續推進 AI 落地的下一步

參與這次記者會，對我們來說也是一個整理與確認的機會：AI 落地的難度從來不在技術本身，而在於如何讓技術真正融入企業的日常作業流程，讓現場人員願意使用且用得順暢、並讓組織能看得到效益。

這件事沒有捷徑，但有可以複製的方法論。這也是先知科技接下來會持續投入的方向。

在 COMPUTEX 2026 展會現場，我們更明顯感受到，越來越多企業開始追問的是實際操作面的問題：AI 要如何和既有系統整合？製造現場資料不足或分散時，AI 要怎麼落地？導入之後，如何真正改善品質、效率、人力與決策問題？AI 能不能進入企業的日常營運，而不是一次性展示後就束之高閣？

這些問題，都是先知科技長期推動智慧製造與 AI 應用時，最常在現場面對的核心課題。

本次 COMPUTEX，先知科技以 NexusAI 為主軸，展示企業從單點 AI 應用，走向整合型 AI 戰略平台的可能路徑，涵蓋數據分析、視覺檢測、圖文解析、知識管理、流程自動化與決策支援等多元模組。

企業關心的，是 AI 能不能真的納入流程中

COMPUTEX 匯聚了來自科技、製造、系統整合、通路與國際市場的參展者與來訪者。從展會交流中可以觀察到，AI 已是企業轉型討論中無法迴避的主題，但企業對 AI 的期待也在悄悄轉變。

過去，許多企業關注的是模型能力、生成式 AI 工具、或單一功能的雲端服務。現在更多企業開始回到實際營運情境，思考 AI 是否真能解決現場問題。製造業者關心品質檢測是否能更即時、設備異常是否能提前預警、歷史圖紙與報價資料是否能被有效利用、內部知識與經驗是否能系統化保存、重複性流程是否能自動化處理。

這些需求背後，反映的是 AI 導入正在進入下一個階段。AI 必須能夠串接資料、整合系統、貼近流程，並回應企業真正的營運目標，才算真的有用。

落地的第一關，常常卡在資料

許多企業不是沒有 AI 應用想法，也不是不願意投資，而是卡在更前面的問題。

資料分散在不同系統中，現場設備尚未完整聯網，生產紀錄仍仰賴人工整理，品質數據與製程資料無法即時對應，報表產出耗時，跨部門資訊也難以快速整合。資料基礎尚未完整，AI 就很難穩定發揮價值。

這也是為什麼先知科技在推動 AI 應用時，從智慧製造的整體架構出發，協助企業完成資料收集、系統整合、流程分析、模型建置到實際落地，而不是只提供單一 AI 工具。NexusAI 的核心，是協助企業將分散的資料、系統與 AI 能力串接起來，讓 AI 能夠進入日常營運與決策流程，成為真正可用的應用平台。

NexusAI：模組化導入，從一個場景開始擴展

本次展會中，先知科技以 NexusAI 展示企業導入 AI 的整合型路徑。NexusAI 面向企業 AI 落地需求設計，採模組化架構，企業可依自身需求從品質檢測、數據分析、圖文解析、知識管理、流程自動化或決策支援等不同場景切入，再逐步擴展至跨部門、跨系統的 AI 應用。

AI 導入最怕的，往往不是從小場景開始，而是永遠停留在小場景。AI 應用若無法與既有系統、資料流程與組織決策連結，就容易成為一次性的專案展示。因此，NexusAI 強調的是協助企業建立可持續擴充的 AI 應用基礎，從單點解決方案開始，逐步走向企業級的 AI 決策與營運平台。

從展會交流歸納：企業最高頻的四個導入場景

一、製程品質管理

在多樣少量、高規格、高交期壓力的製造環境下，人工目視或事後抽檢已難以滿足即時品質管理需求。透過 NexusAI 的數據分析預測與 AI 視覺檢測，企業可以掌握影響品質的關鍵因子，進行瑕疵辨識、分類判讀與即時預警，協助製造現場更快發現異常、追溯原因，朝零缺陷製造推進。AI 在這個場景中的價值，在於讓品質管理從事後檢查，走向事前預測與即時反應。

二、圖文解析與報價輔助

在扣件、五金零件、精密加工與設備製造等產業，報價與工序規劃高度仰賴資深人員的經驗。當歷史圖紙、設計資料與報價紀錄散落在不同檔案或系統中，業務與工程人員往往需要花費大量時間查找比對。NexusAI 的圖文解析能力，協助企業建立圖文資料庫，透過 AI 比對新圖與歷史圖面，快速找出相似設計、相關工序與報價參考，讓過去累積的工程知識與報價經驗重新被活化利用。

三、企業知識管理

知識斷層是許多企業長期存在、卻不容易被量化的風險。SOP、維修紀錄、客訴資料、研發文件、製程經驗等，可能分散在不同資料夾、不同系統，甚至只存在於資深人員的個人記憶中。透過 NexusAI 的知識管理與智慧問答能力，企業可以將內部文件轉化為可搜尋、可問答的知識系統，讓使用者以自然語言查詢所需資訊。這對企業來說，是建立一套讓知識能被保存、流動與應用的組織能力。

四、流程自動化與決策支援

企業日常營運中存在大量重複性流程，報表整理、資料查詢、跨系統輸入、例行通知、內部審核等，單次看似簡單，長期累積卻消耗大量人力與時間。透過 RPAi+ 與數據戰情通，企業可以將部分重複性流程自動化，並透過 AI 協助資料彙整、查詢、分析與報告生成。當 AI 能進入日常流程，員工才有空間投入更需要判斷、溝通與創造力的工作。

AI 導入，需要一條可以走完的路徑

從本次 COMPUTEX 的交流中，有非常多的廠商來到先知科技的攤位，不管是合作夥伴、有 AI 導入需求的企業、學研單位等，我們也盡情的展示了 NexusAI 的特色，詳盡的為每個到訪者進行介紹，我們看到了大家對於 AI 導入應用的想像與期望，也促成了很多的商業合作契機。

我們同時觀察到，許多企業已不再滿足於單一 AI 工具的試用。他們更想知道的是：導入前，如何判斷自己的資料與流程是否準備好？導入過程中，如何降低技術門檻與組織學習成本？導入之後，如何持續維運模型、擴充應用並衡量效益？

這些問題都指向同一件事：AI 導入需要的是一條能被企業實際執行的落地路徑。

先知科技長期深耕智慧製造、AIoT 與系統整合，理解製造現場的資料限制、系統環境與實際營運壓力。推動 NexusAI 時，我們更重視的是 AI 如何與現場設備、既有系統、資料中台、操作流程與決策需求整合，而不只是 AI 模型本身的精度表現。AI 從概念到應用、從展示到落地、從單點效率提升到企業整體競爭力升級，需要的是系統性的整合能力。

展會是起點，落地才是重點

感謝每一位於 COMPUTEX 期間蒞臨先知科技展位、與我們交流討論的來賓與合作夥伴。無論是製造業者、設備商、系統整合商、通路夥伴，或正在評估 AI 導入的企業團隊，您的提問與回饋都是我們持續優化產品與服務的重要參考。

對先知科技而言，展會不是終點，而是更多合作與對話的開始。

如果你的企業正在思考 AI 如何導入製造現場，或希望進一步了解 NexusAI 在品質檢測、圖文解析、知識管理、流程自動化與決策支援上的應用，歡迎與先知科技聯繫，預約顧問諮詢與系統展示。

過去，大家關心的是模型夠不夠強。現在，更多企業真正遇到的問題是：AI 要怎麼放進企業流程裡？

模型能力當然重要。但當 AI 進入企業現場，問題往往不只在模型本身。資料能不能安全使用？哪些資料適合上雲、哪些必須留在地端？工廠的設備、能源、製程資料能不能被即時掌握？過去累積多年的圖面、文件、報價紀錄與老師傅經驗，能不能被 AI 理解並重新運用？

2026 年 6 月 3 日，先知科技舉辦第二季線上研討會「企業 AI 落地實戰：從混合雲架構、數位孿生到圖文知識應用」，邀請 iKala 愛卡拉互動媒體、駿盛科技整合與先知科技三位講者，分別從 AI Agent 混合雲部署、AI × 數位孿生 × 能源管理，以及圖文通 BlueprintLegacyAI 的多模態圖文解析應用，分享企業 AI 落地的實務觀點。

三個講題看似各自獨立，但背後都在回應同一件事：企業 AI 落地，要重新設計資料、現場與知識的流動方式。

觀點一：AI Agent 的第一步，不是選模型，而是選對部署架構

第一場由 iKala 愛卡拉互動媒體主講「地端 AI 與混合雲架構：企業導入 AI Agent 的安全與效能實戰思考」。

許多企業開始導入 AI Agent 時，第一個遇到的問題往往是：資料到底能不能上雲？全部上雲，擔心機密外洩；全部留在地端，又可能在模型理解能力、運算效能與維運成本上受限。所以真正需要思考的，是依照不同資料類型與應用情境，設計適合自己的混合架構。

與內部制度、公司文件、產品規格、客戶資料相關的內容，通常更適合留在地端。銷售話術生成、外部資訊整理或需要較高語意理解能力的應用，則可以評估串接雲端模型，取得更好的生成品質與使用彈性。

iKala 在分享中也提到，企業導入 AI 要從「資料最完整、需求最明確、員工最容易使用」的場景開始。HR 規章查詢、內部知識問答、業務拜訪前的資料準備，都是相對容易讓員工感受到 AI 實際價值的起點。

會後 Q&A 有一個很實際的問題：一般企業中，誰負責決定哪些 AI 應用要放在地端、雲端或混合架構？

講者回應，通常由資訊單位與評估專案的負責人共同決定。大型企業或集團型客戶，多由資訊部門或資訊子公司統籌資安與資料控管。AI 導入本來就牽涉跨部門溝通、權限設定與流程協調，架構選擇，某種程度上也是組織治理的一部分。

另一個聽眾關心的問題是：如何防止員工使用雲端 AI 問答時，不小心把公司機密帶出去？

當 AI 工具越來越容易取得，企業光靠員工自律是不夠的，需要在平台設計階段就納入權限控管、防止資料外洩、防止 Prompt 被竄改等機制。資安要在架構設計的起點就納入考量，而不是事後補上。

觀點二：數位孿生不只是 3D 畫面，讓工廠可以預測、推演與優化

第二場由駿盛科技整合主講「工廠的數位靈魂：AI × 數位孿生 × 能源管理驅動的智慧工廠」。

很多人聽到數位孿生，第一個想到的是 3D BIM 或漂亮的工廠可視化畫面。真正有用的數位孿生，要能讓管理者回答更實際的問題：電費為什麼突然變高？是哪一區、哪一條產線造成的？設備是不是正在慢慢劣化？冰水機、水泵、冷卻水塔與空調系統，要怎麼協同運作才最省電？

這些問題靠單一報表很難回答。工廠通常不缺資料，缺的是把資料放回對的脈絡。駿盛科技整合在分享中強調，數位孿生的核心在於把工廠資料對應到正確的空間、時間與管理情境，讓管理者有機會從「看到異常」進一步走向「理解異常」，甚至提前預測。

在能源管理場景中，數位孿生可以協助工廠建立幾種能力：

需量控制

在用電尖峰到來前就先推演風險與可執行策略，而不是等警報發生才提醒。

設備健康管理

設備通常是慢慢偏離正常狀態，透過 AI 模型與歷史資料，企業可以提早看出劣化趨勢。

系統能效最佳化

每台設備各自省電，不代表整體系統就最省，真正的節能往往來自全系統的協同運轉。

合規與知識累積

能源管理、ISO 50001、PDCA 與改善紀錄，如果能在日常營運中被系統化留下，就不需要等到稽核前才大量補資料。

會後聽眾問到：設備模型建置通常需要收集多久的資料？

不同設備與場域差異很大。常見設備如水泵，可能約一週到一個月；冰水機可能需要一到三個月；冷卻水塔受氣候影響較大，可能需要半年到一年。實務上通常先以半年到一年資料作為導入基礎。AI 模型需要足夠的現場資料，才能真正理解設備、氣候、產能與能源消耗之間的關係。

另一個問題問到：系統是否能進行 What-if 推演，整合產出目標、品質、成本與能源管理，提供多種決策方案？

目前系統可以針對工廠產出與成本建立模型，並搭配決策者的選擇行為進行推演。例如當用電面臨超約風險時，系統可以協助判斷當下應該優先啟動太陽能、儲能設備或發電機。數位孿生的進階價值，正是在不同情境下協助決策者做出更好的選擇。

觀點三：企業最有價值的知識，常常藏在圖面與文件裡

第三場由先知科技主講「圖文通 BlueprintLegacyAI：讓 AI 看懂圖面、文件與知識脈絡」。

對許多製造業來說，企業內部最重要的知識，往往不只存在資料庫裡。它可能藏在設計圖、CAD 圖檔、規格書、報價紀錄、供應商文件、工序資料、版本圖面，甚至資深業務與工程人員的記憶之中。

這些資料很有價值，但也最容易被困住。格式不同、分散存放、不易搜尋，傳統系統也難以理解。業務收到一張新圖面，要找過去是否有類似案件，常常得靠資深人員的記憶；工程單位確認圖面版本差異，可能需要人工一張一張比對；採購收到不同供應商的報價文件，又要花大量時間整理格式。這些工作看似日常，卻直接影響報價速度、接單效率與工程準備時間。

圖文通 BlueprintLegacyAI 正是針對這類場景設計的多模態 AI 圖文解析平台。它讓 AI 同時理解圖形、文字、規格與脈絡，協助企業完成相似圖搜尋、歷史報價查找、圖面差異比對、規格文件解析，以及工序與報價輔助。

在報價場景中，使用者上傳客戶圖面後，系統比對歷史圖文資料庫找出相似設計，並串接 ERP 中的過往報價與供應商資訊，協助業務與工程團隊快速收斂報價範圍。在文件解析場景中，圖文通可以透過 OCR 與語言模型，解析不同格式的供應商報價單或規格文件，轉換成企業內部可用的標準格式。在圖面版本管理上，則可以標示兩張圖面的差異，包含文字、顏色、內容增減或版本變更，降低人工目視比對的負擔。

Q&A 中聽眾問到：圖文通導入前，企業需要做什麼準備？

如果主要效益是快速報價，企業需要先確認 ERP 系統是否能串接。圖文通找到相似圖面後，還需要連動過去的報價、供應商與成本資料。此外，企業內部的圖號與單號之間也必須建立標準規範與關聯性，只有當圖、文與 ERP 資料能被串起來，AI 才能真正把圖面、報價與工序轉換成可用的知識。

另一個問題是：圖文通可以用文字搜尋圖片嗎？

實務上有些資深業務不一定有完整原始圖檔，或是已經知道某些關鍵條件，想直接用文字描述搜尋對應圖面。圖文通支援以文字在資料庫中搜尋設計圖，以圖找圖或以文找圖都可以。

從 Q&A 看見企業真正在意什麼

本次研討會的 Q&A 環節，集中反映了幾個企業在 AI 落地時最實際的困惑。

AI 架構由誰決定？

這牽涉資料安全、使用權限、成本、模型能力與後續營運，需要專案負責人、使用部門、資安管理與高階決策共同參與，單一角色很難拍板。

AI 模型需要多少現場資料？

越受氣候、負載、產能影響的場景，越需要足夠長的資料累積與驗證。模型好不好，也要看資料夠不夠、能不能反映現場真實狀況。

AI 應用前資料要怎麼準備？

以圖文通為例，如果希望 AI 協助快速報價，就要先盤點 ERP 串接狀態、圖號與單號關聯、歷史報價與圖面資料品質。AI 能加速判斷，前提是資料能被正確串接。

掌握企業 AI 落地成功的課題關鍵

混合雲架構、數位孿生、圖文通，三個講題從不同角度回應同一件事：企業 AI 落地，要讓 AI 真正進入企業的資料流、現場流與知識流。從資料如何部署，到現場如何被感知，從設備如何被管理，到知識如何被整理，這些才是企業 AI 落地的真正課題。

如果你的企業正在評估 AI 導入、智慧工廠、能源管理或圖文知識應用，歡迎與先知科技聯繫，一起盤點企業現況，找出最適合的落地路徑。

我們在輔導企業的過程中，常常看到這樣的現象：系統已經換過好幾套，但業務助理還是每天在不同介面之間複製貼上；生產報表已經數位化，但主管要看數字還是要等人整理完才能拿到。系統夠好，流程卻從來沒有被重新設計過。

這才是企業數位轉型真正卡住的地方。

先把每天都在重複的事情處理掉

很多企業在談 AI 落地之前，有一個更基本的問題沒有解決：

哪些事情，其實不該再讓人每天手動做？

ERP 資料登打、報表彙整、訂單比對、跨部門資料核對、例行通知發送。這些工作不需要多高的判斷力，卻每天都在消耗有限的人力。更麻煩的是，這類工作一旦出錯，往往影響的不只是一個環節，而是整條流程。

RPA，也就是機器人流程自動化，能夠透過軟體機器人，依照設定好的規則，接手這類重複性的電腦操作。登入系統、讀取資料、填入欄位、產出報表、發送通知，全部可以自動執行。

RPA 結合 AI 之後，還能進一步處理非結構化的資料，例如文件辨識、判斷分類、異常提醒，應對的情境也更複雜。

為什麼很多企業做了系統，人還是很忙

這個問題，我們在各種規模的企業都看過。

原因通常出在系統之間沒有打通。資料在 A 系統產生，要人工搬到 B 系統；財務下載了報表，還要再整理才能給主管看；採購、業務、生產各自有資料，但整合的工作落在某個人身上，每天都在做，每天都沒有人覺得這件事應該要改。

這種狀況不少見，但它有解法。

AI+RPA 可以在現有架構上，先把那些最高頻、最重複、最容易出錯的環節自動化。不需要重新串接所有系統，也不需要大規模的 IT 開發。人從這些瑣事裡脫身之後，時間才能真正回到需要判斷和溝通的地方。

RPAi+ 在 NexusAI 裡的位置

在我們的 NexusAI 平台架構裡，RPAi+ 的角色是幫企業把流程執行端打通。

數據通分析了預測結果，知識通整理了內部知識，戰情通把數據轉成決策洞察，但這些最終要產生價值，還是要回到執行面。執行端若還是靠人工搬資料、手動觸發、等待回報，AI 分析的結果就只停在報表層，沒有真正進入日常運作。

RPAi+ 做的就是這件事：讓 AI 產出的結果，能夠連結到實際流程，驅動後續的動作。

導入之前，有幾件事值得先確認

適合先動的流程，通常有幾個共同特徵：每天都在發生、容易因為人工輸入出錯、需要在不同系統或部門之間搬資料。這類流程改善最快，效果也最容易被看見。

但有一件事很重要：流程規則要先整理清楚。

RPA 執行的基礎是規則。流程本身邏輯還沒釐清、例外狀況太多，自動化只會讓問題更快暴露。所以在挑工具之前，先把流程步驟、判斷條件、異常處理方式整理一遍，往往才是導入成功的關鍵。

6/17 RPAi+ 產品教育訓練

為了讓有興趣的企業能更具體看到 AI+RPA 的實際應用，先知科技將在 6 月 17 日舉辦 RPAi+ 免費產品教育訓練課程。

課程會從企業常見的流程痛點切入，說明 AI+RPA 如何協助自動化日常作業，並介紹 RPAi+ 模組在 NexusAI 架構中的定位與實際應用情境。

適合對象：

• 正在評估導入 AI 或流程自動化的主管
• 負責營運、資訊、製造、財務行政或流程改善的人員
• 每天還有大量資料登打、跨系統核對、例行報表整理的部門窗口

系統已經換了，但人還是很忙—如果這句話說的是你的企業，這堂課正是能幫助你解決這類問題的關鍵。

立即報名，了解 AI+RPA 如何從流程端讓 AI 真正落地。

為什麼企業導入 AI，常常停留在展示階段？

AI 技術看似越來越容易取得，但企業要讓 AI 產生實際效益，仍然會面臨許多實際的應用挑戰。

許多企業在導入初期，可能先嘗試單一 AI 工具，例如文件問答、瑕疵辨識、報表生成或資料分析。這些工具確實能在單一任務上看見效果，但如果沒有與既有資料、系統和流程整合，就很容易停留在「可以展示」卻「難以長期運用」的階段。

常見的問題包括：

• 企業資料散落在 ERP、MES、設備、Excel、文件與人員經驗中，缺乏統一整理與串接。
• 製造現場雖然有大量數據，卻無法即時回到品質預測、異常判斷與製程改善。
• 企業內部累積大量文件、圖面、SOP 與歷史經驗，但查找困難，也難以讓新人快速承接。
• AI 分析結果無法進入管理流程，導致決策者仍然需要等待人工整理報表與分析結論。

因此，企業導入 AI 的核心問題，通常在於 AI 要從哪一個痛點開始？如何與企業現有流程串接？又如何逐步擴展成可持續運作的平台能力？

先知科技在智慧製造與 AI 系統整合領域，長期關注製造業現場的系統性挑戰，包括設備資訊掌握不易、品質與良率控制困難、人力與知識傳承壓力、資料分散、AI 導入門檻高等問題。這些挑戰也正是企業推動智慧轉型時，最需要被優先釐清與回應的關鍵課題。

從單點 AI 到平台化應用：企業需要的是可實踐、可擴充、可整合的 AI 架構

企業導入 AI，不一定要一開始就進行龐大的系統重建。

更務實的做法，是先從明確痛點出發，選擇最具效益的場景進行導入，再逐步擴展到跨部門、跨流程、跨系統的應用。

一般來說，企業 AI 導入可以分成三個層次。

第一層，是單點應用。

例如針對特定任務導入 AI 報表、自動化流程、文件問答、瑕疵辨識或資料分析，先解決單一部門或單一流程的效率問題。

第二層，是應用整合。

當 AI 開始與企業既有系統、資料庫、製造流程或營運流程串接，AI 的分析結果就能被現場使用，進一步改善品質、效率與決策速度。

第三層，是平台化擴展。

當企業將資料整合、AI 建模、視覺辨識、知識管理、決策支援、流程自動化等能力整合成可持續使用的平台，AI 就不再只是單一工具，而會逐步成為企業營運能力的一部分。

這也是先知科技推動 Foresight NexusAI 的核心方向。

透過多元 AI 模組與智慧製造系統整合能力，企業可以從單一痛點切入，例如製程品質預測、AI 視覺檢測、圖文資料比對、企業知識查詢、營運報表分析或流程自動化，再依照實際效益逐步擴展應用範圍。

先知科技現有 AI 產品模組涵蓋數據通 AIUPS、天眼通 SkyEyes、圖文通 BlueprintLegacyAI、知識通 KnowledgeConnect、市研通 Market Insight、預感通 Future Sensing、數據戰情通 TranX、AI+RPA 等應用，可對應不同產業場景與企業導入需求。

先知科技參展 COMPUTEX：展示 AI 如何進入企業真實場景

本次 COMPUTEX 展會，先知科技將展示企業 AI 與智慧製造應用的多元場景，協助企業理解 AI 如何從技術概念走向日常營運。

我們希望與參觀者交流的不只是「AI 可以做什麼」，而是更進一步討論：

• 企業內部資料如何更有效被 AI 應用？
• 製造現場如何從經驗判斷走向數據決策？
• AI 是否能協助品質、報價、知識管理與營運分析？
• 既有 ERP、MES、設備資料與文件系統，如何與 AI 模組整合？
• 企業應該從哪一個應用場景開始導入，才能降低風險並看見效益？

先知科技長期以 AI+SI 一站式解決方案系統整合服務商為定位，協助企業從資料收集、系統整合、AI 建模到實際應用落地，打造符合產業需求的智慧轉型解決方案。

展會亮點一：用數據預測與 AI 建模，讓製程品質從事後檢查走向事前預警

在製造現場，品質與良率往往是企業最重視的核心指標。

傳統品質管理多半仰賴抽檢、經驗判斷或事後分析，當異常發生時，企業才回頭追查原因。然而，若製程資料能夠被即時收集、分析與建模，品質管理就有機會從事後檢查，轉向事前預警。

數據通 AIUPS 是先知科技的數據分析預測平台，協助企業透過 AI 建模快速掌握生產關鍵因素，支援品質預測、關鍵因子分析、異常偵測與製程改善。

對製造業而言，AI 的價值不只是產生一個預測數字，而是幫助現場更早知道風險、更快找到原因，並讓製程管理從被動反應，逐步走向主動預防。

當企業能夠知道哪些參數正在影響品質、哪些批次可能出現風險、哪些設備狀態需要提前關注，就能更有效降低報廢、重工與異常處理成本，朝向零缺陷製造目標前進。

展會亮點二：用 AI 視覺檢測，提升品質判斷的一致性與即時性

隨著製造業逐漸走向多樣少量、高品質要求與快速交付，傳統人工檢測面臨越來越多挑戰。

人工目檢容易受到疲勞、經驗差異與判斷標準不一致影響。若瑕疵資料無法被有效記錄與分類，也會讓後續分析、追溯與改善變得困難。

天眼通 SkyEyes 是先知科技的 AI 視覺偵測辨識平台，可應用於瑕疵檢測、影像分類、異常辨識、OCR 與場域監控等場景。

AI 視覺的價值，不只是「看得更快」，而是讓品質資訊更容易被記錄、分類、分析與回饋到製程改善。

透過 AI 視覺檢測，企業可以降低人工目檢負擔，提升判斷一致性，並讓異常資訊更快被發現與回報。對於需要 100% 檢測、高品質控管或多樣少量生產的產業而言，AI 視覺也能成為提升良率與穩定品質的重要工具。

展會亮點三：讓圖面、文件與知識成為可被 AI 使用的企業資產

企業的資料不只存在於機台與系統中，也大量存在於圖面、文件、SOP、報價紀錄、歷史案例與資深人員經驗裡。

這些資料往往非常有價值，卻因為格式分散、查找困難、缺乏標準化與知識斷層，導致難以被有效使用。

圖文通 BlueprintLegacyAI 是先知科技的多模態 AI 圖文解析平台，可協助企業建立圖文資料庫，進行相似圖比對、圖面解析、歷史報價查詢與工序資訊回溯。

對於扣件、五金零件、精密加工、設備零組件等產業而言，圖面與報價資料往往是累積多年經驗的關鍵資產。若能透過 AI 快速比對歷史圖面與相似案例，就能縮短尋圖、報價與加工前準備時間，讓業務與工程團隊更快回應客戶需求。

另一方面，知識通 KnowledgeConnect 則聚焦於企業知識管理，協助企業將文件、SOP、技術資料、歷史紀錄與內部經驗轉化為可查詢、可問答、可整理的知識庫。

當企業開始把圖面、文件與經驗轉化為可搜尋、可問答、可比對、可再利用的知識資產，AI 才能真正進入日常工作流程，協助新人快速上手、降低知識斷層，並讓企業累積的經驗不再只存在於少數人腦中。

展會亮點四：從市場洞察到營運決策，讓 AI 成為管理者的決策輔助

企業管理者每天面對大量資訊，包括市場變化、原物料價格、銷售狀況、營運報表、庫存資料、產能狀態與客戶需求。

問題不在於沒有資料，而是資料太分散、整理太耗時、報表產出太慢，導致決策速度跟不上變化。

市研通 Market Trade 聚焦於市場預測與決策輔助，協助企業整合內外部資訊，應用於市場趨勢分析、原物料價格判斷、採購決策、銷售策略與營運判斷。

數據戰情通 TranX 則協助企業將分散資料轉化為更容易理解的決策資訊，支援即時查詢、圖表生成、營運分析與管理戰情室應用。

AI 在管理端的價值，不只是自動產出報表，而是讓決策者能更快看見變化、理解原因，並縮短從資訊到行動的距離。

當主管不再只是等待各部門彙整資料，而是能透過 AI 快速提問、查詢、分析與掌握關鍵指標，企業決策就能從「事後彙整」逐步走向「即時掌握」。

AI 落地，不是導入更多工具，而是建立更完整的轉型路徑

AI 的價值，不在於技術本身有多新，而在於它是否能真正改善企業的品質、效率、知識傳承與決策速度。

對企業而言，AI 導入不必從龐大的系統重建開始，而是可以從一個明確痛點、一個可驗證場景、一套可擴展的模組開始，逐步建立屬於企業自己的 AI 應用能力。

本次 COMPUTEX，先知科技將展示多元 AI 應用模組，並與企業共同交流 AI 落地的實務路徑。

我們期待與你一起從資料、流程、製程與決策出發，找到最適合企業現階段的智慧轉型切入點，讓 AI 不只是展示技術，而是真正進入企業現場，成為推動營運升級的關鍵力量。

COMPUTEX 展會資訊

• 2026/06/02 ~ 06/05，09:30~17:30 (最後一日為 15:30)
• 台北南港展覽館 2 館 4F
• 攤位號碼：AI 運算暨系統解決方案區 R0824

歡迎蒞臨先知科技攤位，交流企業 AI 實務應用

如果你的企業正在思考 AI 導入方向，或正在面臨資料、流程、製程與決策上的轉型挑戰，歡迎蒞臨先知科技攤位與我們交流。

無論你目前只是剛開始評估 AI 應用，或已經有明確的製程、品質、知識管理與營運決策需求，先知科技都可以協助你從實際場景出發，釐清最適合的導入切入點。

立即預約展會現場交流，讓我們協助您找到最適合的 AI 落地路徑。