老師傅聽聲音就知道要換刀——這種手感，AI 到底接得住還是接不住？

拜訪中部工具機廠時，幾乎每一家都會提到同一件事：廠裡最資深的師傅再過幾年要退休，他聽聲音就知道刀具快不行了，這種東西沒有人接得下來。

接著問題就變成：AI 能不能把這個留下來？

答案不是能或不能，而是要先把「師傅的判斷」拆開來看。拆完之後你會發現，其中一部分相當容易處理，另一部分則是結構性做不到——而這兩者的比例，決定了整個專案值不值得做。

可以轉移的那一半：有物理訊號對應的判斷

師傅說「聽聲音」，聽的其實是振動與噪音的頻譜變化。刀具磨損會改變切削力，切削力改變會反映在主軸負載、振動頻率與聲學特徵上。這些全部都有對應的感測器，而且不貴。

也就是說，師傅耳朵在做的事，本質上是一個訊號分類問題。他把連續的聲音訊號，分類成「還可以」「該注意」「要換了」三檔。這件事機器學習做得很好，前提是你有足夠的標記資料。

同一類可轉移的還有：

• 看鐵屑顏色判斷切削溫度　對應到紅外線或熱電偶量測。
• 手摸工件判斷表面粗糙度　對應到表面輪廓儀，或視覺加光源的間接推估。
• 從電流表變化判斷負載異常　這本來就是電氣訊號，最容易。

接不住的那一半：跨脈絡的因果推理

但師傅的價值不只在分類。真正難取代的是下面這種狀況：

機台出現異常震動，師傅走過去，看了一眼夾治具，摸了一下工件，問了一句「這批料是不是換供應商了」，然後說問題出在材料硬度不均，不是刀具的事。

這裡面用到的資訊，有一半不在任何感測器上。他知道上週採購抱怨過交期、知道這個治具三個月前修過、知道這種材料在梅雨季會怎麼樣。這些是跨越時間、跨越部門、而且大多沒有被記錄下來的脈絡。

目前的 AI 系統做不到這件事，不是因為模型不夠強，而是因為那些資訊根本沒有進到系統裡。這是資料問題，不是演算法問題。

所以務實的做法是什麼

一、先做分類問題，不要碰推理問題。從刀具壽命預測、異常震動告警這類有明確物理對應的題目開始。這些題目的成功率高，而且能在六個月內看到效果。

二、把師傅的判斷變成標記，而不是變成規則。常見的錯誤是請師傅寫下「什麼情況該換刀」的規則。他寫不出來，因為他自己也是憑感覺。正確的做法是：讓他在系統上按按鈕，標記「這個聲音該換了」，累積幾百次之後，模型自己會學到規則。

三、選機台要選跑量大、加工件單純的那一台。不是選最貴的、也不是選最常出問題的。要選一天能產生最多筆一致資料的那台，因為你需要的是資料量。

一個常被低估的前置條件

很多廠在談 AI 之前，機台連連線都沒有。老機台沒有網路孔、控制器封閉、資料出不來。

這時候真正該做的是加裝外掛式感測器與邊緣閘道，而不是急著談模型。這一步的成本與工期經常被低估，也是專案延宕最常見的原因。這與我們在淨水設備廠的觀察指向同一件事：資訊化沒完成之前談 AI 化，會卡在同一個地方。

需要保留的懷疑

本文為顧問現場觀察的歸納，不含任何實測統計數字。不同廠的機台世代、加工件型態與資料基礎差異很大，可轉移與不可轉移的比例會有明顯不同。

另外，「六個月看到效果」是就題目複雜度而言的粗略判斷，實際工期取決於資料採集的起始狀態，請以實地評估為準。

常見問題

老師傅的經驗真的能被 AI 完整保留嗎？

只有一部分可以。有物理訊號對應的判斷——聽聲音判斷刀具磨損、看鐵屑顏色判斷溫度、手摸判斷粗糙度——本質上是訊號分類問題，機器學習處理得很好。但跨脈絡的因果推理（例如結合採購換料、治具維修史、季節濕度來判斷根因）做不到，因為那些資訊多半沒有被記錄進系統。這是資料問題，不是演算法問題。

工具機廠導入 AI 該從哪一台機台開始？

選跑量大、加工件單純的那一台，而不是最貴的或最常故障的。原因是你需要的是資料量與一致性——一天能產生最多筆同質資料的機台，模型學習的效率最高。題目則建議從刀具壽命預測、異常震動告警這類有明確物理對應的分類問題開始。

要請師傅把判斷規則寫下來嗎？

不建議，這是常見的失敗做法。師傅通常寫不出來，因為他自己也是憑感覺判斷。有效的做法是讓他在系統上標記——聽到這個聲音就按「該換了」——累積數百次之後，模型會自己學到規則。把經驗變成標記，而不是變成規則。

下一步

機台資料採集的前置盤點表，我們整理在白皮書專區。