染整廠的打樣次數能不能減少？AI 配色的真實效果與那個沒人講的前提

染整廠最痛的成本之一是打樣重工。客戶要一個顏色，打三次、五次才過，每一次都是時間、染料、水電與人力。

因此「用 AI 預測配方，一次打中」是很有吸引力的題目。這件事技術上確實可行，但有一個前提，而這個前提在多數廠是不成立的。

那個前提：你有沒有留下失敗的紀錄

配方預測模型要學的是「什麼配方會得到什麼顏色」。這需要大量的配方與結果配對。

多數廠的資料庫裡只有成功的配方——因為那些才是要存檔給下次用的。失敗的那幾次打樣，紀錄通常隨手就丟了。

但模型最需要的，恰恰是失敗的資料。只看成功案例，模型學到的是「這些配方可行」，學不到「偏離多少會出問題」。而後者才是預測能力的來源。

這是一個相當常見的資料偏誤問題：倖存者偏差。用只有成功案例的資料訓練出來的模型，會系統性地低估失敗風險。

第二個前提：製程參數要跟著配方一起記

同一個配方，不同的溫度曲線、浴比、pH 值、升溫速率，出來的顏色不一樣。如果你的紀錄只有「染料 A 3%、染料 B 1.2%」，沒有製程參數，那模型看到的資料裡會有大量無法解釋的變異。

更麻煩的是原料批次差異。同一支染料，不同批號的力份可能有差；胚布的前處理狀況也會影響上染率。這些變因如果沒有被記錄，模型會把它們當成雜訊，準確度就上不去。

所以務實的順序是

一、先改打樣紀錄的表單，把失敗的也留下來。這一步不用花錢，但要花半年到一年累積資料。愈早開始愈好，而且它跟要不要導入 AI 無關——這本來就該做。

二、把製程參數自動帶入紀錄。從染色機的控制器直接抓溫度曲線與時間，不要靠人工抄寫。人工抄寫的資料在這個應用上幾乎不可用。

三、原料批次要能追溯到打樣結果。這一步很多廠會抗拒，因為要改進料流程。但沒有它，力份差異永遠會是模型的噪音。

比配色更快見效的兩個題目

如果資料基礎還沒建立，這兩個題目不需要等：

色差判定的一致性。不同的人、不同的光源、不同的時間，對「這樣算不算過」的判斷不一致。用儀器量測加上標準化的判定規則，能減少的爭議與重工，往往比配色預測還多，而且立刻見效。

配方檢索。新的色樣進來，自動找出資料庫中最接近的既有配方作為起點。這不需要預測模型，只需要色彩空間的距離計算——技術門檻低，但能省下相當比例的從零開始。

需要保留的懷疑

本文為顧問現場觀察的歸納，不含實測的準確度或節省比例數字。不同廠的染色設備、布種範圍與客戶色彩要求差異很大，資料需求量與可達成的效果會有明顯不同。

「半年到一年」的資料累積期是就一般打樣頻率的粗略估計，實際取決於貴廠的打樣量。

常見問題

為什麼 AI 配色需要失敗的打樣紀錄？

因為模型要學的是「偏離多少會出問題」，而不只是「哪些配方可行」。多數染整廠只保存成功配方，失敗紀錄隨手丟棄，這造成典型的倖存者偏差——用只有成功案例的資料訓練出的模型，會系統性低估失敗風險，預測能力也上不去。改打樣表單把失敗紀錄留下來不需要花錢，但需要半年到一年累積。

除了配方，還需要記錄什麼？

製程參數與原料批次。同一配方在不同溫度曲線、浴比、pH 值、升溫速率下顏色不同；同一支染料不同批號的力份也可能有差，胚布前處理狀況同樣影響上染率。這些變因若未記錄，模型會將其視為雜訊而無法提升準確度。製程參數建議從染色機控制器直接擷取，人工抄寫的資料在此應用上幾乎不可用。

資料還沒累積夠，現在可以先做什麼？

兩個題目不必等：一是色差判定的一致性，用儀器量測搭配標準化判定規則，取代不同人員、光源、時間造成的判斷落差，能減少的爭議與重工往往比配色預測更多且立刻見效；二是配方檢索，新色樣進來時自動找出資料庫中最接近的既有配方作為起點，只需色彩空間的距離計算，技術門檻低。

下一步

打樣紀錄的欄位設計與製程參數擷取清單，我們整理在白皮書專區。