制造业的新挑战
制造业朝向智能制造进行升级转型，已经是目前产业界多数业者的共识，也已经有许多业者开始针对既有的产线或新规划的产线，着手设置传感器并从事数字化与网络化的更新及建置。不过，随着机台设备搜集的数据越来越多，如何将数量庞大的数据转化成具有实际效益的信息，开始成为业者往智能制造转型上的新挑战。
依据业界通用工业4.0的5C成熟度模型，工业4.0依照成熟度由低而高大致可分为五个阶段，分别是通过物联网完成机器对机器(M2M)的连结与协作，并撷取数据的设备连结(Connect);通过打造大数据平台及边缘运算，将前一阶段中萃取的数据加以分析、运用的数据转换(Convert);再进一步提供生产数据可视化与预测模拟的模拟预测(Cyber);之后导入人工智能(AI)学习平台，让工厂成为可以自我诊断、自主修复、自动排程，并具有认知性的智能工厂(Cognitive);以及最终达到可以从事小批量客制化制造与软件定义，并能自动配置的动态客制(Configure)价值链平台。
目前从事的数字化与网络化建置，与前二阶段较为相关，前一段时间包括台达电子、研华、新汉等业者，开始与SAP、鼎新、东捷等业者展开跨业合作，则是希望能将在信息科技(IT)与操作科技(OT)的信息进行整合，借此迈入第3阶段，进行数据可视化，及预测模拟等功能。
因为单纯的搜集及显示从作业机台上搜集到的数据，其实对智能制造的贡献度有限，因为单纯的数据，如果没有进行后续的分类、管理与分析，最终只会成为数据垃圾。通过IT与OT的结合，撷取适当的现场生产数据，与运营端的信息进行整合，才能为运营者在决策时提供有效的信息。
不过，想要真正达到工业4.0的最终境界，也就是直接为小批量客制化产品，进行上下游的自动配置的动态价值链，光是进行数据可视化，或预测模拟是不够的。目前，虽然像是富士康的灯塔工厂，已经可以让工厂本身部分制程进行自主运作，具备了第四阶段的雏形;不过要达到动态配置，由于涉及到AI学习平台建置，及更复杂的供应链、物流、市场等面向的数据搜集、分析、预测与管理，则都还有一段路程需要再发展。
关键在于AI部分
业者认为，想要达到完全成熟的工业4.0最佳化阶段，最重要的关键在于AI的部分，虽然目前AI相关的工具很多;不过，不同的产业或需求，都需要建立不同的模型，而且建模的过程也不是一蹴可几，不仅要有充分、可靠的数据，模型本身也必须要不断的训练及修正。对许多才进入数字化与网络化阶段的业者而言，确实还有相当长的一段路要走。
目前制造业界对于转型往智能制造发展，都已经有所共识，而且工业4.0也逐步进入导入期;虽然距离达到导入AI，进行小量客制化生产的成熟境界，还有相当长的路要走。但是，产业界愿意跨出第一步，之后才会有希望逐步迈进。扎实的做好数字化、网络化的工作，进行正确的数据搜集，也是为之后要再导入AI应用时，作为提供大量、有效数据的基础。
