精選文章

一個好的PLM專案需要做到守正出奇！

文章開頭先引用《孫子兵法·兵勢篇》的一段話「凡戰者，以正合，以奇勝。故善出奇者，無窮如天地，不竭如江河。」
套用到PLM的實施輔導過程，守正(以正合)就是先保證原本系統應有的價值、確保數據的完整、使用者能用好系統、管理者能做好管理。這也是為何一直強調諮詢顧問的價值。

出奇(以奇勝)就是利用各種創新應用(包含AI技術)進一步幫助提高效率，舉例說利用AI文件分享、數據分析、知識問答、內容生成功能，幫助用戶快速分析及彙總任務，這是AI技術帶給專案團隊的價值。
智慧製造是邁向工業4.0的一種手段，利用創新技術應用帶給生產型製造業一次大的變革，所以說革命性突破。尤其算力大爆發的現在，算力成為工業4.0最重要的關鍵要素，這如同工業1.0的煤、工業2.0的電力、3.0的網際網路，工業4.0最仰賴的關鍵要素則是算力，這一點專家們的意見基本上已經趨於一致。

現在讓我們來探討一下，在AI技術快速發展之下，PLM系統實施專案應該怎麼規劃?有什麼是應該繼續堅持的，又該有什麼是應該轉變? 希望這個探討能讓企業更加順利的完成實施，同時也帶給企業更高的價值。

最近好多客戶都會提到：「我們公司最近想引入AI技術，對於這方面有沒有好的建議?」，一般來說我們並不建議企業過早就去引入所謂AI技術，原因是因為現在的技術還在野蠻發展階段，技術層面並非處於穩定的狀態; 另外對於資訊安全還沒有完善的配置或者架構，風險仍高; 再者就是許多企業連作業規範都沒有，就算存在了多年下來存儲的運營相關資料，也多數不存在可用的價值，如果在這個狀態下考慮引進AI技術可以說只是耍滑頭，對於企業有害無利。

其實我們並非反對去發展並且應用AI技術，反過來我們已經投入AI技術應用將近兩年，目前AI技術的團隊也持續在做的研究與探索，所以本質上我們是AI支持派、不會是反對派，因為我們堅信《無AI、無未來》，而且我們一定會繼續加大往AI發展這個力度，走在前頭幫助企業提前做探索，避免未來企業走彎路，這也是我們博威團隊一直以來存在的價值。

各位如果回頭去看工業1.0到3.0過程，並非每一次工業革命都是一帆風順，過程都有著不小的困難及危機。舉例1929年開始的經濟大蕭條，這是因為工業1.0革命引發的社會化與資本化的轉換危機、1960年前後工業2.0則引發了經濟發展與環境破壞之間的競爭危機，2000年網絡泡沫危機之後的虛擬世界與實體世界的衝突危機可以說是因為工業3.0引發的危機...。從歷史經驗告訴我們，這次發展AI的過程必然也會引發另一波危機，基於英偉達黃仁勳先生在GTC大會上的表述，算力將會是推動工業4.0最重要的元素之一，但他沒說的是這背後究竟會帶來什麼風險或者危機，因為還沒人能準確預測，但肯定的是這一波危機必然會到來，只是會是以什麼形式、會有多嚴重、延續多久，這沒人知道。

如果回歸到我們做PLM專案的實施，守正還是最重要的，如同過去的經驗分享，做好一個案子應該要兼顧的系統能力、專業的顧問、時機選擇、以及企業本身對於流程與數據規範化，這些都是缺一不可，依據統計分析，過去類似的管理軟件系統專案成功的比例連3成都不到，這其實是一個很真切的現實情況，而且就算我們作為顧問專家身份，一直苦口婆心強調各種評估過程需要有的考慮跟準備，但其實企業最終還是會礙於預算限制、時間壓力、老闆的期待...最終依然沒有太明顯的改變。

如何善用AI技術幫助提升PLM專案實施的成功率？也就是出奇制勝這個層面。首先我們問一下各位，您認為過去項目失敗或者沒有產生預期價值的原因大概有哪些?
...因為評估階段沒有真正瞭解系統架構跟價值? 過於信任廠商跟專家的意見而忽略了本身需求!
...因為預算資源受限，用過系統的使用者不多? 對於PLM乃至於系統本身的理解不夠而有了偏差!
...因為實施過程不順暢，使用者投入不夠，決策者關心不夠? 總是希望成果能奇跡出現!結果當然不好
...因為IT技術能力不夠，無法長期維護及用好系統? 公司對於IT資源投入不夠，產出要求卻很高!
這些問題的存在，大家是否都似曾相識?

所以如何善用AI技術幫助避免過去的這些誤解或者期待落差，這或許是一個提升系統專案成功的一種路徑。
以下說明AI的五力分析：
▶AI的預測能力
AI的模擬能力也是延續過去十年發展很快的虛擬化應用。不論是設計端的數據模擬、製造端的車間佈局模擬、甚至於是針對品質把控的問題預測，這些都可以歸納為AI的前瞻能力，也就是推理能力。因為有這些歸納及邏輯推理，才能做到所謂大軍未動、糧草先行的境界，這次小米SU7所展示的汽車工廠就用了很多這種車間模擬的能力，我們也稱為前瞻能力或者虛擬化能力。

▶AI的計算能力
這次英偉達2024 GTC（GPU Technology Conference）引發全球AI界的關注，萬人會場座無虛席，英偉達在GTC上對外展示出新一代圖形計算平台，被稱為「地表最強算力AI芯片」，據介紹B200訓練萬億大模型的性能是H100的4倍，推理性能最多提升30倍。如果以英偉達的預估，算力每半年增加一倍的速度，這種指數性成長之下，相信不久的將來，未來的算力可能會如同電力一樣源源不絕，在算力成本大幅降低之下，AI的各種場景及應用將會爆發性出現，這時就像傳統工廠一樣，只要有水、有電、有設備就能開設工廠及產線，而未來也是只要有電腦、有算力、有創意就能創造一個全新的應用場景，以前的工廠是生產實體產品的地方，未來的AI場景是生產「智慧」或者「智能化數據」的場域。

▶AI的分析能力
過去企業運營過程最關鍵的需求就是如何做經驗總結，因為總結經驗才能有足夠的知識，知識才能持續滿足客戶所需服務，服務才能有優勢(例如半導體大廠TSMC就是以半導體生產服務為訴求)。如果將這些分析能力用於場景(所謂落地)，也是未來關係到AI是否能幫助到製造業的關鍵，我們不稱為大數據或者大語言模型(姑且稱之為小數據、小模型)，對於這些數據分析能力可能跟2C這種應用大相逕庭，2B的數據分析需要更精准、更有針對性、更要求使用場景，舉例如果們希望AI技術幫忙找到最適化配方，從大數據分析得來的配方肯定無法使用。

▶AI的重構能力
現在很多人都強調AI的生成能力，嚴格來說更重要的是重構能力而不是生成，這個階段的AI還是需要經過學習及大量數據才能實現所謂生成能力，但人類之所以成為高等生物是因為智慧，智慧不只是學習跟重構，更重要的是後面要談的創新與創造。舉例Codex或者Devin這樣的AI程序員就像是幫忙做代碼撰寫及創造，這跟一般內容的生成有所區別，代碼的生成需要更強的邏輯性與創造性，很多應用是與過去截然不同的場景，因此代碼的編寫邏輯也需要全面的重構(當然代碼的基本邏輯是固定的)。再舉例Sora這樣的文生圖能力，就需要更多對於物理世界的邏輯理解能力，這相當於對於圖形或者影像的重構。

▶AI的創新能力
有了上述的能力之後，並不意味著AI就能創新，AI創新得利用ML機器學習技術，自適應的應用程序可以進行自我優化。隨著時間的推移，他們會分析工作處理的結果，然後學習如何做的更好。機器學習的工作流程需要數據科學家進行模型選擇，這涉及到一整套迭代流程，包括特徵工程、算法選擇、以及參數調整，這也是為何大家都會一直強調幾個億的參數，因為參數越多代表著創新能力越強。如果要以人類當比喻，這就是所謂教育程度，高的教育程度意味著將數據轉化成智慧的轉化能力越強。

實務上應該如何將這些AI能力轉化，作為幫助PLM專案成功的關鍵要素? 在文章一開始，我們就提到一個成功的專案需要幾個要素：行業特性、專業顧問、彈性平台、規範流程、及技術積累。如果我們舉例考汽車駕駛執照當舉例，一個新手學習駕駛的過程基本上也需要這些特性，行業特性就是對於交通規則的理解、專業顧問就是教練老師、彈性平台就是車子本身、規範流程就相當於學習過程跟課程、最後技術積累就是持續累積上路經驗以提升學員應對各種狀況的反應能力。

要能順利實施PLM系統其實也是這個邏輯。舉例對於針對食品行業的PLM實施，對於行業內配方設計及合規要求一定得明確掌握，加上有實施經驗的專業顧問，平台具備彈性能滿足到行業的各種應用需求，再加上各種培訓及流程疏理以建立標準化及規範性，然後就是專業的實施方法累積專案組的經驗與交流，慢慢實現預定的目標。這是守正！

如何從過去一個專案短則需時半年，長則一年時間，未來我們能利用AI技術能力，幫助參與到專案執行過程的各個實施環節，例如需求匯總、規格制定、代碼編寫、還有手冊的生成，盡量以AI技術輔助(舉例Copilot工具)，幫助過去各種耗費時間而且相當費勁的文件工作，最終能以1/10甚至於1/100的時間高效完成原有任務，這樣子專案的推進就能迅速很多，這是出奇！
守正加上出奇，最終實現目標，自然不是難事！