事件
2026 年 7 月，高雄市政府經濟發展局主辦「2026 AI 智慧大工廠論壇」，邀集鴻海科技集團、華碩、金屬工業研究發展中心等企業，探討如何用 AI 解決製造業升級的核心瓶頸——資深員工退休時帶走的數十年隱性經驗無法複製與傳承。
高雄市政府經濟發展局局長廖泰翔表示，經發局將協助企業對接鴻海、華碩等 AI 技術與算力資源，將高雄既有的硬體製造優勢轉化為 AI 應用，「讓 AI 從過去的單點案例串連成全面的產業網」。
鴻海科技集團智慧製造平台處長郭錦斌指出，製造業升級的真正瓶頸並非缺乏 AI 模型，而是如何把老師傅累積數十年的隱性知識與經驗複製與傳承。
背景：知識斷層危機
台灣製造業面臨結構性危機。過去 30-40 年、許多工廠的核心競爭力來自資深師傅與技術人員累積的隱性知識——他們知道怎樣微調機器參數才能出最好品質、怎樣從聲音或溫度預判設備故障、怎樣在客戶需求變化時快速調整生產排程。這些知識活在人的腦子裡、難以明確言說、更無法直接教新人。
當這代資深員工陸續進入退休年齡、師徒制因為高離職率而瓦解，台灣製造業面臨的不是「人口老化」的行政問題，而是「知識流失」的生存危機。新進員工需要 5-10 年才能達到師傅的水平、但師傅留下的時間可能只有 2-3 年。這個時間錯位，造就了一場無聲的知識海嘯。
AI 作為知識外顯化的載體
從波蘭尼（Michael Polanyi）的「We know more than we can tell」到野中郁次郎的「知識創造模式」，組織學習理論早就指出：隱性知識（tacit knowledge）——用身體與直覺累積的、難以用言語精確描述的知識——是企業競爭力的根本。問題是，隱性知識無法直接複製、只能透過「同在現場、耳濡目染」的師徒關係逐漸內化。
AI 的價值、在這個脈絡下並不是「替代人」，而是成為「知識外顯化的載體」。當我們用視覺檢測 AI 學會老師傅怎樣判斷瑕疵、用預測性維護模型記錄他如何預判故障、用智慧排程系統編碼他的決策邏輯，本質上就是把「藏在一個人腦子裡的經驗」變成「寫在代碼與參數裡的規則」。
這個轉化過程有三層意義：
1. 知識保存：當師傅退休時、他的決策邏輯不會消失、而是以模型形式被保存在系統裡。 2. 規模化複製：新進員工不需要花 5-10 年才能達到師傅水平、而是用 AI 輔助系統、在 6-12 個月內快速接近。 3. 持續演進：AI 模型可以在實際運作中不斷學習、甚至超越單一師傅的經驗。
為什麼「串連產業網」很關鍵
廖泰翔的關鍵表述是「讓 AI 從過去的單點案例串連成全面的產業網」。這不是修辭、而是抓住了真實的瓶頸。
目前許多企業的 AI 應用還停留在「單點案例」——一個工廠做了視覺檢測、另一個工廠做了預測性維護，彼此孤立。這樣的後果是：
1. 投資重複：每家企業都要重新投資模型開發、資料標註、系統整合、成本居高不下。 2. 知識孤島：老師傅 A 的經驗只在公司 A、老師傅 B 的經驗只在公司 B、整個產業的隱性知識仍然四分五裂。 3. 供應鏈脆弱：當某個環節出現人才斷層、整條供應鏈都可能癱瘓。
「產業網」的想像是不同。透過高雄市政府的協調、鴻海與華碩等大廠開放的技術與算力資源、以及像杰倫智能、谷林運算這樣的專業服務商，中小製造商可以：
1. 快速對接現成的 AI 解決方案、不用從零開始。 2. 共享老師傅的經驗模型——當鴻海把檢測邏輯標準化，中小廠就能直接用。 3. 形成集體學習的生態——產業內的知識流通變快、演進變快。
人與 AI 的新分工
郭錦斌的一句話很關鍵：「AI 負責繁瑣事務、人類做決策判斷」。
這暗示了隱性知識外顯化的另一層含義——不是「AI 替代人」，而是「把人從重複勞動中解放出來、專注在高價值的決策與創新上」。
過去老師傅的時間分配大概是：70% 在重複檢查、參數微調、故障排查（繁瑣事務），30% 在真正需要經驗判斷的決策上。當 AI 接手前 70%、人類能投入 100% 的精力在決策與創新時，生產力的提升就不只是效率問題、而是創意與適應能力的質變。
風險與未竟之處
這個願景也有幾個容易被忽視的風險：