工業AI落地：先補數據基建

工業AI為何「雷聲大、雨點小」？問題在資料，而非只在模型

石油、石化、電力、礦山等工業產業都在談 AI，但講者觀察到，真正進入生產流程的大模型應用仍有限；相較之下，攝影機影像辨識等相對明確的任務已較快普及。原因並不是 AI「不行」，而是企業的資料底座往往尚未準備好。模型像一位理解力很強的分析師，但若拿到的是彼此隔離、名稱含糊、單位不一的報表，再強的分析能力也難以產生可信結論。

• 資料孤島：工業現場常有多套控制、監測與管理系統，各自獨立，資料尚未真正流通；若連單點資料都難以串接，模型自然看不見全貌。
• 標準不統一：同一件事可能有不同名稱；反過來，同名也未必同義。再加上不同系統採用不同計量單位，會讓資料比對與推論失準。
• 缺乏場景上下文：單獨看見「溫度 21」只是數字，必須知道是什麼地點、設備或環境、正常範圍與告警門檻，才能判斷它是否異常。
• 工業要求可驗證：生產與安全情境重視確定性、可靠性與可追溯性，不能把不完整或語意不清的資料直接交給模型做高風險決策。

「這個問題不是模型不夠，是 AI 所需的數據基礎設施，大部分企業沒有做好。」
— 陶建輝

講者以溫度為例說明資料與事實的差別：資料庫中的浮點數、整數或字串，本身沒有場景含義；只有把它連回實體對象、位置、歷史狀態、上下游關係與業務規則，數字才會成為可供判斷的事實。因此，企業不該只問「要用哪個模型」，更要先問「模型看見的資料，是否真的代表現場」。

從資料源到決策：工業AI的分層產品架構

濤思數據的路徑是由時序資料庫向上建立工業整合與智慧產品。底層先接入 SCADA、DCS、IoT 與振動感測器等資料源，透過標準協議寫入時序資料庫或其他資料庫；資料進入後，還需要進行轉換、清理與整合。這一層不只是儲存系統，更要支援工業所需的即時計算與告警：若無法即時判斷異常、觸發提醒，資料便很難真正服務生產流程。

• 資料接入層：連接 SCADA、DCS、IoT、振動感測器等工業資料源，透過標準協議匯入資料平台。
• 資料與計算層：以時序資料庫承接高頻工業資料，搭配資料轉換與整合；對工業現場而言，即時計算、異常偵測與告警是基本能力。
• 工業本體層：將資料目錄、統一標準、場景與關係加到資料之上，使 AI 不只讀到欄位，而能理解對象與語意。
• 原子應用層：將明確、可重複執行的分析或操作封裝為工具，提供代理以一致方式調用。
• 智能代理層：管理代理、技能、工業知識與工具使用，處理需要規劃、推理、查詢與多步驟分析的任務。
• 柔性介面層：以對話、語音、訊息或依需求生成的頁面，降低傳統工業軟體固定 UI 的操作門檻。
• 開放整合：系統需保持開放，講者提及可透過 MCP、訊息佇列等方式串接，避免被單一供應商綁定。

工業本體：讓AI讀懂資料，而非只讀到欄位

講者將工業本體定位為 AI 的必要語意層。若資料沒有統一名稱、對象關係與場景描述，模型即使能讀取資料庫，也不知道某個測點屬於哪台設備、指標對應什麼工藝環節，或某個數值是否已進入異常區間。這也回應了一個常見誤解：加上一個「本體」功能，不等於資料庫便自動成為 AI 原生；真正關鍵是本體是否能承載複雜且可用的工業事實。

• 資料目錄：大型工業現場可能有大量感測器與測點，目錄用來協助快速定位資料，並建立對象與資料之間的可查找關係。
• 資料標準化：統一名稱與計量單位，降低同名不同義、同義不同名與單位不一致造成的誤判。
• 場景化：將測點放回設備、地點、歷史表現、上下限與告警規則中。例如溫度是否異常，必須結合實際場域與門檻判斷。
• 關係與權限：本體除描述設備、元素、指標、屬性與分析，也需納入對象關係及資料可見範圍，讓查詢與使用在適當權限下進行。

「工業能力進入的過程，是讓 AI 能夠讀懂你的數據。」
— 陶建輝

原子應用與智能代理：把確定性任務交給工具

講者強調，工業 AI 不應把所有事情都交給大模型。對於繪製趨勢圖、計算 KPI、執行邏輯運算、規則引擎判斷或即時告警等高度確定的任務，直接以固定工具執行更有效率，也更符合安全與可靠性要求。這些能力被封裝為「原子應用」：如同一組清楚定義的積木，代理只需在合適時機調用，而不必重新猜測每一步怎麼做。

• 原子應用是工具化的確定性能力，可涵蓋趨勢圖、KPI 計算、邏輯運算、規則判斷與即時告警。
• 智能代理負責管理代理、技能、工業知識與工具，並處理規劃、資料查找、工具使用、記憶與迴圈等多步驟任務。
• 事件根因分析是典型代理任務：當事件發生時，系統可依設備上下游關係尋找相關資料，並透過多輪工具調用逐步縮小原因範圍。
• 人類在迴路中不可省略。AI 可以提出分析與建議，但工業現場對直接控制設備抱持高度審慎，最終仍須保有人員檢視與判定。

「我十分明確的事情，我不需要用 AI 來做。」
— 陶建輝

柔性介面：從固定畫面走向人本操作

講者將 AI 帶來的介面變革稱為「柔性介面」，並主張這是一種更 human-friendly 的工業軟體方向。傳統工業軟體的畫面與操作流程往往固定、複雜且難以調整；在 AI 協助下，使用者可用語音、訊息或直接輸入需求查詢昨天的能耗、安全事件等資訊，也可讓系統依問題生成合適頁面。對不熟悉提問或撰寫指令的現場人員，系統還可把頁面上的既有資料與常見問題轉為按鈕，降低操作門檻。

這裡的「柔性」不是放棄既有系統，而是讓人機互動不再被單一 UI 限制。它可在保有工業資料、權限與工具邏輯的前提下，讓介面隨任務調整；如同柔性製造能因應不同產品，柔性軟體則應因應不同角色、問題與決策情境。

知識管理：把老師傅經驗轉成可信任資產

講者認為，AI 的一項重要價值是推動知識管理：把原本存在於個人經驗、文件、規則與作業習慣中的隱性知識，整理成可被使用、驗證與延續的企業資產。這並非只做問答庫，而是要把知識放進與資料、對象、流程及工具連動的結構中。

• 資料知識：理解每個指標或對象的含義、屬性與適用範圍，避免只留下無脈絡的欄位與數值。
• 文件與規則知識：例如溫度超過特定條件應採取何種處置，必須可被明確表達與追溯。
• 流程知識：將特定工藝或維運流程沉澱為 Skill，使系統能按既定程序協助完成任務。
• 事件經驗：當事故或異常發生時，老師傅通常知道哪些設備與訊號需要優先查看；這類判斷可逐步轉成可調用的技能。
• 知識資產化的前提是可信任：它應與來源資料、規則、權限與人員覆核相連，而非讓模型憑空補全。

從「問數」到「無問自推」：讓數據主動說話

即使提供再強的智能問數功能，工業使用者仍可能面臨更根本的困難：不知道該問什麼，尤其無法提出高品質問題。講者因此提出「無問自推」：在工業本體與場景已建好的前提下，系統主動提示使用者應關注哪些問題、面板或分析方向。例如特定化工生產情境中，系統可依其工藝脈絡建議應追蹤的面向，而非等待使用者從空白輸入框開始。

「世界上最大的問題是，你問不出問題。」
— 陶建輝

• 智能問數仍適合具備業務知識、知道要查什麼的使用者。
• 無問自推則降低「提問能力」成為分析門檻的問題，讓資料分析不再過度依賴個人的分析知識。
• 面板智慧解讀可在既有曲線、報表與數據頁面上直接產生分析結果，協助使用者理解當下資訊。
• 相較於直接控制設備，AI 先用於資料解讀、異常關聯與根因分析，更符合工業場景對確定性與安全性的要求。
• 根因分析可自動尋找事件的上下游設備與相關資料，將原本可能需要資深人員花費數小時甚至更久的排查，轉為系統化的輔助流程。

開源與永久免費：以真實使用推動產業標準

講者回顧，公司曾宣布將 TDengine 核心程式碼開源；此次進一步提出，面向中小企業提供工業本體相關軟體的完整功能永久免費使用。其立場是：真正資源不足、最需要 AI 與技術支持的，往往不是大型科技公司，而是大量傳統產業與中小企業。這也呼應其特別強調的方向：傳產最缺的不是口號，而是能實際取得、部署與使用的 AI 能力。

• 核心程式碼採開源模式；講者表示，開源是讓技術被更多人使用的重要方式。
• 對符合條件的中小企業，方案主張完整功能與完整性能永久免費，而非限時試用或以功能切割的免費版。
• 企業版則保留部分面向企業部署與支援需求的能力，以維持商業營運。
• 免費策略的目的不僅是擴大採用，更是讓更多不同行業、規模與供應鏈情境帶來真實需求，暴露真正待解的工業問題。
• 長期目標是讓 TDengine 與相關工業資料能力朝行業標準發展，並透過開放生態擴大影響力。

「寫的程式最重要的是要被人用。」
— 陶建輝

重點回顧：工業AI的競爭，回到數據與事實

• 工業 AI 落地的轉折點，不是單純追逐模型規模，而是補齊資料流通、語意標準與場景上下文。
• 工業本體是將數據轉成可理解事實的關鍵：資料目錄、標準化、場景化、關係與權限缺一不可。
• 架構上應區分確定性與非確定性任務：前者交給原子應用，後者由智能代理結合工具、技能與知識處理，並保留 human in the loop。
• 知識管理的核心是把資料定義、規則、流程與資深人員經驗資產化，讓能力不再只存在於少數人腦中。
• 無問自推與面板智慧解讀，試圖把分析從「使用者會不會問」推進到「系統能否主動指出值得關注的事實」。
• 開源與中小企業永久免費策略，意在讓資源相對不足的傳統產業也能使用完整能力，並以更多真實場景持續驗證產品。