Capture record

  • Canonical URI: https://www.bnext.com.tw/article/92544/jay-lee-industrial-ai-interview-taiwan
  • Source class: secondary synthesis/interview。BusinessNext(BN編輯大帳號;文末署名責任編輯:謝宗穎)對工業 AI 學者 Jay Lee(李傑)的六問訪談整理,本筆保留媒體報導與受訪者口徑層級。
  • 原文標題: 6問工業AI教父李傑:台灣如何與中國競爭?企業升級門檻、實體AI最大痛點一次拆解
  • 作者/出版者: BN編輯大帳號(BusinessNext JSON-LD author;文末署名責任編輯:謝宗穎)/數位時代 BusinessNext
  • 發布日期: 2026-10-09T09:44:00+08:00(BusinessNext JSON-LD datePublished/dateModified)
  • 擷取時間: 2026-10-09T01:55:19+00:00(BusinessNext canonical response Date);預跑候選檢查時間 2026-10-09T01:53:49.266074+00:00
  • Retrieval method: web_extract 讀取 BusinessNext canonical page 取得完整正文;再以 Python 標準函式庫 urllib 直接 HTTP GET 核對 JSON-LD。全程未使用 browser 或 browser process。
  • HTTP metadata: BusinessNext status 200;Content-Type: text/html; charset=UTF-8;response Date: Fri, 09 Oct 2026 01:55:19 GMT;HTML 410,516 bytes;HTML payload SHA-256 6332566cb9336da9c96db90abe244b7b8681a5a56101e7ad7a0ee4b405bdaba8;JSON-LD(NewsArticle)articleBody 2,836 字,text SHA-256 40c5426f6e34c3e6f3ce758674bf0fa986fd293149e7e16897cdb22305b58ba9。
  • Saved payloads and SHA-256: 無;本筆只保存 provenance wrapper、忠實摘要與主張帳本,不保存 BusinessNext HTML payload。frontmatter 的 sha256 是本檔 frontmatter 結束後 body 的 SHA-256。

Faithful summary

BusinessNext(BN編輯大帳號;責任編輯:謝宗穎)刊載對 Jay Lee(李傑)的六問訪談。文章先以製造業為台灣出口主力、AI 進駐工廠引出問題,並附受訪者簡介:李傑為美國馬里蘭大學特聘講座教授、工業人工智慧中心(Industrial AI Center)主任,曾創立 NSF 智慧維護系統中心(IMS)與逾 130 家企業合作,2019–2021 年出任鴻海科技集團副董事長並主導工業富聯與燈塔工廠轉型,今年 5 月出任 ASTM 新成立的人工智慧製造系統技術委員會(F50)主席。1

問一:全球導入進展。 李傑稱領先製造業者已超越單點式 AI 應用但轉型仍在進行;第一代工業 AI 聚焦預測性維護、品質檢測與製程優化,現在開始透過共通工業數據、數位雙生與 AI 代理串接不同應用。他舉例有業者利用工廠數位雙生讓 AI 代理在虛擬環境評估生產變更、協調工程與自動化作業;目標從預測機器故障轉向讓 AI 理解情境、判斷行動、模擬後果並執行經核准的行動。他稱 WEF 全球燈塔網絡已有 238 個據點,近期入選者約 3–4 成展現工業 AI 應用,但完全自主的跨流程製造仍在早期;真正前沿是整合工程、生產、品質、維護與供應鏈的多個 AI 代理並由人參與後果重大決策。1

問二:門檻與標準化。 李傑稱主要障礙已不在演算法而在「industrialization」層面:數據破碎分散、老舊設備、IT/OT 整合、缺乏 AI 與領域專業知識、高風險環境中難以驗證 AI、ROI 不確定性,以及 AI 人才短缺。產業成熟度落差大:半導體、汽車、電子等高度自動化產業朝跨流程整合發展,許多中小製造商仍集中在品質檢測、預測性維護等單點應用。他主張標準化應針對數據、介面、互通性、效能衡量、驗證、數位雙生與人機互動建立,而不一定要標準化 AI 模型本身;否則每個成功應用都會變成高度客製化專案、難以複製且成本高。1

問三:中國規模 vs 台灣競爭。 李傑稱中國算力不一定都用於工程或製造(很多投入繪圖、廣告、生成式代言人、小說、電影、短劇等),製造業領域專家數據是最難收集的,因此「製造規模大、算力多,不代表工業 AI 一定領先」。他以瑞士(鐘表、製藥、精密機械)與新加坡(高價值生產)為例說明各國依本質做選擇;對台灣而言本質之一是代工與長期累積的製造力,關鍵是怎麼把代工過程累積的經驗、數據與 know-how 用起來——「你要用代工去贏?還是用技術去贏?」1

問四:實體 AI。 李傑稱「Physical AI」一詞普遍用得不好;物理系統不可能只靠自學(以小孩成長需父母與老師為喻),更重要的是不能只有 autonomy 沒有 purpose——搬運機器人的目的就是搬運,先有目的再增加自主性。他指出工業界已存在大量有形資產(飛機、輪船、風電、電動車、電網、發電廠與建築),提高既有物理系統的智慧化本身就有很大價值。1

問五:未來 1–3 年。 李傑稱 AI 會帶動生產力、競爭力、創造力與學習力的改變,重複性高且價值不高的工作可能被淘汰;但替代後顧客滿意度如何是現在被低估的問題(以班機取消時 AI 幫不上忙為例)。他把問題分成 peacetime 與 wartime:AI 目前多在和平時期解決問題,異常真正發生時能否處理更值得探討。1

問六:台灣工業資料基礎。 李傑建議先集中建立共性部分、由企業與公協會依領域(精密加工、機械、材料)各自建立專業數據;工研院這類機構可參與,但第一步要先盤點真正有多少數據來源與數據流。他強調工業數據與工業大模型一定要由產業/工業本身主導,而不能單純由電腦科學主導,因為「飛機發動機的數據給你看,你不一定看得懂」。1

Ingest-time cross-checks(擷取時核對)

  • University of Maryland Clark School of Engineering faculty page〈Lee, Jay〉(eng.umd.edu/clark/faculty/1772/Jay-Lee,經 web_search snippet 核對):「Clark Distinguished Chair Professor and Director of the Industrial AI Center…Founding Director of the NSF Industry/University Cooperative Research Center on Intelligent Maintenance Systems (IMS) from 2001 to 2019, which grew into a global consortium of more than 130 corporate partners…From 2019 to 2021, he took academic leave to serve as Vice Chairman and Board Member of Foxconn Technology Group…Chair of ASTM F50 Standards Committee on AI in Manufacturing」——支持文章簡介中的馬里蘭大學特聘講座教授、Industrial AI Center 主任、NSF IMS 中心(逾 130 家企業合作)、2019–2021 鴻海科技集團副董事長與 ASTM F50 主席各點。
  • IAI Center 新聞頁〈Prof. Jay Lee will serve as the new chair for ASTM AI in manufacturing〉(iaicenter.com,2026-05-02,經 web_search snippet 核對):「ASTM International’s board of directors approved the creation of a new technical committee (F50) on artificial intelligence (AI) in manufacturing systems chaired by Prof. Jay Lee」——支持文章「今年 5 月出任 ASTM F50 主席」。
  • WEF〈Global Lighthouse Network: Transforming advanced manufacturing〉(weforum.org,經 web_search snippet 核對):「In early 2026, 15 new manufacturers were recognized as Lighthouses, increasing the network to 238 sites worldwide」;WEF Global Lighthouse Network 官方頁亦標示 238——支持李傑所稱燈塔網絡 238 個據點(第一方口徑層級)。
  • 「近期入選者約 3–4 成展現工業 AI 應用」:本輪未讀取 WEF 2026 white paper 或燈塔清單逐項,維持李傑本人估算 attribution。

Claim ledger

IDSource claimStatusOwning evidence and boundary
C01Jay Lee 履歷:馬里蘭大學 Clark Distinguished Chair Professor、Industrial AI Center 主任;NSF IMS 中心創始主任(2001–2019,逾 130 家企業合作);2019–2021 鴻海科技集團副董事長;2026-05 出任 ASTM F50 主席。supported(第一方口徑層級)UMD Clark School faculty page 與 IAI Center 新聞頁(2026-05-02)snippet 均支持;「主導工業富聯與燈塔工廠轉型」維持 BusinessNext/本人自述層級。1
C02WEF 全球燈塔網絡已有 238 個據點。supported(第一方口徑層級)WEF 官方故事頁與 Global Lighthouse Network 頁面 snippet 均標示 238(2026-06 新增 15 家後)。1
C03近期入選燈塔約 3–4 成展現工業 AI 應用。partially-supported(受訪者估算)李傑本人口徑;WEF 2026 white paper 與逐項清單本輪未讀取,維持 unresolved。1
C04領先製造業已超越單點式 AI 應用、朝數位雙生+AI 代理串接發展;完全自主的跨流程製造仍在早期。partially-supported(受訪者觀點)李傑本人判斷,無獨立量化研究支持。1
C05工業 AI 主要障礙在 industrialization 層面:數據破碎、老舊設備、IT/OT 整合、領域知識缺乏、驗證困難、ROI 不確定與人才短缺。partially-supported(受訪者觀點)李傑本人框架,無獨立量化研究支持。1
C06標準化應針對數據、介面、互通性、效能衡量、驗證、數位雙生與人機互動,而非 AI 模型本身。partially-supported(受訪者觀點)李傑本人主張;與其 ASTM F50 主席角色一致但屬個人立場。1
C07中國製造規模大、算力多,不代表工業 AI 一定領先;領域專家數據最難收集。partially-supported(受訪者觀點)李傑本人判斷;中國算力用途分配無獨立統計支持。1
C08實體 AI 應先有 purpose 再談 autonomy;提高既有物理系統智慧化本身即有大價值。partially-supported(受訪者觀點)李傑本人框架,屬概念論述。1
C09工業數據與工業大模型應由產業主導而非電腦科學主導;共性部分集中建立、專業部分分領域建立。partially-supported(受訪者觀點)李傑本人建議,無獨立驗證。1

Evidence boundary

本筆能支持的最小結論是:BusinessNext 於 2026-10-09 刊載對 Jay Lee 的六問訪談;其個人履歷(馬里蘭大學 Industrial AI Center 主任、NSF IMS 創始主任、2019–2021 鴻海副董事長、ASTM F50 主席)與 WEF 燈塔網絡 238 據點數字經第一方頁面核對一致(supported,第一方口徑層級),其餘皆為受訪者觀點/估算。

本記錄不能證明:「近期入選燈塔約 3–4 成展現工業 AI 應用」的逐項依據、領先企業跨流程整合的量化進度、中國算力用途分配統計、任何關於台灣與中國工業 AI 競爭優劣的因果判斷,或 peacetime/wartime 框架下 AI 異常處理能力的實證。本輪未做產品操作、數據重算或 human verification,未加入 verified。

Rights boundary

BusinessNext 文章屬外部著作。本次僅保存 metadata、faithful summary、claim ledger、必要 canonical links 與證據界線;未保存文章全文 payload、HTML 或圖片。canonical link 是後續查核入口,來源 ingest 指示不等於取得重製授權。

Footnotes

  1. 數位時代 BusinessNext〈6問工業AI教父李傑:台灣如何與中國競爭?企業升級門檻、實體AI最大痛點一次拆解〉(BN編輯大帳號;責任編輯:謝宗穎),2026-10-09;https://www.bnext.com.tw/article/92544/jay-lee-industrial-ai-interview-taiwan。 ↩ ↩2 ↩3 ↩4 ↩5 ↩6 ↩7 ↩8 ↩9 ↩10 ↩11 ↩12 ↩13 ↩14 ↩15 ↩16