維護生產品質，該用統計學還是直接用 AI？

維護生產品質，該用統計學還是直接用 AI？

這幾年談到品質管理，很多公司第一個想到的關鍵字就是 AI。

老闆可能會說：

「AI 不是很快嗎？」 「你們不會用 AI 找問題嗎？」 「資料丟進去，不就可以知道原因了嗎？」

聽起來很合理，但真正站在製造現場的人都知道，事情通常沒有這麼簡單。

尤其當公司又同時要求：

「任何一丁點生產資料都不能上傳到外網。」

這時候工程師就會卡在一個很現實的問題上：

AI 好像很強，但資料不能外流、資料格式不一致、資料品質不穩定、設備資料不完整，最後忙了半天，得到一些看起來像答案，卻不知道該怎麼下手的結果。

這不是 AI 沒用，而是問題一開始就沒有被正確定義。

從 CPK 開始的品質管理基本功

這讓我想起二十六年前剛入行的第一年。

那時候學長手把手教我 CPK，而且很嚴格地告訴我：

「你能不能待得下去，就要看你這個基本功熟不熟。」

當時聽起來很有壓力，但多年之後回頭看，這句話其實非常實在。

CPK 是製程能力指標，用來判斷一個製程是否有能力穩定做出符合規格的產品。

它看的不是單一產品有沒有合格，而是看整個製程長期下來是否穩定。

簡單來說，CPK 主要關心兩件事。

第一，製程變異夠不夠小。 第二，製程中心有沒有偏離規格中心。

如果一個製程變異很大，就算平均值看起來不錯，產品仍然可能常常超出規格。 如果一個製程變異很小，但整體數據偏向上限或下限，也代表製程中心已經偏移，未來仍然有品質風險。

所以 CPK 的價值在於，它可以把「品質好不好」轉換成可以量化的製程能力指標。

在製造現場中，CPK 常用在尺寸、厚度、重量、壓力、流量、溫度、電性、表面粗糙度、移除量等連續型數據上。

它是一個很基本的工具，但也是判斷製程能不能穩定量產的重要基礎。

p-value：看起來像論文，其實也很製造現場

多年之後，工作中又多了一個讓人頭昏的東西，叫做 p-value。

一開始看到 p-value，很多工程師可能會有同樣的反應：

「這不是寫量化論文在用的東西嗎？」 「品質改善為什麼要看這個？」

但真正進入製程改善、DOE 實驗設計、參數驗證之後，就會發現 p-value 其實很實用。

p-value 的功能，是幫助我們判斷某一個差異是否具有統計上的顯著性。

例如：

換了一批材料後，產品尺寸真的有變嗎？ 調整設備參數後，不良率真的下降了嗎？ 兩台設備做出來的品質真的不同嗎？ 新的清洗條件是否真的改善了表面狀況？ 某一個製程因子是否真的影響良率？

這些問題不能只靠感覺回答。

因為製造現場的數據本來就會波動，有時候今天比較好，不代表參數真的有效；有時候今天比較差，也不代表設備真的有問題。

p-value 可以幫助工程師判斷：

這個差異比較可能是隨機波動，還是真的有某個因素造成影響。

通常在品質分析中，p-value 小於 0.05 時，會被視為具有統計顯著性。不過這不代表 p-value 小於 0.05 就一定有工程價值，也不代表 p-value 大於 0.05 就完全沒有影響。

真正重要的是把 p-value、實際效果大小、製程知識、樣本數、量測條件與現場經驗一起判斷。

也就是說，p-value 不是答案本身，而是一個幫助工程師判斷方向的工具。

DOE 實驗設計：不要只是試看看

在品質改善中，DOE 實驗設計是一個非常重要的基礎方法。

DOE，全名是 Design of Experiments，中文通常稱為實驗設計。

它的目的不是單純做實驗，而是用有系統的方法安排實驗，找出哪些因素真正影響品質結果。

在製造現場中，我們常常會遇到很多可能影響品質的因素。

例如：

溫度、壓力、時間、速度、距離、流量、轉速、材料批號、藥液濃度、刀具壽命、操作人員、設備狀態、環境濕度等。

如果只是憑經驗一個一個調整，很容易變成「試看看」。

今天調壓力。 明天調時間。 後天換材料。 再過幾天又改操作方式。

最後可能做了很多實驗，卻還是不知道真正有效的因素是什麼。

DOE 的價值，是讓這些實驗有結構、有順序、有分析方法。

在 DOE 中，我們會先定義：

要研究的因素是什麼？ 每個因素要設定哪些水準？ 最後要量測的反應值是什麼？ 要如何安排實驗組合？ 要如何判斷哪些因素有顯著影響？ 要如何找出最佳參數？

例如在一個表面處理製程中，可能會研究噴砂壓力、噴砂距離、噴砂時間與介材粒徑對表面粗糙度的影響。

透過 DOE，我們不只可以知道單一因素的影響，也可以看到因素之間的交互作用。

這一點非常重要。

因為很多製程問題不是單一因素造成，而是多個因素組合起來造成。

壓力提高可能會讓表面變粗，但如果距離也變遠，效果可能又不同。 溫度提高可能會改善反應速度，但如果時間太長，也可能造成副作用。 轉速提高可能提升效率，但如果進給速度沒有搭配，反而會讓品質變差。

這些都不是單純一次只改一個條件就能看清楚的問題。

CPK、p-value 和 DOE 其實是一套連續邏輯

如果把統計品質管理放在一起看，CPK、p-value 和 DOE 並不是分開的工具，而是一套連續的品質改善邏輯。

DOE 用來安排實驗，找出可能影響品質的關鍵因素。 p-value 用來判斷這些因素是否具有統計上的顯著性。 CPK 用來確認改善後的製程能力是否真的提升。

例如：

工程師透過 DOE 測試不同製程參數。 分析結果顯示某幾個因素的 p-value 很低，代表它們對品質結果有顯著影響。 接著依照最佳參數進行確認實驗。 最後再用 CPK 確認製程是否真的變穩定。

這樣的流程，才是比較完整的品質改善。

不是只看一次結果，也不是只看 AI 給出的建議，而是從實驗設計、統計判斷到製程能力驗證，一步一步建立可信度。

那 AI 呢？

所以問題來了。

如果統計方法已經可以做這麼多事，那 AI 還需要嗎？

答案是：需要，但不一定每一個問題都需要。

有些問題其實用統計方法就能解決，而且會更直接、更清楚、更容易解釋。

例如：

兩組製程條件是否有差異？ 哪個參數對品質影響最大？ 改善後 CPK 是否提升？ 某個異常是否超出管制界限？ 這批產品的尺寸分布是否穩定？

這些問題，用傳統統計方法通常就很有效。

但 AI 的價值在於，它可以處理更大量、更複雜、更即時的資料。

例如：

設備感測器數據很多，而且每秒都在變化。 影像檢測資料量非常大，人工判斷容易疲勞。 製程變數很多，而且彼此之間有非線性關係。 品質異常發生前，可能有一些人眼不容易察覺的微小變化。 工程師每天開 log 看到頭昏，卻很難快速找出關聯。

這些場景，就是 AI 比較能發揮價值的地方。

AI 可以用在影像瑕疵檢測、異常偵測、預測式品質管理、製程參數建議、設備健康監控、良率預測、材料批次風險分析等應用。

但前提是，資料要能被正確收集、正確整理、正確標註，並且要能對應到實際製程問題。

否則 AI 很容易變成：

看起來很厲害，但現場不知道怎麼用。

品質問題不只是資料問題，也是現場問題

在品質管理中，最容易被忽略的問題是：

你收集到的數據，真的合理嗎？

同一個產品，如果由不同人量測，結果會不會不同？ 同一個操作，如果由不同人執行，手法會不會不同？ 同一台設備，不同班別使用，條件是否一致？ 人工紀錄是否完整？ 感測器是否校正？ 量測工具是否穩定？ 資料時間戳是否對得起來？ 設備參數、檢測結果與產品批號是否能正確串接？

如果這些基礎沒有處理好，AI 看到的資料也只是混亂的資料。

這時候不是 AI 不準，而是資料本身就沒有建立好。

所以在談 AI 品質控管之前，企業應該先問幾個問題：

哪些品質結果最重要？ 哪些製程參數可能影響品質？ 哪些資料已經自動化收集？ 哪些資料仍然靠人工輸入？ 哪些量測結果容易受到人為因素影響？ 設備資料、量測資料、批號資料、Recipe 資料能不能串起來？ 資料能不能回追到生產條件？

這些問題比直接問「AI 能不能幫我找問題」更重要。

自動化是品質管理走向 AI 的基礎

如果要讓品質管理從統計分析走向 AI 應用，自動化通常是很重要的一步。

因為自動化可以減少人為變異，讓資料更穩定、更即時、更完整。

例如：

人工量測改成設備自動量測。 人工抄表改成感測器自動收集。 紙本紀錄改成資料庫紀錄。 人工判斷改成影像檢測輔助。 設備參數自動上傳到 IPC、EAP 或 MES。 每一批產品的製程條件、量測結果與品質判定可以完整追溯。

這些不是為了趕流行，而是為了讓品質管理有更可靠的資料基礎。

AI 需要資料。 統計分析也需要資料。 MES、EAP、SPC、CPK 分析、DOE 驗證也都需要資料。

所以真正的重點不是先選統計學還是 AI，而是要先建立正確的數據流程。

不同問題，要用不同方法

品質管理不是所有問題都丟給 AI，也不是所有問題都只靠傳統統計。

比較合理的做法，是依照問題類型選擇適合的方法。

如果目標是確認製程能力，可以用 CPK。 如果目標是判斷改善是否有效，可以用 p-value 和假設檢定。 如果目標是找出關鍵製程因素，可以用 DOE。 如果目標是監控製程穩定性，可以用 SPC 管制圖。 如果目標是大量影像瑕疵檢測，可以用 AI 視覺檢測。 如果目標是從大量感測器資料中提前發現異常，可以用 AI 異常偵測。 如果目標是預測未來品質風險，可以用機器學習模型。 如果目標是建立完整製程追溯，就需要 EAP、資料庫與 MES 整合。

也就是說，方法沒有絕對的新舊之分，只有適不適合。

CPK 不會因為 AI 出現就失去價值。 p-value 不會因為深度學習流行就變得過時。 DOE 也不是傳統工廠才需要的工具。

相反地，AI 要真正用得好，反而更需要這些統計與製程知識作為基礎。

AI 不是品質管理的捷徑，而是放大器

AI 在品質管理上的角色，不應該被看成一條捷徑。

它比較像是一個放大器。

如果企業已經有清楚的製程邏輯、穩定的量測方法、完整的資料收集、正確的品質標籤，那 AI 可以把品質管理能力大幅放大。

它可以幫助工程師更快看見異常，更早預測風險，更有效率地處理大量資料。

但如果企業本身沒有定義好品質問題，也沒有建立好資料基礎，AI 可能只是把混亂放大。

最後得到一堆看似有關聯，卻無法落地的分析結果。

所以導入 AI 品質控管之前，真正要問的不是：

「我們會不會 AI？」

而是：

「我們的品質問題定義清楚了嗎？」 「我們的關鍵數據收集完整了嗎？」 「我們的量測方式穩定嗎？」 「我們的資料可以追溯嗎？」 「我們知道要用哪一種方法解決哪一種問題嗎？」

結論：不是統計學或 AI，而是用對方法

維護生產品質，不是統計學和 AI 二選一的問題。

真正重要的是用對方法。

CPK 可以幫助我們判斷製程能力。 p-value 可以幫助我們判斷變數是否具有顯著影響。 DOE 可以幫助我們有系統地找出最佳參數。 自動化可以幫助我們降低人為變異並建立穩定資料來源。 AI 可以幫助我們處理大量資料、影像判斷、異常偵測與品質預測。

在智慧製造的現場，統計學是基礎，AI 是延伸。

沒有統計與製程知識，AI 很難真正落地。 沒有自動化與資料整合，AI 也很難產生可靠結果。

所以，當老闆問：

「AI 不是很快嗎？」

工程師真正需要回答的或許是：

「AI 可以很快，但前提是我們要先把問題、資料和方法準備好。」

品質管理的核心，從來不是追逐最新工具，而是讓製程更穩定、讓問題更早被發現、讓改善更有根據。

統計學也好，AI 也好，最終目的都是同一件事：

讓生產品質變得更穩定、更可靠，也更能被持續改善。