AI 可更積極地應用在化學工業中
作者： Benson Wang
近期一份 IBM 報告指出，儘管化學工業中絕大多數高層都已查覺到投資人工智慧（AI）的必要性（八成的受訪者表示，為使未來三年內業務成功推行，AI 將扮演重要角色），但卻只有四成的化學工業高層表示公司已將 AI 策略落實在全企業中，說明即使企業都明白 AI 對其生存至關重要，但目前在 AI 的大規模應用上仍有障礙。據我們觀察，主要障礙可以歸納為三個方面：
1 . 專業知識不足
在化學工業中應用 AI 時，要找到同時具備 AI 及特定領域專業知識的專家是一大挑戰。要在化學領域開發並應用 AI，需要同時具備化學、資料科學與電腦科學專業知識，並能融會貫通。而缺少具備跨領域技能的專業人員，正是 AI 應用上的一大阻礙。
2 . 組織內部缺乏共識
在化學製造領域中，如何讓整個組織支持 AI 計畫也是一大挑戰。許多 AI 計畫皆是由負責數據或技術的團隊主導，因而引起其他部門員工的抵觸，他們認為這些計畫會造成工作不便；倘若計畫未能得到高層主管的大力支持時，推動 AI 的阻力將更為明顯。
3 . 認為 AI 計畫耗時且成本高昂
在化學製造業中實行 AI 計畫可能曠日費時。通常需要超過三個月才能收到具體成果，這使得已經負擔過重的團隊難以將其列為優先事項。此外，人們普遍認為使用 AI 成本很高，且會消耗大量資源。
儘管這些問題都影響甚鉅，但若一個公司的決策高層能真正支持 AI 應用，並提供適當培訓，公司實際上很快就能看到驚人成果，例如精簡營運、提高產品品質、降低成本和加速新產品開發等。以下我們舉出幾項化工 AI 應用常見情境，說明 AI 帶來的具體效益。
化學製造業中的 AI 應用案例
採購
原料成本佔化學公司銷售收入的 50-70%，這意味著在公司獲利方面，絕大部分取決於採購經理能否取得最佳價格。這些決策對於複雜的化學產業供應鏈來說是一大難題。整個過程涉及製造商、分銷商及零售商，且價格總是不斷波動。採購經理要對市場動態暸若指掌才能指導定價決策。
在臺灣，我們發現許多製造商傾向於根據關鍵人員的個人判斷做出採購決策；即使他們依靠數據進行決策，也往往以材料價格的歷史趨勢平均值為優先考量，未能考慮到更宏觀的整體經濟條件及環境變化。
然而，若採用預測分析，便能利用原油期貨資料、塑膠期貨資料、匯率、市場波動性、行為科學和地緣政治趨勢等因素的資料模型，為採購作業帶來更清晰的決策視野，讓公司管理者在決策過程中能夠主動反應，而非被動迎擊。
研究與開發
化工產業已經開始在其研發過程中使用生成式 AI 模型，用以辨識新的分子、配方或化合物。
在一場線上研討會中，麥肯錫公司展示了一個經過大量化學化合物數據庫訓練的 AI 模型，其辨識新化合物的速度快到驚人。AI 可以將化合物的發現過程加快兩到三倍，並針對公司感興趣的化學特性，找到更加適合的分子。
品質管理
在化學工業中，一旦生產線出現瑕疵，就必須立即採取行動，否則可能導致整批產品遭受污染。傳統製造商通常仰賴人員經驗和實驗試錯來解決品質問題，此種做法不但效率不彰，也難以找出問題的根源。
而使用以 AI 為基礎的工具，加上感測器及電腦視覺技術的結合，便能夠幫助企業進行快速辨識並解決問題，亦能從中吸取經驗，預防未來發生類似問題。
Profet AI 與一家專門從事纖維素奈米纖維塗層（CNF）的客戶合作，並採用自圓柱滾筒上展開薄膜或軟板的捲對捲加工製程，這個過程較為複雜，不良率達到相對較高的 12%。透過 AI 技術驅動的品質因素分析，能夠快速解決瑕疵問題，將不良率成功降低至僅僅 5%。
達成 ESG 目標
來自政府及消費者的需求，使得永續發展成為化學製造業的一大關注要點，一份研究報告顯示，在全球能源總消耗量中，化工業就佔了 10%，溫室氣體排放量則佔 7%。因此，對 82% 的化學產業高層而言，當前環境保護、社會責任及公司治理（ESG）以及永續性的重要性，已擺在與公司收入增長齊平的位置。
AI 已被證明是加強化學工廠營運以實現永續發展目標的有效工具，在減少能源消耗（包括用電方面）上尤為顯著。這是透過應用歷史用電量、環境條件（溫度和濕度）、生產資訊和設備運行數據等資料而產生的結果。一般來看，應用 AI 技術能有助於國內化學公司減少約 3% 的用電量。