把 AI 從演算法變成資產管控專家　詠鋐智能創辦人謝宗震談工業 AI 真正的落地邏輯

清華大學統計學博士出身，謝宗震長期與能源、石化、鋼鐵等高耗能產業合作，是典型的技術背景創業者。

專訪、撰寫／吳心恩

在多數企業仍將 AI 導入視為數位轉型口號或試驗性專案的此刻，詠鋐智能選擇了一條明顯不同的路。它並不急著談模型多先進、演算法多前沿，而是不斷追問一個更根本的問題：為什麼那麼多 AI 導入專案，在工廠裡活不過兩年？

「我們不是為了創一家 AI 新創而創業。」詠鋐智能創辦人暨執行長謝宗震形容自己的起點。謝宗震長期與能源、石化、鋼鐵等高耗能產業合作，是典型的技術背景創業者，也正因為如此，他在第一線看過許多「看起來成功、卻無法長久使用」的 AI 導入案例。

「很多企業花了很多錢、很多資源，POC 階段成果很好，但真正上線後，沒有人敢在營運報告裡寫『我們正在用 AI』。」對他而言，問題從來不在於企業不想導入 AI，而是 AI 沒有被設計成一個可以被信任、被量化、被長期使用的工具。

從數學與工業現場出發　為什麼多數 AI 專案走不進工廠深處

謝宗震的背景是數學與統計。他既是清華大學統計學博士，也是長期投入資料科學與人工智慧普及化的推動者；既能寫出被學術界引用超過萬次的研究軟體1，也選擇走進石化、半導體與能源工廠，處理最現實、最粗糙、卻也最不能出錯的設備問題。

正是這樣的交叉，使他比多數 AI 創業者更早看清一個殘酷的現實：工業場域不是缺資料，而是缺「可管理的判斷」。

他舉了一個實際客戶的例子。位於麥寮的全球前十大石化廠之一，廠區內超過十萬台設備，但負責設備維運的人力不到三十人。「你可以想像三十個人管十萬台設備，每天一台設備平均只能看五秒鐘，一年才剛好看完一輪。」

這樣的場域，早已不可能再仰賴傳統巡檢制度。但即便加裝大量感測器，問題仍然存在。溫度、壓力、流量數據每天爆量產生，告警不停跳出，卻沒有人知道哪一個告警真正重要。

「老方法是設定門檻值，超過就派人去看。」謝宗震直言，這套方法在設備數量極少時還能運作，但當設備規模達到數萬等級，反而會讓人疲於奔命，甚至錯過真正的關鍵異常。

因此，詠鋐智能從一開始就不是單純「做 AI 模型」，而是把 AI 當成一種判斷結構。他們的系統以 IoT 資料為基礎，先建立每一台設備在健康狀態下的行為輪廓，再透過 AI 分析其偏移程度，不只告訴現場「有問題」，還進一步指出「可能的原因是什麼」。

「我們要讓工程師在走到現場前，就知道該檢查什麼。」他說。

AI 不只是預警　而是關鍵資產的風險語言

在詠鋐智能的定義裡，AI 並不只是預測設備是否會壞，而是將設備風險轉化為可以被計算、被管理的資產指標。這個思維，也讓他們的應用自然延伸到能源管理、虛擬電廠與保險風險評估。

謝宗震特別強調，無論是儲能設備、發電設備，或是高耗能的需求端設備，本質上都是「關鍵資產」。它們一旦被納入調度體系，就不只是工程問題，而是牽動安全、生產、財務與保險的系統性風險。

以半導體廠為例，冰水主機系統往往占整體用電量近五分之一。任何效率偏移，都可能同時影響電費與產線良率。詠鋐智能透過 AI 建立冰水主機的行為模型與健康度模型，讓系統在不同負載、外氣條件與調度策略下，即時判斷設備是否仍在安全區間內。

「我們不是讓它多跑，而是讓它在對的狀態下跑。」他指出，透過這樣的方式，實際案例中可降低冰水系統約10~15% 的能耗，同時避免因過度調整導致的設備風險。

在供給端，像是汽電共生系統中的鍋爐與氣輪機，隨著運轉年限增加，燃燒效率與能效往往逐年下降。傳統做法很難在頻繁升降載的情況下精準判斷是否「異常」，但透過 AI 的精準判定與建模，可以在各種操作條件下提供一個穩定的比較基準，協助調整空燃比與操作參數，使能源使用更接近理想狀態。

「這不只是省能源，而是避免效率劣化被忽略。」謝宗震強調。

而在石化產業中，往復式壓縮機的案例更直接指向公共安全。透過分析振動、電流與流量數據，AI 能在設備接近失效前數週發出預警，協助業者提前檢修，避免非計畫性停機，甚至防止重大事故。「有時候，避免一次事故的價值，遠比省下的電費更大。」謝宗震表示。

讓分散式資源成為可靠電力：表後虛擬電廠需要的不是更多設備，而是更好的管理

談到詠鋐智能相較同業的差異，謝宗震並不諱言「速度」是關鍵之一。傳統設備風險預警模型往往需要半年到一年以上的資料整理與專家訪談，但詠鋐智能透過自研 AutoML 平台，將建模時間縮短至數週。

更重要的是，他們並未將 AI 視為只能由少數資料科學家操作的黑盒子，而是透過教育訓練，讓設備工程師也能參與模型建置。這種「水平展開」的能力，使大型企業能在短時間內建立數千個設備模型，真正做到規模化應用。

此外，生成式 AI 助理的導入，也補足了現場經驗斷層。當系統發出告警時，不只是顯示異常指標，而是結合過往維修紀錄、操作手冊與歷史案例，提供可能原因與處置建議，降低新進工程師的判斷壓力。

「我們希望 AI 是在幫助人，而不是取代人。」他說。

在商業模式上，詠鋐智能採取「訂閱制」，費用遠低於聘請一名 AI 工程師，卻能長期提供穩定更新與支援。這種模式，也讓 AI 不再是一次性專案，而是持續服務的一部分。回到虛擬電廠與表後市場的發展，謝宗震認為，其核心並不只是市場規模或商業模式，而是更底層的「資產管理能力」。在他看來，無論是發電設備、儲能設施，或是高耗能的需求端設備，當大量分散式資源被納入電網與調度體系後，真正的挑戰並不是「能不能併網」，而是「能不能被長期、安全、可預期地管理」。他認為，表後虛擬電廠若要蓬勃發展，關鍵前提在於關鍵設施的智慧化資產管理，否則當虛擬電廠涵蓋的管控資產規模持續擴大、設備數量急遽增加時，僅依賴人工與傳統監控方式將難以支撐系統運作。

謝宗震特別強調，無論是儲能設備、發電設備，或是高耗能的需求端設備，本質上都是「關鍵資產」。它們一旦被納入調度體系，就不只是工程問題，而是牽動安全、生產、財務與保險的系統性風險。

進一步說明「關鍵資產」的定義時，謝宗震強調，這並非僅指能耗特別高的設備，而是涵蓋供給端、儲存端與需求端所有具有風險與價值的關鍵設施。例如儲能設備本身就存在性能衰退與安全風險，若要將電池納入調度，就必須清楚掌握其性能狀態與老化程度；發電設備如燃氣渦輪機（Gas Turbine）」 或 「蒸汽渦輪機（Steam Turbine），隨著運轉時間拉長，其能效轉換表現也可能逐步下滑，同樣需要被持續監控與管理；而在需求端，像冰水主機這類高耗能設備，對半導體廠與關鍵產業而言，更是維持穩定供電與製程良率不可或缺的一環。從儲存、發電到用電設備，這些資產若沒有被納入同一套可量化、可管理的架構中，虛擬電廠的規模 化將難以實現。

他也直言，從實務觀察來看，臺灣多數企業目前仍停留在 IoT 階段，雖然已經累積大量數據，但主要仍依賴人力監控與經驗判斷，尚未真正進入以 AI 進行整體判讀與放量管理的階段。在這樣的情況下，設備數量一旦成長，管理成本便會快速失控，市場也難以擴大。謝宗震認為，透過 AI 將設備風險轉化為可計算、可溝通的指標，表後虛擬電廠更有機會成為一個能被長期信任的系統，甚至進一步與產業保險結合，降低非計畫性停機與重大事故的風險。他指出，相較於一次事故動輒數十億元的損失（如大型儲能系統失火事件），企業若能透過智慧化管理與風險預警，每月投入相對有限的成本，反而能為整個產業與金融體系創造更高的價值。

如果沒有可靠的資產管理與風險量化，市場規模就無法真正放大。當關鍵設施數量愈來愈多，唯有透過智慧化管理，才能支撐整個系統的長期運作。

「AI 的價值，不在於它多聰明，而在於企業敢不敢用、敢用多久。」對詠鋐智能而言，這不是一句口號，而是一條從數學、工業現場，一路走到能源轉型核心的實踐路徑。

¹ 其於生物多樣性領域所開發的 iNEXT 軟體，至今已被全球學術界引用超過一萬三千次，並於 2020 年獲選收錄於 Arctic Code Vault，與 Linux 等具人類文明長期價值的開源系統一同被封存於北極永凍層。多年來，謝宗震亦與台灣人工智慧學校、人工智慧科技基金會等指標性組織合作，培育數千名 AI 種子人才，致力於推動 AI 從知識教育走向實務應用。