從AI到AIoT,次世代通訊發展趨勢觀察,重新理解台灣產業的下一波數位轉型

 

2026年，當大家還在討論生成式AI與AI Agent時，我在準備iPAS AIoT應用工程師的學習過程中，開始注意另一項值得追蹤的變化：人工智慧正在從數位資訊處理，逐漸延伸至感測器、工業設備、邊緣運算與次世代通訊。

台灣政府同步推動AI新十大建設及2025至2030年次世代通訊科技發展方案，讓AIoT、5G-Advanced、6G、衛星通訊與智慧製造形成新的產業連結。



本文從個人跨域學習、政府政策與製造業實務出發，整理我對2027年技術發展方向的理解。



一、從AI跨域學習AIoT，我開始重新理解人工智慧的價值

嗨，我是CCChen。

這幾年，我的學習重心從生成式AI、AI應用規劃，逐漸延伸到智慧製造、資訊安全與AIoT。

過去在製造業從事品質管理時，我最熟悉的是製程參數、品質異常、設備稼動、ISO管理與持續改善。

當時談到數位轉型，常想到ERP、MES、自動化設備與數據分析。

直到最近重新整理AIoT相關教材，才發現一個值得深入思考的問題：

當AI不再只負責回答問題，而是開始理解實體設備的運轉狀態，企業需要具備哪些新的能力？

從2023年至2025年，生成式AI最明顯的價值，主要集中在文件整理、知識搜尋、內容生成與工作效率改善。

但工廠面對的問題往往更加複雜。

一台設備為什麼突然停機？某項產品為什麼在特定班別容易產生缺陷？當設備振動、電流或溫度逐漸偏離正常範圍，能不能在大量不良發生之前就先提出警示？ 這些問題不能只靠語言模型回答，還需要真實世界的資料。

這也是我理解AIoT（Artificial Intelligence of Things，人工智慧物聯網）的起點。

IoT（物聯網）主要讓設備具備感測、連線與資料交換能力；AIoT則進一步結合人工智慧，讓設備資料可以用於異常辨識、預測與決策支援。

我把這個過程整理成一條容易理解的學習主線：

感測資料 → 通訊傳輸 → 邊緣運算 → AI分析 → 決策支援 → 現場行動 → 效益驗證。



這條主線也讓我重新看待過去熟悉的品質管理。

品質管理強調量測、分析、改善與驗證；AIoT則把這套思維延伸到更即時、更大量的設備與製程資料。

……..

更多詳細內容請點閱以下連結 : 從AI到AIoT,次世代通訊發展趨勢觀察,重新理解台灣產業的下一波數位轉型