西門子不做機器人，專注於軟體與數位雙生技術。協理范栩以40億自建機房的慘痛案例，揭示工業AI落地的財務邏輯與真實路徑。
在智慧製造與AI浪潮下，企業面臨著硬體軍備競賽與數位轉型的雙重焦慮。西門子（Siemens）製程自動化事業部協理范栩在接受專訪時，首先對西門子的市場角色做出了精確定義：「西門子不做機器人，也不供應機器人內部的微控制器或板金等零組件。」
他強調，西門子的核心在於協助機器人製造商與終端企業用戶，透過軟體與數位雙生（Digital Twin）技術，確保設備導入後能發揮最大效用。針對當前熱門的「人機協作」、「私有雲迷思」與「工業AI落地」，范栩結合實務案例與財務邏輯，提出了極具深度的產業觀察。
設計階段抓錯 成本只要十分之一
對於製造業而言，數位雙生並非僅是視覺上的3D模擬，而是為了降低試錯成本的財務工具。范栩提出了一個工程界的「10倍法則（Thumb Rule）」：如果在設計階段（Design Phase）就能發現並修正錯誤，成本是1；但若等到實體試產（Commissioning）階段才發現錯誤，修正成本將暴增至10倍（1000%）。這包含了拆卸、重製模具以及協調供應鏈的巨大消耗。
范栩指出，透過完善的數位模擬，產品從設計到量產的時間可比競爭對手縮短至少60%。
數據品質攸關 模擬脫節全白搭
然而，模擬的有效性取決於數據品質。范栩引用「Garbage in, garbage out（垃圾進，垃圾出）」的概念強調，數位環境必須基於現場真實的物理參數與資料建立，而非使用標準資料庫的通用數據，否則模擬結果將與現場實際運作完全脫節。透過精確模擬，企業能在採購前驗證商業策略（如每分鐘生產100或200件）推導出的機器人規格是否正確，確保買得起也要用得對。
40億的教訓 私有雲不如搭公車
在AI算力需求的推動下，企業對於「私有雲」與「公有雲」的選擇陷入兩難。范栩透過一個具體的「智慧城市專案」案例提出警示：曾有企業為了追求數據安全與掌控權，投入高達40億新台幣自建資料中心（Data Center）。
這筆鉅額投資最終面臨了兩大挑戰：一是硬體折舊速度過快，隨著NVIDIA每年更新晶片，企業自建的算力設備迅速面臨過時壓力，升級成本動輒數十億；二是維運成本失控，隨著工廠營運的模型資料不斷累積，儲存成本呈指數級上升，導致該企業最終被迫將自建機房轉型為對外服務的商業模式，以分攤成本。
范栩將此比喻為「交通選擇」：自建私有雲如同「自己開車」，雖然感覺有掌控權，但需承擔所有風險且缺乏專業駕駛訓練；使用公有雲則如同搭乘「大眾運輸」，由受過考核的專業團隊負責資安與維運，實際上風險更低且更具成本效益。
他建議，對於需要大量算力的AI應用（如Omniverse或生成式AI），採用公有雲是必然趨勢，企業應透過網路架構設計（如DMZ非軍事區）來平衡資安與算力需求。在AI模型訓練上，西門子採取「基礎模型（Fundamental Model）+微調」的策略。
由於工業數據具備高度機密性，企業不可能使用公開網路數據訓練。西門子基於對工業製程的理解提供基礎模型，企業再導入自身獨有的現場數據進行二次訓練，從而建立專屬的工業AI模型。在執行端，西門子透過邊緣運算（Edge Computing）平台，讓現場控制器能對接ChatGPT等大語言模型，直接將AI生成的建議轉化為控制指令，實現雲端訓練、邊緣執行的整合。
人機深度協作後 人類變身系統規劃者
談及人機協作（Human-Robot Collaboration）的演進，范栩將其分為兩個階段：第一階段是「斷點作業」，機器人在圍欄內工作，人負責進出料，重點在於避免工序瓶頸；第二階段則是「深度協同」，人與機器人在同一區域作業，系統需解決路徑衝突與工作節拍（Takt Time）同步的複雜問題。
面對「無人工廠（Dark Factory）」是否會取代人類的質疑，范栩認為未來的重點是「角色轉型」。
如同過去工具機取代人工切削，操作員並未消失，而是升級為機台管理者。未來的工廠人類將轉型為「系統規劃者」與「維運者」，負責處理高價值決策。他更指出，在台灣少子化與缺工的背景下，若能透過AI與自動化讓單一人力的產值提升5倍，即便人口減少，國家整體競爭力反而會增強。最後，范栩提醒，AI導入的基礎在於「數位化」。他將AI比喻為一名「新進員工」，企業必須提供數位化的SOP與訓練資料，這名新員工才能發揮價值。
西門子目前透過評估（Assessment）服務，協助企業釐清現狀與目標的落差（Gap），量身打造從數位化轉型到AI落地的執行路徑。針對傳產升級自動化設備的需求，范栩也以工業觀點分析，在追求極致效率的工廠中，專用自動化設備（如輸送帶與專用夾具）往往比通用型機械手臂更具效率，這也再次證明了事前透過模擬評估最佳方案的重要性。
