由經濟部產業技術司與財團法人資訊工業策進會科技法律研究所共同主辦、台灣德國萊因技術監護顧問股份有限公司（德國萊因）執行的「製程工業 AI 應用與規範研討會」於2026 年 8 月 4 日在台北舉辦。 本次研討會聚焦製程工業導入 AI 時的風險管理、可靠度驗證與全生命週期治理。德國萊因專家指出，高風險 AI 應用應先依使用情境與失效後果進行風險分級，再透過 FAT、SAT、第三方驗證及持續監督，建立可稽核、可追溯的可靠度驗證機制。

 

本次研討會另邀集產學研專家，分別從 AI 法律議題、煉油廠 AI 應用及企業數位轉型等面向，分享製程工業導入 AI 的實務經驗。

 

AI 介入決策與控制愈深 所需的治理與安全要求應同步提升

 

資策會科技法律研究所主任王自雄指出，製造業正邁入 AI 驅動的智慧製造階段，應用從監測、異常偵測與預測維護，延伸至品質判定、製程控制與最佳化。AI 介入決策與控制的程度愈高，治理要求也應同步提高。製程工業具有連續運轉、系統耦合及事故可能引發連鎖效應等特性，因此資料提供者、模型開發者、系統整合者、管理者，以及終端用戶須共同承擔責任。

 

在法規調適方面，王自雄指出，各目的事業主管機關應銜接商品安全、職業安全衛生、資通安全、個人資料保護及智慧製造政策，並參考歐盟《人工智慧法》、美國 NIST《AI 風險管理框架》及日本《機器學習品質管理指引》等風險導向制度。臺灣可從制度、技術與管理三個層次推進風險分級、功能安全及資通安全要求，並針對高風險 AI 建立模型更新、事故追溯與紀錄保存等全生命週期管理。

 

以 AI 的安全與效能等級判定AI可靠度，串聯 FAT、SAT 與持續監督

 

德國萊因資深經理朱昱恆表示，高風險製程工業導入 AI 的風險可能來自資料代表性不足、模型泛化或可解釋性不足、系統整合失效、操作人員過度依賴，以及模型漂移。AI 應用的生命週期可靠度驗證融合 ISO 42001、ISO 23894 及日本《工廠安全領域 AI 可靠度評估指引》等良好實務規範，應從使用場景定義開始，先釐清系統邊界、限制條件與可接受風險，再依 AI 安全等級（AISL）與AI 效能等級（AIPL）進行綜合評估， 判定AI 可靠度等級（R-AIL），再決定查核強度。

 

 

朱昱恆進一步指出，驗證流程由工廠端、AI 軟體供應商及第三方國際驗證機構共同完成。工廠端界定用途、範圍及品質要求，包括「使用品質、外部品質、內部品質」的三層架構；AI 軟體供應商則應建立資料、模型、軟體與文件證據，並完成工廠驗收測試（FAT），最後於實際場域進行現場驗收測試（SAT）及持續監督。FAT 應查核資料集、模型品質、穩定性、漂移與更新機制；SAT 則須測試感測器雜訊、環境差異、未知工況、通訊中斷與人工接管，形成可稽核、可追溯的證據鏈，確保 AI 應用的可靠度、可信度、合規性及製程安全。自 2021 年起，已有 8 家國際製程大廠陸續完成 AI 應用的可靠度評估，涵蓋管線壁厚預測、管線影像診斷、設備劣化診斷、異常徵兆偵測與診斷，以及製程操作最佳化等應用。

 

高風險 AI 不得取代既有 SIS，SAT 納入機械安全與異常演練

 

依德國萊因現行驗證要求，德國萊因總經理高鴻鈞於圓桌論壇指出，企業應先界定 AI 是資訊提示、操作建議，或會影響安全決策與控制功能，再依失效後果決定驗證強度。高風險應用須由第三方國際驗證機構確認後執行，且目前不能連接或取代既有安全連鎖或安全儀控系統（SIS）。當 AI 結合機器人或無人載具在高風險製程工業應用時，也須將機械安全、通訊失效、人工接管及異常情境演練納入 SAT，以達到製程風險可控、設備運轉可靠、驗證結果可信，以及 AI 應用可以安心落地的四大效益。

 

製程工業 AI 的安全落地，關鍵不僅在模型效能，更在於先界定應用角色與系統邊界，並依失效後果進行風險分級。透過 FAT、SAT、第三方驗證及上線後持續監督，形成可稽核、可追溯的證據鏈。從法規調適到現場驗證，建立全生命週期治理與可靠度管理機制，將是高風險 AI 走向實際製程應用的重要基礎。資策會與德國萊因將合作展開高風險製程工業 AI應用可靠度驗證試點計畫，以法規調適與風險驗證為雙主軸，讓高風險製程工業AI的發展，不僅追求技術創新，更須兼顧安全、可靠與可信治理。