自主決策已落地到哪一步

工業人工智能的自主決策，已不再停留於實驗室概念，而是逐步進入車間現場。以AVEVA為例，其首席產品官Rob McGreevy指出，結合AI的「活數碼孿生」能夠緊貼實時工況，並透過營運與控制系統介入物理世界。代理式人工智能（agentic AI）更讓工業系統從診斷或建議，走向自行採取行動。McGreevy以SCADA系統的演變作類比： 監督控制意味著「人在中間」，他預期在可見將來，AI主要仍以諮詢模式運作，全面自主僅限於狹窄且高度重複的任務。

AVEVA客戶的案例展示了不同層次的自主程度。沙特阿美Yanbu煉油廠的優化演算法以閉環方式調整生產，操作員按需要監督；同一公司在Ras Tanura煉油廠，演算法只提出建議，由操作員決定是否執行。雀巢則在Nesquik工廠利用AI優化乾燥機參數，在標誌性測試中降低了能源使用。這些例子說明，所謂「自主」是在預先劃定的圍欄內操作，而非無邊界決策——涉及安全連鎖的參數仍會鎖死，不能由AI改動。

人手把關的三種模式

第一種是「人在迴路中」：每個AI建議都要人簽核。好處是可控，每個決策都有具名負責人，出事時可追溯。代價是速度優勢大半消失——若所有工序變更都要人手簽核，排程系統的即時調整能力便形同虛設。這種模式適合安全件或法規要求明確的工序，但若套用到全部流程，等於用AI的價錢買回原本的人手流程。

第二種是「人在迴路上」：AI先執行，人只在異常時介入。McGreevy預期代理式AI在可見將來主要停留在諮詢模式，全面自主僅限於狹窄、高度重複的任務。這種模式的好處是系統不必等待審批即可調整參數，但事後補救成本高，一旦AI在罕見工況下做錯，生產線可能已運行數小時，廢品或設備損傷已經造成。省下的停機時間，是否足夠抵銷補救成本，目前沒有公開數據支持。

第三種是「人在迴路外」：只設事後審計，目前僅見於低風險的倉儲搬運。有顧問認為，隨着模型可靠性提升，比例會逐步擴大；但反面意見認為，工業場景的罕見工況層出不窮，事後審計只能問責，不能防止下一次出錯。ISO/IEC 42001雖有AI管理體系要求，卻未針對工廠實時控制訂立錯誤率門檻，這條界線仍靠個別企業自行摸索。

標準真空下的風險

國際標準化組織的ISO/IEC 42001屬通用人工智能管理體系，條文講的是治理框架、風險清單與持續改進，並未針對工廠實時控制場景訂立可接受的錯誤率門檻。像AVEVA客戶那種以閉環方式調整生產的系統，究竟誤判多少次才叫不合格，標準文件答不上。採購部門想寫進合約也無從下筆，最後往往退回供應商自家的測試報告，等於由賣方自訂及格線。

更實際的風險是包裝。部分廠商為求加快部署，把安全相關判斷改稱為「輔助建議」，由操作員按鈕確認，技術上繞過認證要求，責任同時推回前線。監管機構暫未見統一處理方法。這條灰色地帶一旦出事，追究的是按鈕的人，還是寫模型的人，法律上仍是空白。

業界的普遍觀察是，治理框架的建立仍落後於技術部署；但公開的統一調查不多，難以量化差距。對廠商而言，真正的問題不是模型準確率，而是當決策涉及安全與責任時，有沒有人願意簽名。

香港的位置與局限

香港缺乏大型連續生產線作測試場地，多數驗證要在珠三角合作廠房進行，數據跨境安排增加合規複雜度。內地《數據出境安全評估辦法》與香港個人資料私隱專員公署的要求並不對接，工業數據雖多數不涉個人資料，但產線參數往往被廠商視為商業機密，不願存放於境外伺服器。驗證服務若做不到數據留在境內、報告跨境認可，說服力有限。

若定位為工業人工智能驗證與風險審核服務中心，需先解決人才短缺。市場上幾乎沒有現成供應既懂產線工藝，又懂統計與模型局限的審核人員。北部都會區的先進製造用地2027年才陸續交地，人才培訓週期卻以年計，時間差是實質障礙。

把香港說成珠三角廠商的「人手把關」外判節點，構思合理，但要有心理準備這是一門慢生意。驗證與風險審核賣的是信任，信任靠案例累積，而案例來自願意的廠商。沒有透明數據，審核報告只能停留在流程合規層面，觸不到真正關心的錯誤率。

反面看，這條路也未必走得通。珠三角大型廠商正自行建立內部人工智能治理團隊，外判需求可能不如預期。香港若把籌碼全押在驗證服務，而內地廠商選擇自建能力，投入的認證基建與人才培訓便會落空。較穩妥的做法是先把驗證能力與北部都會區的先進製造用地綁定，服務落地香港的產線，再逐步向外延伸，而非一開始就以區域中心自居。