AI 驅動的創新與工廠轉型

從 AI 乾燥機到概念輪胎：2026 年專案如何重塑工廠現場

在橡膠、輪胎和塑膠工廠中，AI 已不再是旁側專案：2026 年的公告顯示，它已嵌入乾燥機、模具設計、翻新單元，甚至是循環電動車價值鏈的概念輪胎。對操作人員而言，貫穿這些行動的主軸很實際——減少廢料、穩定品質，並在不增加人力的情況下，讓複雜決策可重複執行。

Sri Trang Agro-Industry 在泰國的轉型計畫，將這項轉變扎根在原料端。該集團已在兩座天然橡膠廠推出 AI Dryer，並計畫在 2026 年擴展至六座設施，2027 年再增加八座，作為 Sri Trang AI Machine (SAM) 計畫的一部分。同樣的基礎設施也支援更廣泛的「未來工廠」專案，旨在從原料接收、能源管理到品質檢驗，串聯機械、自動化、資料與 AI。

該公司對計畫的描述刻意務實：應用程式正橫跨種植園、天然橡膠加工與手套開發，目標是提升效率、準確度與決策，而非打造獨立試點。2025 年員工大會提出的另一項企業願景，將同樣理念延伸至人力規劃，系統化 AI 採用搭配技能提升與再培訓，在組織內部建立「AI 驅動製造」能力，而非依賴外部顧問。

對其他加工商的廠務主管而言，教訓很務實：Sri Trang 並非從綠地廠或標題式「智慧工廠」起步，而是從一個棘手的瓶頸——乾燥機——開始，然後將相同架構延伸至更多單元與業務線。

橫濱橡膠將研發知識轉化為可搜尋資產

在輪胎方面，Yokohama Rubber 使用 AI 的方式較少作為產線控制器，而是清理產品開發前端。2026 年 8 月，該公司將專有 生成式 AI 系統移至全面運作，建基於檢索增強生成 (RAG) 方法，可搜尋內部技術文件並依其內容回應。

此系統擴展 Yokohama 於 2020 年推出的 HAICoLab 框架，用以建構輪胎開發中的人機協作。早期 HAICoLab 工具已能預測橡膠配方特性、生成新配方並支援模具設計。新的 RAG 部署將範圍從數字擴展至敘述——法規文本、手冊、技術報告與案例研究，這些通常存放在檔案或個人資料夾中。

開發人員輸入以專案為主的問題，AI 搜尋內部語料庫，並附上來源文件參考回應。Yokohama 也建置 AI 代理，可重複規劃搜尋、檢索資訊並評估結果，以精煉答案，而非回傳單一靜態結果。

同時，該公司開發出 AI 輔助輪胎模具設計系統，可自動生成大量不同模具形狀的有限元素模型，訓練代理模型，然後幾乎即時預測設計因素如何影響輪胎特性。可解釋 AI 工具如 SHAP 與部分依賴圖讓關係可見，幫助經驗較淺的員工調整因素以達到目標性能，而無需漫長的試誤迴圈。

對其他技術團隊而言，操作影響很清楚：AI 不只是調整機器參數，而是壓縮設計想法到模擬答案之間的決策時間，同時保持理由可見，讓工程簽核仍有根據。

Continental 的 ZEvRA 概念輪胎連結 AI 與循環壓力

AI 也正滲入如何將材料與循環性限制轉化為輪胎設計。在歐盟資助的 ZEvRA 專案（「零排放電動車透過和諧循環實現」）下，Continental 打造出一款乘用車概念輪胎，使用約 43% 回收材料，包括回收妥爾油、鋼材、廢胎橡膠與回收 PET 瓶的聚酯纖維。加上可再生與質量平衡認證的投入，超過 80% 的輪胎材料來自回收、可再生或認證來源。

ZEvRA 計畫從 2024 年執行至 2026 年，旨在改善輕型電動車的循環經濟，涵蓋完整價值鏈。Continental 是 13 國 28 家合作夥伴聯盟中唯一的輪胎製造商。專案材料強調，僅有創新配方不足以成事；工業規模化需要穩定的回收技術政策與標準。

雖然新聞稿未具體說明 Continental 概念工作中的 AI 模型，但該專案處於同一生態系，正推動數位設計與製程工具普及，從基於模擬的模具設計，到 2026 年貿易展上的 AI 支援輪胎測試與車隊管理。對工廠團隊而言，ZEvRA 預示他們即將面對的設計空間：更高比例的非原生投入，同時需達到產線性能預期，並增加使用數位工具在投入資本前驗證此組合是否可行。

VMI 與自動化翻新：起步而非全面無人化

下游，翻新業者開始在設備而非簡報中看到實用自動化。在 The Tire Cologne 2026 展覽中，VMI 展示其 RETRAXX 產線的新自動化功能，包括 自動拼接單元 與 自動配方載入，描述為翻新自動化的起步。

RETRAXX 平台用於將擠出熱緩衝膠塗布於磨光胎體，此工作通常高度依賴熟練手工。透過自動化拼接並將機器設定與數位配方緊密連結，VMI 旨在降低操作員依賴並提升應用一致性，尤其在批次縮小、尺寸更換更頻繁時。

VMI 客戶經理預定在展會期間發表翻新自動化演說，強調這些是迭代步驟，而非切換至無人值守工廠。這對中型翻新業者決定下一筆採購很重要：立即效益在於可重複拼接與更快、無錯誤的換模，而非消除人力。

射出成型中的 AI：無需增加檢驗員的閉迴路品質

輪胎之外，塑膠加工商正悄悄運用類似想法。美國模塑商 Evok Polymers 的 2026 年分析描述，AI 啟用的射出成型單元 結合模腔壓力與溫度感測器，以及機器學習模型，將每個循環與已知「可靠區」比較——零件維持在規格內的窗口。

系統不會等待檢驗員在輪班結束時發現缺陷，而是即時監控感測器資料的漂移，並標記哪些參數——射出壓力、保壓時間、射出量或冷卻時間——正將製程推出窗口。操作員接著套用建議校正，或在更進階設定中允許系統自動調整。Evok 自身部署的聲稱是更快收斂至穩定參數，並從生產第一天起減少廢料，AI 融入現有 Six Sigma 與科學成型實務，而非取代它們。

同一篇文章也指出，基於 IIoT 感測器監測振動、溫度、壓力與循環時間的 預測性維護，可在磨損導致非計畫停機前偵測。模具填充與冷卻的數位孿生模擬也在切割鋼材前使用，以減少模具返工。

對面臨交期與人力壓力的成型廠而言，這些系統有具體回報：減少因手動調校而損失的啟動回合、同班次降低廢料，以及更可預測的保養排程，而無需增加主管。

廠務團隊現在可以複製的做法

綜合這些 2026 年的行動，指向加工商今日可採取的模式：

• 從單一瓶頸製程開始。 Sri Trang 的 AI Dryer 推出與 VMI 聚焦拼接和配方載入，都顯示升級單一高影響步驟的價值。
• 將 AI 緊密連結現有工程方法。 Yokohama 的 HAICoLab 工具建構於 FEM 與既有材料知識之上，而 Evok 的 AI 系統則融入科學成型與 Six Sigma 工作流程。
• 保留人工審核迴路。 Yokohama 的 RAG 系統暴露文件連結供驗證，模具設計中的可解釋 AI 幫助設計師理解推薦理由。Evok 強調經驗豐富的工程師仍需解讀 AI 偵測異常背後的根本原因。
• 及早規劃資料整理。 無論是餵入 RAG 模型的技術報告、模腔壓力的感測器資料，或 EV 輪胎循環專案的追溯需求，資料結構——而非僅演算法——決定 AI 部署擴展的速度。

對大多數工廠而言，近期機會並非全新「智慧工廠」，而是將 AI 與自動化改造至一或兩個關鍵製程，這些製程的廢料、返工或換模時間仍依賴最佳輪班主管在場。