AI 實際生成的計畫書長什麼樣

1.1 公司基本資料

本公司「示範精密科技股份有限公司」為專注於智慧製造與自動光學檢測（AOI）領域之技術型企業，實收資本額新台幣 800 萬元，現有專職團隊 18 人。公司成立以來，聚焦於工業影像辨識、瑕疵檢測演算法與產線整合技術之研發，服務對象鎖定電子零組件加工產業之品質檢測需求。

項目	內容
公司名稱	示範精密科技股份有限公司
主要產業	智慧製造／自動光學檢測（AOI）
實收資本額	新台幣 800 萬元
員工人數	18 人
核心技術領域	少量樣本學習、AOI 影像辨識、產線換線加速技術

1.2 組織定位與經營特色

有別於大型系統整合商以規模與價格取勝，本公司採取「精兵制」的組織策略——18 人團隊全數投入技術研發與現場導入第一線，不設置冗餘的行政層級，確保每一分人力資源都直接轉化為技術產出與客戶服務效能。這種扁平化、任務導向的組織型態，使公司在演算法迭代速度與客製化回應時間上，具備相對於大型廠商更高的敏捷性——決策鏈短、驗證週期快，能在數週內完成一輪模型調整與現場測試，而非受限於跨部門簽核流程。

本公司選擇深耕「AOI 換線效率」此一利基議題，源於對電子零組件加工產業實際痛點的長期觀察：中小型加工廠受限於少量多樣的訂單型態，每次換線都須重新蒐集大量瑕疵樣本以訓練檢測模型，導致產線閒置成本居高不下。本公司即以此單一問題作為技術深耕的主軸，而非分散資源追求多角化產品線，形成技術聚焦度高的核心優勢。

1.3 市場理解與目標客群

本公司對目標市場已有初步輪廓：國內電子零組件加工廠約 3,200 家，其中中小型業者約 2,400 家，此一族群普遍面臨多品項、小批量生產下的檢測模型重建成本問題，構成本計畫技術之潛在應用基礎。惟目前公司尚未進行系統性之目標客戶名單分級與需求量化調查，此部分細節【待補】，將於計畫執行前期透過客戶訪談與痛點驗證予以補強，以強化市場可行性論述之紮實度。

1.4 相關研發經驗與過去政府計畫執行情況

項目	內容
相關研發經驗	尚無相關紀錄
過去政府計畫執行情況	本計畫為首次申請

雖無過往政府計畫執行紀錄，本公司團隊於 AOI 檢測與影像辨識領域之實務投入，已使公司對「換線瑕疵樣本不足」此一產業痛點有第一手的現場理解，此為本次申請「少量樣本學習之自動光學檢測換線加速系統開發計畫」之技術與市場基礎。公司將以本計畫作為首次政府資源投入之起點，並以嚴謹的查核點設計與階段性驗證，建立可被檢視、可被信任的執行紀錄。

1.5 小結

示範精密科技股份有限公司以精實的技術團隊、聚焦的產業定位，以及對中小型加工廠實際痛點的深刻理解，構成本計畫申請之基礎能力。公司規模雖屬中小型企業，但正因組織精簡、技術路線單一而深入，使資源配置與研發能量能高度集中於「少量樣本學習」此一具高技術門檻與明確市場需求的課題上，此為本公司區別於同業之核心競爭利基。

2.1 產業惡夢：一次換線，等於一次「停產賭注」

在電子零組件加工產業裡，有一句話在產線班長之間口耳相傳：「AOI 換線，比換模具還痛。」

當客戶端訂單切換、新料號上線，傳統 AOI（自動光學檢測）系統必須重新蒐集大量瑕疵樣本、重新標註、重新訓練模型——這個過程往往牽動整條產線的停機等待。對大型廠而言，這是「可以吸收的成本」；但對佔台灣電子零組件加工廠絕大多數的中小型工廠而言，這是「每一次接單都要重新承受的風險」。

示範精密科技所服務與觀察的客戶群，正是這群每天都在跟換線時間賽跑的中小企業主。他們沒有大型廠的機器學習團隊，沒有龐大的歷史瑕疵資料庫，卻同樣被要求做到「零漏檢、零誤判」。目前市面上主流 AOI 深度學習方案，其技術邏輯建立在「巨量標註樣本」之上——這對資料稀少、少量多樣、換線頻繁的中小型產線來說，根本是一道結構性的門檻，而非單純的效率問題。

• 停機損失：換線期間產線無法產出，直接侵蝕稼動率與交期承諾【換線平均停機時數：待補，需產線實測數據佐證】
• 人力依賴：新料號上線初期，瑕疵樣本不足，系統誤判率偏高，往往仍需仰賴人工複判，違背「自動化」的初衷【誤判率具體數值：待補】
• 導入门槛：既有 AOI 解決方案多針對大量少樣（單一料號、長批量）場景優化，換線頻繁的中小型加工廠導入成本與投資報酬率長期不成比例

這不是單一客戶的抱怨，而是整個中小型電子零組件加工體系的共同焦慮：產線越彈性、換線越頻繁，現有 AOI 技術的痛就越深。

2.2 市場剛需：一個被主流方案忽略的巨大缺口

根據可查證的產業輪廓，國內電子零組件加工廠約有 3,200 家，其中屬於中小型規模者高達 2,400 家——換言之，超過七成的市場是「換線頻繁、樣本稀少」這個典型痛點的高度重疊族群。

然而弔詭的是，目前主流 AOI 深度學習供應商的技術路線，幾乎清一色是為「大量標註資料」而生。這代表：

> 市場上規模最大的一群潛在客戶（2,400 家中小型廠），正被現有技術供應鏈系統性地忽略。

這不是市場不存在，而是「解方不存在」。這正是 SBIR 計畫最應該介入的空白地帶——一個規模龐大、需求真實，但技術供給嚴重錯位的市場斷層。

【客戶驗證缺口說明：目前尚未完成正式客戶訪談與意向書蒐集，此為 Phase 1 期間預計補強之關鍵佐證，將透過實地訪談 2,400 家潛在客戶中的代表性樣本，驗證痛點強度與付費意願】

2.3 現有方案為何無法解決問題

現行 AOI 產業對「換線」問題並非毫無回應，但既有解法多半治標不治本：

1. 增加人力標註團隊：以人力補足資料缺口，但這與中小企業「輕人力、輕資本」的體質背道而馳，18 人規模的公司如我們自身即深知其不可行性。

2. 延長換線容忍期：部分廠商建議客戶「換線初期容忍較高誤判率，隨資料累積逐步優化」——但這等於要求客戶用實際生產風險換取模型成熟，中小廠承擔不起這種試錯成本。

3. 買斷式高規格設備：以更高階硬體堆疊運算力，但這治的是「速度」問題，不是「少樣本學習能力不足」這個根本的演算法瓶頸。

三種現行解法，沒有一種真正回應「換線瞬間、樣本稀缺」這個核心矛盾。這正是本計畫鎖定「少量樣本學習（Few-Shot Learning）」作為技術突破口的關鍵原因——問題不在於算力不夠，而在於現有模型架構從根本上就需要「餵養」大量資料才能運作。

2.4 不解決，會付出什麼代價？

若這個技術缺口持續存在，受害的不只是單一客戶，而是整個中小型製造供應鏈的競爭力：

• 接單彈性受限：客戶因換線成本過高，被迫拒絕小批量、多樣化訂單，喪失原本最具彈性優勢的接單能力
• 人力成本結構惡化：18 人規模的公司如持續仰賴人工複判彌補系統缺陷，等同於用最稀缺的人力資源，做最不該由人力承擔的重複性工作
• 技術替代風險：一旦國際競爭對手或大型同業補上這塊技術缺口，中小型廠將在成本與品質雙重擠壓下加速出局

換言之，這不是「要不要做」的選擇題，而是「現在不做，市場空缺遲早被別人填補」的時間壓力題。

2.5 小結：從「產業共同焦慮」到「明確技術命題」

綜合上述，本計畫所要解決的問題可以清楚收斂為一句話：

> 如何讓中小型電子零組件加工廠，用少量瑕疵樣本，在最短時間內完成 AOI 換線與模型重訓，同時維持可接受的檢測準確度？

這個問題同時滿足三個關鍵條件：市場夠大（2,400 家潛在客戶）、痛點夠深（結構性技術缺口，非單純效率優化）、現有方案無法回應（主流技術路線與需求本質錯位）。這正是 Phase 1 計畫希望投入資源、優先驗證技術可行性的核心命題，也是後續章節將具體回應的創新突破點。