netmagtwwp正新橡膠持續推進研發數位化，透過達梭系統平台整合全球研發資源、流程與專案管理，並讓製造系統存取產品生命週期管理 (Product Lifecycle Management, PLM) 資料。雙方下一階段的合作，將從資料集中管理進一步延伸至設計與模擬流程自動化，並探索虛擬輪胎、機器學習及工業 AI 應用。
單一平台串接全球研發與製造資料
正新集團資訊長陳柏嘉表示，正新在全球設有多個研發中心，因此希望以單一平台管理研發系統，整合研發資源、流程及專案。除研發端之外，製造系統也會存取 PLM 資料，讓研發與製造資料能在同一套數位架構下流通。
陳柏嘉說明，正新的資訊部門涵蓋 IT 與 OT，PLM 系統會與 MES 及 ERP 系統交換資料。資訊部門主要負責建置穩定的平台、尋找顧問，以及提供繪圖與模擬軟體環境；研發部門則依客戶提出的輪胎結構與性能需求，與資訊部門共同評估適合導入的工具。
達梭系統 SIMULIA 執行長 Michelle Ash 指出，正新的營運、研發與資訊部門已建立密切合作關係。隨著 AI 進入產品設計與製造流程，三者之間的連結將更為緊密，而既有的 PLM 與工程工具也成為後續發展最佳化能力的基礎。
虛擬輪胎提前進入客戶設計流程
正新集團技術長陳秉豪表示，正新的產品涵蓋自行車、機車、汽車及卡車輪胎，內部累積大量產品規格，因此需要透過統一平台管理，並確保不同客戶的規格均有清楚紀錄。
在產品協同開發方面，正新希望於設計階段就向客戶提供虛擬輪胎，供車廠進行整車模擬。陳秉豪表示，這不僅可縮短正新本身的產品開發週期，也能減少客戶的開發時間。正新亦希望透過虛擬資料，加快協同開發並提升市場競爭力。
Michelle Ash 表示，雙方合作涵蓋結構模擬、振動聲學與降噪等領域，近期也著重縮短產品開發週期。合作方向除了加快創新與產品上市速度，也包括協助客戶開發符合安全及環境要求的產品。
十年數位化累積成為 AI 資料基礎
正新與達梭系統的合作已有十年，最早從 PLM 系統開始。回顧這段合作，陳柏嘉指出，早期工作的重點是將紙本與手繪 2D 圖等研發資料數位化，轉換為資料庫中的可管理資訊；原本由人員追蹤的專案，也逐步改由系統管理，使團隊能同步取得資料與進度。
下一階段，正新希望進一步運用既有資料庫、工程師經驗及更精確的虛擬資料，探索 AI 輔助輪胎規劃與設計的可能性，包括未來是否能由 AI 協助產生輪胎花紋等設計方案。
陳秉豪表示，過去設計管理與模擬流程仍有不少人工操作，正新希望將這些流程整合至平台並逐步自動化，減少人工介入。當流程能大量且快速產生模擬與分析資料後，這些資料可進一步用於機器學習，協助建立更成熟的代理模型。
工業 AI 須結合物理模型與產業知識
Michelle Ash 指出，工業 AI 與一般聊天工具面對的要求不同。製造環境涉及安全、環境及效能規範，而大型語言模型可能出現回答不一致、引用過時資訊或產生幻覺等問題，因此不能只依賴聊天工具。
為降低相關風險，達梭系統採取多種 AI 技術協同運作的方式，結合大型語言模型、機器學習與電腦視覺，並運用物理模擬資料、經過整理的產業知識及企業資料。 AI 助手也會聚焦特定任務，例如機械工程或模擬工程，以縮小問題範圍並提升輸出可靠性。
Michelle Ash 表示，雙方在 AI 方面的合作仍處於早期階段，目前先著手讓建模與模擬更緊密結合，後續再探索針對輪胎性能的機器學習模型，以及結合產業知識的代理式 AI，協助工程師進行設計。
陳柏嘉則表示，正新目前先從資料基礎著手，串接內部資料庫，整理輪胎設計參數及現場資料，確認資訊可供機器學習與 AI 引擎再次使用。中期則將透過與達梭系統、新創及 AI 業者合作，尋找加速研發及取得消費者回饋的方法。
產品履歷與賽事分析拓展資料應用
除研發設計之外，正新也持續推進供應鏈資料管理。陳柏嘉表示，正新已利用內部資料庫串接橡膠產地與成品輪胎資訊，建立產品履歷追蹤，未來希望將內部資料庫用於 AI 應用。在碳管理方面，則期待透過新的系統，規劃輪胎碳排放計算。
AI 也已被運用於賽事資料分析。陳秉豪舉例，正新進入國際賽車賽事後，曾透過數百位車手的數據，分析車輛在直線與過彎路段的表現差異，協助判斷成績不佳是否與輪胎有關。對新進供應商而言，這類分析能以數據釐清責任，並建立賽場信譽。
專屬模型仍須評估部署與成本
至於專屬 AI 模型，陳柏嘉表示，正新希望結合內部資料與達梭系統的經驗，建立自己的模型，降低通用模型如黑盒子般難以預測的問題。不過，模型應部署於雲端或地端，目前仍在摸索；面對硬體成本上升與大量 Token 使用，也希望透過模型及演算法的進步降低消耗。
Michelle Ash 則補充，資安、運算速度，以及 Token 使用量與實際價值之間的關係，都是需要持續衡量的因素。對於耗時且複雜的模擬，AI 可望協助縮短運算週期；若只是簡短模擬或單純物理問題，則仍可採用既有數位工具，不必將 AI 套用到所有情境。