從 2D 工程圖到 G-code：
AI 如何改寫 CNC 的加工前置流程

走進台灣任何一家 CNC 代工廠，最資深的往往不是操作機台的人，而是「看圖」的人。客戶丟來一張 2D 工程圖——有時是 DXF，有時是一張傳真過的 PDF——要把它變成能上機的加工程式，中間要經過建模、選刀、定工序、寫程式好幾道人工環節。教科書把這條鏈路稱為 CAD/CAM 整合流程：從設計幾何出發，經製程規劃，最終產生數值控制程式^[1]。

G-code：1950 年代的語言，今天仍是共通語

CNC 機台聽得懂的語言是 G-code，其國際規範為 ISO 6983——定義了 G01 直線插補、G02/G03 圓弧插補等地址字的格式與語意^[2]。這套源自 1950 年代打孔紙帶時代的格式極其精簡，但也因此「不知道自己在加工什麼」：一行 G01 只描述刀尖移動，不含任何設計意圖。後來的 ISO 14649（STEP-NC）試圖讓控制器直接理解「特徵」而非「軌跡」^[3]，Xu 與 Newman 對這條「更開放、更智慧的 CNC」路線做過完整回顧^[5]，但二十年過去，產業現場的共通語仍是 G-code。這意味著：任何自動化方案，最終都要能產出正確的 ISO 6983 程式。

特徵辨識：AI 之前，規則法已走了四十年

把幾何模型翻譯成「孔、槽、口袋、螺紋」這些加工特徵，學界稱為自動特徵辨識（Automated Feature Recognition, AFR）。Babic 等人的回顧整理了以規則式圖形比對為主的方法族譜：語法模式法、圖論法、體積分解法等^[4]。規則法在單純零件上可靠,但遇到特徵相交（一個孔打穿一個槽）就開始失效——這正是深度學習模型近年展現優勢的場景：它能從大量標註樣本學到相交特徵的組合模式,而不需要窮舉規則。

不過工程上要誠實：學習式模型的輸出是機率性的。一個被辨識為「M8 螺紋孔」的特徵，可能實際是 Ø6.8 底孔。因此我們的立場一貫是——AI 產出，幾何驗證：辨識結果必須回到 3D 模型做尺寸比對，刀路必須經過切削模擬確認不過切、不撞刀，才允許輸出程式。這與製程規劃教科書強調的驗證環節一脈相承^[6]。

AI 真正可靠的三個環節

綜合文獻與我們在台灣代工現場的部署經驗，AI 在前置流程中可靠的環節是：

• 圖面判讀與 3D 重建：從 2D 三視圖或照片重建 3D 模型。多模態模型對標註文字（公差、表面處理註記）的判讀已可用，但關鍵尺寸仍需人工確認一次。
• 特徵辨識與工序建議：以學習式 AFR 搭配規則式後驗檢查,輸出加工特徵清單與建議工序。
• G-code 生成與模擬：依廠內刀具庫與機台後處理器設定生成程式，並以切削模擬做第一層驗證——製造工程的基本原則是,任何程式在切第一刀之前都應該先在虛擬環境跑過^[1]。

反過來說，切削參數的最終拍板（材料批次差異、夾治具剛性、刀具磨耗狀態）仍是老師傅的領域。AI 的角色是把三天的前置流程壓到三小時，讓老師傅把時間花在只有人能做的判斷上。

對台灣代工廠的意義

台灣的精密加工業以小批量、多樣化見長，前置流程的固定成本攤在小訂單上格外沉重。當「圖面到程式」的時間從天降到小時，接單的最小經濟批量就會下降——這不是取代人力，而是改變接單結構。我們把這套流程做成了可地端部署的系統，即 MI Solutions 旗下的 CNC AI。