Daripada Lelong Robot ke Kilang Pintar Berasaskan AI

AI dalam Pembuatan (Elektronik, Automotif, Semikonduktor)••By 3L3C

Lelongan besar robot di Chicago tunjuk satu perkara: dunia perkilangan sedang beralih daripada robot tradisional kepada kilang pintar berasaskan AI. Ini maknanya untuk Malaysia.

AI dalam pembuatanrobot industrikilang pintarelektronik Malaysiaautomotif Malaysiasemikonduktorautomasi berasaskan AI
Share:

Dari lelong robot di Chicago ke kilang pintar di Penang

Lebih 200 robot industri akan dilelong dalam satu lelongan penutupan fasiliti di Chicago pada 17–18/12/2025. Banyak masih baharu dalam kotak, sebahagiannya sistem kimpalan kompleks bernilai jutaan dolar ketika dibeli.

Bila saya baca berita seperti ini, satu perkara terus terlintas: ini bukan sekadar cerita syarikat gulung tikar – ini petunjuk kuat bahawa dunia perkilangan sedang beralih daripada robot tradisional kepada sistem automasi berasaskan AI.

Bagi pemain elektronik, automotif dan semikonduktor di Malaysia, mesejnya jelas. Kilang yang masih bergantung kepada robot generasi lama sedang ditinggalkan oleh pesaing yang sudah melangkah kepada AI vision, analitik masa nyata dan integrasi penuh Industrial IoT. Dalam siri AI in Manufacturing ini, fokusnya mudah: bagaimana nak bergerak daripada automasi biasa kepada kilang benar‑benar pintar.

Artikel ini guna kisah lelongan BTM Industrial sebagai cermin kepada apa yang sedang berlaku dalam industri – dan apa yang pengeluar di Malaysia patut buat sekarang, sebelum aset sendiri berakhir sebagai “surplus equipment” yang dijual tanpa harga rizab.

Kenapa begitu banyak robot industri mula dilelong?

Fenomena lelongan besar-besaran seperti yang diuruskan BTM Industrial berlaku apabila kitar hayat teknologi automasi masuk fasa akhir. Robot tradisional yang dulu dianggap canggih mula jadi liabiliti bila keperluan pasaran berubah, tetapi keupayaan sistem tak mengikuti.

Beberapa sebab utama:

  1. Robot tradisional terikat kepada skrip, bukan data
    Kebanyakan robot lama – termasuk model popular Fanuc, ABB, Kuka generasi terdahulu – bergantung sepenuhnya kepada teach pendant dan laluan kaku. Bila ada variasi produk, jig berubah sedikit, atau komponen datang dengan tolerans berbeza, robot mula buat silap. Di kilang E&E dan semikonduktor yang jalan produk sentiasa berubah, ini jadi penghalang.

  2. Tiada integrasi mendalam dengan AI vision dan data kualiti
    Sistem pemeriksaan kualiti moden gunakan machine vision berasaskan AI yang boleh belajar corak kecacatan baharu. Robot lama selalunya tak mampu baca maklumat daripada model AI ini secara fleksibel – ia hanya ikut kod asal. Hasilnya: yield terhad, scrap tinggi, dan kebergantungan kepada operator manusia untuk “betulkan” di hujung line.

  3. Kos operasi (OPEX) meningkat bila robot tak fleksibel
    Setiap kali model baharu dilancar – contohnya modul bateri EV baharu atau varian board elektronik – sistem lama perlukan masa downtime panjang untuk reprogramming dan retooling. Pasaran yang bergerak pantas tak boleh tunggu. Kilang yang sanggup labur dalam sistem AI boleh turunkan masa tukar model (changeover) daripada berjam-jam kepada beberapa minit.

  4. Tekanan pelanggan global ke arah kilang pintar
    Multinasional seperti Intel, Infineon atau pelanggan automotif Jepun & Eropah semakin mengutamakan pembekal yang boleh tunjuk data OEE, FPY, traceability dan analitik masa nyata. Jika sistem anda tak mudah dihubungkan kepada platform AI atau MES moden, peluang kontrak besar akan lari kepada pesaing.

Lelongan besar-besaran di Chicago itu hanyalah contoh fizikal bagaimana syarikat mula “membuang kulit lama” mereka. Soalnya: adakah kilang di Malaysia sedang bersedia menjadi sebahagian daripada gelombang baharu ini, atau bakal menjual aset mereka dengan harga serendah mungkin lima tahun dari sekarang?

Dari robot tradisional ke automasi berasaskan AI: apa sebenarnya beza?

Peralihan ini bukan semata-mata tukar robot A kepada robot B. Bezanya ialah cara keputusan dibuat di lantai produksi.

1. Robot lama: ikut arahan; sistem AI: buat keputusan

  • Robot tradisional hanya ikut laluan dan urutan yang diprogramkan. Kalau komponen tersasar 2 mm, ia akan tetap turunkan torch kimpalan di lokasi asal.
  • Sistem AI + robot moden gabungkan kamera 3D, sensor tork, dan model pembelajaran mesin. Robot bukan sahaja nampak komponen, malah menyesuaikan trajektori kimpalan, daya genggaman atau suhu secara masa nyata.

Dalam konteks automotif, ini membezakan antara:

  • spot welding yang hanya “tekan ikut titik”, dan
  • sel kimpalan pintar yang melaras parameter ikut ketebalan panel yang sebenar, mengurangkan rework dan meningkatkan konsistensi NVH.

2. Dari hard‑coded line ke data-driven line

Dalam elektronik & semikonduktor, variasi produk sangat tinggi. Line tradisional akan:

  • simpan program berasingan untuk setiap model,
  • bergantung kepada operator untuk pilih program betul,
  • dan kadangkala tersalah pilih, menyebabkan batch scrap.

Line berasaskan AI:

  • kenal pasti produk melalui kod 2D, imej atau RFID,
  • panggil parameter proses dan resepi secara automatik,
  • belajar daripada corak kegagalan lalu untuk kemas kini had kawalan proses.

3. Integrasi hujung-ke-hujung: dari gudang ke pengujian akhir

Berita BTM Industrial menyebut robot untuk kimpalan, palletizing, machine tending, sehinggalah pemprosesan makanan. Dalam dunia AI, kesemuanya boleh disatukan di bawah satu lapisan kawalan pintar:

  • AGV/AMR yang dikawal AI mengoptimumkan laluan material,
  • robot proses utama diselaraskan dengan jadual pengeluaran yang dioptimumkan AI,
  • sistem pengujian dan kamera kualiti hantar data balik ke model yang memantau prestasi mesin.

Inilah yang membezakan “kilang yang ada robot” dengan kilang pintar berasaskan AI.

Apa yang boleh dipelajari pengeluar Malaysia daripada lelongan ini?

Berita lelongan di Chicago mungkin nampak jauh, tapi pengajarannya sangat dekat dengan realiti di Pulau Pinang, Kulim, Senai atau Pekan.

1. Jangan belikan masalah 10 tahun akan datang

Robot terpakai memang menarik dari segi harga. Fanuc ArcMate 120iC Dual Gantry 18-axis yang disebut dalam lelongan itu, misalnya, boleh mencecah sekitar USD3 juta jika baharu. Di lelongan, harganya mungkin jatuh mendadak.

Tetapi kalau sistem kawalan dan arkitekturnya sukar diintegrasi dengan AI vision, analitik dan platform IIoT moden, anda cuma beli:

  • aset yang akan cepat usang,
  • kos tinggi untuk integrasi,
  • dan risiko tak serasi dengan strategi kilang pintar syarikat induk.

Dalam banyak projek yang saya lihat, strategi lebih bijak ialah:

  • gunakan sebahagian kecil bajet untuk robot terpakai yang AI-ready (mudah di-retrofit), dan
  • salurkan majoriti bajet kepada lapisan perisian AI: vision, pengoptimuman jadual, predictive maintenance, dan integrasi data.

2. Fikir dalam bentuk kitar hayat automasi, bukan hanya CAPEX

Kitar hayat tipikal peralatan automasi:

  1. Fasa masuk – pemasangan awal, tuning, ROI menarik
  2. Fasa matang – output stabil, kecekapan baik
  3. Fasa tepu – sukar dipasang untuk produk baharu, downtime meningkat
  4. Fasa usang – mula jadi surplus, akhirnya dijual atau dilelong

Kilang yang proaktif akan:

  • mula merancang peralihan ke AI sewaktu fasa matang,
  • bukannya menunggu sehingga fasa usang dan bergantung kepada lelongan untuk meminimumkan kerugian.

Di Malaysia, pengeluar yang selari dengan strategi pelanggan global biasanya jadikan “AI readiness” dan “data connectivity” sebagai kriteria utama bila membeli peralatan baharu.

3. Gunakan AI sebagai jambatan, bukan hanya alasan beli mesin baharu

Tak semua orang perlu buang robot lama. Banyak robot di lelongan seperti Fanuc dan ABB sebenarnya boleh di-retrofit dengan:

  • kamera AI vision yang disambung ke pengawal luaran,
  • edge computer yang buat inferens AI dan hantar arahan ke robot,
  • integrasi ke sistem MES/ERP untuk dapatkan data production order.

Syarikat yang bijak akan:

  • kenal pasti sel robot sedia ada yang masih mekanikalnya sihat,
  • menaik taraf kepada AI vision atau kawalan adaptif,
  • dan hanya menggantikan sepenuhnya sel yang benar-benar tak ekonomik untuk diubah.

Di mana AI paling cepat beri pulangan dalam elektronik, automotif & semikonduktor?

Bagi kilang di Malaysia, soalan praktikalnya selalu sama: “Nak mula di mana supaya ROI cepat nampak?”

Berikut beberapa kawasan yang terbukti efektif:

1. AI vision untuk pemeriksaan kualiti

Dalam E&E dan semikonduktor, penggunaan AI vision boleh:

  • mengurangkan false reject dan false accept berbanding rule-based vision,
  • belajar corak kecacatan baharu tanpa perlu tulis ratusan aturan baharu,
  • memberi heatmap kawasan masalah pada papan atau wafer.

Robot pick-and-place atau handler ujian boleh diarahkan oleh model AI ini untuk:

  • asingkan unit meragukan secara automatik,
  • menghantar semula untuk rework,
  • atau melabel batch yang patut diperiksa semula secara manual.

2. AI untuk pengoptimuman jadual dan aliran logistik dalaman

Dalam automotif dan komponen EV, AI boleh:

  • meramal bottleneck berdasarkan data historikal,
  • menukar urutan lot untuk minimumkan tukar setup,
  • mengarah AGV/AMR supaya bekalkan material tepat masa.

Robot palletizing dan robot gudang yang sekarang mungkin hanya ikut skrip ringkas, boleh dihubungkan kepada enjin pengoptimuman AI supaya:

  • lokasi pallet, susunan dan masa pergerakan lebih seimbang,
  • pengunaan ruang gudang meningkat,
  • dan masa tunggu line pengeluaran dikurangkan.

3. Predictive maintenance berasaskan AI

Sama ada di saw line elektronik atau di sel kimpalan automotif, kegagalan mesin tak dirancang memang mahal. Model AI yang dilatih atas data getaran, arus motor, suhu, dan log ralat boleh:

  • meramal kegagalan bearing atau gear lebih awal,
  • mencadangkan masa penyelenggaraan terbaik tanpa jejaskan komitmen penghantaran,
  • mengurangkan kebergantungan kepada “rasa” juruteknik paling senior.

Dalam jangka masa 12–24 bulan, penjimatan daripada downtime yang dielakkan selalunya cukup untuk membiayai sebahagian besar pelaburan AI.

Langkah praktikal untuk pengilang Malaysia pada 2026

Kalau anda berada di posisi pengurus kilang, jurutera proses atau pengambil keputusan di HQ serantau, berikut pendekatan yang saya lihat paling realistik untuk 12–24 bulan akan datang.

1. Audit “AI readiness” aset sedia ada

Bukan semua robot dan mesin perlu diganti esok. Tetapi anda perlu tahu:

  • mesin/robot mana yang mempunyai interface moden (OPC UA, Ethernet/IP, Modbus TCP),
  • peralatan mana yang datanya hanya boleh diambil secara manual,
  • bahagian line mana yang paling tinggi scrap, downtime dan bergantung kepada kemahiran individu.

Dari sini, susun tiga kategori:

  1. Boleh di‑retrofit dengan AI dengan kos rendah–sederhana
  2. Patut diganti bila ada bajet CAPEX seterusnya
  3. Calon surplus/penjualan dalam 3–5 tahun

2. Mulakan projek rintis (pilot) berskala kecil tetapi jelas impaknya

Contohnya:

  • 1 line pemeriksaan papan elektronik dengan AI vision,
  • 1 sel kimpalan automotif dengan pengawal adaptif berasaskan sensor,
  • atau 1 stesen pengujian semikonduktor dengan analitik AI untuk binning yang lebih bijak.

Tetapkan metrik jelas seperti:

  • pengurangan scrap (%),
  • peningkatan FPY,
  • pengurangan masa tukar model,
  • atau penurunan downtime tak dirancang.

3. Bentuk pasukan hibrid: proses + IT + data

Ramai kilang cuba buat projek AI sebagai projek IT semata-mata. Biasanya gagal atau terhenti. Formula yang lebih berjaya:

  • jurutera proses yang faham konteks pengeluaran,
  • pasukan IT/OT yang urus rangkaian & keselamatan,
  • data engineer / data scientist (sama ada dalaman atau rakan teknologi) yang bina model.

Gabungan tiga kumpulan ini yang akan tentukan sama ada AI anda sekadar POC cantik dalam slide atau benar-benar hidup di lantai produksi.

Elakkan jadi kilang yang melelong robot sendiri

Lelongan besar-besaran BTM Industrial di Chicago ialah gambaran nyata bagaimana aset automasi yang dahulu mahal kini dijual “regardless of price”. Di sebalik cerita itu, ada trend lebih besar:

Pengeluar yang paling lambat mengadaptasi AI akan lihat pelaburan robotik mereka bertukar daripada aset strategik kepada stok lama yang sukar dijual.

Bagi Malaysia, terutama dalam rantaian bekalan elektronik, automotif dan semikonduktor global, ini bukan masa untuk tunggu dan lihat. Negara jiran dan pesaing serantau juga membina kilang pintar mereka.

Kalau anda sedang memikirkan:

  • bagaimana nak tingkatkan automasi tanpa menambah risiko,
  • cara menggabungkan robot sedia ada dengan AI vision dan analitik,
  • atau pelan transformasi 3 tahun ke arah kilang pintar,

ini masa yang sesuai untuk rangka peta jalan yang jelas – supaya pada 2030, anda masih di pihak yang membeli teknologi berasaskan AI, bukan melelong robot yang tak lagi relevan.

Artikel ini adalah sebahagian daripada siri AI in Manufacturing (Electronics, Automotive, Semiconductor), yang membincangkan bagaimana pengeluar di Malaysia boleh beralih daripada automasi biasa kepada operasi kilang pintar berasaskan AI.

🇲🇾 Daripada Lelong Robot ke Kilang Pintar Berasaskan AI - Malaysia | 3L3C