智慧港 AIoT 實戰:高雄港 70 號碼頭給傳統製造業的對標啟示

智慧港不是把攝影機接上網路那麼簡單。在 2026 年思科 Cisco Connect 台灣大會上,高雄港 70 號碼頭的 AIoT 轉型案例被當成「連最傳統的場域都能智慧化」的示範。對任何有大型廠區、重型設備、老舊 OT 系統的傳統製造業來說,這個案例的價值不在它用了哪家產品,而在它怎麼一步步把一個佈線都佈不進去的老碼頭,變成一頁儀表板就能掌握全場的智慧場域。這篇文章拆解它到底做了什麼,以及製造業能對標什麼、又該小心哪些誤讀。

智慧港到底解決了什麼？先看四大 OT 痛點

高雄港 70 號碼頭面積約 18 萬平方公尺（碼頭營運方自述,官方新聞未載此數字）,是一個經營超過 30 年的傳統貨櫃碼頭。導入前的痛點,官方投影片歸納成四大營運挑戰——而這四點,幾乎每一條都能在傳統重工廠區找到對應：

第四點——佈線——其實是這個系統延宕多年才動工的根本原因。地板要承載重型車輛不准開挖,場域鹽分高又潮濕,金屬貨櫃堆到五六層（十幾二十公尺）把無線訊號擋死。這正是重工製造最頭痛的環境。

每個痛點,到底被什麼解掉了？

把痛點和解法一對一攤開來看,才看得出這套系統真正在解什麼——而不是一堆酷炫功能的堆疊：

看這張表會發現一個關鍵順序：最後一列「佈線死局」其實是前面六項的前提——網路進不去,上面所有 AI 巡邏、預測維護、數位孿生都無從談起。這也是為什麼「工業無線骨幹」是整套系統最先要解、也最花時間（7 個月）的一塊。

解法怎麼疊上去？工業無線打底,AI 一層層加

關鍵在順序：先解決「網路進得去」,才談得上 AI。這個案例的技術堆疊是這樣長的：

1. 工業無線骨幹（CURWB）：思科的 Ultra-Reliable Wireless Backhaul（前身 Fluidmesh,官方主打就是碼頭吊車、金屬環境、移動資產）。因為不能開挖,無線節點架在 30 幾米高的燈塔上,連電源都是借用航空障礙燈的電路。環形骨幹網路建置花了 7 個月,30 支攝影機才全數上線。
2. AI 影像應用：24 小時全場 3D 影像的「AI 巡邏員」取代人工巡檢死角;車牌/櫃號自動辨識;貨櫃瑕疵自動偵測並註記到設備交接單（EIR）,成為日後貨損責任釐清的證據。
3. 3D 數位孿生：把 30 支攝影機、碼頭 ERP 的即時貨櫃進出、ESG 能耗等資訊,整合到一頁儀表板。
4. ESG 碳盤與設備預測維護：即時能耗監控;門機/橋機的震動與溫度感測,比對歷史資料預測故障並派工;甚至有 AR 遠端維修（手機掃設備顯示型號與維修指引,搭配 LLM 自然語言查詢）。

碼頭方分享的「最有感」成效,是那頁 3D 數位孿生儀表板：原本步行巡場一小時、巡查兩小時,系統上線後兩三分鐘就能掌握全場現況。（這是碼頭營運方現場自述的數字,非第三方公開驗證。）背後的數據平台是併入思科的 Splunk。

他們到底怎麼做？一手實作 + 架構拆解

網路：怎麼從一座燈塔繞過佈線死局

① 一手（講者親述）：先評估過 Wi-Fi 和 5G,都不行——金屬貨櫃堆五六層把訊號擋死。改用思科 CURWB 無線骨幹,但地面不准開挖、櫃子太高沒地方架天線,最後發現整個碼頭唯一能架無線節點的地方,是一座 30 米高的燈塔。於是佈成環形骨幹（兩個落地點 70-1、70-2）,設備要算承重逐一提報、電源直接從航空障礙燈抽、為了不影響生產「一根天線一根天線吊上去申請」、來回試錯,光無線骨幹就建了 7 個月,30 支鏡頭（5 支既有 + 20 多支新）才全上線,無線回傳幾乎零延遲。

數據與 AI：Splunk 當大腦,影像跑邊緣

① 一手（講者親述 + 案例影片）：技術棧分工很清楚——Splunk 當數據平台核心、思科提供 OT 網路穩定傳輸、晉泰 Smart+ ESG 平台,再加 3D 數位孿生。實際怎麼串：

• 設備預測維護：門機/橋機裝振動 + 溫度感測器 → 無線回傳 → Splunk 機器學習模型比對歷史資料預測故障 → 自動派工
• 影像 AI：偵測闖入/逆行/異常行為 → 自動分類風險分級 → 推到 Splunk + AMS 警示系統 → 現場聲光警報 + 判斷有沒有戴安全裝備
• 數位孿生：主畫面 3D 系統,右上角即時串 CATOS（碼頭 ERP/TOS）貨櫃進出數,一頁整合 30 支鏡頭 + ESG 能耗
• AR 維修：現場手機開 AR 掃設備 → 顯示型號/護罩/維修指引 → 再用 LLM 自然語言查詢

對製造業的技術啟示（把積木拆出來看）

把這套拆開,對傳統製造業最可遷移的技術決策有三個：① 先解決惡劣環境的連網——工業無線繞過佈線限制,是最容易卡住、也最該優先投資的一層;② OT/IT 分層與資安要一開始就設計進去（Purdue 模型分段隔離）,不是事後補洞;③ 數據平台要選「能吃 OT 時序 + log、又能做 ML 預測」的（本案選 Splunk）,讓感測資料能直接觸發維護動作,而不只是存起來。至於型號、頻段、引擎這些,公開資料就到頂了——這本身也是給導入方的提醒：評估這類方案時別被大會的漂亮儀表板迷惑,要問廠商拿得出多細的架構交付文件。

為什麼傳統製造業該認真看這個案例？

因為這是少數把「老舊 OT 場域 + 惡劣物理環境 + 系統孤島」這三個製造業共同惡夢,一次攤開來解的公開案例。對標最強的有五點：

但別誤讀：四個一定要扣掉的東西

看科技大會案例最危險的,是把「示範案的光鮮」直接當成「自己導入的預期」。這個案例有四個地方,如果不先扣掉,對標就會失真：

真正可遷移的,是這套方法論

把行銷數字和政策光環都拿掉之後,剩下真正值得抄的,是一套導入順序——這才是傳統製造業做 OT 數位轉型的通用路徑：

一個連思科都還沒解決的問題

同一天大會的另一場,台積電的資安工程師講了一句比任何產品簡報都值得記住的話：當 AI agent 開始自己下指令、自己訪問系統,「我無法確認 agent 有沒有在規避 policy 而不自知」。這是整個產業——包括思科、CrowdStrike、Palo Alto——2026 年都還沒解決的治理空白：這些 AI agent 自己的行為,目前沒有人在監控。導入 AIoT 與 agentic 自動化的組織,這個風險要先放進評估,而不是等出事才想。

結論：抄方法論,不抄採購單

高雄港 70 號碼頭是一個技術上完全成立、故事也漂亮的智慧港案例。對傳統製造業來說,它最大的價值不是「思科能做到什麼」,而是示範了一條把老舊 OT 場域數位化的可行路徑：先盤痛點、無線打底、AI 疊加、數據收斂。把政策紅利、移動資產場景、行銷數字扣掉之後,那套方法論——以及「業主怎麼配系統整合商與網路資安夥伴」的協作結構——才是真正能搬回自家廠區的東西。