綠品投入桑黃培養與產品開發已超過十年。這段時間累積下來的，不只是成功種出多少批子實體，也包括菌種、基質、接種、生長狀態、環境條件、採收、乾燥、粉體處理、HPLC圖譜、檢驗結果，以及每一次異常與調整。過去這些紀錄主要用來追蹤生產與解決現場問題；當資料逐漸被標準化後，它們還能成為綠品導入人工智慧、機器視覺與機器人生產最重要的基礎。
AI無法憑空理解桑黃如何生長，機器人也不會因為裝上攝影機就自動知道什麼時候應該移動、檢查或採收。要讓系統做出可靠判斷，必須先讓每一張照片、每一筆溫濕度、每一個生長階段與最後的品質結果彼此對得起來。綠品下一個研發平台的核心，因此不是先買一套看起來很先進的設備，而是把十多年來依靠人員觀察與經驗累積的知識，整理成機器可以讀取、比較和學習的生產資料。
十多年紀錄的價值，在於它涵蓋了完整生產結果
許多智慧農業計畫從安裝感測器開始，卻常遇到一個問題：即使收集了大量溫度、濕度、二氧化碳與影像，也不知道哪些變化真正影響最終品質。綠品過去累積的資料具有不同價值，因為它不只記錄環境，也能回到採收後的乾重、外觀、粉體狀態、HPLC輪廓與安全檢驗。這使AI未來不只是預測「現在長得快不快」，而有機會學習「這樣的生長過程最後會形成什麼樣的原料」。
例如兩個培養批次在前期可能看起來相近，到了子實體形成後才出現生長速度、表面紋理或成熟度差異；這些差異又可能在採收、乾燥或HPLC分析時呈現不同結果。如果歷史照片、環境紀錄和最終檢測各自分散，就只能靠資深人員回憶；若它們能以同一批號連結，系統便可以尋找哪些早期訊號經常出現在後續品質較穩定或較不穩定的批次中。
這並不代表十年前的紙本與人工紀錄可以直接拿去訓練模型。歷史資料需要先校正名稱、時間與單位，確認不同年代所使用的菌種編號、環境感測器、採收標準及分析方法是否一致。資料整理的目的不是把所有舊紀錄硬放在同一張表裡，而是先標示哪些數據可以直接比較、哪些只能作為背景，以及哪些缺少足夠條件而不能用於模型判斷。
AI導入的第一步，是把人的經驗轉成可以標記的事件
桑黃生產現場有許多依賴經驗的判斷，例如菌絲是否正常擴展、子實體是否開始形成、表面顏色與紋理是否偏離、培養單位是否可能受到污染，以及何時接近適合採收的狀態。資深人員往往能從整體外觀察覺異常，卻不一定能把判斷完整寫成數值。機器學習要承接這些經驗，必須先把它們轉成可以標記的事件與影像。
綠品可以從固定角度、固定光源與固定時間拍攝開始，讓每個培養單位在不同生長階段都有連續影像，再由培養人員標註正常、發育延遲、表面異常、疑似污染與接近採收等狀態。菇類研究已顯示，機器學習可用於連續監測菇體生長，感測器與攝影系統也能把環境和影像放在同一套監控架構中；但這些方法能否用在桑黃，仍需要綠品自己的影像、品種和培養條件重新訓練。不同菇種的形態、生長速度與採收判斷並不相同，不能直接把其他菇場的模型搬過來使用。
當影像標記逐步累積，AI可以先扮演第二雙眼睛，而不是立即取代培養人員。系統可自動整理每天的變化、提醒某一層架位或某一批次偏離過去趨勢，再由人員判斷是否需要處理。這種模式能把有限人力集中在真正需要注意的區域，也能降低不同人員輪班時判讀標準不一致的問題。
從環境監控進一步走向生長與品質預測
傳統環控通常依預先設定的上下限控制溫度、濕度、通風與光照。這種方式能維持基本穩定，卻不一定能反映不同生長階段的需求。當綠品把環境紀錄、影像進度與最終品質連接後，AI可以進一步比較：某一批次在什麼階段對濕度變化較敏感、哪些通風或光照組合常伴隨較穩定的生長，以及哪些早期異常最後會反映在採收率或成分圖譜上。
這類模型一開始不應直接控制設備，而應先以預測和建議模式運作。例如系統預估某批桑黃可能比標準時程晚進入下一階段，或判斷某一區域的生長差異可能與環境分布有關，現場人員可以先檢查感測器、風流、含水或操作紀錄。經過足夠批次驗證後，部分低風險控制才可逐步自動化，例如依生長階段微調環境設定、增加影像拍攝頻率，或安排人員優先巡查。
AI的目標也不應只是把產量推到最高。桑黃是長週期真菌原料，品質包含外觀、乾燥表現、粉體特性、HPLC輪廓與安全性。平台應同時評估生長速度、穩定度、能耗、污染率與最終品質，而不是讓模型為了縮短時間而犧牲原料一致性。綠品十多年資料的優勢，正是能讓模型學習生產結果，而不只學習環境數字。
機器視覺會是機器人生產的感知系統
機器人要在菇菌生產中工作，首先必須知道物體在哪裡、處於什麼狀態，以及周圍是否有碰撞風險。近年的菇類研究已把電腦視覺用於生長追蹤、菇體辨識、成熟度判斷與機器採收；全自動雙孢蘑菇採收機器人的研究，也顯示視覺、決策與機械手臂需要被整合成同一套系統。這些成果證明技術方向可行，但不同菇種的形態和生產流程差異很大，桑黃需要依自己的培養架、容器與子實體形態重新設計。
對綠品而言，機器視覺的第一個應用不一定是直接採收，而可能是自動巡檢。固定攝影機或移動式相機可以記錄每個培養位置的影像，辨識生長進度、顏色變化、表面異常及培養單位是否傾倒或破損。當系統建立穩定定位後，才有條件讓移動平台或機械手臂執行更複雜的任務。
這也說明為什麼影像資料必須從現在開始用一致方式保存。若照片沒有批號、架位、拍攝時間與生長階段，未來再好的辨識模型也無法學習。相反地，當十多年的生產經驗逐步轉化成標記影像，綠品便能建立屬於自己菌種、設備與製程的視覺模型，而不是依賴通用系統猜測現場狀況。
機器人應先接手重複、搬運與高一致性的工作
桑黃生產的自動化不必從最困難的全自動採收開始。實際上，更適合優先導入機器人的環節，往往是重複性高、路徑固定且容易標準化的工作，例如培養單位搬運、架位進出、定點拍攝、重量量測、送入乾燥區，以及乾燥後的粉體輸送與包裝前處理。這些工作如果仍依靠大量人工，不只耗費體力，也容易因操作時間與方式不同造成資料不一致。
當每個培養單位都有可讀取的批號或位置識別，搬運設備便能知道它來自哪一批、目前要送到哪個環境，以及完成哪一道程序。AI提供生產排程與優先順序，機器人負責執行移動，感測器和視覺再確認任務是否完成。這不是單一機械手臂的概念，而是讓資料、決策與設備形成完整工作流程。
採收仍可逐步導入輔助自動化。系統可以先以影像標出建議採收的培養單位，由人員確認；之後再由機器協助取出、定位或搬運。等到綠品累積足夠的形態、受力與損傷資料，才適合評估自動切取或抓取。機器人生產的核心不是追求無人工廠，而是讓機器承擔最規律的工作，讓人員把注意力放在異常、生物判斷與研發改善上。菇類自動採收研究也顯示，稠密生長、定位、碰撞與損傷控制，都是機器人必須解決的實際問題。
HPLC與最終檢驗是AI生產系統的回饋端
如果AI只根據影像和環境資料判斷成功，卻沒有連回最終品質，系統可能只是把外觀看起來相似的桑黃生產得更快。綠品場內HPLC在下一階段的重要性，是把生產前端與原料結果連起來。每一批完成採收、乾燥與微細化後，都能以固定方法留下主要峰、峰比與整體輪廓，再和前段的生長影像與環境條件比較。
當模型預測某批次品質穩定，而HPLC或其他檢驗結果並不符合預期，這個落差就是下一輪學習的重要資料。系統需要重新檢查是否遺漏了乾燥、保存、取樣或方法變更等因素。AI不是一次訓練完成後永久正確，而是在新批次結果持續回饋下，逐步修正判斷。
第三方重金屬、農藥、微生物與安全檢驗也可成為模型的結果欄位，但不能由AI預測取代實際檢驗。較合理的做法，是讓系統依供應商、基質、製程與歷史趨勢協助安排風險監測，正式放行仍依規格與檢驗結果決定。AI負責找出值得注意的模式，品管制度負責做出受控決策。
綠品下一個平台，是從資料輔助走向閉環生產
綠品導入AI與機器人生產，可以分成逐步銜接的過程。第一階段是把十多年資料重新整理，使批次、影像、環境、製程、HPLC與檢驗能彼此連結；第二階段是增加固定感測器與標準影像，讓新資料可以自動進入系統；第三階段由AI提供生長判讀、異常提醒與採收預測；第四階段再把部分結果連接到環控、搬運、巡檢與生產排程。
當系統成熟後，生產便能形成閉環：感測器和攝影機記錄現場，AI比較歷史批次並提出判斷，設備執行環境或物流調整，HPLC與品質檢驗再確認結果，新的資料回到模型中。這套循環不是要把真菌生長簡化成完全可以預測的工業零件，而是利用長期資料降低不必要的差異，讓現場更早看見問題，也讓每一次調整都能留下可驗證的結果。
這也是綠品從桑黃生產者跨越到菇菌研發平台的真正意義。平台不只服務現有桑黃原料，未來導入其他食藥用真菌時，也能沿用樣品編號、環境監測、影像標記、分析方法與設備控制的基本架構。不同菇菌仍需要各自建立模型，但不必每一次重新設計整套資料與生產系統。
結語
綠品十多年累積的實驗與生產紀錄，過去主要證明公司如何把桑黃穩定培養出來；下一階段，這些資料可以成為AI理解生長、機器視覺辨識狀態，以及機器人執行生產任務的起點。真正有價值的不是資料量有多大，而是每一筆資料是否知道來自哪個批次、在什麼條件下產生，又和最後的品質結果有什麼關係。
AI與機器人不會取代綠品多年累積的真菌經驗，而是讓這些經驗不再只存在少數人的判斷中。當人的觀察被轉化成標記，當批次記錄能連到HPLC與品質結果，當設備可以依受控判斷執行工作，綠品便能從依靠經驗管理的桑黃生產，逐步走向資料驅動、可以持續學習的菇菌研發與智慧製造平台。
參考資料
Qi, Y. et al.（2024），Widely targeted metabolomics analysis of Sanghuangporus vaninii mycelia and fruiting bodies at different harvest stages，Frontiers in Microbiology。https://www.frontiersin.org/journals/microbiology/articles/10.3389/fmicb.2024.1391558/full
Moysiadis, V. et al.（2023），Monitoring Mushroom Growth with Machine Learning，Agriculture。https://www.mdpi.com/2077-0472/13/1/223
Nguyen, H. H. et al.（2024），An Integrated IoT Sensor-Camera System toward Smart Greenhouse Mushroom Cultivation，Agriculture。https://www.mdpi.com/2077-0472/14/3/489
Zhong, M. et al.（2024），Development, integration, and field evaluation of an autonomous harvesting robot for Agaricus bisporus，Computers and Electronics in Agriculture。https://www.sciencedirect.com/science/article/pii/S016816992400262X
Wilkinson, M. D. et al.（2016），The FAIR Guiding Principles for scientific data management and stewardship，Scientific Data。https://www.nature.com/articles/sdata201618