一個將現場即時遙測轉化為可行建議的工業顧問。目前仍在開發中——本頁概述今日已部署的內容與未來方向。
每個收集營運資料的平台最終都面臨同一個根本問題：如何運用這些資料？傳統儀表板只是轉移問題而非解決問題——仍然需要有人監看、解讀並做決策。Copilot 旨在填補這個營運缺口：讀取工業現場的即時事件，並提醒決策者哪些事項需要立即關注及如何處理。
這項能力若無不妥協的資料基礎便不可能存在。在場狀態、區域停留時間與生產力追蹤已在我們的定位基礎設施上即時運行。仍在演進的是其上的層級：理解進行中工作的具體性質並產生可靠指引。以薄弱或雜訊資料訓練的 AI 顧問會提供自信但錯誤的建議——在高風險工業環境中，這遠比完全沒有建議更糟。
我們今日正在部署的正是那個穩固的基礎。配備裝置端神經處理單元的穿戴式感測器，在運作中的工業現場持續收集結構化的實體足跡：高精度座標、動作動態、區域停留時間、語音與影像。每一頂部署的安全帽都在豐富這個智慧層。
硬體級遙測與在場狀態
配備嵌入式 NPU 的穿戴式感測器持續收集結構化實體遙測：高精度座標（室外透過 RTK 達公分級，室內透過 UWB 達公寸級）、IMU 動作動態、音訊與影像。即時在場狀態、區域停留追蹤與基本班次合規已在生產環境中運行。
已上線
將實體訊號綁定至現場幾何
來自 UWB、RTK 與環境感測器的輸入與現場數位區域模型融合。原始座標轉化為經驗證的營運事實：識別誰在重型機械附近操作、哪個具體工作面有人員配置，以及每次部署的精確持續時間。
已上線
將動作轉化為營運意義
深度學習模型將身體活動分割為結構化營運狀態：實際施工時間、物料暫存、區域間移動或閒置等待。工具使用時間成為經驗證的數位資料，而非班次結束後的主觀估計。
開發中
捕捉偏離營運基線的偏差
在分類後的工作流程之上運作，系統識別基線異常：節奏突然中斷、局部擁擠、暫存瓶頸，以及在班次後稽核發現之前就顯現的新興安全風險或時程延誤前兆模式。
開發中
在班次動態展開前進行預測
透過綜合歷史現場模式與即時現場遙測，預測模型可預見瓶頸、人員與重型設備之間的危險接近事件及關鍵路徑延誤——提供足夠的前置時間進行主動介入。
下一個里程碑
具備透明推理的可行建議
頂層：AI 顧問向專案領導層提出高影響力介入建議（重新分配人力、最佳化任務排序、調整物流路線），並解釋每項建議背後的營運邏輯。規劃中的 BIM、MES、CMMS 與 ERP 整合提供必要的時程與許可基準，以區分真正的營運摩擦與預期進度。
路線圖
Copilot 不是已出貨功能，也不在客戶今日部署 XENOM 時所獲得的範疇內。在場狀態、區域停留時間與生產力的即時統計才是——兩者不應混淆，我們將 Copilot 描述為開發方向。
我們不對其附加發布日期。時程取決於足夠的資料集在運作現場累積的速度，而這取決於部署而非僅靠工程努力。
今日確實運作的是基礎層：高精度定位、客觀時間與區域資料、語音篩查、通訊與影像——每項各有其已發布結果。若想了解平台目前的實際能力，這些頁面值得閱讀。
跨運作現場持續收集的結構化活動紀錄
在工作、危害、服務及等待區域的客觀停留時間
足夠精確的定位，使區域事件具有意義而非僅為近似值
裝置端處理，資料層無需將原始串流傳送至伺服器即可擴展
透過同一穿戴裝置收集語音、影像與遙測