🧃 零售業的 Edge AI 要做什麼？誰能擁有這商機？

零售業導入 Edge AI，目的不是單純增加影像辨識功能，而是把攝影機、POS、貨架、庫存、人流、冷鏈及員工作業資料，轉化為現場可立即執行的任務與營運決策。

從影像辨識走向營運閉環，零售 Edge AI 的競爭關鍵，不只在攝影機、演算法或晶片，而在誰能整合資料、設備與門市作業流程

文/3S Market

前言：零售業需要的不是更多 AI，而是能解決門市問題的 AI

零售業導入 Edge AI，表面上看起來是攝影機加入人流分析、商品辨識、排隊偵測或防竊功能；但從門市經營的角度來看，真正的目的並不是讓設備「看得更聰明」，而是讓現場能夠更快發現問題、判斷原因，並驅動人員或系統採取行動。

當貨架出現缺貨，系統不能只在畫面上標示一個紅框，而是要確認商品品項、比對庫存，並通知負責員工補貨。

當結帳區排隊人數增加，系統不能只統計人數，而是要評估等待時間、通知店長增開櫃台，甚至結合排班資料調整人力。

當自助結帳發生疑似漏刷，系統也不能只發出警報，而是要將商品影像、條碼、重量與POS交易資料進行比對，協助員工快速處理。

因此，零售 Edge AI 的核心，可概括為一個完整循環：

感知現場、分析事件、形成洞察、觸發行動、追蹤結果。

目前國際平台業者的零售布局，也已逐漸由單一影像辨識，走向自助結帳、防損、商品辨識、多攝影機分析、門市作業支援及跨店資料管理。Intel的零售電腦視覺參考架構涵蓋自動結帳、防損、智慧購物車及無人商店；NVIDIA Metropolis則強調由邊緣到雲端部署與擴充視覺AI應用；Qualcomm的智慧門市架構進一步整合手機、看板、貨架、員工裝置及感測器。

換句話說，零售 Edge AI 已不再只是攝影機功能升級，而正在成為智慧門市營運系統的一部分。

一、零售 Edge AI 主要要做的八件事

零售 Edge AI 的應用可由防損、庫存、自助結帳、人流、顧客行為、員工作業、安全法遵及能源設備八個方向展開。各項功能是否具有商業價值，關鍵在於能否連結門市作業流程，而不只是產生辨識結果。

零售門市是高度複雜的現場。攝影機看到的是人、商品與行為，但經營者真正關心的是缺貨、損耗、排隊、轉換率、人力成本、設備故障及顧客體驗。

因此，Edge AI 的應用必須從門市問題出發，而不是先有演算法，再尋找可以套用的情境。

表一：零售 Edge AI 八大應用與營運目標

Edge AI應用	現場要解決的問題	可能串接系統	主要KPI
防竊與防損	偷竊、漏刷、錯刷、員工舞弊	攝影機、POS、電子秤、門禁	損耗率、異常交易量
貨架與庫存辨識	缺貨、錯位、空架、陳列不符	ERP、庫存、電子標籤	缺貨率、補貨時間
自助結帳辨識	商品辨識錯誤、條碼漏刷	POS、自助結帳機、重量感測	結帳速度、漏刷率
人流與排隊管理	櫃台不足、尖峰壅塞、顧客流失	POS、叫號、排班系統	等候時間、棄購率
顧客行為分析	不知道顧客看什麼、在哪停留	CRM、數位看板、商品資料	進店率、轉換率
員工作業管理	補貨、清潔、巡店未落實	行動裝置、排班、任務系統	任務完成率、人時成本
安全與法遵	跌倒、闖入、火煙、冷藏失溫	安控、消防、門禁、IoT	事件反應時間
能源與設備管理	冷凍櫃、照明、空調耗能或故障	EMS、BMS、感測器	能耗、設備停機時間

1. 防竊與防損：最容易計算投資報酬的應用

防損是零售影像AI最直接的應用之一，包括可疑拿取行為、遮擋商品、商品掉換、條碼漏刷、重量不符、未完成付款離場，以及員工異常操作。

傳統監控主要提供事後調閱，Edge AI 則可在事件發生當下進行初步判斷，再將影像事件與 POS 交易、商品資料或電子秤資料進行比對。

NVIDIA 已提供以 Metropolis 為基礎的零售防損工作流程；Intel 的電腦視覺結帳架構，也把防損與自動結帳列為主要參考應用。

不過，防損系統是否有效，不能只看演算法辨識率，還要觀察誤報率、員工處理時間，以及最後能降低多少實際損耗。

2. 貨架與庫存辨識：讓「看見缺貨」轉化為「完成補貨」

攝影機可以偵測貨架空位、商品錯置、陳列不符、價格標籤遺漏及促銷品陳列狀態。

但只辨識空架，並不能真正解決缺貨問題。

完整流程應包括：

貨架出現空位，系統先辨識商品位置，再與庫存資料比對；如果倉庫仍有庫存，便建立補貨任務；如果倉庫也無庫存，則通知採購或物流系統。

因此，貨架辨識的價值不是「看到空架」，而是縮短從缺貨發生到完成補貨的時間。

3. 自助結帳辨識：由設備自助走向 AI 輔助

自助結帳最常發生的問題，包括條碼漏刷、商品辨識錯誤、商品與重量不符，以及消費者不熟悉操作造成的流程中斷。

電腦視覺可協助辨識商品種類、追蹤商品是否經過掃描區，並與條碼、電子秤或 RFID 資料進行比對。Intel 目前提供自動結帳參考實作及物件偵測框架，協助業者建立自助結帳與商品追蹤流程。

台灣振樺電子的自助結帳設備，也已導入 Edge AI 商品辨識、RFID、電子秤及AI防損等功能，顯示 POS 設備正由交易終端逐漸向AI零售平台延伸。

4. 人流與排隊管理：不只統計人數，而是調整人力

人流分析可以統計進店人數、顧客移動方向、熱門區域、停留時間及結帳區排隊長度。

但門市真正需要的不是一張人流熱區圖，而是可執行的作業規則，例如：

當結帳區等待人數超過五人，或預估等待時間超過三分鐘，系統便通知店長增開櫃台。

當某個商品區域出現大量停留人潮，系統可以檢查促銷活動是否有效，或提醒員工注意動線阻塞。

當入口人數持續增加，則可提前調整收銀、補貨及清潔人力。

人流分析只有與 POS、排班，及任務系統串接，才能從「營運數據」變成「營運行動」。

5. 顧客行為分析：從熱區圖走向商品與空間決策

顧客行為分析可以觀察顧客在哪些區域停留、拿起哪些商品、是否放回商品，以及哪些陳列位置較容易產生購買。

這些資料可以協助零售業者評估：

商品陳列位置是否合理；
促銷看板是否吸引顧客；
顧客進店後是否進入主要商品區；
停留時間是否轉化為實際交易；
哪些區域有人流，卻沒有銷售。

但涉及個人辨識或會員資料串接時，必須考慮資料最小化、去識別化、保存期限、使用權限及調閱紀錄。Edge AI 可將部分原始影像留在門市，只上傳事件與中繼資料，有助於降低頻寬及原始影像外流範圍，但不代表只要採用邊緣運算，就自然符合所有隱私與法遵要求。Qualcomm 的 edge-first 影像架構即強調在裝置或現場設備進行推論，只將特定事件及中繼資料向上傳送。

6. 員工作業管理：AI的下一步是派工與追蹤

零售門市每天都有大量例行作業，包括補貨、清潔、冷藏溫度巡檢、促銷陳列確認、價格檢核及設備檢查。

Edge AI 可以發現問題，但真正的營運價值來自後續處置：

發現問題 → 建立任務 → 指派人員 → 確認完成 → 記錄處理時間。

Microsoft近年的零售 AI 布局，已把門市員工作業支援、營運流程及智慧代理納入零售方案，讓 AI 不只回答問題，也可協助人員取得作業資訊及執行任務。

這也意味零售 Edge AI 的競爭，可能逐漸由「誰能辨識事件」，進入「誰能驅動工作流程」。

7. 安全與法遵：把安控事件納入門市營運

零售門市常見的安全問題，包括顧客跌倒、禁區闖入、後場人員異常、逃生通道堆置、火煙、設備區進出及夜間入侵。

傳統安控系統多將這些事件與營運管理分開處理，但Edge AI加入後，可將安全事件、門禁紀錄、員工身分及作業任務整合。

例如冷藏庫出現人員久留或疑似受困時，系統除了告警，也可同步確認門禁紀錄、通知現場主管及保全人員，並保留完整事件處理紀錄。

8. 能源與設備管理：由影像分析延伸到 IoT 事件

零售 Edge AI 並不只處理影像。

冷藏櫃、冷凍庫、空調、照明、數位看板、自助結帳機及網路設備，都可能透過感測器或設備資料，進行狀態分析與異常預警。

當冷藏櫃溫度異常，系統可以確認櫃門是否長時間開啟、人員是否正在補貨、設備是否發生故障，再決定通知門市人員或設備維修商。

因此，零售 Edge AI 未來可能成為攝影機、IoT、POS及設備管理之間的智慧中介層。

二、哪些應用最容易先產生投資報酬？

不是所有AI功能都應該同時導入。

對多數零售業者而言，最容易計算投資報酬的通常是以下四類：

第一，防損與自助結帳異常

因為商品損耗、錯刷及漏刷可以直接換算為財務損失。

第二，缺貨與補貨管理

缺貨會影響銷售，但過量庫存也會增加成本，尤其是鮮食、冷藏及保存期限較短的商品。

第三，排隊與人力調度

排隊時間、人員配置及棄購率，可以與 POS 交易及排班成本進行比較。

第四，冷鏈、設備與安全事件

設備故障、冷藏失溫及安全事件，可能造成商品損失、營運中斷，甚至衍生責任問題。

相較之下，單純分析顧客性別、年齡或情緒，雖然容易展示，卻未必能直接轉換成營運效益。

零售業導入 Edge AI，應先回答的問題不是「這套AI能辨識什麼」，而是：

這套 AI 能降低多少損失、縮短多少時間、節省多少人力，或增加多少營收？

三、Edge AI 與雲端 AI 如何分工？

門市 Edge AI 負責即時辨識、事件告警、設備整合及現場處置；總部或雲端 AI 則負責多店資料彙整、模型更新、趨勢分析、預測及營運策略。兩者不是互相取代，而是形成邊緣與雲端的協同架構。

零售業不會完全由Edge AI取代雲端，也不會把所有影像與資料都送到雲端處理。

較合理的架構，是由門市邊緣設備處理即時事件，再由總部或雲端進行跨店分析與管理。

門市 Edge AI 主要負責

即時影像與感測資料分析；
排隊、人流、缺貨及異常行為偵測；
自助結帳商品辨識；
安全及設備事件告警；
本地攝影機與IoT設備整合；
網路異常時維持基本功能；
只將必要事件與統計資料向上傳送。

總部或雲端 AI 主要負責

多門市資料彙整；
跨店績效及差異比較；
模型訓練、更新及版本管理；
商品、銷售、庫存及會員資料分析；
需求預測與供應鏈決策；
任務規則下發與執行追蹤；
長期營運趨勢分析。

NVIDIA Metropolis 將視覺 AI 定位為可由邊緣延伸至雲端的應用平台；Qualcomm 也強調在現場執行 AI 可降低延遲、提高隱私及減少頻寬需求；Microsoft 則將總部資料、門市營運及員工作業整合到零售AI與智慧代理架構。

因此，Edge AI 與雲端 AI 的分工，不是二選一，而是：

門市負責即時反應，總部負責跨店學習；門市處理事件，雲端持續優化。

四、誰能擁有零售 Edge AI 的商機？

零售 Edge AI 涉及零售業者、POS、自助設備、安控、VMS、IPC、AI 軟體、晶片及雲端服務等不同角色。真正能掌握主要商機的，可能不是單一產品供應商，而是能整合資料、設備及門市作業流程的解決方案整合者。

1. 零售業者：擁有資料、場域與最終採購決定權

連鎖超商、超市、量販店、百貨、餐飲、藥局及專賣店，掌握會員、POS 交易、商品、庫存、促銷、排班及門市SOP等核心資料。

因此，零售業者具有最高的需求定義及採購決定影響力。

大型零售集團可能自行建立資料平台及 AI 團隊，再要求攝影機、POS、IPC 及軟體業者按照既定介面接入。

但多數中型零售業者未必具備自行整合 AI、設備及後台系統的能力，仍需依賴外部解決方案供應鏈。

零售業者掌握資料與場域，不代表一定能自行取得全部技術商機，但可以決定商機最後由誰承接。

2. POS 與自助設備商：最接近交易核心

POS 及自助結帳設備位於交易發生的位置，可以直接取得商品掃描、付款、重量及交易事件。

只要加入 AI 商品辨識、漏刷偵測、商品與重量比對、RFID及異常行為分析，POS 設備商便有機會由硬體供應商，升級為智慧結帳解決方案商。

這類業者的優勢包括：

已經進入零售通路；
熟悉交易流程；
了解商品、條碼與付款介面；
設備部署與維運體系成熟；
容易提供整機、軟體及服務。

因此，POS 及自助設備商可能是零售 Edge AI 最容易率先形成商業規模的一群。

3. 安控與 VMS 業者：擁有影像入口，但未必擁有營運商機

安控業者最大的優勢，是攝影機及 VMS 已廣泛部署於零售門市。

原有攝影機可以進一步提供人流、排隊、防損、商品拿取、跌倒、禁區闖入及員工作業分析。

然而，如果安控業者只提供 AI 攝影機、分析授權及告警畫面，商機仍會停留在設備更新與功能加購。

要進一步掌握零售營運商機，安控業者必須學會串接：

POS 交易；
商品及 SKU 資料；
ERP與庫存系統；
排班及員工任務系統；
電子標籤與智慧貨架；
冷鏈及設備管理；
多門市營運報表。

否則，攝影機只是資料入口，真正的營運價值仍可能被 POS、零售軟體或IT整合商掌握。

4. IPC 與 Edge AI Box 業者：硬體市場可觀，但容易規格化

IPC 在本文中指工業電腦。IPC 及 Edge AI Box 可以負責多路影像解碼、AI 推論、IoT 介面、本地儲存及裝置管理。

台灣在這一層具有完整的硬體供應能力。研華已將 Edge AI、智慧貨架、自助設備、數位看板及零售分析納入智慧零售布局；研揚以 3D 攝影機及 Edge AI 系統支援自助結帳；新漢也持續發展智慧零售、自助設備與邊緣運算平台。

但純硬體容易陷入核心數、TOPS、介面數量及價格競爭。

IPC 業者若要提高附加價值，應由銷售設備，進一步提供：

預先驗證的 AI 模型；
攝影機與感測器相容清單；
POS、ERP 及 IoT 介面；
遠端設備管理；
模型部署及更新工具；
門市應用套件；
維運與訂閱服務。

5. AI 軟體公司：可能掌握持續性收入

AI 軟體公司主要負責商品辨識、防損、人流、貨架、行為分析及模型部署。

相較於一次性的硬體收入，軟體公司可能透過以下方式建立持續性收入：

每店授權費；
每路攝影機費用；
模型訂閱費；
模型更新與維護費；
場域客製化費；
資料標註及模型優化費；
SaaS 或 VSaaS 服務。

真正有競爭力的 AI 公司，不能只展示單次辨識率，而要能處理商品包裝更新、店型差異、攝影機角度變化、誤報、模型版本及大量門市管理。

AI 公司的競爭門檻，將逐漸由單一演算法，轉向：

模型、資料、部署工具、維運平台與零售經驗。

6. 晶片平台商：掌握技術生態，但距離門市流程較遠

NVIDIA、Intel、Qualcomm、Hailo 及其他晶片，或 AI 加速器業者，可以提供運算架構、SDK、模型工具、參考設計及合作夥伴生態。

晶片平台決定 AI 效能、功耗、影像處理能力及可支援的模型類型，對整體生態具有高度影響力。

但晶片商通常不會直接處理每一家門市的 POS、庫存、排班及維運問題，因此較可能扮演底層平台與生態系推動者，而不是每一個終端專案的主要承接者。

7. 雲端、電信與 MSP 業者：多門市管理與維運入口

連鎖零售需要跨店網路、設備管理、資安、雲端儲存、模型更新及集中監控。

電信商、雲端服務商及 MSP 可以提供：

門市網路及連線；
多店設備集中管理；
資安防護；
雲端資料及備援；
AI 模型及應用更新；
維運及服務等級協議。

這些業者的優勢在於規模化維運，但必須補足門市現場、POS、安控及商品流程知識。

8. 解決方案整合者：最有機會掌握專案核心

零售業者真正需要的不是「一套人流演算法」，而是：

當排隊超過一定人數時，能不能通知店長、增開櫃台，並記錄處理時間？

當貨架缺貨時，能不能確認庫存、建立補貨任務，並追蹤是否完成？

當自助結帳出現異常時，能不能同步比對影像、條碼、重量與交易資料？

因此，最有機會掌握主要商機的，可能是能夠同時理解零售、安控、POS、IPC、AI、IoT 及後台系統的 Solution Orchestrator。

它不一定自行製造所有產品，但必須具備：

場域需求定義；
資料及系統介面整合；
軟硬體選型；
AI 模型部署；
門市作業流程設計；
成效驗證；
多店複製；
長期維運能力。

表二：零售 Edge AI 主要業者角色與商機判斷

業者角色	切入優勢	商機上限	主要風險
零售業者	擁有資料與場域	最高	缺乏整合能力
零售解決方案整合商	掌握流程與專案	很高	人才與跨系統整合困難
POS／自助設備商	接近交易核心	很高	必須補足AI軟體
AI軟體公司	可取得訂閱收入	高	缺乏通路與場域資料
安控與VMS業者	已有攝影機入口	中高	容易停留在告警功能
IPC／Edge Box業者	運算與硬體成熟	中高	硬體標準化與價格競爭
雲端／電信／MSP	多店管理與維運	中高	不熟悉門市現場
晶片與AI加速器商	平台與生態規模	全球性高	不直接掌握終端客戶

五、零售 Edge AI 的五層商機價值鏈

零售 Edge AI 的商機可分為資料採集、邊緣運算、AI演算法、後台系統整合及多門市維運五層。愈靠近設備層，市場數量可能愈大，但價格競爭也愈明顯；愈靠近流程整合及持續服務，導入難度較高，卻更容易形成客戶黏著度及長期收入。

第一層：攝影機、感測器、RFID 與 POS

這一層負責取得影像、人流、溫度、商品、條碼、RFID及交易資料，是整個零售 AI 架構的感知基礎。

市場數量大，但產品容易受到規格及價格競爭影響。

第二層：AI攝影機、Edge AI Box、IPC 與晶片

這一層負責影像處理、AI 推論、本地儲存及設備整合。

硬體效能、功耗、穩定性、介面及遠端管理能力，是主要競爭項目。

第三層：防損、商品、人流與貨架演算法

這一層把原始資料轉換為事件與營運資訊。

演算法必須針對不同店型、光線、攝影機角度、商品包裝及人員行為進行調整。

第四層：POS、ERP、CRM、庫存與排班整合

這一層決定AI結果能否真正進入門市作業。

只有把辨識事件與商品、交易、庫存、人員及任務資料串接，AI才可能從告警工具變成營運工具。

第五層：多門市管理、模型維運與訂閱服務

這一層負責跨店管理、模型更新、設備維運、績效分析及持續改善。

它也是最有可能形成長期訂閱收入、服務收入及客戶黏著度的一層。

六、零售 Edge AI 可能形成三種主導模式

模式一：大型零售商主導

大型零售集團自行建立資料平台、AI團隊及介面標準，再由不同供應商提供設備、模型及服務。

這種模式下，零售業者掌握最高的規格主導程度及資料控制能力。

模式二：POS 或零售設備商主導

由POS、自助結帳、電子標籤或Kiosk業者，以原有設備及交易系統為基礎，向 AI 辨識、數據分析及訂閱服務延伸。

這種模式最接近交易流程，也最容易由既有設備客戶向外擴充。

模式三：Solution Orchestrator主導

由具備跨產業整合能力的業者，整合攝影機、POS、IPC、AI、IoT、雲端及門市流程，提供端到端智慧零售方案。

對零售品牌眾多、店型分散、系統來源複雜的市場而言，這種模式可能特別值得觀察。

Solution Orchestrator 的價值，不在自行製造所有產品，而在於：

把不同供應商的能力，組成可部署、可維運、可衡量，而且能複製到多家門市的完整方案。

七、台灣業者有什麼機會？

台灣在 POS、自助設備、IPC、嵌入式系統、攝影機、網路設備及半導體方面具有完整供應基礎。

振樺電子已將 AI 商品辨識、RFID、重量感測及防損功能導入自助結帳設備；研華提供智慧零售及 Edge AI 運算平台；研揚發展以 3D 影像支援的 AI 自助結帳；新漢則持續布局零售顯示、自助設備及 Edge AI 運算。

這表示台灣並不缺硬體。

真正需要補強的，反而可能是：

零售產業知識；
POS 與 ERP 介面整合；
商品與影像資料治理；
AI 模型長期維運；
門市作業流程設計；
可量化的投資報酬驗證；
跨品牌設備管理；
多門市快速複製能力。

如果台灣業者仍只銷售 AI 攝影機、Edge AI Box 或單一演算法，就容易進入硬體價格及規格競爭。

但如果能把硬體、AI、資料與門市作業組成標準化方案包，就可能從設備供應商，升級成零售解決方案供應商。

八、零售業者採購 Edge AI 前，應先回答哪些問題？

零售 Edge AI 專案常見的錯誤，是先購買 AI 設備，再思考可以做什麼。

較合理的導入順序，是先定義營運問題與 KPI。

表三：零售 Edge AI 導入檢核表

導入問題	必須確認的內容
要解決什麼問題？	防損、缺貨、排隊、人力、設備或安全
問題目前造成多少損失？	損耗金額、人力成本、等待時間、設備停機
AI發現事件後誰處理？	店員、店長、保全、維修商或總部
要串接哪些系統？	POS、ERP、CRM、庫存、門禁、VMS、排班
如何衡量成效？	損耗率、補貨時間、棄購率、任務完成率
誤報如何處理？	人工確認、風險分級、告警門檻、回饋機制
如何管理多家門市？	設備、模型、版本、帳號及資料集中管理
誰負責長期維運？	零售商、SI、設備商、軟體商或MSP