📡 什麼是 Edge AI？從基本系統架構到場域應用，一次看懂邊緣智慧如何落地

Edge AI 將人工智慧運算部署在資料產生地附近，讓攝影機、感測器與機器設備產生的資料，可以先在現場完成分析，再將事件、結果或摘要傳送至管理平台。其應用已逐漸延伸至智慧製造、交通停車、零售、醫療與智慧建築等場域。

文/3S Market 編輯部

當 AI 從雲端走進攝影機、AI Box、工業電腦與場域伺服器，真正改變的並不只是運算位置，而是現場能否即時感知、判斷、通報與採取行動。

前言：Edge AI 不只是把 AI 搬到現場

近年人工智慧應用快速進入攝影機、感測器、機器設備與各類終端裝置，「Edge AI」也成為安控、工業電腦、物聯網、智慧建築與智慧製造領域最常被提及的技術名詞之一。

不過，Edge AI 並不只是把原本位於雲端的 AI 模型，搬到一台放在現場的電腦上。

真正完整的 Edge AI，必須從資料如何取得、現場如何運算、AI 如何判斷，到事件如何通報、設備如何連動，以及管理平台如何維運，形成一套完整系統。

換句話說，Edge AI 的價值，不只是「看見人、車與物件」，而是讓場域具備下列能力：

感知現場、理解事件、判斷風險、通知人員、連動設備，並留下可以追蹤與改善的資料。

這也是 Edge AI 從單一 AI 功能，走向場域智慧解決方案的關鍵。

一、什麼是 Edge AI？

Edge AI，中文通常稱為「邊緣人工智慧」，是將 AI 推論與資料處理能力部署在資料產生地附近。

這些運算設備可能是：

AI 攝影機
智慧感測器
AI Box
IoT Gateway
工業電腦
Edge Server
場域內的運算伺服器

傳統雲端 AI 的做法，是將攝影機影像、感測器資料或機器數據傳送到雲端，經過雲端伺服器分析後，再把結果傳回現場。

Edge AI 則是在攝影機、AI Box、工業電腦或場域伺服器中，先完成即時分析，只將必要的事件、告警、統計結果或影像片段傳送至管理平台。

例如，停車場攝影機拍攝到車輛進場時，可以直接由攝影機或現場 AI Box 完成車牌辨識，再將車牌號碼、進場時間與事件截圖傳送至停車管理系統，而不必把全部即時影像送到遠端雲端分析。

兩者最簡單的差異可以概括為：

雲端 AI：資料先離開現場，再由雲端判斷。

Edge AI：資料先在現場判斷，再把結果送出去。

二、Edge AI 的核心價值：不是只有速度更快

雲端 AI 需要將大量影像與感測資料傳往遠端資料中心，再等待分析結果回傳；Edge AI 則在資料產生地附近完成推論，可以降低延遲與頻寬需求，同時改善隱私保護與離線運作能力。

Edge AI 最常被強調的優點是低延遲，但實際應用價值不只如此。

對工廠、醫院、交通、停車場、社區住宅與大型建築而言，系統能不能在事件發生後立即反應，往往比事後產生一份分析報表更加重要。

例如，工廠人員進入機械危險區、長照住民跌倒、車輛逆向進入停車場，或陌生人進入管制區域，都不能等待影像上傳雲端後才處理。

表一：Edge AI 的主要價值

核心價值	說明	實際應用例子
即時反應	不必等待資料上傳雲端及結果回傳	偵測人員跌倒後立即通報
降低頻寬	只傳送事件、結果或必要影像	24 小時錄影僅上傳異常片段
保護隱私	原始影像與敏感資料可留在現場	人臉特徵值在地比對
離線運作	外部網路中斷時仍可持續分析	工廠斷網時仍能進行瑕疵檢測
降低雲端成本	減少長期資料傳輸、儲存與雲端運算費用	不必將所有攝影機串流送上雲端
現場自動化	AI 分析結果可直接控制現場設備	辨識合法車牌後自動開啟柵欄機

1. 即時性

在需要秒級甚至毫秒級反應的場域，將資料傳至遠端雲端再回傳，可能產生無法接受的延遲。

Edge AI 可以直接在現場完成辨識，並立刻觸發警報、關閉設備、開啟門鎖或通知相關人員。

2. 頻寬與儲存成本

一支高解析度攝影機每天都會產生大量影像。如果數十支或數百支攝影機都將即時影像送往雲端，不但占用網路頻寬，也會增加雲端儲存與運算費用。

Edge AI 可以先在現場篩選，只保留真正需要處理的事件。

3. 隱私與資料治理

醫療、校園、政府機構、企業辦公室與社區住宅，都可能涉及人臉、行為、位置與個人活動資料。

將原始資料保留在現場，只傳送事件結果，可以降低資料外流的範圍，但仍須配合權限管理、加密、稽核紀錄與資料保存政策。

4. 離線與營運韌性

場域的外部網路不可能永遠穩定。若所有 AI 功能都依賴雲端，網路中斷便可能造成系統失效。

Edge AI 可讓核心功能在斷網時繼續運作，待連線恢復後再同步事件與統計資料。

三、一套完整的 Edge AI，包含哪些系統架構？

完整的 Edge AI 並不是只有一台 AI Box，而是由感知設備、網路通訊、邊緣運算、AI 模型、事件管理與平台維運等六個層次共同組成。任何一層無法穩定運作，都可能影響整體應用成效。

一套完整的 Edge AI 系統，通常可分為六個基本層次：

攝影機/感測器/機器設備

↓

資料擷取與通訊層

↓

Edge AI 運算設備

↓

AI 模型與應用軟體

↓

事件管理與設備連動

↓

場域平台/控制中心/雲端

第一層：感知與資料來源層

這一層是 Edge AI 的眼睛、耳朵與觸覺，負責感知真實世界。

常見設備包括：

網路攝影機
AI 攝影機
熱影像攝影機
車牌辨識攝影機
麥克風與聲音感測器
溫度、濕度、煙霧與氣體感測器
毫米波雷達
LiDAR
3D ToF 感測器
RFID、BLE 與 UWB 定位設備
門禁讀卡機、電子鎖與門磁
PLC、生產設備與機器人
電表、水表與能源感測設備

Edge AI 並不只處理影像，也可以分析聲音、溫度、震動、電流、位置、設備狀態與其他時間序列資料。

不同資料來源也可以相互驗證。

例如，攝影機偵測到有人進入機房，系統可再比對門禁紀錄。如果沒有合法刷卡資料，事件風險等級便可自動提高。

第二層：資料擷取與通訊層

這一層負責將攝影機、感測器與機器設備的資料，可靠地傳送到 Edge AI 運算設備。

常見通訊方式及協定包括：

Ethernet
PoE
Wi-Fi
4G、5G
Bluetooth、BLE
RS-485
Modbus
CAN Bus
MQTT
OPC UA
ONVIF
RTSP
BACnet
LoRaWAN

在實際專案中，系統整合的難度往往不只來自 AI 模型，而是來自不同廠牌、不同協定與不同資料格式。

因此，導入 Edge AI 前必須先確認：

設備資料能否取得
串流是否穩定
通訊協定是否開放
API 是否完整
時間是否同步
網路頻寬是否足夠
既有設備是否可以整合

若底層資料無法穩定取得，即使 AI 模型準確率再高，也無法形成可靠的場域應用。

第三層：Edge AI 運算層

這一層是 Edge AI 的運算核心，負責執行 AI 模型與規則判斷。

表二：Edge AI 的四種部署位置

部署位置	說明	適合用途
AI 攝影機或智慧感測器	AI 直接部署在終端設備中	單一、固定且即時的功能
AI Gateway/AI Box	集中分析數支至數十支攝影機或感測器	既有系統升級與多功能分析
工業電腦/Edge Server	提供較高運算效能及系統整合能力	工廠、交通、醫院與大型建築
場域資料中心	在園區或企業機房集中運算	大規模、多系統與跨區域管理

常見運算元件包括：CPU、GPU、NPU、TPU、DSP、FPGA、AI Accelerator、AI SoC

選擇 Edge AI 硬體時，不能只比較 TOPS，也要考慮：

可同時處理多少影像串流
支援的解析度與幀率
模型大小及複雜度
推論延遲
記憶體容量
功耗與散熱
作業環境溫度
軟體開發工具
模型轉換與相容性
遠端維運能力
長期供貨
資安及供應鏈要求

有些晶片帳面上的 AI 運算能力很高，但若缺乏成熟的軟體工具、模型支援與系統整合能力，實際部署成本反而可能更高。

第四層：AI 模型與應用軟體層

硬體負責運算，AI 模型則負責辨識與判斷。

電腦視覺應用

人員與車輛偵測
人臉辨識
車牌辨識
入侵與越界偵測
跌倒與離床偵測
人流與排隊分析
火焰與煙霧偵測
安全帽與反光背心辨識
工業瑕疵檢測
遺留物與物品移除偵測
異常行為分析

聲音 AI 應用

玻璃破碎聲
尖叫與求救聲
槍聲或爆炸聲
機械異音
設備故障聲音
語音命令

感測資料分析

設備預知保養
能源異常分析
冷鏈溫度異常
機械震動分析
空氣品質預警
生產參數異常

AI 模型只是其中一部分。實際應用通常還需要規則引擎，將多種條件組合成真正有意義的事件。

例如：

攝影機偵測到人員跨越警戒線，加上門禁系統沒有合法進入紀錄，並且事件發生在非工作時段，系統才將事件判定為高風險入侵。

這比單純在影像中畫出一個人形框，更接近真正的智慧應用。

第五層：事件管理與設備連動層

AI 系統的價值，不應停留在辨識畫面，而必須進一步形成事件處理流程。

完整流程通常包括：

發現異常

↓

確認事件

↓

判定風險

↓

通知相關人員

↓

連動現場設備

↓

保存事件紀錄

↓

追蹤處理結果

可以連動的設備包括：

聲光警報器
手機 App
簡訊或即時通訊系統
廣播與對講系統
門禁及電子鎖
柵欄機
數位看板
照明
空調及排煙設備
PLC 與生產設備
電梯
消防系統
VMS 影像管理系統

Edge AI 偵測到未授權人員進入限制區域後，可由 VMS 顯示即時影像與位置，再依事件風險啟動聲光警報、手機推播、門禁管制及廣播通知，並完整保存事件與處置紀錄。

例如，工廠 AI 偵測到人員進入機械手臂的危險區域後，完整系統不應只在監控畫面上顯示紅框，而應依安全設計進一步：

發出聲光警報。
通知現場主管與管理中心。
將相關攝影機畫面彈出至 VMS。
啟動廣播或對講提醒。
視風險及設備安全設計，讓機械減速或停止。
保存事件發生前後的影像。
記錄人員處置時間與處理結果。

這才是從「AI 辨識」走向「場域管理」的完整過程。

第六層：平台、管理中心與雲端層

Edge AI 並不代表完全不需要雲端。

較合理的架構通常是：

現場負責即時運算，管理平台負責事件管理，雲端負責跨場域整合、模型維護與長期分析。

平台常見功能包括：

設備管理
AI 模型版本管理
遠端更新
事件查詢
儀表板
統計與趨勢分析
使用者及權限管理
設備健康狀態監控
多場域管理
API 整合
資安稽核
模型準確率追蹤
告警與處置績效分析

因此，Edge AI 與 Cloud AI 並不是互相排斥，而是各自承擔不同工作。

四、三種常見 Edge AI 部署形態

Edge AI 可以部署在 AI 攝影機、AI Box 或場域 Edge Server。三種架構並沒有絕對優劣，必須依攝影機數量、AI 功能、即時性、整合範圍與維運需求選擇。

1. AI 攝影機：單機、單點、固定功能

AI 模型直接部署在攝影機內部。

AI 攝影機

↓

人員/車輛/車牌辨識

↓

事件傳送至 VMS 或管理平台

優點

系統架構簡單
即時性高
不需要額外 AI 主機
適合分散式部署
可降低影像傳輸量

限制

運算資源有限
通常適合少數固定功能
不同品牌的 AI 結果格式可能不同
模型更新及跨品牌管理較困難
攝影機更換時，AI 功能可能一併更換

適合車牌辨識、人員計數、越界偵測與單點事件偵測。

2. AI Box：既有影像系統的升級方式

AI Box 從既有攝影機或 VMS 取得影像，再集中執行一種或多種 AI 模型。

既有攝影機群

↓

網路交換器/NVR/VMS

↓

AI Box

↓

多種 AI 分析

↓

告警平台/門禁/營運系統

優點

可以保留既有攝影機
集中部署及更新 AI 模型
一台設備可分析多路影像
可執行多種 AI 功能
適合既有安控系統升級

限制

必須計算影像串流數及運算效能
影像品質及網路狀態會影響準確率
AI Box 故障可能同時影響多路分析
必須處理與 NVR、VMS 及門禁平台的整合
不同 AI 模型可能相互競爭運算資源

AI Box 是目前許多既有場域導入 Edge AI 的重要方式，尤其適合不希望全面更換攝影機的企業。

3. Edge Server：場域級集中運算

大型場域可以使用一台或多台 Edge Server，集中整合攝影機、門禁、感測器與營運資料。

攝影機＋門禁＋感測器＋機器設備

↓

場域 Edge Server

↓

AI 分析＋規則引擎＋資料整合

↓

控制中心＋營運平台＋雲端管理

適合的場域包括：

智慧工廠
醫院
機場
捷運與車站
大型商場
智慧建築
物流中心
企業園區
關鍵基礎設施

這類架構的重點已不只是單一 AI 功能，而是跨系統資料整合、集中維運與事件協同。

五、Edge AI 適用哪些場域？

Edge AI 的應用已由單一影像辨識，延伸至智慧製造、交通停車、零售、醫療與智慧建築。不同場域雖然使用相似的運算硬體，但 AI 模型、事件規則、設備連動與管理流程並不相同。

Edge AI 特別適合具備以下條件的場域：

需要即時反應
影像或感測資料量龐大
網路頻寬有限
原始資料不適合傳送至外部雲端
場域網路可能不穩定
必須與門禁、機器或警報設備連動
需要 24 小時持續運作
已有大量設備，不適合全面汰換
需要跨系統判斷事件

表三：Edge AI 主要應用場域

場域	Edge AI 主要用途
智慧工廠	瑕疵檢測、危險區入侵、安全穿戴辨識、設備預知保養
交通與道路	車牌辨識、車流分析、違規偵測、事故與壅塞偵測
停車場	車牌辨識、車位偵測、逆向行駛、異常停留與尋車
零售與商場	人流、熱區、排隊、貨架缺貨、顧客動線
醫院	跌倒、離床、禁區管理、急診壅塞、設備定位
校園	周界入侵、陌生人偵測、接送區管理、危險行為預警
社區住宅	尾隨、陌生人徘徊、車道安全、公共空間異常
智慧建築	門禁、能源、空調、空間使用率、設備異常
倉儲物流	人車分流、貨物辨識、裝卸管理、叉車防撞
餐飲與廚房	衛生穿戴、火煙偵測、冷鏈監控、危險行為
長照機構	跌倒、離床、徘徊、呼吸與活動狀態監測
能源與關鍵設施	周界防護、設備巡檢、熱異常、非法進入
農業與養殖	作物病害、動物行為、環境控制、生長分析
城市公共安全	人潮分析、事件偵測、災害預警、跨系統連動

六、不同場域的 Edge AI，真正差異在哪裡？

Edge AI 硬體看起來可能十分相似，都是攝影機、AI Box、工業電腦或 Edge Server，但不同產業的應用差異，往往不在硬體本身。

真正差異主要來自五個層面：

1. 場域問題不同

工廠重視生產安全與品質，醫院重視病患安全與隱私，零售重視人流與營運效率，交通則重視即時性與大範圍管理。

2. 資料來源不同

有些場域主要依賴攝影機，有些需要結合門禁、雷達、感測器、PLC、醫療設備或營運資料。

3. 事件規則不同

同樣是偵測到「人」，在零售店可能只是客流統計，在工廠禁區則可能是重大安全事件。

4. 設備連動不同

停車場需要連動柵欄機，工廠可能連動 PLC，醫院需要通知護理站，智慧建築則可能連動門禁、電梯與樓宇管理系統。

5. 責任與處置流程不同

AI 發出警報之後，誰負責確認、誰負責處置、多久必須回應，以及事件如何結案，都會影響系統設計。

因此，真正能夠落地的 Edge AI 解決方案，不能只有一套演算法與一台設備，而必須理解場域的工作流程。

七、Edge AI 不等於 AI 攝影機

AI 攝影機只是 Edge AI 的一種終端設備，兩者不能完全畫上等號。

一套完整的 Edge AI 系統可能包含：

一般網路攝影機
AI 攝影機
AI Box
工業電腦
Edge Server
NVR
VMS
門禁系統
電子鎖
IoT 感測器
網路交換器
管理平台
雲端服務

AI 攝影機通常針對單點、固定任務提供即時辨識；Edge AI 則是一套涵蓋資料、運算、軟體、事件及維運的完整系統架構。

因此，Edge AI 市場並不只屬於攝影機廠商，也涉及：

AI 晶片與加速器供應商
工業電腦廠商
網通設備廠商
AI 演算法公司
安控設備廠商
VMS 與平台軟體公司
IoT 設備廠商
系統整合商
顧問與工程規劃單位
場域營運及維運服務業者

未來的競爭，也可能逐漸由單一硬體規格，轉向整體解決方案整合能力。

八、什麼情況不一定需要 Edge AI？

Edge AI 並不是所有專案的標準答案。

以下情況可能使用傳統系統或雲端 AI 就已足夠：

資料量很小
不要求即時反應
外部網路穩定且頻寬充足
AI 功能只是偶爾查詢
沒有設備連動需求
不涉及敏感資料
現場設備數量少
建置與維護 Edge 設備的成本高於效益

例如，每天只需上傳少量商品照片進行分類，就不一定需要在每個門市部署 AI Box。

選擇 Edge AI、Cloud AI 或混合架構，應根據實際需求，而不是因為 Edge AI 是熱門名詞便全面導入。

九、導入 Edge AI 前，必須先回答哪些問題？

許多專案一開始便詢問應該使用哪一款晶片、AI Box 或攝影機，但這通常不是第一個問題。

真正應先確認的是：場域究竟要解決什麼問題。

表四：導入 Edge AI 前的評估問題

問題	必須確認的內容
要解決什麼問題？	安全、營運、品質、能源或人力效率
AI 要辨識什麼？	人、車、物件、行為、設備、聲音或環境數據
要多快反應？	毫秒、秒級、分鐘級或事後分析
需要分析多少資料？	攝影機數量、解析度、FPS、感測器數量
要如何處理事件？	通報、廣播、開門、停機、派工或紀錄
原始資料能否上雲？	隱私、法規、企業政策與資安要求
系統如何維護？	模型更新、設備監控、遠端管理
如何衡量效益？	誤報率、反應時間、節省人力、降低事故
既有系統能否整合？	VMS、NVR、門禁、BMS、MES、ERP
誰負責事件處置？	保全、管理中心、維修、醫護或營運人員