文/3S Market 編輯部
從感知、運算到控制，Edge AI 正在重新定義建築智慧化
智慧建築下一階段，不只是 BMS、IoT 與雲端平台的整合，而是在建築現場加入 Edge AI，讓攝影機、感測器、門禁、空調、照明、電梯與能源設備，從「提供資料」進一步走向「即時判斷與自動處置」。
智慧建築發展多年，攝影機、門禁、空調、照明、停車、電梯、能源管理，以及各式 IoT 感測器早已不是新鮮事。
但如果這些設備只是連上網路，把資訊送進 BMS、中央控制室或雲端平台，再等待管理人員查看、判斷與處理，嚴格來說，它仍然比較接近一棟「高度數位化的建築」，而不是真正具有自主判斷能力的智慧建築。
Edge AI 帶來最大的不同，就是開始把「判斷能力」放進建築現場。
AI 運算可能存在於 AI 攝影機，也可能部署在 AI Box、Edge Server、IPC 工業電腦或 Building Gateway。影像、聲音、環境與設備數據不必全部先送往雲端，而可以直接在建築端進行辨識、分析，再把結果交給門禁、空調、照明、電梯、警報或其他控制系統。
因此，一棟真正導入 Edge AI 的智慧建築，其基本架構至少可以分成四個部分：
感知 → 邊緣運算 → 控制整合 → 管理平台。
一、Edge AI 智慧建築，首先要建立四層基本架構
第一層：感知設備——先讓建築知道發生了什麼
Edge AI 的第一個條件是資料。
建築如果不知道現場到底發生什麼，再強大的 AI 也沒有辦法做出正確判斷。
因此感知層可能包括：
影像方面有 IP Camera、AI Camera、多向式攝影機、熱成像攝影機、車牌辨識攝影機，以及停車與周界攝影機。
非影像方面則包括 mmWave、人流感測器、溫濕度、CO₂、PM2.5、VOC、噪音、煙霧、瓦斯、漏水、水位、震動、電流、電壓、智慧電表與設備狀態感測器。
另外，門禁讀卡機、智慧門鎖、電梯控制器、停車設備、HVAC 與照明控制器，本身也是 Edge AI 可以取得的重要資料來源。
換句話說，未來智慧建築要建立的並不是「更多攝影機」，而是一張能夠持續描述建築實際狀態的感知網路。
第二層：Edge AI 運算——讓資料在現場變成判斷
感測設備只是眼睛與耳朵，真正產生智慧的是 Edge AI 運算。
最前端可以直接採用具備 NPU 或 AI SoC 的 AI Camera，執行人形、車輛、入侵、跌倒、煙火、人流等單點 AI 功能。
如果需要同時處理數十甚至數百支攝影機，則可以部署 AI Box、Edge Server 或 IPC 工業電腦，把多路影像集中後進行 AI 推論。
因此 AI Camera 與 AI Box 的角色並不完全相同：
AI Camera 比較適合前端單點、即時的 AI 任務；AI Box 或 Edge Server 則適合把多支攝影機及不同感測資料收進來，進行多工與複合判斷。
這也是智慧建築真正值得注意的地方。
例如攝影機可以辨識「有人進入機房」。
但當 Edge AI 同時取得門禁資料、身分、時間與影像之後，可以進一步判斷：
這個人是誰？
他有沒有進入機房的權限？
現在是不是允許進入的時間？
刷卡的人與進入的人是不是同一個人？
這就從「影像辨識」開始進入「情境判斷」。
第三層：控制與整合——AI 判斷之後，建築必須能動
Edge AI 很容易碰到一個問題：
AI 辨識出異常，然後呢？
如果最後只是傳一則警報給控制室，由人員查看，再派人處理，Edge AI 的價值仍然停留在「更聰明的監控」。
真正的智慧建築必須進一步讓 Edge AI 和 BMS、BAS、VMS、門禁、HVAC、照明、電梯、停車及能源管理系統交換資料。
因此還需要：
Building/IoT Gateway、DDC、PLC、Edge Controller，以及 BACnet、Modbus、MQTT 等不同系統之間的通訊與整合能力。
AI 負責「判斷」，控制系統負責「執行」。
智慧建築 Edge AI 的基本設備架構
架構層 | 主要設備 | 主要功能 |
感知層 | AI Camera、mmWave、環境感測器、智慧電表、設備感測器、門禁讀卡機 | 蒐集人、車、環境與設備狀態 |
邊緣運算層 | AI Camera SoC、AI Box、Edge Server、IPC 工業電腦、GPU／NPU | AI 推論、事件分析、多源資料融合 |
網路層 | PoE Switch、Ethernet、Wi-Fi、5G、IoT Network | 傳輸影像、控制與 IoT 資料 |
控制整合層 | BMS、DDC、PLC、IoT Gateway、BACnet／Modbus Gateway | 跨系統連動及設備控制 |
管理層 | VMS、FM、EMS、AI Platform、Digital Twin | 統一監控、分析與營運 |
雲端層 | Cloud AI、Data Lake、模型管理平台 | 長期資料分析、模型管理、多棟建築管理 |
智慧建築的 Edge AI 並不是取代 BMS 或雲端，而是重新分配不同層級的工作。Edge 負責即時判斷，BMS/控制設備負責執行，雲端則負責長期資料分析、模型管理與跨建築營運。
二、安全監控：從看到事故，進一步理解異常
傳統 CCTV 最大的問題不是沒有影像，而是影像太多。
數百、甚至數千支攝影機產生大量畫面，但操作人員不可能持續盯著每一支攝影機。
Edge AI 可以把入侵、徘徊、群聚、跌倒、奔跑、遺留物、煙火、危險區域進入、停車場逆向或異常車輛等事件，直接在現場篩選出來。
但智慧建築真正的進一步價值，在於跨系統判斷。
例如晚上 11 點有人刷卡進入設備機房，單純從門禁紀錄看來，可能完全合法。
如果 Edge AI 再比對：身分；職務；進入時間；門禁權限；攝影機看到的人；進入人數；當時是否有維修工單；
就可以把「合法刷卡」與「真正合理的進入行為」區分開來。
這是傳統門禁或 CCTV 單獨運作很難做到的。
三、空調與能源：從固定排程轉向實際需求
智慧建築最大的營運支出之一，就是 HVAC、照明以及各種機電設備的能源消耗。
傳統建築可能採取：
上午 8 點開空調；
中午固定模式；
下午 6 點降低負載；
晚上關閉大部分設備。
問題是建築的實際使用狀況每天都不同。
一層可以容納 300 人的辦公室，今天可能只有 80 人上班。如果 HVAC 仍依照滿載方式運轉，就會產生不必要的能源消耗。
Edge AI 可以把：
人數、人流、CO₂、室內溫度、濕度、區域使用率，以及設備實際負載放在一起分析。
如果 A 區人很多，就增加冷房及送風。
B 區只有少量人員，就降低輸出。
C 區完全沒人，則进入最低運轉狀態。
因此 AI 節能真正的概念並不只是「把冷氣調高一度」，而是：讓能源供給跟著實際需求變化。
對商辦、購物中心、飯店、醫院以及大型公共建築而言，這可能成為 Edge AI 最直接可以量化投資效益的應用之一。
四、設備維護：從故障報修走向預測維護
智慧建築另外一個非常重要、但安控產業過去較少接觸的 Edge AI 市場，就是 Predictive Maintenance——預測維護。
設備很少完全沒有徵兆就突然故障。
例如馬達軸承磨損，可能先出現振動頻率改變；
水泵異常可能反映在壓力、電流與溫度；
空調主機效率下降，也可能逐漸反映在耗電量及運轉參數。
Edge AI 可以長期建立設備正常運轉模式。
一旦某項參數開始偏離，就可以先判斷設備可能出現問題。
因此設備維護流程可以從：
故障 → 報修 → 停機 → 派員維修
改變為：
異常趨勢 → AI 預警 → 安排維護 → 避免非預期停機。
對大型商辦、醫院、飯店、資料中心與重要公共建築來說，這項效益可能比「少派幾個人巡檢」重要得多。
因為真正昂貴的往往不是維修費，而是設備突然停機之後產生的營運損失。
五、空間管理：第一次知道「建築到底怎麼被使用」
另一個容易被低估的 Edge AI 應用，是空間使用分析。
過去建築管理者知道：這棟樓有多少坪；
有多少會議室；
多少座位；
多少電梯。
但卻不一定知道：
哪些空間真的有人使用？
哪些會議室長期被預約卻沒有人？
哪些電梯大廳在什麼時間最容易排隊？
哪一個樓層人數經常過度集中？
哪些辦公空間實際使用率不到一半？
透過 AI Camera、mmWave、ToF 或 Occupancy Sensor，可以逐步建立空間使用資料。
例如：
會議室平均使用率；
不同樓層的人流變化；
電梯尖峰等待狀況；
公共區域使用時段；
餐廳排隊時間；
停車場使用率。
這些資料不只可以改善空調與照明，還能影響：
清潔排班、警衛巡邏、空間配置、辦公座位規劃、電梯調度與租賃決策。
智慧建築因此開始由「管理設備」，進一步轉向「管理建築實際使用狀況」。
六、Edge AI 並不是要把所有事情都放在 Edge
另一個容易產生的誤解，是 Edge AI 代表雲端不再重要。
實際上兩者工作不同。
最合理的智慧建築架構應該是：
Edge 負責即時判斷。
例如有人跌倒、門禁尾隨、機房進入、設備過熱，都不應等待資料上傳雲端之後才處理。
BMS、PLC、DDC 與控制器負責執行。
例如開門、關門、調整空調、啟動警報、切換照明或改變設備運轉。
Cloud 則負責長期分析。
例如一個月的能源趨勢、不同大樓比較、AI 模型管理、Digital Twin、設備生命週期分析以及企業多據點管理。
因此未來不是 Edge 與 Cloud 二選一。
而是：
Cloud + Edge + Building Control 三者重新分工。
七、Edge AI 真正改變的，是建築的控制邏輯
過去智慧建築的核心，是「設備整合」。
攝影機連進 VMS；
門禁進入門禁平台；
空調連進 BMS；
照明進入 Lighting Control；
能源進入 EMS。
每套系統各自完成自己的工作。
Edge AI 下一階段真正可能帶來的改變，是開始讓這些原本分散的資料在同一個場域情境中產生關聯。
當攝影機看到一個人，不再只是一段影像。
門禁出現一筆刷卡，也不再只是一筆 Log。
CO₂ 上升，也不再只是一個環境數字。
Edge AI 開始把這些資料放在同一個時間、同一個空間裡判斷：
什麼人？
在什麼地方？
什麼時間？
正在做什麼？
現場環境發生什麼變化？
建築接下來應該如何反應？
真正的智慧化，就從這裡開始。
結語：Edge AI 最大的市場，可能不是多賣一台設備
對安控產業而言，Edge AI 很容易被理解成另一波 AI 攝影機、AI Box 或 GPU Server 商機。
但如果只看到硬體，很可能低估了這個市場真正的變化。
智慧建築中的 Edge AI，需要同時串接：
攝影機、門禁、感測器、網路、IPC 工業電腦、BMS、HVAC、照明、電梯、停車、能源及軟體平台。
因此 Edge AI 最值得觀察的地方，可能不是又增加了一項新產品。
而是它開始讓原本分散在：
安控、IT、IPC、IoT、建築自動化、機電工程與物業管理
不同產業裡的設備與業者，再重新整合一次。
未來智慧建築真正的競爭，也可能不再只是：
誰的攝影機畫質最好；
誰的門禁功能最多；
誰的 BMS 點位最多。
而是誰有能力把一棟建築裡分散的資料、設備與控制系統整合起來，完成：
感知 → 運算 → 判斷 → 控制 → 持續最佳化。
到了這個階段，Edge AI 才不再只是安裝在智慧建築裡的一台設備，而可能逐漸成為智慧建築真正的「現場運算與決策核心」。
0 comments:
張貼留言