文／3S Market 編輯部
現在「AI 名詞」最大的麻煩，是大家把技術、功能、部署位置、模型、應用型態、治理概念全部叫成「某某 AI」，很容易誤以為它們是互斥的種類。
例如一套零售智慧門市系統，可以同時是：
Edge AI ＋ Vision AI ＋ Multimodal AI ＋ Generative AI ＋ AI Agent ＋ Sovereign AI
它們其實是在描述同一個解決方案的不同面向。
先用一張表把主要 AI 名詞分清楚
AI 名詞 | 它主要在回答什麼？ | 核心功能 | 典型應用 |
Traditional AI / Machine Learning 傳統 AI／機器學習 | 從資料判斷什麼？ | 分類、預測、辨識、異常偵測 | 詐欺偵測、品質檢測、需求預測 |
Predictive AI 預測式 AI | 接下來會發生什麼？ | 預測機率、趨勢、風險 | 設備故障預測、銷售預測、人流預測 |
Generative AI 生成式 AI | 可以產生什麼？ | 生成文字、圖片、影片、語音、程式碼 | 報告、客服、行銷、設計、程式開發 |
Conversational AI 對話式 AI | 怎麼跟人互動？ | 語意理解、問答、語音互動 | Chatbot、客服、企業助理 |
Multimodal AI 多模態 AI | 能不能同時理解不同資料？ | 同時處理文字、影像、聲音、影片、感測資料 | 影音分析、智慧客服、機器人、智慧監控 |
Computer Vision / Vision AI 視覺 AI | 看到了什麼？ | 物件、人員、行為、事件辨識 | 安控、零售、工廠、交通、醫療影像 |
Speech AI 語音 AI | 聽懂、說出什麼？ | 語音辨識、語音合成、聲紋辨識 | Call Center、會議紀錄、語音助理 |
Recommendation AI 推薦 AI | 應該推薦什麼？ | 個人化排序、商品與內容推薦 | 電商、影音平台、零售 |
Generative + Reasoning AI 推理型 AI | 如何解決問題？ | 推理、分析、拆解問題、規劃 | 決策支援、研究分析、程式開發 |
AI Agent AI 代理／AI 智慧代理 | 能不能替人做事？ | 接收目標、規劃、使用工具、執行工作 | 訂單處理、報表、客服、IT 管理 |
Agentic AI 代理型 AI | AI 系統能自主做到什麼程度？ | 多步驟自主決策與執行 | 自動營運、跨系統流程、自主工作流 |
Physical AI 實體 AI | AI 能不能控制真實世界？ | 感知→理解→決策→動作 | 機器人、AMR、無人機、自駕車 |
Edge AI 邊緣 AI | AI 在哪裡運算？ | 在資料來源附近進行推論 | 攝影機、閘門、工廠、門禁、車載 |
On-device AI 裝置端 AI | 能不能直接在終端設備跑？ | 本機 AI 推論 | 手機、PC、攝影機、智慧鎖 |
Cloud AI 雲端 AI | AI 是否在資料中心運算？ | 大規模訓練、推論、資料分析 | GenAI、企業分析、大型模型 |
Hybrid AI 混合式 AI | Edge 與 Cloud 如何協作？ | 本地即時處理＋雲端深度運算 | 智慧城市、工廠、零售、交通 |
Embedded AI 嵌入式 AI | AI 是否直接嵌入設備？ | 專用、低功耗 AI | 攝影機、感測器、家電、控制器 |
Foundation Model 基礎模型 | AI 的底層模型是什麼？ | 大規模預訓練，可再適配不同任務 | LLM、Vision Model、多模態模型 |
LLM 大型語言模型 | AI 如何理解及產生語言？ | 語言理解、生成、推理 | ChatGPT 類服務、企業知識庫 |
SLM 小型語言模型 | 能否以較小模型本地執行？ | 較低算力的語言 AI | Edge AI、AI PC、工業設備 |
Vertical AI 垂直 AI | AI 專門解決哪個產業？ | 結合產業知識與工作流程 | 醫療、製造、金融、安控、零售 |
Enterprise AI 企業 AI | AI 如何進入企業營運？ | 整合 ERP、CRM、MES、資料庫 | 企業助理、營運管理、自動化 |
Industrial AI 工業 AI | AI 如何用於產業現場？ | 視覺檢測、預測、控制 | 製造、能源、物流 |
Sovereign AI 主權 AI | AI、資料與算力由誰掌握？ | 本國／本企業控制資料、模型與基礎設施 | 政府、金融、國防、關鍵基礎設施 |
Responsible / Trustworthy AI 負責任／可信任 AI | AI 如何安全可靠？ | 安全、隱私、透明、公平、治理 | 政府、金融、醫療、企業 |
AGI 通用人工智慧 | AI 是否能像人類廣泛解決問題？ | 跨領域通用智慧 | 目前主要仍屬發展目標 |
ASI 超級人工智慧 | 是否超越人類整體智慧？ | 假設性的超人類智慧 | 目前仍屬概念 |
其中 Generative AI 的核心是「產生新內容」；IBM 將其概括為能依據提示產生原創內容的 AI。Multimodal AI 則是能把文字、影像、聲音、影片等多種資料型態一起處理。
一、Edge AI：重點不是「做什麼」，而是「在哪裡做」
這是最容易被混淆的一個。
Edge AI = AI 運算靠近資料產生的地方。
NVIDIA 對 Edge AI 的描述，就是將 AI 運算部署在靠近使用者與資料來源的網路邊緣，而不是所有資料都送回中央雲端。
例如攝影機看到有人闖入：
傳統 Cloud AI：
攝影機 → 影像傳到 Cloud → AI 分析 → 回傳警報
Edge AI：
攝影機 → Edge AI Box / AI Camera → 現場直接判斷 → 立即警報
所以它的優勢通常是：
低延遲、降低頻寬、資料不必全部上雲、離線仍可運作。
因此非常適合：
安控、門禁、智慧鎖、零售、工廠、交通、醫療設備、智慧建築、機器人。
二、Generative AI：從「判斷 AI」進化成「創造 AI」
傳統 AI 比較像：「這個人是誰？」、「這個產品有沒有瑕疵？」、「這是不是異常行為？」
Generative AI 則變成：「幫我寫一份事件報告。」、「把今天所有異常事件整理成管理摘要。」、「根據 CCTV 事件紀錄生成今天的安全報告。」
所以：
Traditional AI
Data↓Analyze↓Prediction / Classification
變成：
Generative AI
Data + Prompt↓Foundation Model↓Text / Image / Video / Audio / Code
三、AI Agent：不是「回答」，而是「做事」
這可能會是接下來企業 AI 最重要的一個變化。
一般 Generative AI：
你問 → AI 回答
AI Agent：
你交代目標 → AI 自己拆解工作 → 找資料 → 使用工具 → 執行 → 檢查結果
Google 將 AI Agent 描述為使用 AI 追求目標、代表使用者完成工作的軟體系統，通常具有 reasoning、planning、memory 與一定程度的自主性。
例如你對 AI 說：
「今天晚上整理所有門禁異常事件。」
Generative AI：告訴你「可以怎麼整理」。
AI Agent：可能真的去：讀取 Access Control→ 找異常刷卡→ 查 CCTV→ 比對人員資料→ 判斷異常→ 產生報告→ 寄給管理者→ 建立待處理事件
這就是差別。
四、AI Agent 與 Agentic AI 又不完全相同
這兩個最近經常混用。
簡單講：
AI Agent = 一個執行任務的 AI 智慧代理
Agentic AI = 一套具有自主決策、規劃與執行能力的 AI 系統架構
Google 將 Agentic AI 描述為聚焦於自主決策與行動的 AI，可以規劃並執行任務；IBM 也把它描述為以有限監督完成特定目標的系統。
可以想像：
Agentic AI System
→ Security Agent→ Access Control Agent→ Facility Agent→ Energy Agent→ Maintenance Agent
最後由一個 Orchestrator 協調。
這跟未來的：
AI VMS、AI PSIM、AI BMS、AI Command Center
關係非常大。
五、Multimodal AI：未來安控其實非常重要
傳統 AI 常常只看一種資料。
例如：
Video AI → 看影像
Speech AI → 聽聲音
LLM → 看文字
Multimodal AI 則是：
Video + Image + Audio + Text + Sensor Data
一起理解。
例如智慧工廠發生異常：
CCTV ＋ 門禁紀錄 ＋ 溫度 Sensor ＋ 機台資料 ＋ 員工對講語音
↓
Multimodal AI
↓
判斷：
13:42，A 區設備過熱，員工進入限制區域後曾進行人工處理，隨後溫度持續上升，建議立即停機檢查。
這比單純「Video Analytics」高了一個層次。
六、Physical AI：值得安控產業特別留意
這個名詞近兩年越來越重要。
AI 原本存在電腦裡。
Physical AI 則是：
Perception 感知
↓
Reasoning 理解
↓
Decision 決策
↓
Action 行動
也就是讓 AI 能夠控制真實世界。
例如：AMR、AGV、機器手臂、Drone、Autonomous Vehicle、Security Robot
未來甚至可以：
攝影機發現入侵者↓AI Agent 判斷事件↓派遣巡邏機器人↓門禁封鎖特定區域↓通知保全人員
這時候：
Vision AI + Edge AI + Agentic AI + Physical AI
就結合在一起了。
七、Sovereign AI 跟前面完全不同
Sovereign AI 並不是一種 AI 演算法。
它談的是：
資料、模型、算力、AI 基礎設施以及 AI 能力，究竟掌握在誰手上？
2026 年 NVIDIA 在談 Sovereign AI 時，特別強調各國利用國內基礎設施、本地資料與本土能力建立、訓練及部署 AI。
因此 Sovereign AI 可以有不同層級：
國家 Sovereign AI：國家資料＋ 本地 Data Center＋ 本國 AI Infrastructure＋ Local Model
企業 Sovereign AI：企業資料＋ Private Cloud / On-premise＋ Private LLM＋ Edge AI
例如：
銀行不希望客戶資料送入公共 AI。
政府不希望公民資料送往境外 Cloud。
工廠不希望製程資料離開廠區。
安控系統不希望：
CCTV + Face + Access Control + Building Data
全部傳給第三方 AI Cloud。
所以 Sovereign AI 對：
政府、軍事、關鍵基礎設施、金融、醫療、製造與安控
都會越來越重要。
八、最值得注意的其實是「AI 正在分成四個層次」
把目前市場上的 AI 名詞重新整理成這四層，會比背幾十個 AI 名稱實用很多：
層次 | 關鍵問題 | 代表 AI |
① AI 能力層 | AI 會什麼？ | Predictive AI、Generative AI、Vision AI、Speech AI、Multimodal AI |
② AI 行動層 | AI 能做到什麼程度？ | Reasoning AI、AI Agent、Agentic AI、Physical AI |
③ AI 部署層 | AI 在哪裡運算？ | Cloud AI、Edge AI、On-device AI、Embedded AI、Hybrid AI |
④ AI 主權治理層 | 資料模型誰控制？ | Sovereign AI、Private AI、Responsible AI、Trustworthy AI |
這個分類非常重要。因為：
Edge AI ≠ Generative AI
Generative AI ≠ AI Agent
AI Agent ≠ Sovereign AI
但它們可以全部整合在一起。
九、如果放進安控與智慧解決方案產業，會變成這樣
例如一套 2030 智慧零售安全管理系統：
Vision AI 看到：偷竊、跌倒、排隊、人流、員工行為。
↓
Edge AI 在店內直接分析 CCTV。
↓
Multimodal AI
整合：影像＋POS＋門禁＋RFID＋IoT Sensor。
↓
Generative AI 自動產生：
「今日門市營運與安全摘要」
↓
AI Agent 發現問題後：
查影像 → 查 POS → 查門禁 → 建立事件。
↓
Agentic AI 同時協調：
Security AgentFacility AgentRetail AgentInventory Agent
↓
Physical AI
控制：智慧門鎖、閘門、機器人、AMR。
↓
Sovereign AI
確保：影像、消費者資料、員工資料與 AI 模型仍由企業控制。
這才是真正值得產業界注意的方向：
未來不是「哪一種 AI 打敗哪一種 AI」，而是不同 AI 能力開始堆疊。
從：AI 看得見
Vision AI → AI 看得懂
Multimodal AI → AI 說得出來
Generative AI → AI 想得出辦法
Reasoning AI → AI 自己去做
AI Agent / Agentic AI → AI 操作真實世界
Physical AI → 最後還要解決
AI、資料與算力到底掌握在誰手中
Sovereign AI。
對 Edge AI、門禁、智慧鎖、VMS、IoT、工業電腦、系統整合、保全與智慧建築 這一整條供應鏈來說，這張「AI 分層地圖」其實比單純談 Generative AI 更有商業意義。
0 comments:
張貼留言