智慧城市即時環境監測，靠的是哪種技術？
某智慧城市專案導入 AI 技術，以優化垃圾收集路線調度並即時監測空氣品質變化。系統需持續蒐集環境數據（如 PM2.5、氣體濃度）與設備狀態（如垃圾桶滿溢度）。下列何種技術最直接支援上述需求？
智慧城市專案要做兩件事：優化垃圾車路線、即時監測空氣品質。系統得持續蒐集 PM2.5、氣體濃度、垃圾桶滿溢度等環境數據，還要掌握設備當下的狀態。
問你：下列哪種技術能支援這種「持續蒐集環境數據與設備狀態」的需求？
一句話總結
要「持續蒐集」環境數據，靠的是感知器網路（Sensor Network）：它是數據進入系統的第一道入口，其他三個選項都是拿到數據之後才上場的分析工具。
先感受問題：城市垃圾車要怎麼知道哪個桶子滿了？
假設你在「淨城科技」負責智慧垃圾管理系統。台北市有 2 萬個垃圾桶，以前的方法是垃圾車照固定路線每天跑，不管垃圾桶是否已滿。
現在主管要求：「如果桶子只有三分之一滿就不要去，八成滿才去。同時還要即時追蹤附近的空氣品質，如果 PM2.5 超標就改派無人機清掃落葉。」
問題來了：系統怎麼知道哪個桶子現在幾成滿？怎麼知道哪個路口的 PM2.5 是多少？
答案：每個垃圾桶裝一個超音波感測器，每個路口裝一個空氣品質感測器，全部連網，即時把數字傳回後台。這個「數據怎麼進來」的層次，就是感知器網路（Sensor Network）在做的事。
沒有感知器網路，智慧城市做不起來
在「淨城科技」沒有部署感知器網路之前，系統只能靠人工輸入或定時巡邏：
- 數據延遲：垃圾車司機回廠後才回報「哪個桶子滿了」，下午五點的資訊到隔天才進系統，完全無法即時調度
- 覆蓋不全：2 萬個垃圾桶靠 50 名外勤人員巡邏，每個點每天頂多看一次，大半時間都是黑箱
- 空氣品質靠猜：沒有路口數據，只能套用中央氣象局全市平均值，無法定位到具體街道
- 決策工具無米可炊：就算有最好的 AI 演算法，輸入的都是昨天的舊數據，跑出來的路線優化根本過時
- 異常無法預警：垃圾桶著火、氣體洩漏，沒有感測器就只能等路人通報，黃金處理時間白白流失
所有智慧系統的分析能力，都建立在「有即時數據可以分析」這個前提上。感知器網路就是讓這個前提成立的基礎設施。
感知器網路怎麼讓智慧城市動起來
「淨城科技」在全台北市部署感知器網路之後，數據流動變成這樣：
第一層：感測。2 萬個垃圾桶各裝一個超音波感測器，每 5 分鐘回報填充率。100 個主要路口各裝 PM2.5 和氣體濃度感測器，每分鐘回報數值。
第二層：傳輸。每個感測器透過低功耗廣域網路（LPWAN）把數據傳到雲端後台，不需要人工介入。
第三層：分析。後台收到即時數據後，AI 模型才開始計算：哪條路線今天要去哪幾個點、哪個路口空氣需要注意。
感知器網路解決的是「數據來源」問題，不是「數據分析」問題。它是整個智慧城市的感官系統，沒有它，再厲害的演算法也沒有數據可以跑。
這就是選項 D 為什麼正確：感知器網路（Sensor Network）是持續蒐集環境數據與設備狀態的直接技術支援。
技術版：感知器網路在 AI 系統架構中的位置
感知器網路（Sensor Network）是 IoT（物聯網，Internet of Things）架構的核心組成，在 AI 應用系統中屬於「資料採集層」，是整個智慧系統的最底層基礎設施。
感知器網路在 AI 架構中的位置：
- 資料採集層（感知器網路）：溫度、濕度、壓力、影像、PM2.5、GPS 等物理量 → 轉為數位訊號
- 傳輸層：WiFi、4G/5G、LPWAN（LoRa、NB-IoT）等網路協定傳輸數據
- 分析層（AI 模型）：機器學習、深度學習模型對收到的數據做預測、分類、異常偵測
- 應用層（決策系統）：路線優化、警報通知、自動調度等業務邏輯
與其他三個選項的層次差異：專家系統、決策支援系統、啟發式決策引擎都屬於「分析層」或「應用層」，它們的前提是「已經有數據了」。感知器網路是讓數據從物理世界進入數位系統的唯一入口。
為什麼出題者要考這題：AI 應用規劃師在規劃智慧系統時，必須清楚區分「資料哪裡來」和「資料怎麼分析」。把感知器網路跟決策系統混在一起，會在專案規劃時漏掉硬體基礎設施這一塊，導致系統上線後沒有數據可以用。
為什麼其他選項是錯的
A專家系統（Expert System）
把人類專家的知識編碼成規則，讓電腦依規則做決策的系統。例如：「如果 PM2.5 超過 100，則發送警報」。
專家系統是「用規則分析已有的數據」，不是「蒐集數據」。它必須先有 PM2.5 的數值才能判斷要不要發警報，但 PM2.5 數值從哪裡來，靠的是感測器，不是專家系統。
看到「AI 技術」和「空氣品質監測」就聯想到「專家系統會判斷空氣品質好不好」的人。但題目問的是「蒐集數據」，不是「判斷數據」。
B決策支援系統（Decision Support System）
整合多方資訊輔助管理者做決策的系統，例如：垃圾車調度儀表板、路線規劃工具。
決策支援系統是「用數據輔助決策」，它的輸入是已經整理好的數據，輸出是決策建議。它無法自己蒐集 PM2.5 或感測垃圾桶滿溢度，需要感測器網路先把數據送進來。
認為「決策支援系統很全能，什麼都做得了」的人。實際上它只做「決策輔助」這一層，資料蒐集是另一個層次的工作。
C啟發式決策引擎（Heuristic Decision Engine）
用經驗法則（啟發式規則）快速做決策的引擎，不追求最佳解，只求夠快夠好用。例如：垃圾車調度用「距離最近優先」的簡單規則。
啟發式決策引擎同樣是「分析決策」工具，不是「蒐集數據」工具。它依賴輸入的數據來做決策，數據本身還是要靠感測器蒐集。
對「啟發式」這個詞陌生，看到選項覺得最不熟悉就跳過，反而猜錯其他選項的人。遇到不熟悉的術語，先判斷它屬於哪個層次（蒐集 vs 分析），再決定選不選。
同個考點下次怎麼變形
感知器網路屬於 AI 系統架構的哪一層？
感知器網路感覺很底層，但到底屬於 AI 架構的什麼部分？
感知器網路屬於資料採集層（Data Acquisition Layer），也就是 IoT 架構的感知層。它是整個 AI 系統的最底層，負責把物理世界的訊號轉成數位數據，是所有後續分析的原料來源。
智慧工廠要即時偵測機台溫度異常，應該優先部署什麼技術？
換成工廠場景，問題本質一樣：誰負責「讓數據進來」？
同樣是感知器網路：在機台上安裝溫度感測器，透過網路即時傳輸數據到監控系統。「即時偵測」的前提是有實體感測器持續蒐集數據，這是感知器網路的職責，不是 AI 分析模型的職責。
IoT 與感知器網路的關係是什麼？
這兩個詞常常一起出現，但有什麼差別？
IoT（物聯網）是整個架構的名稱，包含感知、傳輸、分析、應用四層。感知器網路是 IoT 架構的感知層，也就是最前端的數據蒐集部分。感知器網路是 IoT 的子集，IoT 的範圍更廣（還包含網路連線、平台、應用）。
下列哪個應用「不需要」感知器網路？
反向題：什麼情況下不需要感測器？
純文字分析、歷史資料預測、語言翻譯等任務，數據來源是「已存在的數位資料」，不需要從物理世界蒐集。感知器網路只在「需要把現實物理量轉成數位數據」時才是必要的。
感知器網路蒐集到的原始數據，能直接送進 AI 模型訓練嗎？
感測器數據直接用，不是最快嗎？
通常不行。感測器原始數據有雜訊、缺漏、格式不一致等問題，需要先經過資料清洗、特徵工程才能用於模型訓練。感知器網路只負責「把數據帶進來」，資料品質的處理是下一個階段的工作。
想再往下看，這 5 個
- 異常偵測（Anomaly Detection）監測感測器數據流中偏離正常模式的數值，智慧城市即時預警的核心分析手段
- 邊緣人工智慧（Edge AI）在感測器或閘道器端就地推論，減少傳輸延遲，讓智慧城市即時決策更快速
- 資料管線（Data Pipeline）把感測器原始數據從採集、傳輸、清洗到儲存串成自動化流程，是感知器網路的後端支撐
- AI 系統架構（AI System Architecture）描述感知層、傳輸層、分析層、應用層如何分工協作，感知器網路位於最底層的感知層
- 資料前處理（Data Preprocessing）感測器原始數據通常含雜訊與缺漏，需經清洗與格式化才能送入 AI 分析模型