邊緣人工智慧 是什麼？

Edge AI — 邊緣人工智慧 的完整解釋

邊緣人工智慧是指在靠近資料來源的邊緣設備上執行AI運算，而非在雲端伺服器上。可降低延遲、節省頻寬、保護隱私。

容易混淆

邊緣 AI vs 雲端 AI 邊緣 AI 在裝置本地推論，延遲低。 雲端 AI 把資料送到伺服器，算力強但要等網路。 最關鍵的區別：資料是不是要離開現場。

邊緣 AI vs 霧計算 霧計算會在區域閘道器或本地伺服器先做一層處理。 邊緣 AI 則更靠近資料源，常常就在裝置本身完成。 最關鍵的區別：算力層級離感測器有多近。

邊緣 AI vs 離線規則系統 離線規則系統靠人工寫規則，不會自己學。 邊緣 AI 是模型在本地做推論，能處理更複雜的訊號。 最關鍵的區別：一個是規則，一個是模型。

記住這句就好

資料留在現場，反應才會快。

實際案例

手機人臉解鎖 你把手機拿到臉前面，系統在本機算出是否通過，不必把照片先送到雲端。 Before：每次解鎖都要等網路回應。After：幾乎瞬間完成，而且照片留在裝置裡。

工廠安全監控 攝影機拍到工人沒戴安全帽時，邊緣裝置可以立刻發出警示。 Before：等雲端分析才通知，風險太高。After：在現場直接反應，延遲才壓得住。

算法與應用

邊緣 AI 的核心流程通常是雲端訓練、模型壓縮、裝置部署、即時推論、結果回傳。

常見壓縮方法包括量化、剪枝、蒸餾，目的都是把大模型縮到裝得進小裝置。

如果任務只需要快速判斷，就把推論留在邊緣；如果需要大模型整合分析，再把結果回雲端。

情境判斷

Q1（直覺題）： 你要做工廠門口的安全帽偵測，網路常常不穩。你會怎麼部署？

→ 用邊緣 AI。這種任務最怕延遲和斷線，現場即時推論比把影像送去雲端更合理。

Q2（判斷題）： 你的模型很大，但裝置記憶體不夠。你該先做什麼？

→ 看情況。先評估能不能壓縮模型；如果壓縮後精度仍可接受，就不一定要升級硬體。如果任務對精度極敏感，就要重新看裝置規格。

常見問題

邊緣 AI 會取代雲端 AI 嗎？

不會。多數系統是雲端負責訓練與更新，邊緣負責即時推論，兩者是分工，不是互斥。

沒有網路時還能用嗎？

通常可以，只要模型已經部署在本地。這也是邊緣 AI 在工廠、車載、門禁場景受歡迎的原因。

硬體一定要很貴嗎？

不一定。簡單任務用低功耗晶片就能跑，複雜影像任務才需要 GPU、FPGA 或專用 AI 加速器。