---
title: "邊緣人工智慧（Edge AI）"
slug: edge-ai
language: zh-TW
source: https://aiterms.tw/terms/edge-ai
updated_at: 2026-04-29
tags: [AI應用, 模型部署, 電腦視覺, 語音辨識, 神經網路, AI基礎, AutoML, MLOps]
ipas_term: false
---

# 邊緣人工智慧（Edge AI）

> **你有沒有發現，手機人臉解鎖幾乎一按就開？**
>
> 你可以把它想成，AI 不一定都要跑到雲端，很多判斷可以直接在手機、攝影機、感測器上完成。
>
> 這樣做的好處是反應快、少傳資料、隱私壓力也小，所以自動駕駛、工廠檢測、智慧門禁都很愛用。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 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

> **Q：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。
>
> **Q：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。
>
> **Q：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。

### 相關術語

> - **推論**：邊緣 AI 的工作重點就是推論，先把訓練和推論分開才不會混淆。
> - **模型壓縮**：邊緣 AI 常靠它把模型縮小，才能塞進資源有限的裝置。
> - **即時推論**：這是邊緣 AI 最常追求的效果，延遲一低，應用才真能上線。
> - **聯邦學習**：如果你想保留資料在本地又協同訓練，這個詞要一起看。
> - **電腦視覺**：邊緣 AI 最常落地的場景之一，特別適合攝影機和影像感測。

---

來源：https://aiterms.tw/terms/edge-ai
快查頁：https://aiterms.tw/terms/edge-ai
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-edge-ai