我們現正目睹物聯網規模展現指數型成長的態勢。每一秒鐘，就有127部新裝置聯網，預計至2027年，全球將有430億個物聯網裝置。生活將變得更加多采多姿，相關系統解決方案需求也隨著此市場而成長、演變，消費者要求更精細、更強大且節能而準確的功能。

物聯網未來發展非常令人振奮，而邊緣人工智慧（edge AI）正是眾多關鍵技術推手之一，因其能在物聯網邊緣實現資料分析、提供預測性見解與智慧決策，進而強化物聯網功能。

首先，我們先介紹基本概念：什麼是邊緣 AI？

開發人員和使用者或許已相當熟悉人工智慧（AI）和/或機器學習（ML），但「邊緣AI」這個詞彙則不然。邊緣AI是指AI應用的實作和部署位置落在邊緣運算環境內，或是接近資料所在的裝置中，而非雲端運算設施之類的集中環境。

邊緣AI在實務上的作業，包括從感測器或追蹤器、健康監測裝置等其他來源收集資料，並直接在邊緣裝置機器上以AI模型進行處理，然後將模型的輸出用於觸發動作或傳送通知。邊緣AI在本機上處理資料，有助大幅加速推論作業並支援即時使用案例，減少延遲時間和網路流量，強化隱私與安全，同時實現節能效益。

如今，開發人員正在思索邊緣AI各式各樣的使用案例和應用，例如家電和智慧家庭系統採用的臉部/手勢辨識、穿戴式裝置和健康監測裝置、工廠自動化的預測性維護，以及搭載AI的監視攝影機，可即時偵測並應對可疑活動，不僅能夠提升效率，更可降低服務費用。

AI部署常見使用案例，包括能進行語音辨識分析的智慧喇叭和語音助理技術，背後功臣則是一系列複雜的AI技術，例如自動語音辨識（ASR）將聲波轉換為文字，再運用自然語言理解（NLU）擷取其實際意義，然後智慧喇叭透過自然語言產生（NLG）技術產生回應。

智慧家庭市場也出現全新趨勢，AI在此的用途是提升邊緣裝置效率，並創造順暢自然的使用者體驗。其他案例更涵蓋洗衣機調整水量、洗衣精用量、清洗和脫水時間，以提升洗衣效率；恆溫器習得使用者偏好溫度、偵測室內外溫度、區別房內是否有人；烤箱依據使用者的口味偏好製作客製化餐食，同時確保只有成人能操作裝置以維護安全；甚至是吸塵器能區分地板類型，實現最佳清潔和電池效率。這所有的使用案例皆仰賴邊緣實作的複雜 AI 演算法。


一股新興趨勢或技術勢必擁有截然不同的挑戰及應注重的關鍵面向，邊緣 AI 也不例外。目前，邊緣 AI 在下列層面的衝擊尤其明顯：

效能提升（與低功耗）
物聯網持續成長推升感測器需求，因此必須分享更多資訊，同時裝置複雜性也會上升，以因應運算功能增加的需求。目前裝置本身處理機器學習作業的能力日益多元，因此，高效能核心必須搭配神經網路運算硬體加速器以支援機器學習作業，在這新一代邊緣裝置崛起的環境中，這兩者缺一不可。然而，若要實現功耗最佳化，讓電池驅動終端裝置更省電、提升運作效率並減少耗電，則上述要求會面臨更加嚴峻的挑戰。好消息是：邊緣裝置儲存資料並執行演算法，較所有資料傳送至雲端所消耗的能源更少。

安全與隱私
邊緣 AI 裝置本身會執行多數作業與資料處理，減少傳送至雲端和外部位置的資料量，降低安全和隱私疑慮，但這不代表邊緣 AI 裝置上的所有資料永遠不會遭遇攻擊。安全攻擊不斷演化，因此所有邊緣 AI 裝置都必須內建強大、層級適當的安全機制，以利維護資料完整性和隱私。

缺乏專業知識、耗費時間、無全方位支援
沒有適當的專業知識，幾乎不可能開發邊緣 AI 裝置，例如不瞭解如何使用針對 AI/機器學習最佳化的特定加速器和處理器等硬體，或是 AI 模型開發與部署採用軟體的使用經驗不足。知識不足加上耗時疑慮，恐怕會導致開發人員選擇不採用最佳實務，或限縮管理團隊制定適當決策的能力。

詳細內文請參考網址...