AI大戰，這個科技巨頭輸慘了？被元宇宙耽誤的祖克柏，還有哪些燙手山芋？|數位時代 BusinessNext

軟硬體落後一大截，Meta跟不上人工智慧浪潮

微軟支持的OpenAI在去年11月30日首次公開ChatGPT，爾後就飆升成為歷史上使用次數成長最快的消費者應用程式。科技巨頭之間的軍備競賽正式開打，生成式AI（Generative AI）產品百花齊放。人工智慧識別資料中的模式，到根據提示詞創造全新的文字或圖像內容，都需要大量的演算能力。

根據路透社報導，五位消息人士表示，生成式人工智慧需要如此大量的演算能力，加劇了Meta增加數據處理與容量的緊迫性，而問題的根源可以追溯到Meta遲遲沒有接受圖形處理器（GPU）用於人工智慧。

GPU非常適合用於人工智慧，因為它們可以同時執行大量任務，來減少處理數十億條數據所需的時間。但直到去年，Meta主要還是使用大量的普通CPU來運行AI工作。雖然CPU多年來已經稱霸資料中心幾十年，是許多資料中心的主力，但在人工智慧工作方面表現不佳。

先前Meta也有在內部設計屬於自己的晶片來訓練人工智慧，但到了2021年，他們才發現這樣雙管齊下（普通CPU加自家設計的晶片）的方法比GPU更慢、效率更低。在運行各種人工智慧模型時，Meta所設計的晶片也比不上GPU的彈性與靈活度。

因此，有消息人士指稱，Meta在2022年取消了推出大規模訂製晶片的計畫，轉而訂購價值數十億美元的 Nvidia GPU。這時Meta已經落後Google了，Google早在2015年就已經開始部屬訂製的GPU，並稱之為TPU。

在2022年初，Meta也著手開始重組AI部門以及數據中心，除了要容納更多GPU，也是在這時有十幾位高層離開了Meta。而後，Meta也重新制定了新的內部計劃，來開發更具野心的訂製GPU，能用以訓練AI模型。消息人士指出，這個項目尚未公開過，預計2025年可以完成。

沒加入生成式AI戰局，是為了社群廣告和短影音，還是只是來不及？

著手更新數據中心的GPU的同時，Meta目前幾乎沒有什麼大展身手的空閒，只能任由微軟和Google等競爭對手不斷發布商用生成人工智慧產品。

Meta財務長Susan Li在今年2月份表示，Meta並沒有把目前的大部分的計算能力投入到生成式AI，並表示，「基本上我們所有的AI能力都用於廣告、動態消息（Feeds）和Reels。」Reels指的是類似於TikTok的短影音動態內容。

但根據消息人士表示，直到去年11月ChatGPT推出之後，Meta才把生成式AI列入優先事項。他們表示，儘管Meta的研究實驗室FAIR（Facebook AI Research）自2021年底以來一直在發布AI技術的原型，但Meta似乎沒有成功這些研究成果轉化為膾炙人手的產品。

但隨著投資者對人工智慧的興趣增加，祖克柏在今年2月份宣布組成了新的生成人工智慧團隊，並表示將「加速」Meta在該領域的工作。

被「元宇宙」耽誤，AI部門資源不足

Meta難以快速趕上，另一個更被大眾所知的關鍵因素大概就是「元宇宙」了。這個由擴增實境為主要技術的虛擬社交平台，在Meta投入百億開發以後，仍不見用戶的廣泛接受，同時，這也分散了Meta在人工智慧的資源，導致無法從容應對競爭對手TikTok的崛起、以及蘋果主導的廣告隱私變化。

但也不是沒有Meta高層注意到這個問題。前Meta董事會成員Peter Thiel於 2022年初辭職，沒有給出任何解釋，但知情人士透露，在Thiel離開前的一次董事會會議上，他告訴執行長祖克柏以及其他高層，他們對於Meta的核心社群媒體業務感到過於自滿，同時又過於關注元宇宙，讓Meta更容易受到TikTok等新的競爭對手挑戰。

改革重組、更新設備導致財務緊繃，裁員還不會停下來！

據Meta披露，在設備、團隊等改革使Meta每季度的資本支出增加了約40億美元，這幾乎是其2021年支出的兩倍。

這段時間也恰逢科技公司在疫情後最低迷的一段時期。他們因此暫停或取消了先前在四個地點建設數據中心的計劃，同時，也是大眾所知的，他們啟動一輪又一輪的裁員計畫，去年11月大量裁員1.1萬人，預計未來幾個月還會再裁1萬多人。

責任編輯：蘇祐萱

快速展店背後的挑戰　如何降低跨據點管理與維運負擔

對連鎖零售企業而言，展店代表商機與成長，但當門市數量快速增加，營運與管理的複雜度也隨之提升。尤其對便利商店（C-store）、餐飲連鎖與其他高密度展店型態的企業而言，總部需要面對的不只是據點數量增加，更包括不同門市的設備管理、系統維護、日常維運與人力配置等多方面挑戰。

過去多據點門市的設備與資訊管理，往往以單一門市為單位，各據點可能擁有不同的攝影機、錄影設備配置與管理模式。當總部需要掌握事件狀況、確認門市營運情形，或進行跨區域管理時，往往需要投入大量人力逐一確認資訊，不僅增加管理負擔，也提高維運成本。

此外，零售產業本身具有高度變動性。門市可能因應市場策略進行展店、搬遷、改裝，甚至調整營運規模。傳統一次性設備投資模式，容易讓企業在面對據點變化時缺乏彈性，也增加設備重新配置與後續維護的負擔。

因此，現代零售企業所需要的不只是單純記錄事件的設備，而是一套能隨企業成長彈性調整、協助總部有效掌握多據點安全資訊，並支援未來智慧應用發展的智慧化管理架構。

從既有設備開始升級　降低全面汰換設備的轉型負擔

面對智慧化轉型需求，許多企業最大的挑戰並非是否需要升級，而是如何在不中斷現有營運的情況下完成轉型。

對已經投入大量資源建置安全系統的零售企業而言，全面汰換既有架構不僅成本高，也可能影響門市日常運作。因此，能夠兼容既有設備並逐步升級的彈性架構，成為企業導入智慧安全管理的重要關鍵。

透過混合雲架構，企業可以從既有設備開始，逐步整合不同據點的安全資訊與管理需求，同時導入雲端管理能力。相較於一次性重新建置，新一代平台架構能協助企業延續既有投資價值，並依照實際需求逐步導入更集中化、智慧化的管理能力。

此外，訂閱式雲端服務模式和混合雲安防架構，也為零售企業帶來更靈活的資產管理方式。相較於頻繁的硬體汰換、傳統一次性採購或繁瑣的跨品牌安防系統的管理，企業更有彈性的因應門市拓展、搬遷、調整或營運規模調整，精準配置資源，降低一次性投入壓力，也減少因據點變動造成設備閒置的情況。

對快速成長的連鎖零售企業而言，安全管理不再是一套固定且難以調整的架構，而是一個能隨企業規模與需求持續演進的平台。無論是新增門市、跨區域管理，或因應營運策略調整，都能以更彈性的方式完成管理升級。

AI 不只是安防工具　更開始協助零售提升營運效率

隨著 AI 技術快速發展，安全管理的角色也正在改變。過去企業導入影像系統主要用於事件記錄、事後查看與追蹤；如今，智慧雲端安防平台則能進一步從大量影像資訊中辨識人、車與行為，協助企業從「看見發生什麼」進一步「理解正在發生什麼」，甚至主動協助管理者發現與處理事件。對門市數量眾多、人力有限的連鎖零售業者而言，AI 正逐步成為降低管理負擔、提升營運效率的重要工具。

從基本事件偵測到自然語言規則　讓 AI 主動理解更多異常情境。 AI 智慧辨識已能針對跌倒、奔跑、徘徊、跨線等常見事件進行自動偵測，協助門市減少人工查看影像的需求。而進一步透過 Think Alert，管理者更可以直接以自然語言設定客製化的偵測條件，將 AI 應用延伸至傳統事件規則以外。以門市尖峰時段為例，店員往往需要同時處理結帳、補貨與顧客服務，總部也難以持續掌握每個據點的即時狀況。透過 Think Alert，管理者可以直接以自然語言設定「在門店入口抽菸的人」等情境；當符合設定條件的畫面出現時，系統即可主動發出警報，協助管理者即時掌握異常狀況。對於門市數量龐大的企業而言，這代表 AI 不只是協助辨識既定事件，更能依據不同營運需求，讓管理者以更直覺的方式設定希望 AI 主動關注的情境。

從大海撈針到快速完成調查　Think Search 搭配 Case Vault(案例庫) 掌握完整事件脈絡。 當事件發生後，如何從大量、多據點的影像中找到關鍵人物與事件脈絡，往往是最耗費人力的環節。透過 Think Search，管理者可以直接用自然語言描述想尋找的對象與情境，例如，當家長反映孩童可能在門市附近走失時，店員或總部人員不需要逐一查看不同攝影機的錄影畫面，只要在 Think Search 輸入「昨日上午，牽著小女孩的男性」等自然語言描述，系統即可協助從大量影像中篩選相關畫面，快速找到相關人物可能出現的時間與位置。若需要進一步追蹤，還能將不同搜尋階段找到的重要畫面與資訊整理至 Case Vault，建立事件時間線與人物移動路徑，協助管理者更完整掌握事件脈絡。

從安全管理延伸至顧客服務與門市營運　讓既有影像創造更多價值。 AI 的應用也不只限於安全事件。例如在咖啡店、餐飲等場景，若顧客將手機、包包等物品遺留在座位或櫃台附近，遺留物與遺失物偵測可以協助門市人員更快發現異常，主動確認並協助顧客處理失物問題；人流分析則能協助企業掌握不同時段的門市活動趨勢，作為空間配置與人力安排的參考；車牌辨識可應用於停車區域或門市周邊管理，而工安防護裝備辨識則能協助後場、倉儲等區域進行安全規範管理。透過這些應用，企業能在既有設備基礎上，進一步將影像資料延伸至安全、服務與營運等不同場景。

對連鎖零售業而言，AI 的價值已不只是「看得更清楚」，而是讓企業更快發現問題、更快找到資訊，並進一步理解事件脈絡與營運狀況。從基本事件偵測、自然語言設定規則，到 AI 搜尋與事件調查，再延伸至顧客服務與營運分析，雲端安防平台正讓影像從被動的紀錄工具，逐步成為支援多據點安全管理與營運決策的重要資訊來源。