飛捷轉攻AI影像辨識!40年POS機老廠轉骨:25歲二代揪「7秒法則」攻進美國速食龍頭
飛捷轉攻AI影像辨識!40年POS機老廠轉骨:25歲二代揪「7秒法則」攻進美國速食龍頭

飛捷已是全球領先的POS機廠,卻不甘只做硬體,近年來積極發展軟體事業,將AI影像辨識技術導入美國速食業龍頭、東南亞連鎖超市,為集團事業開創第二春。

在這家位於美國華盛頓州的溫蒂漢堡(Wendy's),店長一邊替客人打包餐點,一邊盯著牆上螢幕,原來,櫃檯的AI攝影機正追蹤每位客人的排隊、點餐和等餐時間,數字全顯示在螢幕上,一發現排隊時間變長,店長馬上調度人力,減少客人不耐而離開的機率,平均下來,讓月營收增加4%。

很難想像,把這款「AI計時器」系統導入速食業的,竟是原本只做硬體的工業電腦廠飛捷科技。

1984年成立的飛捷專做POS機,約8成客戶來自全球零售、餐飲業,點餐、結帳機台全靠它。做了30幾年硬體,5年前,飛捷走上軟體研發之路,還分拆出華捷智能(Berry AI)、英捷智能(Angible)、英諾菲三家純軟體子公司,前兩家更挾AI視覺辨識技術分別打進美國速食龍頭、東南亞大型連鎖超市,他們是如何做到的?

避紅海競爭,董座兒接新任務

「這個產業做久了,就有一堆人進來,我們每天都在怕,會不會明年就被別人幹掉?」飛捷董事長林大成說,創業以來,他始終秉持「人多的地方不要去」,卻難抵擋後進者削價搶客,即使已拿下全球POS機大廠地位,對「被幹掉」的擔憂依然揮之不去,「每天都感受到這種壓力。」於是2018年,林大成決定發展「非POS」業務,希望創造第二成長曲線,避開紅海競爭。

但問題馬上就來:不做POS機,還能做什麼?林大成把這項任務,交給剛自美國大學畢業的兒子林逸中。林逸中加入飛捷後,與同事從兩張桌子開始,發想POS機以外的新業務,「人多的地方不要去,但沒人的地方千萬不要去,你要跟在部隊旁邊走。」林大成時常這樣提醒林逸中,意思是,從大家都在做的生意中找到加值應用。

他們從飛捷已打入的產業切入,注意到當時首次對外開幕的亞馬遜無人商店,號稱採用大量AI影像辨識技術,判斷消費者的動作與拿走的商品品項,激起林逸中研究AI影像辨識的興趣,並認為這項技術有商機。

2019年,Berry AI誕生,由飛捷100%持股,年僅25歲的林逸中則擔任執行長,鎖定AI影像辨識找應用,飛捷正式跨入軟體市場;不過有技術又有經驗的人才稀缺,最初團隊只有5人,就走上這條與本業截然不同的路。

Berry AI的「處女作」是麵包結帳機,也就是放在麵包店結帳櫃檯旁,代替店員辨識客人買了哪些麵包、計算價錢;然而麵包重疊、夾子遮擋等不確定因素太高,導致辨識準確率遲遲無法提升,就算一百個麵包中,AI只會看錯一個,店員也無法接受。林逸中這才驚覺,不是所有客戶的痛點,自家技術都能解決。

第二次,Berry AI轉換賽道,把影像辨識帶進郵局,自動量測包裹尺寸,結果公務機關導入新科技的速度慢,就連試用都要跑好幾個月的公文、招標流程,林逸中果斷放棄,並繼續研究其他產業應用。

歷經一年多峰迴路轉,某次林逸中在與好友聊天中,發現速食業者一直在尋找提升服務效率和品質的解方,他決定回頭鎖定飛捷最熟悉的餐飲客群。團隊經過訪談、調查得知,光是店內標準作業流程就有上百項,「業者對AI有非常多想像,一開始有8、9項功能,客戶全都想做。」林逸中舉例,業者會想知道員工上班有沒有滑手機、洗手有沒有洗乾淨、庫存盤點有沒有照實做,但是,Berry AI得先幫他們挑出最適合用影像辨識、且最急迫的需求。

每降低7秒等候,營收增1%

「其實對速食店來說,每降低7秒等候時間,營收就能成長1%。」林逸中發現,等候時間是最直接影響營運的要素,因此從「AI計時器」下手,將攝影機裝在得來速車道和廚房、櫃檯,利用去識別化的AI影像辨識,算出客人排隊、點餐、取餐要花多久時間,即時螢幕顯示讓店家能一眼看出人流卡在哪,進而判斷哪些時段是否安排太少人力或備料不足。

Berry AI進軍速食大國美國,讓業者試用、改良再試用,加上母公司飛捷名號助攻,2020年起就陸續打進全球連鎖速食龍頭,以及漢堡王、溫蒂漢堡、小凱撒披薩、Dunkin' Donuts等連鎖速食業者。溫蒂漢堡加盟商Wenspok Companies指出,這套軟體可讓員工專注於更高價值的任務,且馬上就看到營運效率和顧客體驗提升,「Berry AI平台的表現超出我們預期,很高興能將解決方案導入更多餐廳。」

在林逸中操刀下,Berry AI有所斬獲,但林大成的野心不止於此。2023年,他觀察到疫情和缺工,加快了零售業導入自助結帳的速度,對善長硬體製造的飛捷而言,自助結帳機台是一門可以發展的新生意;不過,早就不甘於只當硬體廠的林大成,還希望搭配軟體,他找上在AI產業工作的羅荷傑,兩人一拍即合,羅荷傑加入飛捷,一邊思考軟體在零售業自助結帳的應用、一邊招募團隊。

羅荷傑拜訪數十家不同品牌的零售業門市進行訪談,自己也當消費者體驗,發現業者採用自助結帳的最大痛點,不是效率不如人工結帳,就是漏刷商品導致營業損失,若能把Berry AI已經熟悉的影像辨識技術,用來偵測商品是否漏刷,問題便迎刃而解。

想這麼做,首先得訓練AI「看」懂人類行為,比如手伸過去刷條碼、系統卻沒顯示商品,或是拿起購物車商品就放包包,都屬於漏刷行為,一旦AI偵測到異常,就會透過結帳機台提醒,或通報店員處理。

抓結帳漏刷,準確率達99%

羅荷傑指出,攝影機可架在機台上或天花板,自助結帳機台周圍30到50公分都是偵測範圍,除了防漏刷,也可以讓店家透過使用前後比較,了解自助結帳造成的損失情況,目前辨識準確率已達99%,也就是說,AI揪出的一百次漏刷中,有99次都正確。

今年,這個團隊從飛捷獨立出來,名為Angible,羅荷傑擔任執行長,將軟體導入東南亞大型連鎖超市,可以單獨訂閱,也能搭配飛捷的硬體使用。

不過部分設置自助結帳的零售業者,已採用重量檢核機制比較未結帳和已結帳商品重量是否一致,來判斷有無漏刷。比如全台自助結帳設置比率最高的家樂福,就採用這項機制,並且幾乎沒失誤過。反觀AI影像辨識方法須考量系統相容性、成本效益,業者是否導入,得再評估。由此可見,業者還有其他選擇,Angible如何說服客戶採用AI影像辨識方案,是未來挑戰之一。

飛捷朝軟硬整合轉型,法人指出這是必要之路,有助提高競爭力、客戶黏著度及毛利率,林大成也深知這點,「兩家子公司有加值效益,也讓大家知道飛捷已經不再只會做硬體。」他坦言,以前一台工業電腦可以賣1千美元,現在軟體租給一家客戶只能收到1百美元,營收規模完全不同等級,「一開始看到數字,的確很不習慣。」雖然兩家子公司還處於燒錢、虧損階段,林大成仍胸有成竹,認為AI導入零售餐飲業是未來趨勢,「我們非常樂觀!」

未來Berry AI將繼續鎖定美國市場,針對既有客戶推出更多元的應用,目標是從現有數百家,在未來5年內打進超過一萬家門市;Angible則希望累積更多影像數據做分析,並提供給店家洞悉消費者。

讓兩支精銳小兵團「跟在部隊旁邊走」、自建智慧零售生態系,是飛捷轉型的核心策略,接下來就看小兵們能不能上演「立大功」戲碼,帶飛捷這艘大船,成功轉舵。

本文授權轉載自:今周刊

延伸閱讀:超微新AI晶片來了,強勢對標輝達H200!現場直擊:蘇姿丰4大策略衝AI市佔
觸爛、好解、超頂⋯Z世代口頭禪到底什麼意思?17個網路用語一次解密

責任編輯:李先泰

往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。
依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓