AI不只硬體商機！簡立峰曝2大AI藍海：從邊緣運算、小語言模型⋯看見台灣絕佳良機|數位時代 BusinessNext

邊緣運算＋推理能力，AI突破人類極限

「小模型只要增加一點點邏輯推理，就不得了！」簡立峰認為，進步的推理能力讓邊緣AI出現新的可能性，可能加速AI代理（AI Agent）的進程。其中，值得關注的是AI的閱讀能力，當AI擁有理解能力，就能自主學習，「不是training（訓練），是reading（閱讀），training是改變參數，但reading只是給AI小抄而已。」

簡立峰表示，自2000年以來，AI各種能力已經突破人類極限。以百萬本藏書的圖書館來說，AI能一次運算的數據量，大約等於100座圖書館的藏書量。因此，只要資料足夠，AI就能做到很多人類做不到的事情。

只不過多數民眾仍不熟悉AI的應用，簡立峰認為，AI的發展還是要讓民眾「有感」。他舉例，台灣新聞台於美國總統候選人辯論會時，在直播利用chrome瀏覽器即時翻譯，展現AI語音辨識加翻譯的功能，「應用其實已經在我們生活裡頭，若把應用轉化為商機，那商機也已經出現了。」

小模型崛起　台灣開發者如何掌握先機？

簡立峰口中的「商機」，特別體現在邊緣AI與AI機器人領域，包含AI PC、AI手機和物聯網。過去在行動世代，可以說是台灣科技發展較為失落的階段，雖然硬體掛帥，但在軟體、軟硬整合卻沒有優勢。

但是這一次， 適合在終端設備運算的小語言模型將是新一波開發重點。 簡立峰說明，模型縮小能夠降低成本，若是效能還能提高，將會達到「甜蜜點」，目前Meta新推出的LLaMA模型雖然成本低，效能尚未達到標準，未來仍有進步空間。

除了降低資金成本、維護資料安全、能夠線下運作與整合互聯網之外，簡立峰還指出邊緣AI其他優點：

邊緣AI優勢

分散運算和能源成本：不需要全程仰賴大型雲端模型，降低運算成本

小模型易發展：小型模型更快速訓練

開發者門檻下降：AI用伺服器昂貴，並非所有開發者能負擔，運算規模較小的邊緣AI能降低開發者投入AI的門檻

模型任務化：也就是專業化的語言模型，更貼近不同適用情境

生態系形成：讓軟體、硬體商有合作動機

而當一個模型規模縮小，怎麼優化到最好？

簡立峰認為這是台灣科學家擅長之事，他並給予一項核心建議：不要被任何一個雲端公司的模型綁住，「模型要夠靈活，讓它能一直變換。」

簡立峰更提出其他縮小模型的方法：

小模型建構方法

Quantization（量化）：將數據轉換為精確度較低，降低資料大小並提高速度

Pruning（修枝）：從神經網絡中刪除不必要的神經元，精簡結構

Knowledge Distillation（知識蒸餾）：訓練較小的模型，以模仿較大模型的效果，優化效率

LoRA：透過類似微軟的LoRA技術，在既有模型結構上進行微調，使用更少的參數維持性能

簡立峰最後強調，台灣AI技術的發展潛力巨大，尤其是在與PC和手機產業的整合。未來從學生學習到老年人照護，AI的推理能力和邊緣計算的應用將成為關鍵。

他也說，隨著硬體性能的提升和模型縮小技術的進步，「台灣在AI領域的競爭力將持續增強。」

責任編輯：李先泰

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。