- 光寶整合 AI 智慧監控裝置、AI Box 運算、網路基礎架構、5G AI-RAN、雲端連線及 API 整合能力，支援協同運作的 edge-to-cloud 架構。透過「Device + Networking + Cloud」的整合模式，光寶協助企業與系統整合商在既有或新建環境中部署 Edge AI，同時保留未來擴展的彈性。
撰文 & 採訪 : 光寶科技 LITEON 編輯部 （企業品牌價值發展中心）
技術審稿 : 光寶科技 核心競爭力中心
在比較邊緣 AI（Edge AI）與雲端 AI（Cloud AI）之前，我們需要先將光寶視為整合夥伴，而不是單一產品供應商。光寶的核心產品組合涵蓋 AI 監控攝影機、門禁與對講系統、感測器、AI Box 運算、網路基礎架構，以及 5G AI-RAN 能力。這樣更廣泛的布局之所以重要，是因為實際部署通常不會只涉及單一裝置，而是需要攝影機、出入口系統、本地運算、資料傳輸與雲端連線共同運作，形成一個協同整合的環境。光寶的產品範疇也涵蓋網路、監控、AIoT、門禁控制與影像對講等相關解決方案，進一步支撐其在整體基礎架構中的定位。AI 影像分析市場預估將從 2026 年的 61.9 億美元成長至 2031 年的 172.3 億美元，年複合成長率（CAGR）達 22.72%。這項成長主要來自市場對智慧監控與監測系統需求的持續提升。
全球邊緣運算解決方案支出預計將在 2025 年達到 2,610 億美元，並於 2028 年成長至 3,800 億美元，顯示邊緣基礎架構（edge infrastructure）已成為企業重要的投資項目。
光寶在邊緣 AI 運算（Edge AI computing）中的價值，也體現在其軟硬體能力如何貫穿整個部署鏈。光寶並不是讓企業、通路商與系統整合商自行面對不同的裝置、軟體、網路與雲端供應商，而是在大部分邊緣 AI產品組合中，整合內部自主開發的能力，並在適合的情境下採用標準化模組。這有助於降低跨供應商整合負擔、縮短問題排除週期，並減少安裝與長期營運過程中的責任斷點。此架構也因光寶的 AI-RAN 發展方向而進一步強化，結合邊緣推論與網路端智慧，為未來 AI 基礎架構奠定基礎。
邊緣 AI（Edge AI）是指在更接近資料來源的位置執行 AI 演算法與運算，例如攝影機、感測器、物聯網裝置或本地邊緣系統。這代表在 AI 監控系統中，第一層分析可以直接在接近影像串流的地方完成。因此，簡單偵測、事件標記與例行過濾不需要再將資料送到遠端資料中心來回處理。
邊緣 AI（Edge AI）與雲端 AI（Cloud AI）的主要差異，不在於哪一種更好，而在於智慧運算執行的位置。雲端 AI 會將端點資料傳送至集中式雲端基礎架構進行處理，適合用於複雜分析（complex analytics）、回溯檢視（retrospective review）、集中式模型管理（centralized model management）與多站點協調（multi-site coordination）。然而，當大量影像資料需要持續上傳時，高度仰賴雲端的工作流程可能會增加頻寬需求、儲存容量成長壓力，以及傳輸延遲負擔。針對邊緣式影像分析的研究也指出，高頻寬消耗與延遲可能會成為雲端影像處理面臨的問題。
在設計完善的邊緣 AI 運算架構中，本地層會負責大部分的初步事件偵測（initial event detection）與過濾，只有相關事件、異常影像（abnormal footage）或經篩選的資料，才會向上傳送至雲端進行更深入的分析。例如，攝影機或邊緣節點（edge node）可以先判斷是否有人員、入侵或異常事件，再由雲端支援跨攝影機比較、長期模式分析或更廣泛的場域層級決策。這樣能讓時間敏感的動作更接近現場執行，同時將雲端資源保留給需要大型脈絡判斷的任務。
在高度仰賴雲端的監控架構中，成本最高的資料往往是那些最終不會成為事件、稽核紀錄或調查線索的影像。即使大多數畫面並沒有實際營運價值，持續上傳仍會消耗網路頻寬，並推高雲端儲存需求。邊緣端過濾則為成本模型帶來新的調整空間：系統可在本地先過濾正常場景，只將經篩選的告警、影像片段或中繼資料（metadata）向上傳送。這也是為什麼邊緣式影像分析常被視為解決傳統雲端影像工作流程高頻寬消耗問題的方法。
在入侵偵測（intrusion detection）、安全監測與建築安防等情境中，如果系統等待遠端處理的時間過長，告警就會失去意義。然而，邊緣 AI（Edge AI）可以將特定 AI 影像分析任務放在更接近攝影機、感測器或本地節點的位置執行，協助加快本地偵測速度。需要注意的是，這並不代表完全零延遲，也不是保證系統能避開所有網路波動；但在本地架構設計得當的情況下，場域層級功能可以減少對雲端來回傳輸的依賴。
對於集中式 AI 處理（centralized AI processing）而言，初期導入往往會面臨較高的負擔：
● 更大的伺服器容量
● 集中的電力消耗
● 散熱需求
● 更高的前期規劃風險
IEA 預估，全球資料中心用電量將在 2030 年倍增至約 945 TWh。這也是為什麼企業開始尋求更分散式的方式來處理 AI 工作負載。然而，在分散式邊緣模型（distributed edge model）中，特定工作負載會被分配到攝影機、AI Box 節點（AI Box nodes）、閘道器（gateways）或本地系統上處理。這讓企業在進行更大規模部署之前，可以先從可控的場域、樓層、門市或建築區域開始導入。對光寶客戶而言，這支持了一條分階段導入路徑，讓入門級到高階的邊緣裝置選項，都能依據實際場域需求進行搭配，而不是將每一次部署都推向同一種以伺服器為中心的設計。光寶的產品組合涵蓋監控、門禁控制、智慧中樞、網路與 5G 相關解決方案，也進一步支援這種更具彈性的部署模式。
Gartner 預測，到 2027 年，50% 的關鍵企業應用程式將位於集中式公有雲（centralized public cloud）之外，顯示混合式基礎架構策略（hybrid infrastructure strategies）的必要性。
在混合模型（hybrid model）中，我們會先建立邊緣層，並將時間敏感的監控功能放在這一層處理。入侵偵測、人員存在偵測、初步物件分類、事件觸發與本地告警等任務，最適合部署在接近攝影機或感測器的位置，因為這些功能仰賴快速的場景層級判讀（scene-level interpretation）。這個方向也獲得邊緣式影像分析（edge-based video analytics）研究的支持；相較於傳統純雲端解決方案可能面臨的即時性挑戰，邊緣架構能在更接近資料來源的位置進行影像處理，以滿足即時需求。
當任務需要更高運算能力、共享資料集（shared datasets）或集中式協調（centralized coordination）時，雲端 AI（Cloud AI）仍然有其必要性。雲端基礎架構適合支援跨攝影機搜尋、多站點分析、大規模影像比對、歷史模式檢視與集中式模型控制（centralized model control），因為這些任務需要比單一攝影機、樓層或建築區域更廣的視角。近年針對雲邊影像分析的研究也指出，混合系統可透過自適應任務卸載（adaptive task offloading）與資源感知排程（resource-aware scheduling），結合以邊緣為核心（edge-centric）與以雲端為核心（cloud-centric）的技術。
一項影像物件偵測研究顯示，結合邊緣與雲端的預測表現，最高可比僅採用邊緣或僅採用雲端的方法提升 50%。這項數據也支持一個觀點：最穩健的架構通常是協作式的，而不是只依賴本地或只依賴雲端。
下一步，是判斷哪些 AI 任務應該優先取得運算資源，像是入侵事件或即時安全威脅這類重要事件，應該優先處理。相對地，優先順序較低的分析任務，例如衣物顏色分析（clothing-color analysis）或行為分類（behaviour categorisation），則可以延後處理，或傳送至更高層級的運算資源進行分析。
光寶的 AI Box 架構可支援這種模組化的任務卸載模型，優先處理具時間敏感性的 AI 事件，並依據裝置容量排程較低急迫性的工作負載。這有助於在反應速度、系統負載與營運成本之間取得平衡。這種從邊緣到雲端（edge-to-cloud）的邏輯，也體現在光寶更廣泛的 AI-RAN 發展方向中；AI-RAN 會根據網路狀況，在使用者設備與邊緣或雲端環境之間分配 AI 工作負載。
對許多中小企業而言，導入 AI 的第一道門檻，往往是認為必須從大型集中式 AI 伺服器、全新攝影機，以及監控技術堆疊（surveillance stack）的全面升級開始。門檻較低的做法，是導入 AI Box 作為本地邊緣 AI 運算與管理節點，在既有攝影機與儲存環境上加入分析能力。這種方式讓團隊可以先在可控環境中測試應用情境，再進一步擴大遷移；對於希望在增加投資前先看見具體營運效益的企業而言，特別實用。
幾乎所有實際場域都建立在多個供應商生態系與多代硬體設備之上。光寶 AI Box 支援既有監控環境中的多品牌相容性與多協定整合需求，讓客戶無需立即進入完整汰換週期，也能加入 AI 能力。對於擁有多路攝影機的門市、辦公室或單一樓層來說，當組織需要實用的 AI 影像分析能力，又不希望承擔伺服器式部署的成本與複雜度時，這樣的方式特別適合。光寶的產品組合也延伸至影像監控、建築監控攝影機、門禁控制、智慧中樞、警報套件（alarm kits）、無線區域網路（wireless LAN）、有線交換器（wired switches）與 5G 整體解決方案等領域，以支援更廣泛的部署情境。
分階段的邊緣 AI（Edge AI）部署，也取決於能否讓運算能力符合實際場域需求，而不是從第一天開始就為每個地點過度配置資源。光寶可支援從入門級到高階配置的裝置選項，讓客戶能依據各環境的效能需求、預算與分析範圍進行搭配。隨著導入規模擴大，這種逐場域部署的方式，也能進一步串聯更廣泛的網路與邊緣到雲端（edge-to-cloud）基礎架構。光寶的 AI-RAN 也強調可擴展的 AI 原生 RAN 架構（AI-native RAN architectures）、更低的整合複雜度、更快速的部署，以及在共通 RAN 與 AI 工作負載模型中的邊緣推論。
下一階段的邊緣到雲端架構（edge-to-cloud architecture），不只是納入更智慧的攝影機或本地運算節點（local computing nodes）。它也將進一步協調 AI 任務在裝置、網路基礎架構與雲端資源之間的配置。
這項趨勢也可從光寶所發展的 AI-RAN 相關資料中獲得支持。這些資料強調可擴展的 AI 原生 RAN（AI-native RAN）、經驗證的相容性、更低的整合複雜度，以及透過整合 AI 與 RAN 工作負載所實現的邊緣推論。
實際價值在於，隨著部署規模擴大，裝置供應商、網路團隊與雲端平台管理者之間，將減少彼此斷裂的交接流程。光寶的裝置＋網路＋雲端能力，使企業與系統整合商能在邊緣裝置、5G AI-RAN、雲端連線與 API 整合之間，建立更協調的架構。此外，光寶也強調從雲端到邊緣的端到端 AI 能力，進一步支撐其整合價值。
在現實場景中，AI 監控系統仍可能因光線變化、陰影、天候、反射以及複雜的人員移動而產生誤報。較務實的目標並不是宣稱能達到完美偵測，而是透過歷史資料、AI 優化與更好的事件驗證，隨著時間持續改善模型表現。誤報降低（false alarm reduction）在影像監控變化偵測（video-surveillance change detection）研究中，仍是一項持續面對的技術挑戰，而不是已經被完全解決的問題。
對於分散式邊緣部署而言，OTA 更新能力相當重要，因為裝置可能安裝在多個房間、樓層、分公司或場域之中。隨著技術發展，邊緣裝置也可能更具備評估本地運作條件的能力，並參與更新決策，進而減少人工介入；但這仍需要受控的發布流程、驗證機制與回復流程。遠端更新有助於新增功能、修復錯誤或處理安全漏洞，但也必須考量裝置限制、部署規模、異質性、可靠性與安全性。
透過將特定影像資料、中繼資料與決策保留在邊緣端，可以減少不必要的雲端暴露，並支援資料隱私目標。當影像內容涉及敏感人物、場所或商業活動時，這一點尤其重要。不過，僅靠邊緣處理並不能消除網路安全風險。門禁控制、資料治理、網路防護、軟體更新紀律與安全架構仍然需要同步到位。
邊緣 AI（Edge AI）與雲端 AI（Cloud AI）的正確策略，是將每項任務放在最能創造營運價值的位置。邊緣 AI 運算能協助監控與智慧建築團隊減少不必要的影像傳輸、改善本地告警時效，支援更重視隱私的資料處理方式，並透過彈性的混合架構（hybrid architecture）逐步擴大導入規模。同時，雲端平台對於更廣泛的分析與集中式協調仍然十分重要。
光寶描述其從雲端到邊緣的 AI 能力，涵蓋邊緣運算、5G、AI-RAN 與智慧城市基礎架構。對企業、通路商與系統整合商而言，光寶可透過 AI Box 升級既有環境，支援多品牌設備與開放式協定的彈性整合需求，協調裝置＋網路＋雲端架構，並結合軟硬體能力，減少問題排除負擔，提供一條面向未來且可擴展的邊緣 AI（Edge AI）部署路徑。