Edge AI 是什麼？

Edge AI 的一句話理解

Edge AI 的重點是「靠近資料來源做 AI」。資料可能來自攝影機、感測器、手機、工廠設備、車輛、門市系統或醫療設備；AI 推論則在裝置本身、附近的邊緣主機或現場系統完成。

它不是單純反雲端，而是把「哪些事該在現場做、哪些事該回雲端」重新分工。

為什麼需要 Edge AI？

Edge AI 常見價值有四個：

價值	白話說明
低延遲	工廠瑕疵檢測、車輛、機器人、即時影像不能每次都等雲端回應
節省頻寬	攝影機、感測器、影片資料量很大，不可能全部原始資料都上傳
隱私與資料控制	個人資料、醫療、工廠機密或門市影像可先在現場處理
離線與可用性	網路不穩或不能依賴雲端時，現場仍要能做基本判斷

NVIDIA 對 Edge AI 的說法也很接近這個方向：AI computation 在靠近使用者、靠近資料的位置執行，而不是集中在雲端或資料中心。

Edge AI、On-device AI、本地 AI 差在哪？

名詞	重點	例子
On-device AI	直接在單一裝置上跑	手機即時翻譯、AI PC 本機摘要、相機辨識
Edge AI	靠近資料來源或現場跑	工廠邊緣主機、門市攝影機分析、車載 AI、Jetson 機器人
本地 AI	在自己控制的電腦、主機或私有環境跑	公司內部 RAG、本地 AI 主機、工作站模型推論

三者會重疊。比如一台工廠裡的本地 AI 主機，既是本地 AI，也可能是 Edge AI；一支手機上的 Gemini Nano 或 Apple Intelligence 端側功能，則更偏 on-device AI，也可以算廣義邊緣端推論。

Edge AI 不等於完全不上雲

很多正式系統會採混合模式：

• 現場做即時推論。
• 只上傳摘要、事件、異常片段或匿名化資料。
• 雲端負責模型訓練、更新、監控與大規模資料分析。
• 私有雲或資料中心負責集中管理和權限。

所以判斷 Edge AI 時，不要只問「有沒有上雲」，而要問：

1. 原始資料在哪裡處理？
2. 什麼資料會被上傳？
3. 現場斷網時還能不能運作？
4. 模型如何更新？
5. 誰負責設備維護與資安？

什麼情境適合 Edge AI？

適合 Edge AI 的場景通常有現場資料、即時性或資料敏感性：

• 工廠瑕疵檢測。
• 智慧攝影機與門市影像分析。
• 機器人、無人載具、車載系統。
• 醫療設備與院內資料處理。
• 智慧城市、交通、能源設備。
• 手機、AI PC、穿戴裝置上的端側推論。

如果任務不需要即時、資料不敏感、頻寬和成本也可接受，雲端 AI 可能更簡單。Edge AI 的價值在於現場性，而不是為了不用雲端而不用雲端。

最後更新：2026-06-11；本頁已複查 NVIDIA Edge AI / Edge Computing 與 Android on-device AI 來源。