AIoT 是什麼？人工智慧結合物聯網，開啟智能生活新體驗

隨著日新月異的科技發展，人工智慧和物聯網的結合催化了 AIoT （人工智慧物聯網）的誕生，它的出現帶來足以改變個人生活、企業營運乃至於社會發展的進步力量，並賦予每個裝置感知、分析和展現行動的能力，以下將帶大家初步認識 AIoT，讓人工智慧物聯網走進你我的生活！

文章目錄

• AIoT 是什麼？人工智慧物聯網
• AIoT 的運作模式
• AIoT 創造的龐大商機
• 現今面臨的風險與挑戰
• 未來發展趨勢：提升資源使用效率

AIoT 是什麼？人工智慧物聯網

（Photo Source：Shutterstock）

AIoT（人工智慧物聯網）意即 AI（人工智慧）結合 IoT（物聯網）的實際應用，IoT 是硬體設備之間形塑的網絡，藉由嵌入感測器、遠端遙控器以及和其他物件串連的儀器，使 AIoT 相較於傳統設備具有裝置之間相互聯通、交換資料的運作功能，然而除了設備之間的串連外，將 AI 強大的機器學習能力應用於硬體設備，這能夠讓裝置具有分析資料的判斷力與彈性調整的應變力，使物聯網升級為人工智慧物聯網，實現更加即時且智能的需求回應。（延伸閱讀：ChatGPT 熱潮席捲全球，人工智慧是什麼？現在有哪些應用案例？）

AIoT 的運作模式

（Photo Source：Shutterstock）

相信建構雲端運算已是許多企業面臨數位轉型時的必經歷程，但除了相對熟為人知的雲端運算外，AIoT 還會涉及到霧運算及邊緣運算兩項新興的應用，以下將分別對此三項運算模式簡短說明：

• 雲端運算

雲端運算屬於集中式網路運算架構，提供伺服器、資料庫、存儲空間、網絡及軟體等服務，使用者只要透過網路（雲端）即可從遠端的伺服器同步存取到各項資料，因此，上雲不僅可以提高資料存取及運算的效率、降低投注於硬體及軟體設備的成本，也能夠提供更具彈性及創新的架構選擇。

• 霧運算

霧運算是介於地端（Data source）及雲端（Cloud）之間的去中心化運算架構，相較於雲端，霧運算更靠近終端裝置，藉由初步分析來自地端的資訊，讓運算模式能夠針對環境變化予以快速回應。

• 邊緣運算

邊緣運算屬於分散式網路運算架構，是將運算資源直接嵌入端點設備，更靠近終端（裝置）使用者，此作法能夠減少所有原始資料都必須回傳至雲端中心執行進階分析的過程，可以透過直接在終端收集到的大量數據給予即時分析，因此，邊緣運算的應用除了可以有效降低網路寬頻的使用量，同時也解決了延遲性高的問題。

上述三項運算模式的定義在資料科學領域中屬於相對抽象的概念，因此，以下將透過人體的反射反應作為比喻，我們將雲端運算代表大腦、霧運算代表低級神經中樞，而邊緣運算則代表感官系統，透過各器官系統之間的分工協作完成膝跳反射的行為，來具象化雲端運算、霧運算及邊緣運算在 AIoT 中的運作模式。

膝跳反射是一項經典的人體先天性反射行為，首先接收到外在刺激的便是膝蓋（裝置），其扮演的角色是受器（邊緣系統），在接收到刺激後將動作電位傳導至低級神經中樞（霧運算）後，產生了非意識的反射行為，最後才將訊息傳導至大腦（雲運算），使其感知到膝蓋被叩擊。

在前述例子中可以發現當出現外在刺激時，藉由反射行為讓人類不須經過大腦便得以快速的針對個別情境做出應對，此反射行為與人工智慧物聯網具有異曲同工之妙，觸發反應的排序是按照距離終端裝置的遠近，由近到遠依序為邊緣運算、霧運算及雲端運算，透過運算去中心化，單以邊緣系統即可做出即時的反應，不過最終還是需要依賴雲端運算提供更深入的解析及回應。

AIoT 創造的龐大商機

（Photo Source：Shutterstock）

根據麥肯錫管理顧問公司的調查表示，全球人工智慧的經濟產值在 2030 年之前預計增加 13 兆美元，在 2025 年前， IoT 的支出將預計增加 12.6 兆美元。《Artificial Intelligence of Things 2022 – 2027》的研究報告也指出，全球 AIoT 的市場產值預計在 2025 年前會達到 650 億美元，年複合成長率高達 40%，由此可見 AIoT 仍然處於產品生命週期中的成長階段，是極具發展潛力的應用技術。

現今 AIoT 的運用大多以智慧城市、智慧醫療以及智慧工廠作為發展導向，透過人工智慧結合物聯網的技術，將來自終端的原始資料轉換為核心洞察，並且即時且自動地做出合適的回應，以提高機器的使用效率、降低資源的耗費，下述將以智慧城市作為範例，簡單介紹 AIoT 的實際應用。

智慧城市的出現是現代城市規劃與發展的里程碑，舉凡監控設備、智慧路燈、無人駕駛車以及 AR/VR 等設備都屬於智慧城市的範疇，而其中的關鍵是對於外部資訊收集與處理的即時性、精準的預測能力，以及藉由學習所具備的問題解決能力。

讓我們設想一個場景。在一個準備出門上班的早晨，來到了地下停車場坐上無人駕駛車，當車牌辨識系統感測到車輛離開，而自動以嵌入式語音系統做出「路上小心」的回應，接著在行駛的過程中，透過無人駕駛車的感知學習能力以及邊緣系統的應用，使其能夠精準且即時地針對路況做出判斷，達到降低交通事故發生的頻率，此外也能夠依照駕駛的個人偏好提供客製化的駕駛體驗。傍晚時分，透過道路兩旁智慧路燈的數據收集和學習能力，使其能夠自動地偵測光線明暗加以調整燈光亮度，再透過 AIoT 技術，針對交通流量執行進階分析，進而達到改善路況的效益。

此外，根據台灣證券交易所期刊指出，發展 AIoT 核心的競爭關鍵包含兩項因素：

1、軟體服務提供商建立邊緣及雲端運算的經濟規模

鑑於 AI 需要高效能的運算技術，因此，除了強化地端的邊緣運算，以擴大裝置連網數量外，傳輸資料到雲端的網路頻寬也是產業界密切關注的項目，透過分層運算間資料整合的可視化和即時性，提升 AIoT 的反應速度並且達到優化用戶體驗的效益。

2、硬體設備提供商擴大策略聯盟

透過跨產業之間的結盟，從 IoT 裝置應用端到雲端加以垂直整合，擴增設備多樣性以及地端部署數量，藉由整合上下游供應鏈和積極與國際接軌來強化競爭優勢，打造人工智慧物聯網的數位生態圈。

現今面臨的風險與挑戰

（Photo Source：Shutterstock）

透過 AIoT 的技術，智慧裝置的應用呈現指數型成長，使用者將最具價值的資料交付給裝置，使其具備智慧以貼近人類的需求，讓生活更加便利且更具效率。

然而，儘管在邊緣運算的應用下，降低了資料離開裝置、傳輸機密訊息到第三方控管雲端平台的數量，實現了透過晶片在裝置（終端）導入 AI 技術即可進行數據分析的能力，不過這並不意味著 AIoT 不需要雲端運算的技術。

相反的，是將雲端及邊緣運算加以整合成為彼此相輔相成的角色，邊緣運算運用 Remote Inference 的技術將其推論的資訊傳輸至雲端，進行相較複雜的運算，接著等待雲端運算完成後再將結果回傳至裝置執行指定，使 AIoT 得以靈活的處理各種狀況，不過一旦資料透過網路傳輸便會產生資安的風險，比如常見的分散式拒絕服務（DDoS）攻擊手法，透過盜用或控制多個合法使用者大量發送封包，以影響目標系統（裝置）的可用性，因此在運用 AIoT 技術時，如何結合邊緣運算的資料安全性以及雲端強大的運算能力和龐大的資料儲存空間，將會是 AIoT 在應用層面所面臨的運算準確度和資安風險之間的拉鋸戰。

未來發展趨勢：提升資源使用效率

（Photo Source：Shutterstock）

根據《台灣 2050 淨零排放路徑及策略總說明》中提及，2050 年前，台灣的目標為達成全面淨零碳排，主要聚焦於四大面項：能源、產業、生活以及社會轉型的實踐，透過 AIoT 結合人工智慧和物聯網的技術，在各產業中皆能夠使硬體設備藉由 AI 所賦予的能源控管能力來提升資源使用效率，像是讓物聯網的終端感測器收集裝置的碳排放量以進行後續追蹤，再透過人工智慧的技術進行數據分析，達到即時控管、減少碳排的綜效。

簡而言之，隨著永續發展的影響力日益增加，透過 AIoT 的技術應用，面對 2050 淨零碳排，企業除了可以大幅減少能源消耗以及溫室氣體的排放，也能積極展現風險控管能力，並強化長期發展的核心競爭力。（延伸閱讀：跟上世界的腳步！中小企業怎麼因應淨零碳排趨勢，無痛進行低碳轉型？）

隨著人工智慧以及物聯網的技術趨於成熟，整合兩項技術的 AIoT 也邁向剛性需求發展，透過邊緣運算及雲端運算的應用，實現裝置間更緊密的串連和即時的需求分析及回應，儘管在數位化的路程中會牽涉到攸關隱私的資安風險議題，但透過更多本地端的邊緣運算，將會降低經由網路傳輸所形成的資安疑慮，也讓 AIoT 成為開創智能生活新篇章不可或缺的核心技術。

除了 AIoT，人工智慧 ChatGPT 結合 Google 表單與試算表的結合功能，也為廣大的上班族帶來很高的便利性，省去處理重複性庶務的麻煩，學習最新的應用功能減輕工作量吧（延伸閱讀：ChatGPT 職場應用：Google Sheets & Docs 結合 AI 人工智能）

文／Vivi Peng｜COMMEET編輯群