隨著 AI 逐步從雲端走進產線、機器人、AI Gateway 與各式邊緣設備，智慧製造現場對即時運算、低功耗與AI推論的需求也日益升高。TechOrange 科技報橘日前與美國高通公司（Qualcomm）共同主辦「2026 AI 智慧大工廠」新竹場論壇，邀集業界專家從晶片平台、工業電腦到設備與 AI 應用現場，探討工業邊緣 AI 如何跨越 POC 鴻溝，走向規模化部署。
高通行銷行政經理朱俊翰以「工業 AI 的變革：從雲端走向智慧邊緣」為題指出，對企業而言，AI 化的下一階段，關鍵不只是模型效能，而取決於如何把感測、推論、控制與自主決策整合到實際營運現場，讓設備可以更即時回應，也讓 AI 更貼近真實場域需求。有鑑於眾多台灣中小企業既有的營運、設備與開發環境長期建立在 Windows 生態系上，因此，如果能沿用現有系統架構與開發工具加以導入並與設備、應用及工作流程銜接，將可望大大協助企業加速智慧化應用部署與規模化發展。
作為長期投入邊緣 AI 技術發展的企業之一，高通所推動的混合式 AI 架構，能依照模型大小、延遲、資料隱私、資安、功耗與成本等需求，將智慧製造領域中不同的 AI 工作負載分配至雲端、本地邊緣、網路邊緣與終端裝置。將能大幅降低開發複雜度、加速從原型走向量產，有效協助企業全面掌握即時性、資料隱私安全、營運成本與部署彈性。
從 Windows 生態系出發，降低工業邊緣 AI 導入門檻
朱俊翰表示，高通近年以 Qualcomm Dragonwing™ 平台為核心持續深化 Windows 運算平台佈局，將 Windows 生態系延伸至工業邊緣運算場域。開發者與企業可沿用熟悉的 Windows 開發工具、應用框架與既有軟體，透過底層運算、AI 與連網技術，向上可串接開發工具、軟體與端到端解決方案，在 Qualcomm® AI Hub、Arduino、Edge Impulse 等開發資源與多作業系統的支援，將 AI 導入工業電腦、HMI、邊緣控制器等裝置，加速企業運用既有的 IT 與 OT 架構就能順利邁向智慧化升級。
然而，走向實際量產與規模化部署，不能只依賴單一晶片或單一設備的升級，關鍵還需要完整的生態系支援。朱俊翰強調，「當 AI 進入工廠、電網、賣場與機器人，沒有任何一家公司能單打獨鬥。很多產業的解決方案不會只單靠晶片就可以完成，而是需要與我們的合作夥伴，共同提出適合的解決方案。」因此，生態系中不同的角色能否順利銜接的問題，顯得格外關鍵。
在以「加速工業邊緣 AI：從策略布局邁向規模化應用」為主題的焦點對談中，高通業務經理王景儀、研華資深市場開發經理劉旭明、磐石智慧科技執行副總張修誠博士、偲倢科技研發資深經理暨 AI 方案整合部技術總監陳柏龍等四位專家，分別從算力選型、工業級硬體、演算法工具化、製造 Know-how 系統化等不同環節，進一步分享生態系夥伴的實戰經驗。
打破 TOPS 迷思，從算力選型到硬體大量部署先算清 ROI
高通業務經理王景儀觀察，工程師在 POC 階段常用數百 TOPS（Trillions of Operations Per Second，每秒兆次運算）以上的算力快速完成驗證，但同樣的配置一旦規模化，成本、功耗與維護負擔也會同步放大。研華資深市場開發經理劉旭明也指出，「費用會是第一個考量，POC 階段你可以用手邊各種資源盡可能做最快、最方便；但當規模來到 100 台、1,000 台時，你要怎麼去做？」
由於硬體選型會直接影響投資報酬率（ROI），王景儀認為，依照實際需求配置算力，並保留後續升級空間，能讓成本回收更容易估算。硬體之外，劉旭明也補充企業多年累積的軟體資產能否沿用，同樣會牽動整體成本。為此，Qualcomm Dragonwing™ 平台支援 Windows、Linux 與 Ubuntu 等多元作業系統，企業可以將既有軟體「無痛移植」至低功耗邊緣設備上，不必砍掉重練。 面對大規模部署，研華針對工業現場的各式 I/O 需求，將 Dragonwing IQ6 與 IQ9 系列等不同算力等級的晶片封裝成標準化硬體，並預先完成作業系統與產品認證，降低系統整合商在作業現場重複處理底層硬體與認證問題的負擔。劉旭明建議，對預算有限的中小型企業而言，不必一開始就投入最高規格，而應在效能、成本與利潤空間之間取得平衡。
從客製演算法到製造 Know-how，把單點能力變成可複製資產
工業邊緣 AI 從 POC 走向規模化，也仰賴生態系夥伴之間能否快速對接實際場域需求。磐石智慧科技執行副總張修誠分享，曾有航太設備客戶要求硬體功耗低於 50W，並須確保長期供貨，磐石經研華推薦後採用高通平台，省下自行反覆測試不同硬體方案的時間。
另一個規模化難題是軟體與演算法的客製成本。半導體、PCB、航太等場域需求差異非常大，如果每個專案都要重新訓練與維護，一次性工程成本（NRE）便會持續增高。張修誠表示，藉由將演算法與 FPGA 影像處理 IP 封裝成「標準函式庫（Library）」，把原本跟著專案走的客製能力轉換成可重複調用的標準工具，不僅可降低每次重新開發的成本，也有利於規模化部署，「把演算法工具化，軟體才不會變成免費又沉重的負擔。」
偲倢科技研發資深經理暨 AI 方案整合部技術總監陳柏龍從工廠應用 AI 視覺的角度切入說明，視覺數據如何結合地端 LLM 與 RAG 知識庫，逐步將製造現場累積的 Know-how 系統化，變成 AI 可以查詢、分析與重複運用的知識。利用地端 LLM 分析良率波動的歷史資料，能進一步發現波動集中在某些特定時段，俾使人員回頭檢查製程條件。至於企業常擔心的導入門檻過高的問題，陳柏龍比喻，「教地端大模型，就像在教工廠的新進員工；你怎麼教新員工，就怎麼教 LLM。」
從算力選型、工業級硬體、演算法工具化，到製造 Know-how 的系統化，工業邊緣 AI 要跨越 POC 鴻溝，關鍵在於能穩定複製每個環節，並支撐整體 ROI。「生態系的核心價值就在於選擇性，」高通業務經理王景儀表示，藉由硬體、軟體與系統整合夥伴攜手，就能共同讓邊緣 AI 從「做得出來」走向「規模化商轉」。
