 |
撰文者：王斌育
在數位轉型如火如荼的時代，企業面臨的最大挑戰已不再是「是否蒐集數據」，而是「如何處理這些數據」。物聯網（IoT）設備的大量普及，讓各產業從製造、零售、醫療到城市治理，紛紛成為資料產出的節點，這些來自感測器、穿戴裝置、物流追蹤器等設備所產生的資訊，是持續性、即時性與非結構性的。而傳統的雲端集中處理模式，在面對每秒上千筆的資料湧入時，逐漸顯得吃力，由於網路延遲拉長了反應時間、頻寬壓力導致成本升高，更無法應對對「即時性」要求極高的商業情境，使得「讓運算靠近資料源」的邊緣運算架構，成為IoT時代下的關鍵管理策略。
圖片來源：Canva。 |
為何「靠近」是必要選擇？
邊緣運算（Edge Computing）強調的是「運算下放」，即讓資料的初步篩選、分析、決策都在靠近資料產生處的邊緣設備上完成，而非一律上傳至雲端伺服器。此設計不僅能大幅降低延遲時間，也能減少對頻寬的依賴，更保護資料隱私（尤其在醫療、金融等敏感場域）。例如自駕車在行駛過程中需即時處理路況影像與行人偵測，如果運算必須依賴遠端伺服器，延遲數百毫秒就可能導致嚴重後果；而在車載系統中即時處理決策，就能實現毫秒級的反應，保障行車安全。
企業導入邊緣運算後，也更能掌握營運的「時間差優勢」。例如在製造業中，一台機械手臂的震動頻率異常若能即時被邊緣AI辨識為維修前兆，就能避免生產線無預警停擺的風險，這樣的即時性在集中處理的傳統架構中往往難以實現。
Amazon 如何將「智慧」落實在供應鏈中？
談及AI輔助企業決策，Amazon的實作經驗堪稱產業範例，Amazon供應鏈運作依賴三個層次的技術整合：第一層是IoT裝置，如倉儲內的掃描機器人與溫度感測器；第二層是邊緣運算節點，即時判讀在地資訊；第三層則是AI模型，整合歷史資料與即時數據，產出預測與決策建議。Amazon利用這些模型預測未來一段時間內最可能熱賣的商品，並根據使用者行為與季節性趨勢將商品提前調度至鄰近倉庫，甚至可在用戶尚未下單前，已完成商品配送準備。這項策略稱為「預測性發貨」（Predictive Shipping），其核心在於AI對需求變化的高度敏銳與快速反應能力。
AI並不只輔助物流層面，Amazon更將其應用於產品設計與客戶體驗。例如透過機器學習模型分析用戶在搜尋與瀏覽時的微行為，來調整首頁的商品排序與推薦，這些即時分析需要邊緣與雲端的分工合作，在用戶操作時即刻呈現，創造出個人化且動態變化的購物旅程。
智慧工廠中的預測維修新常態
AI結合邊緣運算不只讓零售供應鏈受益，也重塑了製造業的營運邏輯。在西門子（Siemens）的智慧工廠中，生產設備布建數百個IoT感測器，持續監控溫度、壓力、能耗與震動頻率等指標，並由工廠現場的邊緣節點即時執行AI模型。這些模型透過異常偵測演算法，判斷設備是否有故障前兆，一旦偵測到可能異常，系統會自動派發維修工單，並規劃最小化停工的維修時機，過去需仰賴經驗判斷的機器維護，如今轉化為數據驅動的預測機制，不僅降低維修成本，也提升了整體營運效率。根據McKinsey（2022）的研究，導入AI預測維修的企業其設備維修成本平均可降低25%，而停機時間則減少超過40%，成效來自於即時資料的掌握與AI模型持續優化的能力，而這正是靠近資料源運算的實際價值。
從數據到洞察：AI 的決策輔助價值
AI的價值並非止步於數據處理，它的核心意義在於轉化：將無結構的、龐大的資料轉化為「可以行動的洞察」。過去企業依賴主管經驗與報表分析來做決策，今日則可借助AI模型在數秒內模擬多種情境，評估各種可能性與風險，並即時回饋。Walmart利用AI進行商品組合優化與庫存預測，模型每日分析數千萬筆POS資料、天氣預報、地區性活動等外部變數，以預測特定地區的銷售量變化，不僅協助採購部門降低庫存積壓，也幫助物流部門調度資源，提升整體供應鏈彈性，此決策過程是動態的、即時的，也無法僅靠人工判斷完成。
AI也正在參與「策略層級」的決策建構，例如新創公司C3.ai提供大型企業如Shell與空中巴士等AI平台，協助執行資產優化、能源效率評估與市場風險模擬，除了提供單一部門的分析工具，更串聯跨部門資料，從營運層一直延伸至策略制定層級，讓AI成為高階決策的參與者。
技術背後的管理挑戰與文化轉變
然而邊緣運算與AI導入並非技術問題而已，更是管理與文化的挑戰，企業必須面對幾個現實難題：如何確保資料品質與即時性？如何建立AI模型的信任？如何讓前線員工理解並接受系統建議而非質疑它？這些挑戰如同當年導入ERP系統時遇到的阻力一樣，需要「技術與人」的雙向轉型。
管理階層須重新定義「決策權」的邊界。在AI高度參與決策過程的今日，領導者的角色不再只是指令下達者，而更像是「模型的引導者」，需了解AI如何運作、其限制為何，並在關鍵時刻做出最終判斷。
IoT與AI的結合，正在定義新一代企業決策模式，在資訊爆炸與速度為王的時代，運算靠近資料源不再是技術選項，而是企業競爭的必要條件，AI則成為從數據中提煉洞見的智慧引擎，使得企業不再只是「數據收集者」，而是「數據決策者」。
參考資料
C3.ai (2023). C3 AI announces fiscal fourth quarter and full year fiscal 2023 financial results. https://ir.c3.ai/news-releases/news-release-details/c3-ai-announces-fiscal-fourth-quarter-and-full-year-fiscal-2023
McKinsey & Company (2022, December 6). The state of AI in 2022 —and a half decade in review. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-in-2022-and-a-half-decade-in-review
Andrew Brown，Strategy Analytics (2021年03月03日)。迎接終端AI新時代：讓運算更靠近資料所在。https://www.eettaiwan.com/20210303nt31-the-dawn-of-endpoint-ai-bringing-compute-closer-to-data/
林穎芬、單嘉露（2023）。數位漩渦：台灣與全球趨勢。資策會產業情報研究所。
*本文由國科會人文社會科學研究中心補助