高通、緯謙科技、戴爾科技專家拆解 Edge AI Agent 落地應用關鍵
日前由 TechOrange 科技報橘與美國高通公司（Qualcomm）共同主辦的「2026 AI 智慧大工廠論壇新竹場」，以「Edge AI Agent：高科技製造的超自動化與資安實戰」為主題，聚焦 AI 如何在工廠設備端即時執行決策，邀請高通、緯謙科技、戴爾科技和先構技研等產業專家，從晶片、IT 整合服務、基礎架構與產線視覺設備，解釋為何 AI 模型愈來愈強，工廠裡的 AI 卻常卡在 PoC，或是每做一個新應用就得從頭來過，AI 判斷出不良品，產線卻動不了的根本原因，並提出如何建構從邊緣推論到實體控制的完整生態，讓產線實現可信任、可規模化的自動化落地解方。
高通串聯運算、AI 與連網技術，加速 Edge AI 跨場域落地
高通行銷行政經理朱俊翰表示，AI 正從以雲端為主的運算模式逐步延伸終端與邊緣，從個人 AI、Physical AI 到工業場域應用，都顯示此一趨勢。隨著 AI 進入產線、感測器、機器人與各式 OT 設備，企業關注的重點不再只是模型能不能跑，而是能否讓邊緣 AI 真正進入現場流程，從單純執行推論，進一步走向情境理解、任務規劃與即時行動。
然而不同 AI 工作負載的需求並不相同。朱俊翰指出，大型模型與訓練通常適合放在雲端，但影像檢測、設備異常偵測、機器人控制或即時安全監控等需要即時判斷的推論工作則更重視延遲、資料掌控、資安、功耗與成本。為此，高通提出混合式 AI 架構，讓企業可依工作負載特性，將 AI 分配至雲端、本地邊緣與終端裝置執行，形成更具彈性與成本效率的分散式智慧架構。
更重要的是，當 AI 真正進入 OT 現場，價值不只來自單一模型或單一設備，而是來自整套系統能否持續運作。朱俊翰指出，高通從底層運算、AI 與連網技術出發，向上串接開發工具、軟體與端到端解決方案，並結合生態系夥伴把能力延伸到不同垂直場域，讓企業不必每次都從零開始整合，而能依實際需求客製化並加速導入。
進一步聚焦在「如何規模化」的問題上，高通業務經理王景儀認為，企業可以依工作負載、成本、功耗與未來擴充需求選擇適合的計算平台，無需一味追求最高 TOPS，才能讓投資報酬率更容易衡量。研華資深市場開發經理劉旭明從部署端指出，當規模從單機擴大至百台、千台，標準化硬體、I/O、作業系統與產品認證，能減少不同案場反覆整合的成本。磐石智慧科技執行副總張修誠表示，面對半導體、PCB、航太等高度客製化場域，可將演算法與 FPGA 影像處理能力封裝成可重複調用的標準函式庫，把一次性工程轉化為可複製資產。偲倢科技研發資深經理暨 AI 方案整合部技術總監陳柏龍則從 AI 應用端補充，視覺資料還能結合地端 LLM 與 RAG，把製造現場知識轉為可查詢、分析與持續運用的企業知識。從算力選型、標準化硬體、演算法工具化到製造知識資產化，工業邊緣 AI 跨越 PoC 鴻溝的關鍵，不只是把 AI「做出來」，而是讓每一層能力都能被穩定複製、持續維運並產生可衡量的商業價值。
緯謙科技為智慧工廠推進 AI 導入與落地
算力可以推到邊緣，企業本身也得做好準備。緯謙科技智慧製造處技術經理吳政舉表示，企業導入 AI 的路徑，從 PoC 到輔助判斷，最後才是可信執行。
吳政舉首先以工作內容切入，將工作拆成取得資料、理解問題、形成判斷、執行、追蹤成果五個步驟，再看哪些環節適合交給 AI，把流程理清楚，AI 才有介入的位置。另一方面，資料則是另一道關卡，吳政舉指出，若要讓 AI 直接串接 SAP、Oracle 或 MES、WMS 等核心系統，風險與負擔都很大，他建議先用 Excel 匯出資料模擬驗證可行性，再透過中介層分階段接入，讓 AI 從中介層取得資料。
為讓資料不外流，緯謙自建 WiKMS，聚焦於企業知識的整合與應用，透過大型語言模型（LLM）串聯分散於各系統與部門的內部資料，讓員工能以自然語言查找資訊並取得相關知識。
戴爾科技 DAP 平台打造 AI 數位工廠中控中心
「如果每次做新的 AI use case 都要從頭開始，絕對是快不起來。」戴爾科技集團資深業務協理吳靜怡指出，企業導入 AI 最大的卡關點，在於如何讓 AI 成果可重複、安全地交付。吳靜怡把 AI 成果比喻為一條供應鏈，企業的 AI Factory 就像一座數位工廠，因此基礎架構必須模組化，從小規模開始逐步擴充，才能從工作站上的 PoC，一路擴展到資料中心或邊緣端的 GPU 伺服器。
而 Dell Automation Platform（DAP）就是這座數位工廠的中控中心，位在 AI 應用與硬體基礎架構之間，扮演自動化控制層，往上負責代理型 AI、電腦視覺等 AI 工作流程的部署與管理，往下協調伺服器、網路與儲存等設備，目標是縮短部署時間，把原本需要人工處理的作業降到最低。
吳靜怡表示，其中的關鍵在「藍圖」，企業內的 AI 專家或開發人員，可以把部署 AI 成果的經驗寫成標準化的部署檔，放進企業的成果目錄，讓這份目錄就像一份菜單，其他人只要點選，就能把同一套 AI 成果自動部署到機房或邊緣設備上，這個集中管理藍圖也解決了版本控管的難題，讓企業在不同地方建廠時，能夠使用同一套流程集中管理，並由開發者負責維護，讓企業擁有可用且可擴充的 AI 成果。
先構技研從單機智慧走向自主運作機隊
「AI 如此強大，為什麼 90% 的工廠部署會失敗？」先構技研總經理陳昱均從中歸納出三個原因。第一，AI 看得到卻動不了，只能在螢幕上顯示檢測結果是良品（OK）還是不良品（NG），卻缺乏能觸發停機、剔除或警報的實體 I/O。第二，系統太僵化，產線稍有變動，就得花數週請系統整合商修改控制機台的 PLC 程式。第三，門檻太高，需要熟悉 Python 程式與 YOLO 影像辨識模型的 AI 工程師，而這類人才製造業往往找不到、也養不起。
陳昱均指出先構技研的解方是 AI Action Camera。相機內建高通晶片的 AI 運算能力，拍下產線影像後，直接在相機裡以毫秒級判斷良品或不良品，判斷結果再透過相機上的實體 I/O 接點轉成訊號，直接驅動繼電器、警示燈與氣壓缸，執行分類、剔除、停機或警報等動作，這套做法不需要改寫原本控制機台的 PLC 程式，也不會動到既有產線的設定。產線人員也不用寫程式，就能自行擷取影像，並標出瑕疵、訓練模型，再設定判斷結果要觸發哪個動作。
Edge AI 落地，真正的考驗在於跨過「信任」這道門檻，現階段多數應用仍由人做最後判斷，若要讓 AI 自主執行，企業需要先釐清邊界與權限該怎麼設。Edge AI 下一階段的規模化部署會走向人機與多機協作，人負責管理機隊、監控整體營運流程，機器人則透過通訊協作，整合現場裝置的即時資料形成閉環，持續強化學習、自我優化，Edge AI 將從單機的智慧，進階到機隊的協作，最後走向一個自主運作的流程。