最新消息
2026.10.29
人工智慧從影像辨識、內容生成，逐步延伸至跨系統任務處理與實體設備運作。對企業而言，導入 AI 的第一步，是釐清希望解決什麼問題，以及需要哪些能力。
AI 可依能力、技術與部署方式進行不同分類。本文聚焦企業應用，從感知型 AI、生成式 AI、代理型 AI 與實體 AI 四個方向，介紹其功能、差異及整合方式，四者可相互結合，並非互斥的分類，也不代表企業必須依序導入。
感知型 AI：辨識與理解資訊
感知型 AI（Perception AI）透過影像、聲音及感測器訊號，辨識外部環境中的物件、狀態或事件。例如從攝影機畫面辨識人車、從設備聲音分析異常，或結合多種感測資訊判斷現場狀況。
其中，視覺 AI（Vision AI）是感知型 AI 的重要領域，著重圖片與影片的分析。在企業場域中，可應用於人車辨識、火煙偵測、產品瑕疵檢查及貨架狀態辨識；結合視覺語言模型（VLM），則可進一步支援畫面描述與自然語言影像查詢。
企業可運用這些能力減少人工巡查與影像查找負擔，協助掌握異常狀況。不過，單純接收或顯示感測器數值，並不代表已使用 AI，仍須看系統是否具備辨識、分析或推論能力。
生成式 AI：彙整資料並產出內容
生成式 AI（Generative AI）能依據輸入資訊產生文字、圖片、音訊或程式碼等內容。在企業應用中，常見用途包括文件摘要、會議紀錄、報表草稿及知識問答。
例如，將營運報表、客服紀錄與會議內容整理成重點摘要，或依企業內部文件回答產品規格、作業規範及維護流程等問題。透過檢索增強生成（RAG），系統可先查找相關資料，再據此產生回答，提升內容與企業知識的關聯性。
生成式 AI 能降低資訊整理與內容撰寫的負擔，但產出仍可能出現錯誤或遺漏。因此，重要內容應保留資料來源，並搭配權限管理及人工核對。
代理型 AI：依目標串聯工具與處理任務
代理型 AI（Agentic AI）著重依據目標規劃步驟、使用工具，並根據執行結果調整後續行動。它通常結合語言模型、資料檢索、外部工具與記憶等能力，處理需要多個步驟才能完成的任務。
以企業營運為例，管理者提出「整理本週尚未結案的異常事件」後，系統可依授權查詢事件紀錄、比對處理狀態、彙整待辦事項，再產生通知草稿，經確認後發送給負責人。
代理型 AI 的重點，在於能否依任務調用適當工具、追蹤結果與處理例外。因此，具備對話介面的 AI 助理，不一定具有代理型能力；固定條件觸發的自動化流程，也不一定屬於代理型 AI。
實體 AI：結合環境判斷與實體動作
實體 AI（Physical AI，也稱物理 AI）結合環境感知、推理、規劃與控制，讓機器能在真實世界中執行動作，常見應用包括機器人、自主移動設備與自駕系統。
例如，倉儲機器人需要辨識貨架與障礙物、規劃移動路線，並依現場變化調整動作；機械手臂則可能透過視覺判斷物件位置，再完成抓取與放置。
實體 AI 涉及設備與環境的直接互動，因此除了模型能力，也須考量控制精度、反應時間、人員安全及異常停止機制。一般的遠端設備開關或固定規則聯動，不宜直接等同於實體 AI。
四大 AI 如何協同運作？
以工廠設備異常為例，感知型 AI 可從影像或聲音辨識異常狀態；生成式 AI 可彙整事件紀錄與維修文件，產出狀況摘要；代理型 AI 可依授權查詢維修工單、確認負責人並安排通知。若需要機器人前往現場檢查，則涉及實體 AI 的感知、導航與動作控制。
企業可先從明確的管理問題切入，選擇需要的能力。例如，資訊查找耗時，可優先導入搜尋與知識問答；跨系統作業繁複，可評估代理型 AI；需要設備自主作業時，再進一步規劃實體 AI。
雲端、地端與邊緣 AI 有什麼不同?
四大 AI 應用方向說明的是「AI 能做什麼」，雲端、地端與邊緣部署則說明「AI 在哪裡運算」。
雲端 AI 使用雲端運算資源；地端 AI 部署於企業自有或管理的環境；邊緣 AI 則將運算配置在接近資料來源的位置，例如現場伺服器、閘道器或智慧設備。這些概念也可能重疊，例如企業廠區內的伺服器，可以同時具備地端與邊緣部署特性。
感知型、生成式或代理型 AI，都可依需求採用不同部署方式，企業應綜合考量資料隱私、反應時間、網路條件、運算容量及維運成本，選擇合適的架構。
Spark 如何協助企業落地 AI 應用？
Spark 以 Argo AI VMS 串聯影像、IoT 與企業資料，依場域需求整合視覺分析、VLM、生成式 AI 及企業 AI Agent，支援現場資訊查詢、事件彙整與管理流程整合。
在部署架構上，Spark 可依需求搭配邊緣 AI 與地端 AI，將影像分析及推論運算配置於接近資料來源的現場設備，或企業自有的伺服器環境，兼顧即時反應、資料自主掌握與既有系統整合，並降低對外部網路的依賴。
針對後續實體 AI 應用，則可依設備能力、控制介面與安全要求，評估機器、無人機人及控制系統的整合可行性。透過分階段導入與場域驗證，協助企業將 AI 能力對應實際工作需求，逐步建立可持續擴展的智慧應用架構。
人工智慧從影像辨識、內容生成，逐步延伸至跨系統任務處理與實體設備運作。對企業而言，導入 AI 的第一步，是釐清希望解決什麼問題，以及需要哪些能力。
AI 可依能力、技術與部署方式進行不同分類。本文聚焦企業應用，從感知型 AI、生成式 AI、代理型 AI 與實體 AI 四個方向，介紹其功能、差異及整合方式，四者可相互結合，並非互斥的分類，也不代表企業必須依序導入。
感知型 AI：辨識與理解資訊
感知型 AI（Perception AI）透過影像、聲音及感測器訊號，辨識外部環境中的物件、狀態或事件。例如從攝影機畫面辨識人車、從設備聲音分析異常，或結合多種感測資訊判斷現場狀況。
其中，視覺 AI（Vision AI）是感知型 AI 的重要領域，著重圖片與影片的分析。在企業場域中，可應用於人車辨識、火煙偵測、產品瑕疵檢查及貨架狀態辨識；結合視覺語言模型（VLM），則可進一步支援畫面描述與自然語言影像查詢。
企業可運用這些能力減少人工巡查與影像查找負擔，協助掌握異常狀況。不過，單純接收或顯示感測器數值，並不代表已使用 AI，仍須看系統是否具備辨識、分析或推論能力。
生成式 AI：彙整資料並產出內容
生成式 AI（Generative AI）能依據輸入資訊產生文字、圖片、音訊或程式碼等內容。在企業應用中，常見用途包括文件摘要、會議紀錄、報表草稿及知識問答。
例如，將營運報表、客服紀錄與會議內容整理成重點摘要，或依企業內部文件回答產品規格、作業規範及維護流程等問題。透過檢索增強生成（RAG），系統可先查找相關資料，再據此產生回答，提升內容與企業知識的關聯性。
生成式 AI 能降低資訊整理與內容撰寫的負擔，但產出仍可能出現錯誤或遺漏。因此，重要內容應保留資料來源，並搭配權限管理及人工核對。
代理型 AI：依目標串聯工具與處理任務
代理型 AI（Agentic AI）著重依據目標規劃步驟、使用工具，並根據執行結果調整後續行動。它通常結合語言模型、資料檢索、外部工具與記憶等能力，處理需要多個步驟才能完成的任務。
以企業營運為例，管理者提出「整理本週尚未結案的異常事件」後，系統可依授權查詢事件紀錄、比對處理狀態、彙整待辦事項，再產生通知草稿，經確認後發送給負責人。
代理型 AI 的重點，在於能否依任務調用適當工具、追蹤結果與處理例外。因此，具備對話介面的 AI 助理，不一定具有代理型能力；固定條件觸發的自動化流程，也不一定屬於代理型 AI。
實體 AI：結合環境判斷與實體動作
實體 AI（Physical AI，也稱物理 AI）結合環境感知、推理、規劃與控制，讓機器能在真實世界中執行動作，常見應用包括機器人、自主移動設備與自駕系統。
例如，倉儲機器人需要辨識貨架與障礙物、規劃移動路線，並依現場變化調整動作；機械手臂則可能透過視覺判斷物件位置，再完成抓取與放置。
實體 AI 涉及設備與環境的直接互動，因此除了模型能力，也須考量控制精度、反應時間、人員安全及異常停止機制。一般的遠端設備開關或固定規則聯動，不宜直接等同於實體 AI。
四大 AI 如何協同運作？
以工廠設備異常為例，感知型 AI 可從影像或聲音辨識異常狀態；生成式 AI 可彙整事件紀錄與維修文件，產出狀況摘要；代理型 AI 可依授權查詢維修工單、確認負責人並安排通知。若需要機器人前往現場檢查，則涉及實體 AI 的感知、導航與動作控制。
企業可先從明確的管理問題切入，選擇需要的能力。例如，資訊查找耗時，可優先導入搜尋與知識問答；跨系統作業繁複，可評估代理型 AI；需要設備自主作業時，再進一步規劃實體 AI。
雲端、地端與邊緣 AI 有什麼不同?
四大 AI 應用方向說明的是「AI 能做什麼」，雲端、地端與邊緣部署則說明「AI 在哪裡運算」。
雲端 AI 使用雲端運算資源；地端 AI 部署於企業自有或管理的環境；邊緣 AI 則將運算配置在接近資料來源的位置，例如現場伺服器、閘道器或智慧設備。這些概念也可能重疊，例如企業廠區內的伺服器，可以同時具備地端與邊緣部署特性。
感知型、生成式或代理型 AI，都可依需求採用不同部署方式，企業應綜合考量資料隱私、反應時間、網路條件、運算容量及維運成本，選擇合適的架構。
Spark 如何協助企業落地 AI 應用？
Spark 以 Argo AI VMS 串聯影像、IoT 與企業資料，依場域需求整合視覺分析、VLM、生成式 AI 及企業 AI Agent，支援現場資訊查詢、事件彙整與管理流程整合。
在部署架構上，Spark 可依需求搭配邊緣 AI 與地端 AI，將影像分析及推論運算配置於接近資料來源的現場設備，或企業自有的伺服器環境，兼顧即時反應、資料自主掌握與既有系統整合，並降低對外部網路的依賴。
針對後續實體 AI 應用，則可依設備能力、控制介面與安全要求，評估機器、無人機人及控制系統的整合可行性。透過分階段導入與場域驗證，協助企業將 AI 能力對應實際工作需求，逐步建立可持續擴展的智慧應用架構。