最近幾年，AI 幾乎無所不在。

• ChatGPT 能寫文章、寫程式
• AI 能生成圖片與影片
• AI 結合 Camera，可以做到影像辨識
• Edge Device 開始具備 GPU、NPU 等 AI 運算能力

當副總說：

「Vicky 也來做一個 Edge AI Product 吧！」

很多工程師的第一個反應可能是：

「好，那我們來跑 YOLO。」

但我認為，真正該問的問題是：

為什麼？

一、AI 很酷，但客戶不一定需要 AI

技術團隊習慣從技術出發：

• 我們有 NPU
• 我們可以跑 YOLO
• 我們能做到 30 FPS
• 我們支援多路 Camera

這些都很厲害。

但客戶通常只會問：

「所以呢？」

因為客戶購買的從來不是 YOLO，也不是 NPU。

客戶真正願意付費解決的是：

• 需要有人長時間監看監控畫面
• 異常事件無法即時發現
• 人工巡檢成本過高
• 確認設備狀態需要投入大量人力
• 多個廠區的 Edge Device 難以集中管理
• AI 可以運作，但後續部署與維護成本太高

因此，真正的問題不是：

「我們能不能做 AI？」

而是：

「AI 能不能幫客戶解決一個值得花錢解決的問題？」

這也是 AI Product Manager 與一般 PM 工作中，很重要的一個差異：不只思考技術能做什麼，更要思考客戶為什麼需要它。

二、AI Model 只是開始

這次的目標，不是做一個看起來很酷的 AI Demo。

而是完成一個真正能運作、能持續擴充，並且有機會走向產品化的 Edge AI Product。

整體流程可以先想成這樣：

Camera
   ↓
AI Detection
   ↓
Rule Engine
   ↓
Event
   ↓
Alert
   ↓
Edge AI Application
   ↓
Container
   ↓
AI Agent

目標是讓 Edge Device 不只是收集資料，而是能夠：

看懂現場發生什麼事情，並且採取對應行動。

當 AI 開始理解場景、判斷事件，並且觸發後續動作時，它才有機會從單純的 AI Capability，走向真正的 Product Capability。

三、從一個簡單場景開始

假設工廠有一個區域：

未授權人員禁止進入。

傳統的監控流程大致如下：

Camera
   ↓
監控中心
   ↓
Operator 觀看畫面
   ↓
發現異常
   ↓
通知相關人員

當只有一、兩支 Camera 時，這樣的方式或許還可行。

但如果有：

• 10 支 Camera
• 50 支 Camera
• 100 支 Camera

真的有人能夠 24 小時持續盯著所有畫面嗎？

這正是 AI 開始產生價值的地方。

不過，AI 的價值並不只是辨識畫面裡有沒有人，而是能不能進一步判斷：現在發生的事情，是否需要有人採取行動？

四、AI 的價值不在 Detection，而在 Event

我希望把原本的流程，轉換成：

Camera
   ↓
Person Detection
   ↓
禁止區域判斷
   ↓
Intrusion Event
   ↓
Alert
   ↓
Recording（事件前後 N 秒）
   ↓
Notification
   ├── SMS
   └── Email

這裡的重點已經不是：

「AI 辨識到一個人。」

而是：

「AI 發現了一個需要處理的事件。」

兩者的差異很大。

AI Capability：辨識出人

Person = 95%

這只是模型的辨識結果，代表模型對某個偵測結果給出的信心分數；它本身不代表入侵事件已經成立。

Product Capability：判斷是否發生入侵

Person Detection
       +
Restricted Area
       +
Business Rule
       ↓
Intrusion Event
       ↓
Alert / Recording / Notification

當系統把 AI 偵測結果、區域條件與業務規則結合起來，才能進一步產生具有業務意義的事件。

當然，真正的產品還需要處理誤報、重複事件、區域設定、通知失敗等情況。

但從產品設計的角度來看，這就是一個重要的轉變：

從「辨識到了什麼」，走向「接下來應該做什麼」。

五、真正困難的，從來不只是 Model

假設現在已經有一台設備成功跑起來。

AI 可以辨識人員，也可以在觸發條件成立時產生事件。

接下來，客戶一定會問：

• 我有 100 台設備，怎麼辦？
• AI Model 怎麼更新？
• Application 怎麼更新？
• 哪些設備離線了？
• 目前跑的是哪個版本？
• 如何新增新的 AI Scenario？

這時候你會發現：

AI Model 只是開始。

真正困難的是，如何把 AI 變成一個能夠部署、管理、維護與擴充的產品。

這也是為什麼有些 AI PoC 即使成功，仍然無法直接商品化。

因為單台設備跑得動，只證明了某個技術組合在特定條件下可行；要讓產品真正交付給客戶，還需要考慮部署效率、版本管理、設備狀態、故障處理與後續維護。

這些問題，不會因為 Model 的 FPS 很高就自動消失。

六、這 30 天，我會做什麼？

接下來，我會用 TPM（Technical Product Manager）的視角，完整走一次 Edge AI Product 的 0 → 1 Journey。

Product｜先定義要解決的問題

• Problem Definition
• User Analysis
• Use Case Selection
• Product Vision
• PRD Design

Engineering｜驗證技術是否可行

• AI Model Selection
• Why Edge AI?
• CPU / GPU / NPU Evaluation
• QCS6490 Performance Validation
• YOLO + GStreamer + NPU Integration

Productization｜讓技術走向可交付的產品

• Detection → Event
• Event → Action
• Edge AI Application Design
• Containerization
• Large-scale Deployment

AI Agent & Operations｜思考如何管理與擴充

• Edge Device Management
• AI Workflow Automation
• Agent-based Operations

Business｜最後回到商業價值

• ROI
• Deployment Cost
• Maintenance Cost
• Business Value

這不會只是一系列介紹 AI 技術的文章，而是記錄一個 PM 如何從客戶問題出發，逐步走過技術驗證、應用整合，再思考產品化與商業價值。

今天沒有寫任何一行 AI Code。

沒有 YOLO。

沒有 NPU。

甚至還沒有開始做 PoC。

但我認為，這反而是最重要的一天。

因為一個 AI Product 的第一行程式碼，往往不是程式碼。

而是先回答：

「我們到底在幫誰解決什麼問題？」

當這個問題回答清楚了，AI 才有機會從一個 Demo，變成一個真正能創造價值的 Product。