30 天前，我開始寫這個系列時，想記錄的是一個 AI PM 如何從 0 到 1 打造 Edge AI Product。

但如果要問我，這 30 天最值得記錄的是什麼，我想不是某一個 Model，也不是 QCS6490 的 NPU 跑出了多少 FPS。

而是我們真的把 AI 帶進了一個實際的場景。

一、從一個想法，到四樓機房的實際驗證

我們最初面對的問題其實很單純。

機房需要安全監控與維運管理，但如果只靠人工巡檢或傳統影像監控，就很難直接從影像中判斷人員正在做什麼，以及是否出現異常行為。

我們希望 AI 不只是辨識畫面裡有沒有人，而是進一步理解場景、判斷事件，讓影像能真正協助現場管理。

於是，我們選擇四樓機房作為 PoC 場域，設計 AI Scenario Script，將想法轉換成可以實際執行與驗證的測試情境。

最後，我們完成了六項關鍵情境的驗證。

• S1｜入侵行為偵測： 入侵者開門進入機房。
• S2｜Panel 操作偵測： 入侵者開門後觸碰操作面板。
• S3｜配電盤操作偵測： 入侵者觸碰配電盤或 Switchboard。
• S4｜未穿 Vest 偵測： 巡檢人員未穿著反光背心便進行設備操作。
• S5｜未戴 Helmet 偵測： 巡檢人員未戴安全帽便進行設備操作。
• S6｜正常巡檢辨識： 巡檢人員穿戴完整 PPE，依正常流程操作設備。

這六個情境不只是六段 Demo 影片，而是我們把機房的安全監控與維運需求，轉換成可重複執行的測試腳本，並透過實際場景確認系統的運作情況。

對我來說，這是很重要的一步。

因為 AI 不再只是簡報裡的一個模型，也不只是畫面上出現一個 Bounding Box，而是開始與具體的工作情境、事件判斷及管理需求連接起來。

二、這背後，不只是把 Model 跑起來

這個 PoC 真正花時間的地方，其實不只是 AI Detection。

我們必須把影像來源、Video Pipeline、Model Inference、NPU 加速、偵測條件、Geofence、Event Trigger，以及後續的應用流程串接起來。

在 Qualcomm QCS6490 上，我們也實際面對了 Model、Runtime、硬體加速與系統整合之間的各種問題。

我們曾經測到 CPU 上的 PyTorch 推論約 2.7 FPS，也驗證過 GStreamer 搭配 NPU 加速後，推論效能可以達到約 31 FPS。

但我們也逐漸理解，單次推論的 FPS 並不等於整個產品的 End-to-End 效能；Model 可以執行，也不代表整個系統就具備產品化所需的穩定性、相容性與維運能力。

這些經驗讓我明白，Edge AI 的挑戰從來不是單純地把 AI Model 放上設備。

真正的挑戰，是讓 AI、影像串流、硬體資源、應用程式與事件流程能夠協同運作。

而這些問題，必須在真正動手做之後，才會一個一個浮現。

三、只有一位 PM、一位工程師，我們怎麼完成這件事？

我們沒有一個龐大的 AI 團隊，也沒有無限的開發資源。

在這個階段，我必須同時思考客戶問題、Use Case、PRD、功能優先順序、技術可行性與後續產品化方向。

工程師則需要在有限的時間內，處理 Model 整合、Qualcomm 軟硬體環境、影像串流與應用開發。

我們沒有辦法一次完成所有 Model、所有硬體平台，也不可能在短短幾個月內，把完整的企業級管理與維運平台全部建好。

所以，我們先聚焦在一個明確的目標：

選擇一個真正的場景，把核心流程做出來，再用實際測試確認它是否可行。

這也是為什麼我會一直強調 Must Have、Should Have 與 Could Have。

小團隊的價值，不是什麼都做，而是知道現階段最應該先完成什麼。

對 PM 來說，最重要的工作之一，就是讓有限的工程資源，投入最能驗證產品價值的地方。

四、30 天之後，我對 Edge AI Product 有了不同的理解

一開始，我可能會把重點放在 AI Model 能不能跑、NPU 能不能加速，以及功能能不能完成。

但經過這個專案，我更清楚地看到，一個 Edge AI Product 至少需要跨過幾個階段：

從 Customer Problem 開始，定義 Use Case；從 PoC 驗證技術可行性；再把 Model、Runtime、Video Pipeline 與 Application 整合起來；接著思考 Model Registry、版本管理、部署、穩定性與客戶操作體驗。

這些工作並不是在 Demo 完成之後才突然出現。

它們其實從第一天開始，就應該是產品設計的一部分。

我們目前完成的是一個可以在實際場域驗證的 Edge AI PoC，以及六項機房巡檢關鍵情境的實測驗證。這不代表所有誤報率、長時間穩定性、不同設備相容性與企業級維運需求都已經完成驗證。

但我們已經不再只是討論「AI 能不能做到」。

我們有了真實的場景、可執行的測試腳本、可以展示與驗證的結果，也更清楚知道接下來要解決哪些問題。

這就是 PoC 的價值。

五、這不是終點，而是一個真正的開始

回頭看這 30 天，我最想感謝的，是一起把這個想法實際做出來的工程夥伴。

從最初的需求討論，到 Qualcomm QCS6490 上的 AI 整合，再到四樓機房的情境驗證，每一步都不是只靠一張架構圖就能完成的。

也因為親自走過這個過程，我更確定 AI PM 不只是負責定義需求、排定 Roadmap，或協調工程師完成工作。

我們還需要理解技術的限制，知道哪些事情值得先驗證，能夠在資源不足時做出取捨，也必須誠實地面對已經完成的成果與尚未解決的問題。

我們沒有用兩個人打造出一個無所不能的 AI 平台。

但我們用一位 PM、一位工程師，以及一片 Qualcomm QCS6490 開發板，把原本停留在想法裡的 Edge AI Use Case，變成了可以在真實場域執行、可以重複驗證，也能繼續往產品化發展的成果。

四樓機房的六個情境，對我而言不只是六項測試。

它們代表我們已經跨過了從想法到實作的第一道門檻。

接下來，還有更多需要驗證的效能、穩定性、操作體驗、部署與維運問題。但至少，我們已經知道下一步要往哪裡走。

30 天結束了。

Demo 跑起來了，PoC 也完成了場景驗證。

而真正的 Edge AI Product，正從這裡開始。