柏聯科技－CCTV 影像辨識怎麼進化？傳統 AI vs 生成式 AI 差異一次看懂
從傳統分辨式 AI（CNN）到生成式 AI（GenAI），解析影像辨識在非固定事件上的關鍵差異。透過實際案例說明生成式 AI 如何以情境理解與推理能力，補足傳統 AI 在複雜工安場域的盲點，並兼顧本地端即時性與資安需求。
除了科技執法能抓違規車輛，現在連「亂丟垃圾」這類行為，也能靠 AI 自動辨識、即時舉發！
許多人不知道，CCTV 監控系統早已不只是錄影工具，搭配 AI 影像辨識後，能主動辨識違規行為，例如違規停車、逆向行駛、誤闖閘道車輛等。這些都屬於固定型態事件，適合使用「分辨式 AI」（也常被稱為傳統 AI）來處理。
分辨式 AI 的運作流程
所謂「分辨式 AI」（通常基於 CNN 卷積神經網路），就是透過大量標註資料進行訓練，其流程如下：
- 資料收集：蒐集大量影像，並標註物件種類（車輛、人、物品、動物等）。
- 模型訓練：透過深度學習建立辨識模型。
- 模型推論：AI 依據訓練結果進行實際辨識。
- 錯誤修正：回收錯誤樣本並修正模型參數。
- 模型更新：再次訓練模型，進行下一次推論（循環進行）。
分辨式 AI 就像一位經過密集訓練的識別員，靠大量圖片學會「這是什麼、那不是什麼」，能準確辨認車種、顏色與車牌。
但一旦遇到「沒學過的情境」，就容易出錯或無法判斷。
為什麼無法辨識「亂丟垃圾」這種非固定事件？
像「亂丟垃圾」這類事件，每次發生的狀況都不同：可能是大包垃圾、小包垃圾，甚至是廢棄家具；有人直接丟、有人偷偷放。這些都不具備固定型態，對傳統 AI 來說缺乏明確判斷依據。
生成式 AI 如何解決傳統 AI 的盲點？
生成式 AI（GenAI）不只比對是否看過的樣本，而是能根據情境、狀態與過往經驗進行推理。
像打架、車禍、機具倒塌等沒有固定樣貌的突發事件，生成式 AI 能從畫面中抽取線索，自主判斷是否存在異常。
傳統 AI 像保全，生成式 AI 像主管
分辨式 AI 就像拿著厚厚訓練手冊的保全，只能依照學過的規則判斷；遇到沒學過的情境就會說「無法判斷」。
生成式 AI 則更像經驗豐富的主管，即使沒有逐條教學，也能從場域狀況推敲出異常行為。
以下為工地吊車翻覆的新聞案例：即便僅擷取「稍微傾斜」的單張畫面，透過自然語言詢問，生成式 AI 仍能理解設備懸掛於泥土地、傾斜不穩，並判斷其潛在風險，展現情境推理能力。
本地端運行的優勢：不靠雲端，快速又安全
在石化廠、工地、港口等網路不穩的環境，若辨識必須仰賴雲端回傳，往往警報尚未響起，人就已經出事。
VAIDIO 生成式 AI 本地端運行的最大價值在於：不必上傳資料、不等雲端回傳，AI 即可在現場即時判斷與反應，同時兼顧即時性與資安。
傳統 AI vs 生成式 AI 差異
| 傳統 AI | 生成式 AI |
|---|---|
| 面對非固定型態物件無法有效辨識 | 可辨識各種非固定型態的物件 |
| 需大量已標註資料訓練 | 不需事先標註資料即可辨識 |
| 需大量 GPU 執行推論與訓練 | 語言模型可降低算力需求 |
| 僅做分類與標籤化 | 透過自然語言理解與邏輯推理 |
| 受限於已知物件類型 | 可處理稀有與難蒐集樣本的事件 |