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
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。這些都是屬於固定型態事件，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），就是透過大量的標註資料來進行訓練，流程如下：
STEP 1. 資料收集：收集大量影像，並一一標註出物件種類（例如：車輛、人、物品、動物等）
STEP 2. 模型訓練：透過深度學習建立模型
STEP 3. 模型推論：AI 依據訓練結果進行實際辨識
STEP 4. 錯誤修正：若辨識失敗或無法辨識，需回收錯誤樣本並修正模型參數
STEP 5. 模型更新：再次訓練模型，進行下一次推論(如此循環)
分辨式 AI 就像是一個經過密集訓練的識別員，靠大量的圖片學會「這是什麼、那不是什麼」，例如能準確辨認這是貨車、那是腳踏車，車牌是什麼、車子是什麼顏色。
但如果遇到它「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？
但如果遇到非固定型態的事件呢？像是「亂丟垃圾」，每次出現的狀況都不一樣──可能是粉紅色大包垃圾、黑色小包垃圾，甚至是一張廢棄椅子；有人會直接丟，有人會偷偷放。這些都不屬於邏輯清楚、容易辨識的行為，對傳統 AI 來說根本無從判斷。
生成式 AI 如何解決傳統AI的盲點？
這時，生成式 AI (GenAI)就派上用場了！它不像分辨式 AI 一樣只能比對是否「看過」的樣本，而是能根據情境、狀態和過往經驗做出推理。
舉凡打架、車禍、機具倒塌等「沒有固定樣貌」的突發事件，畢竟每個人打架時的動作姿勢都不同，車禍的情況也可能千變萬化，生成式 AI 都能從畫面中抽取線索，自主判斷。
傳統 AI 像保全，生成式 AI 像主管
如果要比喻，分辨式 AI 就像是一位拿著厚厚訓練手冊的保全，手冊裡記錄著所有「教過」他的可疑物件和動作──只要遇到沒學過的，他就會說：「這我沒看過，無法判斷。」
而生成式 AI 更像是一位經驗豐富、能靈活應變的主管。
即使你沒逐條教他怎麼做，他也能從場域狀況推敲出異常行為。像是新聞中常見的機具倒塌事件，其實在倒塌前往往會先出現傾斜或重心不穩的徵兆。生成式 AI 能即時捕捉這類異常動態，提早預警異常行為。
如下圖所示，這是擷取自新聞報導的一起工地吊車翻覆事件，從傾斜到倒塌僅僅幾秒。值得注意的是，即便我們僅針對「稍微傾斜」的瞬間，透過自然語言詢問「這設備是否異常？」，生成式 AI 仍能依據單張畫面，自主判斷出吊車懸掛於泥土地、傾斜不穩，並理解這樣的情境可能對操作人員與現場安全造成風險。這正展現了生成式 AI 不需明確標註、不需多角度比對，就能從整體情境推理出潛在危機，並及早預警異常。
▲【最早情況】圖一：設備異常懸吊中，出現不穩徵兆
- 圖二：設備失去平衡，傾倒開始
- 圖三：設備完全翻覆，事故發生
本地端運行的優勢：不靠雲端，快速又安全
此外，並不是所有 AI 都像 ChatGPT 或 Gemini 一樣仰賴雲端運算。
在石化廠、工地、港口這類網路常常不穩的地方，如果辨識還要傳資料到雲端等結果，常常還沒警報響起，人就已經出事了。
這也是 VAIDIO 生成式 AI 本地端運行的最大價值：
不必上傳資料、不等雲端回傳，AI 自己看得懂直接判斷、即時反應
資料不外流，安全性與即時性兼顧！
傳統AI vs 生成式AI 差異
傳統 AI
面對非固定型態物件無法有效辨識
需大量已標註的資料進行訓練
需大量 GPU 執行推論與訓練
針對既有資料進行分類與標籤化
缺乏語意理解，僅做規則分類
受限於已知物件類型
生成式 AI
可辨識各種非固定型態的物件
不需事先標註資料即可辨識
語言模型能有效降低算力需求
透過自然語言理解與邏輯推理
搭載 OpenAI 與 NVIDIA 技術，壓縮 70 億參數進行推理
能處理無法大量蒐集樣本的稀有物件