KeyFrame內部研究專用

《COMPUTEX 展會專訪》Intelligence at the Edge:輔信科技以AI-ready硬體平台助力Edge AI應用落地

DIGITIMES·6月16日週二·10 min中文

三句話摘要

輔信科技在 COMPUTEX 展示以「Intelligence at the Edge」為核心的邊緣 AI 硬體解決方案,強調跨產業的場域適配與生態系整合。 Edge AI 部署的關鍵不在單一硬體,而在能否根據不同產業痛點提供因地制宜的完整解決方案,輔信科技以此為核心,定位自己為 AI 生態系中不可或缺的邊緣硬體基座。 雲端往邊緣擴散是核心商機。 AI 生態系必須從雲端延伸至邊緣才完整,輔信押注這段擴散過程中的硬體需求,涵蓋 Agentic AI 最前沿的場域部署。

重點整理

重點
  • 1

    雲端往邊緣擴散是核心商機。 AI 生態系必須從雲端延伸至邊緣才完整,輔信押注這段擴散過程中的硬體需求,涵蓋 Agentic AI 最前沿的場域部署。

  • 2

    不同產業的痛點截然不同,需因地制宜。 醫療重長期穩定與資料安全,工業重環境耐受性與供應鏈穩定,零售重即時性與易部署,輔信以此為出發點設計不同產品配置,而非用單一規格通吃。

  • 3

    Edge AI 部署不只是硬體問題,需考量整個技術棧。 散熱、電源、網路、應用軟體、場域部署便利性全屬考量範疇,輔信透過夥伴生態系整合軟硬體,解決「AI 落地最後一哩路」。

  • 4

    AI 產業已從資本投入期進入商業變現期。 從大語言模型到生成式 AI 再到代理模型(Agentic AI),算力轉化為商業價值的速度極快,輔信希望在這波成熟化過程中成為生態系中最可靠的硬體基座。

實用技巧與重點

乾貨
  • 公司:輔信科技(Portwell Technology),展出主題:Intelligence at the Edge
  • 產品線:AI PC、Agent PC、工業電腦、醫療電腦
  • 三大垂直市場:醫療(穩定性、資料安全)、工業(環境耐受性、供應鏈)、零售(即時影像辨識、易部署)
  • 技術演進路線:大語言模型 → 生成式模型 → Agentic AI(代理模型)
  • 引用案例:Anthropic 預計本季開始獲利,作為 AI 商業化成熟的佐證
  • 合作夥伴類型:大廠夥伴、系統整合商(SI)、場域落實合作夥伴、軟體服務廠商
  • 應用場域:智慧醫療、智慧零售、智慧工廠、流程自動化、視覺運算

結論

結論

Edge AI 部署的關鍵不在單一硬體,而在能否根據不同產業痛點提供因地制宜的完整解決方案,輔信科技以此為核心,定位自己為 AI 生態系中不可或缺的邊緣硬體基座。

完整解析

詳細

當前 AI 發展正從雲端快速向邊緣延伸,企業對即時運算與高效部署的需求隨之攀升。輔信科技在此次 COMPUTEX 展會以「Intelligence at the Edge」為主題,正是看準這段雲端往邊緣擴散過程中龐大的硬體商機。副總 Joseph 指出,一個完整的 AI 生態系不能只有雲端,必須同步覆蓋邊緣端——從 AI PC、Agent PC 到工業電腦、醫療電腦,輔信在各個產品線都已有相應布局。

然而,Edge AI 的落地並非通用規格即可解決。Joseph 觀察到,不同產業的痛點差異極大:醫療產業最在意長期穩定性與患者資料安全;工業場域需要設備能承受惡劣環境,且供應鏈必須穩定;零售端則要求即時影像辨識與快速部署能力。輔信的應對策略不是做一個「萬用盒子」,而是依據各場域的具體需求,設計出最適配的產品配置。這種「因地制宜」的產品哲學,讓輔信得以在醫療、工業、零售三大垂直市場深耕多年。

邊緣 AI 的複雜性遠超單純的硬體選型。Joseph 強調,散熱、電源管理、網路連接、應用軟體整合,乃至長期可靠性,都是部署時必須同步考量的環節。輔信這次攜手大廠夥伴、系統整合商(SI)以及場域落實夥伴共同展出,正是希望透過生態系協作,提供從硬體平台到軟體應用的完整解決方案,真正打通「AI 落地最後一哩路」。輔信自我定位為生態系中「最可靠的硬體平台」,而非包攬所有環節,這種定位使其能聚焦核心競爭力,同時保持高度彈性。

展望產業趨勢,Joseph 以 Anthropic 即將在本季正式獲利為例,說明 AI 產業已從早期的大規模資本投入期,快速進入商業價值變現期。技術演進的速度同樣驚人——從大語言模型、生成式模型,到現在的 Agentic AI(代理模型),算力轉化為真實商業效益的路徑越來越清晰。輔信相信,這個生態系今年只是一個開始,台灣在其中能扮演的角色只會越來越多,而輔信將持續在邊緣端提供更完整的價值。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。