KeyFrame內部研究專用

How Crowd Safety And Control Can Be Analyzed Using AI | COMPUTEX 2026

TaiwanPlus Docs·6月4日週四·12 min中文

三句話摘要

CyberLink 旗下 FaceMe AI 視訊分析技術如何從被動錄影轉向主動風險預防,同時應對智慧城市部署中的隱私爭議。 AI 視訊分析的核心價值不在於「更多監控」,而在於「目的明確的預防性介入」,而隱私爭議的解方也必須從系統架構(加密、自動刪除、地端部署)而非事後政策承諾來根本解決。 從被動錄影到主動防禦:傳統監控攝影機只是電子錄影機,事後才回放調查;AI 視訊系統能即時理解現場狀況,讓操作人員在事件發生前提前介入,這是整個典範轉移的核心邏輯。

重點整理

重點
  • 1

    從被動錄影到主動防禦:傳統監控攝影機只是電子錄影機,事後才回放調查;AI 視訊系統能即時理解現場狀況,讓操作人員在事件發生前提前介入,這是整個典範轉移的核心邏輯。

  • 2

    體態特徵彌補人臉辨識盲點:在擁擠場所中,目標人物可能背對攝影機或遮臉,純人臉辨識會失效;結合衣著顏色、背影輪廓、年齡體型等體態資訊,可在整個攝影機網路中持續鎖定目標,不因鏡頭角度受限。

  • 3

    目的性部署降低「全面監控」疑慮:系統並非持續追蹤所有人的日常行為,而是針對特定任務觸發(如闖入禁區、黑名單人員出現),讓技術手段與使用目的保持高度對應,是說服公眾接受的關鍵論述。

  • 4

    隱私保護由架構決定,而非事後修補:FaceMe 在資料離開設備前即完成加密處理,並提供自動定期刪除與地端(on-premise)部署選項,讓資料主權留在客戶自己的伺服器,從系統設計層面而非政策承諾層面回應隱私風險。

實用技巧與重點

乾貨
  • 平台/產品:CyberLink FaceMe(人臉辨識引擎)、AI 視訊管理系統(VMS)
  • 落地城市:新加坡(Smart Nation 2.0)、東京、倫敦
  • 辨識維度:人臉 + 衣著顏色 + 背影輪廓 + 年齡 + 體型
  • 兩大主流應用場景
  • 黑名單人員入場即時警報(Access Alert)
  • 虛擬警戒區域(Virtual Zone)——自定義禁入範圍,有人越界即通知管理端
  • FaceMe 隱私機制
  • 資料在 IP 攝影機或 Face Terminal 端加密,不以明文離開裝置
  • 自動刪除功能(Auto-Delete),設備下線後資料全清
  • 資料保留年限由客戶自訂(可選 1 年、2 年以上)
  • 部署模式:雲端(Cloud)或完全地端(On-Premise,資料不出客戶伺服器)
  • 應用場域:機場旅客動線管理、銀行業務流程安全、購物中心人流監控、企業門禁

結論

結論

AI 視訊分析的核心價值不在於「更多監控」,而在於「目的明確的預防性介入」,而隱私爭議的解方也必須從系統架構(加密、自動刪除、地端部署)而非事後政策承諾來根本解決。

完整解析

詳細

智慧城市的監控基礎設施正在經歷一次根本性的典範轉移。傳統攝影機扮演的角色僅是「數位錄影機」——設施管理者只有在事件發生後,才回頭翻找錄影片段釐清經過。然而,這種被動模式在公共安全需求日益提升的當下已顯不足。新加坡 Smart Nation 2.0、東京與倫敦等大城市正在試驗的新一代 AI 視訊管理系統,目標是讓攝影機網路具備即時理解現場狀況的能力,在威脅成形前主動預警,而非事後追查。

CyberLink 產品負責人 Sam Xu 在 Computex 專訪中指出,這套轉型的技術關鍵在於「多維度辨識融合」。純人臉辨識在擁擠場所有明顯侷限:人群密集時目標容易背對或遮蔽鏡頭,辨識即告失敗。FaceMe 的解法是將人臉資訊與體態特徵並用——包括衣著顏色、背影輪廓、體型與估算年齡——讓系統能跨越攝影機盲角,在整個場域的鏡頭網路中持續鎖定同一個體。這項技術在機場、大型展覽中心等高人流場所的實際落地案例中已驗證可行。

在具體應用上,目前最普遍的兩種使用情境是「黑名單警報」與「虛擬警戒區域」。前者讓系統在特定人員一進入場域時立即通知安保人員;後者則允許管理者在地圖上自行劃設禁入範圍,任何人越界即觸發警報。Sam 強調,這種「目的性部署」的設計哲學至關重要——系統並非對所有人進行無差別的持續追蹤,而是只在符合預設條件時才啟動,如此才能在功能與公眾隱私接受度之間取得平衡。

隱私問題是整場對話的核心張力所在。Sam 從架構層面提出了 CyberLink 的應對策略:FaceMe 在資料離開攝影機端點(IP 攝影機或 Face Terminal)之前即完成加密處理,確保即便有人截取傳輸封包也無法還原個資;系統內建自動刪除機制,設備下線後相關資料全面清除;資料保留年限可由客戶依業務需求自訂。在部署架構上,對隱私敏感的客戶可選擇完全地端模式,讓所有資料留存在自己的伺服器內,徹底迴避雲端資料外洩的風險。Sam 的立場是:公眾對監控技術的疑慮,根源在於「技術被用來做什麼」,而不在於技術本身——當部署目標明確且有限(如讓通關更順暢、讓銀行交易更安全),技術反而是讓人們生活品質提升的工具,而非壓迫的手段。

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。