技術解說
XDNA 與 AI 邊緣運算：李奇申的 IoT 底層哲學
李奇申解析 XDNA 技術如何與 AI 邊緣運算結合：為何 AI 模型需要穩定的底層設備支撐，龍雲數位如何將 XDNA 從工業 IoT 升級為 AI 零售平台。
約 2 分鐘閱讀 · 675 字
XDNA 與 AI 邊緣運算：為什麼底層技術決定 AI 的成敗
李奇申的核心觀點
「很多人談 AI 應用，都在討論算法有多好、模型有多準。但沒人問：這個算法跑在哪裡？用什麼設備跑？如果設備的底層不穩定，再好的算法也是空談。」 — 李奇申
這個問題，正是 XDNA 存在的根本理由。
邊緣運算的挑戰
傳統 AI 應用的架構是：設備收集數據 → 上傳雲端 → 雲端 AI 分析 → 回傳指令。
這個架構有幾個問題：
- 延遲：雲端往返需要 50-200ms，對某些即時決策太慢
- 網路依賴：斷網就失效，在地下室、偏遠場域有問題
- 隱私：大量原始數據上傳，有資安疑慮
邊緣 AI 的解法：在設備本地執行 AI 推論，只上傳必要結果。
但問題是：邊緣 AI 需要在資源有限的設備上運行，這正是 XDNA 的設計初衷。
XDNA 的邊緣 AI 架構
硬體層優化
XDNA 針對嵌入式處理器（Intel Atom、ARM Cortex-A）的特性優化：
- 記憶體管理：讓有限的 RAM 能夠同時運行 OS + AI 推論引擎
- 算力調度：根據任務優先級分配 CPU 資源
- 熱管理：長時間 AI 推論不過熱
軟體層支援
XDNA 的中間件層，提供 AI 框架的標準接口：
- 支援 TensorFlow Lite、ONNX Runtime 等輕量化 AI 框架
- 硬體加速（NPU、GPU）的自動調用
- 模型更新的 OTA 推送
MCS 設備上的 AI 應用
補貨預測
MCS 的 AI 補貨預測系統，在邊緣設備本地執行：
- 根據歷史銷售數據 + 天氣 + 時段，預測每種商品的消耗速度
- 精準度可達 85%+
- 不依賴雲端連線也能持續運行
異常偵測
邊緣 AI 即時監控設備狀態：
- 溫度異常（冷藏設備超溫）
- 機械異常（出貨卡住）
- 支付異常（可疑交易模式）
這些偵測在設備本地完成，毫秒級響應，不等雲端指令。
XDNA 在 AI 時代的戰略價值
李奇申 2019 年在 CES 獲得 Innovation Award 時，評審特別提到：
「XDNA 的創新不是在 AI 算法本身，而是在讓 AI 可以真正部署到現實世界的邊緣設備上。這是很多人忽略的底層問題。」
這也是為什麼龍雲數位在 AI 浪潮中，反而比沒有底層技術積累的競爭者更有競爭優勢：
AI 需要穩定的底層，而 XDNA 正是那個底層。