---
title: "邊緣運算（Edge Computing）"
slug: edge-computing
language: zh-TW
source: https://aiterms.tw/terms/edge-computing
updated_at: 2026-06-22
tags: [Edge Computing, 邊緣運算, IoT, AI部署, 模型推論]
ipas_term: false
---

# 邊緣運算（Edge Computing）

將計算與資料處理從中心化雲端移至靠近資料來源的終端裝置或區域節點，以降低延遲並減少頻寬需求。

## 完整說明

Edge Computing（邊緣運算）是一種分散式運算架構，將計算資源部署在靠近資料產生端（如 IoT 裝置、攝影機、行動裝置）的網路邊緣，而非集中在遠端雲端資料中心。這樣的架構可大幅降低資料傳輸延遲、減少骨幹網路的頻寬消耗，並支援在網路連線不穩定或對即時性要求嚴苛的環境中運行 AI 推論。

## 常見問題

### 邊緣運算和霧運算（Fog Computing）有什麼區別？

兩者概念相近，差異主要在定義的粒度與推廣者不同。霧運算（Fog Computing）由 Cisco 在 2014 年提出，強調的是雲端與終端裝置之間的整體分層網絡，包含多個中間層（閘道、區域伺服器、基地台等），概念更接近「整個從雲到端的分散式連續體」。邊緣運算則通常特指靠近資料產生端的那一層或幾層運算，強調「在邊緣就地處理」這個動作。在業界實際使用中，兩個詞彙常被互換使用，差異不像學術定義那樣嚴格。目前 OpenFog Consortium 已併入工業物聯網聯盟（IIC），業界更多以「邊緣運算」或「MEC（Multi-access Edge Computing）」作為通用術語。

### 在邊緣裝置上部署 AI 模型，有哪些主流工具和框架？

邊緣 AI 推論的主流工具鏈因目標裝置而異。針對行動裝置（Android / iOS），TensorFlow Lite 和 PyTorch Mobile 是最常用的選擇，支援量化模型並能調用硬體加速器（GPU/NPU）。針對 NVIDIA Jetson 系列邊緣伺服器，TensorRT 能充分發揮其 GPU 算力。Intel 的 OpenVINO 則針對 Intel 晶片（包含其 Movidius VPU）最佳化推論效能。ONNX Runtime 作為跨平台選項，能在多種硬體上執行從 PyTorch 或其他框架匯出的模型。蘋果的 Core ML 則是 Apple Silicon 裝置的原生推論框架。選擇工具時，應考量目標硬體、模型格式、可接受的精度損失，以及工具對特定算子（operator）的支援程度。

### 邊緣 AI 如何處理資料隱私問題？它比雲端架構更安全嗎？

邊緣運算在隱私保護方面確實有結構性優勢：敏感資料（如人臉影像、醫療數據、工廠生產資料）可在本地完成推論與分析，只上傳結果（如「有瑕疵/無瑕疵」的標籤），而非原始資料，顯著降低資料外洩風險。這對醫療、金融等受嚴格法規監管的行業尤其重要。然而，邊緣運算本身並不等同於「安全」：邊緣裝置可能缺乏雲端資料中心等級的物理安全防護，容易遭受實體攻擊或韌體竄改；大量分散部署的裝置增加了攻擊面；裝置若缺乏及時的安全更新機制，可能長期暴露在已知漏洞中。因此，邊緣 AI 部署應搭配端到端加密、安全開機（Secure Boot）、可信執行環境（TEE）等機制，才能真正實現隱私保護與安全兼顧。

---

來源：https://aiterms.tw/terms/edge-computing
快查頁：https://aiterms.tw/terms/edge-computing
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-edge-computing