AI 的重心放錯了地方
打開科技新聞，滿屏都是雲端 AI 的故事。更大的 GPU 叢集、更多的訓練資料、更貴的 API 呼叫。好像智能只能住在遙遠的資料中心裡，隨傳隨到——只要你有夠好的網路。
但真實世界不是這樣運作的。
工廠裡的產線攝影機，需要在毫秒內判斷瑕疵品。車上的感測器，不能等雲端回傳結果才決定煞車。偏遠農場的環境監測站，連穩定的 4G 訊號都不一定有。這些場景——工廠、攝影機、感測器、車輛——才是真實世界的骨幹。而它們全都在「邊緣」。
延遲、隱私、頻寬成本，每一個面向都指向同一個結論：智能必須搬到邊緣。
我在 Ubiquiti 待了十四年，親手打造邊緣產品。UniFi 攝影機上跑 on-device AI、三千萬台受管裝置遍布全球——這個經歷讓我極其清楚地看到這道鴻溝：雲端的 AI 飛速進步，但邊緣裝置還活在上個世代。它們大多只是把資料往上丟的「笨管道」，智能完全仰賴雲端。
這不對。
邊緣裝置需要三件事
我花了很長時間在想，到底缺什麼？最後歸結出三個核心需求：
1. 原生智能（Native Intelligence）
裝置本身就要能跑 AI 推論。不是「雲端掛了就變磚」的那種依附式智能，而是真正在晶片上執行模型、處理感測資料、即時做出決策的能力。斷網也能動。
2. 安全連線（Secure Connectivity）
邊緣裝置彼此之間、以及跟管理端之間，需要真正安全的通訊。不只是今天安全——在量子電腦成熟之後依然安全。後量子時代的加密不是未來式，它是現在進行式。
3. 開發者友善的工具鏈（Developer-Friendly Tooling）
讓 AI agent 能直接跟硬體互動的工具。不是要開發者自己寫一堆 glue code 把東西串起來，而是提供乾淨的協定介面，讓 AI 可以直接控制嵌入式裝置——燒錄、除錯、讀取感測器。
這三件事缺一不可。有智能但不安全，等於門戶洞開。有安全但沒智能，就只是加密過的笨管道。有前兩者但工具鏈爛到沒人想用，那一切都只是實驗室裡的 demo。
我正在打造的技術棧
這不是一個專案，而是五個專案，每一個解決一塊拼圖，合在一起構成完整的邊緣智能系統。
AI-HIL MCP — AI 碰觸實體世界的介面
五個 MCP server，讓 AI agent 能直接控制嵌入式硬體：燒錄韌體、啟動除錯器、讀取感測器數據。這是 AI 從「只能看螢幕上的文字」進化到「能碰到實體世界」的那一步。我在前一篇文章裡寫過這個想法的起源——消除人類在 AI 跟硬體之間充當「人肉資料管道」的角色。
Engram — 邊緣 ML 推論平台
吃進感測器資料、跑模型、吐出結果。這是邊緣裝置的「大腦」。不需要雲端 GPU，在本地就能完成推論。目標是讓每一個邊緣節點都有自己思考的能力。
Plexus-Myelin — 後量子加密 VPN
裝置對裝置的通訊保護層。用 X25519 + ML-KEM-768 混合式交握——結合傳統橢圓曲線加密跟 NIST 標準化的後量子演算法。這個 hybrid handshake 已經跑起來了。就算量子電腦明天問世，今天傳輸的資料依然解不開。
Synapse Labs — ESP32 嵌入式加密節點
網路裡最小的節點。在 ESP32 上跑嵌入式密碼學，搭配 Zen 做 pub/sub 通訊。證明即使是資源最受限的微控制器，也能成為安全智能網路的一份子。
OmniTypist — 證明這套技術棧能出貨
Rust + Swift + AI 技術棧打造的消費級產品。v0.0.4 已經完成 Apple 簽章、公證、自動更新。它存在的意義是證明一件事：這套技術棧不只是能寫 demo，而是能交付真正的產品給真正的使用者。
五個專案，一個願景：讓邊緣裝置不再只是資料管道，而是有智能、有安全、有工具支持的完整系統。
為什麼是現在
這個願景不是今天才有的，但「現在可以做到」這件事是新的。幾個關鍵的時間點同時成熟了：
後量子密碼學已經準備好了。 ML-KEM-768 經過 NIST 標準化，不再是學術論文裡的概念，而是今天就能實作、部署的演算法。Plexus-Myelin 裡的 hybrid handshake 就是活生生的證明。
MCP 協定讓 AI 整合變簡單了。 Anthropic 的 Model Context Protocol 提供了一個乾淨的標準，讓 AI agent 能跟外部工具互動。以前要把 AI 接上硬體，需要寫大量客製化的 glue code；現在有了 MCP，這件事的門檻大幅降低。
Rust 讓嵌入式開發又安全又快。 沒有 garbage collection 的開銷，同時有記憶體安全保證。對嵌入式場景來說，這是 C 語言之後最重要的突破。我的每一個專案都用 Rust 寫，這不是偶然。
AI 工具鏈成熟了。 LLM 現在真的能在硬體開發流程中幫上忙。不只是寫寫 code——而是能看 JTAG 輸出、分析 register dump、建議除錯策略。AI-HIL 的整個概念就建立在這個基礎上。
這四個條件同時到位，打開了一扇以前不存在的窗。我不想等別人先走過去。
接下來
每一個專案都在持續往 production-ready 的方向推進。Plexus-Myelin 的 hybrid handshake 要做完整的效能調校。AI-HIL MCP 要支援更多硬體平台。Engram 要能跑更多種類的模型。Synapse Labs 要做場域驗證。OmniTypist 要繼續打磨使用體驗。
我不覺得這件事該一個人做完。如果你也相信——邊緣智能，而不是只有雲端 AI——如果你也想讓每一台邊緣裝置都成為有智能的一等公民，而不是雲端的附屬品，那我們應該聊聊。
最終的目標很簡單：讓每一台邊緣裝置都是一等智能公民，不是往雲端丟資料的笨管道。
這是我的宣言。現在，回去寫 code。
Comments & Feedback