| 綠捷能智控洪國洋：AI真正的門檻，在於能否駕馭複雜環境並完成量化建置 |
| |
|
| |
|
 |
255 |
|
| 最後更新時間：8月 | 28日 , 2026 |
|
| |
 |
 |
|
|
| 近年來，AI人工智慧逐漸成為各個應用領域的重要發展方向，市場上也出現了大量以AI影像分析、智慧辨識及邊緣運算為訴求的產品。然而，對綠捷能智控執行長洪國洋來說，真正決定一家AI公司技術深度的關鍵，在於掌握AI模型的底層原始碼，並且具備訓練AI模型、配合環境調整及修改的能力。 |
| |
綠捷能智控執行長洪國洋表示，綠捷能早期團隊主要來自演算法、系統底層與學術研究領域，最初與學界合作發展影像辨識技術，在AI尚未成為產業主流以前，便已投入二值化、特徵擷取、物件偵測及號碼辨識等演算法研究。這段歷程也讓綠捷能今日談論AI時，重點始終放在演算法如何放進系統及真實環境，而非單純展示效果。洪國洋認為，AI技術是否成熟，最終仍須回到一個問題：AI是不是可以長期運轉、準確判讀，並且真正協助使用單位的數位治理。
從單晶片DSP起步 走過台灣影像辨識發展初期
回顧台灣影像辨識技術的早期發展，當時市場還沒有「AI算力」的說法，產業討論的主要是CPU時脈、記憶體容量與DSP效能。由於硬體資源有限，工程團隊必須在極小的運算空間內完成影像擷取、壓縮、辨識及結果輸出，演算法的效率直接決定系統能否正常運作。
綠捷能在早期就已經把車牌辨識演算法放入德州儀器的單晶片DSP中，以韌體方式進行運算。這種架構沒有大型伺服器，也無法依靠高階顯示卡支撐辨識工作，研發人員必須從程式原碼、影像處理流程與硬體資源配置逐項調整。
洪國洋指出，團隊從車牌、貨櫃號碼等字元辨識開始，逐步延伸至事件偵測、車流統計、物件偵測與追蹤。隨著DSP與SoC技術演進，系統也從早期單純的韌體架構，發展到整合DSP與ARM處理器的智慧攝影機及嵌入式設備。
這項技術後來進入台北市早期路口車牌辨識系統，也應用於台鐵環島防闖系統。根據洪國洋說明，台北市第一代車牌辨識案在接近20年前便要求車輛以時速120公里通過時，辨識率仍須達到九成以上；台鐵防闖系統則曾建置於全台200多處相關場域。這些專案讓團隊很早便接觸到大規模交通系統所面對的光線、車速、設備穩定度及長期維護問題。
自有演算法與跨平台能力 降低對單一算力架構的依賴
進入深度學習與AI時代後，市場普遍以NVIDIA GPU及開源模型作為主要開發環境。洪國洋表示，綠捷能智控選擇維持自有演算法與原碼開發能力，同時布局邊際運算及中心端運算，使演算法能夠運行在不同等級的硬體平台。
洪國洋表示，綠捷能透過自有模型及演算法優化，可以降低約四成算力與功耗需求，使影像分析能夠在資源較有限的設備中執行。運算平台則可以涵蓋AMD、NVIDIA與Intel等平台，研發團隊會依照不同處理器架構重新調校模型，以維持辨識效能與系統穩定度。
跨平台開發會增加研發負擔，每一種晶片都有不同的運算架構、記憶體配置及軟體工具，演算法往往需要重新移植與優化。然而，這種作法也降低系統對單一平台的依賴，讓工程團隊能依據案場預算、設備條件、傳輸資源及處理需求，選擇較適合的硬體組合。
智慧交通需要的是完整資訊鏈
智慧交通應用牽涉車流偵測、路口轉向、壅堵分析、旅行時間、車牌辨識、事件預警與號誌控制。每一項功能看似獨立，進入交通管理中心後，卻必須形成一套連續的資訊鏈，才能支援交控人員進行判斷及控制。
洪國洋表示，車流偵測是智慧交通最基本的資訊來源。系統必須掌握車輛數量、車速、車種及行駛方向。高速公路通常關注直線道路的車流量，都會路口則須進一步辨識車輛左轉、右轉或直行，並將轉向資料提供給號誌時制計畫，作為調整紅綠燈秒數的依據。
「綠捷能目前車流數量偵測精確度可達95%至98%，車種辨識可達95%以上；都會路口因遮蔽、機車數量及行車動線較為複雜，車流量統計約可達90%至95%，轉向量偵測則可達90%以上。這些數據均以實際建置及驗收結果為基礎，反映的是系統在道路環境中的長期表現。」洪國洋說，智慧交通的價值來自數據能否推動管理措施。當系統知道不同車種及轉向車流的變化，交通單位便能調整號誌時制；當影像偵測到交流道或觀光路段的車流密度升高，也能提早啟動疏導、人員調度或車道控制。
傳統道路壅堵偵測多以地面感應線圈判斷車輛是否長時間停留。這種方式只能掌握單一位置是否被占用，若有故障車輛停在感應點，系統可能將其判斷為壅堵，但是如果真正的回堵發生在線圈前後，也可能無法完整反映現場狀況。
利用影像分析則能觀察一段道路空間，追蹤區域內的車輛數量、移動速度、停等時間及空間占用率，進一步將壅堵程度轉換成30%、60%或90%等具體數據。交控單位可依門檻啟動不同處置，例如在壅堵率達到一定程度後調整號誌、改變車道配置，或派員進行現場疏導，交控中心不必等到大量車輛停滯後才接獲通報，而能依據影像數據提早介入。
目前相關壅堵偵測技術已建置於高速公路北、中、南部多個區域，也進入公路系統及南部觀光路段。洪國洋強調，這些專案屬於正式建置與驗收，系統已納入使用單位日常管理工作，與一般PoC的短期概念驗證有很大差異。
隧道、交流道與路口 從預警功能進入管理程序
綠捷能目前較具代表性的智慧交通案例，涵蓋隧道事件偵測、高速公路壅堵分析、道路旅行時間及路口號誌聯動。洪國洋表示，綠捷能的系統已經應用於雪山隧道、北區隧道、中部國姓隧道及南迴草埔隧道等場域，透過自動事件偵測系統辨識車輛停止、異常行駛及其他交通事件。洪國洋表示，部分系統已持續使用三至四年以上，預警結果也正式納入交通控制中心的處理程序。
「過去事件偵測系統若誤報率過高，管理人員容易降低對系統的信任，最後仍須依靠人工監看。當精確度及穩定度提高後，系統才能從輔助工具進入標準作業流程，使管理模式由接獲事故通報後處理，逐步走向提前發現與主動預警。」洪國洋說。
綠捷能在西濱及都會區建置接近100處路口分析系統，可辨識自行車、機車、大型車及小型車的流向，並將統計結果提供號誌控制。對台灣路口而言，機車流量、左轉專用時相及不同車種混流都是重要條件，號誌控制必須建立在持續累積的真實交通數據上，才能符合現場需求。
此外，車牌辨識也被運用於移動污染源稽核、車輛管理及交通旅行時間分析。這些應用逐漸由單一辨識功能，發展成跨系統的資料交換與聯動控制。
AI落地考驗的是工程整合能力
洪國洋將AI定位為系統中的核心技術，仍需要設備、網路、通訊、資料與控制機制共同配合。模型在實驗室中達到高準確率，只代表演算法具備基礎能力；進入真實環境後，攝影機安裝角度、鏡頭選擇、串流品質、光線、雨霧、頻寬、運算設備與現場網路，任何一項條件都可能影響結果。
影像解析度便是常見例子。高解析影像能提供更多細節，也會增加傳輸頻寬、儲存容量及中心端運算負擔。若一次建置400路4K影像，既有光纖、核心交換器與後端伺服器未必能承受。高速公路擁有相對完整的光纖網路，仍須保留資源給其他交控、通訊與安全系統，因此不可能將全部頻寬投入AI影像分析。
部分偏遠山區或道路也缺乏固定網路，只能透過4G進行傳輸。這時便需要將運算移到現場，先由邊際設備完成辨識，只回傳事件、結構化數據或必要影像，以降低頻寬使用。
洪國洋認為，AI落地需要在精確度、設備成本、頻寬、運算能力與建置規模之間取得平衡。單台高階設備或短期概念驗證通常較容易成功，真正困難的是數百路系統長時間運行，同時符合使用單位的預算與維護能力。
當每一路影像都必須配置昂貴設備，整體成本便可能超出業主負擔；若為了降低成本而犧牲辨識率，系統又無法支援管理工作。這也是智慧交通AI從展示走向大規模建置時，最容易遇到的落差。
模型的「鍋底」決定AI能走多遠
談到不同AI公司的技術差異，洪國洋以火鍋鍋底形容模型基礎。食材可以向市場採購，鍋底則累積了配方、比例及長期調整經驗。同樣地，AI模型可以購買授權或採用開源架構，真正進入複雜案場後，能否修改模型、調整參數及排除異常，才會決定系統的技術上限。
若模型完全來自外部授權，開發者無法修改底層結構，碰到超出原有模型能力的環境時，便容易遇到瓶頸。系統整合商可能只能透過增加設備、重複判斷或外部規則暫時避開問題，卻無法真正修正模型。
洪國洋指出，判斷AI公司的重要依據，應包括實際完成過哪些場域、系統運行多久、是否經過正式驗收，以及面對異常環境時是否具有修改原碼及模型的能力。模型簡報中的準確率，只能反映特定測試條件；長期量化建置所留下的資料與經驗，才是較難複製的技術資產。
AI的智慧交通應用 必須從長期運轉中建立信任
AI正在改變智慧交通與交通管理取得資訊的方式，也使車流、壅堵與事件逐漸轉換為可以分析、預測以及量化的數據。但是，模型可以購買，算力也能擴充，但完美的系統是需要時間累積的，包含讀的懂畫面中的環境、完全權限及能力的駕馭模型及處理異常的經驗。AI技術只是起點，是不是能在有限資源中穩定運行，並確實改善管理問題，才是智慧交通走向成熟的關鍵。
|
| |
| ※本文圖文非經授權不得轉載，洽詢授權，請E-Mail至contact@aimag.tw[ iDS智慧安防雜誌聲明 ]※ |
| |
| |
|
| |
