邊緣人工智慧（Edge AI）與多模態輸入技術已取得顯著進展，使得智慧裝置能同時處理光學、語音等多元感測數據，克服了雲端AI的延遲與隱私挑戰，未來有望實現更高度的個人化與情境感知互動。
隨著人工智慧（AI）技術持續演進，邊緣人工智慧（Edge AI）結合多模態輸入正成為智慧裝置發展的關鍵趨勢。這項技術讓裝置能同時接收並處理多種感測器輸入，如光學、紅外線、雷達、光達（LiDAR）、聲音及震動等，進而提供比單一感測輸入更精確且豐富的互動體驗。
過往，AI的發展重心主要在於超大規模資料中心，用以訓練大型語言模型（LLMs）等運算密集型任務。然而，推論（inference）階段所需的運算資源相對較少，但由於習慣和GPU架構的熟悉度，GPU也常被用於推論工作。Synaptics公司行銷副總裁Neeta Shenoy指出，GPU成本較高、功耗大且散熱問題明顯，難以應用於多數消費性電子產品及物聯網（IoT）裝置。早期智慧音箱等產品便將AI運算卸載至雲端處理。
儘管雲端運算仍具成本效益，但邊緣AI將處理能力拉近裝置端，解決了網路延遲問題，對於需要即時反應的應用至關重要。同時，資料安全與隱私也是推動邊緣AI發展的關鍵因素，特別是在工業系統、醫療裝置及智慧城市等應用中，將資料保留在裝置端能更有效確保隱私與安全。這項轉變得益於運算能力提升、低功耗AI模型、更高效的演算法，以及專為AI負載設計的處理器核心，例如Google推出的RISC-V架構Coral NPU。
多模態邊緣AI的潛力龐大，能讓智慧裝置實現更複雜的行為。例如，將視訊處理能力整合至邊緣裝置，不僅克服了技術障礙，透過本地資料處理也解決了視訊影像可能外洩的隱私疑慮。未來，裝置將能透過使用者識別和手勢辨識，提供個人化服務。例如，智慧咖啡機可透過視覺辨識判斷使用者，再根據語音指令與個人偏好自動沖泡咖啡。此外，藉由情境感知能力，智慧裝置甚至能解讀使用者對話和肢體語言，判斷需求並提供更符合情境的協助。儘管多模態邊緣AI的開發仍具挑戰，但硬體、演算法與開發工具的持續進步，正使其日益普及與實用化。
