邊緣 AI 對無線裝置意味著什麼

幾天前，我坐在家裡樓上一個比較偏的角落，嘗試使用 Claude 開發一個自己的小工具。沒有什麼複雜的，就是我、一台筆記型電腦，再加上一個負責主要運算工作的 AI 模型。因為我住的是多樓層住宅，為了避免 Wi Fi 訊號死角，家中安裝了 Mesh Wi Fi 系統。照理來說，應該不會有什麼問題，對吧？

但事實並非如此。模型一直提示馬上就能快速回覆，然後……就沒有然後了。幾分鐘過去，我的請求才終於傳送到系統；之後又過了好幾分鐘，回覆才傳回來。

幾天後，我在將影片上傳到自己的 YouTube 頻道時，又遇到了同樣的問題。我原本滿心期待影片盡快上線，結果卻只能坐在那裡，看著進度條緩慢前進。兩個完全不同的情境，卻出現了相同的問題：真正影響體驗的並不是 AI，而是我的 Wi-Fi。

這正是大家談論「邊緣 AI（AI at the Edge）」時很少真正關注的問題。所有人都對 AI 模型本身充滿期待，例如模型有多大、多聰明、推論速度有多快。但很少有人討論這樣一個事實：所有這些智慧最終都必須透過無線連線傳輸，才能真正到達使用者端。而坦白說，這條無線鏈路往往恰恰是整個鏈條中最薄弱的一環。

那麼，「邊緣 AI」到底是什麼？

簡單來說，邊緣 AI 是指 AI 運算發生在靠近使用者的裝置上，例如智慧型手機、家中的智慧中樞或 Wi Fi 存取點，而不是在遙遠的資料中心完成。

網路中的 AI 則完全不同：模型與運算處理發生在網路基礎設施深處。那裡擁有強大的運算能力，可以執行大型模型並處理龐大資料集，但這種強大能力也伴隨著一項代價：延遲。請求傳輸得越遠，等待的時間通常也越長。

邊緣 AI 改變了這種模式。它追求的是速度、低延遲與快速回應。但關鍵在於：邊緣 AI 的速度，最終取決於承載它的無線裝置有多快。即使你的網路執行著全球最先進的大型語言模型，如果 AI 與終端裝置之間最後幾公尺的距離，或最後隔著的幾面牆，成為網路瓶頸，使用者仍然會感覺「AI 很慢」，即使 AI 本身實際上只用了幾毫秒就完成處理。

這正是我在樓上遇到的情況。即使採用 Mesh 系統，無線網路部分依然成為瓶頸，決定了我所感受到的 AI「速度」。在實驗室裡，你可以透過穩定、乾淨的網路連線反覆驗證模型準確度；但如果沒有測試 RF 效能在不同條件下的表現，例如訊號衰減、功率下降以及干擾變化，那麼你所測試的就不是裝置實際能夠提供的完整體驗。

我的親身經驗進一步印證了一個更重要的觀點：在部署邊緣 AI 時，無線測試絕不能只是事後考量，而應該成為整個討論的核心。

Wi‑Fi 8 登場

這正是為什麼新一代無線技術比以往任何時候都更加重要，無論是家庭網路中的 Wi Fi 8、手機上的 5G，還是未來的 6G。過去幾代無線技術主要追求峰值吞吐量，也就是規格表上越來越大的數字。但 Wi Fi 8（IEEE 802.11bn 的業界通用名稱）打破了這種模式。Wi Fi 8 的正式定位是超高可靠性（Ultra-High Reliability，UHR），旨在提升弱訊號環境下的吞吐表現、降低最差情況下的延遲，並減少連線中斷。隨著裝置在不同存取點（AP）之間漫遊，這一點尤其重要。例如透過多 AP 協調（Multi-AP Coordination，MAPC），鄰近的存取點可以彼此協作，而不是爭用無線傳輸時間。

UHR 所強調的，是無線產業一個重要的方向轉變：焦點正從「Wi Fi 在理想條件下究竟能有多快」，轉向「當訊號衰減、功率和干擾程度持續變化時，Wi Fi 能否穩定維持高速表現」。 對邊緣 AI 而言，這項差異極其重要。

搭載 AI 的裝置並不只是播放影片。對影片而言，短暫緩衝雖然令人不快，但通常仍可接受。這些 AI 系統往往需要進行即時決策，並與語音助理、AR/VR 裝置、工業感測器以及執行裝置端推論的智慧攝影機即時互動。無線連線中的任何異常，都不只是讓系統「慢一點」，而可能直接破壞整個互動體驗。沒有人願意不斷對智慧音箱重複指令，也沒有人希望等到事情發生之後，才發現自己的監控攝影機畫面早已落後於實際狀況。

測試真正發揮作用的地方

效能要求不僅適用於使用者手中的用戶端裝置，也同樣適用於存取點；鏈路兩端都必須維持穩定。而一個很容易被忽略的事實是：我們實際上無法完全控制無線鏈路本身。你無法改變使用者家中的牆壁，也無法控制鄰居家的 Wi‑Fi 網路，更無法避免擁擠的 RF 頻段。但你可以控制的是：當裝置面對不理想的鏈路條件時，其 Tx/Rx（傳送/接收）鏈路能夠有多好的表現。如果沒有對此進行測試，最終只能依靠運氣。依照目標效能範圍設計硬體是一回事，而驗證軟體能否真正驅動硬體，持續達到目標效能，則完全是另一回事。

那麼，在這些新的無線環境下，究竟應該如何進行測試？大致可以分為三類：

非信令測試是在脫離即時通訊的情況下單獨量測 RF 效能，進而將問題定位至硬體層面。主要包括：

• 針對採用 dRU 配置的 6 GHz 裝置進行功率位準與功率頻譜密度（PSD）驗證，以確認裝置能夠達到規定的功率增益，同時不超過法規限制。這將影響裝置可實現的上行鏈路涵蓋範圍。
• 頻譜遮罩測試（Spectrum Mask Testing），用於偵測能量是否洩漏至相鄰頻道，尤其是在 dRU 情境下，子載波以非連續方式分布於更寬頻寬範圍時。
• 接收靈敏度測試（Receiver Sensitivity Testing），用於量測裝置仍能正確解碼的最低訊號強度，特別是針對 ELR-PPDU。這項指標可以驗證裝置的「遠距離傳輸」能力。

與非信令測試不同，任務模式測試會在裝置正常運作時刻意改變通道條件，觀察裝置如何即時調整，包括：

• 每空間流速率自適應驗證：在單一 MIMO 鏈路上引入路徑損耗，並確認只有該鏈路的 MCS 會相應降低。
• 檢查速率與距離曲線（rate-vs-range curve），也就是 MCS 與功率之間的關係，確保隨著環境條件惡化，效能能夠平穩下降，而不是在某個臨界點突然大幅下降，同時驗證 Wi Fi 8 引入的新編碼率。
• 透過封包錯誤率與訊號雜訊比（PER-vs-SNR）掃描，確認長碼字低密度奇偶檢查（LLDPC）等功能確實能夠在較低 SNR 條件下降低錯誤率。

共存測試讓裝置處於共享且存在競爭的 RF 環境中，例如同時存在藍牙及鄰近的 Wi Fi 網路，以評估裝置在周遭存在其他無線裝置時，其訊號功率與鄰頻道電平能否維持穩定。

這些測試的目的並不是重現真實世界中的每一種情境，而是要以更高的精準度與確定性了解：裝置的硬體與軟體究竟會在什麼情況下開始無法達到規格要求，並在使用者真正遇到問題之前找出這些界限。

總結

我始終會回到這樣一個觀點：我們可以打造全球最智慧的邊緣 AI，但如果沒有對承載這些 AI 服務的無線網路進行嚴格測試，那麼我們損失的不只是效能，還有使用者的信任。 我的 AI 工具回應慢，並不是因為 Claude 慢；影片上傳慢，也不是因為 YouTube 慢。在這兩個情境中，都是中間那段無線連線，在不知不覺中決定了最終的使用者體驗。因此，在邊緣 AI 部署中，無線測試應該被視為不可或缺的核心環節。

這也意味著，我們需要認真看待 Wi Fi、5G 與 6G，而不能僅僅把它們視為行銷宣傳中規格數字的又一次升級。無線通訊是串聯整個邊緣 AI 生態系的關鍵紐帶。它最終決定所有對邊緣 AI 的投資，能否真正轉化為使用者手中、家庭中，以及每一個需要技術即時可靠運作的真實情境中的實際價值。