監視器學會了看懂畫面之後：實體保全 AI 的隱私帳單誰來付

一位在台北某商辦大樓當保全隊長的朋友跟我說過，他最怕的不是有人闖進來，是那面十六宮格的監控牆。「盯著看半小時，眼睛就開始飄。有東西動了，你也不確定是人還是招牌被風吹。」

所以他們的做法很務實：警報聲關掉，靠巡邏。

這幾年 AI 影像安控的躍進，本質上是在解這個問題——讓機器去做那件人做不好的事。但當監視器從「錄下來備查」變成「看懂了並主動反應」，一整套原本不存在的問題也跟著長出來。

事件背景

技術面的變化在過去兩年特別劇烈。

Lumana 用自研的影像理解模型 VIA-1，把功能拆成監控、應變、調查、洞察四個代理，官方宣稱誤報最多可降低九成，目前部署超過五萬支攝影機，客戶包含 Meta、Salesforce 與麥當勞。Coram AI 主打自然語言搜尋——你用一句話描述要找的畫面，系統幾秒內把片段撈出來，取代一路快轉錄影的原始做法。

Ambient.ai 走的是視覺語言模型路線，官方稱其 Pulsar 模型內建超過 150 種已驗證的威脅特徵，並把影像與門禁資料交叉比對來驗證警報真偽，宣稱可消除 95% 以上的誤報。HiveWatch 則不做影像本身，而是把分散的門禁、監視、感測整併成單一指揮台，官方數字是誤報減少九成、事件平均 22 秒處理完成。

最引人注目的是 Flock Safety。這家以車牌辨識起家的公司在 2025 年 3 月完成由 a16z 領投的 2.75 億美元 F 輪，估值 75 億美元，2026 年 4 月進一步升至 84 億美元。它同時也是這個領域被隱私團體抨擊最猛烈的一家。

本次重點

• 從被動錄影到主動理解，這是安控產業二十年來最大的一次躍遷。
• 自然語言搜尋是體感差距最大的功能——調閱影像從翻錄影變成關鍵字定位。
• 誤報率大幅下降的關鍵不是模型變強，是引入了多來源交叉驗證（影像＋門禁）。
• 能力越強，個資風險越高。 人臉辨識與車輛軌跡累積，在台灣都是敏感地帶。
• 監控規模的爭議不在單次使用，在長期累積——這是 Flock Safety 被批評的核心。

市場影響分析

對台灣使用者

先講一個必須說清楚的事：這些系統的功能表是照美國市場需求排的。槍械偵測、校園主動攻擊者應變、跨機關車牌共享，這些在台灣不是用不到就是不能用。

台灣企業真正該評估的是另外幾項：工安行為分析、損防與異常行為偵測、事後調閱效率、以及多站點集中管理。這幾項的價值在台灣完全成立，而且投報率好算。

但人臉辨識這一項要特別小心。人臉在台灣個資法下屬於特種個人資料，蒐集需有明確合法目的並善盡告知義務。實務上，用於員工出勤管理與用於偵測外部可疑人士，法律評價完全不同；公開場所與管制區域的標準也不一樣。我的建議很直接：除非有非常明確的必要性與完整的法遵評估，否則第一階段先不要開人臉辨識。行為分析與物件偵測的價值已經夠大，不需要為了多那一點功能去踩最敏感的線。

對企業應用

從採購角度，這四家的定位其實不同，混在一起比會比錯。

Lumana、Coram AI、Ambient.ai 是影像端的競爭者，處理的是「攝影機看到了什麼」。三家的差別在：Coram 的自然語言搜尋最直觀、Ambient 強調因果推理適合鑑識場景、Lumana 主打四種代理分工且相容既有攝影機。

HiveWatch 則完全是另一層——它處理的是「警報進來之後誰去做什麼」。如果你的問題是多套系統各自跳警報、值班人員分不清優先順序，那你需要的是 HiveWatch 而不是再買一套影像 AI。

還有一個常被忽略的成本：這些系統會產出大量事件，而每個事件理論上都該有處理紀錄。導入前要先想清楚，你的保全團隊有沒有人力承接這些工單。系統把誤報從一天四百筆降到四十筆，那四十筆還是得有人處理。

對開發者

台灣本地團隊的機會在垂直場景與法遵。

國際廠商的模型訓練資料裡沒有台灣的騎樓、沒有機車停放的混亂、沒有夜市與傳統市場的人流密度。這些場景的偵測模型是外商不會投入的細活。

法遵這塊更有機會。台灣企業導入這類系統時，最需要的其實是一套能證明「我們有做好個資保護」的機制：資料保存期限自動控管、存取紀錄可稽核、特定影像的自動去識別化。這些功能在國際產品裡通常是次要功能，但在台灣可能是能不能過關的關鍵。

未來發展趨勢

第一個趨勢是視覺語言模型會成為標配。傳統規則式分析遇到沒定義過的情境就失效，而視覺語言模型能理解畫面語意與前後脈絡。代價是運算需求高，所以邊緣運算硬體會跟著升級——這也是為什麼幾乎每家都在推自己的邊緣主機。

第二個趨勢是多來源融合。單靠影像很難判斷一個人該不該出現在那裡，把門禁刷卡、感測器、甚至排班資料比對進來，誤報率才壓得下去。這意味著安控系統會越來越像一個資料整合平台，而不是一套攝影機軟體。

第三個，也是我認為最重要的，是規範會追上來。歐盟 AI 法已經把即時遠端生物辨識列為原則禁止的高風險應用，執法權在 2026 年 8 月 2 日正式啟動。台灣目前沒有專法，但個資法的既有框架與主管機關的解釋函令，遲早會針對這類應用給出更明確的界線。現在導入的系統，設計時最好預留調整空間。

TheAI學院 總結與評語

我對這個領域的觀察是：能力跑得比規範快，而企業正站在這道落差上。

技術面沒什麼好懷疑的，自然語言搜尋、誤報大幅下降、跨系統整併，這些都是實打實的進步，也確實在解決保全業真正的痛點。我朋友那面被關掉警報聲的監控牆，就是這個產業存在的理由。

但 Flock Safety 那個 84 億美元的估值，以及它同時承受的猛烈抨擊，說明了另一件事：這條路的代價是真實的。爭議的核心從來不是單次使用有沒有正當性，而是長期、大量、跨機構累積的移動軌跡，最終會構成什麼。這個問題沒有簡單答案，但假裝它不存在絕對是錯的。

評語：實體保全 AI 已經好用到不裝可惜，但它同時也是企業最容易踩到個資紅線的地方。技術該買，法遵評估別省——那筆錢比軟體費用便宜，比裁罰便宜太多。

給台灣讀者的具體建議：如果你負責企業安全，第一階段先聚焦在不涉及生物辨識的功能——行為分析、物件偵測、事後搜尋，這三項的價值已經很大且法律風險低。第二，導入前務必與法務確認蒐集目的、告知方式與保存期限，並把這三件事寫進系統設定而不只是寫進政策文件。第三，如果你的痛點是「警報太多沒人處理」，那該找的是整併型平台而不是再買一套偵測系統。想進一步了解相關工具，可以參考站上的 AI 隱私與安全 分類，或看 AI 提示詞範本 裡的法遵盤點題目。

資料來源

• Lumana 官方網站
• Ambient.ai 官方網站
• 歐盟執委會：AI 法執法框架

（本文依公開資訊整理，以官方揭露為準；涉及個資法遵的判斷請諮詢專業法律意見。）