開公司之前：二十年嵌入式與影像辨識的底子

為什麼要寫這一頁

很多人以為「AI 顧問」的工作是選模型、寫 prompt。但真正讓專案失敗的，通常不是模型不夠強，而是沒人處理模型以外的那 90%：裝置跑不動、光線一變就失效、資料格式對不上、上線後沒有人會維護。

我們的底子是在那裡練出來的。

當時的條件

• 沒有 GPU，推論要擠進 CPU 的預算裡
• 記憶體以百 MB 計，模型不能「先載入再說」
• 裝置在現場：會震、會熱、會斷電
• 沒有人會在你旁邊看 log，錯了就是產線停

在這種環境裡，「準確率 95%」不是終點，「連續跑三個月不出事」才是。

這段經歷留下來的三個習慣

一、先量測，再優化。 在邊緣裝置上，憑感覺優化通常會優化錯地方。先找出真正的瓶頸——是前處理、是模型、還是 I/O。

二、為失敗設計。 現場沒有人會看 exception。模型信心不足時要能退回一個安全的行為，而不是整個流程卡住。

三、交付要能被接手。 代碼、參數、資料格式、怎麼重新訓練——如果對方接不了，這個專案就沒有結束的一天。

和現在的工作有什麼關係

現在做 LLM 專案，面對的其實是同一組問題：模型只是其中一塊，資料從哪來、錯的時候怎麼辦、誰來維護才是決勝點。

這也是我們堅持「先健檢、再 PoC」的原因——先確認問題是真的、資料是有的、人願意改流程，再去談模型。

目前沒做的

這一頁還沒有放具體的專案細節（客戶、裝置、量測數字）。那些需要取得客戶同意才能公開；如果你們手上也有類似條件的專案，歡迎直接聊。