壹  前言

AI 時代使「看見世界」的物聯網（Internet of Things）逐步走向「理解世界」的智聯網（Intelligence of Things）。物聯網平台使真實世界中的設備、感測器與系統得以連接，並以設備連接、資料蒐集、狀態監控與告警觸發為核心。然而，感測器數據通常仍需仰賴人為設定規則與條件，才能轉化為具體事件或決策依據。物聯網平台解決資料如何被取得與傳遞的問題，智聯網平台進一步要解決的是數據如何被理解，並將其轉換為有意義的情境資訊。近年以 ChatGPT 為代表的生成式 AI 與大型語言模型（Large Language Model, LLM）快速發展，結合語意推論、知識圖譜與數位分身等技術，使平台具備從資料接收，進一步走向環境理解、情境解釋與決策輔助的發展基礎。與此同時，AI Agent、工具調用與多服務協作機制的興起，使智慧聯網平台不僅應「使用 AI」，更應提供可被 AI 理解、推理與調用的情境上下文與服務介面。本文將以智聯網平台的關鍵技術與價值切入，說明智聯網平台如何成為 AI 時代理解與調用物理世界的基礎介面。

貳  促成智聯網平台的關鍵技術

實現具備「理解世界」能力的智聯網平台並非來自單一技術的突破，而是多項技術與概念共同累積的成果。「理解世界」的具體任務包含：理解資料背後的環境脈絡、設備關係與情境意義，並將這些資訊轉化為可供使用者、應用系統與 AI Agent 採取行動的環境狀態。而促成這些任務的關鍵技術包括：生成式 AI 與 LLM、語意推論與知識圖譜、數位分身、以及通感一體化(Integrated Sensing and Communication, ISAC)新一代通訊概念。

一、 生成式 AI 與 LLM：降低 AI 能力的使用門檻

生成式 AI 與 LLM 的普及，使 AI 能力不再侷限於特定模型、特定資料科學流程或專家系統，而逐漸成為可透過自然語言調用、組合與解釋的通用智慧介面。對智聯網平台而言，LLM 的價值並不是讓 AI 第一次具備推論能力，而是降低了 AI 能力被使用與整合的門檻。

對比於人為預先設定的規則，LLM 提供處理複雜情境、跨設備關係與不完整資料的新可能性，雖對於需要可追溯與高可靠性的推論，仍需結合知識圖譜、數位分身、領域規則與時序分析等機制，但智聯網平台可以利用 LLM 自然語言理解、摘要、解釋與任務規劃能力，協助將異質資料轉換為更容易被人與系統理解的情境描述。例如，以水務情境舉例，平台不僅回傳「Pump_A = ON、FlowMeter_B = low」，而是進一步說明：「上游幫浦已啟動，但下游流量未如預期上升，可能存在閥門未開、管線阻塞或感測器異常。」這種能力使智聯網平台逐步走向情境解釋與決策輔助。

二、 知識圖譜與語意推論：讓平台理解資料意義

知識圖譜可將感測資料與設備、空間、系統關係及領域知識連結，使原本孤立的數值成為語意推論的情境線索。若平台未建立知識圖譜或語意關係模型，設備數據通常只能反映局部狀態變化，無法進一步推論潛在的事件意義，平台功能將停留在資料蒐集與門檻告警，難以達成環境理解的目標。

舉例於水務管理場域建立「閘門與下游河段存在影響關係」、「水位感測器觀測特定河段水位」等語意關係，並結合「閘門開啟後下游水位應產生合理變化」等領域規則後，平台在收到上下游水位高度與閘門狀態後，可判斷「閘門開啟後，下游水位是否如預期上升」。若下游水位未產生合理變化，便可進一步推論閘門異常、感測器故障或資料延遲等可能情境。知識圖譜與語意推論的結合，使智聯網平台能從「記錄資料」進一步走向「理解資料意義」，並將感測數據轉化為可解釋、可追溯且可支援決策的環境情境資訊。

三、 數位分身：建立物理世界的結構化映射

數位分身是整合物理資產、空間位置、設備狀態與系統拓樸的模型，其功能在於以結構化方式描述設備、空間與系統之間的關係。數位分身的核心目的是將真實世界轉化為可被系統理解、查詢與推論的結構化表示，對智聯網平台而言，數位分身定義的結構化模型使感測資料能被放回物理環境的脈絡中解讀。

若缺少數位分身，智聯網平台即使收到大量感測資料，也多半只能進行單點監控，例如難以判斷某個設備狀態變化會影響的河段、管線或低窪區域。平台雖然「看見」了資料，卻無法真正理解資料在物理環境中的意義。數位分身能將資料映射到物理世界的結構中，讓平台不只看到單一數值異常，也能根據數位分身中的位置、拓樸與設備關係，分析可能受影響的區域與設備，作為情境推論的基礎。

四、 通感一體化(Integrated Sensing and Communication, ISAC)：擴大感知與協同能力

相較於 LLM、知識圖譜與數位分身，ISAC 更偏向未來感知能力的延伸。ISAC 的核心概念是讓通訊基礎設施不只負責傳輸感測器資料，也同時具備一定程度的感知能力。換言之，未來網路本身也可能成為新的環境感知來源。例如，無線訊號可用於感測物體移動、人流變化、車流狀態或空間佔用情形。這將使智聯網平台取得環境資訊的方式，從傳統感測器進一步擴展到通訊網路本身。

ISAC 目前仍處於研究與早期驗證階段，雖尚未成為普遍部署的基礎設施，但已被視為 6G 網路的重要候選能力與研究方向之一。ISAC對智聯網平台的意義在於拓展未來的感知邊界，當通訊網路逐步具備感知能力，平台可整合來自感測器、設備狀態、數位分身與網路感知等多來源資訊，形成更完整的環境狀態。

參  智聯網平台的價值

一、 提供具脈絡的情境上下文

綜合生成式 AI 與 LLM、語意推論與知識圖譜、數位分身、以及通感一體化的技術，智聯網平台提供的情境上下文，不只是經過處理的資料，而是可直接支援判斷與行動的環境狀態。相較於傳統平台提供感測數值、設備狀態與告警訊息，情境上下文進一步描述事件發生的位置、相關設備與系統關係、可能原因、影響範圍及其推論依據。換言之，平台輸出的重點不再只是「發生了什麼數值變化」，而是「這個變化在特定物理環境與系統脈絡中代表什麼意義」。

智聯網平台提供具脈絡的情境上下文可降低 AI Agent 的負擔，使後續分析、決策與服務協作不必從零開始解讀大量分散的感測數據，而是建立在更完整、可解釋且更接近真實場域運作邏輯的資訊基礎上。

二、 Agent-ready 的協作介面

過去的物聯網平台串接服務系統的方式多依賴固定格式、預設流程與明確規則進行資訊交換，相較之下，智聯網平台除了延續既有的系統整合能力，也需要支援具備情境理解、任務規劃與工具調用能力的 AI Agent。智聯網平台不僅使用 AI 進行情境推論，亦扮演支援 AI Agent 理解與調用物理世界資訊的角色。

對AI Agent 而言，判斷決策的依據不應是雜亂、高頻、缺乏語意脈絡的原始數據，而是可理解、可追溯、可調用的事件與環境狀態。透過串聯智聯網平台，AI Agent 可取得事件脈絡與推論依據，並在權限控管與安全機制下進一步查詢資料、調用工具或協助執行流程。由此，智聯網平台將從傳統系統整合介面，發展為支援 AI Agent 理解、協作與受控操作物理世界的 Agent-ready 協作介面。

肆  結論

物聯網平台與智聯網平台的共同目標，都是讓真實物理世界中的設備、狀態與事件能被掌握、管理並進一步支援行動。不同之處在於，傳統物聯網平台主要解決設備連接、資料蒐集、狀態監控與告警觸發問題；而 AI 時代的關鍵問題，已不只是如何讓物理世界產生更多資料，而是如何讓這些資料成為可被理解、推理與行動的情境上下文。

智聯網平台透過生成式 AI、語意推論、知識圖譜、數位分身等技術，將感測所得的數據解析為更具脈絡及符合領域知識的結構化資訊，並以支援 AI Agent 的介面方式提供。智聯網平台並非只是將 AI 功能附加在既有物聯網平台之上，而是透過串接物理世界的設備數據和服務系統的 AI Agent，成為 AI 理解、連接與協作物理世界的基礎介面。

伍  參考文獻