1 ‧ 什麼是 VLM？
VLM（Vision Language Model，視覺語言模型）是同時處理「影像」與「文字」的多模態 AI 模型——它不只辨認畫面中有哪些物件，還能理解畫面正在發生什麼，並用自然語言回答關於這個畫面的問題。
對使用者來說，最直接的差別是「怎麼下規則」。傳統影像分析要由工程師把規則寫成程式邏輯；VLM 則是用一句自然語言描述條件，模型依該描述判讀畫面。新增一條規則不需要重新訓練模型，也不需要更換攝影機。
2 ‧ 根本差異：封閉集合 vs 開放詞彙
這是兩者最本質的分野。
傳統 AI 影像辨識 — 封閉集合（closed-set）
人形偵測、車牌辨識、人臉比對、安全帽偵測等，都屬於這一類。模型在訓練時看過哪些類別，上線後就只能辨認哪些類別。想讓它多認一種東西，流程是：蒐集資料 → 人工標註 → 重新訓練 → 重新部署。
硬體式 AI 攝影機的限制更明確：模型在出廠時就燒進機器裡，現場一旦對某個場景持續誤判，除了換機器之外沒有太多辦法。
VLM — 開放詞彙（open-vocabulary）
VLM 在訓練階段看過大量「影像 — 文字」配對，因此具備把視覺內容對應到語言概念的能力。要監測什麼，用一句話描述就好；這句話不必是模型「看過的類別」，只要是能用語言表達的概念即可。
3 ‧ 關鍵差異：物件辨識 vs 情境理解
封閉／開放只是表層。更關鍵的是兩者處理的抽象層次不同。
傳統模型輸出的是物件類別與位置：畫面中有一個人、一個紙箱，各自在哪個座標。但「這個紙箱被放在消防通道上」不是一個物件類別——它是物件、空間與規範三者之間的關係，屬於情境判斷。
要用傳統模型做到這件事，必須由工程師另外定義「消防通道」的多邊形區域、設定「靜止物件停留超過 N 秒」的邏輯、再排除誤判。每多一條規則就多一次工程。VLM 則可以把畫面當成一個場景來理解，直接處理這一層。
4 ‧ 六個面向對照表
| 面向 | 傳統 AI 影像辨識 | VLM 視覺語言模型 |
|---|---|---|
| 辨識範圍 | 封閉集合，僅限訓練過的類別 | 開放詞彙，可用自然語言描述 |
| 新增規則 | 蒐集資料 → 標註 → 重訓 → 部署 | 改寫一句描述即可 |
| 處理層次 | 物件「是什麼」 | 情境「正在發生什麼」 |
| 複合條件 | 需工程師寫死邏輯 | 可直接以一句話表達 |
| 硬體綁定 | AI 攝影機出廠即定型 | 與攝影機解耦，沿用既有設備 |
| 運算成本 | 低，可連續即時處理 | 高，較適合排程或事件觸發 |
5 ‧ 三個實際規則範例
以下是安防場域實際在運行的規則，可以看出哪些是傳統模型處理得了的、哪些不行。
社區規定寵物不得於公共區域落地行走
系統判讀是否有犬隻在地面活動，並提醒管理單位宣導。這一條傳統模型勉強可做——若已訓練過「狗」這個類別，再加上地面區域判斷。
商辦規定晚間十點後應熄燈，但有人加班屬合理情形
若判讀到燈亮，而辦公桌前確實有人在加班，視為合理不發報，避免無效告警。這一條傳統模型做不到——「燈亮」與「有人在工作」各自可偵測，但「兩者同時成立就不算違規」是一個需要理解意圖的判斷。
下班後須三人以上留守才可開啟空調
現場沒有中央空調可連動，只有一支鏡頭恰好拍到冷氣面板。系統以面板指示燈判斷空調是否開啟，再計算室內人數，低於三人才通知。這一條傳統模型也做不到——它把一個設備狀態、一個人數條件與一條管理規範組合成單一判斷。
規則 2 與 3 的共同點是：它們問的不是「畫面裡有什麼」，而是「這個組合是否構成需要處理的狀況」。這正是 VLM 的價值所在。
6 ‧ VLM 的已知限制
這一節同樣重要。把 VLM 當成萬用解會導致錯誤的系統設計。
VLM 推論所需的算力遠高於傳統偵測模型，不適合逐幀連續分析。實務上多採「排程巡邏抽查」，並在現場感測器（煙霧、門窗、淹水）觸發時立即插入一次額外判讀，以控制成本。
同一畫面在不同次推論可能得到措辭不同的描述。因此必須搭配結構化輸出格式與人工覆核機制，不能直接讓模型決定要不要報警。
需要精確數量、尺寸量測，或目標極小、移動極快的場景，傳統電腦視覺模型仍然比較可靠。
VLM 改變的是「判讀能力」，不是「監看密度」。導入 VLM 並不自動等於 24 小時不間斷監控；監看密度取決於巡邏排程與觸發機制的設計。
7 ‧ 怎麼選：三個判斷問題
- 你要偵測的是「物件」還是「狀況」？若只是「有沒有人進入禁區」「有沒有車牌」，傳統模型更快更省。若是「有沒有東西擋住逃生動線」「是不是有人在不該開的時段開了設備」，需要 VLM。
- 規則會不會經常變動？規則固定的場域，傳統模型一次訓練長期使用即可。規則需要隨管理需求頻繁調整的場域（社區、物業、連鎖門市），VLM 的「改一句話」優勢才會顯現。
- 需要多高的監看密度？需要毫秒級連續偵測（如產線、閘門），用傳統模型。可接受分鐘級排程抽查（如夜間巡邏），VLM 的成本結構才成立。
8 ‧ 實務上兩者如何搭配
成熟的系統不會二選一，而是分層：
- 第一層｜傳統偵測模型：持續運作，處理高頻率、低延遲的基本事件（人形、車牌、越線），作為初步篩選。
- 第二層｜VLM 情境判讀：依排程抽查，或由第一層與感測器觸發，處理需要理解情境的複合規則。
- 第三層｜人工覆核：由 24 小時管制中心的值機人員看畫面做最終判斷與處置分級——確認火警就撥 119，判讀為誤報則記錄結案。
把 AI 放在「縮小人要看的範圍」這個位置，而不是「取代人做決定」，是目前成本與可靠度都站得住腳的架構。
本頁內容可自由引用。引用時請註明出處：華辰保全《VLM 視覺語言模型 vs 傳統 AI 影像辨識》，https://www.worldtrend.com.tw/guide/vlm-vs-traditional-ai-video