你可以想像幾種典型場景：
智慧監控 / 攝影機- 舊時代：全部影像上傳 NVR / 雲端儲存
- AI 時代：攝影機本機就跑物件辨識（人、車、異常行為），本地先做一次「AI 篩選」只把關鍵片段或數據上傳
→ 本地端需要 更大的 NAND / SD / eMMC 儲存 + 一部分 DRAM 存模型和緩衝。
車用（ADAS / 自駕感測）
- 車內感測資料（雷達、攝影機、LIDAR）資料量驚人
- 即便不全上雲，也要有能力「短期儲存 + 本地 AI 推論」
→ 車用 SSD / eMMC / UFS / LPDDR 需求跟著拉高。
工廠與機器人
- 工廠機械手臂、AOI 檢測機，直接在邊緣伺服器 / 機器人控制器上做 AI 推論
- 影像 / 感測資料會在本地儲存一段時間，供模型優化或追溯
→ 工控級 SSD / 工業用 NAND、長壽命、高寫入耐久度。
零售 / POS / 智慧櫃檯
- 鏡頭 + AI 判斷客流、偷竊、陳列狀況
- 不可能全部上傳雲端，會大量在本地 edge box 做緩存與分析。
這些都共通一個邏輯：
「算力下沉到邊緣 → 資料前處理也在邊緣進行 → 邊緣端的本地儲存容量與速度都得增加。」
