傳統機器視覺系統長期受制於「以固定幀率全域掃描」的核心架構，每秒產生數十幀完整畫面，不僅消耗龐大運算資源，更在高速運動或極端光線環境下頻頻失效。事件相機（Event-Based Camera）採用神經形態感測原理，僅在像素偵測到亮度變化時才觸發輸出訊號，徹底顛決了百年來影像擷取的典範。
這項技術由瑞士蘇黎世大學與法國半導體新創公司 Prophesee 共同推進，核心元件採用動態視覺感測器（DVS）。相較於傳統 CMOS 每秒輸出 30 至 120 張完整影像，事件相機的延遲可壓低至微秒等級，動態範圍更跨越 140dB，遠超傳統感測器的 60 至 70dB。
在產業應用面，事件相機已開始滲透至自動駕駛、工業瑕疵檢測、無人機防撞、機器人視覺等場景。Sony 於 2024 年發表搭載事件感測功能的車用 IMX636 模組，Samsung 與多家歐洲新創同步投入研發，預估 2025 至 2030 年事件相機市場年複合成長率將突破 40%，正式從實驗室走向規模商用。
事件相機的本質是一場純粹的科學與工程典範轉移，並非傳統意義上的地緣政治或商業壟斷衝突，因此本文不套用利益角力分析框架，而回歸技術演進的歷史脈絡與結構性誘發成因。
一、從幀到事件：影像擷取百年典範的鬆動
自 19 世紀電影膠卷問世以來，人類的視覺記錄始終建立在「離散時間取樣」之上。1970 年代 CCD、1990 年代 CMOS 的普及，雖大幅提升解析度與幀率，卻從未挑戰「全域掃描、統一曝光」的根本假設。事件相機的概念最早可追溯至 1990 年代末 Mead 提出的神經形態工程學，試圖模仿人類視網膜僅對「變化」產生反應的機制，但受限於製程與演算法，直至 2010 年代後深度學習與光學製程成熟，DVS 才正式從理論走向商品化。
二、技術原理的深層結構性優勢
事件相機每個像素皆為獨立非同步觸發單元，當該像素的亮度對數變化超過設定閾值時，即輸出一個帶有時間戳記與座標的事件封包。這種「稀疏、非同步、僅回報變化」的資料流，使資料吞吐量相較傳統影片降低 1 至 2 個數量級，完美契合邊緣運算裝置在功耗、頻寬與即時性上的嚴苛要求。
三、生態系尚未成熟的結構性障礙
目前事件相機仍面臨三大瓶頸：其一，事件資料流與現有深度學習框架（CNN、Transformer）不相容，需重新設計網路架構；其二，解析度仍停留在 VGA 至 HD 等級，遠不及高階傳統感測器；其三，產業標準與資料集尚未統一，導致開發者導入成本居高不下。這些技術與生態系的結構性門檻，正是事件相機遲未全面爆發的真正成因。
戰略貿易流向與供應鏈依賴度
HS 8542資料來源：UN Comtrade 聯合國商品貿易統計庫 · 全球市場規模 $5,800 億美元 / 年
事件相機的發展軌跡，可對比 1990 年代 CMOS 取代 CCD、2010 年代深度學習取代傳統機器視覺的兩次重大典範轉移。當年 CMOS 花費約 10 年從高階科學儀器滲透至消費性電子，深度學習則在 5 年內完成產業重塑。事件相機正處於「CMOS 1995 年」與「深度學習 2012 年」之間的關鍵轉折點，未來 5 至 10 年將依以下三種情境演進：
事件相機正處於技術成熟度曲線的「過早炒作與穩定爬升」交界期，企業決策者與投資人應同步進行短中長期佈局：
01 起因觸發：神經形態工程學突破與CMOS製程成熟，事件相機從實驗室走向商品化
02 一階傳導：Sony、Samsung、Prophesee 等感測器大廠加速產品線佈局，新創公司融資熱度升溫
03 二階擴散：自動駕駛、機器人、無人機產業導入事件視覺模組，演算法生態系開始重構
04 結構重塑：傳統幀式影像處理管線面臨淘汰壓力，神經形態處理器與類腦晶片需求崛起
05 宏觀終局：電腦視覺產業鏈全面重組，2030 年前形成「事件感知 + 類腦運算」新典範
跨事件因果網路圖譜 2 驗證節點
AI 驗證因果鏈條 · 可拖曳節點 · 點兩下開啟文章
台積電的「關鍵價差」：492美元目標價背後的AI霸權與2奈米風險博弈
事件相機在自動駕駛、機器人視覺的滲透，與台積電受惠於AI晶片先進製程需求屬同一條「AI感知+運算」主線的雙引擎敘事；Sony、Samsung事件感測器開發所需的特殊製程與類比晶片產能，間接加劇對台積電成熟與先進製程的依賴，推升其營收年增與目標價溢價。
Altman鬆口願放慢AI狂奔：安全紅線逼近典範轉移的臨界點
事件相機的低延遲、低功耗神經形態感測與AI治理轉向同屬「AI從雲端走向邊緣裝置」的同一典範轉移主線；AGI安全紅線逼近，促使運算負載從集中式資料中心向終端感測/決策裝置分散，事件相機正是邊緣視覺的關鍵硬體基礎。
