AI 摘要
- 英特爾透過開放平台推動邊緣與實體 AI 於垂直產業落地。
- 技術架構整合異質運算單元以兼顧邊緣端的成本與功耗。
- 針對機器人應用推出專用開發工具以簡化資料微調與部署流程。
人工智慧技術正從大型雲端模型的集中訓練階段，邁向產業現場的邊緣落地應用。英特爾（Intel）邊緣運算事業群生態系發展部門總經理杜唯揚指出，邊緣運算發展已先後走過嵌入式系統、物聯網（IoT）與電腦視覺（Computer Vision）時期；隨著生成式 AI、代理 AI（Agentic AI）與實體人工智慧（Physical AI）的快速發展，邊緣端已成為推動 AI 實際賦能產業的核心戰場。
聚焦感知、推理與行動 建立垂直產業方案
杜唯揚分析，目前市場上的演算法與模型選擇繁多，企業面臨的主要挑戰在於如何評估合適的模型，並有效部署至真實生產環境。因此，邊緣 AI 不僅僅依賴純粹的算力升級，更需要具備完整支援「感知（Sense）、推理（Reasoning）與行動（Acting）」三位一體的架構平台。
在實際流程中，邊緣設備首先透過攝影機或感測器擷取即時環境資料，經由運算系統完成分析與決策推理，最後交由機器人或自動化機構執行動作。英特爾表示，不同於雲端 AI 側重模型即服務（MaaS）的運作模式，邊緣 AI 必須深入各垂直領域，目前其業務主要鎖定零售、餐飲、教育、醫療、智慧製造、交通運輸及智慧城市等多元場景。
- 智慧交通：由傳統影像車流監控，進一步結合生成式 AI 與自動化流程，處理複雜的路況因應與決策。
- 智慧製造：整合機器視覺、感測數據與工業機器人，支援自動化品質檢測與彈性製造排程。
推動 Open Edge Platform 與 XPU 異質運算架構
為加速產業導入速度，英特爾推出 Open Edge Platform，涵蓋底層硬體平台、軟體工具庫以及參考應用架構。該平台主張開放式生態系，與原始設計製造商（ODM）、獨立軟體開發商（ISV）共同開發並驗證標準化解決方案，協助企業縮短評估與上線時程。
在硬體運算策略上，邊緣場域需要同時負載影像辨識、推論運算、邏輯控制與網路資料傳輸。杜唯揚表示，邊緣端受限於空間、功耗預算與成本，通常不需要配置大型資料中心等級的高功耗 GPU；英特爾採用 XPU 異質運算架構，整合 CPU、GPU 與神經網路處理單元（NPU），藉由各單元的協同分工，滿足邊緣設備的高效率需求。
工具鏈降低機器人 Physical AI 開發門檻
針對需要進入實體設備與機器人控制的 Physical AI 應用，英特爾邊緣運算事業群平台研發協理王宗業指出，實體 AI 的關鍵在於整合感知、環境理解與實體控制系統，其最大技術瓶頸在於訓練資料的取得難度。
與利用大規模公開網路資料訓練的語言模型不同，機器人動作資料必須在實體場景中採集。業界通常採取既有模型為基礎，再依照特定任務進行資料微調。為此，英特爾推出包含 Robotics AI Suite、Physical AI Studio 以及 OpenVINO Physical AI Framework 在內的工具組合，協助開發團隊完成動作資料蒐集、微調與設備部署優化。
導入週期長 著重輔助人工作業與安全性
在技術可行性與部署成本方面，王宗業說明，Physical AI 專案從啟動到開發完成通常耗時 3 至 9 個月；然而，由於實體設備涉及直接與環境及人員互動，系統在上線前普遍需要額外進行半年以上的現場實地測試，以確保運作安全與可靠度。
就當前技術落地而言，Physical AI 仍以協助人類分擔重複、高負荷或具危險性的作業為主要定位。無論是醫療影像輔助判讀，抑或零售與服務型機器人，核心目標在於降低特定流程負擔，最終決策與複雜判斷依然以人機協同架構為主。
Reference Link : ithome.com.tw
