新聞

AI發展正在從大型模型訓練階段，逐漸轉向如何讓模型真正進入產業場景。英特爾邊緣運算事業群生態系發展部門總經理杜唯揚表示，過去邊緣運算歷經嵌入式運算、物聯網（IoT）到電腦視覺（Computer Vision）等階段，現在隨著生成式AI、Agentic AI與Physical AI興起，邊緣端將成為AI實際應用的重要環節。

杜唯揚指出，市場目前並不缺少AI模型，許多企業面臨的是「如何選擇模型，以及如何將模型部署到實際環境」的問題。因此，邊緣AI未來需要的不只是運算能力，而是完整支援感知（Sense）、推理（Reasoning）與行動（Acting）的平臺。

「邊緣計算其實是一個很好的機會，可以幫助各行各業充分利用AI。」杜唯揚表示，當攝影機、感測器等設備取得環境資訊後，AI可以進一步分析與推理，再透過機器人、自動化設備等Physical AI執行動作，而Agentic AI可協助串接整個流程，提高應用自動化程度。

從零售、交通到製造，邊緣AI朝垂直產業落地

不同於雲端AI主要集中於模型服務，英特爾強調邊緣AI發展需要結合各產業需求。杜唯揚表示，英特爾邊緣運算事業部目前以垂直產業為導向，涵蓋零售、餐飲、教育、醫療、工業製造、交通運輸與智慧城市等領域，針對不同產業發展相對應的AI應用。

他以交通領域為例指出，過去智慧交通多透過攝影機進行車流監控與事件偵測，利用Computer Vision辨識道路狀況；未來結合生成式AI與Agent後，可以進一步協助處理更複雜的分析工作，讓交通管理流程更自動化。

而在製造場景中，邊緣AI則可結合機器視覺、感測器與機器人，應用於品質檢測與自動化生產流程。過去企業可能需要針對不同任務建立獨立系統，但隨著Agentic AI發展，AI可以協助串接不同應用，讓企業更容易將AI導入既有流程。

為協助企業加速導入，英特爾推出Open Edge Platform，從硬體平臺、軟體工具、函式庫到參考應用的完整架構。杜唯揚指出，英特爾希望透過開放式生態系，讓ODM、軟體供應商與產業夥伴共同開發解決方案，而不是只提供單一硬體產品。

為此，英特爾已與系統廠商及軟體夥伴合作，建立經驗證的邊緣AI系統與應用，協助企業依照不同產業需求選擇適合的平台，加速從開發、驗證到部署的流程。

XPU架構支援多元AI工作負載，降低邊緣部署成本

面對邊緣AI需要同時處理影像分析、生成式AI推論、控制與資料傳輸等不同工作，杜唯揚表示，英特爾並非只聚焦GPU，而是採用XPU架構，整合CPU、GPU與NPU等不同運算單元。

他指出，許多邊緣AI應用並不需要大型資料中心等級GPU，在成本、功耗與設備空間限制下，內建GPU與CPU、NPU協同運算，反而更適合大量邊緣設備部署。

以電腦視覺應用為例，影像分類、物件追蹤等任務可分配給不同運算單元處理；而生成式AI推論、Agent流程控制，也需要CPU與其他加速單元共同協作。因此，邊緣AI平臺必須具備處理多種AI工作負載的能力。

Physical AI進入機器人應用

英特爾也將布局延伸至Physical AI，協助企業將AI能力導入機器人與實體設備。

英特爾邊緣運算事業群平台研發協理王宗業表示，Physical AI的核心在於讓機器具備感知、理解與行動能力，而機器人應用不只是AI模型本身，還需要整合感測器、控制系統與運算平臺。

英特爾推出的Robotics AI Suite、Physical AI Studio與OpenVINO Physical AI Framework，就是希望降低機器人AI開發門檻。其中，Physical AI Studio可協助開發者進行資料蒐集、模型微調與部署，而OpenVINO則協助企業將AI模型最佳化，部署到實際設備。

王宗業指出，機器人AI與大型語言模型不同，最大的挑戰在於資料取得。大型模型可以利用大量公開資料訓練，但機器人的動作資料通常需要在實際環境中蒐集，因此企業通常不是從零開始訓練模型，而是利用既有模型，再針對特定任務進行微調。

他以機器人應用為例表示，同一台機器人可能原本負責折毛巾，若要改為組裝零件，就需要重新蒐集動作資料並調整模型，而這類模型微調與部署流程，就是Physical AI工具希望解決的問題。

AI協助人類提升效率，兼顧安全與可靠性

對於AI是否會取代人力，王宗業認為，目前Physical AI主要方向仍是協助人類處理重複性、高負荷或危險工作。

以醫療影像AI為例指出，AI可以協助醫師快速完成影像辨識，但最終判斷仍由醫師負責；同樣地，服務型機器人也不是取代所有人員，而是協助企業降低重複性工作的負擔。

王宗業表示，Physical AI專案通常需要3到9個月開發時間，但由於機器人會與真實環境互動，完成開發後仍需要半年以上現場測試，確保設備在實際環境中安全運作。