在AI與自動化浪潮下，機器人不再只是生產線末端的搬運工具，而是正在成為具備感知、推論、自主行動能力的智慧夥伴。在日前由英特爾(Intel)主辦的邊緣AI系列研討會──機器人專場，就邀請了多家生態系夥伴廠商，以「打造你的Edge AI機器人：從平台技術到應用實戰」為題，與現場數十位開發者聽眾共同探討潛力無窮的智慧機器人應用部署經驗與最新技術趨勢。
這場技術小聚除了有Intel專家分享聚焦智慧機器人應用的Open Edge生態系發展現況，以及結合Intel先進軟硬體技術的Robotics AI Suite，如何藉由提供一個開放、模組化的AI平台，協助開發者與系統商迅速實現智慧機器人應用部署，推動從雲端到終端的協同創新，還有來自研華(Advantech)、寶成(PCG)、飆機器人(PlayRobot)與法博智能(FARobot)的講者，分享運用Intel平台Edge AI解決方案，在智慧工廠/物流、製鞋、保全巡檢等領域的應用部署經驗，並透過攤位展示實例，讓開發者有更具深度的體驗與充分交流機會，收穫滿滿。
從開放生態系到工具平台 Intel以豐富資源助力智慧機器人應用開發
Intel邊緣計算事業群生態系統開拓經理蔡嘉禾(Jason Tsai)在開場的專題演說中首先強調，邊緣AI並不是無止境追求 TOPS，而是：「在運算效能、推論效能與媒體管線之間取得真正的平衡，」以打造企業能負擔、能維運、能量產的最佳TCO，這也正是 Intel 推出 Open Edge 架構的初衷。從經過嚴格KPI測試的AI Edge System起步，到涵蓋零售、製造與機器人領域的AI Suite，再到完全開源的Open Edge Framework，Intel 希望提供的是：「一套能讓整個生態系講同一種語言的開發環境。」
Intel邊緣計算事業群生態系統開拓經理蔡嘉禾(Jason Tsai)
蔡嘉禾進一步解釋，有OpenVINO作為核心框架，開發者可以在同一介面下自由分配CPU、GPU與NPU的推論負載，真正讓硬體效能被「用在剛剛好的地方」。他並指出，Intel的產品組合從Atom、Core到Xeon系列CPU，以及Arc GPU，形成「可以從前端到後端一路接起來的完整鏈條，」未來第三代Core Ultra的SoC設計更能在空間受限的AMR、協作機器人與智慧控制器中發揮優勢。
除了技術，蔡嘉禾也談到生態合作的重要性。他提到Intel的Solution Challenge、遠端 testbed與共同行銷機制，都是為了幫助夥伴加速從原型走向市場：「無論你是 OEM、ODM、ISV 還是系統整合商，我們都希望能和你一起，把Robotics Reference Design與Robotics AI Suite 真正落地到每一個場景中。」
接續生態系觀點，Intel平台研發協理王宗業（Chungyeh Wang）則從技術層面完整拆解Intel開放式邊緣平台在機器人開發上的關鍵角色。他指出，當前常見的五大機器人類型——工業手臂、協作型機器人、AGV／AMR、固定式視覺控制器與近年備受矚目的雙臂與人形機器人——雖然外型與應用差異甚大，但本質上都依賴即時視覺、運動規劃、SLAM、語音互動與安全控制等複雜工作負載，而「這些負載最終都要在邊緣端形成閉環，才能真正運作。」
Intel平台研發協理王宗業(Chungyeh Wang)
王宗業表示，Open Edge 架構正是為了讓這些多樣化的功能得以被整合：「一個機器人不可能只靠單一模型或單一加速器，它需要視覺、控制、推論、規劃同時運作；」因此 Intel 才會以 CPU、GPU 與 NPU 組成可擴展的異質運算平台，並以OpenVINO為核心最佳化層，使模型能在不同硬體間自由調度、協同運作。他強調，許多機器人仍需高度依賴CPU進行運動控制與即時路徑計算，因此「整合式 SoC 的價值會越來越高」，尤其未來的Core Ultra系列在效能、延遲與能耗上都更適合部署於空間受限的邊緣設備。
為讓開發者能更快上手，Intel也將演算法與軟體組件系統化，推出Robotics AI Suite，涵蓋模仿學習、視覺辨識、路徑規劃到語音互動等多個reference pipeline。王宗業展示多個示範案例，其中最受關注的是基於Transformer架構的模仿學習模型，可讓機器人僅透過數分鐘的示範影片就能學會插入電池、開闔容器等複雜任務。他補充，這些模型在轉換為OpenVINO IR之後，可直接在邊緣設備上高效推論，「不論放在CPU、GPU還是 NPU，軌跡結果都必須保持一致，這是我們最重視的。」
此外，他也提到 Intel 已將多項控制、視覺與演算法加速庫全面開源，並與ROS 2進行深度整合，使開發者能從模擬到實機部署都保持一致流程。對於愈趨多樣的機器人模型與框架，他坦言產業正處於「快速演進、百家齊放」的階段，但也因此更需要統一的最佳化工具與硬體抽象層，確保模型能在實際場域可靠運作。
王宗業總結指出，Intel 的角色不僅是提供更快的處理器，而是建立一套從軟體、演算法、控制到部署都能相互協作的開放平台：「我們希望讓開發者不用自己從零開始，把整個系統串起來，而是能直接站在這個基礎上，把創新的應用做出來。」這也為各家合作夥伴，包括研華等系統供應商，提供了更完整的開發起點與落地框架。
從感測到整合 研華打造能快速部署機器人應用的開發基礎平台
作為Intel生態系夥伴的一員，研華產品經理李亞璇(Alicia Lee)則從企業最常面臨的導入困境切入，指出AI機器人的最大挑戰從來不是「模型做不做得出來」，而是跨足實際落地時的第一步：感測器如何選？ROS 2 如何建？導航、控制與維運如何串起來？對多數企業而言，真正的難題是整合，這也是為什麼一個POC往往要花上一年。
研華因此選擇在系統最底層提前替客戶整合關鍵元件——從LiDAR、Radar、RGB-D、線掃相機等常見感測器，到ROS 2介面與AI必備模組皆已預載與驗證。客戶不必再花時間處理驅動與相容性，即可直接進行場域 POC。李亞璇表示：「我們要解決的不是硬體規格，而是企業在導入過程中最大的變數。」
研華產品經理李亞璇(Alicia Lee)與AE 解決方案工程師樂建鈾(Steven Yueh)
在工具鏈部分，研華同步展示可快速驗證導航、定位與地圖建構的模組化平台，使開發者能把心力放在應用本身，而非底層架構。對此研華AE 解決方案工程師樂建鈾(Steven Yueh)進一步補充，相機整合是機器人開發中最容易卡住的技術環節，因此研華與 Intel 及相機廠商合作，將複雜的驅動設定與多相機同步流程預先包裝，做到「鎖上模組、開機、一行指令就能顯示影像，」可大幅縮短整合時間。
最後李亞璇回到研華的核心理念指出，企業真正需要的不是單純的硬體，而是一條能安全、快速跨過整合門檻的路。透過從感測、運算平台、ROS 2到開發工具鏈的完整佈局，研華希望把原本需要一年摸索的導入流程，縮短成「拿到系統就能開始驗證」的速度，協助智慧機器人在工廠、物流與服務場域更快落地，真正產生價值。
從使用者到成為開發者 寶成建構鞋業AI自動化新生態
不同於Intel與研華從解決方案供應商的角度分享經驗，寶成工業的協理曾羽平則從使用者角度，讓與會者真切看見AI機器人在傳統製造場域中的變革力量。身為全球最大的鞋類製造集團，寶成在疫情期間產能屢創新高，但全球人力市場快速收緊，加上品牌業者與歐美市場對ESG透明度、效率、可追溯性的要求節節升高，使得高度仰賴人力的製鞋產業面臨急迫的智慧轉型：「我們面對的挑戰不再只是缺工，而是整個製程必須重新定義。」
曾羽平指出，寶成早在數年前便開始以Vision AI 與自動化重構製程，從鞋材瑕疵檢測、鞋面定位、材料裁切到製程參數調校，在各製程節點逐步導入Intel AI平台與即時控制能力，以取代高度仰賴經驗的人工作業；他強調：「AI 的目的不是抓錯，而是讓製程能被量化、被複製，最後做到更好。」
寶成工業協理曾羽平
而寶成的轉型策略不只著眼於工廠內部，面對供應鏈設備能力不一、智慧化成熟度落差大的問題，寶成採取更直接的方式——投資並收購關鍵設備供應商，在併購深耕鞋機設備的歐利速。歐利速擅長裁切、膠合、鞋面組裝等核心製程，過去多由人力與傳統機台主導；透過收購，寶成能將自身累積的材料影像資料庫、異常案例與製程參數直接導入設備設計，使下一代機台在出廠時就具備「AI Ready」能力，包括自動化裁切路徑優化、膠合溫度與壓力參數調整、即時瑕疵檢測等功能。
然而寶成的轉型策略並不僅侷限在工廠內部。面對供應鏈設備能力不一、智慧化成熟度落差大的情況，寶成選擇從設備源頭著手，透過集團旗下的自動化設備子公司歐利速(Orisol)，加速打造具備AI能力的新一代製鞋設備。歐利速長期專注於裁切、膠合、鞋面組裝與自動化工站等核心製程，其設備原本多仰賴人工經驗調整；在寶成集團整體 AI 策略的帶動下，歐利速開始將寶成多年累積的材料影像資料庫、製程參數、異常案例等關鍵數據導入設備設計，使設備從設計階段就具備智慧化能力。
在這樣的協作模式下，下一代機台能原生支援 AI，例如更精準的自動裁切路徑規劃、膠合溫度與壓力的動態調校、以及可於產線即時運作的瑕疵檢測模組。透過歐利速的設備研發能量，AI 不再只是外掛於生產節點的工具，而是設備控制邏輯的一部分。曾羽平表示：「我們不只是使用設備，而是一起把設備變得更聰明；」這種「設備內建 AI」的垂直整合模式，讓寶成得以同步提升在中國、越南、印尼等生產據點的製程一致性與良率，也使其從傳統製造大廠角色進一步上移，成為鞋業智慧製造技術的推動者與標準制定者。
PlayRobot讓巡檢機械狗成為工廠的「行動資料中心」
以機器人智慧巡檢應用為分享主題，並在現場展示機器狗實機的PlayRobot無疑是研討會中最吸睛的焦點之一；該公司總經理王國棟(Jelly Wang)表示：「巡檢機器人的挑戰從來不是『能不能走』，而是能不能天天走、一直走，而且走得準又走得穩。」PlayRobot的智慧巡檢機械狗已在半導體廠、政府工程場域與複雜地形測試中持續通過驗證，能在斜坡、樓梯、碎石地、不平水泥等環境保持穩定步態，靠的是Intel平台提供的AI運算底層，以及PlayRobot自行開發的導航、定位與異常偵測模組。
然而王國棟強調，機械狗真正的價值並不只是代替人類執行巡檢任務，在AI與感測模組加持下，它更像是一台能在工廠自主行走的「行動資料中心」，能長期、週期性地蒐集熱點影像、儀表數據、設備音訊、溫度變化，並以固定視角與路徑反覆拍攝，使資料具備可比性與趨勢分析價值；他形容：「就算派一萬個人走一萬遍，也做不到機器人能收集的資訊量。」
PlayRobot總經理王國棟(Jelly Wang)
透過Intel的異質運算平台與PlayRobot 的自動化軟體堆疊，這些機械狗可在邊緣端即時進行物件辨識、異常檢測與狀態比對，減少回傳到雲端的負擔，加速工廠做預測性維護和警示決策。在王國棟的描繪中，機械狗已不再是單純的行走機器，而是能理解環境、記住歷史、主動執行任務的智慧工廠節點，正成為下一代巡檢模式的核心基礎。
以群機智慧串起最後一哩 FARobot讓工廠物流真正自動化
以自主移動機器人(AMR)為主軸，FARobot商務開發經理王建豪(Bill Wang)在演講中直指製造現場的問題核心：「疫情期間，自動化產線都還能跑，真正停下來的是物流。當物料沒辦法動，整個工廠就跟著停；」他進一步解釋，儘管傳統產線導入大量自動化設備，「搬運」反而成為一個新的瓶頸。
由鴻海與凌華共同成的FARobot，從大型工廠運作前線的視角出發，並不將這個問題簡化為「多買幾台車」。王建豪強調，亞洲工廠的走道狹窄、人車混行嚴重，加上線邊補料節奏快速，導致AMR必須在速度、定位與避障間取得極高難度的平衡：「你可以讓車子跑得很快，也可以讓它非常安全，但要同時做到，就不是單靠硬體可以解決的問題。」
FARobot商務開發經理王建豪(Bill Wang)
這也是FARobot開發Swarm Core調度系統的原因。王建豪指出，FARobot的AMR 可負載250到1,000 公斤，但真正創造差異的，是如何讓多台車「知道彼此的位置、理解彼此的行為」，並能在高速移動中即時協調。他解釋，傳統調度系統多半偏向中央集權式，一旦環境變動或路線被占用，整隊AMR就可能出現停滯；而Swarm Core的分散式設計，則讓每台機器人都能「互相交換感知」，在毫秒級時間內重新規劃路徑。
他分享一段現場部署經驗：「有些客戶第一次測試時會很驚訝，因為車子不是等路變空才走，而是邊走邊算、邊算邊讓。你會看到它們在走廊裡自己協調，像真的有意識一樣。」在多機協作、頻繁交會的窄巷場景中，這樣的行為差異往往直接決定了整個工廠後勤動能的上限。
根據王建豪的介紹，FARobot的平台並不限於自家機型，透過虛擬代理層(Virtual Agent)，不同品牌、不同年代的無人搬運車(AGV)、AMR都能被納入同一系統，讓傳統工廠不需「一次重建」，即可逐步升級至更智慧的物流模式。這也意味著，產線自動化與物流自動化之間長期存在的斷層，開始有了被真正銜接起來的可能。對FARobot而言，智慧工廠的核心不只是更快的機器，而是讓所有移動中的系統都能像群體一般協作；唯有如此，生產線的效率、品質與彈性，才能被真正釋放。
結語
從Intel的開放式邊緣平台，到研華在軟硬體預整合上的深度布局，再到寶成、PlayRobot 與 FARobot 在真實產線上的落地經驗，這場技術小聚展現了由國際半導體大廠攜手台灣製造業者、系統廠商共同推動以邊緣AI實現智慧機器人應用落地的生態系創新活力。
今日的AI發展焦點已不再只有演算法或模型本身，而是如何將結合感測、運算、決策與行動的智慧系統，應用在工廠、巡檢、物流等等場景之中，提升企業營運效率與生產力。正如多位講者所言，智慧機器人的下一步不是炫目的外形，而是可被複製、可被維運、能在現場持續創造價值的解決方案。邊緣AI正在一步步實現這樣的願景，也正在重新定義人與機器在未來產業中的合作模式。
- 【活動報導】Intel攜手生態系夥伴分享Edge AI機器人應用部署實戰經驗 - 2025/12/12
- 瑞薩針對物聯網和智慧家庭應用推出雙模MCU - 2025/12/11
- 讓機器人開始「思考下一步」的三個關鍵模型：ACT、RDT-1B和π₀ - 2025/12/10
訂閱MakerPRO知識充電報
與40000位開發者一同掌握科技創新的技術資訊！
