AI賦能邊緣新局：研華嵌入式設計論壇描繪產業智慧化新路徑

Posted By MakerPRO編輯部 on 4 月 30, 2026 in 廠商資訊, 活動報導, 研華 | 0 comments

當人工智慧（AI）開始真正走進產業場景，各家企業面臨的問題已不再是對於「要不要導入AI？」的考量，而是思索如何在既有設備、產線、資料流程與現場的限制之中，建立可複製、可維運、可擴展的AI應用能力。

研華（Advantech）在４月下旬舉辦的2026年度嵌入式設計論壇（Advantech Embedded Design-in Forum, ADF）就以「AI賦能邊緣新局，產業轉型全面啟動」為主軸，從「邊緣運算與AI」、「智慧製造與工業AI」、「智能自主系統與機器人」三大方向切入，呈現研華如何以軟硬整合平台、生態系夥伴與產業實證，協助企業跨越從模型驗證到現場部署之間的落差。

如研華在活動一開始就闡明的產業趨勢：AI正從雲端快速走向邊緣端。過去企業多半將資料送往雲端進行分析與運算，但在製造、醫療、機器人、能源與公共服務等應用場域中，愈來愈多任務要求更即時的反應速度、更高的資料隱私與安全性，以及更低的長期性運算與傳輸成本。

因此，所謂的邊緣AI （Edge AI）部署不再只是把模型放到終端裝置執行，而是牽涉算力平台、感測器整合、軟體開發、資料治理、維運管理與產業流程再設計的完整工程。透過這場論壇，研華特別要強調的重點是，企業導入Edge AI的關鍵並非只是軟硬體的選擇，而在於能否獲得完整的技術解決方案生態系支援。

從工業電腦到Edge AI解決方案供應　研華重新塑造公司角色

研華台灣營運處副總經理林其鋒在開場時指出，外界過去對研華的印象大都是工業電腦，隨著AI加速進入產業應用，研華也積極將公司重新塑造為「全球Edge AI領導廠商」。他引用市場規模預估指出，邊緣運算　（Edge Computing）與工業用AI（Industrial AI）市場營收規模到2034年可望達到5,000億美元，年複合成長率達24%，而這股成長將深入工廠自動化、能源、公用事業、智慧系統與AMR、醫療照護、城市服務與零售等垂直場域。

林其鋒表示，過去產業曾說「軟體吃掉全世界」，後來AI又開始改變軟體開發與應用邏輯；但在產業AI真正落地的階段，硬體反而可能重新「吃掉AI」；他進一步指出，箇中原因在於大型語言模型與雲端服務常呈現「贏者全拿」的市場特性，但硬體平台與產業應用不同，必須分散到每一條產線、每一台設備、每一個機器人與每一個現場節點，並依照不同任務選擇適合的處理器、加速器、I/O、功耗與通訊配置。

換言之，AI能否在產業界產生實際價值，最後仍會回到現場設備與系統整合能力，因此研華認為，「AI的硬體的角色會是決戰未來AI市場成敗的一個重要的關鍵。」

（圖片來源：研華）

研華也將產業Edge AI推廣的困難點歸納為三大挑戰：人才不足、缺少殺手級應用、建置成本太高；而從企業端來看，平台選型同樣困難，包括x86、Arm、NVIDIA、Qualcomm等架構，如何依據應用情境、算力需求、功耗限制與軟體生態系做出選擇，往往比單純比較TOPS數字更複雜。研華因此將自身角色放在「技術選型與落地加速器」的位置，透過底層軟體服務、多元硬體平台與產業應用經驗，降低企業從概念驗證走向量產部署的門檻。

積極建構產學研合作生態系　協力補齊人才與應用場域缺口

此外研華也積極建構產學研合作生態系，形成由學術機構負責前瞻研究、人才培育與知識產權累積，由研究機構協助技術中繼、韌性科技與共性技術發展，再由產業端提供市場驗證、邊緣運算應用與數位轉型場域的分工架構，配合政府政策、資金挹注、國際合作與標準制定，以產生2026至2030年推動Edge AI落地的關鍵動能。

雲林科技大學校長張傳育在論壇中呼應以上觀點，指出，AI人才培育不能只停留在課堂與研究，而必須讓學生進入真實產業問題與場域實作，才能真正補上人才與應用落差。台灣正面臨少子女化、技能不匹配、國際連結不足與新世代開創性思維不足等挑戰；若學校教育無法與產業現場連結，學生即使具備研究能力，進入企業後仍可能需要重新訓練。

雲科大因此強調「務實致用、產業鏈結」，透過把業界真實題目帶入校園，讓學生在論文、專題、競賽與產學合作過程中接觸實際問題。迄今雲科大已培育400多位AI實務型人才、執行超過210件產學案，產學技轉金額累計超過2億6,960萬元，並開發132項AI智慧辨識技術、完成445件以上產業技術諮詢。

而張傳育表示，雲科大與研華正透過產學互補的協作模式攜手推動AMR人才培育，由研華提供邊緣運算設備、AMR載具與專案技術支持，雲科大則負責建置專屬AMR研發實驗室、提供學生參與專案，並以校內場域進行初步測試與整合。這樣的設計並非單純由廠商捐贈設備，而是希望以類產線場域、真實案例與實務資料，讓學生從基礎扎根、實務淬鍊、驗證與發表到邁向業界，形成從實驗室到工業現場的人才孵化藍圖。

（圖片來源：雲林科技大學）

接續產學合作與人才培育的討論，工研院機械與機電系統研究所組長王俊傑則從研究機構的落地角色出發，分享AI在智慧工廠與智慧製造等應用中的實際推進。他指出，工研院可承接學界前瞻研究，並與研華等硬體與系統整合業者合作，將AI視覺、預防保養、機聯網資料分析與智慧自動化導入產業現場。以生成式AI為例，製造業可將其用於設計導引、參數優化與稀缺資料生成，特別是在金屬瑕疵與AOI檢測中，透過生成異常樣本補足資料不足，再經人工檢查與交叉驗證，提高模型訓練效率。王俊傑也以半導體真空泵、風力發電機等預兆診斷案例說明，AI若能提前預警設備異常，將有助於降低停機與維修成本，展現邊緣運算在產業韌性上的價值。

總結關於人才培育與產學研合作的議題，張傳育指出，AI已全面進入教育現場，學校必須重新設計教學與作業方式，讓學生不只是使用AI產出內容，而是學會審查、修正與應用AI，並透過類產線實驗室與真實產業案例，培養能解決現場問題的人才。

王俊傑則補充，工研院等法人可承接政府推動AI人才培育與產業導入的資源，透過診斷輔導、示範產線與手把手訓練，協助非半導體產業降低導入門檻。

林其鋒強調，當大型科技公司與半導體業者都在爭搶AI人才，資源相對有限的中小企業更需要借助外部生態系的支援，而研華將結合軟硬體夥伴、學界與法人資源，打造Edge AI生態鏈，讓硬體平台成為AI落地產業現場的新機會。

Physical AI落地：從算力平台走向感知、決策與行動

接著研華嵌入式物聯網事業群副總經理蘇高源進一步從平台供應商角度，說明研華如何將Edge AI從概念推向實際部署。他指出，AI發展已從早期著重模型訓練與生成，逐步進入如何讓模型真正落地應用的階段；而Physical AI更進一步要求AI決策能與真實世界連結，形成從雲端訓練、邊緣推論、決策轉化為行動，再把執行結果回傳雲端優化模型的循環。換言之，雲端AI與邊緣AI並非二選一，而是必須透過協作，讓應用不斷被驗證、更新與深化。

以視覺AI搭配生成式AI的落地模式為例，蘇高源表示，視覺AI可被部署在既有邊緣裝置中，提升現場偵測、辨識與控制效率；生成式AI則能進一步彙整多個邊緣節點的結果，進行分析、優化與決策。例如在智慧交通場景，若城市有上千個路口同時產生影像與事件資料，單靠人工難以即時判斷，必須透過雲端與邊緣協作，才能把路況感知轉化為更有效率的號誌控制與交通調度。

在技術平台方面，他觀察AI導入的關注點正從單純追求算力，轉向記憶體頻寬、模型容量與軟體最佳化；面對記憶體成本與供應壓力，如何透過軟體優化降低硬體依賴，也成為降低AI導入門檻的關鍵。

研華因此以多樣化AI硬體平台搭配軟體框架，支援視覺AI、生成式AI與工業邊緣應用，包括AIR系列視覺AI平台、高算力邊緣AI系統，以及整合底層Linux、AI SDK、雲端連線模組與預載模型資源的軟體服務，協助客戶縮短軟硬體整合時間。

(圖片來源：研華)

他並強調，Physical AI落地的核心挑戰在於模型多樣化與快速替換、AI決策與現場控制的無縫銜接，以及端雲協作。因此研華將相關軟體架構產品化，讓應用可直接在平台上執行，並透過I/O驅動、硬體資源整合與雲端管理通道，加速模型部署、資料回傳、遠端更新與跨場域管理。同時，研華也把資安納入平台設計，從硬體、作業系統、驅動到應用軟體與認證夥伴，提供不同層級的資安支援，讓企業在導入AI時不必重新承擔所有底層整合與合規壓力。

當Physical AI進一步落實到垂直應用，機器人便成為最具代表性的場景。蘇高源表示，研華已成立專門團隊，從實際機器人客戶需求出發，整合Intel、AMD、NVIDIA等多樣運算核心，並預先串接I/O、馬達控制、雷射雷達、2D/3D感測等周邊，再搭配Robotic Suite協助建立機器人作業系統、AI與I/O整合環境。

從決策算力到感知整合　打通機器人場域運作關鍵

接續Physical AI的落地架構，研華在「從決策算力到感知整合，打通機器人場域運行關鍵」座談中，將焦點集中在機器人開發者最直接面對的系統整合挑戰。研華台灣營運處業務協理詹秋茂指出，機器人並非單純依照CPU路線圖就能解決的應用，而是必須同時整合2D/3D相機、雷射雷達、慣性量測單元（IMU）、馬達控制、ROS與各類感知、定位、導航及運動控制軟體。

研華機器人部門市場開發經理劉宜鑫則說明，研華約三年前成立自主系統與機器人事業部，針對機器人所需的「運算、感知、軟體」打造專用方案，並以多元、一致延續與便利作為產品策略。研華提供Intel、AMD、NVIDIA、Rockchip等不同運算核心與多樣感測器選擇，同時在不同平台與世代間維持外型尺寸、感測器支援與軟體環境的一致性，協助客戶降低產品迭代成本；Robotic Suite則預先建置ROS 2、Autoware、即時控制與相機驅動等開發環境，讓開發者能更專注於應用開發。

（圖片來源：研華）

全智通科技軟體研發總監謝曉兵則從實際合作經驗補充，機器人落地常面對照明、粉塵、電磁干擾、網路不穩，甚至不能依賴雲端的場域限制，因此必須把感知、推理、決策、控制與多機協作盡可能放在邊緣端完成。他指出，全智通在導入研華平台後，可減少底層整合與除錯負擔，將更多資源投入夜巡、商場服務、遞送等應用，驗證機器人平台的價值不只是算力，而是支撐真實場域穩定感知、判斷與行動的完整系統能力。

解鎖工業Edge AI潛力：高效能與低功耗的平衡演進

論壇最後聚焦工業Edge AI的效能與功耗平衡，在「解鎖工業Edge AI潛力：高效能與低功耗的平衡演進」座談中，研華台灣營運處業務副理鄭智元指出，Edge AI已從早期雲端模型服務，逐步走向機器視覺、工業手臂、醫療、網路感測、AGV/AMR、無人機、農業與養殖等多元應用；但真正部署到現場時，企業仍會遇到低延遲、高效能、低功耗與簡化部署之間的取捨。

研華產品經理汪嘉翔說明，Edge AI已不再只是單一算力競賽，而是CPU、GPU、NPU、VPU、ISP與MCU等異質核心的協同運算。關鍵在於依照工作負載，把影像處理、AI推論、即時控制與系統協調分配到最適合的運算核心，才能在有限功耗下取得最佳效能。

高通通訊科技銷售經理王景儀則補充，高通從手機、車用到工業AI累積的低功耗與高可靠度經驗，正可延伸到邊緣運算場景。對工業Edge AI而言，省電不只是電池續航問題，也直接影響散熱、機構尺寸、是否需要風扇、部署位置與長期可靠性；當設備規模從單機擴大到成千上萬台時，功耗差異更會被放大為可觀的維運成本。

研華則扮演把高通平台帶進工業應用的「最後一哩」角色，透過標準化板卡與系統、預先優化的嵌入式作業系統、BSP管理工具、開發套件與生態系支援，降低客戶導入門檻。這場座談凸顯，工業Edge AI選型不應只看TOPS數字，而必須綜合考量算力分配、功耗、散熱、軟體整合、資安維護與長期部署成本，才能真正讓AI在現場穩定運作。

(圖片來源：研華)

從技術趨勢到部署實力：建構Edge AI落地的完整基礎

除了聚焦Edge AI與Physical AI趨勢與相關解決方案的深入探討，2026研華嵌入式設計論壇更透過最後的A+新品發表，將「AI如何落地」具體化。研華指出，當各種應用從雲端AI逐步走向設備端智慧化，對企業而言意味著嵌入式平台不再只是提供穩定運算與I/O，而必須進一步具備異質運算、低功耗設計、遠端管理、AI模型部署、資安防護與長期維運能力。

在產品策略上，研華能協助客戶依照不同應用場域選擇最合適的架構，例如NVIDIA Jetson平台可支援機器人、視覺AI與高解析影像處理；高通平台則以低功耗、影像處理與邊緣AI能力切入AMR、無人機、長時間待機與智慧感測應用；Intel與AMD等x86平台則延續在Windows、生態系相容性、高效能CPU運算與既有工業應用上的優勢，適合醫療、自動化與需要疊加AI功能的系統。搭配AI加速卡、高速記憶體、SSD、無線模組與工規螢幕等周邊新品，研華試圖把主機平台、軟體環境與工業級配件整合成可快速導入的解決方案。