人工智慧（AI）、生成式AI與代理式AI逐步跨出雲端與螢幕，以更智慧的自動化設備、機器人等形態進入工廠、醫療、物流與公共設施等實體場域；這些所謂的實體AI（Physical AI）應用，需要的不是只能按照固定程式執行任務的機器，而是能感知環境、理解指令、規劃行動並即時反應的智慧系統。
在8月20日於台北漢來大飯店登場、由英特爾（Intel）、詮鼎集團與Sertek共同舉辦的「邊緣驅動未來：機器人智能全面進化研討會」，就以實體AI應用開發為焦點，邀集來自研華、群聯、超恩、達明機器人、PlayRobot及LIPS等產學界專家講者，從運算平台、AI資料、開發工具、機器視覺、運動控制等不同角度，勾勒下一階段機器人產業的發展輪廓。全天精彩議程結合現場攤位實際解決方案展示，讓參與的聽眾收穫滿滿。
(攝影：MakerPRO)
邊緣運算串連感知、推論與行動
首場專題演說由工業電腦領導廠商研華(Advantech)嵌入式事業群總經理張家豪以「From Digital to Physical: Edge AI Computing & Robotics」為題分享邊緣AI與機器人開發最新趨勢。他指出，AI的發展正經歷由Cloud AI、Edge AI到Physical AI的演進。雲端AI著重集中式模型訓練與模型能力，Edge AI將運算帶到現場，以滿足低延遲、資料隱私及即時決策需求；Physical AI則必須進一步整合感知、推理與行動，才能使機器人在真實環境中自主運作。
然而，邊緣AI市場快速成長的同時，標準化程度不足也提高了系統整合、資安與部署成本。張家豪表示，機器人系統涉及2D/3D相機、LiDAR、IMU、通訊、即時控制及AI推論等多種元件，若每個專案都從驅動程式與軟硬體整合開始，將難以進行規模化部署。
研華嵌入式事業群總經理張家豪。(攝影：MakerPRO)
為此，研華以WISE-Edge Developer Architecture（WEDA）建立容器化開發架構，整合ROS 2、Autoware、MoveIt及Nav2等開發資源，並提供感測器驅動、BSP、即時Linux與AI模型最佳化能力。搭配Intel OpenVINO與Intel Robotics AI Suite，可將既有軟體元件封裝為可重複部署的模組，降低不同硬體平台間移植的門檻。其應用已延伸至AMR、人形機器人、四足機器人與廠內物流，顯示產業競爭正由單一硬體規格轉向開發環境與生態系整合能力。
研華結合軟硬體的實體AI機器人開發解決方案(圖片來源：Advantech)
機器人融合AI 自主能力由運動控制延伸至語言理解
台灣大學人工智慧與機器人研究中心教授郭重顯分享團隊在四足與人形機器人方面的研究成果。以四足機器人為例，團隊運用強化學習、中央模式產生器（Central Pattern Generator，CPG）及混合式控制架構，使機器狗能維持動態平衡、承受外力干擾，並在低矮管線等複雜環境中移動；搭載深度相機與機械手臂後，還能進一步執行自主巡檢與物件抓取。
(攝影：MakerPRO)
在人形機器人研究方面，團隊透過IMU與資料手套蒐集人類操作示範，再以Action Chunking with Transformer（ACT）模型學習雙臂抓取行為。整套系統將大型語言模型的任務規劃、YOLO視覺辨識及機械手臂控制串聯起來，使使用者可用文字或語音下達命令，再由系統拆解任務並完成抓取。模型部署於Intel AI PC並以OpenVINO加速，顯示部分過去需要較大型GPU平台處理的機器人AI工作負載，已可逐步移到邊緣端執行。
（圖片來源：台灣大學人工智慧與機器人研究中心）
郭重顯指出，AI與機器人正形成相互依存的發展關係：AI需要機器人提供感測、行動及與實體環境互動的能力，機器人則可藉由AI提升環境理解、決策與自主操作能力。機器人的研發思維也因此開始改變，由過去著重機電設計與控制，逐步擴展至大規模資料、數位孿生及學習模型的整合。
開放式邊緣架構加速Physical AI規模部署
聚焦Physical AI的實際部署，Intel邊緣運算事業群工業與機器人事業部亞太及日本（APJ）市場與業務發展主管鄧聞輝指出，各行各業都在尋求提升生產力、品質、效率、安全性及韌性的方法，Physical AI正迅速成為實現這些目標的重要技術。
Intel邊緣運算事業群工業與機器人事業部亞太及日本（APJ）市場與業務發展主管鄧聞輝（攝影：MakerPRO）
Physical AI的價值不限於取代人力，而是讓機器具備理解環境及自主反應的能力。例如，機器視覺可以檢查百分之百的產出；具備環境感知能力的機器人可因應現場變化調整動作；AI輔助工具及自主巡檢設備則能減少人員進入高風險區域，提升作業安全。
製造業也是Physical AI由概念驗證進入實際生產的代表性場域。企業可在既有邊緣運算基礎上，整合AI、機器視覺、軟體定義自動化（Software-Defined Automation）及確定性控制（Deterministic Control），建立能夠即時感知、推理與執行的智慧系統。
Intel的策略是以CPU、GPU及NPU異質運算架構，結合確定性控制、TSN、ROS 2與OpenVINO，支援從AI推論到即時運動控制的需求。Robotics AI Suite則整合機器視覺、SLAM、控制、模擬與多模態模型，藉由模組化及開放式架構，降低機器人開發的複雜度。
(圖片來源：Intel)
Intel亦透過機器人參考板設計，整合EtherCAT、CAN-FD、GMSL與USB等介面，協助合作夥伴縮短硬體整合與產品上市時間。鄧聞輝認為，開放式架構與生態系合作將是Physical AI普及的重要基礎，讓企業得以沿用既有的工業運算及軟體資產，再依不同場域逐步擴充AI與自主控制能力。
儲存納入AI記憶體階層 支援更大規模邊緣模型
機器人要在邊緣端執行大型AI模型，除了運算能力，記憶體容量、資料傳輸及儲存效率同樣不可忽視。群聯電子(Phison)技術長林緯指出，NAND Flash過去通常被視為被動儲存元件，但隨著AI模型規模持續增加，儲存裝置正逐步進入AI記憶體階層，直接參與模型執行。
(攝影：MakerPRO)
群聯提出的aiDAPTIV架構，利用NAND擴展AI工作負載可使用的記憶體容量，讓超出GPU記憶體容量的模型仍可執行，並降低企業為擴充模型容量而持續增加GPU硬體的需求。進一步延伸至邊緣推論的aiDAPTIV+，則可將KV Cache存放於SSD並重複利用，減少長上下文推論中的重複運算，兼顧模型容量與反應速度。
林緯也提出AI Data Platform概念，將GPU與CPU伺服器、快取、資料庫、模型管理、容器部署及企業AI Agent整合成完整平台。其目的並非取代雲端，而是讓涉及機敏資料、固定營運成本及長期維護需求的企業，能將AI逐步帶入地端與裝置端。
（圖片來源：群聯電子）
這意味著儲存對智慧機器人而言不再只是記錄感測資料及保存模型檔案，而可能直接參與AI推論流程，成為影響模型規模、反應時間、系統功耗及整體成本的重要元件。從雲端、地端到裝置端的不同部署型態，也將共同形成支援Physical AI的資料基礎設施。
端對端開發流程降低VLA模型部署門檻
研討會的上午場次由AI與機器人研究、運算架構延伸至資料平台，下午議程則進一步聚焦開發工具及產業部署。Intel邊緣運算事業群平台研發協理王宗業介紹Intel在機器人與Physical AI領域的完整軟體架構，包括Robotics AI Suite、人形機器人參考流程、OpenVINO Physical AI Framework及Physical AI Studio。
（攝影：MakerPRO）
Intel Robotics AI Suite整合機器視覺、SLAM、模擬、即時運動控制、感測器處理及機器人操作等軟體元件，並支援VLM、VLA、LLM、Transformer及Diffusion等模型。搭配Intel Core Ultra處理器，開發者可依工作負載特性，將運算分配至CPU、GPU或NPU，兼顧AI推論效能、功耗及即時控制需求。
其中，Physical AI Studio是一套開源工具，將機器人校正、資料蒐集、模仿學習、VLA模型訓練、模型最佳化及部署串聯為端到端流程，並支援SmolVLA等模型及多種機器人平台。訓練完成後的策略可匯出為OpenVINO、ONNX或PyTorch格式，再部署至Intel GPU等運算資源執行。
(圖片來源：Intel)
這套架構反映機器人軟體開發方法正在轉變。過去開發者往往必須自行拼接資料錄製、模型訓練、推論及控制工具；如今則可藉由較標準化的開發流程，將人類示範轉化為機器人的操作策略，降低VLA（Vision-Language-Action，視覺—語言—動作）模型進入實際設備的門檻。
異質運算與感測整合賦予機器人即時決策能力
超恩(Vecow)行銷副總黃聖凱則由系統架構角度，說明邊緣AI平台在機器人發展中的角色。無論是AMR、機器手臂或人形機器人，基本運作流程都離不開感知、理解、決策與行動；系統平台因此必須同時處理ROS、定位導航、感測器時間同步、即時控制及AI推論。
超恩行銷副總黃聖凱(攝影：MakerPRO)
機器人使用的感測器包括相機、LiDAR、深度感測器、IMU及力覺元件，不同應用也有不同的運算、記憶體及I/O需求。隨著視覺模型與多模態模型日益複雜，邊緣平台除了需要更高的AI效能，也必須具備即時反應、工業通訊、寬溫及長時間穩定運作等能力。
（圖片提供：Vecow）
超恩透過Intel處理器與Edge AI Suite建立機器人開發平台，讓AI推論、感測器整合及控制功能能夠在邊緣端執行。黃聖凱指出，機器人硬體的角色不只是提供算力，而是建立一套能夠承受實際場域要求、並支援後續軟體更新及功能擴充的部署基礎；因此系統業者的價值將在於能否依據應用場域，整合運算、感測、通訊、散熱及軟體堆疊，讓AI模型真正轉化為機器人的即時行動能力。
從協作手臂累積能力 逐步邁向人形機器人
勞動力缺口、品質要求及少量多樣生產，正迫使製造業由固定自動化轉向更具彈性的智慧自動化，因此達明機器人(TECHMAN ROBOT)視覺應用處處長黃鐘賢指出，協作機器人能與既有產線及人員共同工作，會是製造業導入智慧機器人的務實起點。
達明機器人視覺應用處處長黃鐘賢（攝影：MakerPRO）
透過感知型AI（Perception AI），機器人可在螺絲鎖附、CNC上下料等作業中進行定位、確認及自我修正。例如，在自動螺絲鎖附過程中，AI視覺可辨別取料是否正確、螺絲姿態是否異常；在CNC上下料應用中，機器人則能辨識工件位置及加工狀態，將上下料、分類及目視檢查整合為同一套作業流程。
不過，工業AI經常面臨真實訓練資料不足的問題。達明利用Omniverse與Replicator產生約4萬張虛擬影像，再搭配千餘張真實資料，訓練泛用型箱體偵測模型，藉由合成資料降低資料蒐集及標註成本。數位孿生也可在正式部署前驗證機器人的路徑、視覺結果及工作流程，縮小Sim-to-Real落差。
著眼人形機器人應用，達明正以TM Xplore I建立Physical AI學習平台，透過遠端操作套件（Teleoperation Kit）蒐集人類操作資料，再結合模擬、VLA基礎模型與驗證流程，形成「資料蒐集、資料生成、模型微調、驗證及部署」的完整閉環。
（圖片來源：達明機器人）
黃鐘賢強調，智慧工廠並非一夕之間全面改用人形機器人，而是從已量產的AI協作手臂開始，逐步累積感知、資料、模擬及控制能力，再延伸至可移動、可學習並能處理多種非結構化任務的通用型機器人。
真實場域考驗系統整合與企業數位能力
相較於實驗室展示，真實環境中的網路、光線、溫度、粉塵、噪音及既有資訊系統，都可能影響機器人的運作。飆機器人(PlayRobot)總經理王國棟提醒，機器人並非購入後即可解決所有問題的家電，它不會自帶企業的Domain Know-how，仍須依據場域整合感測器、AI模型及工作流程。
PlayRobot總經理王國棟（攝影：MakerPRO）
他也強調，企業也不應只以替代多少人力計算機器人投資報酬，而應思考機器人能否執行人類不適合或無法完成的任務，例如進入高溫、高噪音、黑暗或高風險環境巡檢，並將感測及作業紀錄轉化為可長期保存及分析的數位資產。
在智慧巡檢應用中，x86架構除可支援時間敏感網路（Time-Sensitive Networking，TSN），也能直接銜接製造執行系統（MES）等既有工業資料庫，減少不同架構轉譯造成的延遲、相容性及資安問題。在智慧圖書館案例中，搭載Intel Core Ultra的導覽機器人則可利用NPU與OpenVINO，在斷網狀態下執行問答、人臉及條碼辨識，使敏感資料留在本地端。
(圖片來源：MakerPRO)
王國棟表示，Intel Core Ultra與OpenVINO也讓部分應用不必配置高成本獨立GPU，並可延續既有的C++或Python軟體資產，有助於降低硬體總持有成本及縮短產品上市時間。這些案例顯示，邊緣AI的價值不只是降低延遲，更在於確保斷網運作、資料主權、系統相容性及長期維護能力。
3D視覺與雙軌控制跨越全自動化最後一哩
研討會壓軸場是由專長機器視覺/3D深度攝影機的立普思（LIPS）資深行銷經理陳炯熹主講，介紹能讓智慧機械手臂突破非結構化環境與動態避障瓶頸的解決方案。他指出，傳統自動化適合物件位置、姿態及動線固定的場景，一旦工件散亂堆放，或工作區有人員及設備動態移動，預先編程的機械手臂便難以應對。
LIPS資深行銷經理陳炯熹（攝影：MakerPRO）
LIPSARM以3D視覺處理隨機取放（Random Bin Picking，RBP），並提供兩種姿態辨識路徑。沒有CAD模型時，系統採用無模型（Model-Free）方法，依據物體的幾何特徵尋找適合的抓取中心與方向；對於已有CAD資料的精密工件，則以CAD-Based方法進行高精度的六自由度姿態比對。
在視覺配置上，系統結合Eye-to-Hand與Eye-in-Hand架構，以固定相機掌握整體工作區，再由手臂末端相機進行近距離定位，兼顧全域覆蓋及局部精度。RGB-D影像經過物件分割、姿態分析及六自由度資料輸出後，再交由運動控制系統決定執行方式。
運動控制同樣採取雙軌設計。在結構化且追求產能的環境中，系統直接呼叫機器人原生API，產生平滑的點對點（Point-to-Point，P2P）軌跡；當環境中存在人員、障礙物或其他動態因素時，則切換至以ROS 2與RViz為基礎的反應式路徑規劃，在運動過程中持續調整路徑。
數位孿生則可在機械手臂實際動作前，預演軌跡並檢查碰撞風險，使錯誤先發生在虛擬環境，而不是實際產線。LIPS也依應用需求及預算提供不同層級的導入方案，讓業者能從基本的隨機取放，逐步升級至CAD姿態辨識、動態避障及完整數位孿生驗證。
（圖片來源：LIPS）
結語
Physical AI是牽動底層運算、資料與儲存架構，並延伸至感知、模擬及即時控制的系統性變革。從整場研討會呈現的技術布局就可以看到，Intel除了在硬體部分能支援由尖端CPU、GPU與NPU構成的異質運算平台，軟體方面也有OpenVINO、Robotics AI Suite、Physical AI Studio及ROS 2等資源，並透過工業電腦、感測器、機器視覺與機器人業者組成的合作夥伴生態系，加速技術整合與場域部署。
在研討會現場展示各種機器人開發軟硬體方案(攝影：MakerPRO)
隨著AI開始直接驅動與真實世界互動的智慧設備，系統能否在現場穩定運作、即時反應、確保安全、保護資料並持續更新，會是機器人由技術展示進入規模部署的真正分水嶺。對不同垂直產業的機器人應用開發者來說，關注的重點則將聚焦能否串聯硬體、軟體、資料、模擬及場域知識，建立可複製、可驗證且能長期維運的完整解決方案。
- 從AI推論到實體行動 Intel生態系串聯下一代智慧機器人開發 - 2026/09/01
- NVIDIA與聯發科技深化合作 共同打造從邊緣到雲端的AI運算平台 - 2026/09/01
- 算力封鎖下，DeepSeek與Kimi K3如何重塑中美AI賽局 - 2026/08/31
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！
