Physical AI落地卡在資料與部署！英特爾推Physical AI Studio、OpenVINO協助機器人上線

機器人要從「會動」進一步做到能夠理解環境、完成任務，真正的瓶頸不只在AI模型，也包括資料蒐集、模型微調、模擬驗證及部署成本。英特爾今（16）日表示，Physical AI不像大型語言模型可以從網路取得大量資料，機器人若要從折毛巾改為煮蛋或洗碗，往往必須重新蒐集動作資料並進行模型微調。為此，英特爾推出Physical AI Studio、OpenVINO Physical AI及Robotics AI Suite，協助開發者將模型從訓練環境推進到實際機器人系統。

英特爾邊緣運算事業群平台研發協理王宗業表示，機器人的開發流程通常不是從零開始訓練一個大型模型，而是使用既有的開源模型，再依照具體任務進行微調與部署。

「機器人不像大語言模型在網路上什麼資料都有，現在最缺的就是資料。」他說，機器人要學會新的動作，開發者必須讓機器人反覆示範與收集資料，可能需要執行50次、100次，模型才有機會掌握特定任務。

王宗業指出，Robotics AI Suite可以視為整套機器人開發環境，負責整合機器人控制、AI推論、ROS 2、即時控制函式庫及開放標準；Physical AI Studio則處理資料蒐集、模型微調、參數設定、最佳化及模型匯出；OpenVINO Physical AI則主要用於推論與部署。

在Robotics AI Suite中，ROS 2可協助機器人建構地圖、導航及控制機械手臂，DDS則負責協調攝影機、LiDAR與馬達等不同元件。英特爾也將LeRobot與PyTorch等開源工具整合進開發流程，讓開發者可以沿用既有工具，再利用Intel平台進行最佳化。

王宗業以「蓋房子」比喻Open Edge Platform。英特爾提供硬體、作業系統、容器、函式庫及基礎軟體，生態系夥伴則可以依照工廠、餐廳或其他垂直場域需求，共同建構上層應用。

英特爾展示的應用涵蓋自動導引車（AGV）、自主移動機器人（AMR）、機械手臂、機器人視覺控制器及人形機器人。

以晶圓廠使用的AMR為例，機器人需要把晶圓卡匣從一個製程站移動到另一個製程站。這類應用看似與送餐機器人相似，但工業場域對定位精度與重複性要求更高，若機器人位置偏差造成晶圓掉落，可能導致材料與設備損失。

另一個案例是咖啡機器人，能夠同時處理點餐、製作咖啡與下一筆訂單。這類應用反映餐飲服務業缺工及人員流動問題，也說明機器人除了AI推論，還需要CPU負責排程與外部溝通，並透過GPU及NPU處理影像、動作與其他AI工作負載。 （相關報導： 英特爾揭Edge AI策略！不只拚GPU，Core Ultra系列3勝Jetson Orin，邊緣AI效能最高2.5倍，主打降低TCO ｜ 更多文章 ）

此外，英特爾亦與Sensory AI合作打造Ella系統，讓多個AI代理在單一Intel Core Ultra系列3平台上運作。其中，Avatar負責顧客互動，Guardian負責系統營運，Ella Agent則進行門市層級的商業智慧分析，再由協調器統一調度機器人。

在AI驅動的人形機器人PCB瑕疵檢測案例中，機器人首先要拿起PCB，再透過攝影機判斷產品是否存在瑕疵。王宗業則說明，GPU可負責機器人動作控制，NPU則利用攝影機執行影像辨識，CPU除了處理系統溝通，也會將檢測結果傳送至製造系統資料庫。使用者可以透過筆電或手機連接雲端，查看整體檢測結果。

這個案例也呈現Physical AI的基本流程：攝影機與感測器負責Sense，AI模型與CPU等運算單元負責Reason，機械手臂與馬達則負責Act。只有三個環節能夠形成閉環，機器人才不只是執行固定指令，而是能根據環境變化調整行動。

Physical AI Studio採圖形化介面，開發者可以建立專案，加入攝影機、機械手臂與感測器，再開始蒐集機器人動作資料。例如，同一台機器人原本已經學會折毛巾，若要改為煮蛋，就必須重新示範敲蛋、放入鍋中及處理突發狀況等動作。Physical AI Studio可協助開發者選擇開源模型、調整參數、進行微調，並將模型匯出至不同檔案格式。

王宗業表示，Physical AI Studio的目的，是降低開發者使用開源工具時需要自行安裝與設定大量軟體的複雜度，讓機器人模型能夠從資料蒐集、訓練一路進入部署階段。

OpenVINO Physical AI則著重於部署環境。王宗業指出，若使用一般開源工具，完整軟體環境可能需要十多GB甚至20多GB；OpenVINO Physical AI可將部署環境縮小至數百MB至1GB以下，讓開發者以較小的儲存空間完成推論。

對機器人而言，運算系統必須放進有限的機身空間。若系統只需要64GB儲存空間，就不必為了安裝過大的軟體環境而升級至128GB，這也有助於降低整體硬體成本。

Physical AI的部署仍需要經過長時間驗證。王宗業表示，一般專案開發時程約為3至9個月，但由於機器人會與人及真實環境互動，完成開發後通常還要進行半年至一年以上的Field Test。

尤其在工具機與工業場域，機器人若出現錯誤動作，可能造成工安事故，因此必須花更多時間測試不同環境與突發狀況。

資安也需要在開發初期納入考量。杜唯揚表示，資安包括全球及各國的規範、產品本身的安全能力，以及生態系在實際執行時的管理。英特爾則在CPU中提供Trusted Boot及Trusted Computing等安全功能。

王宗業補充，AI模型的Model Card、資料來源及可能的偏見，都應在開發階段檢查；但完整資安不能只依賴工具，規格制定、開發、測試與使用端都必須共同負責。

在Real-to-Sim與Sim-to-Real方面，英特爾表示，機器人正式部署前必須先在模擬環境中測試，避免直接上線時出現暴衝等危險動作。除了Isaac Sim之外，MuJoCo及ROS 2也提供開源模擬工具，部分工具可在CPU上執行，特定工作負載則可使用GPU、整合式GPU或DPU加速。 （相關報導： 英特爾揭Edge AI策略！不只拚GPU，Core Ultra系列3勝Jetson Orin，邊緣AI效能最高2.5倍，主打降低TCO ｜ 更多文章 ）

王宗業認為，AI不一定會取代人，而是先接手重複性與高風險工作。隨著機器人數量增加，系統開發、維護、測試與管理等技能需求也會同步增加，Physical AI能否落地，關鍵仍在於模型、資料、硬體、軟體與現場安全能否共同運作。