謝至恩機器人能夠辨識物件、理解指令，甚至完成抓取與搬運，並不代表就能直接投入工廠或門市運作。從模型展示走向實際部署，還必須處理運動控制、硬體成本、功耗，以及與人和環境互動時的安全驗證。英特爾提出的 Physical AI 落地路徑，是在既有邊緣運算與控制技術上加入 AI 能力，並透過 Physical AI Studio 與 OpenVINO Physical AI，串接資料蒐集、模型微調與部署流程。
這套思路並非將機器人的所有功能都交給 AI，而是讓成熟的控制技術與 AI 各自處理適合的工作。對需要長時間運作、受到電池與空間限制的機器人而言，如何用合理的成本完成任務，與模型本身的能力同樣重要。
Physical AI 落地，先解決控制、成本與功耗
英特爾邊緣運算事業群平台研發協理王宗業表示，機器人的運動控制與 AI 運算可以分工。 CPU 處理運動軌跡規劃原本就很擅長，AI 則可用於任務拆解與規劃；除非使用雲端 GPU，否則要將所有功能都交給 AI，機器人端很難提供所需的大量算力。「想要用全 AI 的人，現在沒辦法出貨量產，因為他發現功耗、成本是不符需求的。」
他以摺毛巾為例，說明固定動作與環境判斷的差別。機器手臂摺毛巾的動作，可以由 CPU 執行的傳統運動控制完成；但不同分店可能要求毛巾按固定數量堆疊，或摺好後放入箱子，此時 AI 可協助判斷放置位置與方式，避免撞倒旁邊的物品，而不是重新以 AI 取代所有既有動作。王宗業指出，從 2018 年至今的經驗來看，純 AI 與傳統電腦視覺等計算方式結合後，才會走到出貨階段，「純 AI 不會做到 100 分，兩個合在一起的時候才會做到 100 分。」
王宗業以「大腦」與「小腦」比喻機器人的運算分工：小腦負責運動控制，大腦負責 AI，目前已有部分機種的運動控制採用英特爾平台。在此基礎上加入 AI，成本是客戶的重要考量，「有時候客戶會跟我們開玩笑說，我今天加了 AI 功能，他的客戶也不希望加價去買。」
功耗同樣是實際限制。王宗業舉例，部分在賣場運作的清潔機器人，一天至少需要工作 4 到 8 小時，不能工作兩小時就回去充電；若再外加獨立 GPU 卡，不僅耗電，系統尺寸也會變大。英特爾因此強調整合式運算平台，讓控制與 AI 工作負載能在同一平台上執行，降低外加元件的需求。
從 Edge AI 延伸至感知、推理與行動
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，邊緣 AI 的應用正從電腦視覺，逐步延伸至生成式 AI 、 Agentic AI 與 Physical AI 。攝影機、感測器及遙測資料提供感知輸入，系統再進行推理與判斷，最後由機器人、工業系統或無人機等設備執行動作，形成 Sense 、 Reason 、 Act 的循環機制。
杜唯揚觀察，尖端模型的市場競爭已經白熱化，「很多時候跟客人聊的時候，會覺得是模型選擇困難症，模型太多了。」他認為，現在不缺模型，模型如何落地使用，才是重要的環節。
不同環節需要的運算資源並不相同。影像偵測、分割與物件追蹤，可以分配給 CPU 、內建 GPU 或 NPU 處理；進入 Agentic AI 階段後，大部分運算則落在 CPU 。英特爾主張以異質運算處理整段工作流程，而非只從大型模型訓練所需的 GPU 算力出發。
在軟體與生態系方面，Open Edge Platform 採用模組化的開原架構，整合平台軟體、工具與函式庫，以及產業參考應用。 Intel AI Edge Systems 則為 OEM 與 ODM 提供標準化藍圖、基準測試與驗證工具，客戶及解決方案供應商可依效能需求配置系統，並有不同能耗等級、尺寸與效能選項。 Edge AI Suites 進一步提供特定產業的參考應用、範例程式碼及基準測試，供開發者客製化。
兩項工具串接資料蒐集、微調與部署
Physical AI Studio 與 OpenVINO Physical AI 是 Intel Robotics AI Suite 的一部分，分別處理模型開發與實際部署的需求。
王宗業說明，機器人應用開發通常不是從零開始訓練整個基礎模型，而是選擇既有模型，再針對特定任務蒐集資料、進行微調。例如同一台機器人從摺毛巾改為煮蛋或洗碗，就需要重新訓練；開發者必須示範對應動作，可能要重複 50 到 100 次蒐集資料，讓模型學習新的任務。他也指出，機器人資料不像大型語言模型可從網路大量取得，各家業者都必須自行蒐集。
Physical AI Studio 提供圖形介面，協助開發者設定攝影機、手臂與感測器，進行資料蒐集、模型微調、最佳化與量化，並匯出經預先驗證、可供部署的視覺語言動作模型 (Vision-Language-Action Model, VLA) 。王宗業表示，自行開發時需要安裝多項軟體、調整許多參數，這項工具將常用的開原模型與重要參數整理在同一介面，微調則交由英特爾 GPU 執行。
OpenVINO Physical AI 則是針對英特爾平台最佳化的開原框架，著重將機器人策略與多模態模型導入實際運作的系統，並最佳化推論效能，也整合 Physical AI Studio 與 LeRobot 等開原模型開發環境，協助模型匯出與部署。王宗業指出，以開原工具建置的軟體環境約需十幾 GB 到二十幾 GB，OpenVINO Physical AI 可將部署環境精簡至約數百 MB 、 1GB 以下。在記憶體與快閃記憶體價格偏高的情況下，儲存容量直接影響系統成本，「大家都很在意，這個系統只要 64GB 的 Flash 就可以裝，那我當然用 64GB，我不要 128GB，整個成本都上去了。」
這些工具並非取代所有既有開發框架。英特爾同時整合並最佳化 ROS 2 與 PyTorch，讓開發者可採用既有工具，或加入自有模組。以 PCB 檢測為例，機器人拿起物件只是其中一個步驟，還需要透過 OpenVINO 與 ROS 2 協調瑕疵檢測模型、判斷 PCB 良窳，再由 CPU 將檢測結果傳送至製造系統；運動、視覺推論與資料交換必須一起運作。
Ella 案例呈現 AI 代理與即時控制的整合
英特爾與 Sensory AI 合作的 Ella 系統，提供了控制與 AI 整合的具體案例。英特爾稱 Ella 是第一個在公開商業場域營運的多代理 Physical AI 商店。該系統於今年 COMPUTEX 期間展示，民眾可現場向機器人點購咖啡；系統採用 Intel Core Ultra 系列 3 處理器與 Robotics AI Suite，將原先由 CPU 搭配獨立加速器的分散式架構，整合為單一平台，同時處理即時控制與 AI 運算。王宗業表示，Sensory AI 一開始採用另一張獨立 GPU 卡，後來發現「這個 GPU 卡竟然比他整個系統還要貴」，最後改用英特爾平台完成整合。
Ella 可在單一系統單晶片 (System on Chip, SoC) 平台上同步運行 Avatar 、 Guardian 與 Ella Agent 三個專用 AI 代理，分別負責顧客互動、系統營運，以及門市層級的商業智慧分析。機器人的實際運作，則由具備確定性控制能力的協調器統一調度。
這個案例呈現的不是以 AI 取代控制系統，而是將 AI 代理與既有控制機制整合。英特爾表示，這種架構可減少硬體元件與軟體複雜度，並簡化後續在同一平台上擴展機器人設計的開發路徑。
從實驗到現場，安全驗證仍需時間
工具整合可以簡化開發，但機器人走入真實環境後，仍需要時間驗證。王宗業表示，一般專案開發約需 3 至 9 個月，視複雜度而定；由於 Physical AI 應用會與人和環境接觸，開發完成後通常還需要半年至一年以上進行現場測試。以工具機業者等客戶為例，一旦發生碰撞就可能造成工安意外，因此會花較長時間測試。
模擬也是部署前的重要環節。王宗業以訓練機器人依影片學跳舞為例，「我們怕說放進去他就暴衝，沒有人攔得住。」因此會先在模擬環境中測試。他指出，除了 NVIDIA 的 Isaac Sim，MuJoCo 等開原模擬工具及 ROS 相關工具都能在 CPU 上執行；英特爾也支援 PyTorch，並透過內建 GPU 與獨立 GPU，加速這些工具中需要 GPU 運算的部分。
資安同樣需要多方參與。杜唯揚表示，相關工作包括遵循全球與各國層級的安全指引、產品本身的安全能力，以及生態系夥伴在軟體與部署上的實作。王宗業則指出，英特爾內部開發流程從設計階段就納入資安，並確認提供的工具不會造成資安危害；但資安不只是程式開發者的責任，撰寫規格、測試的人員與使用者都需要具備相關概念。
從既有運動控制加入 AI 規劃，到模型微調、部署與現場驗證，Physical AI 的落地是一段完整的系統整合流程。英特爾所提出的方案，重點在於讓開發者沿用成熟技術，再以 AI 補強特定任務；最終能否投入實際運作，仍取決於效率、成本、功耗與安全需求是否同時獲得滿足。
