實體AI正快速萌芽，英特爾(INTC-US)積極搶攻Physical AI與機器人商機，邊緣運算事業群平台研發協理王宗業今(16)日表示，機器人AI並不一定都需要額外配置大型獨立GPU，而可透過CPU、GPU與NPU組成的異構運算(XPU)架構，依不同工作負載進行分工，在滿足AI效能需求之餘，也降低系統功耗與整體持有成本(TCO)。
王宗業指出，AI產業過去幾年焦點多集中於大型語言模型與前沿模型訓練，但現階段市場並不缺模型，真正重要的是「模型如何落地」。隨著AI從雲端走向邊緣，Physical AI也逐漸形成「Sense、Reasoning、Acting」的完整閉環，也就是從感知環境、理解情境，最終進一步控制機器與設備採取實際行動。
其中，Agentic AI將成為Physical AI的重要推手。以智慧交通為例，過去應用主要停留在Traffic Monitoring等電腦視覺辨識，接下來則會逐步加入Sensor Fusion、生成式AI、複雜異常偵測，再透過Agentic AI將不同模型與工具串接，最終由機器人或自動化設備執行實際任務。
王宗業認為，這也意味著未來邊緣AI工作負載會更加多元，單一運算架構難以包辦所有工作，因此Intel採取CPU、GPU與NPU並行的XPU策略。
以機器人為例，CPU可負責Agentic AI、任務排程以及與外部系統溝通；GPU則處理視覺運算、複雜計算以及機器人動作生成；NPU則可負責影像辨識等需要長時間執行、但同時要求低功耗的AI推論工作，讓三種運算單元各司其職。
王宗業強調，在許多邊緣端應用中，處理器內建GPU的效能其實已經足夠，並不需要額外外掛大型獨立GPU。他表示，若只是為了部分AI工作負載額外增加GPU，不僅會提高整機成本，也同步拉高功耗與TCO，但實際帶來的效益未必成比例。
Intel此次也指出，新一代Core Ultra平台整體AI運算能力可達約180至200 TOPS，可望支援約150億至300億參數規模的AI模型，讓更多生成式AI與Agentic AI工作負載直接部署在邊緣設備。
王宗業也以PCB瑕疵檢測機器人為例，說明XPU架構的實際運作方式。機器人可由GPU負責控制手臂與產生動作，NPU同步執行視覺辨識與PCB瑕疵檢測，再由CPU負責任務調度，並將最終結果回傳至工廠製造管理系統，三種運算單元同步工作。
Intel目前邊緣運算業務已橫跨零售、餐飲、教育、醫療、工業製造、運輸及智慧城市等約八至九個垂直市場，機器人及自主移動機器人(AMR)也是Physical AI的重要落地方向。
王宗業透露，目前已有客戶採用Intel CPU搭配ROS 2，開發應用於晶圓廠的自主移動機器人，藉由高精度與高重複性的運作能力切入半導體製造場域，顯示Physical AI已不僅停留在概念驗證階段，而逐步進入實際工業應用。
除了硬體，Intel也試圖透過軟體生態系建立Physical AI的另一道門檻。Intel在2025年推出Open Edge Platform，從底層Platform Software、AI工具與Library一路延伸至Reference Application，讓合作夥伴可以直接在既有架構上開發自身垂直市場解決方案。
在機器人領域，Intel進一步提供Robotic AI Suite、Physical AI Studio及OpenVINO等工具。其中，Robotic AI Suite以ROS 2等開放標準為基礎，降低底層軟硬體整合複雜度；Physical AI Studio則透過圖形化介面簡化資料收集、模型訓練與Fine-tuning流程，可用於教導機器人學習新的操作技能。
至於OpenVINO則鎖定模型完成後的部署最佳化。王宗業表示，透過軟體最佳化，除了可提升AI執行效率，也能進一步縮減系統所需要的儲存容量，例如若終端設備由原本需要128GB Flash降至64GB，就能直接降低量產硬體成本。
王宗業指出，Intel的策略並非建立一套完全封閉的Physical AI系統，而是將過去在運算平台累積的技術轉化成開放生態系，並支援ROS、PyTorch等業界主流開源框架，再由合作夥伴加入自身的導航、機器人演算法及產業Know-how，加速產品商業化。
截至2026年9月，Intel表示，其Open Edge Platform生態系已累積155套經過驗證的系統，來自63家系統供應商，另有125家獨立軟體廠商(ISV)提供137項應用，相關生態系約在一年半內逐步建立。
隨著AI從「會回答問題」走向「能夠執行任務」，Physical AI也成為半導體業者下一波競逐焦點。相較市場目前高度聚焦大型GPU，Intel則企圖以CPU、GPU、NPU異構運算與既有x86、邊緣運算生態系切入，鎖定功耗、成本更加敏感的工業與機器人市場。
