圖左起為英特爾邊緣運算事業群生態系發展部門總經理杜唯揚、邊緣運算事業群平台研發協理王宗業。（記者林薏茹攝）
〔記者林薏茹／台北報導〕AI模型快速發展，英特爾（Intel）今（16）日指出，現階段市場已不太缺模型，真正進入AI落地階段後，如何將既有模型導入實際應用才是關鍵；其中，實體AI（Physical AI）應用的一大挑戰就是資料不足，機器人必須透過實際操作蒐集資料，再進行模型微調與部署。
英特爾邊緣運算事業群平台研發協理王宗業表示，過去市場談AI時，往往從模型及運算能力出發，但目前模型數量已相當多，現在更重要的是如何將既有模型真正落地，形成「感知、推理、行動」的完整閉環。
王宗業指出，實體AI與大型語言模型不同，機器人的訓練資料相對有限。大型語言模型可以從網路取得大量資料，但機器人需要學習的是實際動作，例如拿取物品、摺毛巾、煮蛋、洗碗等，每一項新的任務都可能需要重新蒐集資料及進行模型微調。
王宗業說明，實際開發過程中，開發者可能需要親自示範同一個動作50次、100次，蒐集足夠資料後，再進行模型訓練與微調，因此機器人資料蒐集也成為實體AI發展的重要環節。
英特爾因此推出Physical AI Studio，協助開發者進行機器人資料蒐集、模型訓練、微調及部署。該工具採用圖形化介面，開發者可建立專案，將攝影機、機械手臂及感測器等設備加入系統，再進行機器人實際操作資料的蒐集。
王宗業認為，隨著實體AI持續發展，就像2018、2019年曾出現資料標註相關公司興起的情況，未來一、兩年也可能看到更多企業投入機器人資料擷取相關工作。
除了資料蒐集，英特爾也推出OpenVINO Physical AI，協助開發者將完成訓練的模型導入實際機器人系統。王宗業表示，機器人開發仍處於資料蒐集及技術磨合階段，由於實體AI會直接與人及實際環境互動，完成開發後通常還需要半年至一年以上進行實地測試，以確認系統運作及安全性。
在硬體架構方面，英特爾邊緣運算事業部生態系統建設與教育部門總經理杜唯揚表示，機器人AI不一定需要額外配置大型GPU，可透過CPU、GPU、NPU組成的異構（XPU）架構，讓不同運算單元分工處理工作負載。
杜唯揚舉例，機器人的不同工作可由不同運算單元負責，例如GPU可處理影像辨識等工作，CPU則可負責Agentic AI相關運算、工作排程及與外部系統溝通，NPU則可用於AI推論。
杜唯揚強調，若在機器人系統中額外配置獨立GPU，除了增加成本，也會增加功耗及系統尺寸，尤其機器人本身需要在有限空間內整合運算、馬達控制及感測器等元件，部分應用還要求長時間運作，因此並非運算效能越高越好。