AI下一個戰場將從資料中心走向汽車、機器人與工業設備。 Qnity Electronics（NYSE：Q）執行長Jon Kemp 2日在SEMICON Taiwan 2026大師論壇引用預測指出，AI機器人與自主機器市場規模至2035年可能達到1兆美元；為追趕快速縮短的產品週期，Qnity已利用計算化學、機器學習及分子模擬，每週探索超過10萬種材料配方。 Kemp表示，AI過去主要存在於雲端及資料中心，負責文字、影像與資料分析，未來則將逐步進入實體世界，使汽車、機器人及各類設備具備感知、判斷及採取行動的能力。 「AI已經學會說話與思考，現在它正開始學會行動。

」他認為，Physical AI的發展將改變半導體需求規模，也會重新定義晶片、封裝與材料的開發方式。 從數百萬套資料中心擴至數十億部裝置 相較於資料中心可以增加伺服器、電力及冷卻設備，部署在汽車、機器人和工業設備中的AI系統，必須在有限空間、功耗與散熱條件下運作，同時承受震動、溫差及長時間運轉，對晶片與材料可靠度的要求更高。 Kemp指出，資料中心運算設備的需求規模可能以數百萬套計算，但當AI進入汽車、機器人及其他終端裝置，潛在市場將擴大至數十億部設備。 因此，相關技術不只要追求最高效能，也必須兼顧成本、良率與大量生產能力。 依其引用的產業預測，AI驅動的機器人與自主機器市場至2035年可能達到1兆美元。

這項預測反映Physical AI可能帶來的應用規模，但實際成長速度仍將取決於硬體成本、能源效率、可靠度及終端需求。 每週探索逾10萬種材料配方 面對AI平台更新週期由數年縮短至數月，傳統依靠逐一合成、測試與修正的材料研發方式，已難以跟上產品迭代速度。 Kemp表示，Qnity利用計算化學、機器學習與分子模擬，在進入實驗室之前先探索材料組合，每週可分析超過10萬種配方，再從中挑選較具潛力的候選材料進行實驗驗證。 這裡的逾10萬種配方，指的是利用AI及模擬工具進行探索與篩選，並不代表每週實際完成逾10萬次實體實驗。 AI的作用，是縮小候選範圍、減少無效實驗，讓研發人員把時間集中在較可能符合電氣、熱管理及可靠度要求的材料。

Kemp指出，材料在AI系統中的角色已不只是符合單一規格。 以先進封裝為例，介電材料、銅互連及重布線層會共同影響資料傳輸速度、能源效率與封裝良率，材料開發因而必須與邏輯晶片、記憶體及封裝架構同步進行。 AI平台從數年一代縮短至數月 過去一項半導體平台可能維持數年，供應商有較長時間完成材料認證及量產準備；但AI平台快速更新後，研發週期已縮短至數月，材料商不能等客戶完成晶片設計後才開始配合。 Kemp認為，品牌廠、IC設計公司、晶圓代工廠、封測業者、設備商及材料商，必須在開發初期就共享資訊。 他將此形容為供應鏈向「創新網路」轉型：「供應鏈移動的是零組件；創新網路則是在更早階段移動洞察與想法。

」 隨著AI從資料中心走進實體世界，競爭焦點將不只是哪一顆晶片運算速度最快，而是整套系統能否在有限電力與空間中穩定運作，並以可負擔的成本擴大至數十億部終端裝置。