机器人要从「会动」进一步做到能够理解环境、完成任务，真正的瓶颈不只在AI模型，也包括数据搜集、模型微调、仿真验证及部署成本。英特尔今（16）日表示，Physical AI不像大型语言模型可以从网络取得大量数据，机器人若要从折毛巾改为煮蛋或洗碗，往往必须重新搜集动作数据并进行模型微调。为此，英特尔推出Physical AI Studio、OpenVINO Physical AI及Robotics AI Suite，协助开发者将模型从训练环境推进到实际机器人系统。

英特尔边缘运算事业群平台研发协理王宗业表示，机器人的开发流程通常不是从零开始训练一个大型模型，而是使用既有的开源模型，再依照具体任务进行微调与部署。「机器人不像大语言模型在网络上什么数据都有，现在最缺的就是数据。」他说，机器人要学会新的动作，开发者必须让机器人反复示范与收集数据，可能需要运行50次、100次，模型才有机会掌握特定任务。

三项工具分别处理集成、微调与部署。王宗业指出，Robotics AI Suite可以视为整套机器人开发环境，负责集成机器人控制、AI推论、ROS 2、即时控制函数库及开放标准；Physical AI Studio则处理数据搜集、模型微调、参数设置、优化及模型导出；OpenVINO Physical AI则主要用于推论与部署。

在Robotics AI Suite中，ROS 2可协助机器人建构地图、导航及控制机械手臂，DDS则负责协调摄影机、LiDAR与马达等不同组件。英特尔也将LeRobot与PyTorch等开源工具集成进开发流程，让开发者可以沿用既有工具，再利用Intel平台进行优化。

王宗业以「盖房子」比喻Open Edge Platform。英特尔提供硬件、操作系统、容器、函数库及基础软件，生态系伙伴则可以依照工厂、餐厅或其他垂直场域需求，共同建构上层应用。

AMR进晶圆厂，机器人需要的不只是AI。英特尔展示的应用涵盖自动导引车（AGV）、自主移动机器人（AMR）、机械手臂、机器人视觉控制器及人形机器人。

以晶圆厂使用的AMR为例，机器人需要把晶圆卡匣从一个制程站移动到另一个制程站。这类应用看似与送餐机器人相似，但工业场域对定位精度与重复性要求更高，若机器人位置偏差造成晶圆掉落，可能导致材料与设备损失。

另一个案例是咖啡机器人，能够同时处理点餐、制作咖啡与下一笔订单。这类应用反映餐饮服务业缺工及人员流动问题，也说明机器人除了AI推论，还需要CPU负责调度与外部沟通，并通过GPU及NPU处理影像、动作与其他AI工作负载。

此外，英特尔亦与Sensory AI合作打造Ella系统，让多个AI代理在单一Intel Core Ultra系列3平台上运作。其中，Avatar负责顾客交互，Guardian负责系统营运，Ella Agent则进行门市层级的商业智能分析，再由协调器统一调度机器人。

PCB瑕疵检测展现CPU、GPU、NPU分工。在AI驱动的人形机器人PCB瑕疵检测案例中，机器人首先要拿起PCB，再通过摄影机判断产品是否存在瑕疵。王宗业则说明，GPU可负责机器人动作控制，NPU则利用摄影机运行影像辨识，CPU除了处理系统沟通，也会将检测结果发送至制造系统数据库。用户可以通过笔电或手机连接云端，查看整体检测结果。

这个案例也呈现Physical AI的基本流程：摄影机与传感器负责Sense，AI模型与CPU等运算单元负责Reason，机械手臂与马达则负责Act。只有三个环节能够形成闭环，机器人才不只是运行固定指令，而是能根据环境变化调整行动。

Physical AI Studio处理数据搜集与模型微调。Physical AI Studio采图形化接口，开发者可以创建项目，加入摄影机、机械手臂与传感器，再开始搜集机器人动作数据。例如，同一台机器人原本已经学会折毛巾，若要改为煮蛋，就必须重新示范敲蛋、放入锅中及处理突发状况等动作。Physical AI Studio可协助开发者选择开源模型、调整参数、进行微调，并将模型导出至不同文件格式。

王宗业表示，Physical AI Studio的目的，是降低开发者使用开源工具时需要自行安装与设置大量软件的复杂度，让机器人模型能够从数据搜集、训练一路进入部署阶段。OpenVINO Physical AI则着重于部署环境。王宗业指出，若使用一般开源工具，完整软件环境可能需要十多GB甚至20多GB；OpenVINO Physical AI可将部署环境缩小至数百MB至1GB以下，让开发者以较小的保存空间完成推论。

对机器人而言，运算系统必须放进有限的机身空间。若系统只需要64GB保存空间，就不必为了安装过大的软件环境而升级至128GB，这也有助于降低整体硬件成本。

一般开发3至9个月，现场测试可能超过一年。Physical AI的部署仍需要经过长时间验证。王宗业表示，一般项目开发时程约为3至9个月，但由于机器人会与人及真实环境交互，完成开发后通常还要进行半年至一年以上的Field Test。

尤其在工具机与工业场域，机器人若出现错误动作，可能造成工安事故，因此必须花更多时间测试不同环境与突发状况。

资安也需要在开发初期纳入考量。杜唯扬表示，资安包括全球及各国的规范、产品本身的安全能力，以及生态系在实际运行时的管理。英特尔则在CPU中提供Trusted Boot及Trusted Computing等安全功能。

王宗业补充，AI模型的Model Card、数据源及可能的偏见，都应在开发阶段检查；但完整资安不能只依赖工具，规格制定、开发、测试与使用端都必须共同负责。

在Real-to-Sim与Sim-to-Real方面，英特尔表示，机器人正式部署前必须先在仿真环境中测试，避免直接上线时出现暴冲等危险动作。除了Isaac Sim之外，MuJoCo及ROS 2也提供开源仿真工具，部分工具可在CPU上运行，特定工作负载则可使用GPU、集成式GPU或DPU加速。

王宗业认为，AI不一定会取代人，而是先接手重复性与高风险工作。随着机器人数量增加，系统开发、维护、测试与管理等技能需求也会同步增加，Physical AI能否落地，关键仍在于模型、数据、硬件、软件与现场安全能否共同运作。