人工智慧應用正從雲端延伸至終端與邊緣，邊緣設備面對的已不只是影像辨識，也包括大型語言模型、Agentic AI及Physical AI等複合工作負載。英特爾今（16）日表示，邊緣AI不一定要依賴外接GPU，透過CPU、GPU與NPU組成的異質運算架構，已能支援多種AI應用。根據英特爾測試，Core Ultra X7 358H對比NVIDIA Jetson AGX Orin 64GB，在4項邊緣AI工作負載中呈現效能優勢，最高達2.5倍。

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，英特爾從嵌入式系統、IoT到邊緣運算，已有約40年經驗。隨著電腦視覺、生成式AI及Agentic AI逐步成熟，AI應用正進一步走向Physical AI，讓機器人、無人機及其他智慧設備具備感知、推理與行動能力。

邊緣AI關鍵不只是模型，而是能否部署

杜唯揚指出，現在市場上的AI模型愈來愈多，企業真正面臨的問題，已從模型建立轉向模型選擇、系統整合及實際部署。

「現在創造新的Model其實不太是大問題，很多時候是Model選擇困難症，Model太多了。」他說，模型要真正落地，還需要適合的硬體、軟體與運算架構支援。

以傳統電腦視覺為例，物件偵測、影像分割與物件追蹤等工作，可能由GPU或整合式GPU處理；大型語言模型、視覺語言模型（VLM）及視覺語言動作模型（VLA），則會涉及CPU、GPU與NPU的協同運算。進入Agentic AI後，系統還要負責任務管理、流程協調與外部溝通，CPU仍扮演重要角色。

至於Physical AI，除了模型推論，還要同步處理攝影機、感測器、馬達及即時控制。因此，英特爾認為，邊緣系統不能只以單一GPU效能衡量，而要依照不同工作負載，在各個運算單元之間進行分工。

Core Ultra系列3對比Jetson Orin，4項測試最高2.5倍

英特爾簡報顯示，Core Ultra X7 358H與NVIDIA Jetson AGX Orin 64GB的比較測試，涵蓋影像分類、LLM延遲、端到-end影像分析及VLA模型。

其中，影像分類效能高出2.5倍；LLM延遲速度快1.7倍；影像分析的每美元效能高出2.2倍；VLA模型效能則快1.5倍。英特爾藉此強調，在部分邊緣AI應用中，整合式GPU已足以支應實際部署需求，企業不必一開始就配置獨立GPU。

不過，上述結果屬於英特爾測試數據，實際效能仍會受到模型、軟體、功耗與系統配置影響。英特爾官方資料另指出，Core Ultra系列3在其他測試中，LLM效能最高提升1.9倍、端到端影像分析每瓦每美元效能最高提升2.3倍，VLA模型吞吐量最高提升4.5倍；這些測試的比較平台與工作負載，與Jetson Orin測試並不相同。

Core Ultra系列3邊緣運算處理器採用Intel 18A製程，並通過嵌入式與工業應用認證，支援較寬廣的工作溫度範囲及24×7全天候運作。英特爾表示，透過CPU、GPU與NPU整合在單一系統單晶片（SoC）中，可減少額外硬體元件，進而降低功耗、系統複雜度及總持有成本（TCO）。

英特爾邊緣運算事業群生態系發展部門總經理杜唯揚。（英特爾提供）

Open Edge Platform串起硬體與軟體生態系

除了處理器，英特爾也將Open Edge Platform視為Edge AI策略的核心。杜唯揚表示，Open Edge Platform提供底層平台軟體、工具與函式庫，以及上層參考應用；Intel AI Edge Systems則提供標準化硬體藍圖、基準測試與驗證工具，協助OEM、ODM及解決方案供應商選擇適合的系統規模。

英特爾目前已推出6套Edge AI Suites，涵蓋城市交通、零售、教育、製造、機器人，以及醫療與生命科學等領域，另於今年7月底推出政府與航太AI開發套件預覽版。

開發者可依照Evaluate、Build、Deploy三階段推進。先以參考應用與基準測試評估系統能力，再利用工具與函式庫進行最佳化，最後將應用部署到商用環境。由於許多開發者原本就以PyTorch為基礎，英特爾希望降低既有模型與應用移植到Intel平台的門檻。

英特爾指出，目前已與約63家系統夥伴合作，建立155套系統；應用端則有約125家應用夥伴，完成137項應用。官方媒體資料也指出，英特爾與合作夥伴在全球已完成超過10萬個邊緣應用案例。

杜唯揚表示，Edge AI的競爭不只是單一晶片或GPU效能，而是系統、軟體、應用與合作夥伴能否共同完成商用部署。隨著Agentic AI及Physical AI逐步進入產業，英特爾將持續透過開放平台，協助企業把AI從模型推進到實際場域。