為了讓物聯網（IoT）感覺更「聰明」，嵌入式領域擁抱了一個比邊緣人工智慧（Edge AI）聽起來更吸引人的技術名詞──實體人工智慧（Physical AI）。那麼，業界該如何區分過去的Edge AI與今日的Physical AI？
(Image: Arm)
這一切似乎都與黃仁勳有關：無論好壞對錯，現在這位NVIDIA執行長的一舉一動似乎受到所有產業界人士的關注；而在每一場NVIDIA技術大會GTC，他都在不斷提升半導體市場對AI的認知標準，一開始是生成式AI，然後是代理式AI，現在則是實體AI。
在３月份於德國紐倫堡舉行的2026年嵌入式大會Embedded World 2026也不例外。黃仁勳在今年1月的國際消費電子展(CES)期間強調了實體AI的興起，讓MCU和MPU廠商提高警覺，因為在過去幾年，嵌入式領域的工程師和行銷人員一直在大力宣傳「邊緣AI」，如今他們突然得開始認真思考實體AI對嵌入式領域帶來的挑戰。
為此筆者在Embedded World 2026期間進行了即興採訪，隨機找人詢問：在實體AI時代，所謂的邊緣AI與我們已知的邊緣AI有何不同？
為什麼要糾結於定義？
筆者想要答案的主要原因有兩個：首先，我認為，物聯網在發展之初就因為定義不明確——也就是「為什麼嵌入式系統需要連網？」——導致相關技術和產品的碎片化，也讓它們的實用性大打折扣。
其次，如果邊緣AI和實體AI同樣沒有明確被定義，就可能導致積了一堆「海量資料」，產業界卻不知道要拿來做什麼──這也是市場研究機構Omdia的資深研究總監Edward Wilford發出的警告。
Wilford指出，在邊緣、實體層與雲端，「每一個步驟、每一次互動都會產生資料，但我們現在做的，和15年前用物聯網做的是一樣的事情；」他認為，這些產業界「生成的大量非結構化混亂資料，其中99.999%都沒有用。」
業界人士表示，在過程中會產生一些在某種程度上有用的東西，但實際上沒有人真正弄清楚那些東西是什麼，以及該怎麼用。
動作中的「邊緣」
沒錯…實體AI可能是當前市場上的當紅炸子雞，但它嚐起來是什麼味道？對此意法半導體(STMicroelectronics)提供了最簡潔的答案：該公司副總裁Patrick Aidoune解釋：「實體AI關乎致動(actuation)，」也就是實體動作(physical movement)。
他指出，業界提及邊緣AI時，指的是「把很多雲端的智慧導入邊緣，」以保護隱私和安全、降低能耗並做出即時決策；「而我們所說的實體AI，指的是動作中的邊緣。」
Aidoune以人形機器人為例指出，因為機器人會動作，因此在該邊緣裝置於實體世界動作的同時，即時應用決策也必須發生。
那以前在邊緣端做出的即時決策不可能致動嗎？「不是不可能，」Aidoune表示，只不過要讓一個動作中的邊緣裝置執行動作會面臨新的挑戰：「需要考量安全性。」
Aidoune舉例指出，當機器人要開始搬移非常重的物體，並且與人類一起工作，「安全風險就會升高。你必須確保你在雲端開發的模型，其智慧水準足以在邊緣端提供既聰明又安全的解決方案，它必須能在現實世界中正確地搬移實體物品。」
那麼，誰該負責確保在雲端開發的AI模型安全性？
Omdia的Wilford指出，關於以上問題，NVIDIA「一直避重就輕…因為要讓實體AI能運作，需要完美的技術，然而我們目前還沒有這種東西。」NVIDIA可以透過設置訓練環境來賺錢，但要確保邊緣端的安全性，就成為嵌入式系統設計人員的責任。
不用再玩愚蠢的「每瓦算力」遊戲
在過去十年專注於物聯網市場的Silicon Labs不久前宣佈被「同鄉」德州儀器(TI)收購。筆者詢問Silicon Labs技術長Daniel Cooley如何看待邊緣AI與實體AI之間的搭配，他沉思片刻後表示，隨著實體AI的發展，預期邊緣AI「會透過感測器取得更多(有用的)資料。」
Cooley表示，雖然今日的感測器能夠收集大量資料，但邊緣端處理器還是錯過很多情報。隨著AI滲透到每一款產品中，他設想邊緣裝置能根據客戶需求採集原生情報。
例如，智慧門鈴攝影機應該能要擷取只對自己的應用有用的資訊，並非試圖採集更多資料；Cooley表示：「然後我們再也不需要玩愚蠢的每瓦算力(TOPS per watt)遊戲。」
實體AI是邊緣AI的一個子集，還是反過來？
無論是人形機器人還是自動駕駛車輛，機器人技術都是人們最能直觀理解的、實體AI和邊緣AI之間的連結。
Ceva的策略長Iri Trashanski認為，邊緣AI是實體AI的一部分，而且後者「更具吸引力；」他也指出，這兩種AI之間的界線正變得越來越模糊。而與邊緣AI相比，他認為實體AI市場更大，「因為實體AI的應用場景非常廣泛。」
Trashanski引用Morgan Stanley的預估，指出到 2045 年，以人形機器人為中心的半導體市場將大幅擴張，達到約3,050億美元的潛在規模。
他表示，所有機器人都需要具備類似邊緣AI的能力，不同之處在於，「執行代理任務的機器人需要與其他機器人連線，因此除了視覺和音訊感測器之外，還需要各種連結技術，包括Wi-Fi、802.11h或是藍牙，以便了解附近其他機器人的位置，或者使用超寬頻技術(UWB)。」
Synaptics執行長Rahul Patel則看到一個不同的市場，他將實體AI定義為邊緣AI這個「涵蓋範圍更大」類別下的一個子集。
根據Synaptics 的分析，邊緣AI已經「透過在邊緣變得越來越具有情境感知與人類感知能力，」接管了以前被稱為物聯網的系統。而另一方面，Patel表示，實體AI「是那些能為你完成某些活動的東西，你的掃地機器人就是實體AI；所以生產線上的人形機器人、工業機械手臂也是。」
在被問到機器人技術需要哪方面的發展才能獲得成功時，Patel認為：「關鍵在於可負擔性；」目前市場上的機器人價格在5萬美元到100萬美元之間，這樣的價格區間是無法普及的。他也補充指出，下一代實體AI產品還必須具備防止機器人行為異常的機制和能力。
Arm的實體AI業務部門
在所有IP和晶片供應商之中，Arm可能是最認同NVIDIA所倡導的「實體 AI」理念的公司。
事實上，Arm在2025年底將其四個不同的業務部門合併為三個——實體 AI、邊緣AI和雲端AI。其邊緣AI業務部門涵蓋Arm的客戶端業務(包括智慧型手機和電腦)以及物聯網業務，實體AI部門則涵蓋車用和機器人業務。
Arm車用產品與解決方案部門副總裁Suraj Gajendra解釋：「我們區分實體AI和Edge AI的方法是看是否與致動器相關，如果涉及運動、馬達控制，那就是實體AI；」而先前屬於物聯網業務部門的工業機器人現在是我們的，因為它們既是致動裝置，又具備AI功能。」
Gajendra指出，除了處理移動物體，實體AI與邊緣AI的差異在於「安全性」(safety and security)，也就是一旦有任何東西出錯，必須確保系統恢復安全狀態；此必要條件適用於先進駕駛輔助系統(ADAS)、自動駕駛車輛(AV)、人形機器人與工業機器人。
在安全性之外，為實體AI設計的運算硬體關鍵因素還包括「即時性和確定性」。Gajendra指出，智慧語音助理Alexa不能馬上回答一個問題可能很惱人，但對於車輛和機器人來說，即使是幾微秒的延遲，也會突顯即時性和時間確定性的至關重要。
一切都與延遲性有關
英國無晶圓廠晶片業者XMOS 執行長暨總裁Mark Lippett樂見業界越來越關注邊緣端的延遲性問題。「這是邊緣AI的承諾…此技術一直以來都專注於降低延遲、對事件快速反應；」他指出，但是直到最近，隨著機器人技術的興起，「實體AI」才作為一個獨立的類別出現，這標誌著邊緣AI「邁向成熟階段」。
前面Arm談論的是微秒級延遲，Lippett思考的是奈秒：「延遲對於任何人類互動來說都非常重要，特別是安全攸關的場景。」
XMOS正在開發該公司形容為「生成式SoC」的晶片(差不多類似FPGA)，旨在整合控制、輸入/輸出、數位訊號處理和AI功能。而XMOS最自豪的是其XCORE平台，號稱能讓使用者生成具有即時可重配置性(reconfigurability)和確定性平行架構的客製化SoC。
早期融合vs.晚期融合
Ambarella認為自家強項在於開發邊緣應用的AI視覺處理器，該公司客戶成長長(customer growth officer) Muneyb Minhazuddin的觀點與傳統的邊緣/實體AI定義略有不同。他認為，邊緣AI裝置「正往兩個方向發展」。
人們通常將實體AI定義為能如何最妥善重現裝置周遭一切事物的實體特性，但Minhazuddin表示，「以視覺為基礎的物聯網正往某個方向發展——即適用於車輛的實體AI，」包括ADAS和AV；而他形容邊緣AI的另一個發展方向是「數位AI」。
但Minhazuddin將 Edge AI 的另一個發展方向描述為「數位 AI」。
Minhazuddin解釋，在數位AI的概念下，邊緣AI於網路中的位置略為提高：「你並非在試圖複製一個實體系統，而是聚合多個感測器創造一個情境(context)。」
他指出，在實體AI領域，(感測器的)早期融合(early fusion)特別重要，「因為這可能攸關生死；」但在數位AI領域，「我們進行的是數位處理，存在一些延遲是可以接受的，主要是因為它的思維模式來自雲端和資料中心。」
結語
實體AI顯然仍在持續演進，然而嵌入式市場需要更明確定義實體AI和邊緣AI，並且需要隨時注意可能面臨的所有挑戰。
參考原文：
(編譯：Judith Cheng)