Edge AI 從 POC 走向規模化：研華嵌入式事業群總經理張家豪揭三大落地場景與挑戰
專訪：戴季全
撰稿：李昀蔚
當 AI 從雲端模型走向真實世界，邊緣 AI（Edge AI）與實體 AI（Physical AI）正成為企業導入的下一個關鍵戰場。「2026 年是 Edge AI 跟 Physical AI 爆發的起始點，」研華嵌入式事業群總經理張家豪在本集《全新一週》特別提到，隨著 AI 深入工廠、醫療、機器人等場域，將所有資料送回雲端處理已不切實際，為了滿足低延遲、資料隱私與即時反應等特性，讓邊緣運算平台具備 AI 運算效能，已快速成為各產業邊緣設備的標準配備。
當 Edge AI 延伸至實體世界，Physical AI 的討論也隨之升溫。張家豪強調，Physical AI 真正要落地，絕非單純把 AI 算力放在邊緣端，而是必須將周邊模組、軟體平台與整個生態系進行深度整合，才能實現 Physical AI 的願景。
從大腦到小腦：人形機器人不只要像人，更要有人類的感知與決策
談到 Physical AI，最具代表性的場景之一就是人形機器人。針對機器人的運算分工，張家豪以「大腦」與「小腦」來形容：所謂「大腦」，指的是負責感知、推論與決策的 Edge AI Computing，必須處理語言模型、數位孿生、即時資料回饋與判斷；「小腦」則負責控制四肢、輪子與各種運動模組的實際運作。
在實際運作時，機器人必須透過各類感測器來理解外部環境並做出反應。例如，由 2D 與 3D 攝影機負責視覺感知，Wi-Fi 與藍牙負責通訊，LiDAR 與 IMU 協助路徑控制，再透過運動控制模組支撐機械結構運作。這也代表 Physical AI 的挑戰在於如何將感測、通訊、視覺、路徑與運動控制等多種模組，全數整合並串聯至 Edge AI 裝置中，形成完整的機械系統。
三大落地場景：工廠自動化、醫療影像與自主移動系統
從研華第一線接觸客戶的實戰經驗出發，張家豪觀察，目前 Edge AI 落地最明確的場域主要涵蓋工廠自動化、醫療產業以及自主移動機器人系統。在工廠自動化方面，由於工廠過去本就高度依賴自動化系統與工業電腦來提升效率，如今這些設備升級 AI 運算的速度極快，例如過去仰賴人工目視的產品瑕疵檢測，現在已能透過邊緣運算與視覺檢測在產線端即時完成。
其次是醫療產業，像是超音波、X 光等醫療影像判讀，過去高度仰賴醫師經驗，現在導入 AI 後一秒鐘即可處理高達 3,000 張影像，讓判讀效率獲得顯著提升。最後，則是包含人形機器人與無人機等自主移動機器人系統（Autonomous Mobile System），這些系統必須在真實環境中移動並做出反應，因此對於即時運算與多模組整合的需求也特別高。
Edge AI 落地的三大挑戰：規模化、整合性、軟體平台
儘管工廠自動化與醫療產業已相對成熟並具備一定標準，但像機器人這類新興應用仍面臨標準尚未建立的困境。當企業真正著手導入 Edge AI 時，往往會面臨規模化、整合性與軟體開發平台等三大痛點。
首先是規模化的挑戰，像人形機器人這一類新興產業仍停留在概念驗證（POC）階段，因此如何克服痛點，並將單一場域的成功案例複製與擴展至大規模商業部署，是一大難關。第二是整合性問題，Edge AI 無法僅靠單一 AI 大腦運作，還需與感測、通訊、視覺、路徑監控及運動控制等多種周邊模組共同協作，這極度考驗系統整合能力。第三則是軟體開發平台的標準化困境，隨著晶片組從 CPU、GPU 走向 NPU 時代，各家廠商提供的 SDK、驅動程式與訓練演算法皆不相同，導致開發者若要跨平台轉移晶片組，往往必須付出極高的轉換成本與開發時間。
從硬體供應商轉型 Edge AI Enabler，研華打破跨平台藩籬
「我們要作為一個 AI 的 Enabler，尤其是 Edge AI 的 Enabler，」面對 Edge AI 落地的挑戰，張家豪強調研華的角色定位為 Edge AI 的推動者（Enabler），也就是除了將既有核心優勢的邊緣運算硬體平台導入 AI 外，研華更重要的任務是協調並串聯整個生態系。
為了降低開發者的跨平台阻礙，研華推出 WISE-WEDA 容器化軟體架構。張家豪形容這就像貨櫃，只要將軟體應用依照標準裝進貨櫃，就能輕易放上不同的硬體平台運送。透過這套標準化介面，開發者能跨越所有晶片組的限制，大幅降低遷移成本並加速產業應用開發速度。
下一波競爭焦點：系統整合能力與台灣產業的出海考驗
在 2026 NVIDIA GTC 大會中，研華已結合 NVIDIA Jetson Thor、Isaac ROS、Holoscan 等方案推出 Physical AI 布局，持續強化多感測器整合能力。張家豪直言，下一波 Edge AI 技術競爭的關鍵不在於單純的運算效能比拚，而是「系統整合能力」，從核心 Edge AI Computing、周邊模組整合，到軟體開發環境的完整性，必須形成一套完整的解決方案，才能幫助客戶縮短開發週期。
最後，在探討台灣於全球 Edge AI 競爭中的定位時，張家豪點出台灣擁有極具彈性且完整的硬體供應鏈，從 PC、工業電腦到 Edge AI Server 都具備深厚基礎，並擁有高度客製化的服務能量。然而，台灣的相對弱勢在於生態系的建立能力。受限於本地市場規模，台灣產業往往依賴海外終端客戶來主導生態系，相較於中美歐等擁有龐大內需市場的企業，較難在本土完成落地驗證。因此，張家豪呼籲台灣企業必須勇敢走出去，親自前往美國、中國等大型終端市場建立研發、製造與銷售據點，直接串聯當地夥伴與客戶，藉此在 Physical AI 時代建立更強大的產業生態系。