超越生成式AI：实体AI开启亚太工业智能化新阶段

实体AI透过传感器蒐集环境信息，结合AI模型、边缘运算与自主决策能力，使机器与智能系统能理解周遭环境并自主运作。对制造、物流、能源、交通运输及关键基础设施等产业而言，下一波AI竞争力将不只是提升软件能力，而是能否将智能真正转化为自主移动。AVNET

过去几年，人工智能（AI）的发展几乎由生成式AI重新定义。大型语言模型、多模态AI与AI助理工具正改变企业处理信息、优化流程与提升决策的方式。然而，AI的下一阶段发展将不再局限于数码世界。企业开始思考另一个更具产业影响力的课题：如何让AI在真实世界中感知环境、做出判断并自主采取移动。

这正是「实体AI（Physical AI）」受到高度关注的原因。实体AI透过传感器蒐集环境信息，结合AI模型、边缘运算与自主决策能力，使机器与智能系统能理解周遭环境并自主运作。对制造、物流、能源、交通运输及关键基础设施等产业而言，下一波AI竞争力将不只是提升软件能力，而是能否将智能真正转化为自主移动。

结合机器人、边缘运算与智能感知能力的AI系统，正协助企业打造更安全、更高效率且更具韧性的营运模式。

传统工业自动化的局限

尽管工业领域多年来持续推动自动化，现代工厂、物流中心与产业设施每天产生大量营运数据，但许多关键作业仍高度依赖人工介入。设备巡检、异常侦测以及安全与法规监控，往往仍仰赖人员执行。随着营运规模持续扩大与流程日趋复杂，企业面临的挑战已不再是数据不足，而是能否将数据快速转化为具移动价值的洞察。

实体AI提供了不同的解决方向。相较于定期巡检与事后处理，智能系统可持续监测环境、识别异常、评估风险，并实时提供决策信息。这不只是提升自动化程度，更是推动工业营运朝向更具适应性与韧性的方向发展。

智能正加速走向边缘端

推动实体AI发展的重要因素之一，是边缘运算技术的成熟。虽然云端仍是AI模型训练与大规模数据分析的重要基础，但工厂、仓储、港口及交通系统等许多工业场景，都需要在数据产生的位置附近完成分析与决策，以满足毫秒等级的实时反应需求。

因此，企业关注的焦点正从模型能力延伸至AI如何在真实环境中可靠运作。边缘AI能降低延迟、提升可靠度并支持实时决策，对于工业应用尤为重要。然而，这并不代表边缘运算将取代云端。未来更可能采取云端与边缘协同模式：云端负责模型开发与数据处理，边缘端负责实时推理与现场决策，形成分散式智能架构。

HPC与边缘AI必须同步演进

实体AI的兴起，也让高效能运算（HPC）扮演更重要的角色。电脑视觉、自主导航、多模态AI与生成式AI等应用，都需要庞大的运算资源进行训练与最佳化，因此HPC仍是推动AI创新的核心基础。

然而，模型开发只是AI生命周期的一部分。当AI进入实际应用环境后，功耗、散热、可靠度与低延迟同样重要。HPC提供模型训练能力，边缘运算则负责将智能部署至现场，创造实时且实际的营运价值。未来能整合HPC与边缘AI的企业，将更有机会将AI从概念验证推进至大规模商业化部署。

实体AI时代凸显生态系合作的重要性

随着AI系统日益复杂，成功部署不再只是单一技术的问题。从半导体、嵌入式运算、机器人技术，到传感器、联网技术、软件平台与系统整合能力，都必须共同协作。因此，企业愈来愈重视能够串联不同技术与产业夥伴的解决方案供应者，而非单纯采购个别元件。

在此趋势下，能够整合运算平台、嵌入式技术、传感能力与产业应用需求的生态系夥伴，正成为推动实体 AI商业化落地的重要力量。Avnet与Weston Robot的合作正是Physical AI从概念验证走向实际部署的代表案例。

双方结合先进运算平台、嵌入式AI技术与自主机器人能力，打造智能巡检平台，整合智能感知、边缘AI推理与自主导航技术，支持持续监测与实时分析，协助工业场域提升安全性、营运可视性与基础设施韧性。

更重要的是，这项合作反映了一项更广泛的产业趋势：AI的价值将不再仅以模型规模或运算效能衡量，而在于能否安全、可靠且具成本效益地部署于真实世界。随着亚太企业加速推进智能制造、物流自动化与关键基础设施数码化，实体AI将成为提升营运韧性与竞争力的重要基础。

生成式AI改变了企业处理信息的方式。下一阶段的AI，将改变机器理解并与真实世界互动的方式。而这场转型，正在亚太地区加速展开。

如果生成式AI改变的是企业如何取得与运用知识，那麽Physical AI改变的，将是企业如何透过智能系统直接影响现场营运。