COMPUTEX 2026恩智浦半導體CEO主題演講
前言：
將AI帶入現實世界：實體人工智慧的未來（Bringing AI into the Real World: The Future of Physical Intelligence）
重點摘要
恩智浦半導體總裁暨執行長Rafael Sotomayor
重點摘要
主講者：Rafael Sotomayor，恩智浦半導體總裁暨執行長
• 好！我們開始吧！
• 八天後，地表最優秀的足球員將齊聚一堂，參加這個世界矚目的賽事。每當他們出戰，全世界都屏息，數十億人為之關注。這是多年精心準備的成果，場上的球員都是菁英。
• 那麼，與其他球員相比，是什麼讓他們成為菁英呢？不是體能，因為他們的體能都非常出色；也不是對比賽的理解，因為大家都精通比賽。
• 關鍵在於對任務的掌握，在於在最高水準的比賽中、最大的壓力下，依然能發揮出最佳水準。這就是精英。
• 在COMPUTEX我走在展場中，到處都是實體AI（Physical AI）的例子。它們無所不在。
• 於是我不禁思考：如果我們要把這些智慧系統和設備帶入生活，那麼對系統和設備來說，「精英」的定義是什麼？相當於世界級運動員的機器又是什麼？
• 請各位跟著我，因為我們今天要解答一個問題。
• 如果你是足球迷，你一定看過梅西（Lionel Messi）踢球。如果你不是球迷，看過梅西踢球一定也會成為球迷。他控球的姿勢非常流暢，毫不費力。準備踢球時，他似乎會在最後一刻才決定是往左還是往右，這取決於對方門將的動作。在那極短的、從啟動到反應的瞬間，或許是地球上最精妙的智慧，但他卻不需要思考。他的本能反應接管了一切。
• 我們都知道卓越不在於有更多的思考，而是對任務的掌握達到爐火純青，以至於無需思考。
• 我舉個例子。各位現在感覺如何？我看到現場有很多人。你們的身體怎麼了？有些人已經調整了姿勢，手腳動來動去，這些都是下意識的。
• 事實上，我們每天做的絕大多數事情，九成五都是在沒有意識思考、不費力、幾乎不消耗能量的情況下完成。這真是太厲害了。我們一天中大部分時間所做的事情，實際上花的時間和精力都非常少。
• 如果反射主導我們的日常生活，那麼我認為反射也應該是機器人技術的基礎，也是實體AI的基礎。
• 但關鍵就在於，反射很難。這就引出「莫拉維克悖論（Moravec's paradox）」。
• 莫拉維克是第一個提出這個概念的人，當時這個概念看起來非常反直覺。對人類來說非常困難的事情，例如推理、解決複雜問題、下棋，對機器來說非常容易；而對人類來說很容易的事情，比如走路、疊衣服，對機器來說卻非常困難。
• 反射不是語言，也不是推理，反射是機器人領域中最困難的部分。因此，我希望各位暫時記住「反射很難」的這個概念，因為我們稍後會再討論它，這是釋放實體AI全部潛能的關鍵。
• 現在正是令人興奮的時刻。大家來到COMPUTEX，我們正經歷前所未有的技術變革。我知道你感覺到了。每天，應該說幾乎每小時，都有令人驚嘆的技術發表，非常精彩。
• 無論是代理型AI（agentic AI）新成果，還是軟體定義汽車（SDV）或能夠說任何語言並解決各種複雜問題的機器的最新進展，這些都令人驚嘆。
• 這其中許多都源自於雲端人工智慧的創新，但現在人工智慧已經觸及並融入現實世界，正在影響並改變一切。在恩智浦，我們稱現實世界為“邊緣”，而邊緣正是恩智浦大放異彩的地方。
• 恩智浦專注於邊緣產品。這些產品都是針對特定用途而設計，可滿足實時效能、低延遲、低功耗、高安全性和高可靠性等要求。應用於軟體定義汽車、智慧工廠和智慧基礎設施等領域。這些就是我們的產品。
• 隨著我們將智慧從雲端移到邊緣，最令人興奮的是，現在所有這些設備都擁有智慧，您可以創造全新的應用場景。可以創建能夠自主決策、獨立運作甚至完全自動駕駛的設備。
• 但為了發揮全部潛力，我們仍然需要解開莫拉維克悖論這道謎題。所以現在我要和大家談談恩智浦如何憑藉其優勢來解決這個悖論。為了找到莫拉維克悖論的解方，我們需要從一個已經解決反射問題的地方著手，那就是我們自己。
• 如果我今天問大家一個問題：「智慧存放在於人體的哪裡」？我猜95% 以上的人會說是在人腦。這個回答部分正確，也部分不正確。
• 讓我們從迄今為止最偉大的實體AI「人腦」開始說起。大腦是腦中最大的部分，佔腦部總質量的80%，推理、意識思考、學習和決策都在這裡進行。所有這些功能都在這裡運作。但這並非反應最快的地方。
• 跟各位分享一下我今天早上發生的事情，這是真實事件。恩智浦辦公室離這裡只有幾條街，我有時差所以有點晃神，過馬路的時候差點被摩托車撞到，就差那麼一點點，這讓我一下清醒過來。大腦300毫秒的反應時間簡直像一個世紀。當下我像貓一樣跳開，大腦完全沒幫上忙。
• 還好大腦並非單獨運作，大腦有夥伴，就是位於大腦下方的小腦。
─ 你可以把小腦想像成運動、動作控制、位置、平衡的協同處理器（co-processor）。速度比大腦快，但還不夠快，至少不夠讓我在今天早上避開摩托車。所以我們要再深入一些，來討論脊髓。
• 在這種情況下，救命的反射不是來自意識，甚至不是來自頭骨裡面，而是源自於脊髓。
─ 各位看這些數據，40毫秒，快如閃電，這是大自然精心設計的安排，在這種情況下，延遲比智力更重要。今天早上，就是這個反射救了我。
─ 脊髓能夠獨立處理訊息、做出決定並採取行動。
─ 我舉個例子來更具體說明，除今天早上為了躲開摩托車而跳起來之外，我相信大家肯定能理解。
─ 碰到很燙的東西時，刺激會讓你抬起手，並將訊號傳遞給脊髓。脊髓接收到訊號後發出肌肉指令，讓你把手拿開。現在手安全了。
─ 同時，大腦還在處理訊息，最後才反應過來，意識到「哦，好燙，好痛」。現在各位可以知道，脊髓讓我們能夠在思考前就採取行動。脊髓保護我們的安全。
• 在我繼續講解之前，我想強調另一個設計原則。大自然憑藉著無窮的智慧，決定將反射機制放在行動發生的地方。
─ 本質上，脊髓就像一個沿著背部延伸的堆疊式處理中心，負責將訊息定位、感知並傳遞到最近的地點，非常絕妙。
─ 距離越近代表速度越快，速度越快代表越安全，同時也代表能耗最低。進化向我們展示的是幾十億年的最佳化。
• 我們討論到哪裡了呢？我們從生物學開始，試圖找出解開莫拉維克之謎的線索。我們得出什麼結論呢？結論是，智慧的擴充不是去增加大腦的體積，而是把智慧放在合適的位置，藉此來擴充智慧。
• 現實生活中，智慧有三個基本要求：
─ 首先，要極低的延遲才能在現實世界中生存
─ 其次，需要分散式控制，這樣就不會出現單點失效
─ 最後，需要極高的能源效率，嚴格管理能源預算，進而延長壽命
─ 這就是行動指南，這就是藍圖。因此，我們認為這正是實體AI所需要的
• 現在，我們把這個原則應用於機器人領域。這就是恩智浦所稱的神經軸架構（neural axis architecture）。
─ 智慧有三層：推理層、協調層、反思層。三層獨立運作，但又高度協調。
─ 現在來看看實際應用。這裡有三種不同的外形尺寸，恩智浦都有參與。三種不同實施方式。
• 首先來看無人機。無人機的神經軸映射非常清晰。
─ 推理層負責飛行規劃和路徑最佳化，大腦負責管理飛行平衡和效能。兩者需要獨立且並行地運行，這不是「有也很好」的事情。必須要有這種獨立性，才能讓裝置值得信賴且安全。
─ 再來是反射層，也就是位於邊緣的節點，它們連接到馬達控制和制動器，反應迅速，反射靈敏。它們幾乎不等待，反應時間以微秒計。
─ 恩智浦提供完整的系統，包括所有的 KPI 以及打造世界級無人機所需的一切。
─ 舉個例子，我們追蹤glass to glass latency（端到端影像延遲）的指標。
─ 各位可以想像一下，攝影機捕捉影像、處理、傳輸，控制器回應，然後無人機做出反應。整個過程只需 20 毫秒。
─ 錯過這個時間無人機就會漂移、不穩，甚至墜機。
─ 如果達標，就能掌控一切，無人機動作順暢，安全無虞。
─ 這就是恩智浦在無人機中實現的神經軸。
• 或許大家對軟體定義汽車（SDV）比較熟悉，因為我們在汽車產業有很多客戶，SDV也是神經軸的絕佳例證。
─ 首先是推理，例如ADAS和導航，決定車輛下一步要做什麼。
─ 其次是協調，這是獨立的運算單元，負責管理車輛動力學，確保車輛始終保持穩定的運動。
─ 恩智浦憑藉其中央運算單元，5 奈米 S32N 系列處理器，在這個領域佔據領先地位。這些處理器和產品在市面上非常獨特。
─ 在反射層上，我們有Sono 系統，負責管理車輛的任務關鍵功能，例如煞車和懸吊。恩智浦憑藉S32K系列產品，在Sono架構領域佔據領先地位。
─ 這三層在邏輯和物理上的分離，正是車輛可靠性的關鍵所在。因為在關乎生命的車輛中，容不得半點差錯。
─ 恩智浦之所以能在SDV 居於領先地位，正是因為我們在 SDV 的神經軸領域建立領先地位。
• 人形機器人是所有實施方式中最複雜的。
─ 我認為這是一個新興市場，大家對於人形機器人有許多討論，但我們的信念仍然非常堅定：如果這種神經軸架構足以應用於生命，那麼它足以應用於人形機器人。我不認為這有討論的空間，讓我舉個例子。
─ 想像有個機器人在倉庫裡走動，手裡拿著貴重又易碎的包裹。走到一半的時候，有人掉了一個托盤，托盤碰到了機器人，導致機器人有點失控。
─ 想想接下來會發生什麼事。機器人需要恢復平衡。機器人要保持平衡、確認包裹還在、調整握法、判斷自身位置、恢復平衡並繼續行走，所有這些都必須在40毫秒內完成，不呼叫雲端，不等模型回應。
─ 身體、關節、雙手、雙腳的智慧必須掌控當下。
• 你看，神經軸構並非可有可無，而是關乎生存。
─ 因此，我們今天看到的人形機器人通常會將推理部分和協調部分分離，因為機器人需要不斷學習，不斷學習新的應用場景，但你不想干擾機器人的動作，動作必須穩定。
─ 沒有脊柱，取而代之的是節點末端的分散式控制系統，這些處理器在本地擁有各自的功能，完全自主。
─ 手知道如何抓取，腳踝知道如何保持平衡，無需等待，無需請求許可。它們主動行動，確保人形機器人的生存。
• 剛剛列舉了三個例子，三種不同的外形尺寸，三種不同的複雜程度，一個系統，一種架構，一個藍圖，三個智慧層次。我們能從中得到什麼啟示呢？
• 智慧不是取決於大腦容量，別再執著於大腦容量。想想神經軸，想想智慧的三個層次。
• 我們常常討論到運動，現在我要討論一個新的問題。
─ 運動不等於理解。機器人能完美執行某個動作，不代表它理解當中的原因。
─ 在我們所處的複雜世界裡，不理解其中的原因是不行的。
─ 所以，問題在於我們要如何教導機器人不僅知道怎麼動，還要知道怎麼理解。
• 接下來就來談談這個主題。我們不是生來就會走路，也許有些人認為我們生來就會，但不是這樣的；我們也不是生來就會踢球，或拿起一杯牛奶而不灑出。我們是在錯誤中慢慢學習的，但這種反覆試錯的過程讓我們掌握技能，還在我們的大腦中建立關於世界的物理模型。
─ 我們之所以學會重力的概念，是因為我們摔倒再來感到疼痛，然後我們不想再摔。我們之所以學會熱的概念，是因為我們摸了滾燙的東西，然後被燙傷。
─ 但顯然，人類的學習方式不適用於機器人。我們不能直接野放機器人，然後說：「好，去學習，學好再回來。」這樣做不安全，而且是很魯莽的。所以我們必須採取不同的方法。
• 機器人有一項能力非常出色，它們的視覺能力非常驚人。我舉個例子，這個機器人看著咳嗽糖漿，它可能可以辨識出瓶子，知道裡面裝的是液體，可能還會讀標籤。但它真的理解自己手上拿的是什麼東西嗎？
─ 它知道瓶子是滿的嗎？它知道如果傾斜角度過大，液體就會灑出來嗎？
─ 如果不了解慣性，就很難估算力量的大小。如果不了解摩擦力，就無法判斷糖漿會如何流動，缺乏這種理解，機器人就無法安全地運作。
• 所以，我們需要連結感知和理解的橋樑。
─ 感知告訴你眼前有什麼，而對世界的理解則會告訴你，當你與眼前的物體互動時會發生什麼事。因此，我們需要橋樑。
• 這裡的問題在於：如何教機器人物理？大家都是自己來，我是說真的。每個人都是自己教。
─ 我們教機器人如何抓取物體，如何移動。它們模仿、適應，學習。
─ 這種方法有效，但也有其限制：速度慢，成本高。
• 這就是世界模型（world model）發揮作用的地方。
─ 現在，我們能夠教導機器人來預測結果，無需經歷實際體驗的過程，就像是把知識直接注入機器人，想想《駭客任務》裡的場景，對吧？把知識注入機器人。
─ 注入知識，注入經驗，無需經歷獲取這些經驗的實際過程。這是一個令人著迷的領域。
─ 世界模型在餵養 VLA（Vision-Language-Action，視覺-語言-動作）。
• VLA是很技術的概念，代表視覺、語言、動作模型。
─ 它是機器人視覺感知、指令輸入和動作之間的橋樑，連結這三個不同的層面。它建構機器人感知和理解所需的橋樑。
─ VLA 是目前學術界和工業界最引人入勝的研究領域之一。
─ VLA 快速發展且越來越完善。現在的問題是，如何將我們在雲端利用無限資源創建的VLA部署到邊緣？
• 邊緣環境資源有限，功耗、延遲、記憶體和處理能力都有限制。研究裡的VLA模型對倉庫裡的機器人來說用處不大。
• 所以，我們需要將這些模型部署到邊緣的實際處理器上。我們針對這項挑戰的解決方案就在這裡：我們的工具包，eIQ工具包。
─ 這是一款軟體，可以取得這些模型，導入模型，量子化、剪枝和編譯。
─ 簡而言之，你可以取得模型，針對目標硬體和目標用例進行調整。
• 我們的目標是消除客戶的疑慮。所有這些都很複雜，因此在應對挑戰時，我們希望確保消除所有疑慮。我們會消除任何阻礙實體AI部署的障礙。
• 剛才討論了神經軸作為架構，也討論了利用VLA來理解能力，這兩者結合起來使機器人變得有用。
• 但這足夠嗎？它確實夠有用。有用和值得信賴並不相同，而實體AI要想真正被市場接受，信任問題必須解決。
─ 對人類來說，信任需要時間累積，需要投入數月甚至數年來建立聲譽、建立關係和累積過往的成績。
─ 你不能讓機器花一年的時間去與操作員建立關係，我們沒有那麼多時間。
─ 所以信任無法設計，機器無法贏得信任。
─ 信任必須從一開始就設計進去。機器必須從一開始就值得信賴。信任至關重要。沒有人喜歡事情會出錯這個概念，但事情確實會出錯。
• 看到這些照片時，你看到它們可能會感到很不舒服。我不禁想起兩條定律：墨菲定律（Murphy’s Law）和菲納格定律（Finagle’s Law）。
─ 墨菲定律說，可能出錯的一定會出錯；
─ 菲納格定律則說，凡事都可能出錯，而且一定會在最糟的時候出錯。
• 信任就是在最糟的時刻來定義的。信任不是在一切順利時來定義，而是在最糟糕的時刻才得以被定義。
• 我們該如何看待信任呢？
─ 信任可能因外在因素或內在因素而受損。外在因素可能是環境變化，也可能是有人惡意攻擊系統。
─ 內部因素則包括設計缺陷、模型局限性，有時電子元件的磨損也會導致其行為改變。
─ 這些都是至關重要的問題，因為隨著實體AI的部署，越來越多的關鍵任務功能將依賴人工智慧，因此妥善處理這些問題至關重要。
• 恩智浦的實體人工智慧並非源自雲端，而是源自邊緣，這正是我們目前在研究的領域，是我們日常工作的一部分，也是我們如今所關注的。對我們而言，它的價值現在更加凸顯。
─ 恩智浦用於保障信任的現有資源，在實體AI領域顯得格外重要。
• 那麼，我想談談如何從宏觀層面討論信任問題，因為我們目前有架構，而且不斷完善，從宏觀層面來說非常簡單。
─ 我們採取「控制」措施，代表我們隔離問題，建立冗餘機制，不允許單點故障。
─ 我們採取「保護」措施，將安全機制間接注入硬體，保護程式碼執行，防止篡改，保護憑證。
─ 我們也為後量子加密時代做好準備，因為今天的威脅與五年後的威脅截然不同。我們的裝置是未來就緒的。
• 下一個基本要素是驗證。
─ 我們獲得的SIL和ASIL認證不只是一張紙，這是衡量信任度的方式。
─ 我們的SafeAssure計畫讓醫院或汽車OEM廠商能夠獲得對他們來說至關重要的東西：設備在故障時能運作並自動適應的保證。
─ 在這個市場中，一切都在不斷變化。威脅不斷演變，環境也在不斷變化，所以我們需要不斷發展。
─ 我們需要建立一種機制，能夠持續更新這些邊緣設備，因為它們會在邊緣運作十年之久。因此，我們需要確保這些設備在未來數年內始終保持完整性和安全性。
• 恩智浦非常重視信任。
─ 邊緣運算中的錯誤和故障不是數位的問題。
─ 你無法透過軟體補丁來修復骨折，也無法透過系統更新來處理車禍碰撞。
─ 我知道我們無法設計出絕不出錯的系統，這一點我們很清楚。
─ 但我們可以設計出出錯也能正常運作的系統。
• 信任是我們DNA的核心，原因在於我們太了解信任，現實世界沒有撤銷鍵。
• 實體AI的發展現況如何？
─ 我們的工作不是在客戶準備好之前強行推廣實體AI，而是確保實體AI真正發揮作用。實體AI之所以能被廣泛採用，是有原因的。這裡的主題是：贏得被需要的權利。
• 我最近收到很多客戶關於如何應用人工智慧的問題，其中一個常被問到的問題是：「實體AI究竟能達到什麼智慧水平？」
─ 這個問題我得好好想想，因為我覺得它問的不太對。
─ 我認為正確的問題是：如今實體AI可以在哪些領域安全可靠地部署，並創造價值？我認為答案逐漸揭曉。
• 我舉個例子。在工廠自動化領域。
─ 即使是現在，在那些已經部署實體AI機器人的工廠裡，生產效率已比傳統自動化提高40%。
─ 意思是，傳統自動化的生產效率已經相當高，實體AI又在這個基礎上提升40%。
• 顯然，我們無法單打獨鬥，我們必須與客戶攜手合作。我們非常自豪能與客戶合作。跟各位呈現的是Boston Dynamics，我們將我們的硬體或軟體與他們卓越的機器人平台結合，確保機器人和人類能夠在工廠高效協作。
• 醫療領域尤其如此，安全性和精準性至關重要，它們會決定治療結果。
─ 2025年，診斷和實驗室機器人的銷售成長610%。這並非曇花一現，而是醫療領域發出的訊號：如果用負責任的方式來部署實體AI，它可以拯救生命。
─ 我們非常自豪能與 GE HealthCare合作，他們在麻醉領域部署智慧系統，精準性和安全性在麻醉領域至關重要，而恩智浦的產品正是他們部署的核心。
• 每次來台灣我都會在這個時候跟大家交流，台灣的生態系真的太棒了。我們深知，單憑一己之力無法實現這一切。沒有客戶和夥伴的支持，恩智浦力量太小無法落實這一切。
• 恩智浦有如此成就絕對離不開各位。我們無法自己創新，必須透過合作、共創和交付目標來實現。
• 名單上的各位不僅是客戶和合作夥伴，更是將人工智慧產品推向市場、使其成為真實的命脈。所以，對於在座的各位以及名單上的各位，我衷心感謝。讓我們攜手並進，共創輝煌。
• 我的演講從梅西開始，最後也想在梅西結束。
─ 讓這位球員如此出色、如此頂尖，他的身體能夠做到這些不可思議的事情，原因不在於可以看到的地方，而是在於看不到的地方。
─ 暫且不提他對這項運動的驚人投入，但各位所看到的，他身體裡我們稱之為神經軸的無形結構，才是真正的關鍵。
─ 實體AI和機器人也是如此，只不過它們是由人類設計。
• 我最開始提出的問題是什麼呢？對機器而言，什麼是菁英？我認為我們已經找到答案。
─ 對機器而言，精英是指能夠在真實世界的真實環境下可靠地高效運行，並且在出現故障時能夠保障資產和人員的安全。
─ 這些菁英機器和系統必須具備三個不可妥協的要素：低延遲、低功耗和高度信任。
• 請記住，僅靠智慧無法擴展實體AI的規模。擴展的方法是將智慧部署在適當的位置，並以神經軸為骨幹。
• 為了推動實體AI走向市場，恩智浦已經做好充分準備。
• 謝謝大家！
