隨著 AI 應用加速從雲端走向終端，邊緣運算晶片能否真正落地，關鍵已不只在單一晶片的運算效能，更在於晶片、系統與應用端能否共同因應實際部署需求。為鏈結國內半導體產業技術能量與多元應用需求，經濟部產業發展署推動「邊緣運算晶片系統產業鏈結推動計畫」，聚焦智慧移動與智慧醫療照護領域，並透過「邊緣運算晶片系統價值共創平台」(以下簡稱價值共創平台)，促進晶片、系統及應用端業者交流與供需對接，推進跨域合作與邊緣運算晶片系統方案應用。
為進一步聚焦智慧移動應用需求，經濟部產業發展署智慧電子產業計畫推動辦公室(SIPO)於 7 月間辦理「2026 半導體供應鏈競爭力論壇：邊緣運算驅動創新 共探智慧移動新局」。會中，SIPO 張維益專案經理介紹計畫與「價值共創平台」，說明政府如何透過平台串聯產業資源，促進跨域合作。
張維益指出，廠商最關心的，往往是如何找到合適的終端應用與合作夥伴。「價值共創平台」協助 IC 設計、半導體供應鏈及系統整合業者，對接潛在合作夥伴與多元應用需求，涵蓋智慧工廠、智慧照護、智慧移動及零售與生活應用； IC 設計業者可透過「價值共創平台」鏈結系統整合商或法人資源，系統整合商也能進一步接觸終端應用需求。此外，價值共創平台亦協助業者鏈結政府研發資源，包括「晶創臺灣方案」及研發投資抵減等相關措施。
論壇也邀請超恩、滿拓科技及晶心科技等產業專家，分別從系統整合實務、車載 Edge AI 部署及晶片平台發展方向切入，剖析智慧移動從技術開發走向實際部署所面臨的關鍵課題。
超恩解析強固型邊緣運算系統：從固定環境走向戶外，部署可靠度成為關鍵
從概念驗證(Proof of Concept,POC)邁向實際部署時，開發商面臨的一大挑戰，就是環境複雜度大幅提高。超恩研發處協理王志維以自主移動機器人（AGV/AMR）為例指出，產品在固定環境中或許運作順暢，但一旦轉移至戶外環境實際部署，面對電源突波、溫度變化、水氣與粉塵，以及障礙物增加、光線劇烈變化與多變氣候，系統整合與環境適應能力都將面臨更大考驗。
為確保系統在不同環境中穩定運作，工業電腦必須具備寬溫、寬壓及防塵防水等工業級強固設計，才能滿足智慧移動應用的實際部署需求。尤其 AGV／AMR 等移動設備經常使用電池供電，在充電與運作過程中可能產生電壓突波，因此硬體的電源設計與環境耐受能力，都是實際部署時不可忽視的條件。
另一方面，作為系統「眼睛」的相機、光達(Light Detection and Ranging, LiDAR)與 GPS 等感測裝置，其整合能力與輸入/輸出(Input/Output,I/O) 擴展規格，也是影響邊緣運算與智慧移動效能的關鍵。王志維指出，邊緣運算平台必須具備高速乙太網路供電( Power over Ethernet，PoE)、USB 及網路介面，以因應大量即時感測資料的傳輸需求；在多感測器整合需求增加下，系統也需透過 10G 高速 I/O、車載 M12 圓形連接器(M12 Circular Connector)介面及多元擴充設計，提升 LiDAR、GPS 與多路相機等裝置的整合能力。
除了硬體規格與介面升級，實際部署同樣仰賴軟硬體協同調校。超恩透過與軟體夥伴協作，針對實際場域的天候、光線等變化進行即時動態調校，協助降低環境變數對系統運作的影響，進一步提升自主移動系統的感知、定位與運行彈性。這也顯示，智慧移動從概念驗證走向實際部署，不只是提升運算效能，更考驗感測器、I/O、軟體調校與強固硬體之間的整合能力。
滿拓科技：模型跑得動，不代表車子敢用 最差狀況與資料閉環決定落地成敗
「模型跑得動，不代表車子敢用。」滿拓科技創辦人吳昕益表示，AI 模型在實驗室與 Demo 階段即使運行順暢，實際上路後仍可能面臨各種難以事前預測的極端情況(Corner Case)。相較於一味追求最高準確率，車載AI更重要的是在不同環境與突發狀況下，仍能維持穩定且可預期的表現。
車載系統受到延遲、功耗與記憶體頻寬等條件限制，尤其涉及安全性的應用，更必須從極端狀況進行評估。「車廠不接收平均值，更重視最差狀況(Worst Case)下系統需要多久才能完成判斷，」吳昕益表示，系統必須透過最差情況執行時間(Worst-Case Execution Time, WCET)進行規格評估，確認即使面對極端狀況，仍能在規定時間內完成關鍵決策，以確保符合安全標準。
此外，硬體運作過程中的「資料搬移」也會消耗大量時間與能量。吳昕益表示，AI 運算不只是算力問題，資料在晶片內部與外部記憶體間反覆移動，也會帶來記憶體頻寬、效能與功耗上的負擔，因此系統設計需盡可能降低不必要的資料搬移，讓資料儘量在晶片內部完成處理，以兼顧效能與能源效率。
最後，AI 模型能否持續因應真實環境變化，也取決於是否建立完整的「資料閉環(Data Loop)」。吳昕益指出，許多 AI 應用在落地過程中缺乏資料回饋機制，使真實環境遇到的 Corner Case 難以有效回到開發端進行優化。企業若能建立從實際部署、資料回收、模型與系統優化到再次驗證的循環，才能持續提升車載 AI 的穩定性與可靠度，真正跨越 AI 車載部署的最後一哩路。
晶心科技：AI 運算走向稀疏化，CPU 角色重新提升
在硬體算力有限的情況下，AI 算力優化已非單純依靠大矩陣運算，而是逐漸朝向「稀疏化(Sparsity)」演進。晶心科技技術副處長王庭昭以混合專家模型(Mixture of Experts,MoE)等架構為例指出，為降低不必要的運算，系統會依任務動態選擇部分專家模型執行，而這類路由、排序、廣播及非結構化資料處理，也使 CPU 在 AI 系統中的角色重新提升。
除了模型架構的轉變，代理式 AI(Agentic AI) 與具身 AI（Embodied AI）的發展，也進一步推升 CPU 的戰略地位。在代理式 AI 應用層面，系統產生回應決策前，可能需要與大型語言模型(LLM) 反覆進行推理、問題拆解與外部資訊檢索，使底層 CPU 的算力負載上升。王庭昭指出，隨著工作負載改變，未來伺服器端 CPU 與 GPU 的配置比例可能由過去約 1：8逐漸接近 1：1。
在具身 AI 方面，王庭昭則以「大腦」與「小腦」說明不同運算任務的分工。大型視覺語言模型(VLM)可負責高階感知與規劃，但馬達控制等需要高即時性與穩定性的工作，無法完全依賴大型模型處理；尤其涉及實體控制時，更需要穩定且符合功能安全要求的底層 CPU 負責執行與把關。隨著 CPU 在 AI 運算與實體控制中的角色更加重要，如何提升其處理非結構化運算與資料傳輸效率，也成為架構設計的關鍵。
面對非結構化運算與記憶體頻寬的雙重挑戰，王庭昭也指出，可透過 RISC-V 向量指令(RISC-V Vector Instruction)、客製化擴充指令(Andes Custom Extension,ACE)及協處理器架構提升運算效率，其中針對特定 AI 運算，整體加速效益最高可達約 150 倍。
跨越「實驗室到戶外」的鴻溝，剖析智慧移動落地三大挑戰
從實驗室邁向戶外真實場域，「環境不確定性」始終是硬體與感測器整合的首要關卡。超恩、滿拓和晶心科技三位跨領域專家分別從系統整合、應用部署到晶片架構等不同面向，剖析智慧移動產業鏈在落地過程中所面對的現實痛點與因應策略。
站在系統整合實務的角度，超恩研發處協理王志維指出，智慧移動應用往往需要串接不同廠牌的相機、LiDAR 與定位設備，從時間同步、驅動程式到影像調校，都可能增加系統整合的複雜度。若晶片與平台業者能提供更完整的開發工具與技術支援，將有助於降低系統商的整合負擔，讓更多研發能量投入實際應用，加快產品導入。
面對實際部署中的環境變數，滿拓科技創辦人吳昕益則強調「穩定性是一切的來源」。他從系統維運角度指出，若為了因應不同情境而頻繁替換或調整 AI 模型，不僅增加開發負擔，也會提高後續維護成本。因此，採用在各種場景下表現穩定的模型，將直接影響系統能否長期運作與持續導入，才是落地的正確路徑。
晶心科技技術副處長王庭昭則從開發流程提出，強調晶片與 IP 業者可在實體晶片完成前先提供虛擬系統模型，讓系統廠提前進行軟體開發、除錯與架構驗證透過提前提供虛擬系統模型，可讓系統廠先行展開軟體開發與驗證，提早發現整合需求與問題，進而縮短後續產品開發時程。
智慧移動順暢落地的關鍵，不能只靠單一晶片、單一系統或單一 AI 模型，必須仰賴晶片、系統與應用端的緊密協作。唯有如此，才能把技術優勢轉化為可實際部署的產品與方案，真正跨越場域部署的鴻溝，讓臺灣供應鏈更有機會在這波全球供應鏈重組中，從代工者晉升為規則制定者。
