요약
恩智浦（NXP）聚焦 Physical AI，提出「神經軸」架構，為邊緣裝置提供低延遲、高安全的即時反應。以硬體信任為基礎，是 AI 導入機器人、自駕車等實體場域，並確保安全運作的關鍵。
본문
隨著 AI 從雲端模型走向機器人、自動駕駛、智慧工廠與醫療設備等實體場域，如何讓系統在現實世界中即時感知、判斷並安全反應，正成為半導體與邊緣運算產業的新課題。
NXP（恩智浦）在 Computex 2026 Keynote 中，將焦點放在 Physical AI（物理 AI）與邊緣 AI 的結合，強調未來 AI 不只要具備推理能力，更必須在低延遲、安全性與可靠性之間取得平衡。
NXP 總裁暨執行長 Rafael Sotomayor 以人類神經系統作為比喻指出，若人類在危急時刻只依賴大腦思考，反應時間大約需要 300 毫秒，但在生死關頭，這段時間可能已經太慢。
他表示：「在這種危急情況下，低延遲遠比智力更為重要。」這也成為 NXP 說明 Physical AI 架構的核心邏輯：AI 系統不能只依靠中央運算大腦，而是需要將感測、處理與控制更貼近實際動作端。
從大腦、小腦到脊髓，NXP 提出 Neural Axis 三層架構
Rafael Sotomayor 在演講中表示，人類的大腦負責邏輯推演、意識思考、學習與決策，但最快速的反射動作並不是由大腦完成，而是由脊髓直接處理。他以碰到高溫物體時會先把手抽開、之後才意識到疼痛為例，說明自然演化早已把反射機制配置在最靠近動作的位置。
NXP 將這套生物學概念轉化為產品架構，提出 Neural Axis（神經軸）智慧架構，分為推理層、協調層與反射層三個獨立層級。其中，推理層可對應較高階的 AI 決策，協調層類似小腦，負責位置、平衡與動作控制，反射層則更接近脊髓，負責低延遲反應與即時控制。
Rafael Sotomayor 表示：「你不能單靠把大腦越做越大來擴展智力。」換言之，Physical AI 的發展不只是堆疊更大的模型或更強的算力，而是需要重新設計整體系統架構，讓不同層級的運算各司其職，才能在真實環境中兼顧反應速度與決策品質。
從無人機到 SDV，低延遲成為實體 AI 的關鍵指標
在實際應用上，NXP 以無人機、自動駕駛與人形機器人作為 Neural Axis 架構的代表案例。以無人機為例，其系統同時具備推理層、協調層與反射層，最外圍節點則直接連接更多控制器，讓飛行系統能在感測、處理與動作之間快速完成閉環。
NXP 也特別提到「Glass-to-glass latency」這項指標，用來衡量從攝影機捕捉畫面、完成處理與傳輸、控制器回應，到無人機實際做出反應的完整迴圈。這類端到端延遲，正是 Physical AI 在現實世界能否安全運作的重要關鍵。
在自動駕駛與 ADAS 領域，NXP 則將 Neural Axis 架構連結到軟體定義汽車（SDV）處理器發展。Rafael Sotomayor 指出，NXP 憑藉 5 奈米 SDV 處理器系列，在車輛中央運算與車輛動態管理領域建立地位，從無人機、自駕車到人形機器人，雖然系統複雜度不同，但背後都可共用三層智慧模型。
機器人不只要看見世界，也要理解物理世界
除了低延遲架構，NXP 也將 Physical AI 的挑戰指向機器人對物理世界的理解能力。
Rafael Sotomayor 表示，人類透過不斷試錯理解重力、熱、摩擦力與慣性，但這種學習方式不適合直接套用在機器人身上，因為讓機器人自行在現實環境中試錯，成本高，也可能帶來安全風險。
他以機器人拿起一瓶糖漿為例指出，機器人或許可以辨識瓶子、液體與標籤，但這不等於它真的理解手中的物體，它是否知道瓶子已經裝滿？是否理解用力過猛會讓液體灑出？是否能判斷摩擦力與慣性對動作的影響？這些都是 Physical AI 從「感知」走向「理解」時必須補上的能力。
Rafael Sotomayor 表示：「感知只告訴你眼前有什麼，而理解則告訴你與該物體互動時會發生什麼事。」因此，未來機器人不只需要更好的視覺辨識，也需要能預測物理互動結果的世界模型。
VLA 模型與 eIQ 工具包，協助 AI 走向受限邊緣裝置
為了讓機器人更接近理解物理世界，NXP 在演講中提到 VLA（Vision-Language-Action，視覺－語言－動作）模型的重要性，這類模型可連結機器人「所見」、「所聽」與「如何移動」，並與世界模型結合，讓系統在不必經歷危險試錯的情況下，預先推估不同動作可能帶來的結果。
不過，VLA 模型多半需要大量運算資源，若只停留在雲端或實驗室，就無法真正應用在機器人、自動駕駛或工廠設備等邊緣場域。Rafael Sotomayor 也點出挑戰：「一個只能在實驗室中運行的 VLA 模型，對真實世界的機器人沒有任何幫助。」
NXP 對此提出 eIQ 工具包與編譯器，協助客戶將模型依照目標硬體進行調校與最佳化，使複雜 AI 模型能更順利部署到功耗、記憶體、處理能力與延遲都受限制的邊緣裝置上，這也定義了 NXP 在邊緣 AI 市場的定位：不只提供晶片，也試圖降低 AI 模型導入實體設備的工程門檻。
Physical AI 要被採用，信任必須從硬體設計開始
當 AI 從數位世界走入實體世界，安全與信任也變得更加重要。
Rafael Sotomayor 表示，人類的信任可以隨時間、聲譽與過往紀錄累積，但機器無法自己贏得信任，機器的信任必須從設計一開始就被放進系統之中。
他強調，Physical AI 面對的錯誤不是單純的數位問題，而是可能直接造成物理後果。他說：「在邊緣發生的錯誤是物理上的，不是數位上的，你不能用發布軟體修補程式的方式去挽救一場真實的車禍碰撞。」這句話點出 Physical AI 與一般雲端 AI 最大的差異：一旦連結到車輛、醫療設備或工業機器人，錯誤就可能造成實際傷害。
對此，NXP 主張將安全性直接注入硬體，透過隔離問題、避免單點故障、保護程式碼執行，以及符合 SIL、ASIL 等安全認證，建立可長期維護的信任基礎。同時，面對威脅不斷演變，NXP 也強調邊緣設備必須在多年生命週期內持續取得安全更新。
台灣硬體生態系，成為 Physical AI 落地關鍵
在應用層面，NXP 認為 Physical AI 已經開始落地，包括工廠中與人類協作的機器人，以及高精密醫療系統中的智慧醫療機器人，這些應用都需要在安全、精準與低延遲之間達到高度平衡，也讓邊緣硬體設計的重要性進一步提高。
Rafael Sotomayor 也在演講最後特別提到台灣硬體生態系，他表示，每次來到台灣都感到驚豔，因為這裡擁有「不可思議的生態系」，他也坦言，NXP 無法獨自完成創新，Physical AI 的市場推進必須仰賴合作夥伴共同參與。
NXP 這場 Keynote 並非只談單一晶片產品，而是試圖描繪 AI 從雲端推理走向實體世界後，半導體公司必須扮演的新角色。
當 AI 開始控制車輛、機器人、醫療設備與工業系統，真正的競爭重點將不只在模型大小或算力高低，而是在低延遲架構、邊緣部署能力、硬體安全與生態系整合。對半導體產業而言，Physical AI 也可能成為繼生成式 AI 之後，推動邊緣運算與智慧硬體升級的下一波關鍵動能。
核稿編輯：Mia
加入 INSIDE 會員，獨享 INSIDE 科技趨勢電子報，點擊立刻成為會員！
延伸閱讀：