什麼是「物理 AI 」？

生成式人工智慧的最新進展、機器學習的改進，以及針對「邊緣運算 」的實用解決方案，促使「物理 AI 」的應用日益廣泛。具備人工智慧能力的實體系統正逐漸應用於越來越多的領域，無需人類介入即可根據不斷變化的數據做出決策。 

隨著這些系統逐漸應用於汽車、航太及醫療保健等產業的安全關鍵型應用，確保其可靠性與可預測性便變得至關重要。這也意味著在開發人工智慧模型的同時，必須採用穩健的驗證與確認方法。

自主系統在許多應用中運用物理 AI ，除了運用先進的人工智慧技術以及用於感測、運算和物理動作的最新硬體之外，還會透過蒐集、解讀、依據資訊採取行動，並從中學習。

為了支援這個生命週期，開發工作越來越依賴可擴展的模擬環境，讓工程師能在實際部署前，針對各種不同的條件測試系統的行為。

AI 模型

任何物理 AI 應用程式的基礎步驟，在於建構並訓練其人工智慧模型。為此，工程師首先需釐清哪些人工智慧技術最適合用於預測團隊正在自動化的實體系統的行為。這包括大型語言模型（LLMs）、小型語言模型，以及機器學習（ML）等較為傳統的人工智慧工具。

基礎模型是《物理 AI 》中最常見的模型類型。由於它們是基於物理數據進行訓練的，因此被稱為「世界基礎模型」（WFM）。由於這些神經網路是基於大型資料集進行訓練的，因此能夠處理廣泛的應用場景。

硬體

模型訓練完成後，下一步是組裝「物理 AI 」應用程式所需的硬體。這些硬體可分為四大類：訓練環境、感測器、運算資源，以及致動器與輸出裝置。

訓練環境

負責訓練 AI 模型的團隊會利用高效能運算（HPC）資料中心來建置和訓練這些模型。NVIDIA Omniverse 便是絕佳的範例，它是一組用於開發「物理 AI 」的函式庫與微服務集合，可在 AWS、Azure 或自建的運算基礎架構上，透過支援 GPU 的硬體運行。

這些環境通常會整合數位孿生 技術，用以建構現實世界系統的虛擬模型，從而實現更具可控性、可重複性及可擴展性的實驗。

感測器

連結實體世界與數位世界的輸入介面，是一組為人工智慧代理提供資訊的感測器。工程師使用「多模態感測」一詞，指從多個感測器擷取高保真度的數據。最常見的感測器類型包括： 

1. 感知
第一步是蒐集關於系統周圍物理世界的数据。系統內部或附近的各種感測器會產生數據集，物理 AI 系統會將這些數據集分解為有助於理解物理環境並據此做出決策的資訊。

2. 推理
在第二步中，上述提到的 AI 工具便發揮作用。AI 工作流程會運用這些資料集來解析當前狀況，進而決定如何應對。這已超越傳統機器控制系統的「如果-那麼-否則」邏輯，實現了即時決策。

3. 執行
在第三步中，AI 工作流程會根據推理步驟中產生的建議，為致動器生成指令。這些動作亦可傳送至輸出裝置，例如揚聲器和顯示器。

4. 進行「
」學習 第四個步驟會將「執行」步驟的結果整合至 AI 模型中，以提升系統的效能。此步驟屬可選項目，可於資料中心或實驗室遠端執行。學習步驟亦可於裝置本地端進行，此情況下即稱為「具身 AI」。

要更深入了解人工智慧驅動的應用程式如何應用這些步驟，一個好方法是觀察一個簡單的例子，例如一隻機械手臂從托盤上取下六種不同類型的甜甜圈，並將每種各放一個到盒子裡。在此情境中：

• 原型系統會在實驗室中，或利用模擬產生的合成數據，針對盡可能多的情境進行訓練。（訓練）
• 運作時，設置在托盤上方的攝影機（感測器）會將資料（感知）傳送至本地的邊緣 AI 系統（運算資源），而人工智慧軟體堆疊則會運用電腦視覺演算法來識別並分類甜甜圈（推理）。
• 接著，AI 軟體堆疊會指示機械手臂（Act）利用其末端執行器（Actuator）拿起一個甜甜圈，並透過箱子上方的一台攝影機（Perceive、Sensor）將其放入一個空箱中。
• 此過程會不斷重複，直到系統透過方盒攝影機（感知）所擷取的影像判斷方盒已滿（推理），並向方盒下方的輸送帶（執行）發出訊號，使其移至下一個方盒，同時讓指示燈閃爍並發出蜂鳴聲（輸出），以通知甜甜圈店的工作人員前來取走該方盒。
• 如果一個甜甜圈碰到盒子的邊緣（感知），那麼該資訊將被用來在資料中心或實驗室進行遠端訓練，或直接在裝置內進行本地訓練（具身人工智慧），以避免此類情況發生（學習）。

實際上，在廣泛的真實世界情境中驗證這些步驟的每一個環節至關重要，因為物理 AI 系統必須在各種無法透過實體測試全面驗證的條件下，仍能可靠地運作。

感測器技術、GPU 驅動的高效能運算、數位孿生 環境以及人工智慧工具等領域的突破，大幅拓展了物理 AI 的應用範圍。這些進展也使得系統在部署至真實環境之前，能透過模擬進行更早期的測試與驗證。直到最近為止，該技術主要應用於工業機器人及尖端自駕車的電腦視覺領域；如今，它正逐漸應用於航太、能源、醫療保健及消費性產品等產業的實際應用中。

以下是其中幾項較為令人興奮的應用：

• 汽車產業：自動駕駛系統（ADS）與先進駕駛輔助系統（ADAS）——許多現代車輛都配備了 ADAS，用以控制車距並依據車道標線進行轉向。在某些城市中，自動駕駛車輛也日益普及。這正是人們與物理 AI 互動最頻繁的形式。
• 醫療保健：從機器人手術到病患監測——外科醫師的技術正透過機器人手術系統得到輔助，這些系統能在手術過程中根據即時數據進行調整。另一個顯著的醫療保健範例是，病患照護系統如何將穿戴式感測器與智慧音箱及攝影機連結起來，以實現自主病患監測，包括觸發物理動作的能力。

• 製造業：工業機器人——製造業正透過物理 AI ，迅速將生產線轉型為更具彈性與效率的製造系統。
• 航太：無人機（UAV）——過去，無人機通常由遠端操控或採用基礎程式設計。 透過物理 AI ，無人機現在能夠根據簡單的指令進行導航、避開障礙物、適應複雜環境，並執行更複雜的任務。
• 多產業應用：自主移動機器人（AMR）——人類以及較舊的、預先編程的機器人，正逐漸被專為定位、取物及搬運物體而設計的移動機器人所取代。亞馬遜（Amazon）在將自主移動機器人（物理 AI ，AMR）應用於其物流中心方面一直處於領先地位。這些系統也正逐步進入醫療機構，用於運送餐點和物資，甚至開始出現在餐廳中負責送餐。 自主式地板清潔機（或稱清潔機器人）是人們如何運用 AMR 進行工業、商業及居家清潔的另一個絕佳範例。這些系統的演進已不僅止於利用電腦視覺和接近感測器進行導航，如今更能識別物體並判斷所需的清潔方式。
• 多重產業：人形機器人——外觀與人類相似且能模仿人類動作的機器人，是媒體上最引人注目的物理 AI 形式之一。目前，人形機器人被應用於汽車製造業的揀選與物料搬運，並在倉庫中執行過去由自動導引車（AMR）負責的任務。 

儘管物理 AI 已從研發階段邁向實際應用，這項技術仍面臨一些重大挑戰。研究人員與工程師正以日益加快的步伐開發新技術與新製程，以滿足產業日益增長的需求。

一個根本性的跨領域挑戰在於「模擬與現實之間的落差」，即在模擬環境中經過訓練或驗證的系統，一旦置於真實世界環境中，其行為可能會有所不同。

最常見的處理難題包括：

• 可靠性： 物理 AI 系統必須達到99.999%（5個9）的可靠性，以解決安全與成本方面的顧慮。
• 模擬物理學：用於訓練大多數物理 AI 模型的合成資料，其精確度仍不及真實世界資料，且生成這些資料所需的時間可能過長。
• 能源效率：許多物理 AI 系統具有行動性，因此需要自備電源。降低電池系統的成本、體積與重量，以及提升這些系統內電子元件與致動器的能源效率，都是重要的研究領域。
• 網路安全： 物理 AI 系統容易遭受網路攻擊，且其實體裝置更提供了額外的入侵途徑。
• 連通性：訊號在感測器、運算硬體與致動器之間傳輸所需的時間稱為延遲。即使是高速系統，對於物理 AI 應用而言，資訊傳遞至目的地所需的時間仍可能過長。邊緣運算 與多晶片模組雖已改善此一領域，但仍需更高的傳輸速度。
• 互通性：作為一項新興技術，物理 AI 目前仍缺乏用於系統間通訊，以及與外部資料和運算資源進行通訊的產業標準。 

如前所述，大多數物理 AI 的實作皆仰賴合成資料的產生來訓練其基礎模型。其中大部分資料是透過基於物理的模擬模型所產生。此外，在設計用於實現物理 AI 的電子與機械系統時，模擬也扮演著至關重要的角色。

高保真、基於物理的模擬對於提升合成數據的真實感，以及在開發和測試過程中更準確地呈現真實世界的系統行為至關重要。

基於物理的模擬訓練

訓練物理 AI 模型（尤其是世界基礎模型）需要龐大且多樣化的資料集，因此也需要一個強大且多樣化的模擬環境。此類環境的一個良好範例是 新思科技 多物理場 模擬工具集，其涵蓋範圍遍及從晶片到系統 。執行器的性能可透過以下工具進行建模：Ansys （專為多物理場 模擬設計的Motor-CAD電動機設計工具）、Ansys （Maxwell先進電磁場求解器）、Ansys （機械結構有限元素分析軟體），以及Ansys （多體動力學模擬軟體）。 工程團隊使用諸如Ansys Zemax OpticStudio光學系統設計與分析軟體，以及Ansys Lumerical INTERCONNECT光子學積體電路設計 與模擬軟體，來設計複雜的光學感測器；Ansys HFSS高頻電磁模擬軟體用於雷達；以及Ansys AVxcelerate Sensors自動駕駛車輛感測器模擬軟體用於光達（LiDAR），該軟體採用業界領先的Ansys SPEOSCAD 整合式光學與照明模擬軟體。

此方法有助於擴大情境涵蓋範圍，並讓工程師能在實際部署前，評估系統在各種運作條件下的行為表現。

工程師必須先建立精確且具彈性的模型，然後透過通用場景描述（USD）等標準格式，將這些模型導入NVIDIA Omniverse等環境中。

在建立世界基礎模型時，工程師會直接使用參數化物理模型，並搭配諸如Ansys ModelCenter這類基於模型的系統工程（MBSE）工具、 Ansys Twin Builder這類基於模擬的數位孿生 環境，或是數位孿生 平台，以及Ansys TwinAI這類由人工智慧驅動的數位孿生 軟體。此外，工程師亦可使用Ansys optiSLang流程整合與設計優化軟體等優化工具，為上述工具建立降階模型。

運用模擬技術推動物理 AI 硬體的設計

在協助工程師設計用於實現「物理 AI 」所需的感測器、電腦、致動器及輸出裝置方面，模擬同樣扮演著至關重要的角色。電機工程師在晶片設計上高度依賴模擬技術，特別是針對現代 CPU 和 GPU 中使用的多晶片封裝。現代晶片設計流程將包含以下工具： 新思科技 Platform Architect新思科技 ZeBu ^®EmPower，以及新思科技 SpyGlass Power，用以將探索 並評估功耗最佳化 中的 RTL 程式碼。隨後，該流程將把類似 新思科技 RedHawk-SC ，以進行數位電源完整性 驗收。

在電子系統層級，工程師將運用諸如Ansys 的 Icepak電子元件散熱模擬軟體，以及Ansys 的 Sherlock電子元件可靠性預測軟體等工具，針對晶片、電路板及外殼層級的封裝建模以評估其可靠性，並優化設計以滿足功耗、散熱及結構方面的要求。

工程師在設計與開發過程中，會使用與感測器運作原理相似的模型訓練工具。例如，結合 Ansys Maxwell 與 Ansys Motion 的組合，有助於配置精密的步進馬達及其在機械手臂上的應用；而Ansys 的 Fluent流體模擬軟體則能模擬閥門開闔時的流體流動。控制工程師會使用嵌入式軟體產品（例如Ansys 的 SCADE Suite模型導向開發環境），來設計執行物理 AI 系統所要求動作的演算法。 Ansys 隨後，SCADE 會自動產生符合安全認證的程式碼，該程式碼能自動滿足諸多安全標準，以符合交通運輸等安全關鍵系統的要求。