KeyFrame內部研究專用

COMPUTEX 2026 | ARBOR 磐儀科技展示 Edge AI 極致算力三大應用|Robot、Vision AI 與 Edge AI Server 解決方案

iDS工業智造雲雜誌·6月10日週三·7 min中文

三句話摘要

磐儀科技在展覽中展示三大 Edge AI 應用方向:協作機器人訓練、多通道視覺安防監控,以及高算力邊緣 AI 伺服器。 --- 磐儀科技用一套「邊緣算力覆蓋全場景」的產品矩陣,以從機器人訓練到城市監控的完整 Edge AI 應用鏈,證明高效能運算不再是雲端的專利。 示教式機器人訓練取代傳統程式設計:透過主從機械手臂架構,操作者直接移動 Master 手臂,Follower 即時連動並深度學習,整個訓練流程無需撰寫程式,大幅降低工業機器人部署門檻。

重點整理

重點
  • 1

    示教式機器人訓練取代傳統程式設計:透過主從機械手臂架構,操作者直接移動 Master 手臂,Follower 即時連動並深度學習,整個訓練流程無需撰寫程式,大幅降低工業機器人部署門檻。

  • 2

    Edge AI 實現多場景即時安全監控:系統在單一 Edge Server 上同時運行 16 個辨識通道,涵蓋 PPE 穿戴偵測、跌倒警報、火災與煙霧偵測,所有分析皆為 Real-time,適用工地、廠區等高安全需求環境。

  • 3

    高算力邊緣伺服器支撐智慧城市大數據:搭載 NVIDIA Jetson THOR 的 HPC 方案以 2070 TOPS 處理 64 路攝影機,可同步執行車牌辨識、人臉辨識、人流車流分析,並支援緊急車輛通道疏導等實時決策。

  • 4

    得獎產品以半尺寸機箱達到完整效能:AEC8000 系列以一半的 19 吋機架空間容納四張高功耗 GPU,搭配前置熱插拔儲存與優化風道設計,在尺寸、散熱、維護性上同時取得競爭優勢。

  • 5

    --

實用技巧與重點

乾貨
  • Intel Panther Lake 平台,最高 180 TOPS
  • NVIDIA Jetson THOR,運算效能 2070 TOPS
  • Vision AI Server 同時支援 16 個通道辨識
  • HPC Solution 展示 64 個通道即時監控視窗
  • Edge AI Server 型號:AEC8000 系列
  • 搭載處理器:AMD EPYC 8000 系列
  • 可裝 4 張 GPU 卡,每張最高 600W,合計 2400W 功耗
  • 尺寸:標準 19 吋機架的 1/2,效能未縮減
  • AI 加速卡:Memry X(用於 Vision AI Server)
  • 獲獎:Embedded World 2024 紐倫堡,Best in Show,唯一得獎者
  • 應用場景:工地安全、智慧城市、協作機器人教育訓練
  • --

結論

結論

磐儀科技用一套「邊緣算力覆蓋全場景」的產品矩陣,以從機器人訓練到城市監控的完整 Edge AI 應用鏈,證明高效能運算不再是雲端的專利。

完整解析

詳細

磐儀科技此次展覽圍繞「Edge AI」三大應用軸線佈局,核心邏輯是將高算力計算下沉至邊緣端,讓 AI 推理與訓練在本地即時完成,無需仰賴雲端。

第一個展示主題是 Edge AI 協作機器人解決方案。傳統工業機械手臂的教育訓練需要工程師事先撰寫程式碼,流程繁瑣且缺乏彈性。磐儀科技展示的主從架構完全改變了這個邏輯——操作者直接手持 Master 機器手臂做出動作,旁側的 Follower 機器人透過 Edge AI Box 即時連動並同步學習,整個過程不需一行程式,所有動作記錄與時間軸均顯示在 Dashboard 上,可隨時回溯。底層運算平台採用 Intel 最新的 Panther Lake,最高達 180 TOPS,足以支撐即時的物件辨識與運動控制推理。

第二個展示主題是視覺 AI 多產業安全監控。這套系統搭載 Memry X AI 加速卡,以第 14 代 Core i 處理器為基礎,可同時處理 16 個獨立辨識通道。展場演示的應用涵蓋工地現場的個人防護裝備(PPE)穿戴偵測、人員跌倒自動報警、火災與煙霧偵測,所有告警均以 Real-time 方式即時推送給現場維護人員。大量的感測數據在邊緣端完成分析,形成可供維護與監控使用的結構化大數據。

第三個展示主題是 Edge AI HPC 高算力解決方案,分為兩個重點產品。其一是搭載 NVIDIA Jetson THOR 的高算力平台,達到 2070 TOPS,展示 64 路同步監控視窗,針對智慧城市場景可同步執行車牌辨識、人臉辨識、性別年齡判斷、面部表情分析,以及車流疏導與緊急車輛通道優先控制。其二是獲獎產品 AEC8000 Edge AI Server,在 Embedded World 2024 紐倫堡展會中從眾多競爭者中脫穎而出,成為「Best in Show」唯一得獎者。這台系統以半個 19 吋機架的體積,容納了四張 GPU 卡(每張最高 600W,總功耗 2400W),搭配前置進氣後置排熱的優化風道,以及前端熱插拔儲存設計,讓維護與升級無需拆機,底層採用 AMD EPYC 8000 系列處理器,兼顧邊緣端與雲端的混合運算需求。

---

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。