當大家都在談「黃仁勳效應」的同時，在 COMPUTEX 2026 主題演講中，恩智浦總裁暨執行長 Rafael Sotomayor 特別抵台談生成式 AI 持續席捲雲端運算市場後的下一步，從 NXP 的角度提出全新的「神經軸架構（Neural Axis Architecture）」概念，說明未來機器人、軟體定義汽車（SDV）、智慧工廠與人形機器人如何透過分散式智慧架構，突破現有 AI 系統在即時反應、能源效率與安全可信度上的限制。
AI 新戰場：從雲端走向邊緣
Rafael Sotomayor 指出，目前 AI 技術多數建立在雲端運算基礎之上，但當人工智慧真正進入現實世界時，面臨的挑戰將截然不同。他表示，現實世界中的 AI 必須具備即時反應能力、低延遲、高可靠性與極低功耗，而這些條件無法完全依賴雲端完成。恩智浦將這個應用場域稱為「邊緣（Edge）」。
隨著 AI 開始部署於自駕車、工業機器人、智慧工廠與智慧基礎建設中，系統必須能夠在毫秒甚至微秒等級內做出判斷與反應，否則可能造成設備故障甚至安全風險。
Rafael Sotomayor 引述「莫拉維克悖論（Moravec’s Paradox）」指出，人類認為困難的事情，例如下棋、數學推理或語言分析，對電腦而言相對容易；反之，人類看似輕而易舉的動作，例如行走、平衡、抓取物體或避開障礙物，卻是機器人領域最困難的挑戰。他認為，現階段生成式 AI 已大幅提升推理能力，但真正限制實體 AI 發展的關鍵並非推理，而是「反射能力」。
「如果反射主導人類 95% 的日常行為，那麼反射也應該成為實體 AI 的基礎。」-Rafael Sotomayor
恩智浦提出「神經軸架構」
為了解決上述問題，NXP 認為要先搞定反應能力的問題，Rafael Sotomayor 以大腦、小腦跟脊髓這三個區塊來對應機器人發展上除了負責推理與決策的大腦之外，小腦負責動作協調，而脊髓則負責高速反射。例如當人體接觸高溫物體時，脊髓能在約 40 毫秒內完成反應並命令肌肉收手，遠快於大腦完成意識判斷所需的時間。
根據這項觀察，恩智浦提出神經軸架構（Neural Axis Architecture），將 AI 系統劃分為三個層次：
1.推理層（Reasoning Layer）：負責高階規劃、推論與決策，例如路徑規劃、任務安排或大型 AI 模型運算。
2.協調層（Coordination Layer）：負責系統整體動態控制與資源管理，類似人體的小腦。
3.反射層（Reflex Layer）：部署於最接近感測器與執行器的位置，以極低延遲執行即時控制與安全反應。
為此，NXP 認為智慧並非集中在單一運算核心，而是應該分散於最適合的位置，才能同時兼顧效能、安全與能源效率。而這也是當前機器人、無人機、自駕車，甚至 AI 工廠的發展方向。
舉例來說，在無人機領域，推理層負責飛行路徑規劃，協調層負責飛行穩定控制，而反射層則直接控制馬達與煞車系統，將端到端影像延遲（Glass-to-Glass Latency）控制在 20 毫秒內。
在軟體定義汽車（SDV）方面，ADAS、自動導航屬於推理層；中央運算平台負責協調層；煞車、轉向與懸吊系統則屬於反射層。
恩智浦指出，旗下 5 奈米 S32N 處理器已成為新世代 SDV 中央運算架構的重要核心，而 S32K 系列則持續支援車輛即時控制系統。
至於人形機器人方面，Rafael Sotomayor 強調：「身體各部位必須擁有自己的智慧。」當機器人遭遇外部衝擊、失去平衡或需要保護手中物品時，必須在數十毫秒內完成平衡修正、姿態調整與動作補償，而非等待雲端模型運算結果。
除了即時控制之外，恩智浦也看好世界模型（World Model）與 VLA（Vision-Language-Action）技術未來的重要性。他指出，目前機器人已具備優異的視覺辨識能力，但仍缺乏對物理世界的真正理解。例如機器人能辨識一瓶糖漿，卻未必理解液體重心、慣性或傾倒後可能產生的結果。
世界模型的目標正是讓 AI 預測與理解物理世界運作規則，而 VLA 則負責連接視覺、語言與動作，成為機器人從感知走向理解的重要橋樑。然而，多數 VLA 模型誕生於雲端環境，難以直接部署到資源有限的邊緣設備。
為此，恩智浦透過 eIQ AI 軟體工具鏈，提供模型量化（Quantization）、剪枝（Pruning）與編譯最佳化能力，協助開發者將大型 AI 模型有效部署至邊緣處理器。
信任將決定實體 AI 能否普及
Rafael Sotomayor 強調，相較於生成式 AI 回答錯誤可能只造成資訊誤導，實體 AI 的失誤可能直接導致設備損壞、人員受傷甚至生命危險。因此，可信任性必須在系統設計初期便納入考量，而非事後補強。
恩智浦目前透過 SafeAssure 功能安全計畫、ASIL 與 SIL 認證體系，以及後量子密碼學（Post-Quantum Cryptography）安全架構，建立從硬體、軟體到長期維運的完整可信任基礎。他指出，未來邊緣設備可能運行超過十年，因此持續更新、安全維護與故障容錯能力將成為實體 AI 的必要條件。
實體 AI 開始進入商業化階段
恩智浦表示，實體 AI 已逐步展現商業價值。在智慧工廠領域，導入實體 AI 機器人的產線，生產效率已較傳統自動化提升約 40%。
醫療領域同樣展現快速成長趨勢。根據恩智浦分享的數據，2025 年診斷與實驗室機器人市場銷售年增率達 610%，顯示智慧醫療設備正快速進入實際應用階段。
恩智浦目前已與 Boston Dynamics、GE HealthCare 等夥伴合作，將其邊緣 AI 與安全運算技術導入機器人與智慧醫療系統。
從 AI 到 Physical AI，下一個十年的關鍵競爭
Rafael Sotomayor 再次回到開場提到的足球傳奇 Lionel Messi。他認為，真正讓梅西成為頂尖球員的並非單純的大腦思考能力，而是人體神經系統中那些看不見、卻能即時協調與反射的智慧架構。
「機器世界中的菁英，不是最聰明的機器，而是在真實環境中能夠可靠運作、保持高效率，並在故障發生時仍能保障人員與資產安全的系統。」-Rafael Sotomayor
恩智浦認為，未來 Physical AI 的成功關鍵將建立在三大核心要素之上：低延遲（Low Latency）、低功耗（Low Power）與高度信任（Trust）。Rafael Sotomayor 最後也感謝台灣，NXP 有今天的成績，能夠實現這些目標，都來自於包括台灣在內的生態鏈合作夥伴，讓 NXP 得已推出不同創新的產品。而在這當中，他也強調神經軸架構，將成為推動下一代智慧機器、軟體定義汽車與人形機器人發展的重要基礎。
