去年站上英特尔大会舞台时，机器人“小英”的任务还是念一段重庆话 Rap。今年再出现，它先说明了一件事：“机器人已经过了唱歌跳舞的时期。”
随后，它走向舞台一侧，识别目标、调整位置，把两套具身智能开发套件分别送到嘉宾手中。现场灯光并不固定，动作也不是提前写死的机械轨迹。据英特尔介绍，这一过程由 VLA 模型驱动，机器人的胸腔里装着 Panther Lake 平台，同时负责感知、理解和运动控制。
这并不意味着机器人的“真成熟”，倒是很像当下边缘 AI 所处位置：舞台上的演示还在，不过人们已经不太满足于让 AI 表演了，它得马上开始做有用的事。
9 月 23 日上午，在苏州举行的英特尔行业解决方案大会上，企业知识管理、EDA 设计、医疗终端、酒店运营、零售门店、智能座舱和工业机器人接连出现。行业 AI 的背后却有一个共同变化——AI 正在从云端模型走向具体业务，也开始进入真实世界。
当 AI 要读取医院数据、管理门店库存、调整生产线，或者控制机器人抬起手臂，数据在哪里，计算得往哪里走。
过去谈边缘计算，常见的任务是采集数据、运行视觉算法、控制设备。模型相对固定，流程也比较清晰。但Agent 改变了这条链路。
它不仅要识别，还要结合上下文作出判断；不仅给出答案，还要查询知识库、调用工具，甚至直接执行任务。到了物理 AI 阶段，这条链路又多了一截：系统需要持续感知环境，在很短的时间里推理，然后控制机器作出动作。
英特尔公司副总裁兼边缘计算事业部总经理 Dan Rodriguez 在现场提到，边缘 AI 不能简单地把数据中心方案缩小后搬过来。数据中心关注的是大规模吞吐，而工厂、门店和机器人更在意实时性、功耗、体积，以及断网之后系统还能不能继续工作，这也是异构计算重要性的体现。
在英特尔给出的分工中，CPU 处理控制、调度和通用计算；GPU 承担较重的视觉与大模型推理；NPU 负责持续运行、功耗敏感的 AI 任务。它并不是为了把三种计算单元凑在一起，而是避免所有任务都挤到同一块加速器上。
有些工作要快，有些工作要省电，还有一些工作必须准时。
目前，英特尔 Open Edge 相关方案目前已在 60 多家供应商的系统上获得认证，并纳入 125 个经过优化的 ISV 组件。一个工业机器视觉案例在转向酷睿 Ultra 和 Open Edge 方案后，不再需要独立显卡；按照现场公布的数据，部分关键负载的推理性能提高约 20%，平台功耗下降约 50%。
单个案例不能代表所有边缘 AI 项目，却说明了一件事：边缘侧追求的通常不是最高算力，而是在有限功耗和空间内，把性能、稳定性与成本重新配平。
上午的论坛上出现了好几种“盒子”。
它们有的放在工程师桌边，有的进入酒店，有的装进汽车。外形可能相似，里面装的却不是同一套业务。派兹互连发布了 SailWind EDA 一体机。它试图把电子产品从设计、采购到制造的流程接起来：器件手册解析、原理图设计、PCB 布局布线、器件替代、交期管理和制造审查，都由不同智能体参与。这个场景很适合本地部署。
企业的设计图纸、物料信息和制造数据并不适合随意离开内部网络，工程师又希望 AI 可以直接调用已有数据和工具。于是，所谓“一体机”不能只是装了一张显卡的电脑。它还得带着行业模型、数据治理、工作流和运维能力进入企业，这是其最大的价值所在。
医疗也是类似逻辑。上海市第四人民医院与 MAXHUB 展示了一套智能医生终端。问诊过程中，终端把医患对话实时转成文字，形成结构化病历，经过医生确认后再回写医院系统。它还承担医学影像显示优化，以及医院终端的远程部署和维护。
医院方面介绍，这套终端已经进入神经内科、心外科、妇科、产科、急诊和 ICU 等科室。而目前在其内部测试显示，在病历书写、医嘱开立、信息查询等高频操作中，整体效率提升约 20%至 60%。
AI 成功被接进了原来的诊疗流程。它生成的结果不能停留在聊天窗口里，还要经过医生确认，进入医院信息系统，并接受原有权限和安全规则的约束，这是数据安全的最大保障。
石基集团展示的酒店 AI Box 又是另一种形态。酒店既要处理客房、库存、餐饮和供应链，也掌握大量客人信息。很多数据需要留在酒店内部，但价格预测、客流分析等任务又可能使用云端能力。石基的设想是，让 AI Box 成为酒店的本地“大脑”，连接人员、设备、服务和供应链。
梧桐科技则把 AI Box 装进汽车。汽车座舱的生命周期很长，大模型却几个月就可能发生一次变化。如果所有 AI 能力都固化在原有车机中，软件演进速度很快会超过硬件。天枢座舱 AI Box 的独立、可插拔的算力设计，可以让基础座舱保持稳定，同时给后续的多模态感知、主动服务和 AI 应用留出升级空间。
这些产品卖的并不仅仅是盒子，卖的还是一种更省事的落地方式，企业不必从显卡驱动、模型量化和知识库搭建开始做起，而是从业务问题开始。
企业 Agent 做错一份摘要，可以让人重新生成。机器人做错一个动作，后果可能完全不同。
奇矩智能在现场介绍了面向工业机器人的 Agent 系统。传统机器人通常依赖示教和编程，适合在固定产线上重复同一个动作，一旦更换产品、环境发生变化，就要重新调试。
这在汽车和 3C 等大批量制造中还能接受，但在航空航天、船舶等多品种、小批量场景里，产线需要频繁切换，固定程序很快就会成为负担。
奇矩智能的做法是，让 Agent 先理解自然语言工单，再把任务拆解成机器人能够执行的原子技能。大模型负责理解和规划，外围工具负责确定性执行。焊接时，系统识别坡口与搭接关系，规划焊缝；材料受热变形后，再根据现场数据调整轨迹。
按照企业现场给出的数据，传统部署通常需要工艺、机器人调试和电气三类工程人员配合，花费 4 至 8 小时；引入该系统后，奇矩智能期待把过程缩短到一人、30 分钟以内。
这也带出了边缘 AI 更难的一面：模型推理和运动控制并不是同一个节奏。“大脑”可以花一点时间理解环境、规划任务，“小脑”却要持续、稳定地控制关节和底盘。
CPU 承担实时控制和规划，GPU 运行视觉与大模型，NPU 以较低功耗持续处理传感器信息。MPC 负责把模型输出的离散动作变成更平滑、安全的控制轨迹，RTC 则让机器人在执行当前动作的同时生成下一段动作，减少停顿。非常完美的任务分配逻辑。
在过去，这些任务经常分散在多个控制器中：一个负责大脑，一个负责小脑，感知可能还要再加一套设备。系统可以运行，但模块越多，布线、调试、功耗和故障点也越多。
英特尔此次正式发布的具身智能开发套件或许可以“拯救系统”，其套件基于第三代酷睿 Ultra 平台，预装从 BSP、BIOS 到 ROS 2 中间件和模型优化的软件环境，同时针对散热、多路相机、LiDAR 和机器人胸腔空间做了设计。
它并不只面向舞台 Demo。英特尔给出的量产路径是保留核心板，通过定制 I/O 载板适配不同人形、四足和轮式机器人；按现场说法，适配周期可以控制在 1 至 2 个月。该套件计划于 11 月中旬开启预售，11 月底正式发售。
几年前，边缘 AI 首先要证明“模型能不能跑起来”。现在的问题则变成：
最新模型能不能及时适配？
设备满负荷运行时会不会降频？
多路相机与传感器并发时是否出现抖动？
出了故障由谁维护，以及一套试点方案能不能复制到上百家门店、数千台终端和不同机器人体内。
试点与规模部署，不是数量上的简单放大。
一台设备在展台运行半小时，与在医院、工厂连续运行几个月，是完全不一样的场景，表演和干活有本质区别。机器人会表演，并不代表会干活。工厂的现场环境会变化，光线会变化，作业的逻辑精度更细，要求也会更高。供应链会变化，模型、系统和硬件还要持续升级。
英特尔在这里扮演的角色，也不只是提供处理器。它想用酷睿 Ultra、锐炫显卡、Open Edge 软件平台、开发套件和合作伙伴方案，把底层算力做成更容易交付的行业产品，它真正在帮助行业解决问题。
大会开场时，英特尔中国行业及解决方案业务部总经理王景佳说，产业客户需要的不是“偶尔做对一次”，而是“持续把事情做对”。
这句话比很多参数更接近边缘 AI 的现实。
机器人可以在舞台上完成一次完美的抓取，Agent 也可以在演示中生成一份漂亮的报告。但只有当它们进入工厂、医院、门店和汽车之后，仍然稳定工作，AI 才算真正离开云端，走进了现实。
今年，“小英”不再是个 Rapper，它变成了一个 Worker。
