Ibex 提出產業用物理 AI 量產解法…「從 PoC 走向現場導入」

Ibex 公開了將製造現場的 AI 驗證實證連結到實際量產導入的技術策略。其策略範圍涵蓋感測、辨識、機構、控制與營運整合，並提出運用現場資料持續改善 AI 性能的構想。

在這樣的問題意識下，Ibex 於 11 日在首爾 Westin Seoul Parnas 舉辦第一屆年度 AI 論壇「AIVEX FRONTIER 2026」。該活動由 Maeil Business Media 共同主辦，據公司說明，約有 300 名來自產業界、學界與投資界的人士出席。

論壇主題為「從 Enterprise AI 到 Physical AI」，並討論企業 AI 轉型策略與產業現場的導入方法。發表者包括 BCG、Palantir、首爾大學、Upstage、LG 電子與 Vessel AI 的專家。

Ibex 執行長 Sung Minsu 發表主題演講。他指出，製造現場的 Physical AI 之所以無法從 PoC 轉向實際量產，癥結在於技術與營運體系的分割。

他點出，光學、AI 模型、機構與控制由不同公司分別負責的架構是原因之一。他說，在這種架構下，一旦發生問題，責任歸屬會變得不明確，進而導致應對延遲。

Sung 以量產流程案例說明，包含因攝影機保護裝置造成的影像品質下降、機構部件故障，以及設備之間的通訊問題。他表示，即使 AI 模型表現優異，周邊設備與營運體系仍可能發生問題，而這些問題會影響整條生產線。

對此，Ibex 表示，解決方案是自行開發並整合 5 個技術層。這 5 個技術層由感測（L1）、辨識（L2）、機構（L3）、控制（L4）、學習與營運（L5）組成。

發表也介紹了運用現場資料改善 AI 模型的機制。該公司提出以量產線導入的視覺基礎模型為基礎，透過單一模型檢查數千種品項的方法。公司並說明，該過程所使用的訓練資料量，已縮減為原本的 1/36。

接著，會中說明了從檢查過程中蒐集資料、再對 AI 模型重新訓練，之後重新部署到生產線的架構。藉由將量產線取得的資料再次回饋到訓練中，提出可持續提升模型的「Closed-loop」營運體系。

該營運體系以現場設備與訓練伺服器連結為基礎，並設計成即使檢查對象與生產環境改變，也能持續改善模型。Sung 表示，若光學、模型、機構、控制與營運彼此分離，PoC 的性能就難以在量產現場實現。

Sung 表示，Ibex 以直接開發 5 個技術層的方式推進。他並強調，需要有一家公司的責任一路承擔到底。這被作為透過技術要素整合開發與單一責任體系，實現該營運架構的條件。

隨後也進行了企業 AI 相關發表。現場提出，比起技術導入本身，更重要的是實際取得營運成果，並提及企業 AI 的成果落差。此外，也強調工作流程再設計與營運效率。

BCG Korea 代表合夥人 Kim Ji-hoon 針對企業依 AI 使用程度不同而產生的成果落差進行分析。他根據 BCG 的「AI Utilization Index 2026」調查結果說明，企業 AI 使用成熟度的差異，正轉化為實際的成果差異。此次調查針對全球 1,330 名企業高階經營層進行，其中屬於 AI 使用成熟度最高階段「future-ready」的企業占比為 7.5%。另外，擴大 AI 使用並創造成果的企業占比為 41%。

Kim Ji-hoon 指出，僅在既有工作中追加 AI 工具，難以確保足夠的投資報酬率。因此，他表示，與其將 AI 加在工作上，不如將工作本身重新設計為以 AI 為中心。此外，他也說明，必須重新設計以 AI 為核心的工作流程。

Kim Ji-hoon 也表示，有必要重新設計以 AI 為中心的組織架構。他並提出，應建立反映企業自身知識與決策標準的「Enterprise IQ」。他說，關鍵在於 AI 是否能依據企業自身的語法做出判斷。

Palantir Technologies Asia-Pacific（APAC）商務部門負責人 Min Se-hun 表示，AI 投資的必要條件，應與營收增加、獲利改善、成本降低等經營成果連結。他指出單純的工作自動化有其侷限，並強調必須先掌握企業的核心問題。

Min Se-hun 說明，若 AI 投資要導向實質成果，就必須投入大量心力重新定義要解決的問題。他也表示，決定問題解法的是領導層，因此必須隨之改變決策方式與執行方式。

他提出作為支撐技術的 Ontology，將企業資料、業務邏輯、決策與執行串連起來。Ontology 的用途，是將供應鏈管理中建立的資料與營運體系，重複運用到品質管理等其他工作上，藉此擴大 AI 的應用範圍。

同時，企業 AI 擴散所帶來的基礎設施建置與營運成本問題，也被納入討論主題。Vessel AI 執行長 Ahn Jae-man 說明由資料中心、GPU、電力與資料運用構成的 AI factory，並將其定義為提供 AI 模型訓練與推論服務的企業 AI 生產基礎。

Vessel AI 是一家以國內資料中心為基礎，提供大規模 AI 訓練與推論用 GPU 雲端服務的 Neocloud 公司。Ahn 將 AI factory 定義為智慧生產基礎。

Ahn 表示，企業對各自專屬 AI 模型與 agent 開發的需求正在增加，因此取得運算資源很重要，而有效率地營運這些運算資源也同樣重要。

之後的 Physical AI 場次提出了商業化課題。該場次將實際環境中的例外狀況與訓練資料不足列為主要課題。

首爾大學教授 Kim Geon-hee 指出，訓練資料不足是 Physical AI 商業化的主要障礙。他說，自駕車與工業用機器人必須應對天氣、照明、作業對象位置等各種環境變化。接著他表示，要在真實現場取得能涵蓋所有情況的資料並不容易。

Kim 教授表示，資料不足是 Physical AI 最大的瓶頸，即使擴大資料蒐集，短缺仍會持續。他並將「World Action Model（WAM）」介紹為對應的解決技術。

WAM 是將 world model 與 vision-language-action model（VLA）結合的架構。world model 負責預測真實世界的變化，VLA 則負責生成機器人的動作。這種方式是以大規模影像為基礎，事先學習物理環境，並可透過此方式，讓機器人以比既有 VLA 更少的任務資料完成訓練。

Ibex AI Robotics Group Leader Park Ji-hoon 指出，人形機器人示範性能與實際製造現場所要求的水準之間存在落差。他表示，即使是在研究階段開發出的高性能 AI 模型，要應用到生產線上，也必須滿足作業成功率、速度、品質與營運成本等條件。Ibex 將「混合控制」作為其方法，結合既有機器人教導、視覺式控制，以及 vision-language-action model（VLA）。Ibex 表示，在抓取與移動零件等流程中可運用既有控制技術，僅在精密鎖付作業上導入 AI，如此可縮短蒐集訓練資料所需的時間與成本。

Park 說，工業用機器人的目標不是模仿人類，而是有效率且穩定地執行所需工作。他也就 AI 導入方針提出標準，表示應限縮在以既有方式難以解決的工作上。

接著，Ibex 介紹了整合控制平台「AIVot」與現場資料蒐集裝置「AMI」。「AIVot」不受機器人製造商限制即可串接設備，並支援工作路徑模擬、障礙物迴避與視覺式控制。公司表示，透過「AMI」取得的資料將用於開發工業用 VLA 模型。

之後，與會者就機器人的外形與設計方向進行討論。UCLA 機械與航太工程系教授、機器人研究所 Romela 所長 Dennis Hong 表示，在以人為中心的環境中，外形類似人類可能較有利。不過他補充，若考量結構複雜性、能源效率、穩定性與成本，人形並非必要；他也指出，對機器人而言，符合工作目的與環境的設計比外觀更重要。

LG 電子 AI Home Solutions 事業開發負責人常務 No Beom-jun 介紹了 LG 電子運用 AI 的居住空間與建築營運策略。No 表示，LG 電子營運 AI home hub「ThinQ ON」、模組化住宅「Smart Cottage」以及企業用平台「ThinQ Pro」。接著他提出 LG 電子將家電與空間管理服務連結的方式。

其中，ThinQ Pro 可整合管理公寓、condo 等住宅設施的家電，並支援異常徵兆偵測與維護工作。LG 電子計畫在此基礎上導入 AI agent。導入 AI agent 的目的，是擴大空間營運自動化的範圍。

No Beom-jun 表示，在智慧家庭中，僅有語音與 GPT，感知到的價值仍有限。他說，公司正聚焦於把時間還給顧客並降低成本。這次論壇也提出了企業 AI 導入在營運成果與產業現場落地上的技術與營運課題。

論壇也指出，隨著產業 AI 擴散，除了模型性能之外，資料取得、與既有設備的連結，以及營運成本的效率管理，都是重要條件。同時，Ibex 被介紹為擁有結合檢查、機器人與 MLOps 的 Closed-loop 營運體系。不過，Ibex 仍需證明其量產現場技術的穩定性與經濟性，而證明量產現場的穩定性與經濟性，也同樣被提出是 Ibex 擴大事業的關鍵。

來源: TECHWORLD · Kim Seung-gi 原文: https://www.epnc.co.kr/news/articleView.html?idxno=409683

參考資料

• https://www.epnc.co.kr/news/articleView.html?idxno=409683