物理 AI 時代下快閃記憶體儲存的核心作用
雖然人工智能（AI）非常擅長回答問題，但許多人亦會好奇，這項技術還能在日常生活中哪些方面提供協助。事實上，我們已經見證 AI 技術邁向下一階段：智能應用正從螢幕走向現實世界。
這一轉變被稱為「物理 AI」，使機器能夠感知、理解、推理，並與現實世界自然互動。隨著此趨勢加速發展，物理 AI 正重塑智能系統從搭建、部署到規模化應用的全過程，同時對邊緣運算、延遲以及高效能本地數據儲存產生深遠影響。
物理 AI 已經融入我們的生活，例如輔助駕駛與自動駕駛汽車、無人機，當然還有機械人。這些都是科技奇蹟，但物理 AI 的下一次轉型，亦即人形機械人時代，將更為複雜。
從協同邊緣 AI 到機器人新前沿
20 世紀 70 年代初，流動機械人首次出現2，主要用於焊接和物品搬運。這些基於實時作業系統（Real-Time Operating System，RTOS）的機械人接受集中管理，在需要大規模精準調度的場景下確保平穩運行。當時，本地儲存空間有限，RAM 僅有數 KB，數據需要傳輸並儲存在外部電腦或 PC 上。
自 2019 年起，AI 技術迅速發展，已從中央雲端架構擴展至邊緣側，從而實現本地化的實時推理與決策。我們將此模式稱為「協同邊緣 AI」，它在毫秒級響應的場景中至關重要，例如輔助駕駛和自動駕駛汽車。另一個例子是自主移動機械人（Autonomous Mobile Robot，AMR），在倉儲環境中，它能夠自主規劃路徑並進行動態避障。隨著邊緣智能應用和推理能力的提升，對邊緣側或本地儲存的需求亦相應增長。此外，這些 AI 設備需要更快速地存取數據，高效能快閃記憶體儲存便成為保障其平穩運行關鍵因素之一。目前，這些設備配備的快閃記憶體容量通常以 GB 為單位計算。
下一階段可能是 AI 領域最令人興奮的時代之一，亦即人形機械人時代。
開啟人形機械人的新時代
到 2030 年代中期，人形機械人數量預計將達到 140 萬，且由於該領域的投資增速超出預期，此數字可能還會上升。1 這一物理 AI 應用場景極為依賴高速的 NVMe 快閃記憶體儲存。此外，除本地訓練數據，物理 AI 還將持續進行推理與學習，無需手動編寫所有代碼。這將進一步提高設備端的數據量，從而增加對本地儲存的需求。
例如，從學習軟質水果能承受多少壓力以及超出承壓極限後會發生甚麼事，到理解玻璃杯在桌上未放穩時會出現甚麼情況，物理 AI 透過與周圍世界互動，在原有數據的基礎上不斷學習。此外，這些機械人內部的多個鏡頭會產生用於異常檢測和模擬重播的實時影片，這亦會進一步增加對儲存的需求。
邊緣儲存用於決策和緩存，重要數據則傳回雲端，作長期儲存並用於集中式模型訓練。
應用儲存悖論
不過，由於不同類型的人形機械人對儲存有不同需求，因此人形機械人的儲存方案不能一概而論。工業人形機械人需儲存大量的「視覺-語言-動作」（Vision-Language-Action，VLA）數據集、多鏡頭激光雷達（LiDAR）數據、本地 AI 推理模型、高頻運動日誌以及維護遙測數據，因此可能需要數 TB 的 NVMe SSD。而通用型「具身人形機械人」則需在本地運行涵蓋語音、視覺與控制能力的多模態基礎模型及世界模型，並通常在邊緣側部署大型語言模型（Large Language Model，LLM）和擴散模型以降低延遲。這類機械人的本地儲存需求通常較高。至於在野外或危險區域作業的人形機械人，其本地或邊緣儲存需求甚至可能超過通用型人形機械人。為應對這些應用場景，Sandisk 提供廣泛的 M.2 NVMe SSD 和嵌入式快閃記憶體產品組合。
人形機械人所擷取的海量數據會被上載至數據中心用於模型訓練和推理，而這亦會引致數據中心架構發生重大改變。AI 工作負載需要更頻繁、更快速地存取數據，由此催生了對高速數據湖的需求。因此，基於 UltraQLC™ 技術平台的高效能、大容量 SSD，便成為了支撐這類需求的基礎。此前，Sandisk 宣布其基於 UltraQLC™ 平台打造的 SANDISK® UltraQLC™ 128TB3 NVMe SSD 和 SANDISK® UltraQLC™ 256TB3 NVMe SSD，旨在為超大規模快閃記憶體儲存樹立全新標桿，專為驅動大規模 AI 應用的高速、智能數據湖而打造。
隨著物理 AI 飛快發展並成為前沿領域，人形機械人產業的增長與成功必然離不開快閃記憶體儲存的支
2 https://www.roboticsacademy.com.au/history-of-robots/
3 1TB = 1 萬億位元組。根據操作環境，用戶實際可存取的容量可能偏低
*本文由 SANDISK 代表提供
