邁向人機協作的下一步！從NEC與PFN看日本Physical AI發展

隨著生成式AI逐漸成熟，企業數位轉型的重心正從「資訊處理」走向「實體場域」。日本產業界近年積極推動「Physical AI（實體人工智慧）」發展，將AI導入工廠、物流、交通與公共空間等現場，以回應人力短缺與現場作業效率的挑戰。

日本在此領域的發展並非以大型模型為核心，而是強調「現場知識（domain knowledge）」與實際應用場景的整合。換言之，日本的Physical AI更接近「現場導向的AI系統工程」，而非純粹的模型競賽。

在此脈絡下，本文以NEC與Preferred Networks（PFN）為例，說明兩條關鍵技術路徑：前者聚焦於人機協作與決策控制，後者則強化AI模型在實體場域中的落地能力。

NEC：以「人類系世界模型」打造人本 AI

NEC提出「人類系世界模型（Human-centric World Model）」，作為發展Physical AI的核心。相較於傳統以物理環境為中心的世界模型，NEC嘗試將「人類行為與心理狀態」納入AI決策基礎。

傳統機器人控制多依賴物理模型，透過距離、速度與障礙物進行路徑規劃。雖能確保安全，但難以預測人類的動態行為，也無法處理「心理感受」，因此往往採取過度保守的策略，例如完全避開人類活動區域，造成整體作業效率降低。

NEC的作法是導入「不安程度」等心理指標，透過感測數據與機器學習模型，即時推估人類對機器接近的反應。例如，系統會根據人的移動方向、距離與速動，動態計算多種行動路徑，並選擇在「安全」與「效率」之間最佳平衡的方案。

此一技術的關鍵在於，將原本難以量化的人類感受，轉換為可運算的指標，並用於即時決策。這使得機器人不再只是「避開人」，而是能在與人共存的環境中「自然地協作」，特別適用於工廠、物流與公共空間等人機混合作業場景。

圖1：NEC運用「人類系世界模型」，讓機器人以盡量不讓人類感到不安的路徑與速度自主行走
資料來源：日經XTECH依據NEC資料製成

PFN：強化邊緣 AI與在地化模型能力

相較於NEC從控制與決策層切入， Preferred Networks（PFN）則聚焦於AI模型在實體場域的「可用性」與「可部署性」。

PFN開發的視覺語言模型（VLM）「PLaMo 2.1-8B-VL」，具備日語理解與多模態處理能力，並可執行視覺問答（VQA）與Visual Grounding等任務。其模型規模約為80億參數，相較於超大型模型，更適合部署於邊緣設備或企業內部系統。這樣的設計反映出PFN的策略重點：聚焦「現場可運行的模型」，而非追求最大模型。

例如，在製造現場中，系統可即時辨識影像中的物件關係，回答「前方堆放的是什麼」或「哪個零件異常」等問題，並結合現場數據進行fine-tuning，使模型能適應特定設備與流程。這種「在地化模型」策略，使PFN在日本產業場域中展現優勢，也反映出日本企業重視「符合現場需求」，而非優先追求通用模型的性能極限。

圖2：PFN從晶片、算力到模型與應用的完整技術堆疊，以垂直整合方式推動AI落地的策略
資料來源：PFN創業10周年イベントPFN Connectを開催しました

Physical AI的整合趨勢

綜合NEC與PFN的案例，可以觀察到日本Physical AI發展的一個重要方向，即「高精度感知 × 人本決策 × 現場落地」的整合架構。

在此架構下，NEC在決策層納入人類行為與心理因素，優化機器行動策略。值得注意的是，NEC本身在影像辨識領域具備世界級實力，其人臉辨識技術在美國NIST基準測試中長期名列前茅，即使在大規模資料庫中仍能維持極低錯誤率，顯示其在感知層同樣具備高度可靠的技術基礎。

另一方面，PFN則著重感知與理解能力的強化。透過多模態模型提升對環境與物件關係的解析能力，並結合其自研的生成式AI模型（如PLaMo）與計算基礎設施（MN-Core系列），逐步建構從晶片、算力到模型的垂直整合技術體系。這使PFN不僅能提升感知精度，也強化模型在複雜場域中的理解與推論能力，為Physical AI提供穩定且具擴展性的技術基盤。

綜上所述，Physical AI的發展關鍵不在於單一技術突破，而在於如何在真實環境中有效整合感知、理解與決策能力，並在精度、穩定性與即時性之間取得平衡，進而實現可持續運作的現場應用。

結論

從上述案例可以看到，日本在Physical AI發展上具有「人機協作導向」、「現場數據驅動」以及「輕量化與部署優先」的核心特徵。相較之下，美國較著重於推進AI的通用認知能力，而日本則更關注AI如何在真實世界中穩定且有效運作。日本並非追求最強的AI，而是致力於打造「最能在現場工作的 AI」。這樣的發展模式，使其在製造、物流、機器人以及高齡照護等領域，有機會形成具備差異化競爭力的AI應用優勢。 

封面圖片來源：本文作者以AI生成

參考資料來源：

1.日立やNEC、フィジカルAIで脱「人月商売」　リアルな現場も効率化 | 日経クロステック（xTECH）

2.NEC、米国国立機関による顔認証精度評価で第1位を獲得 (2025年4月9日): プレスリリース | NEC