NVIDIA 在台北 GTC 大會上宣布，其 Isaac GR00T 人形機器人開發平台將支援宇樹科技（Unitree Robotics）的 G1 人形機器人，並推出一款全新的參考設計：NVIDIA Isaac GR00T Reference Humanoid Robot。它整合 Unitree H2 Plus 人形機器人、Sharpa Wave 五指觸覺靈巧手、NVIDIA Jetson Thor 機載運算，以及 Isaac GR00T 開放軟體與模型。另一方面，Isaac GR00T 開發平台將支援研究界常用的 Unitree G1，相關工作流程預計釋出至 GitHub 與 Hugging Face。

NVIDIA 推人形機器人研究平台，加速實體 AI 開發與部署

《IBTimes》指出，這套系統旨在協助研究人員更快速地測試與部署機器人，無須從零開始建置完整的硬體與軟體架構。同時，希望透過大型 AI 模型提升人形機器人的學習效率，使其能更快掌握新技能，並更有效地適應真實世界環境。NVIDIA 共同創辦人暨執行長黃仁勳表示，人形機器人將把實體 AI 帶入全球最大的產業領域，創造數兆美元規模的經濟機會，NVIDIA Isaac GR00T Reference Humanoid Robot 則為研究人員提供一個統一且開放的平台，有助於推動通用實體 AI 重要突破。

在硬體設計方面，該機器人採用 Unitree H2 機身架構，身高接近 183 公分、重量約 68 公斤，全身具備 31 個自由度，可模擬人體尺度進行各類研究測試。搭配兩組 Sharpa Wave 五指觸覺靈巧手後，整體自由度提升至 75 個，能夠執行更精細的抓取與操作任務。感測系統則配置頭部雙目立體攝影機、手腕攝影機及慣性測量單元，提供完整的環境感知與動作追蹤能力。

運算核心方面，機器人搭載 NVIDIA Jetson AGX Thor T5000，內建 NVIDIA Blackwell GPU，提供高達 2,070 FP4 TFLOPS 的 AI 運算效能，同時配備 14 核心 Arm CPU 與 128GB 統一記憶體，可支援即時感測資料處理與機器人推論運算。系統亦支援乙太網路、Wi-Fi 6、藍牙 5.2 及 USB 等多種連接方式，並整合麥克風與揚聲器模組，以支援語音互動功能。電力部分則採用 15Ah 電池，可提供約三小時的連續運作時間，並設有遠端緊急停止機制，以提升操作安全性。

美中科技競爭升溫，雙方合作引發地緣政治關注

目前已有多家國際頂尖研究機構宣布採用這項參考設計，包括史丹佛大學機器人中心、蘇黎世聯邦理工學院、Ai2 及加州大學聖地牙哥分校等研究單位。NVIDIA 表示，開放式平台有助於研究人員在共同架構下進行開發、驗證與成果交流，加速人形機器人技術從實驗室走向實際應用。除了開放給學術界使用外，NVIDIA Research 也將以此平台作為後續研發基礎，持續推進 Isaac GR00T 開放模型、開發框架及相關硬體技術，進一步擴大人形機器人研究生態系規模。

值得注意的是，此次 NVIDIA 與宇樹科技的合作，正值美中科技競爭持續升溫之際。《IBTimes》提及，美國部分國會議員近期曾質疑宇樹科技與中國政府有關，並主張限制其產品用於聯邦政府資助的研究計畫。面對外界關注，NVIDIA 強調，公司目前亦與美國、歐洲及南韓多家人形機器人製造商合作。市場分析認為，此舉除了擴大 Isaac GR00T 生態系布局外，也有助於降低對單一合作夥伴的依賴，分散供應鏈及地緣政治風險。

＊本文開放合作夥伴轉載，資料來源：《IBTimes》、NVIDIA，圖片來源：NVIDIA。

達明機器人宣佈深化與NVIDIA、QCT的策略合作，正式推出「Physical AI 開發套件（Physical AI Development Package）」。這套業界首創的解決方案，標誌著達明機器人已成功串聯從資料採集、算力支撐到終端部署的完整鏈條，成為台灣 AI 硬體供應鏈中，將數位智慧轉化為實體生產力的「最後一哩路」 。

雙引擎戰略核心：一套大腦，賦與機器人多元型態

不同於市場過往僅關注單一機器人型態，達明機器人強調 Physical AI 的核心價值在於「跨平台的智慧賦能」。本次發表的開發套件不僅是為人型機器人 TM Xplore I 量身打造，更是其「AI 雙引擎」戰略（協作機器人 Cobot + 人型機器人 Humanoid）的智慧中樞。透過同一個共享的 AI 架構與開發框架，企業能將 AI 視覺與 VLA 多模態模型快速導入既有的 AI Cobot 產線，或部署至未來的人型機器人應用，極大化研發投資報酬率並降低重複開發成本。

想看更多 COMPUTEX 動態？最新報導都在【TO Highlight】直擊 COMPUTEX 2026 台北國際電腦展

Physical AI 技能訓練的「使用者旅程」：加速工業落地，極大化降低 TCO

展會現場完整呈現了 Physical AI 技能訓練的三大關鍵階段，旨在解決企業導入自動化時面臨的「客製化成本高」與「部署週期長」兩大痛點。此整合工作流程全面導入 NVIDIA Isaac GR00T 人形機器人開放式開發平台，用以彌合數位開發與現實世界之間的差距，有效降低總體擁有成本（TCO）並縮短建置週期。

• 第一階段：示範與高精度資料採集

高品質的數據是 Physical AI 的基石。達明機器人與晶翔機電（j-mex）合作，展示如何透過 VR 裝置與專屬 MOXI 穿戴式動作捕捉衣，將人類專家經驗數位化。整合 NVIDIA Isaac Teleop 技術後，系統可進行高保真遠端操作與即時動作重定向，同步控制虛擬與實體機器人。此方法能精準捕捉人類在複雜、非結構化環境中的細緻動作，相較傳統教導方式，更有助於機器人快速學習高靈巧度的工業任務。

• 第二階段：AI 基礎架構與多模態技能學習

在 AI 算力與模型訓練方面，達明機器人整合 QCT 專為 Physical AI 打造的基礎架構，並以 NVIDIA 加速運算硬體為核心，包含 NVIDIA HGX H200 系統與最新 NVIDIA RTX PRO 6000 Blackwell 架構 GPU。此基礎架構運用 NVIDIA Cosmos 3 開放式世界模型（Open world models）進行高擬真的現實資料生成，並部署 NVIDIA Isaac GR00T 1.7 開放式推理 VLA（Vision-Language-Action）模型。該模型賦予機器人進階的視覺感知、語言理解與機器人動作推理能力，讓機器人不再只是執行固定指令，而能理解人類意圖、判讀環境並進行任務層級的決策。

• 第三階段：高價值工業場景部署—從倉儲搬運到動態無序抓取

訓練完成的模型將先於 NVIDIA Isaac Lab Arena 中進行虛擬評估，再部署至 TM Xplore I 等實體機器人系統。透過 NVIDIA Isaac ROS 串聯感測器、致動元件與 AI 功能，達明機器人現場展示了整合既有產線的 AI 伺服器製造流程。此應用超越傳統的物料搬運，展現機器人在動態且非結構化生產環境中的強大執行力，也凸顯 Physical AI 在半導體、電子組裝與智慧物流等高價值產業的落地潛力，滿足高階自動化對精準度、適應力與操作可靠性的嚴格要求。

達明機器人營運長黃識忠表示：「台灣擁有全球最完整的 AI 硬體生態系，而達明機器人的使命，就是將這些驚人的數位算力轉化為實體產線的真實生產力與獲利能力。我們與 NVIDIA 及 QCT 的合作，已從打造『聰明的機器人』進一步發展為建構可規模化、能創造價值的 Physical AI 生態系。透過『Physical AI 開發套件』，我們正在降低企業導入 AI 機器人的門檻，並縮短從數位孿生開發到真實生產部署的距離。這將是全球高階自動化落地的重要轉折點。」

（本文訊息由 達明機器人 提供，內文與標題經 TechOrange 修訂後刊登。新聞稿 / 產品訊息提供，可寄至：[email protected]，經編輯檯審核並評估合宜性後再行刊登。圖片來源：達明機器人）

AI（Physical AI）正成為科技產業下一波競逐焦點，看準這股趨勢，COMPUTEX 2026 首度設立 AI 機器人展區，聚焦具身智慧（Embodied AI）、機器人運算平台、智慧城市與數位孿生等技術發展。

實際走訪展區可以發現，現場展示的重點不只是機器人本體，而是支撐機器人運作的整體技術生態系。從 VLM 模型、邊緣運算平台，到減速機與視覺辨識系統，各家廠商正試圖補齊 Physical AI 從感知、決策到自主執行所需的關鍵技術。

COMPUTEX 2026 現在進行中！最新報導都在【TO Highlight】直擊 COMPUTEX 2026 台北國際電腦展

機器人從「執行命令」走向「理解並執行任務」

過去工業機器人大多依靠預先編寫的程式執行固定任務，但隨著生成式 AI、AI Agent 技術進入機器人領域，產業開始追求更高層次的環境理解與自主決策能力。其中，所羅門的展示便是代表案例之一。

所羅門除了展出招牌的機器視覺技術解決方案，這次更強調 VLM（Vision-Language-Model）技術的整合。所羅門指出，非標準化的場景隨時可能遇到突發狀況，由於工程師無法將世界上所有的意外情境寫進程式裡，因此機器人需要仰賴 VLM 來應變。而其也宣布整合 NVIDIA NemoClaw 架構，用於協調人形機器人上的多個 AI 代理，目的將推理、感知、感測器融合、移動與操作整合至單一工作流程中。

所羅門表示，現行的人形機器人仍高度仰賴近距離視覺來進行語意理解，通常要移動到物體附近才能確認目標或解讀環境背景，而透過 AI 代理與感知能力的協作，能提高機器人執行任務的精準度，省去頻繁走位確認物體的麻煩。

另一個導入 AI Agent 到機器人領域的案例是研揚。研揚與英特爾共同展出了應用於工業產線的即時瑕疵檢測系統，在 AI Agent 的應用面是將其設計為人員與機器設備之間的溝通介面。廠房營運人員只需透過簡單的文字或語音指令，即可直接詢問 AI Agent「今天檢查了多少板子？」或「目前的瑕疵率為何？」等問題，系統便會即時從伺服器抓取數據回報。

來自韓國的機器人新創 Circulus 則展示另一種路線。其展出最大亮點在於專攻機器人的「大腦」，強調採用邊緣運算（Edge AI）技術而非依賴雲端，使機器人能在無網路的環境中運作，同時避免廠房資料上傳雲端，以符合部分企業對機密工程資料保護的需求。

一台機器人背後，需要更多看不見的關鍵零組件

除了 AI 大腦，機器人能否順利移動、抓取與執行任務，仍仰賴大量關鍵零組件支撐。首度參加 COMPUTEX 的上銀，展示從微型滑軌、滾珠螺桿、減速機到關節模組等產品。該公司表示，機器人的手指控制、關節旋轉與直線運動，都需要高度精密且穩定的機械元件支援。

現場展示的亮點之一，便是首度公開發表與美國大廠 Dexterity 合作的雙臂物流機器人。該款機器人突破傳統六軸限制，擁有八軸結構，可應用於物流搬運場景。上銀指出，雙臂機器人能像人類的雙手一樣，從左右兩側夾取貨櫃內的物品；當遇到比較重的物件時，還能利用兩隻手合力搬起重物。上銀也與工研院合作開發高自由度夾爪與多軸機器人技術，希望提升機器人在複雜環境中的操作能力。

另外也是首度參加 COMPUTEX 的宇隆，將焦點放在機器人所需的減速機與關節模組市場，並且主打「非紅供應鏈」。該公司原本深耕汽車引擎零件的精密加工領域，近年開始轉向機器人產業，開發諧波減速機、微型減速機等產品。

宇隆指出，一台人形機器人大約需要 20 至 40 個減速機，因此減速機被視為機器人關節系統的重要核心元件。除了提供單一零組件，該公司也進一步整合馬達、驅動器與減速機，提供機電整合方案，協助客戶縮短開發與驗證時間。值得關注的是，宇隆表示，其自主研發的微型諧波減速機，透過自行改良設計、獨家材料配方與產學合作選材，使同尺寸的減速機在體積不變的情況下，提供高出競品 1.5 倍的尖峰扭力。

整機競爭者浮現

展區內也出現了一個值得關注的參與者：來自越南的機器人新創 VinRobotics。該公司展出雙足人形機器人，提供從硬體到軟體的完整產品，表示除了採購 Intel 或 NVIDIA 等科技大廠的零件進行整合外，機器人的外殼、內部致動器（actuator）等零件皆為自行製造，自主研發比例超過一半。

VinRobotics 機器人目標應用場景為工廠，單臂負載能力可高達 10 公斤，為了具備這樣強大的乘載效能並維持運作穩定，其外觀體積設計得較大且穩固。該公司表示，其機器人不僅能自然行走，還能做出如深蹲等類似人類的動作，因為其掌握了資料訓練的核心技術與部門，能針對企業客戶的特殊需求進行機器人動作的客製化訓練。為了解決多機作業的需求，該公司還開發了車隊管理應用程式，能夠一次同時控制並管理多台機器人。

雖然在展覽現場為確保大眾安全而採用遙控操作，但 VinRobotics 表示實務上導入倉庫等環境時，導航團隊會掃描地圖，接著機器人便能透過手上的攝影機自主適應環境並依規則執行任務，不需依賴人工遙控。這家越南公司的出現象徵，整機競爭已不再是少數大廠的專利，掌握核心技術與整合能力的新興業者正在快速浮現。

從今年 COMPUTEX 首度設立的 AI 機器人展區可以觀察到，機器人產業的競爭焦點正逐漸發生變化。過去市場關注機器人能否行走、搬運或完成特定動作，但如今廠商開始比拚的是機器人是否具備理解環境、執行任務與持續學習的能力，以及背後能否建立完整的技術與供應鏈體系。

展區中同時出現 AI Agent 與 VLM 等新一代智慧技術、減速機與關節模組等關鍵零組件，以及投入整機開發的新創業者，顯示機器人產業已逐漸從單一產品競爭，走向生態系競爭。當 AI 開始走出資料中心、進入工廠、物流與實體場域，未來市場競爭的關鍵或許不只是誰能打造出機器人，而是誰能整合感知、運算、控制與硬體供應鏈，讓機器人真正成為可大規模部署的生產力工具。

＊圖片來源：《TechOrange》拍攝。

在汽車製造邁向智慧工廠的過程中，真正困難的環節往往不是高度標準化的機械加工，而是那些需要大量人工經驗、長時間重複操作，甚至伴隨高勞動強度的細節工序。

德國車廠奧迪（Audi）近期公布最新 AI 生產布局，揭示汽車製造業正在進入另一波自動化轉折點。過去長年難以被機器全面取代的產線工作，如焊接後處理、線束安裝與製程異常監控，如今正透過 AI、雲端架構與機器人整合逐步被重塑。

告別高強度人工打磨！AI 與機器人接管車底盤「髒苦累」活

奧迪表示，目前已在德國 Neckarsulm 廠區的 A5 與 A6 車身產線全面導入 AI 驅動的「焊接飛濺檢測系統（Weld Splatter Detection，WSD）」。在車體焊接完成後，車身底盤經常會殘留焊接飛濺物，若未即時清除，可能影響後續塗裝與品質穩定性。這類工作長期仰賴人工檢查與打磨，不僅耗時，也對現場人員造成高度身體負擔。

如今，WSD 系統透過 AI 視覺辨識，即時掃描車底盤表面，自動標記焊接飛濺位置。最新版本更進一步結合機器人手臂，直接接管後續研磨清除流程。原本需要大量人工作業的高強度工序，現在改由 AI 控制的機器人完成，員工則轉向監控與例外處理工作。

COMPUTEX 2026 現在進行中！最新報導都在【TO Highlight】直擊 COMPUTEX 2026 台北國際電腦展

AI 化身產線監工，提前發現製程異常

除了改善高勞動強度工作，奧迪也將 AI 延伸至製程品質管理。由內部數據專家團隊打造的 AI 解決方案「ProcessGuardAIn」，目前已進入測試階段。這套系統建立於跨廠區數據平台之上，該平台整合各工廠設備、產線與感測器資料，形成統一且標準化的製造數據基礎。

透過大量機器與感測器數據，ProcessGuardAIn 能夠即時監控製造流程，提前發現異常徵兆，並主動通知工程人員介入。現階段，系統已於 Neckarsulm 烤漆廠進行兩項試點測試，包括前處理藥劑劑量優化，以及陰極電泳塗裝（Cathodic Dip Coating，CDC）異常檢測。奧迪預計於 2026 年第二季正式導入大規模量產。

相較於傳統製程異常往往需等待品質檢測後才被發現，ProcessGuardAIn 的價值在於能於問題尚未擴散前即時阻斷，降低返工與後續維修成本。奧迪也規劃下一階段讓系統具備「建議式 AI」能力，未來員工可透過 App 取得逐步操作建議與排除流程，讓 AI 成為產線現場的即時協作助手。

攻克 90% 自動化盲區：線束全自動化背後的敏捷供應鏈革命

在汽車製造中，另一個長年難以高度自動化的領域則是車用線束（Wiring Loom）生產。由於線束結構複雜、型號差異大且安裝路徑狹窄，根據奧迪新聞稿指出，全球汽車產業目前的線束生產與組裝自動化比例仍不到 10%。這也被視為智慧製造中最難攻克的盲區之一。

奧迪目前正透過「Next2OEM」專案試圖突破這項限制。該專案集結十家合作夥伴，在 Ingolstadt 建立完整的線束數位化全自動示範線。整套系統涵蓋線束生產、自動化預組裝、中心控制與車內安裝流程，所有設備皆由中央系統統一協調。

奧迪展示的最新成果中，線束可自動安裝進中控模組，並完成後續車體配置準備。這項技術大幅降低傳統流程中的物流與人工調整需求，也顯著縮短產品變更週期。過去車型規格修改往往需要耗費數週調整供應與產線配置，如今已能壓縮至幾分鐘內完成。

對汽車產業而言，這代表的不只是產線效率提升，更是供應鏈敏捷度的重大改變。隨著電動車與軟體定義汽車興起，車型配置與電子架構更新速度愈來愈快，若無法同步提升產線調整能力，傳統製造模式將難以應對未來市場需求。

隨著 AI 逐步深入汽車製造核心，智慧工廠競爭也開始進入新階段。過去強調機械自動化與產線效率的工業邏輯，如今正逐漸轉向以資料、即時決策與 AI 協作為中心的新模式。對汽車業而言，那些過去因複雜度與勞動密集而難以自動化的工序，正在成為下一波 AI 工業革命的關鍵戰場。

＊本文開放合作夥伴轉載，參考資料：Audi、《Metrology News》，首圖來源：Audi

（責任編輯：廖紹伶）

為有助於我國無人機產業拓展國際，以及促進臺美無人機合作，並協助「台灣卓越無人機海外商機聯盟（TEDIBOA）」強化全球布局，在經濟部產業發展署指導下，工研院今（4）日舉辦「無人機評鑑機構啟動大會」，正式宣布與美國無人產業協會（AUVSI）簽署 Green UAS 授權評鑑及服務協議契約，成為 AUVSI 於臺灣的第三方認可評鑑機構，並成為美國「綠色無人機系統（Green UAS）」，使臺灣成為美國境外第一個認可評鑑機構，協助臺灣業者取得認證，打入美國市場。將有助推動我國無人機產業取得國際認證，進而拓展國際市場。

本次啟動大會邀集政府、國際組織及產業代表共同參與，包括經濟部次長何晉滄、經濟部產業發展署署長邱求慧、美國在臺協會處長谷立言（Director Raymond Greene）、AUVSI 執行長Michael Robbins、工研院董事長吳政忠、工研院院長張培仁、漢翔航空工業股份有限公司董事長曹進平；另有無人機外交小組、無人機大聯盟、台灣智慧機器人與自動化協會、雷虎科技、亞洲航空、神耀科技與中光電等產官研代表共同出席。

Green UAS 制度為美國近年推動的重要無人機供應鏈驗證機制，著重產品資安、供應鏈透明度與可信任度，已逐步成為國際市場的重要門檻與合作標準。今年 1 月，AUVSI 與工研院已於美國華盛頓特區簽署合作協議，專職網路安全測試和技術評估，擴大在臺灣的滲透測試支援，由授權資安人員實際嘗試入侵系統，識別資安漏洞。

工研院董事長吳政忠指出，此次正式啟動 Green UAS 無人機評鑑機構，是臺灣無人機產業走向全球可信賴供應鏈的關鍵起點。工研院取得美國 AUVSI 的 Green UAS 授權評鑑資格，將以「在地驗證、接軌國際」為核心，協助國內業者在國內依循美國標準完成資安評鑑，縮短進入國際市場時程。此授權評鑑機制將為產業帶來三大價值，包括協助業者接軌國際標準、強化可信供應鏈韌性，以及帶動技術升級，促使業者系統性地強化資安能力與產品品質，讓全世界看見臺灣無人機「可信、可靠、可合作」的實力。

此外，工研院也與漢翔航空工業股份有限公司簽署 Green UAS 測試合作備忘錄（MOU），由工研院機械與機電系統研究所所長張禎元與漢翔董事長曹進平代表簽署，並由經濟部次長何晉滄、經濟部產業發展署署長邱求慧、美國在台協會處長谷立言及 AUVSI 執行長 Michael Robbins 共同見證，正式啟動雙方於 Green UAS 測試驗證合作。

（本文訊息由 工研院 提供，內文與標題經 TechOrange 修訂後刊登。新聞稿 / 產品訊息提供，可寄至：[email protected]，經編輯檯審核並評估合宜性後再行刊登。圖片來源：工研院。）

雖然人型機器人在現實世界中執行複雜任務的能力越來越強，但面對需要高度靈巧的手部操作，或是要於動態環境中靈活移動時，多數機器人的運動能力依舊顯得捉襟見肘。

為了突破前述瓶頸，卡內基美隆大學（CMU）與博世人工智慧中心（Bosch Center for AI）攜手合作，開發出了一套全新的 AI 系統，希望透過新技術大幅提升人型機器人的全身協調能力，特別是在需要頻繁進行物理接觸的精細操作上，給予機器人更上一層樓的穩定表現。

這套名為「融合觸覺潛在預測的人型機器人 Transformer 框架（Humanoid Transformer with Touch Dreaming）」，簡稱 HTD 的全新系統，將機器人的身體動作、手部靈巧度，以及對物理互動的預測能力融為一體。

在現實世界測試中，HTD 系統讓人型機器人能夠更純熟地處理各種日常動作，像是摺疊衣物、精準插入物件、用勺子舀取物品，甚至是搬運脆弱的易碎物件。

邊做邊預測，過濾雜訊波動

傳統的機器人系統主要仰賴視覺和動態感測器，但 HTD 系統另闢蹊徑，導入了分散式觸覺感測技術，顯著提升了機器人在複雜互動中的感知敏銳度。

此外，驅動 HTD 系統的 AI 模型不只能夠預測下一步動作，還可以預判物理接觸、受力狀況以及觸覺回饋的動態變化，同時精密分析手部關節的受力情形，而該過程也被研究團隊稱為「觸覺夢境（Touch Dreaming）」。

這種類似於夢境中「邊做邊預測」的能力，正是由 HTD 系統所驅動的機器人，之所以可以流暢執行插拔物體、布料整理或端起茶水等任務的最大關鍵。

在技術實作上，HTD 並非直接是在 AI 模型中，直接處理原始的觸覺感測器數據，而是透過一個緩慢更新的目標網路，將數據轉化為精簡的「觸覺潛在表徵（tactile latent representations）」。

研究人員指出，這種做法的精妙之處，在於能夠讓 HTD 系統自動過濾掉感測器常見的雜訊波動，專注在真正有意義的接觸模式上，進而大幅提升機器人操作時的穩定度與反應速度。

上下半身分離，減少互相干擾

此外，HTD 系統還巧妙地將「下半身的平衡控制」與「上半身的操作任務」拆分，避免互相影響造成穩定性下降。

HTD 系統利用基於強化學習的控制器，在運動過程中即時穩定機器人軀幹的朝向、速度與平衡；至於上半身的定位與靈巧的手部動作，則交由逆向運動學（Inverse Kinematics）與手部動作映射技術來處理。

此外，負責掌管下半身的控制器，其實是在模擬環境中透過「師生學習法（teacher-student method）」所訓練出來，這讓機器人能夠從逼真的感測觀測中，學會極具彈性的運動規劃。

卡內基美隆大學安全人工智慧實驗室（Safe AI Lab）的研究團隊解釋，在訓練過程中，他們利用 AMASS 資料集重複播放映射後的手臂運動軌跡，讓控制器學會在現實生活中，面對上半身出現的干擾時，依然能夠維持下半身核心的穩定。

而由 HTD 系統最終訓練出來的「學生控制器」，即是正式部署在真實機器人身上的核心系統。

這種將下半身穩定性與上半身靈巧操作完全分離的架構，徹底減少了人型機器人為了維持平衡，同時操作手部動作之間的相互干擾。

COMPUTEX 2026 現在進行中！最新報導都在【TO Highlight】直擊 COMPUTEX 2026 台北國際電腦展

預測動作回饋，成功率高出九成

根據實測結果，在物件插入、整理書籍、摺疊毛巾、舀取貓砂以及端茶等 5 項真實世界任務挑戰中，擁有 HTD 系統機器人的平均成功率，比目前業界強悍的 ACT 基準模型足足高出了 90.9%。

研究團隊透過消融實驗進一步發現，如果只是單純把觸覺當作額外的輸入訊號，對於機器人的操作表現提升幫助有限，因此關鍵就落在「於潛在空間（latent space）中預測觸覺訊號」。

實驗證明，在潛在空間進行預測的方法，比直接預測原始觸覺訊號的傳統訓練模式，成功率大幅提升了 30%。

擴大應用規模，開展深度測試

研究人員認為，HTD 系統與 AI 控制器的成功應用，為人型機器人走入家庭、服務業及工業環境，開展出了無限可能。

展望未來，研究團隊計劃擴大 HTD 與 AI 控制器的應用規模，並著手引進視覺數據與人類示範畫面，在人機協作的實際情境中進行深度測試。

研究團隊表示，終極目標是提升 HTD 的跨平台適應能力，讓這套具備高度韌性的系統，不只能夠因應多元任務，還能輕鬆套用到各式各樣的機械手與觸覺感測器配置上，持續從人類與機器人的實務經驗中截長補短、不斷進化。

【推薦閱讀】

◆ 從影像像素到全身協調：Figure AI 機器人達成 24 小時零故障自主分貨，展現類「真人」直覺
◆ 人形機器人量產戰升溫！為何 Sanctuary AI 執行長預言家庭普及還要 3 到 7 年？
◆ 中國機器人再進化！從人形到四足自由切換，宇樹科技發表 GD01 可載人越野、推倒磚牆

＊本文開放合作夥伴轉載，參考資料：Interesting Engineering、TechXplore，首圖來源：YouTube

（責任編輯：鄒家彥）

亞馬遜（Amazon）在倫敦舉行的「Delivering the Future」活動中，揭曉新一代自主移動機器人 Proteus。除了提升倉儲物流作業能力外，新版 Proteus 最大的改變在於導入 AI 自然語言理解功能，員工只需像與同事溝通一樣說明需求，機器人便能自動完成任務安排與執行。

從搬運到自主導航，亞馬遜打造新一代智慧物流中心

《Reuters》報導，這項技術是亞馬遜未來數年將在歐洲投入 100 億歐元升級物流與倉儲系統計畫的一環。新一代 Proteus 預計於 2027 年上半年率先在歐洲導入，相較於目前僅能在裝卸貨區域運作的版本，新系統設計上可在倉儲樓面更廣泛區域移動，並支援履約中心與配送站內的容器運送、工作站之間轉運等任務。目前第一代 Proteus 已部署於美國 25 座物流中心，主要負責搬運重量近 400 公斤的推車，藉此減少員工搬運重物及長距離往返的工作負擔。

新版 Proteus 最大的特色在於具備自然語言理解能力。員工不需要學習專門指令，只要以日常對話方式交代物料搬運需求，系統就能判斷任務順序、規劃路線與執行時機。亞馬遜機器人部門副總裁 Scott Dresser 表示，員工告知機器人需要完成的工作，其餘流程都能由系統自動處理。他認為，Proteus 未來將成為物流中心的重要工作夥伴，負責重複性高且較耗體力的搬運工作，讓員工能把時間投入庫存流動管理、品質控管等較高技能工作。

除了 Proteus 之外，亞馬遜此次也展示多項倉儲自動化技術，包括旗下首款具備觸覺感知能力的 Vulcan 機器人，以及用於貨箱搬運的 STARK 系統。其中，STARK 已在西班牙巴塞隆納展開測試，亞馬遜預計在 2027 年前將其擴展至歐洲 15 個物流據點。

亞馬遜強化歐洲布局：預計增 2.5 萬名員工與多項投資

亞馬遜歐洲營運副總裁 Armin Cossmann 表示，這些技術將改變物流中心在支援員工與服務客戶上的運作方式，以因應持續增加的配送需求。他指出，隨著客戶對配送速度與服務品質的要求不斷提高，公司也會持續投入技術升級與創新。

針對外界對自動化可能衝擊就業的疑慮，亞馬遜強調，技術投資與人力擴張將同時進行。作為歐洲投資計畫的一部分，公司預計未來數年在歐洲履約中心增加 2.5 萬名員工。亞馬遜也指出，自導入機器人技術以來，不僅整體員工規模持續成長，也逐步發展出設備維護、系統可靠度與機器人支援等新型職務。

Scott Dresser 表示，歐洲已成為公司推動營運轉型與技術創新的重要市場，未來無論是資金投入、人才培養或技術導入，都將持續加大力道。除了倉儲自動化外，亞馬遜也宣布，今年將在歐洲設立超過 25 個支援當日內快速配送的據點，涵蓋英國與德國等市場，同時也把快速生活用品配送服務 Amazon Now 擴展至英國曼徹斯特與伯明罕。

《Reuters》補充，目前生鮮雜貨當日配送服務已覆蓋美國超過 2,300 個城市及日本東京部分地區，未來數月內也將進一步擴展至日本、英國等市場。今年 2 月，亞馬遜預估全年資本支出將比前一年增加超過 50%，達到 2,000 億美元，顯示全球科技業正持續加碼投入 AI 基礎建設與物流自動化領域。

＊本文開放合作夥伴轉載，資料來源：《Reuters》、Amazon，圖片來源：Amazon。

專訪：戴季全
撰稿：李昀蔚

在鴻海邁向「九兆帝國」的藍圖中，機器人不只是新事業，更是鴻海科技集團董事長劉揚偉押注的下一個關鍵轉型引擎，而這個最前沿的新戰場，被交到鴻海集團歷史最悠久的 C 事業群，以及擁有 50 年歷史的廣宇科技手上。

本集《全新一週》邀請到鴻海 C 事業群負責人兼總經理、廣宇董事長李光曜，解析廣宇如何從傳統製造基因切入最前沿的機器人戰場，並透過生態系合作，在美國 AI 大腦與中國硬體之間，找到台灣最有利的位置。

機器人產業還在戰國時期，廣宇從線束老本行找到轉型切入點

「廣宇本來的專長是做線束，所以我們不可能今天做線束，明天就去開飯店，這太遠了，」李光曜分享，廣宇尋找轉型方向時，並不是拋棄原有能力，而是從線束往相近產業尋找機會。後來他們發現，馬達與線束高度相關，因為馬達裡也有大量銅線繞組、矽鋼片與電子零件，這與廣宇既有能力非常接近。

但如果只做馬達，要賣給誰？這個問題讓廣宇把轉型思考再往前推。李光曜指出，機器人會使用大量馬達，因此廣宇最後把方向從「做馬達」推進到「做機器人」。「你問現在機器人哪個品牌最大，沒有人答得出來，」李光曜形容，這代表市場還在「戰國時期」，尚未出現絕對領先者，也意味著仍有切入機會。

對廣宇而言，背後有鴻海集團資源，又有自身在關鍵零組件上的基礎，若能掌握機器人產業成長初期的關鍵位置，就不只是做代工，而是有機會往終端產品與平台角色移動，創造更高利潤空間。

不過，廣宇並不打算一口氣包辦所有事情。李光曜指出，廣宇的策略是先掌握機器人最關鍵的核心模組，因此首先投資具備體積小、重量輕、馬力大優勢的軸向電機，特別適合用於機器人的手臂與腿部。

除了馬達，廣宇也投資力傳感器，並布局減速機，再加上鴻海 C 事業群本身就能提供精密結構件，因此李光曜表示，若把這些資源加總起來，已大約涵蓋整個機器人 BOM 表超過 50% 的價值，「我現在的想法就是，我們專心把這一塊做好，把這些做好了，再往下一步走。」

用「股東、供應商、出海口」打造生態系

在李光曜眼中，機器人產業之所以會爆發，背後有幾個明確驅動力：少子化與缺工、工廠任務需要更高精細度與穩定度，以及管理工廠時，最難處理的往往不是設備，而是人。

「機器人在某個時間點上會快速成長，我一直在外面推論的時間點是 2030 年，」李光曜分析，到了 2030 年，AI 應該會更加成熟，也需要走進物理世界，而目前最適合的載體就是機器人。此外，固態電池也有機會在 2030 年前後成熟，改善機器人續航問題。若固態電池能帶來體積減半、電量加倍的效果，機器人就可能從續航受限，進展到可連續工作 6 到 8 小時，成為另一個科技革命節點。

李光曜觀察，市場需求已經存在，只是機器人仍太貴也還不夠聰明，若 AI 與電池技術在未來三到五年成熟，機器人落地速度可能會非常快。「三到五年之內，有沒有辦法在一家公司裡設立全新部門，把所有東西建立起來？做不到，」李光曜表示，構成機器人的每一項元素都非常專業，從馬達、減速機、力傳感器，到控制系統、結構件、AI 模型與場景應用，都需要長時間累積。

因此，廣宇的選擇不是全面垂直整合，而是「一點點垂直整合，加上大量水平整合」。李光曜強調，過去企業做水平整合，常常仍是供應鏈思維，但現在許多機器人關鍵零組件供應商不是有錢就願意合作，他們更在乎合作方是否有未來發展性。因此，未來不能只靠供應鏈，而必須是生態系。

李光曜認為，生態系是由三層合作模式構成：第一，成為對方股東，與對方一起成長；第二，成為對方供應商，幫對方做部分生產，同時累積製造知識；第三，成為對方的出海口，協助合作夥伴進入國際市場。「我會是你的股東、供應商、出海口，三個都是，大家一起合作、一起成長，」李光曜強調，這種模式比傳統供應鏈用合約綁定的形式更快，也能省去許多議價時間。

美國做 AI 大腦、中國打造硬體，台灣有機會「兩頭賺」

面對全球機器人競爭，李光曜認為，目前美國與中國走的是兩條不同路徑，「美國弄 AI 大腦，中國主要在做硬體，我認為台灣其實可以兩頭賺，」他形容，台灣企業應善用這個特殊位置，搶占市場版圖。

李光曜的策略是，與美國維持生意與市場關係，同時不放棄中國快速成長的硬體與零組件能力。若中國零組件開發設計成熟，未來可以在東南亞、泰國、馬來西亞等第三地生產，甚至依情況討論墨西哥或美國製造，再銷往美國與歐洲市場。他指出，製造最困難的是取得原始資料，只是把東西做出來，反而不是最難的事，因此若能取得關鍵設計與製程資料，再轉移到第三地生產，就能在地緣政治與供應鏈風險中保持彈性。

至於機器人應用何時真正落地，李光曜認為，中國可能會是初期成長最快的市場之一，原因很直接：中國仍是世界工廠，但同樣面臨缺工與年輕人不願進工廠的問題。然而，問題在於機器人能否真的勝任複雜工作，仍取決於技術成熟度，李光曜指出，現階段多數機器人展示仍集中在搬運場景，例如搬箱子，許多看似會翻滾、打拳的表演，其實是預先寫好的程式，不等於真正由 AI 理解環境後自主行動。

因此，中國近期開始出現「機器人訓練廠」，透過遙操與資料採集，加速模型訓練。李光曜觀察，這個領域進步非常快，短期內物流搬運仍是最適合落地的場景，接下來分揀、簡單組裝等固定場景，也可能很快被機器人接手。

在 AI 大腦逐漸成熟、電池技術可能突破、全球工廠缺工加劇的背景下，機器人已經成為 AI 落地實體世界的關鍵載體。因此，對台灣企業而言，如果只做代工，仍會被規格與毛利限制，但如果能掌握關鍵零組件、參與規格制定，並用生態系方式串聯全球夥伴，就有機會在美國 AI 大腦與中國硬體之間，找到屬於自己的關鍵位置。

歡迎大家訂閱「科技報橘」YouTube 頻道，一起用《全新一週》節目，來迎接全新的一週！

目前中美兩國正主導著全球人形機器人的研發競爭，根據巴克萊銀行（Barclays）近期的研究報告指出，去年中國製造的人形機器人已經占據全球約 85% 的市場份額。這股熱潮背後的關鍵動力，就是為了尋求國內人口老化、勞動力成本不斷上升等社會經濟問題的解方。

然而，隨著中國在人形機器人硬體製造與產能上已獨步全球，隨之而來的最大挑戰卻是：市場的真實需求到底在哪裡？部分專家與創投人士點出其中的核心矛盾，認為目前市場對人形機器人的真實需求與應用場景仍十分有限，遠遠落後於製造商龐大的生產能力。投資科技新創的戈壁創投（Gobi Partners）合夥人 Chibo Tang 更直言，如果沒有來自市場的應用需求，這些企業實際上將難以真正邁入大規模量產的階段。

中國人形機器人量產優勢成形：出貨規模、產能擴張與政策力同步推進

中國企業的機器人出貨量究竟有多麼可觀？研究機構 Omdia 的數據顯示，如智元機器人（AGIBOT）、宇樹科技（Unitree）等中國指標性企業，在 2025 年的出貨量各自已突破 5,000 台，這個數字遠遠超過特斯拉（Tesla）、Figure AI 等美國競爭對手僅生產數百台的規模。

在擴充產能的具體行動上，擁有二十年歷史的智慧型手機與電子製造商領益智造（Lingyi iTech）副總裁 Philip Yang 表示，其位於北京的工廠目標在今年量產一萬台機器人，並計畫在 2030 年達到年產 50 萬台的龐大生產規模。這股產業推動力背後有著強烈的政治色彩，在中國五年規劃的強力支持下，發展人形機器人已成為國家任務之一。

量產不是商業化，人形機器人的真實需求仍待觀察

儘管產能驚人，中國人形機器人的真實訂單現況卻顯得雷聲大雨點小。貝恩策略顧問駐北京合夥人 Xin Cheng 指出，截至目前絕大多數的人形機器人訂單一次僅採購一到兩台。摩根士丹利的研究則進一步顯示，目前許多價值龐大的訂單多半來自國營企業，被應用於發電廠、數據中心或作為娛樂用途，或是由企業與學術研究機構買下作為研發之用。

不過，部分製造商表示市場需求正在增長。例如 Matrix Robotics 宣稱已收到約 1,000 台訂單，客戶包含咖啡連鎖店與飯店；EngineAI 則表示其機器人可應用於保全與博物館導覽。

在實用性方面，人形機器人目前仍面臨嚴峻的技術瓶頸，美國智庫新美國（New America）高級研究員 Samm Sacks 觀察到，多數人形機器人仍然偏向表演性質而非具備實質功能，在難以預測且雜亂的真實環境中，它們的表現依然不盡理想。Samm Sacks 進一步解釋，人形機器人的經濟效益仍難以成立，其生產成本依然高昂，在操作上卻非常脆弱，且高度依賴結構化的環境才能順利運作。

以規模化降本，用軟體與數據立足

面對商業化的重重挑戰，中國廠商試圖以規模化殺出一條血路。藉由龐大的量產規模，以及採用本土零組件的優勢，中國製機器人平均比外國型號便宜 20% 以上。領益智造（Lingyi iTech）副總裁 Philip Yang 表示，擴大生產規模可以直接將目前約 30,000 美元的機器人價格砍半。摩根士丹利更預估，全球機器人平均價格將在 2050 年降至 21,000 美元，而目前中國市場上甚至已經出現標價低於 6,000 美元的機型。然而，根據德國智庫墨卡托中國研究中心（MERICS）的報告指出，儘管中國的人形機器人相對便宜，但對於廣泛部署來說仍然「太過昂貴」。 

不過，硬體造價雖然重要，專家卻點出人形機器人的成敗關鍵在於其「大腦」。Omdia 首席分析師 Lian Jye Su 強調，具身智慧實際上取決於人工智慧與機器人技術的深度融合。貝恩策略顧問合夥人 Xin Cheng 也呼應這個觀點，他表示人形機器人不是一個單一產品，而是一個生態系統。為了讓機器人擺脫只能執行單一任務的困境並適應真實生活場景，業界正面臨數據收集的漫長考驗。企業必須從工廠、零售店、辦公室等空間收集海量的人類行為數據，進一步引導機器人進行訓練，專家坦言這將是需要耗費數年時間才能達成的巨大難關。

展望未來，隨著技術的持續成熟，專家評估人形機器人最有可能先在工業物流、倉儲、港口以及危險作業等場域中落地應用。至於產業界的最終目標，則是希望這項技術能真正走入擁有數億家庭的家政市場，協助處理日常家務，藉此將龐大的量產優勢轉化為真正的商業成果。

【推薦閱讀】

◆ 機器人現在還是戰國時期！廣宇董事長李光曜：美國做 AI 大腦、中國做硬體，台灣可以兩頭賺
◆ 李飛飛拆解「世界模型」3 大分類，Google、NVIDIA 談的世界模型不是同一件事？
◆ 亞馬遜新一代 AI 機器人 Proteus 亮相：「用對話指揮機器人」如何改寫歐洲物流履約網路？

＊本文開放合作夥伴轉載，資料來源：《AP News》、《CNBC》，首圖來源：AGIBOT

人形機器人熱潮持續升溫，但市場正在出現兩種截然不同的判斷。一方面，研究機構 SemiAnalysis 認為，中國機器人公司宇樹科技（Unitree）正在複製大疆（DJI）與比亞迪（BYD）曾走過的硬體巨頭崛起路徑，透過掌握核心零組件、垂直整合供應鏈與規模化生產，建立西方競爭者難以追上的成本優勢，且「將主導人形機器人產業」。

另一方面，巴克萊銀行（Barclays）近日在 Boston Robotics Summit（波士頓機器人峰會）後發布的研究則提醒，即使製造成本持續下降，人形機器人距離真正大規模商業化仍有很長距離：安全認證、硬體成熟度、真實世界資料、運算成本與通用 AI 架構，仍是產業必須跨越的五大障礙。

中國硬體巨頭的養成公式：掌握最貴的零件

為什麼 SemiAnalysis 認為，Unitree 的策略與 BYD、DJI 有高度相似之處？該機構分析，一個成熟的中國硬體巨頭，其策略是：掌握物料清單（BoM）中最昂貴、最具挑戰性的零件，用這份掌控權累積無人能及的成本優勢，並透過自製供應鏈創造新市場。

SemiAnalysis 分析，BYD 當年從電池這個電動車最昂貴、最關鍵的零組件切入，逐步把電池、馬達、功率模組、車身、底盤等關鍵環節納入自家體系，最終建立成本與供應鏈優勢。DJI 則是先掌握飛控系統，從研究者與玩家市場起步，透過每一代硬體迭代打開新市場，從消費級空拍機一路進入測繪、巡檢、救災等企業場景。

Unitree 如何複製：以致動器為核心，從四足走向人形

SemiAnalysis 認為，Unitree 正是一個活生生的「大疆策略」案例。創辦人王興興曾是大疆員工，碩士論文做出低成本四足機器人 XDog，再以此創立 Unitree。Unitree 選定的核心零件是致動器（actuator，驅動機器人肢體的整合關節），它占人形機器人 BoM 的 50% 到 70%，正如比亞迪之於電池芯、大疆之於飛控。

Unitree 先從學術界切入：當大學實驗室在找不必花 7 到 10 萬美元以上的足式平台時，Unitree 的 Laikago 在 2018 年以 4.5 萬美元上市，A1 在 2020 年降到 1.5 萬美元，到今天的 Go2 視規格與地區落在 1,600 至 2,800 美元，入門四足機器人六年內降價 94% 到 96%。這也讓 Unitree 在同一套系統（致動器、控制、供應商、生產流程）上累積了多年的真實量產經驗。

2024 年的 H1 人形機器人約 9 萬美元，SemiAnalysis 形容它「基本上就是一台站起來用兩條腿走路的四足機器人」，但真正改變 Unitree 的是接續的 G1。這款 3 萬到 5 萬美元、可直接購買的人形機器人，為中國學術界帶來能力上的階躍式變化，NVIDIA、Apple、Meta 都各自採購了數百台 G1，使 Unitree 成為人形機器人 AI 研究的多數平台。

Unitree 的成本優勢，來自一個關鍵的技術賭注。SemiAnalysis 說明，2024 年 Unitree 的人形機器人其實表現不佳：馬達常過熱，G1 雙臂伸直時僅能撐住約 2 公斤幾秒鐘，之後往往需要約 30 分鐘才能恢復功能。問題出在其核心致動器選擇：QDD（準直接驅動），也就是用較強的馬達搭配低速比（通常低於 20:1）的行星齒輪箱，比傳統高速比致動器更簡單、更便宜，但把更多扭矩負擔直接壓在馬達上，導致電流高、運轉發熱。

當多數對手仍走諧波減速機（strainwave）路線時，Unitree 選擇押注 QDD 並持續迭代，透過讓馬達扭矩更平順、採用更密集的銅線（其稱為「低銅耗線圈」），以及在 2025 年 10 月為後續批次的 G1 加入骨盆主動散熱等方式改善。SemiAnalysis 指出，QDD 的效率達 95% 到 98%、優於諧波減速機的 85% 到 90%，成本最多便宜 80%，且低速比行星齒輪箱是常見的工業零件、供應商眾多。

對 Unitree 而言，一款新的 QDD 重新設計可在數週內做出樣品致動器，相較之下，西方人形機器人公司的客製馬達與齒輪箱子系統往往要花上三個月以上。SemiAnalysis 表示，經過迭代後，G1 在雙臂彎曲時已能持續 10 到 15 分鐘搬運 5 公斤，負載能力提升約兩倍，持續運作時間提升約五倍。

垂直整合讓 Unitree 有更快迭代週期

Unitree 的優勢不只是便宜，而是便宜背後的迭代速度。SemiAnalysis 指出，Unitree 自行開發無刷馬達、行星齒輪箱、光達與深度相機等零組件，這些通常是其他機器人公司外包的關鍵環節。透過自製與規模化採購，Unitree 不只壓低成本，也能更快修改設計、測試樣品與導入量產。

這種速度在中國供應鏈中特別明顯。SemiAnalysis 提到，中國供應商往往只需數小時車程即可抵達，樣品可以當天或隔天送到，垂直迭代週期能以「週」計算，而不是西方機器人公司常見的「季」。

這使 Unitree 在硬體世代更新上更接近 DJI 的節奏：先用不完美但足夠便宜的產品打開研究者與玩家市場，再用銷量反哺零組件、製造與設計能力，逐步讓下一代產品進入更高價值場景。

SemiAnalysis 認為，Unitree 的四足機器人正是這個飛輪的起點。從 2018 年 Laikago 約 4.5 萬美元，到後來 Go1 起價降至數千美元，Unitree 在六年間讓入門級四足機器人價格下降超過 90%。這些四足機器人累積的致動器、控制系統、供應鏈與製造經驗，後來成為人形機器人的基礎。

SemiAnalysis 認為 G1 已開始跨過「可部署」門檻

過去外界常批評 Unitree 人形機器人可靠性不足，只適合展示、娛樂或研究。但 SemiAnalysis 認為，這種判斷正在改變。

報告指出，早期 G1 的確存在明顯限制，例如手臂負載低、容易過熱，搬運 2 至 3 公斤物品幾分鐘後就需要長時間冷卻。但 Unitree 持續改良致動器設計、降低馬達發熱、增加部分主動散熱，使 G1 現在能在手臂彎曲狀態下，持續 10 至 15 分鐘搬運約 5 公斤物品。

這不代表 G1 已經能勝任所有工作，但 SemiAnalysis 認為，它已足以進入部分輕量化、低風險、低靈巧度需求的場景，例如倉儲中搬運空箱、料箱或輕量物品。

SemiAnalysis 估計，2025 年 Unitree 可能已有約 250 台人形機器人進入生產性試點或部署場景，甚至有公司已部署 30 台 G1。這些部署多半仍需要遠端操作，距離 24 小時完全自主生產線仍很遠，但在特定物流任務中，若以較低設備成本計算，已可能接近或低於人類每小時 30 美元的勞動成本。

這正是 SemiAnalysis 看好 Unitree 的原因：它未必需要一開始就解決所有人形機器人問題，只要先在少數任務中證明經濟性，就可能像 DJI 一樣，用早期市場養出下一代產品。

Barclays：人形機器人的 GPT 時刻還沒到

不過，若從 Barclays 的角度來看，Unitree 的成本突破不等於整個產業已跨入大規模商業化。Barclays 指出，市場對人形機器人的期待可能過於樂觀。其分析師 William Thompson 認為，人形機器人終究會到來，但真正問題是「何時、以多大規模」到來。

Barclays 將產業瓶頸歸納為五項：安全、硬體、感知與資料、運算能力，以及缺乏通用 AI 架構。

首先是安全。傳統工業機器人大多被圍欄隔離，依照預先編寫的動作執行任務；人形機器人則要進入人類工作場域，與人共同移動、搬運、互動。一旦機器人失誤造成傷害，責任歸屬、認證標準與監管問題都比一般軟體複雜。

其次是硬體。人形機器人需要馬達、致動器、感測器、手部結構、電池與控制系統高度整合。Barclays 指出，目前許多供應鏈仍不成熟，部分原型甚至仍使用 3D 列印零件，距離低成本、大規模製造仍有落差。

第三是資料。大型語言模型可以從網路文本與影像中學習，但機器人需要的是「機器人視角」資料，包括關節動作、致動器指令、力回饋與感測器資訊。這類資料目前稀缺、昂貴且難以大量蒐集。

第四是運算。Barclays 指出，Physical AI 的運算需求橫跨三層：資料中心中的模擬訓練、VLA 等基礎模型訓練，以及機器人本體上的邊緣運算。這意味著人形機器人的成本壓力，不只來自機械結構，也來自模型、感知與推論所需的運算平台。

第五則是通用架構尚未突破。Barclays 認為，Physical AI 仍未迎來像 GPT 之於語言模型的突破時刻。Thompson 以自動駕駛為類比，指其歷經十多年的安全審查、法規摩擦與信任重建才走向更廣部署，人形機器人很可能也得先經過「人在迴圈中」的階段。報告因此判斷，近期較確定的機會在焊接、物流等受控環境的窄任務機器人，而垂直整合在現階段是「供應鏈尚未就緒下的被迫選擇」，製造能力「只是入場券」，遠非決勝關鍵。

換言之，Unitree 或許已找到複製中國硬體巨頭的路徑，但巴克萊的提醒同樣清楚：對整個人形機器人產業而言，從「技術可行」走到「商業可行」仍是一段漫長的過渡，而它是否已準備好迎接大規模商業化，仍是另一個問題。

【推薦閱讀】

◆ 中國已量產全球 85% 人形機器人，下一個難題是：誰來買單？

◆ 機器人現在還是戰國時期！廣宇董事長李光曜：美國做 AI 大腦、中國做硬體，台灣可以兩頭賺

◆ 李飛飛拆解「世界模型」3 大分類，Google、NVIDIA 談的世界模型不是同一件事？

＊本文開放合作夥伴轉載，資料來源：SemiAnalysis、rest of world、BigGo Finance，首圖來源：Unitree

目前台灣正面臨高齡化與缺工的嚴峻挑戰，產業界迫切尋求科技解方，使得「實體 AI（Physical AI）」迅速成為熱門焦點。然而，當 AI 快速走向實體世界，開發者是否也陷入「為了 AI 而 AI」的技術焦慮？

在五月舉行的「333 Robots Community Meetup」系列活動中，特別邀請到國立陽明交通大學資工系副教授陳奕廷。他也在演講中直指當前的產業盲點，呼籲開發者比起跟上「AI 加機器人」的潮流，更重要的是必須秉持「用真實世界的需求驅動 Physical AI 落地」的核心理念。

立即報名在 6 月 17 日 19:00 舉行的「333 Robots Community Meetup」，與來自陽明交大人本智慧系統實驗室（HCIS Lab）、 Taiwan Robotics Community、台灣夏普的講者，一同探討最新實體 AI 技術趨勢。

立即報名

打破「AI + 人形機器人」迷思，看見跨領域開發的系統性盲點

隨著生成式 AI 的爆發，陳奕廷表示，許多人會直覺地將 Physical AI 想像為「會自己泡咖啡的人形機器人」，或單純的「AI 加上機器人」，但他想先破除這個迷思。陳奕廷指出，Physical AI 並非新名詞，而是「運用 AI 技術，使系統透過感測器觀察、推理分析，並透過致動器在實體世界中採取行動」的一種型態。事實上，這種「感知、推理、行動」的架構，早在 1960 年代史丹佛研究院的 Shakey 機器人專案中就已具備雛形。

然而，當前的開發困境在於，不同領域的專家在投入 Physical AI 時，容易因視角錯位而陷入「各說各話」的盲點。陳奕廷觀察，從機械工程視角出發的開發者，傾向先開出「高功率輸出、安全性、多指靈巧度」等硬體規格，接著才思考能應用在哪裡；從資訊科學視角切入的開發者，則習慣不預設機器人長相，專注於收集海量數據、微調基礎模型，試圖打造出能聽懂一句指令就執行各種任務的通用型機器人。這種從單一視角出發的現象，容易讓開發者變成「拿著鐵鎚找釘子」的人，反而忽略跨領域整合與系統工程的真諦。

不要只解決表象問題：實體 AI 的第一步是重新理解人的需求

為了解釋盲目解決表象問題的風險，陳奕廷以醫院缺工的真實痛點為例，說明當工程師聽到護理師每天需要在病房來回走上兩萬步時，最直覺的反應往往是直接開發，或導入一台能在複雜環境中自主導航的送藥機器人，代替護理師執行送藥任務。

不過，陳奕廷提醒開發者，真正的開發思維應該先退一步深究：「為什麼護理師要走兩萬步？」與其單純把現有任務自動化，開發者更該思考系統設計是否出了問題。他也分享在醫院觀察到的真實現象：許多受過專業訓練的藥師，竟有一定比例的工作時間花在搬運藥箱上，這些才是必須從根本解決的系統性痛點。

針對這些挑戰，陳奕廷提倡導入「以人為本的實體 AI」閉環式協同演化框架（A Closed-Loop Co-Evolution Framework），強調未來的機器人開發流程必須借鏡「系統工程（Systems Engineering）」思維，從確認人類的真實需求與意圖出發，接著明確定義任務與限制條件。隨後，開發團隊必須進行人類、硬體、軟體的三方協同設計（Co-Design Engine），並將系統投入真實世界部署與評估。透過持續獲取人類與環境的動態回饋，實體 AI 系統才能在不斷改變的情境中持續演化與適應。

從真實問題出發，讓 Physical AI 回到需求本身

機器人要真正落地，無法單靠寫程式或單一專業來解決，這正是 333 Robots Community Meetup 匯聚開發者、學界與產業界進行跨域交流的最大價值。

「我們要會問為什麼，我們要去思考為什麼這些事情會這樣子發生，」陳奕廷提醒，只有當開發者不再被單一技術框架綁架、具備分析真實世界問題的能力，並透過重新思考痛點源頭來驅動設計，Physical AI 才能真正在產業中發揮價值。

六月活動預告：淺談實體 AI 落地──從數位孿生到 ICRA 賽場見聞

延續「333 Robots Community Meetup」的精神，六月份的活動將與開發者一同探討前沿技術如何走出實驗室，並由陽明交大「人本智慧系統實驗室（HCIS Lab）」的黃毓翔與林谷翰，帶來甫從奧地利頂尖研討會「IEEE ICRA 與 WBCD 雙手操作挑戰賽」帶回的第一手情報，解析各國好手如何運用端到端實體 AI 技術，突破雙臂機器人的複雜操作。

另一方面，擁有豐富機器人系統工程經驗、來自 Taiwan Robotics Community 的簡文昱，將和與會者們一同探討數位孿生在軌道產業的應用，同時分享如何以虛擬世界的高精度模擬，讓 AI 安全走入高風險場域。

在活動現場，台灣夏普行銷長蕭家昕也將帶來邊緣 AI 技術商品化的實例展示：AI 陪伴型機器人「Poketomo 口袋同萌」，讓與會者在掌握最新技術趨勢的同時，也能親身體驗前沿技術「走出實驗室」並落實為真實產品的樣貌。 

前言技術如何走出實驗室？世界級賽場上有哪些最新的技術解法？六月交流之夜，邀請您一同來現場喝杯啤酒、輕鬆聊聊！

立即報名

在 Windows 出現以前，電腦多半是工程師與電腦科學家才能真正操作的專業工具，使用者必須學習命令列介面、複雜的硬體協定，甚至從頭開始編寫軟體。然而，在 Windows 誕生後，透過直觀的使用者介面、內建應用程式與隨插即用（plug-and-play）的硬體能力，把複雜的操作變得容易上手，成功讓個人電腦從工程工具，變成人人皆可使用的裝置。

位於美國西雅圖的 Edge AI 與機器人技術公司 Numurus，透過軟體平台、硬體整合與工程服務，協助企業加速機器人、智慧感測器與 AI 應用的開發流程，目標是把原本可能耗時數年的開發週期縮短到數個月。

Numurus 執行長 Jason Seawall 近日在《The Robot Report》撰文指出，類似的轉變正在機器人產業發生，Edge AI 正準備讓機器人從少數專家才能操作的系統，走向被廣泛使用的型態。一旦 Edge AI 的操作門檻降低，客群將從原本資金充裕的機器人新創、大型 OEM 與國防承包商，擴展到 STEM 教育計畫與跨領域研究人員，並讓團隊能將第一版產品的出貨時間從一年縮短至幾週。 

硬體已經到位，但「軟體複雜度」成為最大瓶頸

Jason Seawall 指出，來自 NVIDIA、AMD、Qualcomm 與 Hailo 等公司的 Edge AI 處理器，已讓機器人能在本地端執行 AI 模型、快速分析感測器資料，並做出毫秒級決策，且這些晶片已具備足夠的運算速度、較低成本與更高能源效率，得以運行真正的 AI 工作負載，使得硬體技術跨越實用的轉折點。然而，這類 Edge AI 系統的極高複雜度，仍將部署門檻侷限在經驗豐富的工程師手中。 

與個人電腦不同，機器人需要介接的是相機、雷射、GPS 與馬達，機器人也需要能連結即時感測器數據與 AI 模型的控制軟體，而不是一般的文書處理程式。這項對軟體層的迫切需求，在 BlackBerry QNX 發布的《Inside the Robot: Architecture Benchmark Report》報告中也獲得強烈佐證。這份針對全球 1,000 名開發者的調查報告顯示，高達 27% 的受訪者將「軟體架構與整合」列為最大的效能瓶頸，遠高於指向硬體的 16%。

報告指出，開發者目前普遍面臨四大核心挑戰：系統整合複雜、認證容易延遲、人機互動存在安全風險，以及難以確保系統行為的可預測性。此外，即便團隊有能力自建底層軟體，也必須承擔「從零打造」的巨大隱性成本，這包含長達 6 到 12 個月的開發期，以及遇到硬體變更就容易崩潰的客製化程式碼，更可惜的是，高階工程師往往被迫將大量時間浪費在維護底層驅動程式上。正因為缺乏好用的軟體基礎，對多數人來說，現在的 Edge AI 處理器就如同 1981 年的個人電腦一樣：「功能強大，卻難以親近」。

NEPI 試圖扮演機器人的「Windows 式」軟體層

要打破軟體架構的瓶頸，機器人產業就需要一套類似 Windows 的易用平台。為了解決這個痛點，Numurus 公司在 2020 年轉向開發名為 NEPI（Numurus Edge Platform Interface）的易用軟體平台。該平台以 Docker 容器的形式安裝執行，並透過提供隨插即用驅動程式（plug-and-play drivers）、內建自動化應用程式（built-in applications）以及直觀的瀏覽器介面（browser-based interfaces），大幅降低 Edge AI 部署的複雜度。

這樣的設計也呼應 Windows 當年讓 PC 普及的邏輯。在這個脈絡下，Edge AI 不只是協助機器人在本地端執行模型，更讓機器人開發從高度碎片化的工程整合，開始走向具備 AI 模型管理（AI model management）與隨插即用硬體的平台化部署流程。

從專家工程到標準化部署，Edge AI 才能真正擴大機器人可用性

展望未來，QNX 的調查顯示有高達 85% 的開發者預期，未來 3 到 5 年軟體在機器人中的角色將更加吃重，投資也將集中在 AI 驅動決策與網路安全等領域。

「PC 時代的勝利不是靠更快的硬體，而是靠軟體層讓非專家也能善用這些硬體，」Jason Seawall 提出的「Windows for robots」比喻，明確指向產業接下來的關鍵任務：機器人產業如今面臨的課題，是建立能無縫整合 Edge AI、感測器、應用程式與介面的軟體平台。當機器人開發能徹底轉向由軟體平台支撐的標準化部署時，Edge AI 才能真正擴大機器人的可用性，讓缺乏嵌入式軟體專家的團隊，也能輕鬆引進 AI 自動化技術。

【推薦閱讀】

◆ 中國已量產全球 85% 人形機器人，下一個難題是：誰來買單？
◆ 展示容易部署難，人形機器人距離真正的工業化還有多遠？
◆ 複製大疆、比亞迪崛起路徑，Semianalysis：宇樹科技將主導人形機器人產業

＊本文開放合作夥伴轉載，資料來源：《The Robot Report》、《Robotics & Automation News》，首圖來源：Numurus

當大多數機器人公司在比拚誰的人形機器人走得更穩、跑得更快時，瑞士蘇黎世新創 Orbit Robotics 推出的 Helios 走了一條完全不同的路：Helios 有四條手臂、沒有任何雙腿，靠著這副在地球上看起來奇特的身形，在太空站裡替太空人分擔重複、耗時又昂貴的例行工作。

「為環境量身打造機器人的身體」，從這個前提出發，Orbit Robotics 做出了一款與市面上絕大多數機器人截然不同的產品。

四條手臂，移動與作業同時進行

在太空這種微重力環境裡，腿幾乎毫無用處。人類行走、站立、維持平衡這些在地球上的核心能力，在這裡全數失效。Orbit Robotics 因此把雙腿換成兩條額外的手臂，讓 Helios 的四肢同時兼具「移動」與「作業」兩種功能。

運作邏輯是，兩條手臂負責把機器人固定在太空站內壁，另外兩條手臂處理貨物、工具或設備。這讓 Helios 能夠一邊穩定自身、一邊作業，這正是傳統雙臂人形機器人在零重力下做不到的事。雙臂機器人若想抓取物件，往往連自身都難以穩住。

傳動結構上，Helios 採用肌腱驅動（tendon-driven），而不是在每個關節塞進笨重的馬達。馬達集中安置在接近肩膀的位置，再透過纜線與線軸把力量傳遞到各個關節，讓手臂更輕巧，同時保有在太空站作業所需的活動範圍。

更關鍵的細節藏在肘關節。Helios 使用滾動接觸式肘關節（rolling-contact elbow joint），讓動作更平滑、更受控。在微重力中，任何突然或不均勻的動作，都可能讓機器人本身或它手中的物件失去穩定，這個看起來平凡的關節設計，反而是整套系統最重要的工程決策之一。

從固定方式、傳動結構到關節形態，Helios 沒有一處沿用地球機器人的設計邏輯，而是從「微重力會帶來什麼約束」這個問題出發，一路倒推而來。

太空後勤的成本，讓機器人的商業邏輯更清晰

在國際太空站上，維護工作大約佔去組員 35% 的時間，單單一次貨物卸載週期就可能耗費將近 50 小時。以每位太空人每小時約 14 萬美元的成本計算，這些例行後勤工作的代價貴得離譜。

更關鍵的是，卸貨、分類補給、清點庫存、搬運設備、執行基礎維護，這些任務根本不需要人類的判斷力。它們需要的，是在狹窄通道間移動、在沒有重力的情況下穩住身形、以及精準操作物件的能力，而這正是 Helios 被設計來做的事。

這個市場還會隨著發射成本下降持續擴大。SpaceX 的 Starship 計畫志在大幅提升送往軌道的貨物與人員規模；一旦成本如預期般下降，太空站與軌道棲地的數量就會增加，每一座都需要維護、後勤與貨物處理。

Orbit Robotics 目前尚未公布定價、量產時程或募資狀況。這家公司位於蘇黎世，與慕尼黑並列為歐洲最強的機器人工程重鎮之一。Helios 能否真正進入軌道，取決於它能否與航太機構或 Axiom Space 這類商業太空站營運商建立合作。

從環境約束倒推形態，機器人設計的第三條路

Helios 的出現，代表了機器人設計的第三條路。產業的一端是 1X、Tesla Optimus 這類圍繞地球行走能力打造的人形機器人，另一端是各式輪型載具，而 Helios 既不是人形、也不是輪型，而是直接從環境約束倒推出形態。

每小時 14 萬美元的人力成本，是機器人取代人力最強的論據。相較於許多投資報酬率模糊、難以量化的機器人應用場景，太空後勤是少數能算得清楚的領域，因為任務明確、人力昂貴、不需人類判斷。

Helios 目前仍停留在設計與展示階段，還沒有定價和量產時程，也還沒上過太空；它真正的考驗，在於能否簽下第一份與航太機構或商業太空站的合約。

【推薦閱讀】

◆ 展示容易部署難，人形機器人距離真正的工業化還有多遠？
◆ 複製大疆、比亞迪崛起路徑，Semianalysis：宇樹科技將主導人形機器人產業
◆ 機器人在動手之前就預測觸感，HTD 技術讓人型機器人摺衣、端茶成功率大躍進

＊本文開放合作夥伴轉載，參考資料：《TNW》、《Digitaltrends》，圖片來源：Orbit Robotics

（責任編輯：鄒家彥）

專訪：沈貝怡
撰稿：李昀蔚

台灣擁有深厚製造業基礎，如今當 AI 從雲端與軟體世界走向真實物理場域，Physical AI 正成為台灣下一個必須把握的產業機會。然而，Physical AI 不只代表機器人，也包含無人載具、自主移動系統與智慧化設備，尤其近年無人機需求在戰場、國防、物流與巡檢等場景快速升溫，也讓台灣原本強大的製造能力、電子供應鏈與航太技術基礎，有機會重塑競爭力。

本集《全新一週》特別邀請漢翔航空工業總經理莊秀美，從航太產業轉型、無人機供應鏈、AI 智慧製造到資安標準等面向切入，逐步解析漢翔如何看待台灣在 Physical AI 時代的新角色。

從高價精密軍武到低成本無人載具，戰爭型態正在改變

莊秀美指出，近年國際衝突頻傳，讓外界清楚看見現代戰爭型態的轉變。「其實大家可以看到，俄烏戰爭、印巴戰爭，還有最近的美伊戰爭，其實現在的戰爭已經顛覆過去戰爭的形態，而且是一個不對稱作戰的概念，」莊秀美表示，過去戰爭多半都是靠精密、高價的軍武進行攻擊，但是最近看到的趨勢是，現在都趨向低成本、高消耗量的武器，例如無人載具已經變成未來的時代潮流。

這也改變航太產業一直以來的研發節奏。莊秀美舉例，過去研發一架教練機或戰鬥機，從設計、首飛、試飛到驗證，至少需要十年。不過現在，「無人機、無人載具這一塊，是快速的迭代，幾乎每兩個月技術就會翻轉，所以在速度方面其實是戰場即研發場，就是一邊作戰、一邊就研發、一邊成長，」莊秀美說。

在這波無人載具發展中，AI 扮演關鍵角色。AI 可廣泛應用在目標辨識、飛行控制等面向，甚至包含複雜的蜂群決策。莊秀美舉例，無人機如果是一個蜂群，群飛的時候，長機一旦被擊落，那本來每一架都有各自任務的僚機，誰來接下這些指令、如何重新分派任務，這些都必須要很快用 AI 做決策。這也代表，無人機不再只是單一硬體，而是結合感測、通訊、控制、演算法與決策系統的智慧載具。

除了 AI，衛星通訊也成為重要基礎設施。因為無論是通訊系統或無人機導控系統，都越來越依賴衛星，但戰爭也讓各國警覺，若關鍵基礎設施過度仰賴他國，一旦因政治因素中斷，就可能癱瘓作戰能力。因此，衛星通訊與無人載具的本土化、去紅供應鏈，已成為當前國防與產業安全的關鍵課題。

漢翔的第一個轉型：從傳統航太切入無人機與反制系統

過去外界對漢翔的印象，多來自國機國造、軍用航空，以及波音、空中巴士等民用航太的供應鏈角色。然而，在全球航太與國防需求變化下，漢翔正迎來新的轉型。「必須要轉型到無人機、無人機的反制系統，因為這一塊正在快速成長，」莊秀美表示，這兩個領域將成為漢翔下一階段的重要機會。

更重要的是，無人機相關技術未來也有望回饋到傳統國防與民用航空領域，因為不管是 AI 決策、感測技術、通訊控制，還是快速迭代的研發模式，都可能反向影響既有航太產品的設計與製造。對漢翔而言，無人機不僅是新產品線，更是推動整體航太能力升級的新引擎。

漢翔的第二個轉型：2016 年起導入 AI，奠定智慧製造基礎

除了產品轉型，漢翔內部也早已展開 AI 與智慧製造的升級。莊秀美回憶，漢翔在 2016 年開始，就體認到導入最新科技的重要性，因此便導入智慧化的機台、智慧生產、智慧管理，主要目的就是希望在生產的過程，能夠達到「預警、預測、預防」，把所有問題預先解決。

莊秀美分析，實踐轉型的第一步是讓機台數位化以取得數據；第二步是流程可視化，以看見生產狀態與瓶頸；第三步則是管理智能化，並導入數位雙生的概念，讓製造流程更即時、精準且可預測。

在實際導入 AI 應用的場景上，莊秀美以熱壓爐為例，說明漢翔大量使用先進複合材料，若升溫曲線或壓力控制不正確，整爐昂貴的零件都可能報廢。因此，漢翔導入感測器與 AI 監測，一旦升溫曲線異常便會立即警示，讓現場即時處置，避免重大損失。

另一個案例是機匣加工，漢翔透過鑑別式 AI 在鑽孔時同步檢測並補償誤差，確保孔位精準。此外，刀具壽命預測也能透過分析震動數據，判斷何時接近斷裂風險，兼顧品質與成本。這些案例皆說明，AI 透過數據讓高風險、高成本、高精度的製程變得更可控。

除了鑑別式 AI，漢翔也導入生成式 AI，打造內部平台「問問阿翔」，功能涵蓋會議輔助、智能報價與品質系統健診。莊秀美表示，航太產業文件與規範龐雜，過去若發現漏油這一類問題，工程師需查閱大量文件，現在透過生成式 AI，系統就能快速整理可能原因、檢查順序，並精準標註引用自哪份來源文件，大幅提升效率。

漢翔更將這些能力整合進 AIxWARE 平台，「如果說我們今天空有技術，沒有產品，其實是沒有用，大家沒辦法用得上，所以我們後來也把技術導入到 AIxWARE，去服務其他的產業界朋友，」莊秀美說。

全亞洲第一家通過 CMMC Level 2 驗證，莊秀美：沒有資安就沒有國防市場

然而，當 AI 與無人機應用快速發展，資安挑戰也更加嚴峻，尤其漢翔所處的航太與國防產業，更涉及敏感資料與技術安全。「如果你的產品涉及到國防、政府，那資安絕對是第一線，沒有資安其他都不要談，」莊秀美強調，漢翔成功通過美國 CMMC Level 2 資安成熟度模型驗證，也是全亞洲首家取得此驗證等級的企業。未來，隨著美國對國防供應鏈的資安要求越來越完整，這些標準也將逐漸從加分項變成必要資格。

莊秀美表示，資安不僅影響傳統航太，更決定台灣無人機產業能否打進全球國防市場。若台灣無人機要外銷美國並用於國防場景，就必須符合 Blue UAS 這一類資安驗證機制。這也代表，台灣不能只強打製造與硬體性能，也必須補足合規與可信任供應鏈的能力，因此目前漢翔已開始輔導供應商提升資安水準，確保未來能以整體供應鏈的姿態通過國際檢視。

談及台灣產業的未來，莊秀美表示：「我們不希望只有我們好，而是希望共好，包括我們的供應鏈。」她強調，唯有大家是一個團體，在共好的前提下，才有機會出去打國家隊，朝國際市場發展。從國機國造到無人機，從航太製造到智慧平台，漢翔的轉型正映照出台灣 Physical AI 產業的下一步：不只是打造單一產品，而是將製造、AI、資安、通訊與供應鏈，整合成一個具備國際競爭力的可信任系統。

歡迎大家訂閱「科技報橘」YouTube 頻道，一起用《全新一週》節目，來迎接全新的一週！

當多數機器人吸塵器廠商在比拚誰能爬樓梯、誰有機械臂能撿東西時，Dyson 最新推出的 Spot+Scrub Ai 選擇了一個切入點：辨識並清除地板上的頑固污漬，這選擇和 Dyson 首席工程師 Jake Dyson 想闡述的產品哲學相關。

先找到真實問題，再驗證解法是否真的有效

Jake Dyson 是創辦人 James Dyson 的兒子，22 歲時曾短暫在 Dyson 工作，隨後離開，獨立發展工業設計事業，專精照明領域，多年後才帶著這段經驗回到公司，成為首席工程師。

他描述自己的方法論時，用了一個 LED 散熱的例子：LED 剛進入市場時，多數人沒有把它們冷卻好，導致原本該用一輩子的產品被當成一次性燈泡使用。他造訪了亞洲的 Osram，了解到把二極體溫度維持在攝氏 50 度以下，就能保住亮度、色彩品質與使用壽命，並借用衛星的被動散熱原理，設計出讓熱量自然從晶片擴散的系統，「找到問題、解決問題，這個過程驅動著一切，」他也將這套方法論延伸到 Spot+Scrub Ai 上。

Dyson 在 2025 年推出這款濕拖兼乾吸機器人，配備綠光照明系統與 HD 攝影機，搭配一套涵蓋 190 多種不同家居物品和污漬的智慧雷射識別系統，辨識需要額外清潔的污漬，多次來回清潔，並在移動前確認污漬已完全清除。

謹慎的說法，與實測結果有些落差

當被問到為什麼不像其他公司一樣推出能爬樓梯、用機械臂搬東西的機器人時，Jake Dyson 表示 Dyson 已經研究這類問題大約十年，但解決方案還沒有達到可靠實用的水準。這個說法有時間佐證，早在 2022 年，Dyson 就公開宣布要在 2030 年前大力發展家用機器人，當時稱其為一場「大賭注」，這項技術將影響機械工程、視覺系統、機器學習和儲能等領域的研究。

他口中「還不夠可靠」的問題，目前在市面上其他產品身上也能看到。Roborock Saros Z70 的機械臂在實測中無法自主辨識並移動物體，仍需遠端操控，在地毯上的成功率也因「硬體限制」較低；爬樓梯機器人則因每座樓梯的高度、間距、材質各異，加上寵物與孩童的動態干擾，要做到安全可靠仍有相當難度。

Jake Dyson 認為這類問題比自動駕駛更複雜，這也是 Dyson 選擇先專注於今天就能在真實家庭中可靠運作的產品的原因。

機器人與傳統工具，短期內將持續共存

被問到機器人是否終將取代手持吸塵器時，Jake Dyson 給出否定答案，他認為機器人吸塵器擅長日常維護，但深度清潔與非地板表面，人們仍會用無線吸塵器處理。

這個說法與 Dyson 近期的產品佈局一致，公司剛推出超輕巧的 Pencilvac Fluffycones，也發表了首款自動集塵的無線吸塵器。

AI 推理能力，是下一波突破的關鍵

Jake Dyson 對機器人技術整體的進展速度仍相當樂觀。他認為過去機器人遇到不熟悉情況時會卡住，現在透過推理能力，能做出更安全、更明智的決策。

他也觀察到全球發展的分工態勢，美國在 AI 與「大腦」層面領先，中國則以更大規模、更實惠的成本生產機器人硬體。

展望未來，他認為機器人將透過雲端彼此學習，一個機器人的經驗能立即提升其他機器人的能力，甚至一台機器人能修復另一台的故障，這將大幅加速整體發展速度。

不過，技術成熟與大規模普及之間，還有法規與安全這道關卡。Jake Dyson 認為這些技術可能很快就準備就緒，但實際廣泛進入家庭可能還需要約十年。

他同意 Elon Musk 提出的「人形機器人三年內將進入許多家庭」的預測，但同時指出人形機器人需要消耗大量能源維持雙足行走，相較之下，專用的機器人吸塵器在能源效率上遠遠勝出：「所以，沒錯，機器人會變得更有能力，但我認為傳統工具仍會與它們並存。」

雖然把所有家務都交給機器人聽起來很吸引人，但無線與手持吸塵器看起來還會繼續存在一段時間，而爬樓梯與整理散落物品，現階段仍得靠自己動手。

【推薦閱讀】

◆ 四隻手、沒有腿，Helios 四臂機器人如何做到為太空站而生？
◆ 展示容易部署難，人形機器人距離真正的工業化還有多遠？
◆ 複製大疆、比亞迪崛起路徑，Semianalysis：宇樹科技將主導人形機器人產業

＊本文開放合作夥伴轉載，參考資料：Tech Radar、Web Pro News，首圖來源：Dyson

（責任編輯：鄒家彥）

機器人新創 Genesis AI 推出其首款通用機器人 Eno，沒有頭、也沒有腿，採用輪式設計。另值得關注的是，這家公司放棄了業界常見的遠端遙控（teleoperation）路線，改以感測手套蒐集真人操作資料，同時自行打造模型、模擬器、資料平台與機器人本體。當整個產業仍在追逐人形機器人熱潮時，Genesis AI 想解決的核心問題之一是：通用機器人的資料，究竟從哪裡來？

據《TNW》報導，這家新創在巴黎與舊金山設有辦公室、約有 60 名員工，由共同創辦人 Zhou Xian 與前 Mistral 研究員 Théophile Gervet 共同創立；該公司去年募得 1.05 億美元種子資金，是法國最大規模的融資之一，由 Eclipse 與 Khosla Ventures 共同領投，投資人包括 Google 前執行長 Eric Schmidt、Xavier Niel、MIT 機器人學教授 Daniela Rus 等。

一台沒有頭、沒有腿的機器人

據《Business Insider》報導，Eno 是一台有著兩隻手臂、但沒有雙腿的輪式機器人，其軀幹由三片面板組成、可即時調整高度與伸展範圍，不使用時還能折疊收納。《The Robot Report》進一步說明，Eno 的手臂裝有 Genesis AI 自研的靈巧機械手，其形態與功能皆貼近人手，方便操作那些原本就為人類設計的工具與物件。

這樣的外形是刻意為之。Genesis AI 共同創辦人暨執行長 Zhou Xian 表示，公司有一套名為「平靜智慧（calm intelligence）」的設計哲學：機器人把事情做完，然後就消失。《Reuters》引述其商務與策略副總裁 Vivian Sun 的說法指出，採用輪式底座，是因為多數工業客戶都在平坦地面上作業，雙腿只有在爬樓梯這類情境才有意義：「我們是在能力上模仿人類，而不是在形態上。」

為了建立信任，Genesis AI 也提供一個在軀幹加上螢幕的版本，能即時顯示機器人正在「想什麼、做什麼」，Zhou Xian 比喻：「當你跟 Claude Code 對話時，它會一步步告訴你它在想什麼，機器人也該如此。」

Genesis AI 的選擇，是對業界主流假設的正面挑戰。《Business Insider》描述，在公司位於舊金山灣區的研發場所中，Zhou Xian 指著牆上一張投影片，上頭是 Agility 的 Digit、Figure 的人形機器人、1X 的 Neo 等現有通用機器人。「當我看著這些，我感到不安，」他說，「五年後，如果我們周圍部署了數百萬台這樣的機器人，我不認為人類會喜歡那個版本的未來。」

Genesis AI 想打造的，是一台能融入資料中心到居家廚房等不同場景的機器人。報導指出，它刻意拿掉雙腿，是因為輪子更節能、更穩定也更安全；省略頭部，則是為了避免做出「反烏托邦外觀的機器人」，或賦予它會誘導人們把它當成「人」來對待的特徵。「我們不希望它太可愛，」Zhou Xian 說。Eno 是英文「one」反過來拼，據《Business Insider》報導，它只是 Genesis AI 計畫打造的多款機器人中的第一台。

真正的難題不是移動，而是操作

支撐這套設計的，是 Genesis AI 對機器人核心難題的判斷。《TNW》引述 Zhou Xian 的話指出：「機器人最難的問題不是移動（locomotion），而是操作（manipulation）」，也就是用接近人手的靈巧度與適應力來處理物件的能力。

Eno 由 Genesis AI 的機器人基礎模型 GENE 驅動，扮演機器人「大腦」的角色。《The Robot Report》說明，GENE 賦予 Eno 達到人類水準的靈巧操作能力，使其能以毫米級精度完成複雜、長時程的任務；不同於只能執行單一指令的傳統機器人，它能在收到一個高階目標後理解情境、保留記憶、隨條件變化推理，並動態規劃與完成多步驟任務。《TNW》補充，Genesis AI 在 5 月展示的 GENE-26.5 模型，曾以同一套模型在相同硬體上完成烹飪、解魔術方塊、彈鋼琴與組裝線束等任務。

不過，從工業場景走向居家應用，取決於機器人領域最大的挑戰之一：資料。《Business Insider》點出問題核心：聊天機器人是靠網路上海量的文字與影像訓練出來的，但機器人並不存在一個可與之比擬的資料庫。而這也讓資料蒐集方式成為 Genesis AI 與其他機器人公司的重要差異。

放棄遠端遙控，改用 300 美元的感測手套

業界普遍的做法是「遠端遙控」：由人類操作員遠端控制機器人，同時讓感測器記錄每一個動作。但 Genesis AI 認為這無法為通用機器人產生足夠的資料。根據《TNW》，Genesis AI 指出遠端遙控的成本每小時最高達 6,000 美元，而 Genesis AI 開發的感測手套一副約 300 美元，且每次蒐集到的可用訓練資料多達五倍。

這副手套能追蹤每根手指、透過手掌感測觸覺，並以一具小型相機記錄工作者的手部動作。《Business Insider》報導，熟練工人會在實際工作時戴上手套，為 Genesis AI 提供專家如何完成困難實體任務的高品質資料。

該公司計畫今年稍晚與工業夥伴一同製造並部署數千副手套。共同領投種子輪的 Eclipse 合夥人 Charly Mwangi 對《Business Insider》表示：「當你比較一個在遠端遙控上花 6,000 美元的人，和一個花 300 美元（買手套）的人，Genesis AI 的做法在可擴展性上要高出好幾個數量級。」

自己做模型、模擬器、資料與本體

Genesis AI 的另一個差異，是不只做模型。《Business Insider》指出，相較於 Physical Intelligence、Skild 等專注模型的公司，Genesis AI 同時開發整套系統：AI 模型、訓練手套、模擬器，以及機器人本體。Zhou Xian 告訴《The Robot Report》，從第一天起，公司就以「量產思維」把硬體、軟體與智慧當成一個整體來設計：「唯一能打造出真正為社會帶來價值、並在真實世界中勝出的機器人的途徑，就是透過刻意的設計與單一、完整的系統。」

《Bloomberg》補充，Schmidt 在受訪時點出 Genesis 的技術突破在於速度：「當我看機器人時，有一個稱為 VLA（視覺、語言、行動）的迴圈，Genesis 的突破在於他們的演算法現在跑得快多了。」

Genesis AI 計劃在 2026 年底前開始量產與針對性的客戶部署，先從製造、物流與實驗室等工業客戶切入，再擴及飯店、醫院等服務業，最後才是消費者居家與戶外應用。Zhou Xian 對《Business Insider》坦言，要進入家庭還需三到五年：「技術還沒到能處理所有極端情況、以及與孩童互動的程度，這裡有很多安全顧慮，也還沒有嚴謹的產業標準。」

整體而言，當人形機器人吸走大量資金與目光，Genesis AI 押注的，則是一台有輪子、沒有頭和腿的機器人。《TNW》指出，輪式或人形孰是孰非，最終取決於一個市場尚未回答的問題：一台真正有用的機器人，究竟需要長成什麼形狀？而在這個形狀之爭的底層，Genesis AI 想解開的，仍是那道決定通用機器人能走多遠的難題：資料，到底從哪裡來。

【推薦閱讀】

◆ 四隻手、沒有腿，Helios 四臂機器人如何做到為太空站而生？

◆ 展示容易部署難，人形機器人距離真正的工業化還有多遠？

◆ 複製大疆、比亞迪崛起路徑，Semianalysis：宇樹科技將主導人形機器人產業

＊本文開放合作夥伴轉載，資料來源：《Business Insider》、《Reuters》、《Bloomberg》、《TNW》、《The Robot Report》，首圖來源：Genesis AI

阿里巴巴推出首套機器人 AI 模型「通義機器人套件」（Qwen Robot Suite），正式進軍實體 AI 市場。《南華早報》報導，隨著全球科技業積極推動 AI 從虛擬對話走向實體應用，阿里巴巴也希望透過新技術提升機器人的環境感知、推理決策與實際操作能力，搶占下一波人工智慧發展商機。

阿里巴巴推出通義機器人 AI 套件，瞄準實體 AI 新戰場

阿里巴巴表示，這套系統由旗下 AI 研發團隊通義實驗室（Tongyi Lab）打造，目前已在部分阿里雲企業客戶中展開測試驗證。通義機器人套件採用三層式架構設計。首先是負責導航與環境理解的 Qwen-RobotNav，透過視覺與語言模型協助機器人辨識周遭環境並規劃移動路徑；其次是 Qwen-RobotWorld，這套模型可根據影像資訊模擬環境變化，讓機器人在執行任務前先預測可能發生的情況，提高決策能力。

在實際操作層面，則由 Qwen-RobotManip 負責執行任務。這款基於 Qwen3.5-4B 架構打造的視覺、語言、動作（VLA）模型，經過 3.8 萬小時以上時間的開源資料訓練，可執行抓取、搬運等物體操作任務。阿里巴巴指出，該模型近期在 RoboChallenge 真實機器人評測中表現亮眼，在通用組別拿下 59.83 分的流程評分，任務成功率達 45%。

《南華早報》提及，此次推出機器人 AI 套件，也顯示阿里巴巴正進一步拓展 Qwen 模型的應用版圖。過去 Qwen 主要聚焦大型語言模型與多模態 AI 發展，與 OpenAI、Google，以及中國的 DeepSeek、字節跳動等業者競爭；如今則進一步將 AI 技術延伸至機器人領域，搶攻被視為下一波人工智慧發展重點的實體 AI 市場。

從硬體優勢到 AI 大腦布局，中國發展人形機器人生態系

隨著實體 AI 成為全球科技產業的新戰場，美國科技巨頭也持續加大投資力道。Google DeepMind 正推動 Gemini Robotics 計畫，NVIDIA 則以 Cosmos、Isaac 與 GR00T 等平台打造機器人與實體 AI 生態系。此外，Physical Intelligence、Skild AI 和 Figure AI 等獲得大量資金挹注的新創公司，也積極投入通用型機器人系統的研發。

《南華早報》指出，中國雖然在人形機器人硬體領域占有優勢，但競爭焦點正逐漸延伸至軟體能力。 當地科技企業近年積極發展機器人 AI 模型，希望提升機器人的感知、推理與自主決策能力，補足「大腦」技術布局。

目前參與相關競爭的業者橫跨多個領域，包括阿里巴巴 Qwen、騰訊 HY-Embodied 等大型模型團隊，以及宇樹科技、優必選、AgiBot、Galbot、Spirit AI、GigaAI 等機器人公司。此外，小鵬汽車與小米等車廠也正將自動駕駛與智慧製造技術延伸至實體 AI 應用，希望在新興市場中搶占先機。

人形機器人產業也逐漸受到資本市場關注。Morgan Stanley 分析師 Zhong Sheng 預期，未來相關企業的研發資源將持續集中於機器人模型等核心技術。隨著阿里巴巴、騰訊等科技公司加入競爭，中國能否在「機器人大腦」領域複製其硬體製造優勢，將成為觀察全球實體 AI 發展的重要指標。

＊本文開放合作夥伴轉載，資料來源：《南華早報》、Qwen，圖片來源：Qwen。

過去兩年，AI 產業最重要的變化之一，是 AI 開始參與軟體開發本身：從 OpenAI 的 Codex、Anthropic 的 Claude Code，到近期快速崛起的各類 AI Coding Agent，這些工具不再只是回答問題，而是能閱讀程式碼、撰寫程式、執行測試、修正錯誤，甚至在有限範圍內完成整個開發循環。如今，這股「AI 研發 AI」的趨勢正開始從數位世界延伸到實體世界。

NVIDIA GEAR Lab 聯手卡內基美隆大學（Carnegie Mellon University）與加州大學柏克萊分校（UC Berkeley）最新發表的 ENPIRE（Embodied Neural Policy Improvement through Physical AutoResearch）框架，嘗試讓 AI 代理直接在真實機器人上完成研究流程。

根據 NVIDIA GEAR Lab 發表的研究成果，搭配 ENPIRE 的 AI Coding Agent 已能在裝設顯示卡、插針與束帶處理等高精度任務中達到最高 99% 成功率。更重要的是，這些成果並非來自人類工程師反覆調校，而是來自 AI 代理自行執行實驗、分析結果、改寫程式並持續優化。

機器人研究真正瓶頸：每次失敗都得有人把現場收乾淨

根據《Tech Times》報導，機器人研究長期面臨一個軟體工程沒有的瓶頸：每次實驗失敗後，都必須有人重新整理現場。

如果是軟體開發，測試失敗只要重新執行即可；但在機器人領域，物體可能掉落、位置偏移，甚至整個實驗場景被破壞。研究人員必須先確認結果、重設環境，再讓演算法進行下一輪嘗試。這使得機器人研究的迭代速度，往往受限於人類操作速度，而非演算法本身的進步速度。而 ENPIRE 的核心目標，就是將這個循環自動化。

從重設場景到改寫程式，ENPIRE 想讓 AI 接手整個研究流程

根據論文與《Tech Times》報導，ENPIRE 主要由四個模組組成：Environment、Rollout、Policy Improvement 與 Evolution。

其中，Environment 負責自動重設場景與驗證結果；Rollout 負責在真實硬體上執行實驗；Policy Improvement 讓 AI 代理根據執行結果修改控制策略；Evolution 則負責比較不同研究方向的成果，保留有效方法並淘汰失敗路線。

研究團隊表示，AI 代理不只會修改程式，還能閱讀研究論文、分析實驗紀錄、比較不同演算法表現，並決定下一步應該採用模仿學習（Imitation Learning）、強化學習（Reinforcement Learning）或其他訓練方法。換句話說，AI 代理不只是控制機器人，而是在執行一整套研究流程。

裝顯卡、插針、剪束帶，AI 代理把成功率推向 99%

為了驗證 ENPIRE 的能力，研究團隊將 OpenAI Codex、Anthropic Claude Code 與 Moonshot AI 的 Kimi Code 分別接入真實機器人系統進行測試。

根據《Decrypt》與《Ars Technica》報導，研究團隊讓這些 AI 代理控制由 8 組雙臂機器人組成的實驗平台，挑戰多項高精度操作任務，包括插入細小金屬針、綁束帶並剪斷，以及將顯示卡插入主機板 PCIe 插槽。

《Tom’s Hardware》指出，在顯示的示範影片中，機器人先抓取顯示卡，再將其精準對準主機板插槽並完成安裝。雖然過程中仍可看到細微調整，但已展現相當接近人工操作的精度。

此外，研究人員也發現規模化帶來明顯效果。根據《Ars Technica》與《Decrypt》報導，在 Push-T 測試中，單一代理需要接近 5 小時才能達到高成功率；當系統擴展至 8 組代理與機器人並行研究時，所需時間縮短至約 2 小時。這代表機器人研究也開始出現類似 AI 模型訓練中的規模效應。

從一台到八台機器人，研究速度加快但成本也同步上升

ENPIRE 的另一個重要發現是，多個 AI 代理與多台機器人協同工作，確實能顯著縮短研究時間。然而，《Tech Times》指出，隨著代理數量增加，新的問題也開始出現。代理需要閱讀彼此的實驗紀錄、整理研究成果並同步程式碼，導致部分時間花在協作而非實驗本身。

研究團隊因此提出兩項新指標：機器人利用率（Mean Robot Utilization）與 Token 利用率（Mean Token Utilization），用來衡量研究效率與算力消耗。結果顯示，雖然更多代理能更快找到有效解法，但 Token 消耗成長速度甚至超過時間節省幅度。換言之，研究速度提升的代價，是更高的推理成本。

研究也坦承，Physical AI 仍有三大限制待克服

儘管 ENPIRE 展現出令人印象深刻的成果，論文作者也坦承這項技術距離完全自主研究仍有不少限制。首先，每個任務仍需事先建立自動重設與驗證機制。

根據《Tech Times》與《Decrypt》報導，在正式開始自我研究之前，人類研究人員仍需先建立 Reset Routine 與 Reward Function。例如 GPU 插入任務中，系統必須先學會如何自行拔出顯示卡、恢復初始位置，才能開始下一輪實驗。

其次，模擬與真實世界之間的落差依然存在。論文指出，在 Push-T 任務中，三個 AI Coding Agent 都能在模擬器內成功完成訓練，但進入真實世界後，只有一個代理成功達成目標。研究團隊認為，摩擦力、感測器誤差與物體位置偏移等現象，仍是現有模擬環境難以完全重現的因素。

第三，機器人並非一直處於工作狀態。根據《Ars Technica》分析，許多時間其實消耗在 AI 代理閱讀日誌、撰寫程式、等待模型回應與除錯過程。即使研究循環已高度自動化，系統仍受限於大型語言模型本身的推理效率。

如果說 Claude Code、Codex 等工具代表 AI 開始參與軟體開發，那麼 ENPIRE 展現的，則是 AI 開始參與機器人研究本身。當然，現階段的 ENPIRE 仍離不開人類建立環境、設計評估機制與提供算力資源。但這項研究所揭示的方向已相當明確：未來加速 Physical AI 發展的，未必是更多工程師，也可能是更多負責研究的 AI 代理。

＊本文開放合作夥伴轉載，資料來源：《Tech Times》、《Decrypt》、《Tom’s Hardware》、《Ars Technica》，首圖來源：ENPIRE

隨著人形機器人商業化發展持續受到關注，機器人業者也開始將實體 AI（Physical AI）技術導入現有工業機器人系統。《The Robot Report》報導，加拿大機器人公司 Sanctuary AI 近日宣布，與全球一級汽車零組件供應商合作，在電線插接作業上取得重要進展，任務成功率超過 99.5%，單次作業時間僅 2.54 秒，且相關數據已對照客戶實際產線的作業基準完成驗證。

Sanctuary AI 推動硬體無關策略，加速實體 AI 落地應用

Sanctuary AI 表示，與其等待人形機器人實現大規模商業化，公司選擇先將實體 AI 技術部署於現有機器人平台，加速技術在實際場域中的應用。該公司共同創辦人兼技術長 Olivia Norton 指出，實體 AI 能否獲得產業採用，關鍵在於是否具備符合生產需求的效率與穩定性，而這正是企業客戶最重視的指標。

此次測試以汽車製造業常見的線束插接作業為對象。系統必須在輸送帶持續運轉的情況下，即時辨識並操控不斷移動的柔性電線，完成精準插接。《The Robot Report》提及，測試結果顯示，該系統達到客戶現有產線的作業速度，也符合工業生產對可靠度與穩定性的要求。

Olivia Norton 說明，在移動中的輸送帶上完成電線插接作業，需要機器人具備高度的感知能力與操作靈活性，過去一直是傳統自動化設備較難處理的工作。他指出，團隊在開發過程中，始終以實際生產環境作為驗證標準，並將可靠性、安全性及作業效率納入評估，才成功克服這項長期存在於製造現場的技術挑戰。

Sanctuary AI 表示，公司擁有先進的實體 AI 團隊，團隊成員包含機器人與軟體工程師，並持續解決業界認為無法解決的問題。Sanctuary AI 指出，憑藉智慧財產權布局、專有液壓機械手及先進 AI 系統，公司已在實體 AI 領域建立領先優勢。Sanctuary AI 在 2026 年 4 月就曾展示零樣本學習（Zero-Shot Learning）在靈巧手部操作（dexterous in-hand manipulation）上的應用成果。

實體 AI 與精細抓取技術加速商用，工業機器人應用競局升溫

《The Robot Report》指出，相較於等待人形機器人全面進入市場，Sanctuary AI 選擇先將其技術應用於既有工業設備。這種不依賴特定硬體平台的策略，有助於加速製造與物流等產業導入實體 AI，以應對人力短缺與提升生產效率的需求，同時也為未來智慧工業機器人與工業人形機器人的發展奠定基礎。

Sanctuary AI 提及，無論是既有產線的升級，或是新產線的建置，企業都可以透過其解決方案取得可直接投入生產的自動化能力，縮短導入時間，建立通往下一代智慧工廠的發展路徑。實體 AI 的價值不僅在於提升當前產線效率，也在於建立一套能隨產業需求持續進化的製造基礎。

此外，AI 驅動的抓取技術近期也持續受到產業關注。《The Robot Report》補充，德國自動化業者 Festo 近期測試其 GripperAI 系統並推出輕量化氣動夾爪，而機器人義肢技術公司 PSYONIC 則與 ABB Robotics 合作，推動高靈巧度機器人操作技術發展。

＊本文開放合作夥伴轉載，資料來源：《The Robot Report》、Sanctuary AI，圖片來源：Sanctuary AI。