當多數運動品牌還在依賴亞洲長鏈代工時，瑞士運動品牌 On 已經開始用機器人重寫製鞋流程。On 近日宣布於南韓釜山附近啟用全球第二座 LightSpray 機器人自動化生產工廠，接續歷經四年開發、並於 2025 年 7 月在蘇黎世啟用的首座試點廠。

On 選擇南韓作為第二座工廠的戰略考量，在於當地具備全球領先的機器人與自動化優勢，結合先進的製造基礎設施與品牌在該區既有的合作網路，成為完善自動化生產流程、並驗證瑞士技術能否於全球成功複製的理想環境。

由於業界缺乏機器人量產噴塗鞋面的前例可循，因此 On 自 2024 年首度亮相 LightSpray 技術後，便從零開始建構營運框架，自行開發系統來同步協調多台機器人，並建立專屬的自動化生產品質標準。這些前期準備，也成為 LightSpray 能從蘇黎世試點進一步推向南韓量產的關鍵基礎。

在這座南韓新廠，On 將新增 32 台全自動機器人，相較蘇黎世僅有 4 台機器的配置，新廠房每日最高可生產約 1,000 雙鞋，目標是讓 On 的全球 LightSpray 產能在 2026 年放大 30 倍，也讓這項從實驗走向量產的製程創新，正式邁入規模化部署階段。

On 聯合創辦人 Caspar Coppetti 透露，團隊為此引進其他運動品牌所沒有的各領域專家，讓這套自動化工廠概念未來能像「隨插即用（plug-and-play）」般，在全球不同地點快速複製。

3 分鐘成形、200 道工序濃縮：LightSpray 如何重寫鞋面製造流程？

LightSpray 是 On 獨家研發的創新自動化製鞋技術，透過機器手臂將 1.5 公里的特殊纖維直接噴覆在鞋楦上，只需約 3 分鐘即可製作出極度輕量、堅韌、一體成形且近似襪套式的鞋面。在實際的自動化生產中，機器手臂會先固定住預先備妥、結合鞋底的鞋楦模型，在穩定旋轉中進行噴塗，隨後再交由另一台機器人完成表面處理與上色工作。

此外，LightSpray 技術也將傳統鞋面製造原本需要跨越多座工廠、涵蓋約 200 道工序的複雜製程，濃縮成單一的全自動化流程。On 強調，此種機器人製造模式不僅所需空間較小、產生的廢料極少，且與品牌旗下其他競速跑鞋相比，還能顯著減少碳排放量。

On 首席創新官 Scott Maguire 則對此表示：「LightSpray 的美妙之處在於，無論是在蘇黎世還是釜山，我們都能對每台機器人進行精準編程，使其執行精確編排的動作，從而打造出每雙鞋獨特的外觀與腳感。」也正因為這套流程具備可編程、可跨地點複製的特性，On 才得以進一步把技術優勢推進到供應鏈布局層次。

從長鏈代工到近岸部署，On 要以自動化推動近岸製造

近年來，製鞋業因高度仰賴東南亞代工，接連面臨疫情導致的工廠停工，以及航運塞港造成的供應鏈癱瘓等痛點。另一方面，美國對越南與中國等運動服飾製造重鎮祭出的高額關稅，更讓產業成本大幅飆升，加上地緣政治風險，正促使各大品牌積極探索「近岸外包」（nearshoring），也就是將製造基地轉移至更靠近終端消費者的地點。

On 聯合創辦人 Caspar Coppetti 指出，在亞洲鞋業工廠普遍面臨勞動力成本上升與年輕員工招募困難的窘境下，自動化不僅能讓品牌加快生產速度、降低環境衝擊，更能將製造環節帶往更接近主要市場的位置。他具體說明：「產品上市的速度、永續性，以及我們基本上已經沒有廉價勞動力地點可用的事實，在在說明自動化的必要性，以及必須更靠近消費者。」

為了解決傳統供應鏈的風險，On 明確指出，未來幾年內將在全球近岸地點全面推進大規模的 LightSpray 生產，並特別規劃在美國當地建立機器人工廠，藉此直接減輕高昂的關稅負擔。作為強烈對比，根據最新年度報告，On 目前仍有高達 90% 的鞋款來自越南的第三方製造商，另有 10% 來自印尼，這不僅突顯品牌既有供應鏈高度集中於亞洲的現況，也預示了這項自動化新技術將為品牌帶來巨大的供應鏈結構轉變。

On 的下一步戰略，是將 LightSpray 生產進一步擴張至美洲與歐洲，並在產能放大的同時，探索將這項技術延伸至跑鞋以外更多品類的可能性。對 On 而言，LightSpray 的價值早已不只是打造一雙更輕、更快的鞋，而是試圖建立一套可跨區域複製、可更靠近市場部署的全新製造模式。當製鞋產業長年依賴的亞洲代工邏輯，開始被自動化、近岸生產與供應鏈韌性重新定義，On 這場從製程出發的實驗，也正逐步變成改寫鞋業生產結構的起點。

＊本文開放合作夥伴轉載，資料來源：《CNET》、《Reuters》、On、《Bloomberg》，首圖來源：On

Amazon 在去年高調亮相倉儲機器人 Blue Jay，卻在幾個月後悄悄按下停止鍵。這套原本瞄準同日送達（same-day delivery）倉庫的多機械臂系統，自 2025 年 10 月對外發表後，已經在 2026 年 1 月停止運作。

《Business Insider》指出，Blue Jay 系統僅用約一年多的時間便完成開發並投入部署，速度遠比 Robin、Sparrow 等較早期的機器人系統快上許多，也因此，Blue Jay 一度被視為 Amazon same-day 倉儲自動化的重要新嘗試。

Amazon 當時表示，Blue Jay 主要是利用 AI 技術的進展來加快訓練與部署，並透過多支機械臂的設計，能夠一次觸及並搬運多個商品，最初預計能處理 Amazon 倉儲站點中約 75% 的庫存商品，且設計初衷也考量到員工安全，目的是在減少因伸手、搬抬等重複性體力勞動所造成的肌肉拉傷。

知情人士指出，Blue Jay 最後被按下暫停鍵，主要原因包括高昂的成本、製造過程複雜，以及在導入實施上所面臨的挑戰。報導也提到，許多原本參與 Blue Jay 專案的員工，後來被重新分派到其他的機器人計畫中。

Amazon 並未放棄 Blue Jay 的底層技術，而是轉做其他自動化計畫

Amazon 發言人 Terrence Clark 表示，Blue Jay 的核心技術將會被延續到公司的其他倉儲計畫中。他指出：「我們總是在嘗試新方法來改善客戶體驗，並讓員工的工作更安全、更高效且更具參與感，這次的情況，我們實際上是在加速使用為 Blue Jay 開發的底層技術，且幾乎所有的技術都會被沿用，繼續支援我們整個網路中的員工」。

事實上，Amazon 目前在其供應鏈設施中運行著超過 100 萬台機器人。Amazon 表示，Blue Jay 最初就是作為「原型（prototype）」推出，公司打算將從這項技術中學到的經驗，廣泛應用於營運中的多個其他領域。發言人 Terrence Clark 也補充，Blue Jay 只是 Amazon 廣泛投資的眾多倉儲機器人計畫之一，其他同步發展的專案還包含了 Vulcan、Sequoia、Cardinal、Proteus 以及 Sparrow 等。

在具體的技術轉移上，《Sourcing Journal》提到，Amazon 在擱置 Blue Jay 後，會將相關技術重新用於新的自動化計畫。《Business Insider》進一步指出，Amazon 計畫把 Blue Jay 的部分技術整合到後續系統中，包含一套名為「Flex Cell」的新系統，這套新系統將有別於 Blue Jay 先前安裝在天花板的設計，改採安裝於地板的形式運作。

從 Blue Jay 到 Orbital，Amazon same-day 倉儲架構正在轉向

《Business Insider》指出，這次調整是 Amazon 從舊有 same-day 倉儲系統「Local Vending Machine（LVM）」轉向新系統「Orbital」策略的一部分。LVM 最初是 Amazon 內部一項自動化同日送達的雜貨微型履行中心計畫。報導形容，LVM 是一個將自動化高度整合在單一大型結構中的單體系統（monolithic system），而 Blue Jay 原本就是為了這套架構所設計的。這也意味著，隨著 Amazon 調整 same-day 倉儲策略，原本依附於 LVM 架構的 Blue Jay，也失去了原先的部署基礎。

相較之下，新的 Orbital 被設計成由多個元件組成、可用不同方式組裝的模組化系統 （modular system）。《Business Insider》指出，這種更有彈性的結構設計，是為了讓系統更容易部署，也更容易進行擴張。

《Business Insider》表示，相較於 Amazon 過去常見占地廣闊的大型履行中心 （fulfillment centers），Orbital 的設計其實更適合小型的同日送達倉庫。報導中也特別提到，Orbital 未來極有可能被安裝在 Whole Foods 門市的後場，作為一種微型履行解決方案，並預期能處理需要冷藏的商品。

消息人士指出，Amazon 目前正「全力投入」服務生鮮雜貨市場，並積極重塑同日送達業務，目的就是要縮小在雜貨與易腐商品領域，與競爭對手 Walmart 之間的差距。不過，目前首座以 Orbital 為核心打造的同日送達倉庫，預計要等到 2027 年才會正式啟用。

儘管 Blue Jay 被停用、same-day 倉儲架構也從 LVM 轉向 Orbital，但這並未削弱 Amazon 對機器人與自動化的長期押注，尤其是在降低供應鏈成本上的期待。《紐約時報》去年 10 月曾引述一份外洩的內部文件指出，Amazon 預估，隨著機器人部署規模擴大，未來在每件商品的包裝、揀選與交付流程中，可望節省約 30 美分成本，甚至可能幫助公司在 2027 年前減少多達 16 萬名新員工的招聘需求。

儘管 Amazon 發言人其後回應，該文件所描繪的計畫內容「並不完整，且具有誤導性」，但從 Blue Jay 被擱置後，底層技術仍被轉移到其他自動化計畫，以及 same-day 倉儲架構正由單體式系統轉向更模組化的 Orbital 來看，Amazon 從來沒有放棄自動化，而是持續尋找更容易部署、更具擴張彈性，也更符合成本效益的落地方式。

＊本文開放合作夥伴轉載，資料來源：《BusinessInsider》、《The Robot Report》、《Sourcing Journal》，首圖來源：Amazon

亞馬遜近日再次裁員，這次波及的對象是其機器人部門。根據《Business Insider》與《Reuters》報導，亞馬遜證實已裁減至少 100 個機器人相關白領職位，涉及設計倉庫自動化設備的團隊。儘管裁員引發外界關注，但亞馬遜高層強調，機器人仍是亞馬遜未來發展的重要策略。

倉儲自動化團隊受影響，至少 100 個職位被裁

消息人士向《Reuters》透露，此次裁員主要集中在亞馬遜的機器人部門，該部門負責開發用於倉庫自動化的機器人與輸送設備，包括協助搬運貨物的機器人與物流傳輸系統。

亞馬遜並未公開具體裁員人數，只表示公司會「定期檢視組織架構，以確保團隊能更好地創新並為客戶提供服務」。

這次裁員也延續了亞馬遜近年的企業裁員趨勢。根據《Business Insider》統計，自 2022 年以來亞馬遜已裁減超過 5.7 萬個企業職位。其中包括去年 10 月約 1.4 萬名白領員工與今年 1 月約 1.6 萬名職位的裁員。《Reuters》指出，過去幾年的系列調整，約占亞馬遜白領員工總數的近一成。

不過，亞馬遜的整體員工規模仍十分龐大。截至去年底，該公司在全球約有 158 萬名員工，其中大多數是在倉儲與物流中心工作的時薪員工。

部分專案被收縮，但機器人仍是策略重點

儘管進行裁員，亞馬遜管理層仍強調機器人技術的重要性。根據《Business Insider》報導，亞馬遜機器人部門副總裁 Scott Dresser 在一封發給員工的內部信中表示，這次調整「艱難但必要」，並強調機器人仍是公司的策略重點項目，即使某些業務正在被縮減或重組。

亞馬遜目前的倉儲物流網絡高度依賴自動化技術，數以千計的機器人被部署在其全球各地的配送中心，負責搬運貨架、分類商品與協助包裝流程。這些自動化系統是亞馬遜維持大規模電商配送效率的重要基礎。雖然亞馬遜近期已停止開發一項名為 Blue Jay 的倉儲機器人系統，但正將重心轉向另一套名為 Orbital 的新型倉儲系統，部分參與 Blue Jay 專案的員工已被重新分配至其他機器人計畫。Orbital 與過去高度整合的大型倉庫架構不同，採用模組化設計，可由多個自動化模組組成，讓系統更容易部署與擴展。這種架構特別適合較小型的即時配送倉庫，甚至可能部署在 Whole Foods 等實體門市後方，作為微型物流中心。

AI 效率與成本壓力，正在重塑企業組織

外媒指出，這一波裁員同時反映亞馬遜在 AI 時代下對效率的重新思考。亞馬遜執行長 Andy Jassy 近年積極推動組織改革，希望降低官僚層級，讓公司運作更接近「全球最大的創業公司」。該公司也嘗試透過 AI 與自動化工具提高生產力，並減少不必要的管理層與企業部門成本。

《Finimize》分析，亞馬遜近期舉動向市場傳遞了一個明確且冷酷的訊號：即使科技巨頭們持續加碼投入數千億美元在 AI 資料中心與基礎設施上，這些更先進的 AI 工具與自動化技術，最終將無可避免地減少傳統的企業職位。

這也顯示大型企業在自動化預算的控管上變得更加嚴苛與務實。《Finimize》指出，過去那種為了創新而容忍長時間試錯的「大膽押注」模式正在轉變；現在，如果一個自動化專案無法在短期內展現明確的投資回報或達到預期的進度，其預算與人力資源就會被迅速重新分配。進一步來說，在 AI 與機器人技術快速發展的背景下，企業組織與人才結構的調整，可能也將成為未來科技產業的新常態。

＊本文開放合作夥伴轉載，資料來源：《Reuters》、《Business Insider》1、《Finimize》、《Business Insider》2，首圖來源：Amazon

自生成式 AI 爆發以來，大型語言模型不斷在虛擬世界展現突破。然而，如何讓這些 AI 大腦「長出手腳」走入實體世界，已成為下一波科技浪潮的核心命題。工業電腦大廠新漢集團近日就揭露了其針對 AI 機器人領域的佈局與觀察。

新漢集團董事長林茂昌認為，AI 的發展可分為三個階段。第一階段的「雲端 AI」（Cloud AI）雖然聰明卻是失能的，因為它無法感知實體環境與自主行動；第二階段「邊緣 AI」（Edge AI）解決了即時性與企業資料隱私問題，但仍缺乏實體動作的能力。他指出，AI 產業第三階段是「實體 AI」，將 AI 決策結合物聯網的感知與控制技術，讓 AI 跨越虛擬限制化為實際行動，實現所謂的「知行合一」。

2025 啟動、2026 試產：人形機器人落地的關鍵檢驗期

隨著實體 AI 技術發展，人形機器人競賽也持續推進。新漢旗下機器人事業子公司創博總經理沈倩怡指出，去年（2025）是 AI 人形機器人的啟動元年，可以看到市場陸續有超過 300 家人形機器人業者，其中逾半在中國，而「今年是（人形機器人）開始落地的元年」，也就是進入試量產的階段。

沈倩怡指出，根據摩根士丹利報告預估，到 2050 年人形機器人將達 10 億台、創造 5 兆美元的市場規模。然而，目前的關鍵瓶頸在於「價格」，必須將現今高達 20 萬美元的造價降低至 2 萬美元以下，才有可能真正普及到家庭或一般服務場域。她認為現階段人形機器人的應用仍會以 B2B 為主，優先導入製造業、車廠以及物流倉儲等場域。

產業痛點：從「聰明但危險」到「聰明且安全」

當多數機器人新創在比拼硬體關節靈活度與 AI 模型時，新漢將其突圍的策略押注在安全性上。

「我認為最關鍵的是要把機器人從『聰明但危險』做到安全優先。」沈倩怡以市場常看到的人形機器人「翻車」影片為例，指出雖然現在許多中美業者的 AI 技術很強、機器人靈活度很高，但往往缺乏規範標準及功能安全設計。為了解決機器人「聰明但危險」的痛點，創博從 AI 運動控制器出發，打造出整合機器人大腦與小腦的模組化套件，當中涵蓋 AI 大腦決策、即時運動控制、功能安全監控，形成三位一體的控制架構。

林茂昌將新漢的商業模式比喻為「機器人界的聯發科」，表示聯發科是不做手機的手機公司，而新漢則是不做機器人的機器人公司。透過涵蓋大腦、小腦、安全腦的軟硬體解決方案，他指出新漢將複雜的機器人開發工作模組化，讓業者簡易且快速地打造自家的各類機器人。

這項策略點出了一個重要的產業動態：隨著時間推移，全球 AI 機器人競爭的焦點將不再侷限於單純的硬體設計，而是逐漸擴展至底層的控制平台與 AI 系統整合。2026 年作為觀察 AI 機器人邁入試量產階段的關鍵窗口，新漢的策略如何一同推進上兆美元產值的生態系，進而讓 AI 人形機器人順利落地，最終仍有待時間與市場來給出評判。

＊圖片來源：《TechOrange》拍攝。

為了進一步提升汽車製造的生產力，小米自主研發的人形機器人近期正式走出實驗室，進駐自家的電動車工廠展開產線試用。

今年 3 月初，小米執行長雷軍與總裁盧偉冰先後對外證實這項部署行動。雷軍透過社群平台發文宣布進展，而盧偉冰則在近日舉行的世界行動通訊大會（MWC）接受外媒採訪時，透露更多細節。雖然這標誌著小米機器人進入真實工業場景的關鍵一步，但盧偉冰也澄清，這些機器人現階段「還稱不上是在做正式工作，反而更像是產線上的實習生」。

小米機器人可自主運作 3 小時、包辦產線 90% 工作量

在實際的產線考核中，小米的人形機器人展現出高度的自主作業能力。這些機器人能在「完全無人類介入」的情況下，連續自主運作達三個小時，且在兩台機器人的協作下，即可包辦產線上 90% 的工作量。除了搬運物料箱、撕除保護膜以及安裝車身廠徽等多樣化任務外，機器人更擔綱核心的自攻螺母安裝作業。

《南華早報》描述，在具體的車輛壓鑄車間安裝工位上，機器人會從自動供料裝置精準拾取自攻螺母並放置於定位夾具，接著配合滑帶輸送與自動定位，將其緊固至一體化壓鑄的車底板指定位置。在這項「雙側同步安裝」任務中，機器人的成功率高達 90.2%，且整個鎖付工序能在 76 秒內精準完成，完美契合產線需求。

然而，將機器人導入產線並非易事，小米總裁盧偉冰直言：「將機器人整合進我們的生產線，最大的挑戰是讓它們跟上節奏。」為了達成這樣的產線效率，機器人必須克服多項技術難題，主要的挑戰包含與定位銷的精準對位，以及螺母內部的花鍵結構差異、非固定的抓取姿態，再加上磁力干擾等因素，這些都大幅提高組裝的複雜度與抓取穩定性。

端到端聯合訓練：讓機器人少靠人工資料、快速從環境學習

為了解決複雜的裝配問題，小米採用了端到端（end-to-end）、資料驅動的聯合訓練架構，這項技術不僅大幅減少對人工訓練資料的依賴，更賦予機器人從環境中快速學習與適應的能力。

在底層核心上，雷軍指出機器人的進展建立在名為「Xiaomi-Robotics-0」的通用型視覺-語言-動作（VLA）基礎模型之上，《南華早報》更進一步補充，除了這個具備 47 億參數的 VLA 模型，小米還搭載專屬的觸覺微調模型「TacRefineNet」，使機器人能在不依賴視覺或物件 3D 模型的情況下，單憑觸覺感知就能完成精密的裝配作業。

在全身控制系統方面，小米機器人融合了視覺、觸覺與關節位置感知等多模態輸入，有效降低在複雜情境下發生誤判的機率，進而提升整體操作的穩定性。為了精準控制機器人的全身運動，小米採用混合系統，其中「傳統最佳化控制（optimization-based control）」模組的更新頻率低於一毫秒，確保機器人的即時反應能力。同時，系統結合的「強化學習（reinforcement learning）」技術，則是讓機器人事先在虛擬環境中經歷數以億計的干擾模擬訓練，這項突破讓機器人不僅能在極端條件下維持平衡，還能把在虛擬模擬中學到的技能直接轉移至真實世界的實體機器人身上，完全無需進行額外的重新訓練。

目標五年內大量進廠，小米看好人形機器人開啟「兆元級市場」

關於未來的部署計畫，小米目前仍在其他生產站點持續進行部署與驗證測試。小米執行長雷軍透露，包含平均故障間隔時間（MTBF）與單一任務成功率等關鍵績效指標都在穩定改善中，未來雷軍預期五年內將有「大量」的人形機器人進駐小米工廠，不過官方目前尚未公開具體的部署數量、單機成本或更詳細的時間表。此外，雷軍的佈局也不僅止於工廠，他更計畫未來將人形機器人的應用延伸至家庭場景，並看好這將開啟一個全新的「兆元級市場」。

這次，小米的「機器人實習生」也凸顯中國企業在投資與提升機器人能力上的驚人速度，例如電動車廠小鵬汽車（XPeng）與智慧型手機品牌榮耀（Honor）都已相繼投入研發或推出自家的機器人產品，中國機器人新創企業 Galbot 與 Noetix Robotics 近期更分別獲得 25 億與近 10 億人民幣的鉅額融資，顯示資本市場對此領域的高度關注。

在這波車廠與科技公司加速實地驗證的浪潮中，小米把這些人形機器人定位為產線上的「實習生」，也凸顯接下來的關鍵，可能不只是在於是會不會走、能不能表演，而是能否在真實生產節奏下長時間穩定運作，並把成功率持續拉高，同時逐步擴張到更多工位與站點。因為當這些指標開始能被量化與複製，人形機器人才算真正跨過進入生產現場的門檻。

＊本文開放合作夥伴轉載，參考資料：《CNBC》、《SCMP》、《Interesting Engineering》、《TechNode》，首圖來源：小米

過去 10 年，AI 多數運行在雲端資料中心，但隨著機器人、自動化設備與智慧裝置快速發展，AI 正逐漸從雲端走向邊緣裝置，直接進入實體世界。Arduino 宣布推出新一代單板電腦 VENTUNO Q，鎖定 AI、機器人與自動化控制應用，反映出邊緣 AI 平台競爭正逐漸升溫。

根據 Arduino 官方說明，VENTUNO Q 採用高通的 Qualcomm Dragonwing IQ8 系列處理器，內建可達 40 TOPS 的神經網路處理器（NPU），並搭配 16 GB RAM 與最高 64 GB 儲存空間，可用於執行本地 AI 推理與多任務運算。平台同時支援 Ubuntu 或 Debian Linux 系統，並提供 Wi-Fi 6、Bluetooth 5.3、2.5 Gb Ethernet，以及多組 MIPI-CSI 相機介面等功能，鎖定機器人、視覺 AI 與邊緣運算場景。

AI 與即時控制整合的「雙大腦架構」

VENTUNO Q 的最大特色，是採用 Arduino 所稱的「雙大腦架構」（dual-brain architecture）。系統一方面由 Qualcomm Dragonwing IQ8 處理器負責 AI 推理與高效能運算，另一方面則整合 STM32H5 微控制器，用於處理低延遲的馬達控制與即時裝置操作。

這種架構試圖將 AI 推理與物理控制整合在同一平台。《Elektor Magazine》指出，這之所以重要，是因為機器人、機器視覺節點或智慧工業子系統不只需要「思考」，還要能即時做出反應。Arduino 就指出，透過這種設計，開發者可以在單一裝置上完成感知、決策與動作三個步驟，使機器不只是「理解世界」，也能直接「對世界採取行動」。

在典型的機器人系統中，AI 運算與控制系統往往分別運行在不同硬體。例如視覺辨識可能在高效能運算板上執行，而馬達與感測器則由微控制器或 PLC 管理。VENTUNO Q 則試圖將這兩種角色整合在同一平台，降低開發複雜度。

此外，該平台也支援 ROS 2（Robot Operating System）工作流程與多種機器人開發工具，並可直接搭配 Arduino UNO shields、Qwiic 感測器與 Raspberry Pi HAT 等硬體模組，延續 Arduino 原有的開發者生態系。

Arduino 從 Maker 平台走向 AI 機器人平台

Arduino 過去長期被視為 Maker 與教育市場的重要平台，其開發板被廣泛用於原型設計與嵌入式系統學習。但 VENTUNO Q 的定位已明顯不同。

官方將其描述為「AI、機器人與自動化控制平台」，顯示 Arduino 正試圖將自身角色從 Maker 工具轉型為 AI 機器人開發平台。

VENTUNO Q 也預先整合多種 AI 模型，包括語音辨識（ASR）、文字轉語音（TTS）、姿態辨識、物件追蹤與視覺語言模型等，並可透過 Qualcomm AI Hub 與 Edge Impulse 平台部署 AI 應用。這些功能允許開發者在裝置端執行 AI 模型，而不需依賴雲端運算。這種離線 AI 能力對於機器人與工業設備尤為重要，因為在實際應用中，延遲、網路連線與資料隱私都可能成為限制。

《Elektor Magazine》指出這不只是產品新聞，也是一個值得觀察的產業訊號：嵌入式開發正朝向子系統高度集中、更高度整合的邊緣 AI 平台，以及更低的機器人與智慧控制實驗門檻發展。

Edge AI 平台競爭正在升溫

VENTUNO Q 的推出，也被視為邊緣 AI 開發平台競爭的一部分。目前 AI 機器人開發領域，NVIDIA Jetson 系列透過 CUDA GPU 生態與 AI 軟體工具，成為許多機器人與自動化系統的主要開發平台。VENTUNO Q 則代表另一條技術路線：透過 Qualcomm Dragonwing AI 處理器與 Arduino 的開發者社群，Qualcomm 正試圖建立新的 Edge AI 生態系。

近年 Qualcomm 積極布局邊緣 AI 軟體與開發工具，包括 Edge Impulse 等平台，使 AI 模型能更容易部署到嵌入式裝置。VENTUNO Q 的推出，被視為這一策略的硬體基礎之一。

VENTUNO Q 或許只是一塊新的開發板產品，但它背後所反映的，是一場正在形成的 Edge AI 平台競爭。隨著 AI 應用逐漸從資料中心走向現實世界，誰能建立完整的邊緣 AI 開發生態系，將可能在未來的機器人與智慧裝置市場中占據關鍵位置。Arduino 表示，VENTUNO Q 將於近期推出，預計在 2026 年稍晚更廣泛上市。

＊本文開放合作夥伴轉載，資料來源：Arduino、《elektor Magazine》、《Engadget》、《eeNews》，首圖來源：Arduino

ABB 機器人部門（ABB Robotics）近日與 NVIDIA 宣布合作，將 ABB 的 RobotStudio 機器人模擬平台結合 NVIDIA Omniverse 的模擬資料庫，目標是縮小工業機器人在虛擬模擬與真實工廠部署之間的差距。

《金融時報》報導，這項合作旨在推進「支援 AI 的自主機器人（AI-enabled autonomous robots）」發展，而這些可在虛擬條件中訓練的工業機器人，目前已在鴻海（Foxconn）工廠進行試驗。

從「模擬與現實的差距」下手，ABB 要先補上機器人落地工廠前的訓練斷層

《路透社》指出，ABB 將利用 NVIDIA Omniverse 的「模擬資料庫」（simulated data libraries），讓機器人在進入真實工廠前，先在更接近真實環境的模擬條件中受訓。報導提到，這套系統將納入光線、陰影和紋理等細節因素，以改善機器人在真實工廠中的表現。

為說明模擬訓練的必要性，ABB 機器人業務總裁 Marc Segura 向《路透社》解釋，機器人通常對周遭環境的資訊掌握有限，這可能會削弱其運作的準確度、可重複性與速度。他舉例，若工廠機器人在會產生巨大震動的沖壓機旁工作，其效能往往會下降。過去，機器人需要花費時間學習或重新編程來應對震動，但透過這項新技術，機器人能在虛擬環境中預先受訓，因此能「從上線第一天就懂得如何應對」。

這樣的模式更呼應當前產業界的趨勢：企業越來越傾向在數位模擬中先進行生產規畫與機器人設置，以便在實體設備運作前就能及早發現問題。ABB 進一步表示，模擬精準度與真實世界環境之間的落差，長久以來被稱為「模擬與現實的差距」（sim-to-real gap），而這次合作的目標，正是縮小這項差距，並把工業級實體 AI 以規模化方式帶進產業現場。

把設計、測試到部署串成同一套流程，NVIDIA 要讓機器人更快走出虛擬世界

NVIDIA 則表示，這項技術整合將為全球超過 6 萬名機器人工程師帶來統一的工作流程，並讓製造商可先在虛擬環境中設計、編程、測試和驗證整個自動化單元，再部署真實的機器人。

NVIDIA 進一步指出，系統會將 ABB 的 RobotStudio 中完全參數化的機器人工作站，包含機器人、感測器、照明、運動學和零件等，以 USD 檔案格式匯出至 Omniverse 中。接著，再由 ABB 的虛擬控制器執行與實體機器人完全相同的韌體（firmware），以確保模擬與現實的行為達到 99% 的高度一致。

不僅如此，在 Omniverse 中生成的合成影像還能直接輸入至 AI 訓練流程中，讓機器人的視覺模型可以完全在模擬環境下完成訓練。針對實質的商業效益，NVIDIA 表示，這套系統最多可將生產線的設置與調試時間縮短達 80%，並徹底消除對實體原型的需求。這項優勢不僅能將整體部署成本降低高達 40%，更能把複雜產品的上市時間大幅加快 50%。

NVIDIA 機器人與邊緣 AI 副總裁 Deepu Talla 強調，這項整合為 ABB 的虛擬控制器技術帶來先進的模擬與加速運算能力，將加速成千上萬製造商把複雜產品推向市場的進程。

此外，NVIDIA 也透露，雙方正進一步探索將 NVIDIA Jetson 邊緣 AI 運算平台整合至 ABB 的 Omnicore 控制器中，以期在 ABB 廣泛的機器人產品線中實現即時的 AI 推論能力。

鴻海率先試點，RobotStudio HyperReality 開始走向真實產線

NVIDIA 指出，這項名為 RobotStudio HyperReality 的新產品，預計將於 2026 年下半年正式向全球 6 萬名 RobotStudio 客戶推出，目前包含全球最大電子代工廠鴻海在內的客戶，已展開早期試點。

在實際應用場景方面，鴻海正在測試這些能在虛擬條件中受訓，同時能隨著經驗累積進行自我訓練的新型機器人，並使用這項技術來安裝消費電子產品的側邊按鈕。過去，陰影會干擾機器人視覺，使這項任務極難實現自動化，同時消費性電子產品的微小零件組裝也深具挑戰，因為裝置版本繁多、變化頻繁，加上精細的金屬結構需要極度精準的取放與組裝控制，往往得耗費大量除錯時間與工程資源。

為了克服這些挑戰，NVIDIA 表示，鴻海利用這套新系統生成合成資料（synthetic data），先在各種情境的虛擬訓練中完善多項實際生產流程，隨後再部署到實體產線上。這不僅預期能縮短設置時間、消除昂貴的實體測試，還能加速消費電子產品的上市腳步。鴻海科技集團數位長史哲更對此表示：「在消費性電子製造中，精準度就是一切，而直到現在，模擬與數位孿生技術才終於能達到這種精確度與保真度。」

除了鴻海之外，美國加州的機器人公司 WORKR 也是這項技術的早期試用者。該公司正利用由 NVIDIA Omniverse 模擬資料庫訓練出的 ABB 機器人，將先進的自動化技術推廣給美國的中小型製造商，藉此協助企業應對嚴重的勞動力短缺危機。

ABB 與 NVIDIA 的合作，不只是替機器人打造更逼真的模擬訓練環境，更是在重寫工廠導入自動化的流程：先在虛擬世界找出問題、完成訓練，再進入真實產線。隨著鴻海、WORKR 等企業率先試點，工業機器人也正從「能模擬」走向「能量產」，加速實體 AI 進入製造現場的腳步。

＊本文開放合作夥伴轉載，參考資料：《Reuters》、《Financial Times》、NVIDIA、ABB，首圖來源：ABB

【為什麼我們要挑選這篇新聞稿】

隨著 AI 技術走向實體，驅動工業機器人的應用與人機協作安全成為產業焦點。在德國嵌入式電子與工業電腦展（Embedded World 2026），NEXCOM 新漢集團如何透過兩大重點展區 ── AIoT 解決方案與 AI 運算，展示從建構 AI 運算平台、部署實體 AI 裝置，延伸至 AIoT 作業場域及新世代 AI 企業轉型的具體解決方案？

工業電腦大廠新漢（8234）近年來積極推展 AI 在各類終端應用的布局，包括自動化解決方案、智慧強固車載、安全機器人、智慧城市、地端型 GPT 以及工業級資安軟體等服務。其中機器人被視作現階段AI得以具體發揮功能的物理載體，如何加速導入機器人在各領域的應用是產業共同努力的目標。新漢集團本周於德國嵌入式電子與工業電腦展（Embedded World 2026）上攜手德國機器人生態系夥伴 Synapticon 以及 Botfellows 針對智慧工廠、服務型機器人、車廠、物流倉儲等自動化應用，提供一系列通過安全認證的工業型機器人解決方案。

新漢旗下創博（NEXCOM Robotic Solutions）整合工業型機器人功能安全、視覺辨識、以及運動控制 針對多樣人機安全使用情境 打造以安全為本的機器人解決方案

在將智慧載體（Physical AI）導入工業作業環境的過程中，因牽涉到人機協作安全，智慧載體的各項環節如關節驅動器、控制馬達、以及安全感測器，均須個別導入嚴格的安全認證程序。作為智慧機械生態系的核心建構者，創博提供穩定的運動控制平台，結合德國夥伴 Synapticon 的關節驅動模組、以及德國夥伴 Botfellows 的安全應用軟體，可應用在智慧工廠、服務型機器人、車廠、物流倉儲以及其他自動化應用，創博與生態系夥伴致力於協助智慧載體開發商縮短單機開發時程，提供最高安全等級的工業型機器人解決方案。

新漢參展德國嵌入式電子與工業電腦展（Embedded World 2026）展會亮點

新漢本次展出以「在軟體定義邊緣運算盡情釋放潛能（Unleashing the Ingenuity of SD Edge Computing）」為主題，透過兩大重點展區 ── AIoT 解決方案與 AI 運算，展示軟體定義邊緣運算（Software-Defined Edge Computing, SDEC）技術的無限潛力。展示內容涵蓋邊緣 AI（Edge AI）、物理 AI（Physical AI）、以及所有 AIoT 作業現場整體架構等多元真實世界場域中的實際部署，推出從硬體平台到解決方案的完整產品線，如最新專為智慧醫療所設計的 NDiS B340 耐受型邊緣運算電腦、針對 AI 智慧工廠應用的 APPC 160/210 C21 工業觸控電腦、以及IP67 防護等級 AI 車載電腦 ATC 3561-NA4C 等產品，NEXCOM 新漢將持續加速各類智慧應用場域的落地實踐，從建構 AI 運算平台、部署實體 AI 裝置，延伸至 AIoT 作業場域及新世代 AI 企業的轉型，持續透過創新產品為產業與人類生活創造卓越價值。

（本文訊息由 NEXCOM 新漢提供，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：NEXCOM 新漢。）

「在講機器人和 AI 時，大家都當成一個產業，但和椿來看，AI 機器人不是一個產業，是企業轉型變革的時機，這一點是我們跟大多數人看法不一樣的地方，」和椿科技董事長程天縱在今（3/12）接受媒體採訪時表示，雖然 AI 機器人的市場成熟期仍難預測、現階段需求也還有限，但他認為，對企業來說，真正重要的不是市場何時全面爆發，而是能否及早把 AI 機器人納入產品與營運流程，否則企業就可能長期停留在傳統製造思維中，難以進入高科技產業的行列。

程天縱進一步解釋，若只把 AI 機器人視為一個產業，很容易落入既有思維，將焦點集中在供應鏈、零組件與材料，卻忽略真正的需求與價值鏈。「機器人三個字，事實上是機器跟人，機器是供應方，人是需求方，機器是為人服務的，所以我們特別強調需求方，」因此和椿並非從供應鏈角度切入，而是選擇站在客戶端思考，與需求方一起尋找更多應用場景與可能性。

美中積極投入 AI 機器人，台灣如何掌握競爭優勢？

談到在美國與中國皆積極發展 AI 機器人的背景下，台灣如何發揮自身優勢？程天縱表示，美國除了 AI 強，硬體也不弱，真正的弱點在於缺乏製造能力，而製造不只是代工，還會反過來影響最終產品創新，因此這正是美國過去較吃虧之處。然而，如今美國積極推動製造回流，隨著這波趨勢持續，他判斷美國硬體實力未來有機會持續加速發展。

至於中國的產業環境，程天縱認為，中國雖然政治專制、經濟居中，但科技其實相對民主，也就是說，中國的科技發展在很多時候反而保有相當自由度。因此，程天縱分享，不少中國的機器人企業並非單純靠政府扶植而壯大，而是在改革開放、政府相對不干預的環境中成長茁壯。

在美國補製造、中國持續推進應用落地的情況下，程天縱認為，台灣若要找到自己的位置，關鍵不在與大國正面比拚整機或大規模製造，而是在自身擅長的「微型化」與半導體能力上建立差異化優勢。

「我在兩年前就說，算力與算法會前移，」程天縱解釋，算力與算法接下來會從雲端移到邊緣，再從邊緣移到終端，最後再延伸到機器人的手和腳。他認為，未來機器人必須在前端就具備即時判斷與感知能力，而這也將是台灣的絕佳切入點，因為 AI 與機器人進入實體世界後，需要大量感測器感知觸覺、溫度、震動、聲音與位移等，而這些感測器多與半導體製程密切相關。因此，以半導體技術為基礎，台灣若能進一步結合感測器、GPU與前端算力，讓機器人的手腳本身就具備感知與計算能力，就有機會在下一波機器人競賽中建立關鍵優勢。

程天縱也特別強調，除了移動能力之外，機器人的操作能力同樣非常重要，而其中手的觸覺將是關鍵。因此如果台灣能率先掌握觸覺感測器、算法與前端算力的整合能力，將會是一個非常大的機會。

如果機器人是發電廠，和椿科技的目標就是成為「智慧家電」

「如果我們把機器人的硬體比喻為發電廠，那和椿現在要做的，就是成為解決千家萬戶痛點的智慧家電，」在當前的產業趨勢下，談到和椿在 AI 機器人產業中的角色與定位，和椿科技副董事長張以昇形容，「發電廠」固然重要，但真正能讓電力創造價值、實際解決生活或生產問題的，仍然是終端應用端的「智慧家電」。因此，和椿真正想做的，不只是機器人本體的供應，而是把技術轉化成能落地的應用方案，並強調人形機器人的應用市場，也將成為和椿未來持續投入與布局的主要方向。

面對中國在機器人硬體製造上已經進入高度競爭、甚至近乎極致內捲的狀態，張以昇指出，台灣若在這個階段再去拚硬體，不僅會陷入激烈價格戰，也不具備絕對優勢。在這樣的背景下，和椿選擇把核心競爭力放在理解場域需求、整合技術，並提供最終可執行的解方，也就是不再單純販售關鍵零組件或硬體設備，而是直接「賣給客戶問題的解答」。

未來，和椿的目標是成為深入百工百業、解決場域實際痛點的夥伴，並致力讓 AI 機器人技術真正落地，同時轉化為各行各業提升整體競爭力的實質動能。

（首圖來源：科技報橘）

當全球目光聚焦於大型語言模型（LLM）的軟體競爭時，AI 的戰場已從虛擬網路擴大至實體世界。中國正以舉國之力，加速建立龐大的人形機器人訓練基礎設施，試圖在這場被稱為「具身 AI」（embodied AI）的新世代科技革命中取得領先優勢。

根據《Financial Times》報導，在中國武漢，一座面積達 1.2 萬平方公尺的機器人訓練中心裡，年輕操作員每天透過遙控與感測裝置，反覆教導人形機器人端包子、擦桌子、摺衣服。這些動作會被鏡頭與感測器完整記錄，再整理成可供模型訓練的資料。該中心每天可產出約 100 小時可用資料，目標不是做出一台會表演的機器人，而是建立一個足以支撐整個產業成長的資料池。

中國大蓋「機器人訓練農場」

這座位於中國湖北的訓練中心，並不是單一案例。《Financial Times》與《Rest of World》都指出，這類由地方政府支持、機器人公司營運的資料收集與訓練設施，正在中國各地快速擴張。到 2025 年底，中國已宣布超過 40 座國有或官方支持的機器人資料中心，其中約 24 座已投入運作。光是湖北省，就推出規模達人民幣 100 億元的人形機器人基金；北京、上海、杭州、綿陽等地，也都在加速建立具身 AI 訓練場域。

背後的政策訊號也愈來愈明確。中國政府已在 2026 至 2030 年五年計畫中，將「具身智能」列為六大未來產業之一，並明確要求發展訓練中心、AI 模型與硬體，加速人形機器人落地。這代表中國對人形機器人的期待，已不只是單一技術展示，而是把它視為下一輪科技與產業競爭的核心基礎設施。

LLM 吃網路文字，機器人得靠人類一遍遍示範

為什麼中國政府願意投入大量資金蓋這些設施？答案在於，人形機器人的瓶頸並不只是硬體，也不只是模型，而是資料。

《Financial Times》指出，像 ChatGPT、DeepSeek 這類大型語言模型之所以能快速取得突破，關鍵在於它們能吃進海量網路文本。但機器人不同，它需要的不是單純文字，而是視覺、關節角度、速度、扭矩、動作順序，以及真實環境下的操作回饋。這些資料無法直接從網路抓取，也很難只靠模擬環境生成。

《Los Angeles Times》對印度資料標註公司的報導，也從另一個角度印證這件事。為了教機器人學會摺毛巾，工程師得頭戴 GoPro，一次又一次精準重複同樣動作，再把影片逐格標註，標記手臂怎麼移動、手指怎麼抓取、布料怎麼滑動。換句話說，讓 AI 學會「在真實世界裡怎麼動」，比教它在網路上「怎麼說」困難得多。

武漢訓練中心的員工張佳對《Financial Times》説，他們就像老師，而機器人是學生。教人類做動作，重複幾次就能學會；但教機器人不一樣，同一個動作得重複數百、數千，甚至上萬次。

中國人形機器人優勢，正從製造擴大到資料基礎設施

中國之所以能在這條路上快速推進，並不只是因為它有更多機器人公司。《TIME》指出，中國在電動車、感測器、減速器、控制器與電池等相鄰產業已建立大規模製造能力，讓機器人關鍵零組件成本大幅下降。這讓中國不只在硬體供應鏈上占優勢，也能更快部署更多機器人，進一步蒐集更多資料，形成規模飛輪。

報導提到，中國目前掌握全球約 70% 的光達市場，並在關節、控制器與諧波減速器等關鍵零件上快速壯大。當硬體成本下降、部署數量增加，機器人公司就更有機會在真實環境中蒐集資料，反過來再訓練更好的模型。《TIME》甚至直言，誰能更快部署機器人，誰就更可能收集到更大量、更高品質的資料，而這會進一步推動技術進步。

然而《Rest of World》也引述 Omdia 分析師 Lian Jye Su 的說法指出，中國目前在量產規模上領先，美國公司則仍在硬體與軟體技術面保持強勢。

這場競爭也可能演變成泡沫與過剩？

不過，資料農場模式並非沒有風險。《Rest of World》指出，地方政府大力投入雖能幫助小型新創取得原本負擔不起的訓練場地與資料，但也可能導致過剩。中國目前已有超過 150 家人形機器人公司，連中國國家發改委都曾公開警告該產業的泡沫風險。

此外，研究界對「大規模人工示範資料」是否真是通往通用機器人的最佳路徑，也還沒有共識。有些研究者認為，數位模擬、合成資料，或來自已部署機器人的實際操作資料，可能更有效率。加州大學柏克萊分校機器人學者 Ken Goldberg 就對《Rest of World》表示，這種資料收集方式「很慢」，即使有數百人一起做，也要花很長時間才能累積足夠資料。

這也意味著，中國現在做的事，某種程度上仍是高投入、高不確定性的基礎設施押注。它和大型語言模型早期的狀態有點像：短期看不到清楚回報，但若沒有先走這一步，後面也不可能出現大規模突破。

人形機器人競爭，正從硬體秀場走向資料基建戰

如果把中國春晚上的機器人跳舞、CES 展場上的炫技硬體，和武漢、北京、上海的資料訓練中心放在一起看，會發現中國正在複製一套它過去在電動車產業用過的路徑：先用政策與資金拉動供給，再透過大規模部署與本地市場，快速形成製造與資料優勢。

值得注意的，不是這些機器人能否完美摺衣服或端盤子，而是中國正在建立一個讓機器人持續學習、持續部署、持續回收資料的體系。這讓人形機器人競爭不再只是單一公司或單一產品的競爭，而是誰能更快打造完整資料基礎設施的競爭。

大型語言模型的時代，決勝點是誰掌握更多文本與算力；到了具身 AI 時代，決勝點可能會變成誰先建好足夠大的機器人訓練農場、誰先累積足夠多真實世界動作資料。從這個角度看，未來全球機器人產業的真正戰場，也許不是發表會舞台，而是那些看起來枯燥、重複、甚至有些無聊的資料工廠。

＊本文開放合作夥伴轉載，資料來源：《Financial Times》、《TIME》、《The Rest of Word》1、《The Rest of word》2、《Los Angeles Times》，首圖來源：AI 工具生成

近年來，人形機器人影片在網路上頻頻爆紅，不論是會翻跟斗或能跳舞的機器人，看似展現驚人的技術能力，但在電動車公司 Rivian 執行長 RJ Scaringe 看來，這些炫技展示未必代表機器人真正的產業價值。

Scaringe 最近創立了新的機器人公司 Mind Robotics，並完成了由 Accel 和 Andreessen Horowitz 兩家創投公司共同領投的 5 億美元 A 輪融資，目前估值 20 億美元。他在接受《TechCrunch》訪談時表示，機器人設計應該從任務需求出發，而不是單純追求人形或展示技術能力。

炫技能力未必等於實用價值

Scaringe 指出，他能理解機器人公司展示能翻跟斗或做高難度動作的人形機器人，主要目的是證明機器人的靈活度與控制能力，但是「如果你走進 Rivian 的工廠，你幾乎看不到有人能做後空翻。」

Scaringe 的意思是，在工業機器人的設計中，最常被忽略的一點其實是「工作本質上是用手完成的」。從機器人系統的角度來看，其他所有結構與功能，其實都是為了把手精準地帶到需要操作的位置。因此，一些展示高難度動作的能力，例如後空翻，對於多數實際工作而言，反而意味著不必要的複雜設計。

他認為，在製造場域真正重要的是降低系統複雜度、減少故障可能性並降低能耗。未來的機器人仍可能具備感知系統、能在 X、Y、Z 軸上移動並擁有雙手，但如果一味模仿人類的生物力學，反而會忽略製造業多數工作本質上都是以手部操作為中心。

工廠機器人不一定需要「像人類」

Scaringe 認為，目前機器人產業一個常見假設是，既然機器人要取代人類工作，就應該模仿人類的身體結構，但在製造環境中，這個假設未必成立。

他指出，人類的身體形態並不是為工廠工作而演化出來的。不同生物在演化過程中都針對特定環境最佳化，例如海豚適合游泳、獵豹適合奔跑、猴子適合攀爬，而人類的優勢則主要在於大腦，不是在特定任務中的身體效率。因此，如果機器人的目標是在製造業環境中工作，其設計未必需要完全模仿人類。

不過 Scaringe 也承認，工廠環境本身是為人類設計的，因此機器人仍然需要具備一定的人形特徵，例如能使用工具、在既有空間中移動，以及與人類協作。

機器人產業出現兩種不同路線

在研究機器人產業時，Scaringe 將目前市面上有的公司大致分為兩種類型。第一類是傳統工業機器人公司，例如工廠中常見的機械手臂，這類機器人擅長執行固定且重複的任務，但缺乏更高層次的靈活性。

第二類則是近年快速崛起的機器人新創公司，多數希望打造能在家庭環境中工作的通用型人形機器人，例如折衣服、洗碗或打掃。

然而在 Scaringe 看來，許多新創仍缺乏幾個關鍵能力，例如工業級產品量產經驗、機器人模型訓練所需的數據循環、完整供應鏈能力、對於工業運作的深入了解，而這也是他決定創立新公司的原因之一。

Scaringe 新創的 Mind Robotics 將同時開發三項核心能力：機器人硬體與機電系統、AI 模型、大規模部署基礎設施。Rivian 未來可能成為其重要客戶，將機器人導入汽車工廠的生產流程。

專用型機器人成為另一條路

Rivian 的觀點也呼應機器人產業中另一股趨勢：專用型機器人（task-specific robots）。Uber 共同創辦人 Travis Kalanick 最近推出新創 Atoms，專門開發針對特定產業的機器人，例如礦業、運輸與食品產業。

Kalanick 認為，真正能創造經濟價值的機器人，是能在特定任務中長期運作並提高生產效率的機器，而不是嘗試模仿人類完成所有事情。《Reuters》指出，專用型機器人通常更容易找到商業模式，因為它們只需解決特定問題，而不必面對通用型人形機器人的複雜技術挑戰。

目前全球機器人產業正快速發展。特斯拉、Figure AI 與多家中國公司，都在競逐人形機器人市場。Scaringe 的觀點顯示，未來機器人產業未必會完全走向「像人類一樣的機器」。相反地，真正能大規模部署的機器人，很可能是針對特定任務最佳化設計的系統。

＊本文開放合作夥伴轉載，資料來源：《TechCrunch》、《Reuters》1、《Reuters》2，首圖來源：AI 工具生成

在現代戰爭的演變過程中，無人機系統（UAS）已從單純的偵察工具，快速演變為決定戰局勝負的關鍵力量。面對全球地緣政治局勢的劇烈變動，美國國防部以前所未有的速度推動低成本無人機的大規模部署，並將無人機系統供應鏈安全視為國家防禦的核心命題。

這場轉型的核心，是由國防部統籌、近期移交至國防合約管理局（DCMA）主導的「藍色無人機系統」（Blue UAS）計畫。這個計畫不僅是一個核准採購的清單，更是美國試圖在中國主導的全球無人機市場中，重新奪回主動權並重塑國防採購模式的關鍵戰略手段。

美軍加速部署低成本無人機策略

過去十年，美軍的裝備採購往往傾向於高價、高科技且研發週期漫長的平台。然而，烏克蘭戰場的實戰經驗揭示在高強度的戰場環境中，無人機已成為一種高度消耗性的物資，數量優勢往往比單機性能更具威懾力。

因此，美國國防部開始轉向大規模採用小型、低成本且可隨時拋棄的無人機系統。為了達成此目標，藍色無人機系統清單應運而生，成為美軍各軍種以及聯邦機構採購與部署無人機的重要安全清單之一。

這份清單的存在，極大地簡化了傳統繁瑣的軍事採購流程。透過預先篩選出一系列符合安全標準的商用現貨（Commercial Off-the-Shelf，簡稱 COTS）的無人機，基層部隊不再需要經歷漫長的個別審查流程，即可快速獲得可投入戰場的裝備。

根據最新進展，已有數十款型號通過了訓練用途審核，其中包含如 Shield AI 的 V-Bat、Skydio 系列以及 AeroVironment 的 Red Dragon 等指標性機種，更有近三十款無人機已通過更為嚴苛的作戰部署審核。

美國國防部的目標非常明確，他們要在短時間內將數以十萬計的低成本無人機送入前線，形成壓倒性的戰力規模，這也正是「無人機優勢計畫」（Drone Dominance Program）所追求的技術與數量雙重壓制。

供應鏈安全：從資安風險到國家戰略

在推動大規模部署的同時，美國國防部深知，若無人機系統的底層技術與供應鏈，仍掌握在潛在對手手中，那麼這種數量優勢將成為巨大的安全隱患。因此，供應鏈安全儼然已成為無人機政策的靈魂。

Blue UAS 計畫的評估標準極為嚴苛，涵蓋了法律合規性、網路安全漏洞，以及最重要的零件來源追蹤。這不僅僅是為了防止數據洩漏或遠端干擾等資安風險，更是為了應對中國在全球商用無人機市場中佔據近九成市場所帶來的憂慮。

美國白宮的決策者們意識到，中國隨時可能透過出口管制，限制如馬達、電路板或關鍵偵測器等核心組件的供應。一旦發生衝突，若美軍的無人機生產高度依賴外部供應鏈，其戰力將在瞬間癱瘓。

因此，Blue UAS 清單扮演了「供應鏈過濾器」的角色，確保核准的系統符合《國防授權法》（NDAA）中關於外國實體限制的規定。透過這種方式，國防部正在強行切割與高風險供應鏈廠商的聯繫，試圖在美國本土及盟友體系內建立一個封閉且安全的生態系。

無人機要做到「全美製」是大挑戰

不過，美國無人機產業在脫離中國供應鏈的過程中，面臨著極大的成本與產能壓力。一個令人感到尷尬的事實是，即便是在 Blue UAS 清單上的許多核准系統，其內部零件，尤其是馬達等被視為「啞零件」（dumb components）的硬體，目前仍有相當比例源自中國。雖然專家認為馬達本身較不涉及間諜活動風險，但其背後的供應韌性問題一樣令人擔憂。

目前，美國本土生產的無人機零件不僅成本遠高於亞洲產製品，產能規模也遠不足以支撐「無人機優勢計畫」所需的數十萬架產出。倘若全球貿易發生中斷，美國的無人機生產線可能會立即陷入停滯。

因此，像美國小型無人機系統（sUAS）零件製造商 NW Blue 這樣的企業在清單中的地位顯得格外重要；他們提供的 Cube Orange+、Here4 導航系統等符合 NDAA 規範的關鍵組件，正成為系統集成商建構「全美製」或「去中國化」系統的基礎。

不過，如何提升這些本土零件的規模經濟，進而降低整體採購成本，仍是美軍在短期內難以完全克服的挑戰。

國防版本亞馬遜電商，採購合格零件像在網購

為了突破產能與技術瓶頸，美國國防部正藉由「Blue UAS」計畫推動一場採購革命。這場變革最顯著的標誌是管理權責的轉移，2026年，該計畫由專注於創新的國防創新單位（DIU）移交給負責大規模生產監管的國防合約管理局（DCMA）。這一轉向象徵著「藍色無人機」已從實驗性的試點計畫，正式進入國防部的常規採購體系與物流命脈。

DCMA 的目標是建立一個像是國防版本亞馬遜電商，讓政府人員能像網路購物一樣，直覺且快速採購合格零件。

此外，「無人機優勢計畫」下的競爭性測試，如在喬治亞州舉行的「Gauntlet」測試，正吸引著大量新創企業、國防工業巨頭甚至烏克蘭的實戰軟體開發者參與。這種採購模式不再是長達十年的研發合約，而是以「月」為單位的快速迭代。

透過小額採購原型、頻繁的實彈測試與即時的反饋修正，國防部鼓勵企業不斷優化技術，並透過競爭來汰弱留強。這種模式不僅加速了技術轉化，也為本土無人機基礎設施商提供了持續的訂單動能。

美軍面對的主要問題：成本高昂、產能不足

總結來說，美國國防部推動「藍色無人機系統」與相關策略，反映了現代戰爭邏輯的轉變。首先，無人機已成為消耗性戰力的核心，美軍的戰略重心正從追求極致性能的國防武器，轉向追求規模化且低成本的系統。

可以將此想像是，國防工業必須具備如同消費電子產業般的快速生產與迭代能力。

其次，國防科技的競爭早已走出實驗室，延伸到了供應鏈端。零件的來源地不再僅是成本考量，而是關乎戰爭背後的潛在風險。

儘管美國正透過採購改革、建立 Blue UAS 官網市場以及大規模資金投入（兩年內預計投入超過 10 億美元）來催生本土生態系，但如何在維持供應鏈高度安全的同時，解決成本高昂與產能不足的關鍵問題，將是未來幾年美軍能否真正實現「無人機優勢」的最嚴峻考驗。

【推薦閱讀】

◆ 資安工具買越多越不安全？64% 受訪專家：放棄最佳單品堆疊，整合平台才是最佳解
◆ CISO 不只是技術頭，為何資安領導者須學會解讀營收來源與擴張佈局？
◆ 8 分鐘奪取 19 個 IAM 權限！當駭客不攻防火牆，而是拿著鑰匙走進來

＊本文開放合作夥伴轉載，參考資料：《UAS》、《BusinessInsider》，圖片來源：U.S. DepartmentofWar

（責任編輯：鄒家彥）

致力於定義機器人下一個十年的 AI Robotics 領導者達明機器人，於 NVIDIA GTC 2026大會中展出與雲達科技（QCT）及NVIDIA 的最新策略合作成果 。達明機器人同步宣告 2026 年全新品牌策略「See · Think · Act — Powered by AI Robotics」，透過整合協作手臂與人型機器人的雙引擎架構，展現從智慧製造邁向 Physical AI 的技術突破 。

此次展出的最大亮點，為達明機器人全新開發的人型機器人平台 TM Xplore I 。該平台結合人形上半身與輪式行動底座，具備高度穩定性與靈巧操作能力 。TM Xplore I 搭載達明「See, Think, Act」核心技術，並由 NVIDIA Jetson Thor 模組驅動，支援高性能邊緣 AI 運算 。透過導入 Vision-Language-Action（VLA）多模態模型，TM Xplore I 能夠進行多模態感測器融合、生成式 AI 推理與自主導航，快速適應半導體製程、電子組裝及汽車製造等需要高精準度的複雜自動化任務 。同時，達明機器人也擴大導入 NVIDIA Isaac Sim 及 NVIDIA FoundationStereo 技術。透過在高度擬真的數位分身中模擬作業流程，機器人可在實際部署前先行驗證複雜的運動路徑，並確保具備高度精準的深度感知能力。

達明機器人營運長黃識忠表示：「身為定義未來十年 AI 機器人的領導者，達明機器人透過與雲達科技的合作，加速了 TM Xplore I 的開發進程 。憑藉我們在 AI 協作機器人及人形機器人領域的專業、以及經由 NVIDIA Jetson Thor 與 NVIDIA Isaac GR00T 訓練所獲得的靈巧度，我們正將實體 AI 從數位分身推進到實際運作。本次合作將為高價值製造業帶來前所未有的生產力。」

GTC 26 大會期間，達明機器人邀請業界先進蒞臨 1331 號攤位，親自體驗 TM Xplore I 的創新應用 。現場參觀者可直接向機器人點單，TM Xplore I 會將指定杯墊精準遞送給客戶，讓與會者親身體驗並見證雲達科技、達明機器人與 NVIDIA 共同打造的新一代實體 AI 合作成果。

（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。）

在 GTC 2026 黃仁勳的專題演講尾聲，出現一位意想不到的來賓：會走路、會對話的《冰雪奇緣》 Olaf （雪寶）機器人。這個機器人運行在 Jetson 平台上，並在 Omniverse 裡學會走路，隨後透過整合進 Newton 物理引擎的 NVIDIA Warp 框架，成功適應真實的物理世界，成為 NVIDIA 對外展示實體 AI （Physical AI）的一個具體樣貌。

Olaf 的登場，讓外界更容易理解 NVIDIA 所說的 AI，未來將不只存在於雲端或手機裡，而是會進一步嵌入機器人、汽車等實體載具中，具備感知、理解、做出反應的能力，並真正走進真實世界進行導航、互動與行動。

NVIDIA 端出機器人時代完整技術堆疊

「實體 AI 已經到來，每一家工業公司都將成為機器人公司，」黃仁勳說。由於機器人正從特定任務機器，走向具備適應能力的通才系統，因此需要更接近人類的推理、感知、決策與自主行動能力。

為了迎接這項趨勢，NVIDIA 正試圖為機器人時代建立技術堆疊與基礎。《The Deep View》指出，NVIDIA 並沒有自己下場製造硬體，而是透過提供世界模型（World Models）、模擬框架（Simulation Framework）與人形模型（Humanoid Models），讓自己成為整個機器人生態系共同依賴的基礎層。

對應這項核心目標，NVIDIA 宣布推出新的 Cosmos world models、Isaac simulation frameworks 與 Isaac GR00T N models，目的是加速機器人從開發、訓練到部署的整體流程。這次推出的多個實體 AI 基礎模型中，包含用於複雜環境導航的 Cosmos 3，以及面向人形機器人（humanoid robots）、被官方稱為「可商業化部署於真實世界」的 Isaac GR00T N1.7。

在實際應用與落地上，NVIDIA 目前正將 Cosmos 3 用於訓練實體 AI 系統，並以 GR00T N1.7 來擴大人形機器人部署。目前 GR00T N1.7 已進入提供商業授權的搶先體驗階段，正朝著可投入生產的機器人部署加速邁進。黃仁勳也在演講中預告了基於全新「世界動作模型（world action model）」架構的下一代機器人基礎模型 GR00T N2，預計於今年底推出。此外，為促進開源社群創新，NVIDIA 更宣布與 Hugging Face 達成合作，將 Isaac 與 GR00T 整合進 LeRobot 開源框架，藉此連結全球千萬名 AI 開發者。

更多 GTC 相關報導，歡迎閱讀：【TO 展會特輯】透視 NVIDIA GTC 2026

NVIDIA 聯手機器人大廠，推動工業機器人從虛擬調機走向真實部署

黃仁勳在演講中特別點名，ABB Robotics、Universal Robots 與 KUKA 等機器人企業，正與 NVIDIA 展開深度合作，並結合實體 AI 模型與仿真系統，共同推動機器人在全球製造產線中的落地應用。

在具體的合作與開發環節上，擁有超過 200 萬台機器人安裝基數的 FANUC、ABB Robotics、YASKAWA 與 KUKA 等大廠，正把 Omniverse 函式庫與 Isaac simulation frameworks 整合進虛擬調機方案中。這使得他們能以具備物理精準度的數位孿生來開發、驗證複雜的機器人應用與整條產線。

在完成虛擬環境的驗證後，為了在實際生產線上提供進階的智慧功能，這些機器人公司也正把 Jetson 模組整合進機器人的控制器中，讓工廠產線具備邊緣即時 AI 推理的能力，真正實現從開發模擬到終端部署的完整升級。

除了工業自動化，NVIDIA 的實體 AI 也正積極擴展至醫療保健領域。例如 CMR Surgical、嬌生（J&J MedTech）與美敦力（Medtronic）等醫療設備巨頭，正利用 NVIDIA 的 Cosmos、Isaac Sim 與 IGX Thor 系統，為手術機器人提供符合最高安全與法規標準的精準度驗證。

自駕車迎來「ChatGPT 時刻」，4 大車廠加入 NVIDIA 平台

「自動駕駛的 ChatGPT 時刻已經到來，」談到自動駕駛，黃仁勳宣布，比亞迪（BYD）、現代（Hyundai）、日產（NISSAN）與吉利（Geely）等四家新合作夥伴，正式加入 NVIDIA 的 Robotaxi-Ready 平台，再加上通用（GM）、賓士（Mercedes）與豐田（Toyota）等平台原有成員，陣容進一步壯大。

為支援龐大的自駕生態系，各大車廠正迅速導入 NVIDIA 的技術，例如 BYD、Geely、Isuzu 與 Nissan 正在 NVIDIA DRIVE Hyperion 平台上打造支援 Level 4 的自駕車。DRIVE Hyperion 是一套整合運算、感測器、網路與安全系統的標準化參考架構，可協助車廠與移動服務供應商加快驗證流程並簡化全球部署策略。

除了硬體平台，AI 推理模型也是自駕技術的關鍵大腦。這次，NVIDIA 也推出 Alpamayo 1.5，這是一款用於自駕車的推理 VLA 模型，可接受駕駛影片、導航指引與自然語言提示作為輸入，再轉化為駕駛軌跡，幫助開發者追蹤車輛行為並建立安全護欄。

為確保推理車輛的安全性，NVIDIA 更同步推出 Omniverse NuRec，這是一套基於 3D 高斯散射（Gaussian Splatting）的技術，能建立高保真度模擬，讓自駕開發商免去手動建構虛擬世界的時間與成本，可以直接在模擬中針對極端案例進行壓力測試。

NVIDIA 攜 Uber 把 Robotaxi 平台推向全球部署

黃仁勳在演講中宣布，NVIDIA 與 Uber 達成重大合作，將在多個城市部署並接入 RoboTaxi 車輛，打造全球最龐大的自動駕駛叫車網路之一。具體來說，Uber 將在 2028 年前，於 28 座城市與四大洲推出完全由 NVIDIA 的全端自駕軟體驅動的自駕車隊，並於 2027 年上半年先從洛杉磯與舊金山灣區開始部署。這支由 DRIVE Hyperion 驅動的車隊，將進一步結合 NVIDIA Alpamayo 開放模型與新推出的 Halos 作業系統，以加速全球安全且可擴展的 Robotaxi 服務部署。

此外，Bolt、Grab 與 Lyft 等移動服務領導品牌也正利用 DRIVE Hyperion 推進自主移動計畫。另一方面，TIER IV 與五十鈴（Isuzu）也正利用 DRIVE Hyperion 內建的 NVIDIA DRIVE AGX Thor 系統單晶片，合作開發 Level 4 自動駕駛巴士，進一步將自駕技術往更多元的商業化與大眾運輸場景推進。

實體 AI 正在規模化落地，自動駕駛、工業機器人、人形機器人共同構成物理 AI 的下一個重大機遇。從工業機器人加速走向產線落地，到自駕平台擴軍、Robotaxi 邁向全球部署，NVIDIA 要搶占的，不只是 AI 算力時代的核心位置，更是實體 AI 真正進入真實世界後的底層平台主導權。

想了解更多 NVIDIA GTC 相關動態？《TechOrange》展會特輯帶你一手掌握：
【TO 展會特輯】透視 NVIDIA GTC 2026

＊本文開放合作夥伴轉載，參考資料：《The Deep View》、《ZDNET》、《CNBC》、NVIDIA 1、NVIDIA 2，圖片來源：NVIDIA

全球半導體領導廠商恩智浦半導體（NXP Semiconductors N.V.; NASDAQ：NXPI）宣布推出創新機器人解決方案，提供可靠、安全的實時資料處理與傳輸，以及先進網路連接功能，實現感測器融合、機器視覺與精密馬達控制。此為恩智浦基礎機器人解決方案系列的首款產品，該即時部署（ready-to-deploy）解決方案由恩智浦與 NVIDIA 合作開發，整合 NVIDIA Holoscan Sensor Bridge（HSB）與恩智浦高度整合的系統單晶片（SoC），能有效減少離散元件（discrete component），大幅縮小佔用空間、降低功耗與成本，同時簡化機器人，包括人形機器人感測與驅動的軟體複雜度。

實體 AI（physical AI）是下一個創新領域，其系統能夠精準、可靠且安全地感知、解讀並與周遭環境互動。人形機器人（humanoid robot）是實體 AI 最先進的表現形式之一，需要在機器人全身進行安全、可靠、低延遲的資料處理與傳輸，以實現同步運動、高密度感測器融合與先進驅動控制。

恩智浦全新整合式機器人本體解決方案直接應對這項挑戰，提供強大的邊緣智慧與低延遲網路，實現安全可信賴的實時通訊。這些解決方案將 NVIDIA Holoscan Sensor Bridge 無縫整合至恩智浦的軟體支援環境，讓開發人員能夠輕鬆實現實時處理，並在機器人本體與機器人大腦的預設區域之間建立直接傳輸路徑，大幅降低延遲，顯著簡化將 AI 導入實體世界的挑戰，而實時決策正是其中的關鍵需求。

恩智浦半導體執行副總裁暨安全連結邊緣事業部總經理 Charles Dachs 表示：「實體 AI 正在重新定義機器在真實世界的能力，而人形機器人則是這場變革最複雜的表現。透過將恩智浦在邊緣處理、安全網路、功能安全與實時控制領域的深厚專業知識，與 NVIDIA 機器人平台相結合，我們大幅簡化實體 AI 的開發流程，實現實體 AI 邊緣端與中央大腦之間的無縫連接，這僅是恩智浦加速實體 AI 生態系統發展的開始。」

NVIDIA 機器人暨邊緣 AI 副總裁 Deepu Talla 表示：「自主機器的開發需要高效能運算架構，能夠將複雜的馬達控制與實時感知同步協調，透過將 NVIDIA Holoscan Sensor Bridge 整合至其邊緣產品組合，恩智浦為開發人員提供可擴展的基礎，以加速實體AI的部署。」

恩智浦與 NVIDIA 的合作，有助於定義全身人形機器人（full-body humanoid robotic）的統一架構。恩智浦的邊緣處理器、馬達控制 MCU、車規級網路技術、透過收購 Aviva Links 獲得的高吞吐量非對稱資料傳輸能力，以及基於數十年汽車產業經驗的功能安全專業知識，結合 NVIDIA AI 基礎設施，共同為下一代機器人打造靈活、節能的系統架構

恩智浦機器人產品組合首批支援 Holoscan Sensor Bridge 的解決方案，包括基於 i.MX 95 應用處理器的機器視覺解決方案，可將高頻寬資料傳輸至機器人大腦；以及基於 i.MX RT1180 跨界MCU運動鏈（kinematic chain）的馬達控制解決方案，透過恩智浦 S32J TSN 交換器彙整後直接連接至大腦。此馬達控制解決方案內建支援EtherCAT®與TSN等主流工業通訊協定。這些靈活且軟體驅動的解決方案高度整合，可在不犧牲效能、安全性與資訊安全的前提下，有效縮減尺寸、降低功耗與成本，為全身人形機器人設計提供完整、可擴展的基礎。

這些解決方案將於2026年上半年正式上市。更多相關訊息，請參閱：NXP.com/HSB-Solutions。

（本文訊息由恩智浦半導體提供，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：恩智浦半導體。）

在 AI 技術的快速發展下，近期人工智慧的範疇已逐步發展至物理 AI（Physical AI）以及具身 AI（Embodied AI）與真實世界作互動應用，然而要實現科幻電影中機器人融入家庭的場景，現實存在許多挑戰需要克服，而「安全」的考量最為關鍵。

NEXCOM 新漢集團自 2020 年起啟動機器人功能安全產品認證流程，並於 2024 年正式通過德國萊因認證，是目前業界少數提供一站式機器人功能安全方案的廠商。作為 NVIDIA IGX Thor 平台中提供「功能安全」與即時運動控制的廠商，本周於 GTC 大會上正式發表首款基於 NVIDIA IGX Thor 人型機器人開發套件，透過 NVIDIA 架構下的超高 AI 運算力結合新漢自研多項機器人關鍵技術，協助人型機器人開發商推進量產時程。

針對人型機器人開發商提供一站式模組化設計 整合 AI 運算、高速通訊、Real-time 運動控制、散熱以及功能安全（functional safety）與資訊安全（cyber security），大幅縮短開發時程、並提升各類型機器人運作效能

要打造一具高效、反應即時且動作可擬人自然的人型機器人，當中牽涉多層複雜的多平台整合，包括 AI 運算、5G/Wi-fi 高速通訊、Real-time 運動控制、機構散熱以及功能安全與資安等多領域技術，現有開發商往往在單一功能的軟硬體整合調校已緩慢費時，遑論要獨立打造出一台功能完備的整機系統。

NEXCOM 新漢此次與 NVIDIA 合作，採用 NVIDIA 最新針對機器人開發的 NVIDIA IGX Thor 平台推出 MARS400 T20，在額外搭載 RTX Pro 6000 Blackwell Max‑Q 工作站版本後，可支援高達 5,581 FP4 TFLOPS 的強大運算力，並以模組化設計將新漢自研的 Real-time 功能安全系統、機器人運動控制系統、以及 AI 應用軟體整合其中，並提供一站式顧問服務，包括人型機器人佈線設計、系統散熱技術、實時運動通訊、大小腦功能安全與資安整合、以及 AI 視覺軟體等完整服務，協助機器人整機製造商快速打造高效且安全的機器人。

人型機器人何時走入家庭?

AI 與機器人技術的結合正快速改變產業的現況，根據摩根士丹利（Morgan Stanley）2025 年最新報告預測，全球人型機器人總數將於 2050 年突破 10 億台。NEXCOM 新漢 2024 年已取得德國萊因功能安全認證（TÜV Rheinland），是目前業界極少數以模組化平台取得「機器人功能安全認證」的公司，其產品符合國際對於功能安全標準所制定的 EN 61508 標準、以及 EN ISO 13849-1 國際認證標準，專為各類機器人包括 AMR、機器狗、輪型機器人、以及人型機器人打造功能安全與資安方案。透過深化與 NVIDIA 的合作並結合新漢自有的機器人安全技術，新漢將持續致力於協助產業加速人型機器人安全走入家庭的時程。

（本文訊息由 NEXCOM 新漢集團提供，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：NEXCOM 新漢集團。）

亞洲最佳解決方案合作夥伴益登科技（TWSE: 3048）第三度參與 NVIDIA GTC，今年以「From AI to Action: Physical AI in Motion」為主題，攜手生態系夥伴展示 AI 運算平台、關鍵零組件與系統整合成果。益登科技於 Booth #242 展出採用 NVIDIA Jetson 軟硬體資源的 Physical AI 與機器人方案，呈現 AI 技術在智慧醫療、視覺辨識與語音理解等多元領域的開發與落地，展現其串聯 AI 生態系並加速產業創新的整合能力。

益登科技（EDOM Technology）於 GTC 展會中計劃展示多項結合 Physical AI 與邊緣運算的創新應用。隨著 NVIDIA Jetson Thor 系列模組推出 AI 推理與控制架構得以整合於單一系統，為即時閉環控制與多模態感測提供高效能運算基礎，加速多模態智慧機器人的實際落地。

在機器人互動展示方面，益登攜手安格科技（Algoltek）展出「Dexterous Hand AI」，透過 4D AI Vision 技術與視覺動作模型，即時辨識與預測觀眾手勢並做出對應動作，展現低延遲 AI 推論與即時回饋能力，同時呈現從虛擬模擬到實體部署（Sim-to-Real）的完整流程。此外，益登亦與耐思尼（Nexuni）合作展示「AI Workforce: Embodied Intelligence」，透過 NVIDIA Thor 平台實現少量樣本學習（Few-shot Learning）的雙臂機器人操作。並示範家務服務機器人完成辨識、抓取與織物折疊的完整流程。由於布料屬於高度可變形物體，其操作涉及複雜的視覺理解、狀態估計與雙手協調控制，透過 Jetson Thor 邊緣 AI 推理與即時動態路徑修正，系統可在折疊過程中持續調整動作，提高操作成功率與穩定度，展現 Physical AI 在智慧製造、人機協作與服務型機器人領域的應用潛力。

在企業 AI 與智慧生技應用方面，益登科技攜手奎景運算科技（Avalanche Computing）展示「Secure Offline Generative AI」平台，結合企業級私有 LLM 與即時語音智慧技術，可於 NVIDIA Jetson 邊緣平台運行，支援離線部署的低延遲語音辨識與語意分析，使生成式 AI 能在高安全需求的企業環境中實現即時互動。同時，益登科技亦與翊芯科技（CyteSi）合作展示「Software-Defined Wet Lab」AI 生物實驗室自動化平台。CyteSi 的 EWOD 技術可透過數位方式精準控制微液滴，支援 NGS 樣本製備、藥物研發與合成生物學等流程。系統以 NVIDIA Jetson 為邊緣運算核心，整合Japan Display Inc.（JDI）製造的生物晶片與即時影像分析能力，提供直覺化操作介面與高效率實驗流程，推動 AI 在智慧生技研究與自動化實驗室中的應用發展。

此外，益登科技亦將展示「NVIDIA Jetson Thor Peripheral Ecosystem」，整合多項 EDOM 認證周邊元件，包括高速儲存、Wi-Fi 6/6E 與 5G 通訊模組、GMSL 與 MIPI 相機、10G 高速網路、感測器、相機模組與高速 I/O 介面，協助開發者快速建構次世代機器人與 Physical AI 系統。透過完整的硬體整合與平台支援，益登科技協助機器人開發商加速產品設計導入與量產，加速 Physical AI 與 Jetson Thor 生態系發展。

益登科技執行長暨總經理于俊潔(Jeffrey Yu)表示：「Physical AI 的關鍵不僅在於運算效能，更在於完整的軟硬體整合與生態系協作。透過 NVIDIA 三部電腦架構與 Jetson Thor 平台，我們協助客戶從模型訓練、模擬驗證到邊緣部署，建立可規模化、可量產的一站式 AI 解決方案。」他進一步指出，益登不僅是硬體供應商，更致力於整合周邊模組、AI 軟體框架與合作夥伴資源，協助企業加速導入 AI 與機器人技術。

益登科技誠摯邀請產業先進、開發者與合作夥伴蒞臨 Booth #242 參觀交流。同時歡迎您關注益登產品總監 Wilson Yen 於 GTC 大會現場發表的主題演講，演講深入探討益登如何結合 NVIDIA「三部電腦」架構，協助企業將 AI 模型轉化為實際落地應用，涵蓋電腦視覺、機器人以及邊緣 AI 等關鍵領域，邀請您將此場分享加入您的 GTC大會個人議程，一同體驗從 AI 到實際行動的 Physical AI 創新成果，共同探索智慧機器人與邊緣 AI 的未來發展。立即透過益登專屬連結報名，即可享有 GTC 大會專屬優惠方案。

（本文訊息由益登科技提供，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：益登科技。）

台灣廠商積極切入 AI 機器人供應鏈，在今年 NVIDIA GTC 展會上展示不少機器人相關解決方案，要加速 NVIDIA 執行長黃仁勳口中的「實體 AI」（Physical AI）落地，讓 AI 代理（AI Agent）從虛擬走向物理世界。

以下盤點鴻海、達明機器人、新漢、研華、英業達與益登等 6 家亮點廠商，在本次 GTC 的機器人相關技術布局。

鴻海：首度揭露在美工業級人形機器人細節

鴻海今年陣仗龐大，參與 GTC 代表團規模較去年倍增，共有超過百位高階主管、工程師與科學家參展，分享 AI 工廠與實體 AI 的最新技術進展。這也是鴻海首次在美國公開其與 NVIDIA 合作開發的 AI 工業人形機器人細節。

鴻海在攤位與多場 GTC 專題場次中，展示其機器人如何在工業製造場域中自主執行取放、鎖螺絲與物料搬運等高精度、重複性任務的能力。鴻海表示，這些機器人透過模擬與實際工廠資料訓練，並結合 NVIDIA Isaac GR00T、NVIDIA FoundationPose、NVIDIA Isaac Sim 與 NVIDIA Jetson Thor 等工具，加速部署與跨場域的規模化導入。

在鴻海展出的整合式醫療 AI 生態系中，也可看見機器人解決方案的身影。鴻海聚焦四大臨床應用領域，包括刷手護理協作型機器人、大腸鏡 Agentic AI、心血管數位孿生（Digital Twins），以及乳癌多模態精準治療，要讓醫療 AI 從單一模型應用，進化為代理式 AI 醫療系統。

達明機器人：發表全新人形機器人平台 TM Xplore I

廣達旗下廣明子公司達明機器人此次在 GTC 的焦點，是其新一代人形機器人平台 TM Xplore I。該平台採用「上半身人形＋輪式底盤」設計，強調在穩定移動與精細操作之間取得平衡。技術上，系統搭載達明「See, Think, Act」核心技術，並由 NVIDIA Jetson Thor 模組驅動，結合 Vision-Language-Action（VLA）多模態模型，使機器人能整合視覺、語言與動作資訊，執行較複雜的自動化任務。

在開發流程上，達明也擴大導入 NVIDIA Isaac Sim 及 NVIDIA FoundationStereo 技術，讓機器人能在虛擬環境中先行驗證作業流程，再進行實體部署，降低實際導入風險。整體來看，達明的布局顯示，協作機器人廠商正逐步往人形機器人與多模態 AI 能力升級。

新漢：從「功能安全」切入人形機器人開發平台

相較於機器人本體廠商，新漢從「功能安全」、「模組化」切入，強調安全是機器人走入家庭場景的重要考量，並認為現階段人形機器人開發的痛點之一在於多平台整合，因為現有開發商往往在單一功能的軟硬體調校已緩慢費時，更別說要獨立打造一台功能完備的整機系統。

因此這次在 GTC，新漢展示首款基於 NVIDIA IGX Thor 平台的人形機器人開發套件，整合 AI 運算、高速通訊、即時運動控制、散熱，還有大小腦功能安全與資安整合機制，並以模組化方式提供整機開發所需的核心功能，目標縮短開發時程、提升各類型機器人運作效能。新漢也強調，其產品已取得 TÜV Rheinland 功能安全認證，並符合 EN 61508 與 EN ISO 13849-1 等標準。這類定位顯示，在機器人產業鏈中，推進安全與讓系統整合更加快速正成為關鍵門檻之一。

研華：邊緣 AI 平台支撐機器人感知與醫療應用

研華此次展示重點，放在邊緣 AI 平台與實際應用場景。在機器人領域，研華推出採用 Jetson Thor 等技術的平台，支援物件辨識、距離估測、姿態追蹤與 VSLAM 等功能，協助機器人建立環境感知能力，讓開發者快速建構應用。研華表示，部分平台已導入人形機器人應用場景。

在醫療領域，研華則展示低功耗醫療 AI 主機板與醫療設備整合方案，支援執行即時手術器械異常偵測、器官分割及 AR 影像疊加，且無需額外 GPU 模組。研華也展出以 NVIDIA IGX 打造的醫療級產品，透過多模態感測資料融合與邊緣 AI 運算能力，支援 AI 輔助手術、術中影像分析、內視鏡影像分析與機器人手術導引等應用。整體來看，研華的角色更偏向邊緣運算平台供應商，協助各類機器人與設備快速導入 AI。

英業達：打造「模擬到實體」的機器人系統整合能力

英業達此次展出多款機器人系統，強調從模擬到實體部署（Sim-to-Real）的整合能力。其中包括雙臂機器人 iTwin、四足機器人 iScout 與自主移動載具 iUGV，並透過 Isaac Sim 等工具進行模擬與驗證。其雙臂機器人主打高精度操作，應用於精密製造場景。

在系統層面，英業達整合 Omniverse、MGX 伺服器與車隊管理系統，建立從模擬、控制到實際運行的閉環架構。這也反映出，系統整合與模擬能力，正成為機器人導入的關鍵之一。

益登科技：串聯生態系，聚焦即時推理與互動能力

益登科技則以系統整合與生態系合作為主軸，展示多項機器人應用。其中包括結合視覺與動作模型的「Dexterous Hand」系統，可即時辨識手勢並進行互動，展現低延遲推理能力。

另一項展示為雙臂機器人操作布料便是、抓取與折疊，強調透過 Jetson Thor 平台邊緣 AI 推理與即時動態路徑修正，可處理高度變形物體。益登科技的展示重點，在於如何整合 Jetson 平台與合作夥伴技術，加速從模擬到實際應用的落地。

台廠角色浮現：從硬體供應走向系統與場域整合

從本次 GTC 可以觀察到，台灣廠商在 AI 機器人供應鏈中的角色，正從傳統硬體製造，延伸至更完整的系統能力。不同廠商分別卡位 AI 基礎設施與系統整合、機器人本體與多模態 AI、功能安全與控制系統、邊緣運算平台，以及生態系整合與應用落地。這些能力共同構成實體 AI 所需的關鍵模組，未來，台灣能否在實體 AI 時代持續擴大角色，或將取決於在系統整合與應用落地能力的深化程度。

想了解更多 NVIDIA GTC 相關動態？《TechOrange》展會特輯帶你一手掌握：
【TO 展會特輯】透視 NVIDIA GTC 2026

＊首圖來源：鴻海官網

在 NVIDIA GTC 2026 上，執行長黃仁勳長達近兩個半小時的主題演講，釋出大量 AI 基礎設施與實體 AI（Physical AI）相關訊號。對於台灣 AI 機器人與邊緣 AI 業者而言，這更牽動著未來產業的發展方向。

在展會期間，《TechOrange》專訪邊緣運算與 AI 機器人公司新漢董事長林茂昌，從台廠角度解讀這場演講的關鍵意義，以及 AI 產業鏈的下一步。

NVIDIA「兆元美金營收」及「百萬倍 Token 需求」的意義

林茂昌對於黃仁勳提到的兩大數據印象最為深刻，首先是 NVIDIA 未來的 AI 晶片營收將達到「兆元美金」的規模；其次是隨著 AI 從訓練走向推理，未來市場對於 Token 的消耗量將產生「百萬倍」的需求成長。此外，他也對新一代 Vera Rubin 晶片模組的強大功能與快速迭代感到驚嘆。

然而，林茂昌務實指出，雲端 AI 服務、大型語言模型（LLM）的軍備競賽並非台灣強項，但是無論雲端大廠誰輸誰贏，都必須仰賴台灣的半導體先進製程與伺服器生態系，因此台灣目前在 AI 浪潮中扮演的是不可或缺的供應鏈角色。不過他強調，如果台灣要從供應鏈走向「價值鏈」，關鍵在於 AI 的實際應用與邊緣 AI。

林茂昌點出，雲端 AI 雖然強大，但若沒有廣大的邊緣 AI 來支撐，整個 AI 產業鏈將無法永續發展。具體原因包含：首先，雲端 AI 模型目前多以低價爭取普羅大眾的流量，尚未創造實質獲利，因此必須與企業端的邊緣 AI 接軌，進而讓雲端服務商獲得回報並持續發展。第二，現實世界中的作業現場如智慧工廠需要產業專業知識，必須仰賴開發者將小型化的語言模型結合垂直領域 know-how，才能成就各種特定場域的邊緣 AI 應用。

這也是為什麼 NVIDIA、AMD、高通、英特爾等大廠也在積極搶進邊緣 AI 領域。林茂昌點出了整條 AI 產業鏈的連動關係：「雲（端 AI）這邊的功能越強、投資越大，就越需要邊緣 AI 來支援。」

從「全知但無法行動」到實體 AI：AI 正跨出關鍵一步

「實體 AI」是黃仁勳演講的另一大重點。林茂昌形容，目前的雲端大型語言模型雖然極度聰明、幾乎是「全知」，但就像是被困在籠子裡，缺乏感知外在物理環境與自主行動的能力。因此，業界高度期盼實體 AI 與人形機器人的發展，透過結合物聯網技術來感知環境並做出互動，讓 AI 的決策能直接化為真實世界的行動，達到「知行合一」的境界。

他觀察，這股趨勢已經在快速進化。在機器人平衡與控制方面，中國已在 2026 年春晚中展現了完善的運動能力，即便背後沒有 AI 的成分、是 pre-programming（預先寫好程式碼）；在 AI 決策方面，美國也已有業者如 Figure AI 展示可自主動作的機器人，「雖然（進度）還是簡單緩慢，但是已經開始了就會越來越快，而且會越來越好。」

不過，目前多數 AI 機器人演示仍發生在高度控制的環境中，例如表演場域或預先設計好的場景。林茂昌認為，機器人要深入人類的工作與生活，功能安全與資訊安全是不可或缺的設計前提。他更提及，人形機器人的結構更加複雜，更需不同規格的安全控制設計，「光是兩隻手可能就要三十個關節，如加上全身的關節，可能就有四五十個。」因此，安全性成了新漢切入 AI 機器人產業的重點，也是此次在 GTC 大會的展出主軸。

展望未來，林茂昌預期 AI 機器人將率先於高度結構化的工廠落地，充滿變數的家庭環境則是最終階段。針對黃仁勳宣示「實體 AI 已經到來，每一家工業公司將成為機器人公司」的願景，他也樂觀預期 AI 機器人將像網際網路、智慧手機或生成式 AI 一樣普及，「未來的每一家公司不必然是技術研發者，但必定是技術使用者。」這也意味著，AI 的下一波戰場將不只是發生雲端模型，而是延伸到實體世界的應用場景。

想了解更多 NVIDIA GTC 相關動態？《TechOrange》展會特輯帶你一手掌握：
【TO 展會特輯】透視 NVIDIA GTC 2026

＊首圖來源：新漢