具物理常識、又有沙盒可以練功， 實體 AI 可望成製造業下一條護城

過去 2 年，大眾對 AI 的討論幾乎都局限在「螢幕內」。這讓占台灣經濟命脈的製造業、半導體與硬體供應鏈，多少有一點疏離。然而，在台灣高度密集的製造現場中，經理人們看著這台心智跑車，心中不免疑惑：ChatGPT 雖然會寫詩、改程式、做精美的投影片，但它能幫我搬運工廠的原物料嗎？能幫我解決產線的製造瓶頸嗎？

過去 30 年，台灣靠著極致自動化稱霸全球供應鏈。高效率的背後，仰賴精密設計的傳統治具、夾具，百萬量產而服務的剛性產線，強調標準化與確定性。然而，當今市場多為客製化需求，再加上循環經濟帶來的回收挑戰，暴露出傳統自動化的 3 個硬傷：

1.少量多樣的換線痛點：只要產品尺寸改變2公釐，整套硬體治具就必須重新設計、開模，甚至產線得停機。
2.無序物流的亂局： 傳統機械手臂是個「瞎子」，只會照著寫死的坐標抓取排好隊的工件。一遇到雜亂堆疊、反光或軟性材質，就立刻罷工。
3.逆向生產的終極惡夢：組裝新品是「確定」的，但要「拆解」一台報廢的中古馬達、或回收廢棄電子產品時，每一件的生鏽程度、螺絲滑牙位置都不同。傳統自動化對這種「高度隨機」的過程束手無策，只能依賴人工。

「世界模型」：空間智能賦予機器人物理常識

這一次 Physical AI 的崛起，關鍵在於 AI 終於透過「世界模型（World Models）」長出了理解物理世界的能力。AI 先驅李飛飛教授創辦的空間智能獨角獸 World Labs 在其技術白皮書中解釋，現代實體 AI 透過3種功能模組，讓機器人具備了應對隨機變局的「常識」：

• 渲染器（renderer）：負責「看懂並重構空間」，將 2D 影像轉化為可理解的 3D幾何與外觀結構，使機器人知道物體的位置、形狀與遮蔽關係。
• 模擬器（simulator）：負責「預測物理動態」。它理解牛頓力學、重力與摩擦力。例如面對生鏽的中古馬達，它能在拆卸前感知阻力，自主調配扭力，避免擰斷螺絲。
  3.規畫器（planner）：負責「決策與行動」。結合了 Google DeepMind RT-2 專案技術的 Vision-Language-Action (VLA) 模型 ，它能理解人類的語意，規畫出最合理的拆解路徑。

由這個分類看來，前Meta 首席科學家 Yann LeCun 提出的 JEPA，可在抽象空間進行預測，是屬於Planner 類型；NVIDIA 的 Cosmos，能模擬預測物件受力後的動態變化，則屬於 Simulator 類型。

數位孿生：時空沙盒作為實體 AI 的「修煉場」

不過，要將AI技術注入鋼鐵硬體中，還必須仰賴像是開源的 Gazebo 或是 NVIDIA Omniverse 平台。因為實體 AI 在真實工廠中直接碰撞、邊做邊學的代價太高。這類平台扮演了「時空沙盒」的角色，建構出符合真實物理法則的「數位孿生（Digital Twin）」世界。

在這裡，虛擬機器人可以在幾小時內進行數百萬次的「虛擬換線」、「無序包裹分揀」與「中古馬達拆解演練」。當 AI 在虛擬世界中摔了千萬次、修煉成精後，再透過 Sim2Real（虛擬轉實體） 技術，將世界模型的大腦無縫移轉到現場的實體機器人上。如何「縮小虛擬與實體之間的差異」，是當前極具挑戰且重要的領域，也是矽谷近期最熱門的投資題目。

這徹底扭轉了製造業的規則：我們不再需要為了適應新產品而製造剛性的「實體治具」，而是讓「軟體大腦」在虛擬世界中學會物理常識，自己去適應不同的物理物件。

這場實體AI的革命，將製造與物流從一成不變的自動化，推向具備彈性應變能力的「自主化」（Autonomy）。台灣擁有全球最完整的硬體供應鏈、感測器技術與精密機械產業，是發展實體 AI 最肥沃的土壤。當 AI 的競爭從「螢幕內」走向「螢幕外」，誰能擁有最真實、最豐富的「多模態營運數據」，比如機械手臂在不同材質上的運動軌跡、特定拆解場景下的感測器數據，並藉此餵養、微調出專屬的「世界模型」，誰就能在實體 AI 的下半場中，築起最難跨越的護城河。

參考資料:
- Dr. Fei-Fei Li, "From Words to Worlds: Spatial Intelligence is AI's Next Frontier," World Labs, 2025.
-World Labs Team, "A Functional Taxonomy of World Models: Renderers, Simulators, Planners, and the Loop That Connects Them," June 2026.
- Google DeepMind, "RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control," 2023.
- Yann LeCun, "Self-Supervised Learning from Images with a Joint-Embedding Predictive Architecture," Meta AI Research, 2023.
- NVIDIA, "Develop Custom Physical AI Foundation Models with NVIDIA Cosmos," 2026.
- 7[ Google DeepMind, "WeatherNext 2: Efficient and reliable AI-powered weather forecasting," ]62026.
- [8][ NVIDIA, "Building Physical AI with Digital Twins and OpenUSD on NVIDIA Omniverse,"]7 2025.

核稿編輯:張玉琦

延伸閱讀

人們需要的，不是會跳舞的機器人！台積電董座魏哲家如何定義 AI 與機器人的真正價值？
當送餐機器人上線，店長卻下線了？談餐飲業中階主管的「數位斷層」
加入《經理人》LINE好友，每天學習商管新知