2026年5月東京人形機器人高峰會上，一家國際顧問公司的合夥人展示一張實體AI（Physical AI）的全球勞動自動化市場潛力圖。回來後，我把同一家機構的智庫報告中關於數位AI（Digital AI）的職能分類，重劃成一張對應圖。2張圖最有意思的地方，不是整體潛在市場（TAM）規模相近，而是說的是同一件事：自動化總是先從「結構化」場域開始。過去2年，AI帶動的運算與供應鏈經濟規模快速成長，動力主要來自Digital AI：推論模型的token消耗、推論經濟的成形，加上AI代理（AI Agent）的興起。那麼，Digital AI的演進時程，也會是Physical AI的路徑嗎？先看第一張圖。Digital AI的市場版圖，核心原則清楚：任務愈規則化、資料愈密集，自動化愈快發生。以職能分類，差距顯著：財務、法律、行政領域有55%至65%的工作屬於高度可自動化範疇；軟體、研發、STEM領域約40%至50%；醫療、教育、管理領域則只有15%至25%。合約審閱、財務對帳、法遵查核，有明確的輸入輸出與可學習的歷史資料，數位代理人活在「已被結構化」的資訊環境裡。反觀主治醫師的臨床決策或管理者的組織判斷，牽涉情緒脈絡與權責，超出當前代理人的處理能力。Digital AI的邊界，是「非結構化判斷」的邊界。Physical AI的市場版圖，則以地理維度切分：以製造業高度密集的南韓、德國為代表，實體勞動中有65%至75%屬於高度結構化任務，涵蓋工廠產線、倉儲物流、重複性組裝；日本、中國、美國等混合型經濟體，這個比例約為40%至55%；以印度為代表、服務業與非正式勞動佔比偏高的經濟體，則只有10%至20%。這個地理切分，邏輯與Digital AI相同，只是「環境」從資訊空間換成實體空間：工廠的產線是被高度設計過的實體環境——固定的作業台、可預期的物件、重複的動作序列——對機器人來說是相對友善的場域。零售服務、建築工地、居家照護，面對動態、不可預測的實體情境，機器人的自主能力仍非常有限。2個版圖的邊界因此高度對稱：一邊是「非結構化判斷」，一邊是「非結構化實體環境」。換句話說：Digital AI把資訊世界結構化、智慧化，Physical AI再把實體世界結構化、行動化。2條路徑的不同，先出現在時程上。Digital AI已進入擴散期：本專欄〈推論經濟學〉與〈Token帳單之後〉追蹤過這個變化，推論成本已從每百萬token 30美元跌至1美元以下，但帳單不減反增，總用量的成長速度遠超單價下滑。市場研究機構預測，2026年底約40%的企業應用將整合任務型AI代理，從2025年不到5%的基礎一年內大幅跳升，是臨界點後的快速擴散。Physical AI這一邊，需求走在技術前面：製造與物流現場的缺工是剛性需求，4兆美元的潛在市場逐漸成形，但機器人在現場能穩定做到的仍然有限。2026年5月東京的人形機器人高峰會與6月維也納的ICRA，反覆出現的觀察是：當前被稱為「成功」的機器人部署案例，幾乎都是透過縮窄問題範疇來達成自主性，而不是真正解決泛化能力的問題。觸覺、Sim-to-Real、長時序規劃與世界模型的差距，本系列前幾篇已分別說明。這個需求與能力的落差，不代表方向錯了，而是時程不同：Digital AI的問題是「該在哪裡找到成長曲線」；Physical AI的問題是「該在哪裡確認成功案例」。這條時間差，有一條能力曲線可以量化比較。模型評估機構METR（Model Evaluation & Threat Research）的Time Horizon追蹤計畫，以「人類完成同一任務所需時間」衡量各世代模型能以50%成功率自主完成的任務複雜度。從2019年GPT-2只能處理約1至2秒的簡單任務，到2026年的新一代模型，可完成的軟體類任務時長已達16小時等級，依其估算約每7個月翻倍。以8小時（一個標準工作天）為參考線，近期模型已陸續越過，意味著數位代理人有機會從「加速執行」走向「獨立接手整天的工作」。這條指數曲線，目前只存在於數位世界：機器人要在實體環境中跨越數小時穩定完成複雜任務，所需的規劃深度、容錯能力與環境適應性，還需研究突破。Physical AI的慢，不只在模型能力，也在部署方式。數位代理人的導入本質上是軟體問題：API串接、資料清理、流程重新設計，從決策到運行快則幾週；失敗可以修正，持續迭代。Physical AI的導入是系統整合問題：場地改造、安全認證、與既有設備的整合，時程以年計，成本以千萬計。但是高門檻反而創造黏性：一家工廠花兩年把機器人整合進產線，不會因為競爭對手推出更好的軟體就輕易替換。兩者的差距，也體現在「驗證」這個環節。數位代理人的迭代迴路是：推理、工具呼叫、執行、檢查結果、修正，整個循環在數位空間完成，失敗成本低，可即時重試，能力就在快速循環裡累積。Physical AI的迴路根本不同：機器人難以在真實場域反覆試錯，一次碰撞或抓取失誤的代價，可能是設備損壞或人員風險，驗證必須在執行之前完成，而非之後。這也是大家對世界模型在Physical AI中的期待：機器人需要先在模擬中「預演」動作結果，確認可行後才進入實體執行。在數位空間，驗證迴路天然存在；在實體空間，可能得靠世界模型解決，但是還沒收斂。因此，Physical AI的市場進入邏輯更接近「先深後廣」：先在結構化程度高的場域建立灘頭堡，累積具身資料與安全認證紀錄，再逐步向更複雜的場域擴張。具身資料難以從網路大量取得，主要來自真實部署；而獲得真實部署機會，又需要先通過安全認證與場域驗證。這個循環，讓先進入特定場域的廠商建立起難以複製的護城河，即使後進者的軟體技術更先進。Digital AI與Physical AI 2個市場都在快速成長，合計每年潛在經濟價值達數兆美元等級，涵蓋的是人類2種核心的勞動形態。Digital AI開始進入收成期，競爭格局正在集中；Physical AI仍在播種期，先行優勢可能要再過幾年才會清晰顯現。2條路徑，同一套成長邏輯：AI總是先在結構化世界立足，再從那裡逼近非結構化世界。

2026年5月底東京Humanoids Summit，原本以技術與商業化為主軸的峰會，今年也為政府代表與政策觀察者保留講台。一家美系機器人大廠的政策副總裁在會中直言：「政府不介入已經不行了。」理由包括：AI政策與機器人政策開始交疊、自主系統的軍民兩用性質讓機器人進入國安視野。技術一旦被劃入國安範疇，政策資源往往隨之增加，無人機與5G都走過這條路，接下來可能輪到機器人。這不只是一位企業高階主管的觀察。截至2026年，已有十餘個國家或地區提出具官方背書的機器人或智慧機器國家發展架構，從日本、南韓、新加坡、印度，到德國、法國、荷蘭、中國與澳洲。架構的核心要素已逐漸成形：從人才訓練、研究資金、安全標準，到供應鏈韌性、國安與貿易政策；後三項關聯地緣政治。這些路徑大致可以收斂成4種模式：1. 美國是產業先行、政府補位的產業主導型；2. 中國是全政府動員、由上而下推進的國家動員型；3. 歐盟是以法規架構定義可信任生態系的法規治理型；4. 日本與南韓則同屬政府與產業緊密配合的協同生態型，但做法不同：日本靠政府主導的共用資料平台，南韓靠政策延續與大企業投資。美國的邏輯一貫：產業夠強，政府通常不急於介入。從晶片運算、電動車跨足機器人的科技大廠，到人形機器人新創與頂尖AI研究實驗室，實體AI（Physical AI）生態系的資本、模型與平台能量仍高度集中在美國。美國國會2025年起開始相關討論，目前推進較快的是對中國機器人的限制措施；聯邦層級、以機器人產業為核心的國家機器人戰略，尚未成形。日本曾長期位居全球工業機器人密度第一，但依IFR修正後的計算基準，2025年已滑落到第四，類似的反思在東京峰會多次出現：硬體優勢不再夠用，政策重心轉向資料與基礎模型的競爭。日本經濟產業省（METI）近年整合高效能運算（HPC）基礎設施與新設的具身智慧（embodied AI）旗艦計畫，讓企業共用機器人資料與模型；2026年3月發布的新版AI機器人戰略，目標2040年在全球AI機器人市場取得30%以上市佔率，期望重新站回與中美並列的位置。南韓是最早把機器人提升到國家法律層級的國家：2008年的智慧型機器人開發與普及促進法奠定基礎，十餘年政策延續性累積出生態系厚度。2026年六月底，南韓進一步把Physical AI與半導體、AI資料中心並列為三大國家旗艦計畫，由總統府直接督導，目標2028年讓10個產業別的人形機器人進入商用，並開發自主的機器人基礎模型。南韓模式裡，資本仍來自民間，但政府的主導性明顯增強。中國的機器人政策以2015年「中國製造2025」為分水嶺，機器人列入十大重點產業；2026年的第十五個五年規劃首次把具身智慧與量子技術、腦機介面、6G並列為頂層新興產業方向。同年2月，工信部轄下的標準化委員會發布人形機器人與具身智慧標準體系，並明列國際標準化目標：先立標準、再定市場門檻，過去用在5G，如今延伸到機器人。地方政府競相設基金、建園區，形成外界稱「全政府推進」的格局，但商業化仍待驗證：出貨多流向研究、教育與展示市場，製造現場仍以試點居多；規劃文件強調供應鏈自主化，反映精密減速器等核心零組件仍仰賴日德業者。歐盟AI Act於2024年8月生效，但2026年6月定案的簡化方案，把機器人安全元件等高風險應用的合規時程延後到2028年。2025年公布的AI Continent Action Plan擴建歐洲AI運算基礎設施；同年推出的Apply AI策略把機器人列為戰略產業之一。德國、法國、荷蘭各自執行國家機器人戰略，中央法規加成員國執行的雙層架構，即使時程放緩，寄望的仍是「布魯塞爾效應」：當AI法規成為進入全球市場的門檻，歐盟的監管架構就有機會成為實質的全球標準。真正的競爭在標準，不在速度。4種模式之上，還有一張全球分工圖，東京會場的版本是：矽谷負責模型與資本，日本負責精密製造，南韓負責量產可靠性，中國負責硬體速度。台灣近期推出「智慧機器人產業推動方案」，規劃4年投入百億元、設立國家智慧機器人研究中心，以服務型機器人切入醫療照護與餐飲等缺工場域，也在試著標出自己在這張分工圖上的位置。訓練資料的問題，在機器人領域格外值得關注：相較於大型語言模型，機器人可用的訓練資料少了2到3個數量級；彌補這個差距的方式之一，是讓機器人在真實作業環境中「持續學習」，邊部署邊累積場域資料、持續更新模型。台灣的製造與服務場域，恰好提供這個機制所需的條件。Physical AI最終競爭的，未必只是誰能造出最多機器人，而是誰能建立讓機器人持續、安全、可驗證地進入真實場域的產業條件。

隨著招募流程的兩端逐步由AI代勞，一份履歷能不能進入入圍名單，可能取決於一個求職者完全不知道的因素：履歷協作的模型，跟篩選履歷的模型，是否為同一家。2025年底收錄於人工智慧倫理與社會研討會（AIES 2025）的一份研究，就這件事進行系統性的實驗。研究在控制履歷品質之後，比較模型生成與人工撰寫的履歷在不同模型中的評價：當撰寫與評審（模型）來自同一家，求職者進入面試入圍名單的機率高出2成到6成；在多數測試案例中，同等品質的履歷，模型對 AI 生成內容的評分高於人工撰寫版本。研究稱這個現象為「自我偏好（self-preference bias）」：語言模型會偏愛自己生成的內容，即使品質已被刻意控制。這份研究的實驗場景，如今已貼近現實。HireVue 2026調查顯示，逾7成HR團隊已定期在招募流程中使用AI，近7成求職者也已用AI起草履歷。一邊用AI審、一邊用AI寫，已是現況而非未來情境。對堅持自己撰寫履歷的求職者，這意味著可能在不知情的情況下，僅因履歷未經模型加工，就在評分上落後。這個現象，2026年6月有了更具體的面貌。AI工具比較業者i10X Research發布1份產業測試報告，讓幾個主流模型互評同一位虛擬求職者的履歷，只換成由各家模型分別撰寫的版本，再交給各模型逐一評分。這份報告來自產品行銷背景的業者，非學術同行評審，但凸顯相當現況。i10X Research的商業測試顯示，各家模型的偏好傾向差異相當大：Claude對GPT撰寫版本的錄取率，比對自身風格版本低了約5成；GPT對自身版本的評分反而偏低，呈現反向的自我懲罰；Gemini撰寫的版本不分評審者都受到青睞。在i10X的測試設定中，同一份文件由不同模型評審，差距可以大到足以讓結果從「待定」滑向「淘汰」。這延伸原始研究對「模型風格會影響模型評分」的觀察：不是每個模型都偏愛自己，而是每個模型都有自己的評分傾向，求職者完全無從得知評審偏好那套模型。AI評審的脆弱性，學術審稿已先凸顯。2025年中起，多篇arXiv稿件被發現在PDF裡藏進肉眼看不見的指令，要求語言模型審稿人給予正面評價，實驗顯示這類手法可以把模型評分推近滿分。頂尖會議ICML 2026 把相同做法反過來用在稽核：在論文PDF嵌入隨機詞彙，若審稿人偷用語言模型代寫意見，詞彙就會混進評語；2026年3月公布的結果，逾500位審稿人被偵測到違規，其中不少人因身兼投稿審稿人，所投論文遭退件。這套攻守兼備的機制對B2B場景的啟示在於：指令注入手法既是攻擊面，也能作為稽核工具的設計基礎。履歷只是起點，影響不會停在這裡。當企業流程的兩端都開始由AI代理人處理，一端用AI起草報價、技術方案、法遵文件，另一端用AI篩選與評分，「用哪一家模型」會成為過去不存在的競爭變數——過去企業競爭的是價格、品質、交期；未來還可能競爭「模型相容性」。機制尚未完全釐清，但有幾種可能的解釋。語言模型在生成內容時，似乎帶有可被自家模型識別的「風格指紋」——句構偏好、用詞分布、段落節奏。一個可能的解釋來自後訓練（post-training）階段：RLHF、DPO等對齊訓練以相同的訓練目標，同時塑造「怎麼寫得好」與「什麼算寫得好」，風格與好惡因此一起被寫進模型權重，評審模型可能因此將這些熟悉的風格特徵誤判為較高的內容品質。研究也驗證，透過提示工程要求模型主動識別並校正自身偏好，偏差可下降5成以上；但這並非預設行為，企業內部的AI評估流程多半還沒有寫進作業規範。把場景移到台灣產業，有可能受影響的是自動化報價與RFQ初篩。試想：買方以AI從上百份供應商技術文件中挑出前段名單，供應商也以AI起草標案。若這套篩選以文本摘要或技術敘述做初步排序，而買賣雙方使用的是不同家的模型，供應商可能在價格、交期等結構化條件被充分比較之前，就因文本風格不符模型偏好而落後。這個情境目前仍是推斷，但隨著AI在採購流程的應用逐步深化，陸續發生的可能性不低。供應商盡職調查與法遵審查也在其中——ESG報告、資安自評書，愈來愈多由AI起草、也可能再由AI審查，同源偏差的空間同樣存在。需要說明的是，研究測量的偏差幅度建立在文本敘述上，B2B 採購裡的價格、交期、認證等結構化欄位仍佔相當權重，整體入選率不會直接受到相同幅度的影響。但只要評估流程裡有任何一段是模型對模型讀「敘述」，這一段就有結構性偏差。防禦方向可能不複雜，但需要刻意設計。受評文件與評審模型最好不來自同一個模型家族；高金額或高敏感度的決策，應採多模型並行評估、考量評分差異；結構化資料與文字敘述分流計分，避免後者拉偏前者；可能暗藏內容的格式（如 PDF、Word）進入評估流程前，應做指令注入過濾；重要閘門保留人工抽查。這些不是技術突破，而是治理設計，目前產業界的 AI 導入多半停在工具層，治理層大多仍是空白。同源偏差以外，還有另一層問題值得思考：當評估流程由人換成模型，人類評審辨識「少數亮點」的能力，可能也悄悄消失了。一百份履歷裡長得不一樣的那個人，一百份提案裡帶著真實觀點的那份文件，在傾向偏好熟悉風格的模型眼中，可能反而是扣分項。HR篩選、績效評估、供應商評鑑、學術審稿，都面臨類似的結構。如何在AI介入的決策流程裡，刻意保留人類洞察的空間，目前仍是個開放的問題。

前兩個世代的機器人發展，安全框架的設計前提都是「確定性」。第一代被鎖在柵欄裡執行固定動作；第二代走出柵欄，但沿著預先規劃的路線移動。不論哪一代，系統在特定輸入下會做什麼，工程師都能事先預測，安全標準也是在這個前提下建立的。第三波機器人的期待是「自主性」，能在非結構化環境中做判斷、應對未曾見過的情境。但自主性本質上隱含「不確定性」，而這正是現行機器人安全框架從未真正處理過的問題。這個矛盾在近期的產業與學術會議上，被業界與研究機構眾人獨立點出，並從不同角度收斂到3個層次的問題。第一個問題：停機不等於安全。最具體的觀察，來自一家德系安全運動控制廠商。傳統工業機器人的安全設計，預設「靜止等於安全」的前提，這個前提撐起 ISO 10218 近二十年。問題是，雙足機器人停下來之後，危險並沒有消失。一台高一百七十公分、重七十公斤的機器人，靜止狀態的重心控制比傳統機器人複雜許多，更重要的是它可能倒下。該廠商的工程師指出，現行安全停止計算框架尚未涵蓋雙足機器人的倒落風險；若要補入倒落半徑這個變數，整條公式需展開為7個變數的加總，涵蓋倒落區域、人機趨近距離、制停距離、感測器偵測範圍，以及位置與狀態的不確定性。一家歐系車用MCU大廠在ICRA 2026的產業場次，從半導體驅動IC角度獨立量化「安全停機（STO）」的5個根本侷限：無法控制減速中的肢體運動、無法抵抗重力導致的倒落、無法跨關節協調出安全姿態、無法在故障時提供力矩回饋、無法處理局部失效的連鎖反應。同一場次，一家德系協作機器人廠商明確表示功能安全認證已是部署前提而非事後程序。3個產業背景，同一個結論：停止，不是安全狀態的終點，而是另一種危險的起點。延伸報導專家講堂：ICRA 2026觀察：如果機器人開始刮你鬍子了第二個問題：測試基準的缺席。德國Fraunhofer IPA，歐洲大型應用研究機構之一，購入一台市售機器人，用自行建立的66項評估框架跑完第三方測試。結果顯示：手臂在中等負載下不到2分鐘就過熱關機；碰撞力測試結果超過500牛頓（N），明顯超出ISO/TS 15066對多數接觸場景的規範範圍；藍牙連線存在安全漏洞；機器人持續將資料傳回廠商伺服器，且未見於任何說明文件；電池續航不到2小時。這些問題有賴第三方主動測試才得以浮現；現行規範並未要求廠商揭露。展場上看到的，都是精心設計的成功展示。第三個問題，也是最難處理的一層：VLA讓安全評估框架的根本假設失效。傳統安全框架依賴「風險可被量化」的假設，識別危害類型，估算發生機率、暴露頻率與傷害程度四者相乘，得出危害評分。ADAS產業對這個框架的侷限早有認識——感知模型即使按設計運行，仍可能在特定情境下輸出危險決策，SOTIF（ISO/PAS 21448）正是為此而設計，專門處理「預期功能本身的不足」。但即使如此，ADAS 的操作場域相對受限。延伸報導專家講堂：VLA（Vision-Language-Action）機器人的新智慧引擎SOTIF的長尾問題至今仍未完全解決；VLA機器人的操作環境遠比道路開放，連SOTIF也難以直接套用。因應這個困境，目前出現2條技術路徑：建立不信任主控制器的獨立安全監督層，以及在每個關節配置具備功能安全認證的MCU，讓安全判斷發生在關節層級。兩條路徑底層邏輯一致——用確定性系統監督非確定性系統——但都尚無正式認證，各自在等標準追上來。這不只是工程問題，也是法律問題。前美國消費者產品安全委員會主席Elliot Kaye在Humanoids Summit提出的問題很具體：當機器人在工廠傷害工人，責任在製造商、操作者，還是AI模型開發者？自駕車產業已提前示範安全事故如何反向改變監管態度。2023年Cruise自駕車在舊金山發生牽涉行人的交通意外，整個部門被迫停止運作，一次事故讓整個產業的發展付出代價。機器人在工廠傷人，法律環境只會更複雜。Kaye指出：贏得部署競賽的，不是最好的展示，而是最快通過買方法務審查的那一家。誰在定義標準，誰就在定義市場的進入條件。工業機器人時代已有前例：ISO 10218的主要起草機構，都是在這個市場有長期積累與部署數據的業者，後進者即便技術趕上，標準解釋權仍有落差。機器人功能安全的對應標準目前尚未成形，但很可能在2028到2030年之間建立起來。今天各方關注的是誰能做出最好的機器人；幾年後市場真正競爭的，可能是誰能最快證明它足夠安全。

過去十年，全球投入實體AI（Physical AI）與機器人新創的年度創投金額，從幾億美元的規模成長到接近250億美元，是10倍以上的成長曲線，集中在最近這幾年。這個數字背後，隱含著一個更早就存在的剛需：主要經濟體的工作年齡人口持續下滑，如日本到2050年代將只剩2000年的6成左右。但「Physical AI」這個詞底下，到底蘊含怎樣的機會，是否真的對得上那條人口曲線所描述的缺口，值得拆開來看。機器人產業並不是第一次站上資本聚光燈下。Bay Area Robotics Association執行董事Terence Bennett在東京Humanoids Summit 2026把美國機器人產業的發展分成3波：第一波在1960到80年代的底特律，靠的是汽車產業的資本支出，技術堆疊是機械手臂、焊接、塗裝、圍欄工作站；第二波在2005到2024年的波士頓，協作機器人與移動底盤從DARPA的早期投入走向倉儲物流的商業應用；第三波從2024年開始在矽谷展開，資本來源從純軟體的創投，開始大量流入需要與實體世界互動的公司，技術堆疊變成基礎模型與VLA，操作被當成一個學習問題，而不是程式設計問題。Bennett用一句話概括這個轉折：「The model, not the mechanism」；前兩波靠的是把機械做得更好，第三波靠的是把模型做得更通用。前兩波對生產力的提升，其實是扎實且持續的。第一波的機械手臂解決的是一個被嚴格限定的問題：在固定場景、預設路徑、封閉圍欄裡，把單一任務做到極致，速度快、精度高、正確率極高，至今仍是全球工廠的骨幹。第二波的協作機器人與移動平台把能力範圍擴大一截，機器人開始可以在人的旁邊工作，也開始可以自己移動，但移動的前提仍是預先規劃好的場域：固定路徑、格狀地板、不允許外物進入。這兩波做出來的，本質上都是「feature robot」：功能集合不同、精密程度不同，但共同特徵是在一個被定義好的框架內，把功能做到接近完美，就像feature phone把通話品質與待機時間做到極致。第三波想做的是「smart robot」。本文暫且將smart robot定義為：能在未完全預先定義的環境中，自主感知、規劃與執行任務，並具備持續運作能力；若以商業部署標準衡量，連續運作10小時以上是一個可觀察指標。feature robot的成果，現在仍在持續發生，而且規模比多數人想像得大。服務場域裡，已經有不少高階餐飲業者讓送餐機器人負責外場的搬運與行進路線，把服務人員的時間釋放到桌邊互動與品質把關上，機器人做的是「移動加搬運」這個被切得很乾淨的子任務，人做的是需要判斷與溫度的部分。物流場域的規模更大：某全球電商在超過100個倉儲中部署逾100萬台自主移動機器人，搭配相當規模的人力協作，每天出貨超過1,000萬個包裹。這些機器人跑的是預先鋪設的格狀地板與固定路徑，不是在開放場域中即時感知與決策，但這套組合已經支撐全球規模最大的物流網路之一。feature robot這條路徑沒有過時，它仍在創造實際的生產力。那麼，第三波到底想往哪裡去？要回答這個問題，與其直接猜測時間表，不如透過幾組對照，看清楚哪些系統設計、哪些技術重心，是真正屬於第三波、而不是前兩波的延伸。第一組對照是機器人與電動車，兩者在供應鏈結構上有明顯的重疊，致動器、磁鐵、電池材料的供應路徑高度相似，電動車產業10年來建立的製造能力，正在直接轉用到機器人零組件上。但硬體基礎齊備，不代表問題已經解決。電動車本質上是換了動力系統的交通工具，駕駛這件事人類已經做了上百年，技術積累可以直接沿用；機器人面對的問題更底層——「什麼是正確的動作」本身就需要重新定義，這是一個泛化問題，難度比電動車高了一個量級。電動車的感知目的是避障，機器人的感知目的卻是接觸與操作，必須碰得精準。前兩波是靠縮小場景範疇解決「碰得精準」的問題；第三波要在開放場域中做到同樣的精度，硬體已經不是瓶頸，瓶頸轉移到模型能否泛化這一層。這個差異也解釋為什麼電動車的商業轉折點已經發生，而機器人即使資本大量投入，距離大規模商業轉折點仍有一段距離。過去60年機器人的成功，建立在同一套技術邏輯：儘量拿掉場景的不確定性，讓機器人在規劃過的環境裡，把固定任務做到接近完美，重複定位精度早已解決到亞毫米級。第二組對照正是Physical AI與第一波的工業機器人：Physical AI想打破的正是這個前提，在開放場域、動態環境、沒有預先定義的結構下仍能完成任務。這也是為什麼今天大多數所謂「自主機器人」的成功部署，骨子裡仍是工業機器人的邏輯：先把問題範疇縮小，再宣稱已經自主。把這幾組對照放在一起看，會發現一個熟悉的歷史節奏。在smartphone出現之前，有線電話、大哥大、feature phone已經把通訊這件事做得相當好，通話清晰、待機時間長，把一個被定義好的功能做到極致。2007年smartphone的出現，並不是讓通話變得更好，而是打開了一個原本不存在的維度：應用生態、隨時連網、裝置成為平台。feature robot這十幾年的成果，如同feature phone的那段歷史：扎實、有效，但運作在一個被定義好的框架裡。smart robot現在仍處於那個框架被打開之前的階段，資本市場湧入的250億美元，期待的正是這個打開的時刻。第三波若真的成立，價值重心可能逐漸從機構件移向感知、運算與模型能力——這個分岔對台灣供應鏈不是抽象問題。延續Bennett「the model, not the mechanism」的框架：當機器人的價值重心真的從機構轉向模型，台灣過去在精密機械組裝、馬達齒輪上的優勢，會如何轉化？智慧型手機時代給過一個參考答案：當產業價值逐漸向作業系統、生態系與平台集中時，價值未必留在製造規模最大的地方，而是留在最能定義產業規則的位置。

6月初的維也納，ICRA 2026（國際機器人與自動化大會）的產業主題演講，某家機器人新創在台上播放一段影片：一隻機械臂，緩緩而精準地在創辦人自己的臉上刮鬍子。刮鬍子對機器人的要求極度苛刻：精密的3D視覺、毫米以下的力控、即時的觸覺回饋、出錯時的安全退出，每一層都必須同時達標。這背後有一個值得注意的轉變。傳統工業自動化的安全設計，多半將停止視為最保守的安全狀態；多位講者提到，急停在許多場景反而製造危險——正在下樓梯的機器人突然停止，或協助搬運時突然凍結，後果可能比繼續動作更糟。讓這個觀念得以落實的，是來自汽車功能安全標準 ISO 26262 的最高安全完整性等級之一（ASIL-D）——原本用於煞車、轉向等攸關生命的車用系統，2026年已有晶片供應商把同等級的安全設計帶進機器人關節模組。汽車產業十幾年累積的安全工程資產，正在往機器人這個場域移植。這讓人不免想問：這不是學術會議嗎，為什麼展場像一個商展？ICRA 2026的展區規模已達數百家產業參與者，幾乎覆蓋整條機器人供應鏈。其中還有直接在攤位上打出招募研究員橫幅的廠商——不是在賣產品，是在獵才。最能說明這個轉變的，是ICRA 2026把「人形機器人投資報酬率」列入議程，本身就是一個訊號。在展場，遇到一位晶片廠商的資深產品主管。我問他為什麼選擇來這裡，而不是去同期的COMPUTEX。他的回答很直接：「COMPUTEX是告訴客戶我們有什麼；ICRA是來了解這些早期使用者真正需要什麼，以及競爭對手在布哪些局。」對晶片廠商來說，在這個階段理解生態系的需求，比在成熟市場競逐訂單，策略價值高得多。產業決策者現身學術會議，本身就是訊號。NVIDIA執行長黃仁勳曾數次參加高速運算的SC年會、電腦視覺的CVPR，都是技術戰略上的早期布局。2017年在夏威夷舉辦的CVPR，我有幸與當時受NVIDIA AI Lab計畫資助的其他研究人員一起，從黃仁勳手中接下他簽名的V100——那個當下，多數人對GPU高速運算的想像還很模糊。學術會議是產業訊號最早浮現的地方。如果說AI時代的瓶頸是運算能力，那機器人時代的瓶頸開始變成實體世界。機器人的技術競爭，大致可以拆成3 個層次：晶片、硬體構型，以及模型。ICRA 2026討論的重心，集中在模型與硬體兩層——模型能力快速進步的同時，硬體能不能跟上，系統能不能在真實場域中穩定運作，是當前最核心的工程挑戰。硬體層目前最受關注的一個缺口，是靈巧手。這不只是「能不能抓東西」的問題，而是「能不能以多指協調、配合觸覺回饋，在需要毫米以下精度的操作中穩定工作」。鎖螺絲、插線束、整理形狀不規則的物件——這些是機器人在工廠、物流、服務場域真正會遇到的任務，而這類任務目前仍是高失敗率的環節。2026年展場有超過十家廠商展示靈巧手或觸覺感測方案，靈巧手的硬體能力，某種程度上成了模型能力的上限——模型再強，執行能力仍受制於硬體極限。硬體的另一個核心，是致動器——這一點和電動車的技術邏輯截然不同。電動車的動力來源集中在幾個主要馬達，整合路徑相對清楚；機器人每一個關節都需要獨立的致動器，1台全尺寸機器人可能需要30個以上，靈巧手若要實現高自由度操作，每根手指還各有多個。致動器整合精密馬達、減速機與控制器，普遍被認為是成本佔比最高的零組件之一。機器人構型愈精密、關節愈多，致動器需求就愈高。模型能力在這兩年的進步有目共睹，但ICRA 2026有一個反覆被不同講者提到的觀察：相較於語言模型主要仰賴網路文字資料的規模，機器人模型的能力，與場域中實際收集的操作資料高度相關。模擬器生成的資料可以覆蓋大量場景，但真實場域中機器人遭遇失敗、邊緣情境、物件形狀與材質的長尾，只有在實際部署後才會完整浮現。「在哪裡跑、就在哪裡學」——場域資料對模型表現的影響，比單純仰賴模擬資料訓練來得顯著。在真實場域資料的累積上，已大規模部署的領先業者有明顯優勢。某大型電商物流業者在會議上分享倉儲機器人的方案，以多種策略應對不同形狀與重量的商品，持續在真實環境中累積資料、更新模型。展場上也有多家業者宣布開源場域操作資料集，用意是讓社群共同提升基礎模型能力，同時把自己的資料採集能力作為差異化宣傳——資料的邊界，正在成為這個產業新的護城河。這次ICRA的壓軸keynote直接說出多數與會者的想法：現在看起來突破很多，但各家都還沒找到最好的配方——是參與這個機會的時候。COMPUTEX是規模的舞台——量產的節奏、供應鏈整合、已驗證需求的放大。但新機會、新需求、生態系聯盟的形成，往往不在規模的現場，而在前瞻還沒收斂的地方。這也是NVIDIA當年選擇深耕學術社群的邏輯——不是因為學術界有採購力，而是因為下一個方向往往從那裡先被驗證。2026年數百家供應商出現在維也納展場，說明的正是這件事：機器人產業現在最關鍵的押注，不在量產的現場，而在生態系還在成形的地方。

日本大阪大學教授石黑浩教授（類人機器人研究先驅）在Humanoids Summit主題演講結尾說了一句話「日本在機器人研究上投入了數十年，但還沒有殺手級應用」。日本在工業機器人領域的先驅地位毋庸置疑，川崎、發那科、安川的機械手臂至今仍是全球工廠的骨幹；然而近年數據顯示，日本製造業的機器人密度已從全球第一跌至第五，數十年的研究積累，未能取得新世代自主機器人的領先優勢。回到最基本：機器人最終要回答的問題，是能否提升「生產力」，而不是形態是否像人。2026年5月底在東京舉辦的Humanoids Summit，是這個發源自矽谷的論壇首次進軍亞洲，匯聚各領域第一線業者與決策者上台，來自50個國家的與會者同場。包括汽車廠與製造業龍頭的機器人策略負責人、基礎模型研發團隊、機器人新創執行長、法務風險分析師與投資決策者，討論的是商業化路徑，不是研究論文。會場有人把機器人稱為「有手腳的汽車」，背後有一條比多數人意識到的更具體的產業邏輯。會議名稱雖叫「人形機器人高峰會」，但兩天下來討論的範圍遠不止於此。四足機器人已在高速公路涵洞裡偵測裂縫、在晶圓廠用熱像儀發現幫浦過熱、在大型賽事現場執行化學生物威脅偵測，這些是已驗收的商業合約，不是展示影片。某家靈巧手廠商出貨超過1,000套，物流場域單筆訂單超過700萬美元。以Real2Sim2Real資料飛輪為核心的新創，在2026年第1季拿到超過1億美元訂單，說明訓練基礎建設本身已成為有真實收入的生意。人形機器人只是具身智慧的一種形態；這個產業的全貌，是一個還在快速分化的生態系。筆者在現場持續帶著2個問題：眼前這個展示，能否在非受控條件下重現？以及，這個產業何時才能真正放量？某家靈巧手廠商的發表者在台上說：「These are real」，連業者都感受到必須主動澄清的壓力。靈巧操作是目前公認的最後一道硬體障礙，兩天下來技術深度最高的展示是某家車廠的16自由度手內操作，但仍是高度受控的條件。移動與感知已逐漸工程化；卡住的是操作——抓取不同材質、形狀、重量的物件，在需要精細力道控制的場域，仍是高失敗率的環節。長時序任務的可靠性是另一道結構性門檻。任務步驟愈多，錯誤率加速累積，真實場域的容錯空間遠低於實驗室。各家都在針對特定場域補強；現場展示的永遠是最有把握的任務；實際部署能可靠執行的範圍，遠比展示看起來的窄。真正限制部署的，不完全是技術問題。產業調查顯示，71%的企業主管認為目前最大障礙是「business case 說不通」。成本是直接原因：高階機器人採購成本落在15萬～50萬美元之間，估計需要降到2萬～5萬美元，才能打開大規模採購。認證架構同樣空白，目前沒有任何一套標準完整涵蓋具備語言理解與自主決策能力的機器人系統；商業場域發生事故時，製造商、操作者、AI 模型開發者之間的責任歸屬仍無清楚的法律架構，這是大規模採購無法跳過的前提。部署因此有其優先順序。第一波進入的是結構化環境（製造業產線、物流倉儲、基礎設施巡檢），第二波才是半結構化環境（工地、醫院物流、商業設施維運），家庭與照護場域是現場討論最熱烈的，也是目前幾乎沒有人能可靠做到的。機器人不是從最有趣的地方開始部署，而是從投資報酬率最清楚的地方開始。一個有參考價值的前例：某大型服務機器人當年進入2,000家企業，3年後85%放棄，失敗原因有83%不是技術問題，而是與組織流程和人員文化的整合失敗。分工地圖則是另一層問題。市場分析列出機器人關鍵硬體的全球產能分布：永久磁鐵中國佔 90%、致動器 55%、諧波減速機 45%、電力電子 30%。這些零組件與電動車供應鏈高度重疊，過去十年中國電動車的快速擴張，同時建立一套可直接轉用於機器人量產的製造能力。這是整場討論的隱性背景，多位講者都觸及這個現實，沒有人把它定性為威脅，但數據攤開來，結論不言而喻。現場一張來自歐洲的投影片標示：「China is dancing ahead — From dance floor to the shop floor」。「有手腳的汽車」這個比喻，對資訊電子業的含意相當直接。人形機器人半導體市場估計將從2026年約2,100萬美元成長到2050年的1,770億美元（若涵蓋工業機器人與AMR，整體還要大上數倍）；每台高階人形機器人的晶片物料清單約1,400美元——光是70個以上的關節，每個都需要獨立的MCU做馬達控制，這還不包含推論與感知層的需求。功能安全MCU、馬達驅動IC、感測器訊號處理晶片，與車用電子規格需求高度重疊，服務汽車供應鏈多年的能力在機器人場域有相當程度可以對應。但晶片這一層的分工地圖與機械零組件截然不同：感測器、推論晶片、安全 MCU，日本、美國、歐洲、南韓業者都有明確位置。再往上是軟體模型層，基礎模型的研發重心在矽谷與北京，開源生態讓各層的競爭邊界持續模糊。同一個「機器人產業」，機械硬體、晶片、軟體三層各有自己的競爭格局，不能用同一張圖理解。兩天下來，筆者對這個時間點最清楚的感受是：2026年更像是機器人基礎建設的元年——賣鏟子的先有生意。訓練資料服務、資料收集基礎建設、各地資料工廠，真正有確定性收入的環節在供應鏈的更上游，不只是整機廠商。資料飛輪能否轉起來，可能比組裝良率更早決定誰在這場競賽裡站穩。但石黑浩那句話提醒的問題還在：殺手級應用是什麼、在哪個場域、誰先找到。電動車的答案不是在實驗室裡想出來的，是在場域裡跑出來的。供應鏈可以先跑，這個答案卻沒辦法用鏟子挖出來；從2013年以來幾輪AI技術更替的經驗看，在真實場域中貼近客戶、理解生態系需要什麼的，往往是上升曲線之後的贏家。

2024年下半，我有機會和一家矽谷前瞻大模型公司的高層交流。我問了一個問題：為了減輕伺服器端的推論負載，有沒有可能把部分工作移到終端裝置，甚至開通新的應用情境？對方的回答很直接：根據他們的研究，這完全不可能。幾個月後，2025年農曆年前後，一場模型效率的突破事件讓業界重新檢視這個可能性。「完全不可能」，在不到一年內被現實修正。目前的資本流向，幾乎清一色集中在最頂層。據部分研究機構估計，2025年美國資料中心建設規模（含規劃中與施工中）已逼近80 GW；多家財經媒體的報導指出，主要科技業者的資本支出預計在2026年合計達到約6,600億美元，其中逾8成直接流向AI資料中心。業界觀察者以「沒有放緩跡象」形容這波投資熱度，並點出其結構性而非週期性的特徵。熱點在哪裡，目前的答案很清楚。但另一組力量也在累積，而且有個不直覺的地方值得點出。2023年初，主流前瞻模型的API定價約為每百萬token 30美元；如今已全面跌至0.1至0.25美元，降幅達90至99%，且仍在下修（本專欄〈AI越強，Token卻越便宜〉）。按照直覺，token這麼便宜，AI帳單應該縮水。現實卻相反：推論模型、agent呼叫鏈等需求乘數，讓總用量的成長速度遠超單價下滑的速度，帳單不減反增（本專欄〈推論經濟學〉）。「在哪裡推論、用什麼規模推論」，已從架構選項變成經營決策。若把AI推論的基礎設施從當前的資本重心到未來的部署前瞻排列，我們推估大致可分為5層。最頂層也是目前投資最密集的，是超大規模AI工廠——以GW為單位，服務全球通用推論工作負載。這一層的競爭邏輯是純粹的規模經濟，幾個大型雲端廠商之間的較量，進入門檻極高，只有少數企業能直接介入的市場。往下一層是受監管或主權級AI資料中心。歐盟的AI法規、中東的數位主權政策、東南亞各國對資料本地化的立法，都在把特定產業或政府機構推向「必須在受控環境內完成推論」的處境。需求最明確的是國家安全相關機構——推論工作不只不能出境，往往還需要在實體隔離的環境中完成，對硬體安全認證的要求遠高於一般企業。金融和醫療等私部門雖然約束程度較低，但面對的本質問題相同。這一層的採購決策往往由法遵、風控或安全主管部門驅動，銷售週期和評估標準與其他層截然不同。企業AI資料中心目前是成長最快的一層。金融業、醫療機構、製造業領導廠商，在評估AI推論的部署位置時，部分選擇自建而非公有雲，驅動力不只是長期成本，更多是資料不願外傳的現實考量。這一層需要一定規模的IT組織支撐。對有自建能力的大型企業而言，推論需求愈大，自建的TCO優勢就愈明顯——每個token的運算成本、能源效率與系統使用率，都成為設計的核心參數，而非事後才考量的營運細節。但沒有足夠IT資源的中小企業，直接跨入的風險不低。中小型本地伺服器對應有一定技術能力、但不想完全依賴公有雲的中小企業或部門級部署。有一個長期被低估的現實：許多企業過去透過NAS等本地儲存，累積大量業務資料——檢驗紀錄、作業日誌、客戶往來文件——因為法遵、成本或頻寬的限制，從未上雲，也從未被真正利用。本地推論伺服器的出現，讓這批沉睡資料第一次有機會被語言模型處理，不需要把資料傳出去，也不需要支付龐大的雲端費用。這一層真正的門檻不是資本支出，而是IT人力的可得性。第五層是終端裝置。從手機上的智慧語音助理、工廠邊緣的視覺檢測，到需要即時感知與動作決策的自主機器人，這一層的關鍵是延遲與離線可用性，而非運算規模。機器人在實體空間執行動作，幾乎沒有等待雲端回應的餘裕，斷線就意味著停擺；這讓終端推論從「可選項」變成系統設計的前提。需要大型模型推論或長篇上下文的任務，目前仍難以在這一層完成。但這條限制的邊界正在移動。我們曾以封包（packet）的演進為例分析過（本專欄〈鑑往知來：packet vs. token〉）：網際網路早期的運算重心在伺服器端，當封包成功進入行動裝置，才催生智慧型手機與長達10年的行動生態系爆發。token往終端裝置移動，似乎正在走出類似的路徑——使用需求的拉力、模型輕量化的持續推進，以及本地端推論硬體的能力提升，3個條件正在相繼具備。近中期更可能的形態是混合並存，而非全面取代；但這一層的成長方向相當確定。這個層結構能夠同時成立，背後有幾個技術條件在近兩年相繼成熟：模型輕量化讓前瞻模型得以在更少的硬體上完成推論；開放權重模型的能力持續追近閉源模型，且可以自行部署、不依賴特定廠商介面；法規與地緣政治的壓力，則讓受監管資料中心這一層的需求有了更穩定的支撐。三者缺一，分層格局就難以成立。這個趨勢不代表頂層的投資退燒——各方數據顯示那一層的建設力道仍在持續。各層同步展開，需求規模擴張，而非資源從頂層向下轉移。競爭重心過去集中在頂層的大規模伺服器與散熱解決方案；現在，每一層都有不同的系統規格需求——低功耗推論晶片、針對推論工作負載優化的中密度伺服器、安全法遵的系統整合，直到終端裝置的邊緣推論模組。能否針對不同層次的客戶需求給出有差異的回應，或許正是這波擴張中新機會的所在。

過去一年多，大型語言模型（LLM）的「推理」已成為主流模型的標準配置。從2024年下半開始，長思考鏈與強化學習訓練逐漸在各主流模型中普及，在程式設計、數學、法律、醫療等資訊密集的領域確實展現效果。這套能力的基礎，在於語言世界本身提供大量訓練素材，而且推理的對錯可以被直接驗證。傳統工業機器人從來不需要推理。它們的設計前提清楚：事先設定動作序列，在結構固定的環境裡重複執行，不需要應變。一台焊接手臂每天走同一條軌跡，分揀機器人在預先規劃的路線上來回——對這類任務而言，彈性是多餘的。這個前提在過去幾十年運作得很好，但它的邊界也很清楚：換了場景就得重新設定，出了例外就得人工介入。但這個限制正在被鬆動，而且是產業必須認真面對的突破。下一代自主機器人的目標截然不同：接受一道自然語言指令，在開放場域中自主運作10個小時以上，途中能察覺例外、調整計畫、完成任務，不需要人在旁監看。要做到這件事，機器人必須能「推理」。這個能力能否真正落實，很可能就是機器人產業下一輪典範轉移的關鍵技術。如果機器人在實體世界也開始可以「推理」（深度思考）了呢？想像機器人第一次進入陌生的空間：需要電源，但插頭可能藏在電視機後面，要自行判斷從哪個角度找得到；被交代「把廚房收一下」，必須把這個模糊指令拆解成十幾個子動作，決定先收什麼、後收什麼；面對一台沒見過的微波爐，要推論哪顆鍵是加熱、設定多久合理；桌面已滿，拿著餐盤不知道往哪放，得判斷能否先挪開某個物件；工廠的儀表讀數被管線遮住，要推測是換個視角、還是移開管線才能看清楚；前往下一個位置的路徑被外物堵住，要決定是等、是繞、還是主動清出空間。這些情境的共同特徵是：答案不在事先設定的規則裡，機器人必須把視覺線索、空間常識、任務目標即時整合，做出當下的判斷。然而，同樣的推理機制搬到實體空間，就會明顯失靈。根本原因在於資料結構不同。LLM的推理之所以可行，是因為語言有豐富的文字序列供訓練，答案也可被清楚驗證。但3D實體場景缺乏這種天然的監督訊號——沒人會持續為自己的空間、物件位置、姿態變化做標註，「開關大致在門邊牆面」「開罐器通常放在廚房抽屜」這類空間常識，沒有網頁規模的訓練資料可以依靠。長時序規劃是另一層難點：指令一旦複雜，機器人必須把目標拆解成數十個子動作並在執行途中不斷應變，研究顯示純LLM在這類任務上的錯誤率會隨步驟數超線性上升，沒有外部驗證機制，難以可靠完成任務。針對具身推理，研究圈已在幾個方向同步推進，核心問題都是讓推理過程能與實體世界的真實狀態掛鉤——不只是語言上說得通，還要能被驗證、能指導動作。方向從讓機器人行動前先寫出推理過程、到把推理步驟對應到空間幾何預測、再到讓機器人從實際嘗試的結果中修正自己的推理，各有側重，也各有代價。整體仍在研究階段，尚未出現明確勝出的路徑；但幾個方向的進展都比幾年前快，可見度也愈來愈高。這套推理能力的實際部署，可能採取分層架構。目前機器人邊緣運算平台的運算能力已進入千TOPS等級，足以在本地端即時執行推理模型，完成大多數動作決策。遇到需要更深層推理的任務，例如複雜場景規劃或多步驟的例外處理，若時間允許，可以呼叫雲端較大的模型做更完整的推理，再把結果傳回邊緣端執行。這種金字塔式的分工，讓即時執行與推理深度可以依任務彈性切換，不必在兩者之間硬性取捨。在這個背景下，前面提過的世界模型（world model）與推理的關係也愈來愈值得關注。上一篇已介紹過世界模型在感知與表徵上的角色；在推理層面，它的潛在貢獻是讓機器人在行動之前能先「模擬」：預測推開某個物件後場景會如何改變、抓取某個位置後會遭遇什麼阻力。如果推理可以借助這種前瞻性的物理預測，驗證就不只是事後比對，而是在行動前就能排除不合理的計畫。這個方向目前仍在早期，但已被納入幾個主要機器人基礎模型的路線圖。延伸報導專家講堂：World Model：分歧的研究世界LLM推理能力的突破，帶來的不只是「模型更聰明」——而是讓AI能進入法律文件分析、醫療診斷輔助、軟體開發等原本需要高度專業判斷的領域，改變工作流程，在部分商業場域引發典範轉移。具身推理若能達到類似的可靠程度，讓機器人在不確定的實體空間裡真正能規劃、應變、判斷，潛在的變化幅度可能同樣深遠。工廠、物流、照護、服務，這些領域長期需要「能判斷、能應變」的自主執行能力，卻一直缺乏可靠的技術支撐。自主機器人的產業天花板，很可能取決於推理能走多深、場域能延伸多遠。

過去兩年，「世界模型」（World Model）成為AI業界引用頻繁、定義卻最分歧的詞彙。每個正在做生成式AI或機器人技術的團隊都會自稱「在做world model」，但仔細看，每家口中的定義並不相同。這個概念本身在認知科學、控制理論與1990年代的強化學習文獻中都有過討論；2018年David Ha與Jürgen Schmidhuber發表的〈World Models〉論文，用神經網路學習賽車環境的潛在動態，agent完全在內部模型中訓練後再轉到真實環境執行，這個概念錨定在現代神經網路的脈絡下，奠定「壓縮環境動態、用以預測與規劃」這個基本定義，也成為後續討論的共同起點。從這個原始定義延伸，業界各陣營各有解讀。Yann LeCun主張的JEPA（Joint Embedding Predictive Architecture）在抽象表示層預測世界下一步，作為agent規劃的基礎；李飛飛從「空間智慧」（spatial intelligence）切入，把世界模型視為可生成、可互動的3D表示，這也是她創立WorldLabs的核心命題；NVIDIA的Cosmos則把世界模型定位為實體AI（Physical AI）的生成式模擬器，依文字、影像或動作條件預測下一秒畫面；Google DeepMind的Genie系列則更接近「可互動生成環境」的路線。同一個詞，4種版本，分別對應預測、生成、模擬、互動4種不同的工程目標。與世界模型容易被混為一談的，還有數位分身（Digital Twin）與模擬器（Simulator）。數位分身強調「特定實體的數位映射」，重點在於與真實世界即時同步，背後是工程模型加上IoT資料流。模擬器（如Isaac Sim、MuJoCo、Gazebo）則是基於物理方程式建構的程式化環境，優勢是可控、可重現，缺點是建模成本高，且在接觸力學與柔性物體上仍存在sim-to-real落差。世界模型則是用神經網路從資料中學出來的「環境動態函數」，不依賴明確規則，可以生成從未真實出現的場景；本質上是從資料學出來的，不是手工建構的。三者並非互斥，近年逐漸結合：用模擬器產生資料訓練世界模型，再以世界模型補足模擬器涵蓋不到的長尾場景。釐清這些定義之後，真正值得ICT產業注意的，是世界模型為什麼會成為具身智慧（embodied AI）能否規模化的關鍵元件。機器人在實體世界嘗試動作，每一次都伴隨不可逆的成本。機器人用力一壓，可能直接打破物料；自駕車試一個激進變道，可能撞到行人。這與語言模型的處境截然不同——語言模型的錯誤輸出最多被使用者打回，沒有實體損害。具身智慧的學習與決策迴圈，因此必須有一層「先在內部模擬一遍」的階段，而那層內部模擬，世界模型提供可能的工具。舉例來說，機器人的複雜推理可以嘗試這樣運作：每一步推理不只是用語言判斷「下一個動作該做什麼」，而是先預測「做完這個動作之後，世界會變成什麼狀態」，再把這個預測送入世界模型驗證實體上是否合理；通過驗證的動作，才會送到真實世界執行。這把推理鏈從「在語言空間中規劃」拉回到「在實體空間中驗證」，正是具身智慧與大型語言模型在推理結構上的主要分野。少了這層驗證，機器人就難以走出受控場域；補上之後，泛化與規模化才有空間。這個方向在近期研究中陸續出現：部分VLA研究（如CoT-VLA）開始把世界模型與具身推理結合，在執行動作前先在內部模型中生成子目標影像或合成成功軌跡，再回頭修正動作；NVIDIA的Cosmos Reason也把世界模型的預測輸出接到推理層。這些做法都還在實驗階段，但愈來愈多研究傾向認為：可靠的世界模型，可能是讓具身智慧走出受控場域的關鍵元件之一。這個方向的另一面，是運算需求的大幅躍升。大型語言模型處理的是離散token，每秒幾十到上百個就算流暢；世界模型處理的是高解析度、長時序、多模態的影像或3D表示，每一秒影片對應的資訊量大致相當於數十萬至上百萬個token。一旦世界模型真的在具身智慧上成形，這波運算需求會比目前以token為主的大型語言模型高出一個量級；不只是token變多的問題，而是運算的維度從「文字」擴展到「世界」。運算之外還有2道更基礎的瓶頸。一是3D空間推理仍有明顯落差，連物件相對位置、可達性、操作後果這類實體任務中視為基本的能力，目前都還不夠穩定。二是實體一致性與互動：影片擴散模型已能生成相當逼真的畫面，但物件穿模、重力違反、接觸不合理這類錯誤仍常見——世界模型從資料學動態，沒有明確的物理約束，畫面好看不等於符合物理規律；要在毫秒等級對輸入動作做出實體一致的回應，目前還沒有方法能在機器人實際所需的延遲下穩定運作。AI產業現在缺的不是更多世界模型，而是第一個真正需要它的殺手級應用。比較值得追蹤的不是又有哪家發表新版世界模型，而是3D推理與低延遲互動這兩層基礎能力會在哪一個垂直情境先站穩；那個情境多半也會成為第一個真正需要世界模型的應用。過去幾十年的科技發展也顯示，這類路線分歧本就是探索解方的過程；一旦某條路線走出明確的產業效益，研究方向往往會再次收斂。