機器人會走路，不代表會工作：Physical AI 的技術真相與企業導入指南

資料查核基準：2026 年 10 月 21 日。本文適用於企業經營者、製造及物流主管、研發與 IT／OT 整合人員。情境與試算為教學示意；引用來源列於文末。

倘若請一台機器人把貨架上的紙箱移到輸送帶，這個指令聽起來並不困難。它只需要看見紙箱、伸出手、抓住紙箱，再把它放到指定位置。然而，真正的倉庫不是實驗室：箱子的大小可能不同，條碼貼紙可能反光，箱子可能因內容物偏向一側而失去平衡，隔壁同仁可能臨時走入通道，輸送帶也可能因上游設備異常而突然停止。

影片只要呈現一次成功動作，就能讓人感到驚艷；企業卻不能只看成功的一次。當同一項工作每天重複數百次，管理者關心的是，機器人能否在環境變動時維持正確率，何時需要人介入，一次停機會造成多少連鎖損失，以及在故障、維修、耗材與安全成本算進去之後，這項投資是否真正划算。

這正是理解 Physical AI（實體人工智慧）最重要的分界。它不是替機器人加上聊天功能，也不等同於讓人形機器人跳舞。它把人工智慧的決策從螢幕推向有重量、慣性、摩擦力、距離、碰撞風險與人身安全責任的現場。NVIDIA 對 Physical AI 的說明涵蓋能在物理世界感知、理解、推理與採取複雜行動的自主系統；Arm 的解釋也強調感測、運算、控制與實體動作所構成的迴路。〔S01、S21〕

2026 年，產業正在發生兩件必須分開理解的事。一方面，世界工廠裡已有龐大且成熟的機器人基礎。國際機器人聯合會（IFR）於 2026 年 9 月發表的資料指出，2025 年全球新增安裝工業機器人 603,000 台，全球運作中的工業機器人存量為 5,079,000 台。另一方面，吸引最多鏡頭的人形機器人仍處於快速試驗與有限擴張期。IFR 對 2025 年市場的統計指出，全尺寸人形機器人全球銷售約 7,000 台，許多應用仍專注特定任務，部分需要遠端人員介入。這三個數字的統計口徑不同，不能相加，也不能據此推論已有多少設備採用生成式 AI。〔S02、S03〕

本篇不將 Physical AI 當成一個用來描述未來的流行詞。相反地，我們要回答一個更務實的問題：企業怎麼判斷，自己需要的是已經成熟的自動化設備，還是值得投入試點的實體 AI？ 若真的要導入，應從哪個任務開始、用什麼指標驗收、由誰負責安全，以及如何防止展示成功卻營運失敗？

一、Physical AI 是什麼？真正的差別在於 AI 能不能對世界產生可驗證的作用

過去大眾熟悉的生成式 AI，大多接收文字、圖片、語音或文件，再輸出另一種數位內容。即使它會操作軟體、呼叫工具、發送郵件或建立報表，作用對象仍以資訊系統為主。Physical AI 則把行動範圍延伸到物理空間：用攝影機與感測器取得現況，判斷位置與物體狀態，再將決策交給控制器和機械裝置執行，最後確認結果是否符合目的。

假設系統被要求「把有瑕疵的零件挑出來」。在一般視覺 AI 的情況下，模型可能只標示瑕疵位置，等待工作人員處理；在整合式 Physical AI 系統裡，相機辨識、定位、動作規劃與機械手臂可以構成一個完整流程，將辨識結果變成抓取、分揀與紀錄。兩者都是有價值的應用，後者多了機械動作與安全要求，並不因此必然比前者更符合經濟效益。

「Physical AI」是一個跨越人工智慧、機器人、控制、感測與工業整合的產業用語，至今沒有理由把某家供應商的模型架構當成唯一標準。它可包含智慧倉儲、工業機械手臂、自主移動設備、無人載具、巡檢機器人與特定自動駕駛系統。真正共同的特點，是系統需要在不可完全預知的物理條件下維持有效行動，而不是依賴人類先把所有狀況逐一寫成固定指令。

與 Physical AI 經常一起出現的還有 Embodied AI（具身智慧、具身人工智慧）。學術與產業的用法存在交集：具身智慧常強調智慧如何透過身體、感知和環境互動形成；Physical AI 在商業語境中則更常延伸到完整的感測、運算、控制、部署與實體安全系統。這不是嚴格互斥的兩個產品分類。一台兼具視覺理解、行動學習與實體控制的機器人，完全可以同時被兩個詞描述。採購時不要用標籤判斷能力，應直接問模型收到什麼資料、會輸出什麼、能控制哪種機器、如何驗收。

另一個容易混淆的名詞是 AI Agent。它指能根據目標規劃步驟並調用工具的 AI 系統，不必擁有物理身體。Physical AI 系統裡可能有一個負責流程拆解與跨設備協調的 Agent，但會規劃搬運順序的 Agent，不等於能安全夾取易碎物的動作控制器。2026 年 Google DeepMind 推出的 Gemini Robotics ER 2，就是高階具身推理與低階視覺語言動作模型分工的案例：前者負責理解連續影像、規劃多步驟與協調，真正的運動執行仍需要下層控制能力。〔S04、S05〕

因此，當供應商說設備已經具備「自主性」時，企業要追問的是自主到哪個層次：可以自行導航，但抓取仍依賴固定治具？能在未知光線下辨識零件，但遇到意外情況必須由人遙控？還是可以在安全限制內自行決定重試、暫停、改走路徑，且每一步都有可稽核的日誌？越具體描述任務，越能避免被「通用智慧」四個字誤導。

二、為何一個看似簡單的動作，對機器而言可能異常困難？

人拿起紙杯時，通常不會先計算杯子的三維模型、表面摩擦係數與手指各關節扭矩。眼睛、觸覺與多年累積的身體經驗，讓人能在毫秒到秒級的連續回饋中修正力道。對機器而言，這些能力必須拆成可量測的感知、狀態估計、任務規劃、運動控制與錯誤復原流程；任何一段失準，都可能讓整個任務失敗。

首先，電腦看見的不是一個具有完整物理特性的「杯子」，而是影像、深度、反射、輪廓、遮擋與雜訊。若杯子透明，深度攝影機可能無法穩定取得形狀；若金屬零件反光，視覺定位可能偏移；若兩個包裹互相擠壓，畫面不一定能揭示底下的接觸關係。即使模型認出物品名稱，也不代表它知道可抓取的位置與需要多少力量。

其次，空間中的物體會因動作而改變狀態。模型要求機械手臂夾住一張柔軟布料，布料便會皺起、滑動、拉扯；向下施力可能壓壞零件，向上提起可能碰撞上方設備。這類情境沒有一條永遠正確的固定軌跡，系統需要先推估結果，行動後再觀察，必要時調整。Physical Intelligence 在介紹其 π₀ 機器人模型時，特別以摺衣服、整理桌面等日常工作說明物理互動的難度；這些都是該研發團隊的實驗敘述，不能直接延伸成所有品牌機器人均能完成相同任務。〔S12〕

第三，時間尺度不同。聊天系統回答晚幾秒通常只影響體驗，卻未必直接危及旁人；移動平台的障礙物偵測、夾爪力控制與碰撞停止，則可能有嚴格的延遲要求。真正可用的架構，通常不會讓通用語言模型獨自承擔高速且安全關鍵的低階控制。高階模型規劃「接下來做什麼」，底層控制器負責在硬體限制內「此刻應如何動作」，獨立的安全系統則決定「什麼時候必須停止」。

第四，環境有長尾例外。機器可以在完全一致的紙箱上練習一萬次，卻可能在首次遇到破損紙箱、濕滑地面或新型包材時失誤。這不一定代表模型完全不具智能，而是訓練資料、仿真條件與部署環境尚未充分覆蓋風險。在物理世界裡，失敗不是單純答錯問題，還可能導致貨損、設備停機或人員受傷，所以測試方法必須比觀看一段影片嚴謹得多。

企業應將一個工作拆成「任務成功」與「安全完成」兩個不同目標。即使貨物最終送達，只要過程發生未授權越區、近距離碰撞風險、異常加速或安全裝置被繞過，就不應算作合格。相同地，一台為了避險而頻繁停止的機器也可能足夠安全，卻因產能不足而沒有商業價值。安全與產能都需要驗證，不能拿其中一個替代另一個。

三、一套 Physical AI 系統的核心，不是單一模型，而是多層能力共同運作

如果把一台智慧機器人拆開，最下層是本體與執行機構，包括底盤、關節、馬達、減速機、夾爪、供電與煞車。其上是感知裝置，例如一般相機、深度相機、光達、力矩感測器、編碼器與接近感測器。再向上則是讓設備知道「我在哪裡、周圍有什麼、目前正在做什麼」的狀態估計與環境理解，接著才是模型決策與動作規劃，最後連接企業的派工、倉儲管理、生產執行或維修流程。

這種層次描述不是某個品牌專利架構，而是為了讓非工程背景的決策者理解責任分界。如果機器抓錯物品，可能是模型分類錯誤；如果抓對物品卻撞到架子，可能是幾何定位、軌跡規劃或安全邊界設定的問題；如果一整條物流作業停滯，原因也可能不在機器，而在 WMS 沒有正確更新任務狀態。把所有失敗都稱為「AI 不準」會讓團隊永遠找不到可改善的環節。

感知與狀態估計：看見，不代表知道

影像是感知來源之一，卻不是唯一答案。企業需要根據工作辨別哪些狀態屬於「看見即可」，哪些必須量測。進貨箱數可能適合影像辨識；精密裝配可能需要接觸力與微小位移；高架巡檢可能需要位置、距離、熱影像或氣體感測。感測器越多並不保證更好，還會引入校正、同步、維護與失效診斷的成本。

在工廠現場，狀態估計尤其重要。相機輸出的「這裡有一個物品」，必須轉換成設備可用的座標、方向與可信度；若工件在輸送帶上持續移動，還需要估測速度與到達時間。當相機與機械手臂的座標系統對不上，AI 模型可能已經做出正確辨識，機器卻仍然抓錯位置。這也是為什麼資料標註、鏡頭位置、光源配置和設備校正不能被當作次要工程。

任務規劃與動作控制：知道目的，不等於走得出路

一個完整任務可能包含「到貨架前、辨識物品、選擇抓點、取出、避開障礙、移至輸送帶、放下、確認完成」。高階規劃會決定次序與策略，低階運動規劃需算出符合關節、速度、力矩與碰撞限制的動作。當抓取失敗時，系統還得定義重試幾次、什麼情況改變抓法、何時通知工作人員。若此處沒有可預測的狀態機，再強的語言理解模型也不適合直接進入營運。

Google DeepMind 於 2026 年 7 月介紹的 Gemini Robotics 2 與 ER 2，將全身動作能力與高階具身推理協調成互補角色。官方展示提到靈巧操作、連續任務、自我修正與多機器人協作，並透過模型卡和研究報告說明測試與安全限制。對買方而言，這代表技術方向已由「理解一張圖片後動一次」朝「理解持續變動的任務進程」前進；但展示中的成功不等於在任何工廠、任何機器本體上都能重現。〔S04、S05〕

安全監督：最需要獨立設計的一層

模型愈能自主決策，工程安全的責任就愈不能交給模型的主觀判斷。危害分析必須涵蓋人員可能進入的區域、夾持與壓傷風險、移動路線、負載、掉落、停電、網路中斷、感測器故障和維修模式。對符合適用範圍的工業機器人，ISO 10218-1:2025 規範工業機器人本身的安全要求，而 ISO 10218-2:2025 聚焦機器人應用與工作單元的整合。兩者並不是模型能力認證，也不能只憑購買一台標示合規的機器，就宣稱整個工廠部署完全合規。〔S15、S16〕

因此，實務採購應把系統分成三個可以清楚驗收的責任域：第一，AI／任務層的決策品質；第二，動作控制與機械設備的工程能力；第三，可獨立觸發的安全停止與人員保護機制。當三個責任域由不同廠商提供，整合商還必須提出明確的測試與責任分工文件。這類文件不如機器人展示影片吸引目光，卻是決定專案是否能安全運轉的核心。

四、VLM、VLA、世界模型與數位孿生，究竟各自解決什麼問題？

Physical AI 發展之所以受到關注，原因之一是多模態基礎模型正在補足傳統自動化難以處理的語意、場景變化與跨任務泛化能力。然而，市場報導常把不同技術堆成一串名詞，讓管理者以為只要購買「世界模型」就能自動訓練出任何機器人。其實這些技術的功能不同，而且可以混合使用。

VLM（Vision-Language Model，視覺語言模型）主要把影像與語言結合，適合回答「畫面裡有哪些東西」「操作員所指的是哪個箱子」「目前是否存在某種異常」。它能支援視覺理解和高階推理，卻未必直接輸出可執行的連續機器動作。若只取得物品名稱與文字描述，還需要把結果轉換為工作座標、夾取策略與設備指令。

VLA（Vision-Language-Action，視覺語言動作模型）進一步把視覺、文字與動作連結，讓模型根據觀測與指令產生機械運動所需的輸出。Physical Intelligence 的 π₀ 是具代表性的研究案例，團隊以跨機器人資料、預訓練語意能力與連續動作輸出嘗試處理不同操作任務。其開源專案 openpi 也明確提醒，原始模型是為特定機器本體研製，在新設備上的調整未必成功。這句限制對企業的意義極大：模型開放下載，不等於買來任何機械手臂就能直接上線。〔S12、S13〕

世界模型（World Model）則關注「假如現在採取某個動作，環境可能怎麼變」。例如，移動平台準備穿過狹窄空間，可以利用模擬預測障礙物、行進軌跡或後續視角；夾取任務可以透過生成與模擬資料讓策略接觸更多變化。NVIDIA 於 2026 年發表 Cosmos 3，官方將它定位為整合視覺推理、世界生成與動作能力的實體 AI 基礎模型；NVIDIA 同時提供資料處理、訓練與評估相關工具。這有助於提升開發效率，但不代表生成影片天然遵守現實中的每一個接觸力、摩擦係數與碰撞條件。〔S06、S07、S30〕

數位孿生（Digital Twin）與世界模型也不能完全畫上等號。實務上，數位孿生是特定場域或資產的數位表示，可整合設備參數、幾何、產線規則、感測資料與營運狀態。世界模型較強調從資料中學習環境如何變化，並生成或預測可能結果；數位孿生較常以已知工程設定、實測資料和系統整合來支撐設計與運營。兩者都可以用於模擬，但建模方法、物理可信度與用途需要個別評估。

再加上一個經常被忽略的環節，是模擬到真實（Sim-to-Real）。在模擬場景裡成功學會路徑，不代表現場的摩擦、遮擋、感測延遲、光照與人員動線都被完整呈現。團隊可能透過不同材質、隨機燈光、物件姿態與感測噪聲來擴大訓練條件，再把策略移回真實硬體逐步驗證。這裡的關鍵不是模擬出多少漂亮影片，而是模擬測試能否預測現場失敗，以及哪些失敗模式仍必須在受控實體測試裡發現。

對非研究單位的企業，最合理的提問通常不是「我們是否應該自行訓練世界模型」，而是「現有產品能否利用更好的模型，解決我們不斷變更治具、頻繁人工判斷或產生停機的問題」。若供應商回答必須先投入大量自建 GPU 與資料收集，應要求它估算與成熟解決方案相比的邊際價值，並給出具體的測試計畫，而不是把所有算力投資都歸類為競爭優勢。

五、2026 年的產業證據應該怎麼讀？機器人普及，不代表通用自主性已普及

討論 Physical AI 時，最容易出現的錯誤是把不同來源的數字拼成同一條成長曲線。例如，有人將既有工廠機器人裝置量、智慧物流機器人銷售、人形機器人預購及未來市場預測全部稱為「Physical AI 市場」，再據此推導企業應立即投資。這種說法忽略統計範圍，也將已實現的收入與尚未交付的承諾混為一談。

IFR 在 2026 年 9 月發布《World Robotics 2026》工業機器人資料，指出 2025 年新增安裝 603,000 台，年增約 11％；全球在役工業機器人達 5,079,000 台，年增約 9％。這確實顯示工廠自動化持續擴張，但這些設備可能使用固定程式、感測控制、機器視覺或不同程度的 AI。統計並未把所有工業機器人定義成具備通用自主能力的 Physical AI。正確讀法是：工廠已有巨大硬體與整合基礎，是否能升級到更具彈性的決策，還需逐案驗證。〔S02〕

IFR 同期針對服務機器人的報告則指出，2025 年全球專業服務機器人的出貨／銷售規模接近 250,000 台，較前一年增加 24％；其中運輸與物流機器人約 117,500 台，約占該類別的 47％。人形機器人方面，IFR 估計 2025 年全球銷售約 7,000 台高度超過 140 公分、用於商業或專業用途的全尺寸機型，並提醒許多專案仍依賴專用情境或人員遠端操作。這些是不同產品與用途的統計框架，不可把 7,000 台當作 250,000 台的同義標籤，也不能以銷售量證明它們都能獨立完成多工種工作。〔S03〕

這組資料帶來一個值得企業注意的結論：今天產業最可驗證的機會，往往不在「一台機器人能做任何事」，而在「可界定的物流、產線或巡檢工作是否能更可靠、更便宜地完成」。通用能力值得追蹤，但採購決策應以已經被清楚界定的工作問題開始。

真實案例一：Amazon 的規模來自營運整合，不是單一人形機器人

Amazon 於 2025 年 6 月宣布其營運體系部署第 1,000,000 台機器人，並推出用於協調移動機器人路徑的 DeepFleet 模型。Amazon 宣稱此技術可望讓機器人群的移動效率提升 10％。必須注意，這是公司自己的宣布，且 10％屬供應商對該模型的效益表述，不應寫成所有倉庫已經實現 10％成本下降，更不代表 Amazon 部署了 1,000,000 台人形機器人。〔S10〕

這個案例真正值得學習的是工作流與系統整合。倉庫的價值不是讓單台機器動作最花俏，而是讓大量設備知道任務優先順序、如何避開堵塞、何時補貨、如何與人員和輸送設備交接。如果每台設備的局部最佳路徑導致整個倉庫塞車，那麼即使各自的導航模型表現良好，整體產出仍然可能變差。對中型企業而言，部署一套能夠正確派工與記錄例外的控制平台，可能比購買最昂貴的單台機器更有價值。

真實案例二：Boston Dynamics Atlas 正從展示走向工廠訓練，但階段必須說清楚

Boston Dynamics 在 2026 年 1 月揭露可量產版本的 Atlas，並宣布與 Google DeepMind 合作，探索將 Gemini Robotics 基礎模型導入 Atlas。更值得觀察的是公司於 2026 年 9 月 21 日宣布，在 Hyundai Motor Group Metaplant America 設立 Robotics Metaplant Application Center（RMAC），讓 Atlas 在真實汽車製造環境中學習零組件物流與排序等工作。這代表場域試驗逐步制度化，但「設有訓練中心、正在訓練」與「已在多座工廠替代完整工作流程並可證明 ROI」仍是不同的事情。〔S08、S04〕

從產品管理角度，RMAC 模式的意義是把研發團隊、現場作業、工程安全與改善迴圈放在同一個場域。每天遇到的例外，才會變成下一輪測試和資料收集的內容。企業可以參考這種方法，但不一定需要成立研究中心；更可行的做法，是選出一個有管理者負責、能量測結果的工作站，持續累積真實失敗案例與修正紀錄。

真實案例三：Agility Digit 的里程碑需要與測試範圍一起閱讀

Agility Robotics 於 2026 年 9 月宣布 Digit 5，並在官方資料提到前一代 Digit 4 累積超過 65,000 小時的作業時間；GXO 的場域曾達成累計搬運 100,000 個周轉箱的里程碑，公司宣稱在執行任務期間具有約 98％準確率。這些是供應商公布的成果，沒有同一測試框架的第三方資料時，不應直接拿來和其他廠牌排序。更不能把「on-task accuracy」當成全部可用率、安全合規率或整體營運成本。〔S09〕

但這份公告仍有商業參考價值：與其只拍一段漂亮的搬運影片，廠商已開始用累計任務量與作業時間描述部署經驗。下一步更值得採購方要求的，是有效作業率如何定義、排除哪些例外、人工介入時間是否計入、人員配置是否真的改變、平均修復時間有多長、每個成功周轉箱要花多少總成本。只有補足這些分母與邊界，里程碑才能變成可比較的經營指標。

真實案例四：Google DeepMind 讓 Physical AI 的「推理」與「動作」更明確分工

Google DeepMind 在 2025 年推出 Gemini Robotics 與 Gemini Robotics ER，2026 年 7 月再介紹 Gemini Robotics 2 和 ER 2。其重點並非讓語言模型直接掌握所有馬達，而是研究高階具身推理、持續影片理解、行動控制、細緻手部動作與多設備協調。Google 的官方說明也提到安全判斷與需要人員介入的情況。這種分層發展值得關注，因為真實產線往往需要的是可協作、可監督的架構，而不是一個沒有責任邊界的單體模型。〔S04、S05、S23〕

當然，模型製造商的展示仍需由採購方提出自家現場測試。不同末端夾具、馬達性能、通訊協定、工作物、照明和工安設定，都可能造成實際表現差異。同一研究團隊在特定機器上成功的任務，不能推論會自動轉移到企業現有的全部設備。從研究到商用，中間還有大量工程驗證工作。

六、Physical AI 的應用場景：優先尋找工作痛點，而不是先決定機器外型

當一個企業準備導入 Physical AI，內部最常出現的提案可能是「我們要買一台人形機器人，先放在工廠試試看」。這看似積極，其實把採購的順序顛倒了。購買之前，企業尚未回答的問題包括：哪個流程的成本最高？現有自動化為何做不到？任務是否需要移動、抓取、判斷，還是單純需要更好的排程？如果這些問題沒有答案，機器人可能成為展示品，而不是生產力工具。

比較有效的做法，是從既有流程挑出「人工必須不斷感知環境並作出小幅調整」的工作，再判斷是否具備合理的自動化邊界。不是每個需要人判斷的任務都值得讓機器代勞。例如，若某道工序每天只執行數次、物品種類極多、現場缺乏固定工位，即使技術可行，蒐集資料和改造環境的成本仍可能高於預期效益。

製造：先處理少量多樣的物件定位與上下料

傳統工廠擅長把高頻、固定位置的流程自動化。當工件大小和姿態多變，人工便可能介入定位、搬運、翻面、分揀和機台上下料。這是 Physical AI 值得評估的切入點，因為它的感知與規劃能力可以減少部分人工重新教點的需求。具體的業務問題不是「能不能辨認全部零件」，而是「在允許的零件規格與位置範圍內，能否穩定完成抓取並送入下一工序」。

一項可做的現場試驗，是針對單一工作站收集近幾週的零件種類、擺放偏差、處理時間、人工干預與損傷紀錄。再由作業者挑出最常失敗的三類情境，例如工件交疊、黑色表面與反光包裝。把這些例外加入驗收集，比單純增加成功抓取的展示照片更能提升決策品質。

也必須留意，人與機器的工作時間未必可以一比一取代。機器成功完成上下料後，仍可能需要操作員定時補料、排除卡件、清潔鏡頭、重設夾具和處理超出規格的物品。若將這些剩餘工作完全排除在成本之外，財務試算便會高估自動化價值。更合理的商業成果可能是讓同一位操作員照看更多工作站，或讓機台空轉等待時間減少，而不是直接裁減一個職位。

物流倉儲：從搬運開始，再評估跨設備協調

對倉儲來說，作業價值常在「把正確物品，在正確時間，送到正確位置」。已有成熟的固定輸送線、自動倉儲設備、AGV 與 AMR 能解決大量需求。Physical AI 的增量價值可能在於環境變動較多、路線調整頻繁、裝卸交接複雜，或需要理解多種異形物件的情境；但這並不意味每座倉庫都應跳過較成熟且低風險的解法。

以一個有夜班作業的配送中心為例，真正應觀察的是周轉箱何時堆積、AGV 是否等待人工卸貨、訂單波峰是否造成瓶頸，以及工人是否長期在同一站進行高重複動作。如果最顯著的瓶頸來自人工將周轉箱從移動平台搬到輸送帶，那麼引入具抓取能力的機器或專用卸貨設備有可量測的意義。若瓶頸是派車演算法不佳，則可能先從排程與路徑最佳化獲得較高報酬。

Amazon 的龐大機器人系統值得關注，但其基礎設施、資料規模、標準化流程與軟硬體整合能力，未必是中小型企業短期可以複製的條件。較小的企業應學習的是清楚定義任務與串接系統的方式，而不是把機器數量當成效益目標。〔S10〕

巡檢與設備維護：減少人員進入高風險空間的次數

部分場域的首要價值不是加快生產，而是降低人員暴露於危險環境的機會，例如高溫設備附近、侷限空間、長距離管線或災害後的初步偵查。具移動能力的四足或輪式平台搭配影像、熱感、聲學與氣體感測器，可以在既定路線執行資料蒐集。若系統能辨識異常並回報位置，維修人員便可能更有效地決定何時、何處及如何進入現場。

這類專案特別需要拆分「觀測」與「作業」。巡檢機器人能讀取表計，不等於能打開閥門進行維修；能走進地下空間，不等於具備防爆或消防等特定環境的完整安全適用資格。企業必須將各種場域許可、設備耐受條件、訊號覆蓋與緊急救援流程分開審查。若任務只需要在安全路線收集影像，企業未必需要昂貴的通用操作手臂。

臺灣經濟部於 2026 年 7 月公布國產四足機器人研發平台，提及地下涵洞巡檢、自主導航與消防救災等應用驗證，涉及國內產學研及供應鏈合作。這是本土能力正在建立的證據；然而「研發平台完成驗證」與「各種高風險環境都已取得安全使用資格或完成規模商用」不能等同。採購仍須依任務實際環境進行驗收。〔S25〕

醫療與照護：高潛力同時代表更高的證據門檻

醫療機器人的物理動作可能涉及患者身體，風險等級與一般倉儲搬運截然不同。在這個領域，操作精度、可追溯性、人員監督、設備適用用途與相關醫療器材規範比展示效果更重要。若設備只是提供導航定位輔助，不應被描述成自主完成手術；若是搬送藥品與耗材，則應另外評估交接身分核對、汙染控制、病房動線與感染風險。

經濟部於 2026 年 8 月的臺灣智慧機器人展資料列舉了國產醫療輔助手術設備、巡檢機器人、餐飲機器人等成果。這說明 Physical AI 的應用生態不限於工廠，但單一展覽的案例展示不能替代臨床效益研究、醫材許可的個案適用範圍或機構內部稽核。對醫療組織而言，應先選擇不直接接觸病患、結果容易驗收的物流與巡檢流程，再依監管程度逐步擴展。〔S24〕

農業與商業服務：先盤點環境的不穩定程度

農田、餐廳、飯店與公共空間往往比工廠更不規則。地形可能泥濘，物件可能尺寸不一，人流可能突然變化；設備還可能曝露於高濕、清潔化學品、陽光反射與無線網路品質不穩。這使得 Physical AI 的感知與自適應能力具有想像空間，也使部署、維修和保險費用更難低估。

若目標只是沿固定範圍割草、搬運標準化容器或進行定時清潔，成熟的單一用途設備可能已經足夠。相反地，如果工作必須在多種物件、跨樓層路線與臨時障礙物之間切換，才值得把自主任務規劃納入比較。應用場景無論多吸引人，企業最後仍要回到同一個問題：在特定時間與環境約束下，機器是否比現行流程提供更好的可驗證成果？

七、不要先問「買哪台」，而要判斷工作屬於哪一種自動化問題

把所有流程都交給 AI 不是現代化，而是缺少分類能力。成熟的固定程式、自動光學檢測、控制器、傳統機器視覺與智慧排程，往往能以較低成本解決大多數可預測工作。Physical AI 應該用在傳統技術難以有效處理變動，但風險仍可被合理控制的任務；當變動極高、直接接觸人員或存在不可逆損害，應先降低任務複雜度，而不是直接購買最先進模型。

我們建議以兩個維度做第一輪篩選。橫軸為環境與工作變動性：物件種類、路線、光線、交接方式、工作次序是否常變。縱軸為失敗的物理後果：撞擊、掉落、傷人、污染、設備損傷及停機外溢成本。四個象限並不是產業統計，而是為管理決策設計的初步分類工具，正式設計仍必須經過工程危害分析。

在「低變動、低風險」環境，首選通常是簡單自動化。例如相同尺寸的盒子固定放在標準治具上，透過感測器與機械手臂即可穩定重複。加入大型模型可能只會增加軟硬體成本和維護負擔。與其追求最複雜方案，不如比較每件處理成本、停機時間與重新設定次數。

在「高變動、低風險」環境，較適合進行 Physical AI 的受控試點，例如將多種形狀、低重量且不易破損的物品分類到不同容器。任務的變動足以讓傳統程式難以維持，失敗後果又可透過低速操作、隔離區域或人工復原降低。這是最容易為新技術建立可驗證學習迴圈的地方。

在「低變動、高風險」環境，通常先投資成熟的機械保護、固定流程與功能安全，不應因為有 AI 模型就改寫所有安全動作。例如高速旋轉機具周圍的物件搬運，即使位置完全固定，只要失敗可能造成人員受傷，就必須將防護、隔離與停機設計放在第一位。

至於「高變動、高風險」，則是需要最嚴格可行性與安全評估的象限。企業可以考慮先把現場分隔為較單純的子任務，改變設備配置，使用半自動化或遠端操作，也可以選擇暫時不導入。決策者尤其要避免讓業務簡報中「可以學習任何技能」的遠景壓過具體的安全與責任問題。

實際篩選時，應同時看三個業務因素：任務量是否足夠高、人工是否在這裡真正形成瓶頸，以及工作成功與失敗能否明確計數。如果任務只發生在少數旺季，則租賃、外包、自動化排程或調整流程可能更有效。對中小企業而言，合理選題比追逐新聞中最熱門的機器外型更有競爭力。

八、從影片、實驗室到工廠：如何分辨 Physical AI 的成熟程度？

企業接觸供應商時，通常會看到四種形式的證據：研究展示、受控測試、客戶試點，以及正式營運。每一種都有參考價值，但不能互相代替。研究展示證明某個能力至少曾在展示條件下發生；受控測試可在預先設定的條件下累積成功率；客戶試點可揭露真實環境的例外；只有穩定營運並且持續紀錄成本與停機，才能評估是否有經濟效益。

第一階段是概念或單次展示。影片通常告訴我們設備可以做什麼，而不是做不到什麼。如果沒有完整起迄時間、重試次數、操作者角色和失敗條件，不能計算穩定性。企業可以把這類資料列為供應商的研發方向證據，但不能將其當作採購承諾。

第二階段是受控測試。團隊會定義測試物件、環境邊界、操作次數與任務成功判定，讓別人可以按照相同條件重做。若測試只包含乾淨的場景，成果仍有參考限制；更有價值的是將光線、物品擺放、錯誤標籤、設備中斷、人員進入等例外納入。企業需要看到失敗分布，不能只看平均成功率。

第三階段是現場試點。真實產線通常會出現設備維修、班別交接、組長調整工作、急件插單及網路異常。此時供應商必須證明它能與既有 MES、WMS、PLC 或維修管理流程協作。即使 AI 模型本身未變，現場整合也可能讓效能出現明顯差距。試點的成功標準應包含工作完成、人工干預、平均恢復時間、資料記錄與安全事件，而不是只看技術展示是否完成。

第四階段是可重複的營運部署。最值得關注的不一定是部署的台數，而是同一種場景是否能在不同班別、不同月份甚至不同廠區保持品質。應詢問實際作業的「分母」：共接收多少任務、多少成功、多少由人接手、多少未完成、多少因安全因素停止、多少因上游系統停機而被排除。沒有分母的「成功達 98％」很容易掩蓋定義差異。

第五階段才是可規模複製的營運能力。這時候，機器設備更新、模型版本管理、備品、保養、訓練、資安權限、異常通報與維修 SLA 都要有標準流程。若每進入一座新工廠都必須由研發工程師長駐半年，企業或供應商仍未完成真正的規模化。此種成熟度評估是本篇提供的編輯判準，而非宣稱已有全球統一的 Physical AI 分級認證。

同一套機器可能在某個工作站達到第四階段，在另一項新任務仍停留第二階段。這是許多科技報導容易省略的事實：成熟度是「設備、任務、場域與操作條件」的組合，不能只依型號或 AI 版本判定。Atlas 於 Hyundai 的訓練場域、Digit 在物流場域的作業里程碑，都應用這種分工方式閱讀，不宜直接把其中一項成果延伸成所有場域的成熟度。〔S08、S09〕

九、企業要不要做人形機器人？先比較三種替代方案

人形機器人的吸引力很直觀：我們的建築、門把、工具、走道、機台高度與作業台多半依人的身形設計，若一種機器能在這種環境中移動與操作，就有機會減少大規模改造。但這個假設同時產生額外工程挑戰。兩足平衡、全身協調、電池續航、跌倒保護、末端操作與維修，可能使整體可靠性不如結構更單純的專用設備。

在企業提出「想要一台人形機器人」之前，值得先比較：固定或可移動的單用途機械手臂、輪式 AMR 加上操作裝置，以及具雙足和雙臂的人形平台。若工作只在固定地點進行，機械手臂通常可以避免導航與全身平衡的複雜性；若工作跨越平整走道，輪式平台往往具有能源效率和穩定性優勢；若工作需要大量使用人類工具、跨越樓梯與高度不同的工作介面，人形才更值得納入比較。

但「人形」不能靠外型判斷。某些需要雙臂操作的工作可以使用固定式雙臂設備；某些需要穿越門檻的移動任務，可能透過改造坡道或使用特殊底盤解決。真正應計算的是完成工作所需的自由度、可行的行走方式、環境改造成本，以及失敗後的風險。企業若可以透過低成本設施改造，讓既有機器人可靠執行，就沒有必要為了符合人類外型支付額外成本。

同時，人形平台可能有策略價值，尤其是研發、跨任務資料收集、可複用軟體架構與吸引技術人才。但策略價值與立即回收的營運投資必須分開審查。管理層可以核定一項受控的前瞻研究預算，也可以核定一項以回收期為核心的產線改善預算；兩者使用不同 KPI、財務門檻與退出條件，才不會因為研究沒有立即獲利就放棄學習，也不會因為展示令人印象深刻就忽略成本。

IFR 在 2025 年的人形機器人定位報告以及 2026 年服務機器人統計，都提醒了人形技術的潛力與限制：安全標準、訓練成本、維護負擔與清楚的商業案例仍是普及障礙。對企業來說，這不構成否定技術的理由，而是提醒我們：市場已經進入值得學習與測試的階段，但仍須依任務選擇最適合的機器形態。〔S03、S19〕

十、一份企業可以直接使用的 90 天導入計畫：先驗證任務，再討論採購

一個好的 Physical AI 專案，起點應該是可被執行部門接受的改善問題，而不是設備商的產品規格。若主管說「希望工廠更智慧」，這還不是專案目標；若能說「目前夜班搬運作業每班需要人工處理 180 次，周轉箱積壓常使下游等候，希望降低等待與重複搬運，且不提高人員安全風險」，團隊才有辦法訂定邊界與驗收條件。

我們建議用 90 天分成四個階段。這不是保證 90 天即可取得完整合規部署的統一時程；高風險場域、醫療用途或複雜產線可能需要更長的安全審查及設備整合。90 天的合理成果，應是完成一輪能支援決策的受控驗證，明確知道下一步是擴大、修正，還是停止投資。

第 1 至 2 週：先建立現況，不先購買硬體

負責部門首先要選出一個具體工作站或路線，連續記錄工作量、處理時間、失敗種類、人員介入、設備停機與物品損傷。需要分開記錄計畫停機、上游供料不足和工作本身的失敗，避免把別人的問題算到機器人的頭上。同時，現場主管應訪談第一線操作員，了解哪些看起來很簡單的動作，其實需要靠經驗判斷，例如發現箱底可能破損、辨識不規則包材或察覺設備聲音改變。

這個階段至少應有 4 份產物：現況流程圖、工作時間基準表、失敗情境清單，以及初步危害辨識。若缺少現況數據，後面就算取得漂亮的成功率，也無法證明改善幅度。管理階層要特別確認改善對象是不是瓶頸：把不影響整體產出的工作自動化，可能只是把等待時間轉移到別的工位。

第 3 至 4 週：比較替代方案與設定測試規格

跨部門小組應列出至少三條路徑：維持現有方式並改善 SOP、採用既有規則型自動化，以及採用具有學習或推理能力的設備。對每條路徑估算導入成本、風險、現場變更與可達成的改善。這時候需要邀請職安、設備工程、資訊、採購與操作主管共同參與，避免技術部門獨自完成選型後，才發現動線和工安不能通過。

試點規格應包含任務物件的種類與可接受偏差、每次工作速度、作業時間、正常與異常停止方式、遇到失敗的處理、人工接手的條件與資料保留方式。例如「在限定空間內處理 3 種周轉箱，連續 5 個工作日，每日記錄完整任務與人工介入」可以作為測試設計示意；真正的合格標準需依現況量測、設備風險及商業需求共同決定。不可把本篇示例數字當成國際合規門檻。

此階段最重要的是產出一份可簽核的 POC（概念驗證）計畫書。它應先寫清楚「什麼情況算失敗」，再寫「什麼情況算成功」。當現場需要人員接手機器時，必須完整紀錄處理原因與時間，不能因為最終由人把貨物放好，就把任務計為自主完成。

第 5 至 8 週：執行封閉環境測試與故障注入

當測試場地、物料、負載和安全措施核准後，才開始實際操作。初期應在隔離、低速與可控制的環境下測試，逐步納入不同光源、擺放偏差、物件變形、感測器遮擋與網路不穩等情況。需要由工程與職安團隊共同定義不造成危害的故障注入方法，不能為了證明 AI 很聰明而讓人員暴露在不必要的風險中。

每次失敗應被分類。例如「抓取前辨識錯誤」「定位正確但夾持失敗」「路線被阻擋」「模型輸出超出控制界限」「上游系統訊息延遲」屬於不同問題。如果只記錄成功／失敗兩欄，最後難以知道下一輪應改善相機、照明、治具、模型、任務管理還是控制器。建立失敗分類，就是把採購測試轉換為持續改善能力。

在現場工作量較小的情況，不應只用極少數成功事件宣稱高可靠度。一個連續成功 20 次的展示仍可能在第 21 次遇到罕見狀況；真正需要的試驗數量應根據目標失敗率、風險嚴重度與可接受的信心程度設計。對可能造成人身危害的情境，單靠統計上的任務成功率也不足夠，還需要獨立安全驗證與工程保護。

第 9 至 12 週：短期試營運、財務回算與投資決議

若前面的危害與技術檢核通過，才進入有限範圍的試營運。此時應由營運部門而不是展示團隊負責結果，逐班比對人工介入時間、任務量、設備可用率與錯誤成本。每次暫停後能否安全恢復，往往比單次連續運轉最高紀錄更具商業意義。若設備停止時需要供應商遠端工程師長時間介入，未來的服務契約也必須反映這項需求。

最後應以一頁決策摘要向管理層說明三個問題：第一，是否通過不可妥協的安全與技術門檻？第二，與現況及更簡單替代方案相比，成本效益是否成立？第三，若擴展到下一個場域，哪些設備、資料與工程條件需要重做？決策可能是擴大使用、延長試點、改用傳統自動化、要求廠商修正，或暫時取消。只要結論能以現場證據支持，決定不買也可以是一個成功的 POC。

十一、算清楚投資報酬：機器人價格只是成本的一部分

Physical AI 的採購簡報很容易強調單台設備價格，卻忽略其真正影響的是一整套工作系統。除硬體採購外，企業還可能需要支付安裝、電力、現場改造、網路、軟體訂閱、模型推論費用、系統整合、資料蒐集、測試、安全審查、保養維修、備品、教育訓練、保險與更新版本時的再次驗證。對現場主管來說，真正要比較的不是一台機器人比一個人的月薪高多少，而是完成一單位合格任務的總成本。

例如，一台價格看似合理的機器，若每天需要兩小時處理異常、每週停機一個班別，或需要重新聘請高階工程師維護模型，就可能失去原本的成本優勢。相反地，一套初期投入較高的設備若能讓多班制工作站連續穩定運作、減少貨損並釋放稀缺技能的人力，也可能有很好的回收期。不能只看成本，也要看可驗證的產出價值。

示意試算：一家臺灣工廠的周轉箱搬運流程

以下是教學用的假設案例，不是特定企業報價、薪資行情或實際導入成果。假設某工廠選定固定區域的周轉箱搬運，原本有相當於每年 1.4 個全職工作量（FTE）的重複搬運時間，可在改善後確實轉做其他具有產值的工作。假設每個 FTE 的完整年成本為 NT$960,000；改善品質與減少貨損每年另外產生 NT$180,000 可證明價值。專案設備及整合初期總投入 NT$3,400,000，後續每年運營、保養與支援成本 NT$360,000。以上數字全部屬刻意設定的情境參數，不能據此推論臺灣業界平均售價。

其年度淨效益可表示為：「可實現的人力容量價值＋可實現的品質改善價值－年度新增持有及運營成本」。代入示例為 1.4 × NT$960,000 ＋ NT$180,000 － NT$360,000，得到每年 NT$1,164,000。若假設效益每年一致、不計稅、殘值和其他現金流，簡單回收期是 NT$3,400,000 ÷ NT$1,164,000，約 2.92 年。用 8％ 年折現率、5 年專案期計算的稅前簡化淨現值約 NT$1,247,514。這些都只是說明如何運算，並非建議企業設定 2.92 年為必然可接受的門檻。

但計算中藏著最容易被忽略的條件：FTE 容量必須真的轉換成財務或產能價值。 假設原本的作業者仍照常待命，而且公司沒有擴充產能、縮減外包、減少加班或安排其他有價值的工作，節省的理論工時就不能全部視為真實現金流。若 1.4 FTE 的改善容量最後只有 0.7 FTE 能被實現，其他假設不變，年度淨效益就降為 NT$492,000，簡單回收期延長至約 6.91 年。這通常足以改變購買決策。

這個對照不是市場預測，而是在提醒企業：若效益高度依賴人員工作重新配置，營運主管就必須在投資之前提出具體做法。要讓機器作業後減少某段加班、提高某線稼動率，或使原本必須由外包完成的工作轉由內部處理，而不能只憑「理論上取代幾個人」完成簽核。

建議採用的五個財務視角

第一是初期現金流，不只列設備，也要列整合、驗證、停線改造與人員訓練。第二是年度營運費用，至少涵蓋保養、備品、軟體、模型、通訊和異常處理。第三是原本流程的基準成本，必須有相同工作量與品質條件才可比較。第四是可實現效益，分成現金節省、容量釋放、風險降低與無法量化的策略價值，避免互相重複計數。第五是退場或升級成本，例如租賃解約、模型轉換、零件停產、資料可否攜出。

在高變動環境，還應做敏感度分析。將任務成功率、作業速度、可用率、人工接手時間、每年實際工作量與保養成本分別調高、調低，檢查哪個參數最容易讓投資由正轉負。如果一份提案只有最樂觀的假設才能回本，應先縮小試點，或把價格與驗收成果連動。商業可行性不是在技術說明結尾加上一頁 ROI，而是從選題第一天就必須被量測。

如何將 AI 技術成本放進 TCO？

某些方案把推論放在設備內，某些使用邊緣伺服器，也有方案需要雲端資料處理或遠端管理平台。不同部署方式的資本支出、軟體授權、網路依賴和資安邊界差異極大。在需要毫秒級控制或敏感場域的情況，不能假設所有動作都能依賴遠端雲端模型；另一方面，也不代表所有分析模型都必須在最昂貴的設備端運算。

應要求供應商列出三種費用：每台設備的固定成本、每件任務的變動成本，以及擴充到多設備時的管理成本。若模型呼叫採次數計費，應確認異常重試、重新規劃與測試流量是否額外收費；若是授權制，應確認版本升級、連續服務與舊硬體支援年限。對中小企業，維修人力與系統整合成本可能比模型 Token 成本更值得優先關注。

十二、技術驗收不能只寫「成功率 95％」：至少要拆成八個不同指標

假設供應商說「我們的機器人成功率達 98％」，合理的第一個反應不是驚喜，而是詢問成功率如何定義。成功搬運 98 個物件／100 次嘗試，與 100 個任務中有 98 個最終透過人員介入完成，不是同一件事。若只挑選可以辨識的物件進入統計，或把裝置停機期間排除在分母之外，報表就會高估系統表現。

企業應先定義「已接收任務數」與「已在規格內自主完成數」，再計算自主任務完成率。接著將「完成但需要人工協助」單獨呈現，不能混入自主成功數。工作若因安全防護正常啟動而停止，不代表防護系統失敗，但對整體產能而言仍要記錄等待與恢復時間。這樣才能同時尊重安全設計與營運真實性。

另一個重要指標是有效產能。例如設備每分鐘理論上能處理 8 件物品，但每小時需要 15 分鐘重新定位與補料，實際有效產能就不同。應在相同班別、相同品項和相同品質條件下，比較「合格完成件數／實際占用的工作時間」。若只比較機械動作最快一次的秒數，便忽略了裝置初始化、清理與異常恢復的成本。

可用率也應與成功率分開。一台機器可能在能運作時達到高準確率，但每個月需要多次維修；另一台機器可能單次動作速度較慢，卻能維持穩定產出。管理者需要記錄計畫停機、非計畫停機、平均修復時間（MTTR）及故障間隔相關指標。實際定義應與供應商及現場會計口徑一致，並注明排除哪些時間，以免各方選擇對自己有利的數字。

人工介入率是另一個容易被隱藏的成本。若每完成 100 個任務就需要人員重新設定、清除卡件或遠端接手 20 次，這套系統可能仍有價值，但價值必須用真實人工時間重算。特別是跨時區雲端支援或駐點工程師協助，相關費用和服務承諾都應納入驗收，而不是被包裝成「目前正在持續優化」就略過。

對物理系統，安全事件與近失事件必須獨立登錄。沒有撞上人，不表示每次擦身而過都合理；沒有傷害事故，也不代表急停、門鎖、光柵或限速保護都符合適用要求。員工有權在觀察到危險行為時停機與通報，且不能因為降低了機器的工作完成率而被迫忽視風險。

最後，還應量測任務範圍覆蓋率與系統變更成本。設備在 3 種標準盒子上表現很好，未必能應付 40 種形狀；每新增一種包裝就要停線重訓，也會侵蝕改善成果。每當企業打算採用模型升級來解決問題時，都要明確記錄升級之前和之後的差異，不要讓新的資料蒐集方式改變指標定義，造成不真實的進步。

我們建議驗收報告至少分列自主完成率、人工介入率、合格產出量、現場可用率、異常平均恢復時間、安全與近失事件、工作範圍覆蓋率，以及單位合格任務總成本。這八項屬本篇編輯建議，不是任何 ISO 標準已公布的統一 KPI 列表。企業應依工作性質調整，但不應只保留最容易做出漂亮成績的一項。

十三、Physical AI 的安全不只是 AI 治理，而是機械、電控、資安與人的共同責任

在辦公室裡，AI 系統若輸出錯誤文件，通常可以透過審閱與版本回復降低損失；在工廠裡，設備一旦真的撞上人、壓傷手或推倒貨架，事後把軟體恢復到上一版也無法撤銷傷害。因此，Physical AI 不能只沿用一般生成式 AI 的風險管理思維，也不能只做傳統機械安全檢驗而不檢查模型與資料。兩個世界必須在同一張責任圖上相遇。

對工業機器人，ISO 10218-1:2025 討論設備本體的安全要求，ISO 10218-2:2025 涉及機器人應用與工作單元的設計整合、安裝、操作、保養和除役。對適用的無人駕駛工業車輛與系統，ISO 3691-4:2023 涵蓋其安全要求及驗證，且 2026 年可見後續修訂草案正在制定。這些標準的適用範圍與正式義務要依設備型態、使用國家與具體規範判定；只讀公開摘要不能替代取得正式標準全文與專業安全評估。〔S15、S16、S17〕

臺灣另有《工業用機器人危害預防標準》，勞動部法規資料庫列有對工業機器人、可動範圍、教導作業、檢查作業、協同作業與協同作業空間等用語的定義。採購單位應在規劃時先確認設備是否落入適用範圍，以及如何符合職業安全衛生相關義務；不是因為機器人有 AI 功能，就自動不受既有機械或工作場所規範拘束。截至 2026 年 10 月 21 日查閱時，勞動部法規查詢與全國法規資料庫均列示最近修正日期為 2018 年 2 月 14 日。本文核對的是公開條文與名詞定義，不等於已對特定機器或工作站完成法定適用性與安全合規評估；正式導入仍須依當時有效法令及設備現況，由合格專業人員判斷。〔S14、S31〕

模型的自主性愈高，安全邊界愈要明確

企業應定義機器能執行的工作清單與禁止事項。例如允許在隔離區搬運限定重量的盒子，不代表允許離開該區域、改裝夾爪、接觸人員或操作危險閥門。不能僅以自然語言「請小心」替代設備限制。當上層模型因不完整資訊提出不適合的動作時，底層系統應能拒絕或轉入安全狀態；對具有安全功能需求的動作限制，其設計和驗證須符合相應工程規範。

重要的安全概念是分層防護。現場應先透過消除危害、降低速度或作用力、限制空間、設置合適防護與隔離，降低人員暴露；再依任務使用偵測與安全停止；最後才是操作程序、教育訓練與警示。不能把 AI 模型的「識別人員」當成唯一安全保護，也不能因為設備在展示中避開了行人，就假設所有協作工作已經安全。

應在專案啟動前回答事故處理問題：若模型輸出異常，誰可以停機？若機器跌倒或放開負載，如何隔離現場？若雲端連線中斷，設備應繼續完成動作、受控停止還是等待人工？若更新韌體後出現新的行為，是否必須重新驗證？沒有這些答案，就不應允許系統進入常態人機混合工作區。

網路安全是物理安全的一部分

Physical AI 往往牽涉資訊系統與作業技術（IT／OT）的交界。供應商可能需要遠端維護，模型可能透過網路接收任務，攝影機與雷達可能連到邊緣運算裝置，物流資料可能與雲端平台同步。網路遭入侵、帳號權限錯誤或 API 被濫用時，影響的不只是資料洩漏，還可能造成錯誤派工、設備異常停動或現場營運中斷。

組織應盤點機器的每個連線端點與能執行的控制權限，將監視與控制權限區隔，建立身分驗證、授權、日誌、軟體更新、漏洞通報與離線復原機制。需要存放影像時，應考慮是否拍攝到員工面部、工作習慣、客戶訂單或機敏製程；資料保留期限與模型訓練再利用權利應透過契約確認。當供應商要求長期上傳完整工廠影片才能維護模型，資訊安全與營運部門必須共同審核替代方案。

此處可參考 NIST AI RMF 將 AI 風險管理分為 Govern、Map、Measure、Manage 四個功能面向：建立治理、辨識脈絡、量測風險與採取管理行動。但它是自願性風險管理框架，不能取代適用的機械安全標準與法律要求。NIST 亦註明 AI RMF 1.0 正在修訂中，使用時須標示版本。〔S18〕

若出口歐洲，不能只看台灣規範

對將含 AI 的機械、醫療或其他產品出口歐盟的業者，應另行評估歐盟 AI Act 及產品安全法規。2026 年 7 月整合版 AI Act 的適用時間安排顯示，相關義務分階段實施；按當時整合版條文，部分 Annex III 高風險系統的適用時間為 2027 年 12 月 2 日，部分依 Annex I 產品法規判定的高風險系統則為 2028 年 8 月 2 日。這不是說所有機器人都被自動歸為高風險 AI，也不是對臺灣境內所有部署直接生效；分類取決於產品用途、法定角色、所在地、供應方式以及之後的修法。應委由合格法遵及產品安全專業人員進行個案審查，不應僅依本文決定合規。〔S20〕

十四、資料是 Physical AI 的長期資產，但必須蒐集對改善有用的資料

許多企業學過生成式 AI 之後，會誤以為機器人只要有大量文字資料就能學會實體動作。實際上，物理任務的資料更複雜，可能同時包含影像、相機座標、深度、關節位置、速度、夾爪狀態、接觸力、任務指令、成功結果與錯誤紀錄。沒有校準的動作資料很難跨設備使用；沒有任務結果標記的影片也未必能支持有效的策略訓練。

對初次導入企業，我們不建議從「建立完整機器人資料湖」開始，而是先建立一份任務與失敗事件的資料字典。每筆紀錄至少能回答：什麼時間、哪個工作站、哪項任務、哪種物件、當時設備版本、成功與否、失敗原因、是否有人介入、處理時間多久。若資料涉及個資或商業機密，還須補上存取分級與保存政策。這些資料即使尚未使用大模型，也能協助改善現有設備和工作管理。

如果企業之後需要蒐集示範操作或進行模型微調，必須特別注意「成功案例偏差」。只錄下操作員最熟練、環境最整齊的動作，模型可能在變動情境無法泛化；但只收集錯誤影片，也不足以教會系統穩定動作。資料集應清楚包含正常、邊界與異常情境，並保留場域變更紀錄，讓工程師知道某次成功率變化是否因燈光、相機位置或包材更新造成。

Physical Intelligence 的 openpi 專案展示了將視覺語言動作模型、特定資料集與不同機器本體連接的研發方法，其官方說明也提醒不同平台的適配結果未必可靠。對企業來說，這使「資料與模型可攜性」成為合約談判重點：資料歸誰所有、供應商能否用來訓練其他客戶模型、終止合作後如何匯出、動作標籤和設備校準檔案能否保留，以及模型版本是否可被追溯。〔S13〕

資料治理還包含員工信任。現場影像可能記錄到員工工作習慣與活動，如果不先說明用途，就把所有影像上傳到模型平台，容易引發隱私、勞資與資安疑慮。合理做法是清楚揭露蒐集目的、限制使用範圍、最小化保存內容並提供申訴和管理機制。若任務只需物件軌跡與設備狀態，應評估是否可以模糊化人員、在邊緣端轉成事件資料，而非長期保存可識別個人的原始影片。

真正珍貴的數據資產，不是囤積每一秒鐘的影片，而是能持續回答「哪種例外造成失敗、哪次改善有效、變更了哪些條件」的可追溯工作記憶。這套能力既能支援 AI 學習，也能讓企業不被特定供應商的黑箱效能報告綁住。

十五、採購與供應商評估：把「會做」變成「應交付什麼」

對需要進入生產環境的設備，企業不應只向廠商索取規格表與展示影片，而要明確界定交付範圍。機器本體、末端工具、控制器、模型、管理平台、工業通訊、資安維護、現場整合與人員培訓，哪些包含在報價中？若多家廠商共同提供，各自對哪一段負責？完成安裝與完成商業驗收之間有哪些測試、資料和時程條件？

一份品質較好的需求書應先描述工作：物品的重量與尺寸範圍、日工作量、操作時段、定位與速度需求、人員活動區域、空間限制、現有 PLC／WMS／MES 介面、可接受的失敗處理方式。接著才是設備要求。如果沒有這些邊界，廠商可能依照最容易展示的情境設計方案，真正困難的例外卻落在採購後的追加費用裡。

在詢價階段，建議要求供應商對同一工作提交正常操作影片與原始事件紀錄，說明任何遠端操作者、預先編程動作或人工復原的角色。不能把有遠端協助的成功稱為純自主作業；同樣也不該因為採用了遠端操作就否定其價值。遠端協助有時是合理的過渡方案，只是費用、可靠度與人力需求必須明白計價。

供應商還應提出場域安全設計文件、風險評估方法、設備維護計畫、備件取得與版本更新政策。在高風險場域，審查人員可以要求第三方工程安全評估，並依適用規範進行驗證。企業無須把所有標準檢查都變成內部工程師的工作，但必須清楚指派負責人，確保沒有任何危害分析項目因為「不是我們的範圍」而落空。

付款與驗收可以考慮以明確成果分階段安排。例如完成場地測試與安全檢核、完成限定時段連續運轉、完成所需系統介接與資料交付、達成經雙方同意的服務水準。這不是建議所有商務契約照抄一種付款比例，而是避免把硬體交到現場就視為完整交付。合約還應約定資料歸屬、資安事件責任、遠端存取、功能異常時的停止與修復機制，以及終止合作後的設備與資料處理方式。

最需要避免的是「無法驗收的通用承諾」，例如「支持所有物件」「可取代 3 名人力」「實現無人工廠」「任何環境都可以運作」。真正有意義的承諾必須加上測試條件、期限、分母、例外與可重現方法。尤其當採購團隊面對新創或前沿產品時，供應商能力可能進步很快，正因如此更要清楚記下採購時的模型版本與驗收範圍。

十六、臺灣企業有什麼優勢？既有自動化與系統整合，比追逐單一模型更重要

臺灣談 Physical AI 的條件，與完全沒有工業基礎的市場不同。製造業累積了精密機械、電子組裝、感測零組件、控制器、工業電腦與設備整合能力。這些能力的價值不只是為全球機器人供應零件，也有機會將既有設備升級成更具適應性的應用系統。然而，優勢不會自動轉化為商業成果；若企業沒有整理現場作業、設備介面與失敗資料，仍難以建立自己的應用差異化。

經濟部在 2026 年 5 月宣布於工研院六甲院區成立智慧機器人創新與應用研發中心，將醫療照護、物流倉儲、餐飲服務及巡檢救災列為重點應用領域；7 月又公開國產四足機器人研發平台成果；8 月的智慧機器人展則展示多項智慧機器人應用。這些資料說明政府與產業正在建置研發、驗證及供應鏈協作基礎，但不能因此推論所有參展技術都已大規模商用，也不能把政府支持等同於企業採購保證。〔S24、S25、S26〕

對臺灣中小型製造商，近期較可行的路線可以分成兩條。第一條是「自身流程改善」，把 Physical AI 視為設備自動化升級的一環，聚焦少量多樣上下料、物料運送或巡檢。第二條是「供應鏈能力發展」，例如精密感測、機械手、邊緣運算、機器人控制軟體、工業安全或資料服務，先了解國際機器人平台的未解需求，再選擇可被驗證的零組件或整合服務。兩條路線的資金、人才與回收期不同，應由不同專案管理。

若企業不具備自行研發模型的能力，也不必因此放棄學習。工廠操作員、現場主管、維修工程師、資料管理與 IT／OT 人員，可先共同建立工作站流程圖、異常紀錄與驗收資料，再由設備商或系統整合商提供技術。這種由營運問題帶動的跨部門能力，往往比單純安排全公司認識最新機器人產品，更有助於產生持續改善成果。

從一次展示到可交接的工作系統：企業至少要留下六種紀錄

試點成功以後，下一個挑戰往往不是如何讓機器多做一個動作，而是如何讓沒有參與開發的夜班同仁、現場維修人員與新進員工，也能在既定範圍內維持相同品質。一個只有原始開發工程師知道如何重啟的系統，仍然是一項脆弱的技術展示，而不是可持續營運的設備。企業評估 Physical AI 時，應把知識移轉視為採購交付的一部分，而非專案結束後才補辦的訓練。

第一種紀錄是任務邊界與設備狀態表。除了列出機器應完成的動作，還要寫清楚允許的物件尺寸、重量、環境光線、地面與工作站條件、工作速度、禁入區域和最高負載。如果夾爪更換、視覺相機移位或倉庫貨架重新配置，就要檢視這些條件是否仍成立。對於已超出範圍的工作，操作介面應讓現場人員看得懂為何不能執行，而不是讓系統默默嘗試。

第二種紀錄是異常與復原操作書。例如包裹掉落、導航失效、夾爪卡件、網路中斷、攝影機遭遮擋或輸送帶異常時，由誰判斷、哪個角色可以重啟、什麼情況一定要保持停機，必須事先以符合設備風險的方式定義。一般作業異常與安全事件也要分流：前者可能可以依標準作業程序排除，後者則需要保留現場證據、隔離設備並進入正式的安全處置程序。

第三種紀錄是模型與軟體版本變更表。若供應商在試點期間更新 VLA 模型，完成率可能改善，也可能產生新的動作偏差；若更新控制韌體，甚至會影響停止與復原流程。每次變更都應記下日期、變更內容、核准人、受影響的工作清單、回歸測試結果與還原方式。只有當版本與測試環境一致，連續運轉數據才具備可比較性。

第四種紀錄是資料資產與使用權清單。企業自己拍攝的影像、機器動作軌跡、異常事件、操作員標註與產線數據，是否有權下載、移轉、刪除？供應商能否將資料用於其他客戶模型訓練？現場的人員影像是否應先做遮蔽或限制存取？這些問題在技術開發初期容易被忽略，到了供應商更換或跨廠部署時，卻可能決定企業能不能延續原有成果。

第五種紀錄是責任與維運值班表。營運主管對現場產出負責，設備工程負責維修與保養，IT／OT 負責整合與存取控制，職安人員參與危害評估，財務單位審核實際效益，而供應商負責雙方契約界定的故障排除與軟體維護。角色可因企業規模兼任，但決策權必須明確。尤其要寫下誰有權暫停自動運轉，以及恢復前需要哪些核准。

第六種紀錄是實際效益追蹤表。試點期間可以使用每天的合格任務數、人工介入時間、故障與近失事件、追加維修成本等作為基準；進入常態營運後，也應以相同口徑按月追蹤。若產量沒有成長，但機器看起來愈來愈聰明，管理者仍有必要追問瓶頸是否真的被解除。反過來說，如果設備穩定協助人員免於高風險或高負荷作業，即使短期財務回收不突出，也可以把風險改善獨立列為決策考量，但不能偽裝成已實現的節省金額。

這六份紀錄不需要昂貴的管理平台才能開始。初期甚至可用企業既有的文件、表單與版本管理工具建置，只要欄位與責任一致、資料可以回查，便能在選定最終供應商之前累積組織知識。它們也是未來擴展至第二個廠區時最有價值的資產：決策者能看見哪些條件可直接複用，哪些需要重新驗證，而不是讓下一個團隊再次依賴展示影片與口頭經驗。

2026 年可留意的跨域研發資源，不能當成無條件補助

經濟部中小及新創企業署於 2026 年 10 月 14 日公布、供 116 年度（2027 年）執行的「深科技驅動中小企業跨域創新計畫」官方公告，將「物理 AI 與服務（Physical AI）」列為其中一項申請主軸，與代理式 AI、永續 AI 等領域並列。官方公告指出，申請須由至少 2 家中小企業組成跨域研發聯盟，並推派主導廠商；每案補助金額上限為 NT$9,000,000，且不得超過全案總經費的 50％。公告受理截止時間為 2026 年 12 月 7 日 17：30。補助上限並非可直接取得的款項，也不代表企業符合資格或能獲核定。 該計畫另有自籌資金與資本額等條件；正式申請仍須回官方完整申請須知、附件、線上申請系統及最新公告逐項核對。〔S27〕

這項訊息給企業另一個思考：Physical AI 未必只能當作單家公司購置設備的計畫，也可能是設備商、軟體商與應用場域共同驗證的跨域開發案。前者以改善自身成本為主，後者可能以建立可銷售的解決方案為主。兩種目的不要混淆，特別是涉及智慧財產、資料授權與成果商業化權利時，應在合作前說清楚。

十七、最容易讓 Physical AI 專案失敗的七個管理盲點

第一個盲點是把展示當成產能。影片往往經過選題、排練與場景控制，即使沒有剪接，也不足以告訴採購方長期可靠度。解法不是排斥展示，而是把展示轉換為自己的驗收條件，讓供應商在相同工作量、相同失敗定義下持續測試。

第二個盲點是只比較機器，不比較工作系統。某台設備動作很快，卻需要人工不斷把貨物擺到指定位置；如果人工補料成為新的瓶頸，總產出未必提升。解法是將上下游等待、交接與異常復原納入成本與產能衡量，重新檢視整條流程的制約點。

第三個盲點是把模型升級當成安全措施。模型版本進步可以降低某些辨識或動作錯誤，但不代表機械與電控風險已自動解決。企業必須維持獨立安全架構與變更管理，每一次影響動作行為的升級都需要依風險重新驗證，而不是只看新的模型展示分數。

第四個盲點是沒有完整記錄人工接手。對初期技術而言，人工介入並不羞恥；隱藏介入才會破壞商業判斷。採購資料應把完全自主、人工輔助和遠端操作的任務清楚區分，讓決策者可以估算未來營運所需的人員配置。

第五個盲點是讓技術部門單獨背負營運成效。研發或資訊人員可以整合模型和系統，但工作流程、人力調整、安全許可與產能目標往往由其他部門掌握。若沒有營運單位共同負責，可能出現 POC 技術成功，現場卻因員工操作習慣、維修安排和無法認列效益而拒絕接手。

第六個盲點是忽略資料與系統可攜性。設備退場後若拿不回事件紀錄、模型訓練資料或現場接口規格，企業等於再次失去自己的學習成果。採購時應先要求資料字典、可匯出格式、版本紀錄與停止服務時的過渡安排，而非把所有資料留在單一供應商的平台裡。

第七個盲點是沒有停止條件。企業可能因為已投入大量資金、媒體曝光或高層關注，即使試點長期無法滿足安全與成本要求仍持續投入。有效的治理應在開始之前就寫下何種風險不可接受、何種成本變化需要重新提案、何種成效不足應停止；這不會阻礙創新，反而能把資源留給真正值得深化的項目。

十八、給企業經營者的判斷：先有一個可交付的任務，才有值得投入的 Physical AI

Physical AI 的方向值得重視，因為它讓人工智慧從回答問題與處理資訊，逐步延伸到感知和改變實體環境。2026 年的重要進展不只來自機器人本體，也來自視覺語言動作模型、世界模型、模擬訓練、跨機器協作與既有工業系統整合。但在真正的商業決策裡，技術進步只是必要條件，不是充分條件。

一個企業可以在今天就開始準備，不需要等到人形機器人全面成熟。找出現場最重複、最危險或最容易形成瓶頸的作業，記錄工作量與失敗類型；把可用成熟自動化解決的問題先解決；對變動大且風險可控的任務，設計有明確邊界的 Physical AI 試點；與技術供應商一同建立安全、產能和成本資料；經過有限場域驗證之後，再決定要不要擴張。

真正值得投資的，不是「我們也有一台機器人」的形象，而是一種新的組織能力：能將現場問題轉成可驗證的機械任務，讓資料、工程、風險與營運部門共同改善，並且知道何時應該選擇簡單方案。將來模型名稱可能改變，機器外型可能改變，但這種以任務、安全與經濟性為核心的判斷方法，仍然適用。

常見問題 FAQ

Q1．Physical AI 與生成式 AI 有什麼不同？

生成式 AI 通常產生文字、圖像、程式碼等數位輸出；Physical AI 將感知與決策連接到實體設備，使系統可以移動、抓取、操作或協調真實世界的任務。兩者可以共用模型技術，但後者還需要動作控制、環境回饋和物理安全驗證。〔S01、S21〕

Q2．Physical AI 就是人形機器人嗎？

不是。人形機器人只是可能承載 Physical AI 的硬體形態之一。自主搬運、機械手臂、四足巡檢、無人載具等，只要結合合適的感知、決策與行動能力，也可能屬於 Physical AI 的應用範圍。

Q3．具身智慧（Embodied AI）和 Physical AI 有什麼關係？

兩者高度重疊，但使用情境有差異。具身智慧較常討論身體與環境互動如何形成智能；Physical AI 在產業語境中常強調從感測、模型到實體操作的完整系統。採購時應直接比較能力與測試條件，不要僅靠標籤下判斷。

Q4．世界模型是不是讓機器人不用真實資料就能學習？

不是。世界模型可以協助模擬、預測與生成訓練素材，但模擬仍有物理細節與真實場域差距，仍需依任務收集真實資料並驗證。NVIDIA Cosmos 的相關工具有助於開發流程，不能被解讀為免除現場安全測試。〔S06、S07〕

Q5．企業可以直接使用開源 VLA 模型嗎？

可用於適合條件下的研究與開發，但能下載不等於能直接上產線。不同機械本體、感測器、動作空間與安全接口都需要適配，開源授權、運算需求與部署條件也要逐項檢核。Physical Intelligence 在 openpi 專案說明中明確提醒不同硬體的泛化並無保證。〔S13〕

Q6．Physical AI 一定要有雲端連線嗎？

不一定。部分模型可在設備端或邊緣伺服器運作，部分遠端協調與分析使用雲端。是否必須保持連線，取決於設備架構、運算資源、延遲需求和資安政策。涉及高速控制及安全保護時，不能將網路可靠性當成理所當然。

Q7．2026 年人形機器人是否已經全面商業化？

已有特定商業場域、設備銷售與真實測試成果，但不能概括為全面成熟。IFR 對 2025 年全尺寸人形機器人銷量估計約 7,000 台，並指出安全、維護、成本及對人員遠端介入的需求仍是普及挑戰。〔S03〕

Q8．企業最適合先導入哪些工作？

優先選擇工作量穩定、重複性高、變動性使固定程式難以有效處理、物理風險可控制且成果容易量測的場景，例如限定區域的多品項分揀、某些上下料與簡單巡檢。高風險作業需要更嚴格的工程審查，不能只看技術新穎程度。

Q9．導入 Physical AI 大概要多少錢？

沒有單一可信的通用價格。不同設備形態、負載、工作環境、軟體授權、整合介面、安全驗證與運營支援差異很大。應向供應商要求完整 TCO，並在相同任務條件下比較傳統自動化與 Physical AI，不應從新聞中的機器價格直接推導專案總額。

Q10．如何驗證機器人廠商的成功率？

至少確認樣本數、任務定義、測試場域、失敗判準、人工接手情況、設備可用率、異常處理以及完整任務紀錄。單次展示或只公布「on-task accuracy」不足以證明連續營運、維修、人工介入與安全績效。

Q11．臺灣有適用的機器人安全規範嗎？

勞動部法規資料庫可查到《工業用機器人危害預防標準》，並須一併確認適用的職業安全衛生要求。依設備與應用還可能涉及其他標準、產品或場域要求。正式導入要以現行有效法規、設備類型及專業安全評估為準。〔S14、S15、S16〕

Q12．公司應先訓練同仁什麼能力？

優先不是人人都學會訓練機器人模型，而是讓現場主管、操作員、設備工程、IT／OT、安全與採購團隊具備流程拆解、資料紀錄、危害辨識、系統介接、效益計算和驗收設計能力。這些工作能在選定供應商之前就開始，也比較容易累積成企業內部的可複用資產。

Q13．Physical AI 是否有政府補助可以申請？

2026 年 10 月經濟部中小及新創企業署針對 116 年度跨域研發公告列出「物理 AI 與服務」主軸。公告寫明至少 2 家中小企業組成聯盟，單案補助上限 NT$9,000,000、補助占比不超過 50％，並列出 2026 年 12 月 7 日截止申請；但個別資格、資本額限制、必要文件與最新狀態仍須回官方完整申請須知確認。不可將「主軸列入公告」理解為任何公司都可直接取得補助。〔S27〕

企業下一步：從一張場景盤點表開始

如果企業正在評估智慧製造、物流搬運、設備巡檢或實體 AI 相關培訓，第一步不是立即購買設備，而是準備一張場景盤點表：列出目前任務、每日工作量、主要失敗、人工處理時間、作業風險、既有設備接口與期望改善結果。這份資料可作為跨部門討論、供應商訪談、POC 規格及教育訓練需求分析的共同起點。

天地人文創關注企業 AI 導入與實務能力建置。若要進一步規劃相關跨部門訓練、流程盤點或導入討論，可以從 天地人文創官方網站 了解適合的企業服務與聯絡管道。

第一手參考來源與查閱資訊

以下為正文直接使用的主要原始資料。所列供應商成果均依其公告範圍描述，並非本篇實驗室獨立驗證。

1. 〔S01〕NVIDIA，〈What Is Physical AI?〉，原始定義頁，2026-10-21 查閱。
2. 〔S02〕International Federation of Robotics，〈President’s Report／World Robotics 2026〉，原始報告摘要，2026-09-24。
3. 〔S03〕International Federation of Robotics，〈Global Sales of Professional Service Robots Surge 24%〉，原始新聞稿，2026-09-30。
4. 〔S04〕Google DeepMind，〈Gemini Robotics 2 brings whole body intelligence to robots〉，原始研究公告，2026-07-30。
5. 〔S05〕Google DeepMind，〈Gemini Robotics ER 2 Model Card〉，原始模型卡，2026-07-30。
6. 〔S06〕NVIDIA，〈NVIDIA Launches Cosmos 3〉，原始公告，2026-05-31。
7. 〔S07〕NVIDIA，〈NVIDIA Cosmos〉，開發資訊與產品頁，2026-10-21 查閱。
8. 〔S08〕Boston Dynamics，〈Robotics Metaplant Application Center〉，公司原始公告，2026-09-21。
9. 〔S09〕Agility Robotics，〈Agility Unveils Digit 5〉，公司原始公告，2026-09-15。
10. 〔S10〕Amazon，〈Amazon deploys its one millionth robot and introduces DeepFleet〉，公司原始公告，2025-06-30。
11. 〔S12〕Physical Intelligence，〈π₀: Our First Generalist Policy〉，原始研究，2024-10-31；〔S13〕官方開源專案。
12. 〔S14〕中華民國勞動部，《工業用機器人危害預防標準》官方條文；〔S31〕全國法規資料庫，現行條文與修正日期，於 2026 年 10 月 21 日再次核對（未進行個案適用性審查）。
13. 〔S15〕ISO，ISO 10218-1:2025；〔S16〕ISO 10218-2:2025；〔S17〕ISO 3691-4:2023。
14. 〔S18〕NIST，AI Risk Management Framework Core，AI RMF 1.0，修訂中。
15. 〔S20〕歐盟執委會，AI Omnibus 生效及適用時點；EUR-Lex，Regulation (EU) 2024/1689，2026 年整合文本。
16. 〔S24〕經濟部，2026 臺灣智慧機器人展應用成果，2026-08-19。
17. 〔S25〕經濟部產業技術司，國產四足機器人研發平台，2026-07-08。
18. 〔S26〕經濟部產業技術司，智慧機器人研發中心，2026-05-19。
19. 〔S27〕經濟部中小及新創企業署，2026-10-14「116 年度深科技驅動中小企業跨域創新計畫」原始公告，須進一步查核詳細申請附件與最新申請狀態。
20. 〔S19〕International Federation of Robotics，Humanoid Robots Vision and Reality Positioning，2026-10-21 查閱。
21. 〔S21〕Arm，What Is Physical AI?，2026-10-21 查閱。
22. 〔S23〕Google DeepMind，Gemini Robotics Brings AI into the Physical World，2026-10-21 查閱。
23. 〔S30〕NVIDIA，Introduction NVIDIA Cosmos Documentation，2026-10-21 查閱。

建議的原始影音延伸閱讀

NVIDIA，GTC Taipei 2026 Keynote 中約 01：40：02 起介紹 Cosmos 3。此連結為官方隨選演講頁，已檢視可搜尋的時間碼文字；可於原始頁面查閱演講內容。另可參考 Google DeepMind Gemini Robotics 2 官方介紹 的原始示範影片。相關影音是技術示例，並非替代公司現場採購驗收。