TechOrange 科技報橘

打造通用型機器人 ：高通攜手生態系解鎖 Physical AI「手腦合一」新世代

<p>在製造與營運持續朝向高度自動化、數位化與彈性化發展的當下，AI 機器人正快速從前瞻性技術，轉變為支撐企業智慧製造與營運升級的關鍵能力。國際研調機構 IDC 於《全球供應鏈與產業生態系 2026 年預測》中指出，AI 正加速供應鏈與企業營運由傳統線性模式轉向更智慧、互聯且具協作能力的生態系模式。若要進一步發揮 AI 的應用價值，正有賴跨企業的系統互通性、完善的資料基礎，以及安全可信的數位環境加以支撐。 隨著技術成熟與平台化發展，企業導入 AI 機器人不一定意味著全面推翻既有系統。透過模組化、平台化的方式，企業可視實際需求，在既有產線、設備、感測與管理架構上逐步導入，以更可控的節奏評估效益、擴展應用場景，並為未來的人機協作與智慧決策奠定基礎。 然而，要真正推動機器人產業的普及與商用落地，光靠單一企業的力量是無法達成的，「要推動 AI 機器人的發展，已經不是單一企業能夠獨力完成，而需要打造一個開放、可擴展、可商業化的生態系。」高通業務副總裁吳南億指出，高通投入AI技術的創新開發已逾 15 年，現在更致力將高通在車用自駕領域的低延遲、高效能運算、強大感測與高效推論等核心技術，導入機器人與 Physical AI 的前瞻應用上，並積極與台灣各領域的產業多元合作，希望將整個生態系的力量凝聚起來，進而將尖端技術落實到真實的應用場景。 揭秘 Physical AI 與手腦合一的技術關鍵 成大電機系特聘教授李祖聖指出，全球機器人產業競爭進入白熱化階段。在技術演進上，過去機器人需要仰賴繁複的程式碼才能執行指令，如今結合 LLM 與 VLM，機器人開始具備觀察與學習的能力，在特定環境與條件下透過語音或視覺指令，甚至能讓機器人自主完成如開啟抽屜、收納廚房，為客人調酒等複雜的多步驟任務。 李祖聖與其團隊致力於服務型機器人研發，開發出能自動避障的賣場機器人以及在無人商店中自主挑貨與包裝的智慧系統。「這樣的服務型機器人一定會先進到工廠中，而不是家裡。」談及機器人的實體落地情況，李祖聖表示目前機器人仍然造價昂貴，短期內難以普及到日常生活中，開發者若沒有實體工廠場域進行訓練與測試，應用與技術也難以真正跨越商用化的門檻。 最後李祖聖提到，現今 Physical AI 的ˊ重要挑戰之一，是結合實體動作的端到端學習，也就是讓視覺與語言模型在接收資訊後，能進一步轉換成安全且精準的實體機械動作。而這必須將背後的物理邏輯寫進程式，只要背後的物理邏輯寫得好、設計夠完善，就能夠順利驅動機械手臂，達成 Physical AI 與手腦合一的核心精神。 以異質運算與 6G 技術，解鎖通用型機器人新世代 「長期缺工正推動企業尋求更具彈性的自動化方案， 所以機器人的場域應用在未來會越來越多。」隨著全球缺工問題日益嚴重，高通業務開發總監呂承翰表示，機器人技術走入真實場景已成為未來趨勢，不論在倉儲、零售或是服務業，漸漸能看到越來越多機器人的應用落地場景。 「傳統機器人只能執行單一動作，但未來機器人將會逐漸走向通用型。」呂承翰指出，機器人正從傳統的規則導向，邁向結合大型語言模型的通用型機器人。為因應此一趨勢與未來代理式 AI (Agentic AI) 的發展需求，高通打造 Qualcomm Dragonwing IQ 系列平台，提供高效能、低功耗的異質運算能力，以及兼顧隱私與可靠性的獨特優勢。其中，Dragonwing IQ10 可提供最高 700 TOPS AI [&hellip;]</p>

從自駕光達到機器人：禾賽推空間相機 Kosmo，把真實場域變成訓練數據

<p>機器人在展場迎賓、揮手、跳舞的畫面已經不少見，但要走進門市或工廠分擔實際工作，仍有一段距離。自駕車光達供應商禾賽（Hesai），10/14 在上海工廠發表空間相機 Kosmo。這台外形像葡萄酒瓶的裝置結合光達與攝影機，目標是協助開發者更有效率地收集真實世界的空間數據，用來訓練機器人。 據《Reuters》報導，禾賽共同創辦人暨執行長李一帆在發表會上表示，要訓練機器人理解真實世界、執行揮手跳舞以外的複雜任務，所需的高品質空間數據仍有很大缺口。如果數據是機器人走進真實場域的門檻之一，一台手持相機能幫上多少忙？ 機器人還停在迎賓跳舞，禾賽點出空間數據的缺口 李一帆指出，機器人解決實際生產力問題的能力仍然有限。而禾賽共同創辦人暨技術長向少卿，更加具體地說明這個缺口：「實體 AI（Physical AI）需要準確、負擔得起、能大規模取得的真實世界數據，而要同時滿足這三項，一直是個難題。」實體 AI 指的是讓 AI 透過機器人等實體系統感知環境、採取行動。換句話說，問題不只在數據夠不夠精確，也在取得成本，以及能不能大規模取得。 一台相機加一個雲端平台，把真實場域轉成 3D 訓練資料 Kosmo 由 Kosmo One 空間相機與 Kosmo World 雲端平台組成。Kosmo One 整合了光達（LiDAR，以雷射量測距離與立體形狀的感測器）、1 吋影像感測器，以及記錄裝置移動與轉向的慣性測量單元（IMU），能同步記錄空間的幾何形狀、色彩、紋理與相機位置。禾賽表示，單人掃描一般 100 平方公尺的室內空間約需 15 分鐘，實際時間會因空間格局與大小而不同。 拍下的資料交給 Kosmo World 處理後，平台以 3D 高斯潑濺（3D Gaussian Splatting，3DGS，一種用大量色點重建擬真 3D 場景的技術）等方法重建模型，一次產出 3DGS、網格與深度資料。生成式 AI 會補上沒掃到的區域，語意分割則能辨識空間中的個別物件；視角也能依機器人相機的特性調整，縮小模擬與實際運作之間的落差。 對開發者而言，更實際的問題是這些資料能不能直接使用。Kosmo 可串接 NVIDIA 的機器人模擬平台 Isaac Sim、Isaac Lab，以及 Unreal Engine 等工具，禾賽也開放原始拍攝資料與 3D 資產。禾賽宣稱，從單一掃描空間可自動產生超過 [&hellip;]</p>

打造通用型機器人  ：高通攜手生態系解鎖 Physical AI「手腦合一」新世代

在製造與營運持續朝向高度自動化、數位化與彈性化發展的當下，AI 機器人正快速從前瞻性技術，轉變為支撐企業智慧製造與營運升級的關鍵能力。國際研調機構 IDC 於《全球供應鏈與產業生態系 2026 年預測》中指出，AI 正加速供應鏈與企業營運由傳統線性模式轉向更智慧、互聯且具協作能力的生態系模式。若要進一步發揮 AI

• #AI 人工智慧

繼宇樹之後再押機器人大腦，DeepSeek 傳領投前騰訊科學家新創 Winverse

<p>中國 AI 新創 DeepSeek 正把觸角從語言模型伸向實體世界。據《Bloomberg》引述知情人士報導，DeepSeek 已同意領投機器人 AI 新創公司 Winverse AI 的種子輪，這輪募資規模達數千萬美元，交易完成後，Winverse AI 估值約 4 億美元。這家公司今年才成立，創辦人是前騰訊 AI 專家胡瀚。 這並非 DeepSeek 第一次出手機器人領域。今年 8 月它才以策略投資人身分，認購人形機器人大廠宇樹科技（Unitree）的 IPO 股份。一邊與機器人硬體廠建立合作，一邊投資機器人 AI 模型新創，DeepSeek 正同時從硬體與模型兩端，擴大在實體 AI（Physical AI）領域的布局。 前騰訊具身模型團隊負責人創業，種子輪估值 4 億美元 Winverse AI 目前對外仍未公開產品。外界對它的了解主要來自創辦人胡瀚的背景。胡瀚曾任職微軟亞洲研究院與百度，在騰訊時領導視覺語言與具身基礎模型團隊。他也是電腦視覺模型架構 Swin Transformer 的共同作者之一，相關論文曾獲 ICCV 2021 最佳論文獎（Marr Prize）。據《The Next Web》報導，胡瀚離開騰訊時，騰訊正在重組 AI 研究團隊，希望追上 DeepSeek、Moonshot 等對手。 除了 DeepSeek，美團旗下投資部門龍珠資本（Long-Z）也承諾參與這輪投資。《The Next Web》指出，這將是 DeepSeek 規模最大的新創投資之一。不過交易尚未定案，估值與投資人名單仍可能變動；DeepSeek、龍珠資本與胡瀚目前都未回應外媒詢問。 從宇樹到 [&hellip;]</p>

高通、緯謙科技、戴爾科技專家拆解 Edge AI Agent 落地應用關鍵

<p>日前由 TechOrange 科技報橘與美國高通公司（Qualcomm）共同主辦的「2026 AI 智慧大工廠論壇新竹場」，以「Edge AI Agent：高科技製造的超自動化與資安實戰」為主題，聚焦 AI 如何在工廠設備端即時執行決策，邀請高通、緯謙科技、戴爾科技和先構技研等產業專家，從晶片、IT 整合服務、基礎架構與產線視覺設備，解釋為何 AI 模型愈來愈強，工廠裡的 AI 卻常卡在 PoC，或是每做一個新應用就得從頭來過，AI 判斷出不良品，產線卻動不了的根本原因，並提出如何建構從邊緣推論到實體控制的完整生態，讓產線實現可信任、可規模化的自動化落地解方。 高通串聯運算、AI 與連網技術，加速 Edge AI 跨場域落地 高通行銷行政經理朱俊翰表示，AI 正從以雲端為主的運算模式逐步延伸終端與邊緣，從個人 AI、Physical AI 到工業場域應用，都顯示此一趨勢。隨著 AI 進入產線、感測器、機器人與各式 OT 設備，企業關注的重點不再只是模型能不能跑，而是能否讓邊緣 AI 真正進入現場流程，從單純執行推論，進一步走向情境理解、任務規劃與即時行動。 然而不同 AI 工作負載的需求並不相同。朱俊翰指出，大型模型與訓練通常適合放在雲端，但影像檢測、設備異常偵測、機器人控制或即時安全監控等需要即時判斷的推論工作則更重視延遲、資料掌控、資安、功耗與成本。為此，高通提出混合式 AI 架構，讓企業可依工作負載特性，將 AI 分配至雲端、本地邊緣與終端裝置執行，形成更具彈性與成本效率的分散式智慧架構。 更重要的是，當 AI 真正進入 OT 現場，價值不只來自單一模型或單一設備，而是來自整套系統能否持續運作。朱俊翰指出，高通從底層運算、AI 與連網技術出發，向上串接開發工具、軟體與端到端解決方案，並結合生態系夥伴把能力延伸到不同垂直場域，讓企業不必每次都從零開始整合，而能依實際需求客製化並加速導入。 進一步聚焦在「如何規模化」的問題上，高通業務經理王景儀認為，企業可以依工作負載、成本、功耗與未來擴充需求選擇適合的計算平台，無需一味追求最高 TOPS，才能讓投資報酬率更容易衡量。研華資深市場開發經理劉旭明從部署端指出，當規模從單機擴大至百台、千台，標準化硬體、I/O、作業系統與產品認證，能減少不同案場反覆整合的成本。磐石智慧科技執行副總張修誠表示，面對半導體、PCB、航太等高度客製化場域，可將演算法與 FPGA 影像處理能力封裝成可重複調用的標準函式庫，把一次性工程轉化為可複製資產。偲倢科技研發資深經理暨 AI 方案整合部技術總監陳柏龍則從 AI 應用端補充，視覺資料還能結合地端 LLM 與 [&hellip;]</p>

川崎人形機器人準備導入日本自研 AI，日本 Physical AI 正從算力走向實體應用

<p>日本是全球工業機器人重鎮，川崎重工也已投入人形機器人研發超過 10 年，但進入 Physical AI（實體 AI）時代，光有機器人硬體與控制技術還不夠。川崎現在準備替自家人形機器人 Kaleido 接上一顆由日本自己打造的 AI「大腦」。 《日本經濟新聞》報導，川崎計畫導入 AI 公司 Noetra 開發中的 Physical AI，最快 2030 年投入工廠等實際場域。初期仍會搭配遠端操作，再隨 AI 能力提升，逐步擴大機器人自行辨識環境、判斷並完成工作的範圍。 川崎其實早已規劃 Kaleido 在 2030 年前後上工。川崎重工今年 3 月公布的 Kaleido 9 路線顯示，初期將先進入工廠、廠區等受控環境，執行搬運、巡邏等工作，當時仍以「人負責判斷、機器人負責執行」為主要模式，結合遠端操作、自主移動與環境辨識等技術。這次接上 Noetra，則讓這條既有路線進一步朝更高程度的自主作業推進。 而 Noetra 背後，是日本正在推動的一項更大規模 Physical AI 布局。Noetra 官方資料顯示，該公司已獲 44 家企業與組織出資，核心出資者包括 Sony、SoftBank、NEC 與 Honda；為了支撐模型訓練，還規劃自 2027 年起建置約 2.75 萬顆 NVIDIA Rubin GPU，預計 2028 年投入運作。《Reuters》7 月報導 NVIDIA 與日本機器人業者擴大 [&hellip;]</p>

【科技早餐】Arm 估實體 AI 市場突破 2,000 億美元，OpenAI、Google 更新潮帶來「模型疲勞」

<p>【科技早餐】今天精選 6 則國內外重要科技新聞。 ＊Arm 集結逾 80 家企業，估實體 AI 市場將突破 2,000 億美元 晶片架構業者安謀（Arm）擴大實體 AI 布局，推出 Arm Total Design for Physical AI，集結 AWS、Hugging Face、西門子（Siemens）、恩智浦（NXP）及宇樹科技（Unitree Robotics）等超過 80 家企業，共同整合 AI 模型、軟體、感測器及運算硬體。Arm 估計，實體 AI 年度運算市場目前約為 250 億美元，到了 2030 年代可能突破 2,000 億美元。 Arm 同時提出機器人能力框架，從只能依刺激做出固定反應的 RL0，到能持續改善策略的 RL5，共分六級，希望建立類似自駕車分級的共同語言。目前仍是初步提案，Arm 將邀請更多業者共同制定。安謀執行長 Rene Haas 另表示，未來五年人形機器人將逐步普及，但多種晶片供應短缺，已經拖慢 AI 與資料中心部署。實體 AI 的競爭正從單一產品，擴大到生態系整合及標準制定。 ＊OpenAI、Google 更新加速，企業開始出現「模型疲勞」 OpenAI、Google、Anthropic 與 Meta 近期在短短數天內，接連推出 AI [&hellip;]</p>

Hugging Face、宇樹科技都加入：Arm 擴大實體 AI 生態系，同步推機器人六級能力框架

<p>Physical AI（實體 AI）可能成為下一個大型運算市場。Arm 實體 AI 執行副總裁（EVP, Physical AI）Drew Henry 在 Arm Everywhere China 會前媒體簡報會表示，Arm 估計目前實體 AI 的年度運算市場規模約 250 億美元，到了 2030 年代可能超過 2,000 億美元，甚至成為運算史上最大的市場之一。 但這塊市場要真正釋放，得先處理實體世界帶來的限制。Henry 特別點出兩項關鍵考量：延遲與重量。延遲是從感測器看見外界，到系統真正採取動作需要多久，例如汽車偵測到高速公路前方障礙物後，煞車必須在極短時間內作動；重量則直接影響移動設備，他形容，在實體 AI 領域「每一克都至關重要」，無人機的運算系統越重，就越會壓縮酬載，也會牽動冷卻與整體設計。 2,000 億美元商機，先得把複雜系統接起來 當機器人能力越複雜，感測、AI 推論、控制與安全等環節也得一起運作，背後卻往往來自不同供應商。Henry 坦言，沒有任何一家單一公司能夠憑藉一己之力扛起所有事情。 Arm 因此把 Total Design 延伸到實體 AI，推出「Arm 實體 AI 全面設計（Arm Total Design for Physical AI）」，目前已有超過 80 家合作夥伴，包括雲端業者 AWS、AI 模型與平台 Hugging Face、晶片業者 NXP、作業系統供應商 QNX、工業自動化大廠 Siemens，以及機器人業者宇樹科技（Unitree [&hellip;]</p>

生產排程不再是一張「死表格」：日立如何靠 AI 把交期砍半？

<p>日本科技與製造業巨頭日立（Hitachi）正透過組織重整與 AI 技術升級，加速轉型為「數位中心型企業」。 日立總裁兼 CEO Toshiaki Tokunaga 指出，AI 已從生成式（GenAI）、代理型（Agentic AI）邁入實體 AI（Physical AI）階段。日立聚焦將 IT、OT（營運技術）與實體產品串接，推動自研 AI Lumada 3.0 佈局，並實施「Customer Zero」策略：先在自家組織內驗證技術，再轉化為外部客戶的數位服務。 從靜態計畫到動態應變，Physical AI 翻轉製造邏輯 日立所強調的 Physical AI，核心在於讓 AI 不只處理數位世界的資訊，更能即時理解並回應真實物理環境的狀態。對製造業而言，這代表 AI 能直接讀取設備、產線、庫存與供應鏈等現場資料，進而動態調整生產決策。 過去的製造排程多半依據預定訂單與固定產能制定。一旦現場發生設備故障、料件延遲或生產條件改變，往往需要人工二次介入重排，不僅耗時，更容易造成等待與產能浪費。 Lumada AI 的做法則是直接打通工廠即時營運數據與企業規劃系統。當供應鏈條件或設備狀態發生變化時，AI 能依據最新資訊重新評估最佳生產順序。換句話說，生產計畫不再是一份制定後死板執行的靜態表格，而是能隨現場狀況持續微調的「活系統」。 實戰驗證：Omika Works 核心產品交期大減 50% 這套動態調度架構已在日本日立 Omika Works 廠區成功落地。該工廠主要生產能源、鐵路與水務基礎設施所需的資訊控制系統，由於產品高度客製化，涉及複雜的零組件與多變製程，排程管理傳統上極具挑戰。 導入 Lumada AI 與 IoT 平台後，系統能根據現場動態即時重算製造流程，大幅降低生產過程中的等待與閒置時間。最終，這套 AI 驅動機制使 Omika Works 的核心產品交期（Lead Time）成功縮短 50%。更重要的是，日立在完全不擴建廠房的前提下大幅提升了產出，徹底釋放原本被固定排程限制的潛在產能。 這項成果也凸顯 [&hellip;]</p>

物理 AI 最大商機或許不在人形機器人，而是替既有設備裝上大腦

<p>當人們談到「物理 AI」（Physical AI），最容易浮現的畫面是一台人形機器人走進工廠搬運零件、在倉庫揀貨。但是，如果把物理 AI 的商業化，全押在人形機器人何時能大規模落地，可能看窄了這波技術的機會。 曾在 Google 參與近十年硬體、軟體與 AI 產品開發，目前擔任實體人工智慧新創 Archetype AI 共同創辦人暨營運長的 Brandon Barbello 認為，物理 AI 更大的價值，不只是替 AI 打造新「身體」，而是替現實世界已存在的設備裝上能理解環境、做出判斷的「大腦」。 工廠輸送帶、風力發電機、冷卻系統、車隊，甚至一棟辦公大樓，都可以成為物理 AI 的載體，且相較於等待新機器人大規模進入市場，這條路可能來得更快。 物理 AI 的想像被人形機器人窄化了？ 物理世界與軟體世界最大差別之一在於更新速度。軟體可一夜之間推送到數億支手機，但發電廠、工廠生產線不可能同速更新，新硬體須經製造、測試、認證、安裝，這也是機器人發展始終不像純軟體那樣指數型成長的原因。 工業機器人歷史可追溯到 1961 年，通用汽車紐澤西州工廠部署了第一台工業機器人 Unimate，把工人從重複危險工作中解放。超過六十年過去，完全無人介入的「熄燈工廠」依然不普遍，這也說明硬體進入物理世界，本來就是必須一台一台導入的漫長過程。 因此，若企業把物理 AI 起點設定為「買進新機器人」，很容易忽略：已存在的設備真的被充分利用了嗎？答案往往是否定的。這些設備不缺資料，缺的是理解資料的能力。 資料早已存在，只是沒被轉譯成可被理解的資訊 一輛自駕車每天產生約 25GB 資料，飛機引擎每小時可能產生約 20TB，工業現場也是如此；溫度、震動等訊號無時無刻在留下，問題在於這些資料大多沒真正進入決策系統，因為許多設備仍按多年前設定的規則運作，缺少能理解現場變化的智慧層。 資料中心就是典型案例。Google DeepMind 曾讓機器學習模型直接參與資料中心冷卻控制，在不更換整套基礎設施下，將冷卻能耗降低約 40%，做的不是加機器人，而是讓既有設備開始根據資料動態反應。 同樣的事也可能發生在風機、泵浦上。Barbello 舉例，一家風電業者曾花兩年手工建立異常偵測模型，工程師須逐一研究感測器訊號才能辨識問題。Archetype AI 將自家物理 AI 基礎模型 Newton 接入相同感測資料後，不需重新訓練，就重現了原有偵測能力，並另外找出九種原本沒被辨識的異常模式。 關鍵不是加裝更多感測器，而是通用智慧層 不過，企業容易誤以為要讓設備變聰明，就得安裝更多感測器與 IoT 裝置，但許多工業環境真正的問題恰恰相反——感測器已經很多，資料利用率卻太低。 [&hellip;]</p>

世界模型之外，Accelerated Understanding 押注 4D Physical AI

<p>Physical AI（實體 AI）正在走出不同路線。當世界模型與 VLA 成為熱門方向，新創 Accelerated Understanding 選擇從物理規律切入，希望讓 AI 直接預測溫度、流體、材料等物理現象如何隨空間與時間變化。該公司目標是打造「具有通用物理理解能力的 AI（AI with universal physical understanding）」。 8 月 25 日，Accelerated Understanding 正式亮相。共同創辦人是加州理工學院教授、NVIDIA 前 AI 研究資深總監 Anima Anandkumar，以及 AI 基礎設施工程師 Benedikt Jenik。《Reuters》報導，兩人原本曾獲邀加入 Jeff Bezos 支持的 Project Prometheus，但最後選擇繼續發展自己的公司。 兩人沒有加入 Prometheus，而是繼續發展 Accelerated Understanding。這個選擇也突顯 Physical AI 正出現不同技術路線。Project Prometheus 今年 6 月完成 120 億美元 B 輪融資，目標之一是利用 AI 自動化複雜實體系統的製造；另一邊，包括 Yann LeCun、李飛飛等團隊，則投入能比文字模型更理解空間現實的世界模型（World model）。而 [&hellip;]</p>

生成式 AI 往入門級機器人下放，NVIDIA 新 Jetson 透露 Physical AI 硬體門檻變化

<p>機器人要在本體跑生成式 AI、看懂影像再即時做出判斷，需要多強的硬體？NVIDIA 正把這類能力往入門級平台下放。NVIDIA 發表 Jetson Orin Nano 2，定位為入門級邊緣 AI 機器人電腦，提供 78 TOPS AI 算力、8 GB 記憶體與 8 核心 Arm CPU。 相較前一代 Jetson Orin Nano Super，新產品在相同尺寸下，推論效能最高提升至 2 倍；若在 15W 模式提供相同性能，功耗則可降低 40%，該產品預計 2027 年上半年上市。 不過，NVIDIA 所稱的 2 倍效能並不是指帳面 AI 算力翻倍。Orin Nano 2 的峰值算力為 78 TOPS，高於前一代 Orin Nano Super 的 67 TOPS；實際推論效能之所以能提升至 2 倍，主要來自 Tensor Core 改良與記憶體頻寬提升。也就是說，這次升級不只是拉高峰值算力，而是讓模型在有限功耗與空間下跑得更快。 模型越做越小，前沿 [&hellip;]</p>

Physical AI 半年吸金 474 億美元：軟體創投為何開始改押實體世界？

<p>生成式 AI 讓寫軟體這件事變得越來越容易，這促使過去擅長押注軟體與網路服務的矽谷創投，開始把資金移往更難被 AI 複製的實體世界。專注 AI 的創投公司 Gradient 合夥人 Darian Shirazi 直言，傳統軟體已不再有吸引力，因為 AI 能輕易複製，像 Anthropic 這樣的公司幾秒內就能生出一套軟體。根據 Crunchbase 統計，光是 2026 上半年，Physical AI 新創的募資金額就達 474 億美元，較去年同期成長近 80%。 曾押注 Snap、Uber 的創投，開始寫支票給晶片與機器人 Crunchbase 將 Physical AI 界定為涵蓋機器人、自駕車、航太、無人機、工業自動化與感測器等領域。依其統計，2026 上半年這類新創共完成 521 筆交易、募得 474 億美元，約為 2025 下半年 120 億美元的四倍；單是上半年的金額，就已超過 2022 至 2024 三年合計的 419 億美元。 推升這波金額的是幾筆大額交易。Crunchbase 指出，Waymo 於 2 月完成的 160 億美元 [&hellip;]</p>

摺衣成功率達 99.1%，超過 99% 訓練資料來自手套：機器人如何克服 Physical AI 數據荒？

<p>近幾個月來，Figure AI、Sunday Robotics 和 Weave Robotics 這些備受矚目的機器人新創公司，紛紛展示能夠自主摺衣服的機器人。這些公司合計已募集數十億美元，因為越來越多投資人認為家用機器人終於接近商業化的突破點。 許多機器人學者指出，摺衣服之所以成為理想的第一步任務，是因為這項工作難度適中，既能展示機器的智慧與物理控制能力，同時又相對安全，即使任務失敗也不會帶來嚴重後果。同時，對於消費者而言，他們不需要了解 AI 的運作原理，就能深刻體會到一個能將雜亂衣物堆變成整齊疊放的機器人所帶來的價值。 摺衣服高難度、低失敗代價，還能把家庭環境縮小到可控範圍 將機器人訓練至會摺衣服，長期以來一直是該領域的「聖杯」。機器人學者、斯佩爾曼學院（Spelman College）院長 Ayanna Howard 指出，這是因為機器人必須學會處理像是衣服這種會堆疊、彎折、起皺的「可變形物體」（deformable objects），並具備足夠精準的操作能力才能將它們摺好。 Figure AI 曾在部落格文章中寫道：「這是人形機器人最具挑戰性的靈巧操作任務之一。」Sunday Robotics 執行長 Tony Zhao 也向《Business Insider》透露，該公司刻意選擇洗衣服這類任務，是因為這項任務同時具備高難度與低失敗代價的特點。這也正如 Ayanna Howard 所言：「如果你把衣服掉在地上，它並不會摔壞。」 事實上，機器人產業過去就已經歷過一輪摺衣服的炒作週期。曾推出售價高達 1.6 萬美元的摺衣機器人 Laundroid 的日本公司，在 2019 年宣告破產。曾於 2010 年代末期多次在消費電子展（CES）引起轟動的 FoldiMate，最終也未能真正出貨。高昂的成本與低可靠度擊垮早期的嘗試，但如今的機器人新創公司認為，AI 技術的進步、更便宜的硬體，以及湧入實體 AI（Physical AI）領域的人才與資金，將使這一代產品與眾不同。 不過，這些宣稱是否屬實仍有待實驗室之外的真實世界驗證，因為最新一代的機器人依然昂貴，在實際家庭中的可靠性也仍未知，不僅摺好單件衣物必須耗時數分鐘，遇到未見過的陌生款式時，機器人也可能卡住。 除了物理操作難度，洗衣服之所以成為進入家庭的敲門磚，是因為能將複雜的家庭環境限制在可控範圍內。哥倫比亞大學機械工程教授 Matei Ciocarlie 指出：「家庭是終極的非結構化環境。」不同於工廠和倉庫能嚴格定義並控制機器人的周遭環境與移動路徑，家庭對機器人而言簡直是一場噩夢，每個房間都是障礙賽道，寵物可能突然竄出、蹣跚學步的幼童可能在地上爬行，隨時都可能讓機器人摔個面朝地。 相較之下，在摺衣服時，機器人可以固定待在同一個角落，由人類將衣物籃送到它面前，不需要一開始就解決在整間房屋裡自主導航的難題。Weave Robotics 執行長 Kaan Dogrusoz 坦言，這正是他們選擇洗衣服作為首要任務的原因。 只會摺衣服還不夠，家用機器人如何跨過價格門檻、啟動「數據飛輪」？ 即便機器人真的學會了摺衣服，如何說服消費者為此支付數千美元則是另一項挑戰。以 [&hellip;]</p>

高爐更新停機縮短 30 天、冰水主機效能提升 10%，西門子揭 AI 與數位雙生如何幫工廠真正降本增效

<p>專訪：戴季全撰稿：李昀蔚 AI、數位雙生與 Physical AI（實體 AI）正加速走進製造現場，隨著晶片持續微縮、製程愈來愈複雜，企業一方面要追求更高良率、更快上市速度與更高生產效率，另一方面還得同時面對缺工、地緣政治、關稅與 ESG 等多重壓力，這也讓電子、高科技製造業的競爭模式，從單純比拚產能，走向速度、效率與韌性的綜合競賽。 本集《全新一週》邀請台灣西門子數位工業半導體產業協理朱軒逸，以及業務驅動加速協理范栩，從數位雙生（Digital Twin）、Industrial Copilot、預測性維護，到西門子與 NVIDIA 推動的 Industrial AI Operating System、Physical AI 與自主化工廠，逐步拆解 AI 如何深入產品設計、工程、製造與維運流程。 要讓 AI 真正進工廠，得先打好數位化地基 Digital Twin、生成式 AI 與傳統工業自動化，究竟可以各自導入，還是必須整合？范栩認為答案是後者，並建議企業先從組織管理的角度理解 AI，「從管理的角度來看，其實導入 AI 就好像從一個數位的人力市場，找到一個新員工，希望員工進來以後能夠幫你接手一些單一團隊沒有辦法很快速執行的事情，或是一些重複的事情，就讓 AI 來做」。 如同新進員工必須先熟悉公司，AI 也需要理解企業流程、產品與組織特性。因此，企業導入 AI 的第一步，不在於選擇最強大的模型，而是建立數位化基礎，包括流程標準化、數位模組化，以及能被 AI 讀取的資料。完成這些基礎後，Digital Twin 才能進一步扮演 AI 與實體世界之間的連結介面。 廣達先在虛擬世界測 QC、高爐更新少 30 天，Digital Twin 如何降低製造業試錯成本？ 以西門子與廣達電腦合作為例，雙方在車用電子最終 QC 測試階段導入 Digital Twin，在實際建置產線前，就先在電腦模擬完整流程。在數位雙生的虛擬環境中，系統可以建置虛擬的機械手臂與攝影機，並依照 PCB 板的測試需求模擬多角度成像，藉此檢驗元件是否正常安裝、焊接或發生歪斜。隨後，這些在虛擬環境中生成的影像會直接交由 [&hellip;]</p>

VicOne 結合 DEF CON 34 機器人駭客研究成果，推出免費 NVIDIA Isaac Sim 擴充套件

<p>VicOne Radeis 擴充套件專為 NVIDIA Isaac Sim™ 開發，讓機器人開發團隊可將 VicOne 建立的 Cyber-Safety（資安與運行安全）攻擊情境套用至自有機器人模型，並於部署前驗證攻擊是否可能影響機器人行為。 Physical AI 資安解決方案領導品牌 VicOne 近日宣布推出專為 NVIDIA Isaac Sim™ 開發的 VicOneRadeis 擴充套件，協助機器人開發團隊在模擬環境中測試 Cyber-Safety（資安與運行安全）攻擊情境，驗證攻擊是否可能影響自有機器人模型的行為。 VicOne&nbsp;Radeis&nbsp;擴充套件現已開放免費下載，可讓開發團隊將&nbsp;Cyber-Safety 攻擊情境納入既有的模擬工作流程，在不讓實體機器人或真實運作環境承受不必要風險的情況下，預先觀察機器人是否偏離預期任務、運作邊界或預期回應。 這款擴充套件的設計源自&nbsp;VicOne&nbsp;於 DEF CON 34 Robotic Hacking Community&nbsp;舉辦的&nbsp;Physical&nbsp;AI&nbsp;安全壓力測試（Physical&nbsp;AI&nbsp;Safety Stress Test）研究成果。活動中，資安研究人員在受控環境下驗證數位系統遭入侵後，是否可能改變機器人的實際行為。挑戰涵蓋多種攻擊路徑，包括&nbsp;AI&nbsp;模型（AI&nbsp;Model）、感知系統（Perception）、雲端與&nbsp;API&nbsp;服務、機器人通訊協定，以及嵌入式系統等不同層面的攻擊路徑。 在 DEF CON 34&nbsp;活動中，共有&nbsp;16&nbsp;支隊伍參賽，累計成功解題&nbsp;25&nbsp;次。幾乎所有核心&nbsp;AI&nbsp;與機器人&nbsp;Cyber-Safety（資安與運行安全）挑戰皆至少被成功解出一次，僅有一道涉及密碼學與韌體漏洞的進階嵌入式系統題目未被攻破。結果顯示，可能改變機器人行為的資安風險存在於系統的多個層面，凸顯機器人資安應從整體系統層級進行評估，而不是只針對個別漏洞進行獨立分析。 機器人製造商已在功能測試、安全工程及模擬驗證等多方面投入大量資源，但因網路攻擊引發的情境，仍可能超出傳統測試計畫的涵蓋範圍。VicOne&nbsp;持續將&nbsp;DEF CON&nbsp;挑戰活動中的研究成果，包括未成功的攻擊嘗試及新發現的攻擊假設，轉化為涵蓋視覺輸入遭操控、控制命令遭劫持、AI&nbsp;策略模型遭污染及連網介面遭利用等測試情境。透過系統層級的驗證，開發團隊可進一步評估個別元件的漏洞是否可能最終影響整體機器人的行為。 VicOne&nbsp;Radeis&nbsp;擴充套件讓開發團隊能在開發階段提前驗證，不再侷限於通用示範環境，而是可直接在&nbsp;NVIDIA Isaac Sim&nbsp;中使用自有機器人模型，並依據實際任務與運作條件進行測試。 「機器人產業正從驗證單一應用場景，邁向在真實世界中大規模部署。隨著這項轉變加速，產業不僅需要確認機器人是否依設計正常運作，更必須驗證當機器人依賴的數位系統遭到入侵時，是否仍能維持可靠運作。」VicOne 執行長 Max Cheng 表示。「Cyber-Safety 驗證應成為機器人開發流程中的標準環節。我們將 DEF CON 的研究成果轉化為可重複使用的模擬測試情境，協助開發團隊更早識別這些風險，並打造更具韌性的 Physical AI。」 將機器人駭客研究轉化為可重複的安全驗證 每一次攻擊嘗試，都能轉化為重要的安全洞察，進一步強化防護能力。成功的攻擊可能揭示從數位系統遭入侵，到最終影響機器人行為的完整攻擊路徑。即使攻擊未成功，也能從中釐清攻擊手法、尚未被研究的控制路徑，以及仍需進一步驗證的安全防護機制。 VicOne&nbsp;將這些研究成果轉化為結構化、可重複執行的測試情境，讓開發人員能因應機器人軟體、感測器、AI&nbsp;模型、通訊機制與控制架構的更新，反覆進行安全驗證。 透過免費的擴充套件，開發人員可以： NVIDIA Isaac Sim 提供能模擬真實世界物理特性的環境，支援設計、模擬、測試與驗證 AI 驅動機器人。VicOne Radeis 擴充套件進一步將 Cyber-Safety 測試情境與行為影響分析整合至既有模擬流程，協助開發團隊在進行實機測試或部署前，提前驗證潛在資安風險對機器人行為的影響。 免費入門工具，開啟更全面的 Cyber-Safety 驗證 [&hellip;]</p>

Sony 聯手三菱電機切入 Siemens、Fanuc 戰局，兩大日企如何搶攻實體 AI 戰場？

<p>日本電子企業從零組件供應商、產品製造商到軟體開發商，都正加速擴大在 AI 領域的布局。這股轉型浪潮背後的動力，主要是為了吸引投資資金，並避免在這場技術變革中被淘汰。 就在 NVIDIA 執行長黃仁勳訪問日本，並呼籲日本企業全面投入 Physical AI 的一週後，三菱電機與 Sony 半導體解決方案公司宣布達成戰略合作。雙方將於 2026 年 10 月正式成立名為「Advanced Vision Solutions Co., Ltd.」的合資公司，標誌著日本兩大電子巨頭正式聯手，試圖在實體 AI 的工廠自動化應用中搶占先機。 Sony 尋找感測器新出口，三菱借力迎戰自動化對手 Sony 這次積極參與合資，關鍵在於影像感測器核心業務面臨轉型壓力。長期以來，智慧手機製造商一直是 Sony 感測器業務最大的客戶群；然而，隨著全球智慧手機市場趨於飽和，加上零組件成本上升，來自智慧手機製造商的感測器需求持續走弱。為了降低對智慧手機市場的過度依賴，Sony 正尋求擴大影像感測器的客戶基礎，並將半導體列為重點成長領域。 對三菱電機而言，這起合作案則能為其工廠自動化系統補上關鍵的「視覺大腦」。三菱電機可以藉此運用 Sony 的先進影像感測器技術，在持續成長但競爭激烈的工廠自動化市場中強化自身競爭力。 在日本市場，三菱電機面臨 Fanuc、Omron 與安川電機等本土強敵；在國際舞台上，還必須迎戰 Siemens 和 Rockwell Automation 等全球自動化大廠。因此，雙方成立合資公司的核心目標，就是結合 Sony 領先的影像感測器與邊緣 AI 技術，以及三菱電機長期累積的工廠自動化系統經驗，藉此加速製造流程升級。 不懂光學與 AI 也能無痛導入，Sony、三菱希望降低智慧工廠門檻 未來，Advanced Vision Solutions 合資公司所開發的視覺感測器解決方案，最大技術特點在於可以直接在影像感測器端利用 AI 分析視覺數據。這種邊緣運算技術能精確掌握製造現場過去難以視覺化的狀態與細微變化，並將這些資訊即時連結至後續的判斷與控制，實現製造設備的自動化。 這套系統不僅能精確捕捉製造現場狀態、產品品質、設備運作及維護資訊，還能將視覺數據與製造現場的其他數據進行多模態整合，發展出能辨識早期徵兆的多模態生產系統。這項解決方案的設計初衷，是讓不具備光學或 AI 專業知識的企業也能無痛導入，進一步協助更多尋求節省人力、自動化生產與品質提升的企業。 [&hellip;]</p>

打破改組慣例、機器人部門直屬 CEO：三星為何急著搶攻 Physical AI？

<p>三星電子近日正式宣布成立由執行長盧泰文（TM Roh）親自領導的全新 RX（Robotics eXperience）機器人事業部，將過去分散在各處的機器人研發資源進行結構性整併，以加速技術開發與商業化腳步，讓機器人正式升格為集團的下一個核心成長引擎。 這項組織重組，反映出三星深層的轉型迫切感。由於智慧型手機市場漸趨飽和，加上家用電器等核心業務面臨日益激烈的價格競爭，導致整體毛利率不斷受到擠壓，促使三星必須大刀闊斧開闢新局，將發展目光投向 Physical AI 這個新興領域。 這項將機器人業務拉高至最高決策層級的戰略，隨即在資本市場引發強烈迴響。消息公布當日，三星電子股價應聲大漲 6.76%，表現明顯優於同期僅上漲約 4% 的韓國綜合股價指數（Kospi），顯示投資人對這次轉型方向也抱持樂觀態度。 賦予高度自主權、延攬產學專家，三星組建 RX 核心戰隊 全新成立的 RX 事業部將統籌三星中長期機器人發展策略、核心技術研發、業務執行，以及全球產品商業化落地等面向。三星打破往年在年底才進行例行組織改組的慣例，特意在此時成立獨立的 RX 部門，賦予該業務過去所欠缺的明確授權與高度自主權，以確保戰略執行不受內部其他事項干擾。 在領導團隊上，三星任命執行副總裁 Lee Dongkun 出任機器人策略團隊負責人。他過去曾長期主導現代汽車集團的機器人戰略，並親自掌舵波士頓動力（Boston Dynamics）的發展方向，在產業化推動上擁有深厚經驗。 此外，為了補強學術研究與核心技術實力，三星同步延攬首爾大學、專精自主導航與控制的教授Kim Hyoun-jin，以及亞洲大學專精靈巧機器手技術的學者 Kim Ui-kyum。過去，三星在技術評估中曾直言，靈巧機器手是打造人形機器人過程中最困難、成本也最高的關鍵瓶頸之一，因此這次特別延攬頂尖專家，也具有極強的指標意義。 未來，RX 的研發總部將設於三星的首爾研發園區，並計畫在技術快速發展的美國、中國與日本設立海外研究中心，以充分利用各地的技術生態系與專業人才，建構跨國研發版圖。 砸 19 兆韓元建基礎設施、綁定 Rainbow Robotics，三星加速打造機器人產業基地 要將 Physical AI 從實驗室推向大規模商業化，必須仰賴龐大的實體建設與資金支持。因此，三星正透過巨額投資，在韓國本土構築堅實的產業基地。三星計畫在韓國嶺南地區投資約 60 兆韓元（約 407 億美元），其中高達 19 兆韓元將用於發展 Physical AI 基礎設施。為了取得真實的工業生產數據，訓練機器人的實體操作能力，三星更規劃在龜尾工業園區內建立一座專門的「數據工廠（Data Factory）」，讓軟硬體能在真實產線環境中持續融合與迭代。 同時，三星在 2024 年底大幅提高對韓國協作與人形機器人先驅 Rainbow Robotics [&hellip;]</p>

【333 Robots Community Meetup】AI 機器人如何走出實驗室？陽明交大 HCIS Lab、帕德…

<p>在 AI 加速邁向實體世界的關鍵轉折點，實體人工智慧（Physical AI）已成為下一波科技變革的核心驅動力。由 TechOrange 科技報橘、鴻海科技集團與三創育成共同舉辦的「333 Robots Community Meetup」，是每個月都會舉行的 AI 機器人開發者交流活動，目標是匯聚學研界、新創圈與國內外的機器人專家，共同探討前沿技術如何走出實驗室，解決真實世界中的痛點。 在六月的活動中，邀請到來自國立陽明交通大學、帕德創新（POD Innovation）、台灣夏普的講者，分享實體 AI 在不同面向的最新落地進展，並帶領與會者直擊國際高難度挑戰賽、高風險軌道工業的數位分身，以及陪伴機器人的未來。 陽明交大 HCIS Lab 以傳統運動學突破雙手操作挑戰賽，奪全球季軍 第一場演講由參與 IEEE ICRA WBCD（雙手操作挑戰賽），並奪得全球季軍的國立陽明交通大學人本智慧系統實驗室（HCIS Lab）團隊，帶來詳盡的技術解析。HCIS Lab 團隊成員林谷翰分享：「因為只有三天的準備時間，現場數據收集具有極高不確定性，因此我們決定採取兼具解釋性與成功率保證的傳統運動學路徑。」因此，團隊捨棄需要大量訓練數據且不確定性高、難以評估失效機率的端到端 VLA 大模型，轉而以傳統工程方法（Good Old-Fashioned Engineering，GFE）為核心，並採用傳統運動學求解作為底層控制。 針對比賽中高精度的生物實驗室試管插拔任務，團隊更採用螺旋搜尋（Spiral Search）演算法，當機械手臂夾持試管逼近洞口、導致視覺遭完全遮蔽時，系統會稍微放開夾具給予活動空間並進行轉動，使物件自然掉入槽內，成功克服公厘級的精確度考驗。 虛實整合的軌道革命：帕德創新以數位分身克服落地門檻 緊接著，帕德創新（POD Innovation）共同創辦人簡文昱分享數位孿生（Digital Twin）技術在傳統軌道產業的顛覆性應用。過去數十年來，傳統軌道產業高度仰賴傳統 SOP，因為在真實場域進行安全測試的風險極高，且公務體系規章嚴苛，因此開發者幾乎不可能借用場域來收集實際的車禍或碰撞數據。 為了解決這個長年無解的落地門檻，帕德創新團隊透過 Blender 與 Unreal Engine 等模擬軟體，重建高精度的軌道環境、木頭紋路與光影材質。在 3D 資產建構上，他們透過 Shader 調整材質光照，將原本需要數十萬個數據點的 CAD 車頭，大幅濃縮至數千點，在確保視覺逼真度的同時，顯著節省渲染與運算資源。 「數位分身是讓 AI 安全走入高風險軌道產業的完美實驗場，透過模擬，我們可以在虛擬世界自由測試並生成大量合成數據，」簡文昱表示，目前這項技術已成功部署於高雄輕軌，並在近期透過模型壓縮優化，將原本運作於 250 瓦電競筆電上的端到端模型，轉移至僅 30 [&hellip;]</p>

Physical AI 缺的不是網路資料，而是動作標籤：General Intuition 如何把電腦遊戲數據變成機器…

<p>目前，AI 技術的採用與投資正在邁入新階段，也就是將 AI 的應用版圖，逐漸擴展至實體經濟中。在這一波實體 AI（Physical AI）與世界模型熱潮中，總部位於紐約的 AI 新創 General Intuition 正嘗試在競爭激烈的市場中開闢一條新路。 《TechCrunch》旗下 Podcast 節目《Equity》，近期特別專訪 General Intuition 的共同創辦人暨執行長 Pim de Witte，深入剖析 General Intuition 如何利用電子遊戲數據，顛覆傳統機器人的訓練模式。 傳統大型語言模型（LLM）的預訓練方法，主要是複製網路上所有的文字數據，並要求模型預測下一個文本標記以發展出理解能力。雖然文字是極佳的資訊壓縮媒介，但這種模式會產生在某些領域表現出色，卻在某些領域表現不佳的狀況。這個癥結點在於，文字本質上會移除現實世界運作所需的空間與時間資訊；相較之下，卻有一種數據來源不只包含網際網路級別的資訊密度，更具備現實世界的空間及時間動態，那就是「電子遊戲」。因此，General Intuition 也將電子遊戲數據，視為預訓練實體 AI 的新藍海。 General Intuition 看見的資料缺口：實體 AI 需要真實動作標籤 傳統大型語言模型所依賴的文字數據，本質上都是從作者的主觀視角出發，所以難免帶有個人偏見。由於文字代表的是一種「被描述的現實」，但實體 AI 必須在「被感知的現實」中訓練，以一種中立且無偏差的方式理解世界，這就是為什麼網路上雖然有數百萬部 YouTube 影片，卻無法直接用來訓練高品質的實體 AI 世界模型，因為最關鍵的局限就在於，這些網路影片缺乏畫面外的「真實動作標籤」。例如，在一段飛機降落的影片中，飛行員移動方向舵的具體物理動作，無法在影片像素流或畫面影格中呈現。 Pim de Witte 指出，雖然有些 AI 實驗室主張可以單純從像素中推導出動作資訊，但當客戶要求模型在極端情況下依然要做出完美表現時，這種推測出來的數據就會出現嚴重誤差，進而導致系統失控。因此，如果缺乏真實的動作標籤，AI 模型在面對邊緣案例（Edge Cases）時，誤差會不斷累積，且模型將無法有效把自身的動作與周遭環境區隔開來。面對這樣的挑戰，General Intuition 決定利用獨家的「遊戲畫面加上玩家按鍵輸入數據」進行訓練，讓模型得以在精確的時空維度中推理與控制。 數億小時遊戲影片與玩家操作數據，如何變成機器人的世界模型？ 為了實現這個願景，General Intuition 擁有獨特且具規模的專有數據庫，因為該公司是從 Metal [&hellip;]</p>

不賣家用人形機器人夢：Agility Robotics 如何用 RaaS、工業認證與真實數據打進倉儲物流現場？

<p>總部位於美國奧勒岡州的雙足人形機器人製造商 Agility Robotics，宣布將透過與 Churchill Capital Corp XI 合併，以高達 25 億美元的估值登上公開市場，成為首家完全致力於人形機器人開發與銷售的上市公司。 然而，與許多喜歡宣傳家用人形機器人願景的競爭對手不同，Agility Robotics 執行長 Peggy Johnson 並未向投資人推銷家用機器人即將普及的想像。Peggy Johnson 坦言，家庭環境遠比倉儲與工廠更混亂且不可預測，因為內部充斥著寵物、嬰兒、訪客以及隨意擺放的物品，所以人形機器人真正進入家庭至少還需要 10 年以上的時間。相較之下，倉儲與製造場域雖然複雜，卻擁有固定走道與可預測的設備和工作流程，這讓第一波雙足人形機器人的商業化主戰場，必然會聚焦在企業級的工業與倉儲場景。 Agility Robotics 如何用 RaaS、安全認證與真實數據拉開差距？ 《TechCrunch》分析，Agility Robotics 在商業策略與技術路徑上均採取極為實用主義的路線。這種務實定位直接反映在其創新的「機器人即服務（RaaS）」訂閱制商業模式中。Agility Robotics 目前已取得超過 3 億美元的已預訂（booked）多年期營收，代表約 1,000 台機器人的訂閱合約，客戶並非一次性買斷硬體，而是支付月費以獲取持續的服務。這群已通過核實並具備明確部署計劃的早期合作名單，包括物流巨頭 GXO Logistics、電商龍頭 Amazon、加拿大豐田汽車、工業零件大廠 Schaeffler 與拉丁美洲電商巨擘 Mercado Libre。 除了獨特的商業模式，安全認證與數據累積更是 Agility Robotics 與競爭對手拉開差距的關鍵。當其他對手仍在實驗室或精心編排的影片中展示機器人功能時，Digit 已經符合嚴格的工業安全認證。此外，在軟體技術上，Agility Robotics 雖然採用大語言模型處理語義層的指令翻譯，但他們認為最核心的專利壁壘仍是控制平衡、行走與操縱的物理層 AI。 Peggy Johnson 指出：「大語言模型有整個網際網路的數據可以進行訓練，但當你思考雙足人形機器人的物理人工智慧（physical AI）時，這在大部分公司其實並不存在。」然而，憑藉著深厚的實務累積，Agility Robotics 已經擁有目前業界最大規模、在真實環境中實際運行機器人的數據湖（data lake），這項技術能協助企業補上年輕世代不願從事且招募困難度較高的勞動職缺。 [&hellip;]</p>

機器人基礎模型市場價值上看 1,500 億美元：瑞士新創 Flexion Robotics 如何打造會拆解任務的 AI…

<p>當前科技界正迎來一波人形機器人熱潮，包含特斯拉的 Optimus、波士頓動力的 Atlas 等數十款機器人，正積極準備進入市場 。業界之所以如此執著於「人形」，是因為生活環境原本就是為人類量身打造，像是要轉動門把需要手，要爬樓梯則需要雙腳。特別是市場對人形機器人的期待，就是要真正走入工作場域並發揮價值，進一步完成開門、搬箱子等枯燥的日常雜事。然而，這也是當前人形機器人，最難跨越的門檻之一。 為了解決這個實用性痛點，由前 NVIDIA 機器人研究人員所創立的瑞士新創公司 Flexion Robotics 提出全新的解方。與多數鑽研機械關節的硬體公司不同，Flexion 的核心重點是開發讓人形機器人能自主完成任務的「軟體系統」，打造一個能真正理解指令、拆解任務並串接行動的 AI 大腦。 Flexion 讓人形機器人從單點動作，到可以串接日常生活流程 為了展示這個「AI 大腦」的潛力，Flexion 運用一台改裝過的 Unitree 人形機器人進行實際測試。《WIRED》報導，這款機器人能夠接收語音指令到樓下領取包裹，接著自行走樓梯、搭電梯回來，最後甚至能拆開包裹並把零食放進抽屜裡。 這個任務的關鍵並不在於機器人學會某個單一動作，而是必須把取包裹、開門、移動、搭電梯、拆箱與整理物品等多個步驟，串連成一個流暢且完整的自動化流程。目前多數的人形機器人展示影片，通常只聚焦在摺衣服或上架等特定任務，且幕後往往高度仰賴人類進行遠端操控。然而，一旦把這些機器人放到不熟悉的環境中，遠端操控的方式便容易失效。相較之下，Flexion 的優勢在於能讓機器人先在模擬環境中學會各種基本技能，隨後再將這些技能組合起來，自主應用於真實世界中。 如何打造人形機器人的大腦？Flexion 用強化學習連接任務與動作 要達成這樣的高度自主性，Flexion 系統運作的核心在於結合不同的 AI 模型，其中的「主 AI」會先消化人類做事的影片，藉此學會什麼時候該採取什麼行動。這些影片的功能不是直接教導機器人如何完成每一個物理動作，而是教它在任務流程中應該依序採取的行動邏輯。 例如，當主 AI 判斷任務需要開門或搭電梯時，系統就會呼叫機器人先前在模擬環境中學到的對應技能，並將其順利應用到現實場景中。同時，Flexion 的軟體也肩負控制機器人馬達的重任，確保機器人能夠平穩地走路、移動四肢並維持平衡。 Flexion 共同創辦人兼執行長 Nikita Rudin 表示，這套軟體的秘密武器是大量使用強化學習技術，從主 AI 模型、模擬環境到馬達控制，每一層的設計都是透過不斷地試錯來完成訓練，正如 ABI Research 分析師 George Chowdhury 所強調：「真正具有革命性的不是人形機器人本體，而是支撐它們運作的 AI 模型。」 Physical AI 為何還沒迎來 ChatGPT 時刻？資料、安全與泛化能力是難題 儘管 [&hellip;]</p>

南韓砸逾 8,800 億美元打造 AI 國家隊：拆解台、日、韓的 AI 國力競賽

<p>2026 年 6 月，不到一週之內，亞洲三個科技要角接連端出國家級 AI 投資藍圖。《BBC》報導，南韓總統李在明在 6/29 公布規模至少 8,800 億美元的「三大超級計畫」，另據《Reuters》，光是其中的半導體相關投資就逾 5,760 億美元。 在這之前，日本高市早苗政府於 6/24 提出 15 年累計逾 370 兆日圓（約新台幣 74 兆元）的「官民投資路線圖」；而台灣行政院更早一步，在 6/23 啟動國家人工智慧戰略特別委員會，並以 4 年逾 1,300 億元新台幣推動 AI 布局。三組數字級距天差地遠，不過真正的差別不在金額，而在三國把錢押在不同的層次上，各自的盤算也不一樣。 南韓：靠記憶體霸權，把錢重押在硬體與實體 AI 南韓的計畫規模最龐大。根據《Reuters》與《The Korea Times》報導，李在明把這套計畫定調為由半導體、實體 AI 與 AI 資料中心組成的「三軸」，稱其結果將決定南韓未來 20 至 30 年的命運。「我們必須比任何其他國家都更快掌握 AI 的核心要素，」李在明表示。「半導體、實體 AI（Physical AI）與 AI 資料中心，是實現大躍進的三大主軸。」 在半導體這一軸，由三星電子與 SK 海力士參與其中，將投入 800 兆韓元（約 5,190 億美元），在南韓西南部各興建兩座記憶體廠，合計四座。《Korea [&hellip;]</p>

全球油氣廠可能需要 10 萬台巡檢機器人：能源巨頭 Shell 與 BP 如何用 Physical AI 迎戰缺工與工…

<p>一場由自動化技術驅動的變革，正在全球能源產業的危險前線展開。面對管線老化、氣體洩漏與化學品外溢等難以預測的工安威脅，油氣與化工廠正逐漸將高風險的現場巡檢與維護工作，交接給機器人與無人機執行。根據專門為高危險環境研發自主巡檢機器人的 ExRobotics 估計，全球油氣廠與化工煉製設施，最多可能需要部署高達 10 萬台機器人來執行這類巡檢任務。 這些自動化設備不僅能代替人力深入險境、為工安把關，更能不間斷地捕捉關鍵數據，成為企業突破營運效率瓶頸的核心助力。根據西門子（Siemens）的估算，無預警停機的時間目前會消耗全球大型工業公司高達 11% 的總營收，對於一家中型油氣廠而言，短短 3.5 天的停機就可能造成超過 500 萬美元的巨大損失，這也讓自動化巡檢的穩定性顯得至關重要。 油氣業為何迫切需要 Physical AI？缺工、經驗斷層與高風險挑戰浮現 ExRobotics 執行長 Mark Mildon 表示，隨著嬰兒潮世代與 X 世代員工陸續退休，他們也將多年累積的寶貴現場知識一起帶走。在這樣的背景下，機器人與 AI 的一大優勢，便是能夠將這些老師傅的技能數位化，並讓作業標準變得一致且可重複。 此外，受到勞動力老化，以及年輕人對化石燃料產業抱持懷疑態度的影響，油氣廠與煉油廠的夜班人員也愈來愈難招募。Mark Mildon 舉例說明，如果一名煉油廠操作員要目視檢查類比儀表，通常需要耗費 90 分鐘到 2 小時，相較之下，機器人能有效接管這些重複性極高的工作，協助釋放寶貴的人力資源。 巡檢機器人的高門檻：具備防爆認證與危險場域作業能力 然而，要將自動化設備導入油氣產業並不容易，ExRobotics 機器人的最大差異化優勢，就在於取得危險場域的作業認證，確保其能在具有爆炸風險的極端環境中安全運作，像是其取得的 UL 6260 認證關鍵，就在於能確保機器人本身不會成為引發爆炸的點火源。 ExRobotics 這款造價達 30 萬美元的機器人，大腦由兩顆 NVIDIA Jetson Xavier NX 晶片所驅動，一顆專門處理相機影像，另一顆則負責通訊模組。例如 ExRobotics 通過 UL 認證的 ExR-2.5 巡檢機器人，目前已可在北美爆炸性環境中安全作業，也能在上下游、陸上與離岸等各種場域中，執行安全巡檢與即時資料蒐集任務。為了順利拓展北美市場，ExRobotics 也與 MicroWatt 達成獨家合作，提供在地的專業知識與部署支援。 [&hellip;]</p>

Physical AI 落地卡在哪？Arm 高層揭三大瓶頸，Sim-to-Real 成突破關鍵

<p>現在，科技巨頭正從開發聊天機器人，大舉轉向投入「實體 AI（Physical AI）」領域。卡內基美隆大學電腦科學學院院長 Martial Hebert 就曾表示，實體 AI 正是傳統機器人技術的進化，畢竟，若 AI 只能閱讀文字，卻無法理解真實物理環境，就難以預測自身行為的後果，也難以具備真正的智慧。  看準這股實體 AI 的龐大趨勢，Arm 策略暨生態系執行副總裁 Drew Henry 近日接受《The Robot Report》Podcast 專訪時指出，Arm 正積極為未來幾年的人形機器人與自主機器，預先設計專屬運算架構，「對我來說，這個領域的核心工程屬性在於：如何縮短從感測器接收到光子，再到致動器觸發之間的延遲時間，」Drew Henry 說。 人形機器人的新算力指標：每焦耳、每公斤能處理多少 Token？&nbsp;&nbsp; 談到當前的硬體極限，Drew Henry 表示：「過去那種每 18 個月電晶體效能就翻倍的摩爾定律黃金時代，確實已經過去了。」 然而，他認為這不代表創新的終結，而是工程師現在必須轉向系統級設計，利用特定領域架構（Domain-specific architectures），或是將工作負載轉移到專用加速器上，以尋求效能突破。 針對未連接電源的機器人，Drew Henry 點出一個打破傳統資料中心思維的全新效能指標：「在這個領域，會出現一個全新的衡量維度：每焦耳、每公斤能處理的 Token 數。」 他解釋，機器人的重量會直接影響致動器移動時所消耗的電量，進而決定整體電池的壽命。因此，工程師必須在有限的電池容量和嚴苛的重量限制下，精算並分配致動器、感測器與運算系統各自的耗電比例。 從集中式大腦到分散式運算，人形機器人架構進入探索期 這種嚴苛的資源分配，也讓機器人的「大腦」設計面臨前所未有的挑戰。Drew Henry 形容，人形機器人平台可能是最複雜的運算平台之一，因為機器人內部存在截然不同的運算層面：一方面，它必須處理負責即時「運動（Locomotion）」控制的次毫秒級低延遲運算，以確保動作的安全性與精準度；另一方面，又要處理不需要極速反應，但專門負責與大型語言模型互動的「互動驅動智慧（Interactive Driven Intelligence）」。 面對如此龐大的運算需求，業界正迎來架構上的探索期。Drew Henry 分享自己近期在一週內拜訪兩家客戶的有趣對比：「有一家客戶告訴我，我們需要盡可能把所有最強大的運算力塞進這個機器人裡；但另一家客戶卻認為，正確的架構應該是在局部放置邊緣運算，並透過高速、低延遲的網路進行連接。」&nbsp; Drew Henry 強調，在配備密集感測器的環境下，分散式運算確實有助於平行處理多項任務，因此他也預期業界最終將在這兩種極端的架構中，找到最佳平衡點。為了解決這類極度複雜的系統瓶頸，Arm 也推出名為「Performix」的效能分析工具套件，讓軟體開發者與 AI 代理都能直觀地透視底層系統的遙測數據（Telemetry）與 I/O 等待狀態。此外，Arm [&hellip;]</p>

不等人形機器人了？Sanctuary AI 先把實體 AI 用在汽車產線，2.54 秒搞定電線插接

<p>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 [&hellip;]</p>

【333 Robots Community Meetup】交大資工系副教授陳奕廷拆解 Physical AI 開發迷思…

<p>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。 [&hellip;]</p>

麗臺於 COMPUTEX 2026 推出終極 AI 工作站，打造高彈性 AI 解決方案

<p>麗臺科技（Leadtek）將於 COMPUTEX 2026 展出「終極桌邊 AI 超級電腦」（Ultimate Deskside AI Supercomputer），主打將資料中心等級的運算能力導入辦公環境，讓用戶可在本地端快速開發、微調與執行大型 AI 模型，並支援 AI 代理長時間穩定運作。 此次亮相的 Deskside AI Supercomputer，搭載 NVIDIA GB300 Grace Blackwell Ultra 桌上型電腦超級晶片，擁有高達 748 GB 的一致性記憶體、NVIDIA ConnectX-8 SuperNIC 網路，以及最高 20 PFLOPS 的 FP4 AI 運算效能。散熱方面，採用封閉式液冷散熱設計，支援高強度連續運算。除可運行大型 AI Agent 與 Physical AI 模擬應用外，更具備可彈性配置 1 張 NVIDIA RTX PRO GPU 與 GB300 協同運作的擴充性，可於本地端執行推論任務，同時保有彈性擴展至資料中心或雲端環境的能力。 NVIDIA 認證系統滿足多樣化配置 麗臺同步展示從桌上型系統到資料中心的完整產品布局，涵蓋 NVIDIA DGX [&hellip;]</p>

AI 算力競賽下一個瓶頸是電力：台達電源及系統事業群副總經理鄭謝雄解析 800 VDC 架構、液冷與數位孿生如何重構資…

<p>專訪：戴季全撰稿：李昀蔚 算力即國力，已經成為 AI 時代最常被討論的一句話。然而，在大型語言模型、AI Agent 與 Physical AI 快速發展背後，真正限制算力擴張的，可能不是晶片，而是電力。當 GPU 功耗持續升高，AI 資料中心的用電、散熱與能源轉換效率，正在成為新一代 AI 基礎設施的核心戰場。 本集《全新一週》特別專訪台達電源及系統事業群副總經理鄭謝雄，從 NVIDIA GTC 大會上備受關注的台達 800 VDC 方案談起，拆解 AI 資料中心為何必須重新設計電力架構，以及台達如何從「Grid-to-Chip」（從電網到晶片）角度，整合電源、液冷與數位孿生，回應 AI 算力爆發帶來的新挑戰。 為什麼 AI 資料中心需要 800 VDC？關鍵在 GPU 功率暴增 所有電源架構的改變，根本原因都來自 GPU 功率不斷提升。從 H100、H200，到 Blackwell，再到 Vera Rubin，GPU 功耗已從過去約 700 至 800 瓦，提升到 1,200 瓦，未來 Vera Rubin 世代甚至可能來到 1,800 至 2,300 瓦。 當 GPU [&hellip;]</p>

研華搭 COMPUTEX 熱潮舉辦全球夥伴大會，力推 Physical AI 與 WEDA 架構

<p>全球物聯網智能系統與嵌入式平台領導廠商研華公司（TWSE:2395）昨（3）日於研華智能共創園區舉辦全球夥伴大會 WPC（World Partner Conference），今年研華 WPC  首度與 COMPUTEX 展覽深度整合，成功吸引來自全球超過 800 位技術夥伴、產業領導與生態系成員共襄盛舉，透過12場垂直產業論壇，共同探討邊緣 AI（Edge AI）、實體 AI（Physical AI）與 AI 代理（AI Agent） 的最新發展趨勢。作為全球邊緣 AI 產業的年度盛事，研華打造出橫跨全球技術趨勢、前端產品體驗與跨國商業媒合的平台，透過為期三天的密切交流，不僅讓全球與會者直擊最先進的邊緣運算與 AI 智慧方案，更實質促進了全球生態系夥伴在策略、技術與落地商機上的深度綁定。 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 首度整合 WPC 與 COMPUTEX 全球夥伴深度交流 Edge AI 關鍵應用 研華董事長劉克振表示，研華今年以「Edge Computing &amp; AI-Powered WISE Solutions」為主軸，首度將 WPC 與 COMPUTEX 整合擴大舉辦，就是希望透過全球生態系合作以建立更完整的邊緣AI產業鏈，進而串聯技術夥伴、開發者與產業客戶，打造可複製且具規模化的解決方案。 研華北美區總經理牛文中從市場第一線觀察指出，企業導入邊緣 AI 的需求快速成長，客戶需要的已不再只是單一硬體設備或 AI 模型，而是能夠整合硬體、軟體、 AI 框架、系統部署與場域服務的系統級夥伴。尤其在智慧製造、醫療、物流與自主設備等應用場域中， AI [&hellip;]</p>

從數位孿生到實體生產力：達明機器人定義 Physical AI 落地關鍵，發表「端到端開發套件」打通 AI 供應鏈最後…

<p>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。 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 [&hellip;]</p>

COMPUTEX 2026 AI 機器人展區直擊：從零件到整機，Physical AI 正在現場發生

<p>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 [&hellip;]</p>

研華深化 NVIDIA 合作推出「AI Factory Brain」，以 Agentic AI 串聯全廠智慧決策

<p>全球邊緣運算與邊緣AI平台領導廠商研華公司（TWSE:2395）今（1）日宣布深化與 NVIDIA 的合作，正式推出 AI 原生工廠架構（AI-Native Factory Architecture）迎向 Agentic AI 與 Physical AI 時代的來臨。 AI 原生工廠架構結合 NVIDIA NemoClaw、NVIDIA Factory Operations Blueprint、NVIDIA RTX PRO、NVIDIA Jetson Thor，以及研華 WISE-Edge Developer Architecture（WEDA），協助製造業者將 AI 智能深度導入即時工廠營運流程，以因應生產彈性、人力優化與能源效率等關鍵營運需求。 研華嵌入式事業群總經理張家豪表示：「研華與 NVIDIA 此次進一步合作，象徵AI驅動智慧工廠發展的重要里程碑。透過整合 NVIDIA AI Factory Brain，以及研華基於 NVIDIA NemoClaw 與全棧式邊緣 AI 運算平台所打造的 Edge AI 與 WEDA 生態系，我們正以 Agent-driven AI、Software-defined Orchestration 與 Autonomous Operations，實現全廠級智慧化，並為新世代 Physical AI 智能製造建立可複製、可驗證的最佳實踐藍圖。」 [&hellip;]</p>

2.8 萬台人形機器人已登記 ID：中國正在把 AI 治理延伸到實體世界

<p>如果未來工廠裡的人形機器人撞傷員工、醫院照護機器人判斷失誤，或電網巡檢機器人造成設備事故，要如何追溯責任？這個問題過去多半停留在學界或監管討論，但中國開始嘗試把答案做成一套基礎設施。 中國近日正式啟動「人形機器人全生命週期管理服務平台」，替境內人形機器人建立國家級數位身分制度。根據官方公布資料，目前已有超過 2.8 萬台、涵蓋 200 種型號的人形機器人取得專屬 29 碼識別碼（ID），紀錄內容涵蓋生產、訓練、維修到回收報廢的完整履歷。 這表面上是一套產業標準化與風險追溯工具，但如果放進中國近年 AI 治理與機器人產業布局來看，可以發現中國正在把 AI 治理從演算法與模型，進一步延伸到實體世界。 一份會持續更新的「機器人履歷」 根據《The Next Web》與《南華早報》報導，這套制度由中國工業和資訊化部體系下的人形機器人與具身智慧標準化委員會（HEIS）推動。 每台人形機器人會獲得一組 29 碼專屬識別碼。這套 ID 碼由四個部分組成：兩位數的國家代碼，用於追蹤跨境出貨與銷售；四位數的製造商代碼，標識負責生產的中國企業；六位數的產品型號代碼，識別機器人類型；以及 17 位數的序號，區分每個獨立個體。設計概念參照中國 18 碼公民身份識別制度，但延伸出更長的編碼架構，以支援機器設備管理需求。 這也是一套動態數位紀錄系統，會持續追蹤機器人的維護歷程、作業環境與即時效能指標，包括機械關節磨損率、電池衰退狀況與動作精準度。當機器人出現故障，系統設計為能快速定位問題根源；當機器人除役，ID 隨之進入回收流程，直至最終報廢。 為何現在推？人形機器人進入規模部署階段 監管節奏往往反映產業成熟度。中國之所以現在建立追溯機制，為的是帶領產業打造機器人標準化、規模化發展。 《Reuters》先前報導，中國目前已有超過百家人形機器人製造商。僅 2025 年前 5 個月，機器人與具身智慧（Embodied Intelligence）投資規模就已超越 2024 全年，累計達 34 億美元，不僅高於同期美國，也約為歐洲的 5 倍。 中國政府也已同步投入基礎建設。上海建立具身智慧資料與測試設施；深圳成立 AI 與機器人基金；地方政府提供場域、租金與採購支持。中國國家電網規劃導入數千台巡檢與作業機器人，農業與物流場景也開始進入試驗。 中國新創 AgiBot 更向《Reuters》透露，其資料中心每天運作長達 17 小時，由真人持續示範折衣、搬運、開門等任務，替模型蒐集實體世界訓練資料。背後反映的產業現實是，Physical AI 的瓶頸不再只是模型能力，而是如何累積資料、管理部署，以及建立可驗證的運作紀錄。而當數萬台機器開始進入真實環境，治理需求也因此提早出現。 中國想管理的不只是機器，而是責任鏈 如果把這項制度放進中國近年的 AI [&hellip;]</p>

【蘇姿丰來台開講】AI 競賽才進入「第三局」，看好 Physical AI 成下一波熱潮

<p>AMD 執行長蘇姿丰快閃來台，繼昨（5/21）日宣布兩項重大布局：包括投入超過 100 億美元深化台灣合作、擴大先進封裝供應能力，以及採用台積電 2 奈米製程技術後，今（5/22）日再出席論壇活動，暢談 AI 浪潮下的全球戰略、技術革命與算力布局。 蘇姿丰表示，半導體市場和 AI 市場的成長從未如此快速過，AMD 的策略是在高效能和 AI 運算領域保持領先，而為了做到這一點，必須擁有非常強大的供應鏈。她提及，台灣半導體產業最特別的地方在於擁有生態系統的每一個部分：從基礎材料一路到先進製程、系統 OEM 與 ODM，以及機架級製造。她也觀察到，台灣生態系許多合作夥伴也在台灣以外的地方擴展，「我認為這是一件非常好的事情。因為半導體對世界來說太重要了，具備全球地理佈局的能力非常重要。」 當 AI 進入推論時代，AMD 看好 CPU 重返成長 針對下一階段運算需求的預測，蘇姿丰提及，AI 訓練需要大量的運算能力，但事實上沒有人能真正從訓練中賺錢。「訓練是必要的，但那不是你看到投資回報的地方，你看到投資回報的地方，是人們『使用』這項技術，也就是推論。」 她認為，AMD 現在看到 AI 不僅是進入了推論階段，而是可以進入讓人做「非常聰明的事情」的時期，例如要求 AI 解決複雜問題，而這些問題將會顯著改變人們打造產品、經營公司、探索科學的方式。蘇姿丰也強調，AI 發展週期仍處於非常早期的階段，「它還不夠好，但每隔幾個月你就會看到非常大的進展。」 AI 推論需求也推升 CPU 市場，蘇姿丰在會後媒體訪問時提及，AMD 對於 CPU 在未來 AI 機架中成長的潛力感到非常興奮。她表示，CPU 市場在過去三、四年大概以 3% 到 4% 的速度成長，市場焦點集中在 GPU，但隨著推論和代理式 AI 真正開始發展，「在未來五年，我們看到 CPU 市場每年將以超過 35% 的速度成長，這是我們非常強大的領域。」她表示，AMD 的策略不是只推出一顆 CPU，而是建立一個完整的 [&hellip;]</p>

結盟 ASML、切入工業模擬：Mistral AI 如何卡位新一波 AI 戰場

<p>AI 巨頭持續佈局實體 AI（Physical AI）領域，《Reuters》報導，法國 AI 新創 Mistral AI 近日表示，已收購奧地利實體 AI 新創 Emmi AI。雖然雙方未透露具體交易金額，但這項併購案釋出了強烈訊號：Mistral 的發展重心正從聊天機器人與通用大型語言模型，積極擴展至工業 AI（Industrial AI）與實體 AI 領域。 專攻物理模擬，Emmi AI 是歐洲最受矚目的 AI 新創之一 Emmi AI 於奧地利林茲創立，核心技術是開發能處理複雜物理現象的 AI 模型，涵蓋氣流、熱傳導與材料應力等工業工程中的關鍵模擬場景，已應用於能源、汽車、半導體與航太等產業。這家新創在 2025 年完成奧地利史上最大規模的新創募資輪，金額達 1,500 萬歐元，旗下擁有逾 30 名研究員與工程師。 據 Emmi AI 官方聲明，收購完成後，Emmi 的共同創辦人及全體研究與工程團隊將於 2026 年 5 月加入 Mistral 的科學與應用 AI 部門。 Mistral AI 不只想做歐洲版 OpenAI 成立於 2023 年的 Mistral，一直被視為歐洲最重要的 [&hellip;]</p>

研華 COMPUTEX 首度整合全球夥伴大會，強化全球邊緣 AI 生態系鏈結

<p>全球物聯網智能系統與嵌入式平台領導廠商研華公司（TWSE：2395）今日宣布，於 COMPUTEX Taipei 2026 期間，首度將研華全球合作夥伴大會（World Partner Conference, WPC）與展覽活動深度整合，並以「Edge Computing &amp; AI-Powered WISE Solutions」為品牌主軸，串聯國際論壇、展覽展示與全球夥伴大會三大核心活動，打造橫跨策略、技術與商業的整合平台，強化全球 Edge AI 生態系鏈結，加速產業數位轉型與 AI 升級。 研華董事長劉克振表示：「面對產業全面邁向 AI 與邊緣運算發展的浪潮，企業競爭的關鍵已不只是技術能力，而在於能否建立跨產業、跨區域的協作生態系。今年研華首度整合 WPC 全球合作夥伴大會與 COMPUTEX 展覽，並以『Edge Computing &amp; AI-Powered WISE Solutions』為品牌主軸貫穿自 6 月 1 日起為期五天的系列活動，希望透過跨場域、多節點的創新形式，將活動從單一展示平台，進一步升級為全球 Edge AI 生態系策略對話、夥伴協作與商機轉化的重要樞紐。未來，研華也將持續攜手全球夥伴，加速 AI 從雲端走向邊緣、從數位走向實體應用，並朝向全球 Edge AI 領導品牌的目標大步邁進。」 研華嵌入式事業群總經理張家豪表示：「邊緣運算一直是研華的核心發展主軸，未來研華將持續攜手 NVIDIA、Qualcomm、Intel 等主流晶片夥伴，推出最新世代 Edge AI 平台，協助客戶因應 AI 應用對即時運算與部署彈性的需求。隨著產業邁向 Physical AI 時代，AI 正從模型運算走向真實世界的感知、決策與自主執行。研華今年將聚焦自動化、智慧醫療與機器人應用，特別是在 AMR、協作型機器人與人型機器人等場域，透過 [&hellip;]</p>

韓國搶做「機器人大腦」： 新創 RLWRLD 如何把真實工作場景，變成 Physical AI 訓練資料？

<p>韓國 AI 新創公司 RLWRLD 正與多家飯店、物流以及零售企業展開合作，將技術熟練的員工在真實工作場景中的動作，轉化為龐大的專業知識資料庫，目標是打造未來可部署於工業現場與家庭的「機器人 AI 大腦」。 《美聯社》報導，首爾樂天酒店（Lotte Hotel Seoul）的餐飲主管 David Park 在頭部、胸前與手部都綁上攝影機，熟練地示範過去九年來在五星級飯店裡做過無數次的宴會餐巾摺疊動作。他的每一個細微動作都會被送進資料庫中，未來將用來教導機器人完成同樣的任務。 從摺餐巾到搬貨上架：把飯店、物流與零售現場變成機器人訓練場 在機器人進入真實世界的過程中，最難跨越的往往是「缺乏真實世界資料」這個門檻。為此，RLWRLD 廣泛蒐集各行業員工的工作動作，像是除了首爾樂天酒店外，還包含韓國 CJ 物流（CJ Logistics）以及日本便利商店 Lawson。在 CJ 物流與 Lawson 的場景中，RLWRLD 的系統會追蹤人類如何抓握、抬起與處理貨物，以及如何整理食品陳列。 這些資料的重點並非單純記錄，而是要精確捕捉人類手部操作中的細節，包含抓握、施力與動作的順序，讓機器人未來能在真實現場執行更細緻的操作。在將員工的影像轉換成機器可讀資料後，RLWRLD 的工程師會親自配戴攝影機、VR 頭盔與動作追蹤手套來重複這些任務，藉此進一步捕捉關節角度與施力大小等深層細節。這些資料隨後就會被用來訓練與測試機器人，並由引導員透過穿戴式裝置引導機器人執行任務。 RLWRLD 的商業策略負責人 Hyemin Cho 指出，目前多數機器人使用的是兩到三根手指的特定任務夾具，但 RLWRLD 專注於開發能模仿人類觸覺的「五指機器手」，因為這種精細的手部操作能力，是未來機器人能否進入家庭與人類密切互動的關鍵。 RLDX-1 模型把人類 Know-how 變成 AI 大腦 RLWRLD 的發展，正處於韓國「實體人工智慧（Physical AI）」的競爭脈絡下。Physical AI 指的是搭載 AI 與感測器、能在真實環境中具備一定自主性進行感知、決策與行動的機器，已超越了傳統工廠裡只能執行重複動作的常規機器人，而 RLWRLD 的目標，正是要打造一層能應用於不同工廠與工作現場的 AI 軟體層，未來甚至計畫擴展到一般家庭中。 為了達成目標，RLWRLD 近期推出以「靈巧度（dexterity）」為核心的機器人基礎模型 RLDX-1，專門支援真實工業環境中的複雜機器人操作任務。RLDX-1 [&hellip;]</p>

三星、現代皆押注：新創 Config 融資 2700 萬美元，要成為「機器人界台積電」

<p>隨著實體 AI 熱潮升溫，專注機器人訓練數據的新創 Config，獲三星、現代、LG 等南韓製造業資本押注。Config 將自身角色類比為台積電在晶片產業的定位：台積電為 Apple、NVIDIA、AMD 等企業代工晶片，但本身並不與客戶競爭，Config 希望在機器人領域專注提供訓練 AI 所需的數據，而非直接開發機器人產品。 機器人 AI 供應鏈成形？實體 AI 熱潮帶動 Config 估值破 2 億美元 《TechCrunch》指出，亞洲近年積極投入實體 AI（physical AI）與機器人技術，而背後推力，正是該地區累積的製造業實力。南韓、日本、中國與台灣皆以製造、出口與供應鏈體系為經濟核心，這套產業基礎也延伸到 AI 領域，帶動機器人相關技術與資本加速發展。 在這波趨勢下，新創公司 Config 於 2025 年成立，由前 Meta 研究員、前 TwelveLabs 首席科學家 Minjoon Seo 與來自 Waymo、Google、Naver 的團隊共同創辦。此次種子輪由三星創投領投，募資金額達 2700 萬美元，推升公司估值突破 2 億美元，累計募資達 3500 萬美元。 參與投資者還包括現代汽車創投 ZER01NE Ventures、LG Technology Ventures、SKT America，以及 Mirae Asset Ventures、韓國開發銀行（KDB）等機構。《TechCrunch》說明，隨著越來越多大型製造商希望掌握自己的機器人 AI [&hellip;]</p>

直擊 333 Robots Community Meetup：產業專家拆解機器人落地流程，開發者交流 Physical…

<p>過去，AI 開發多半圍繞模型、資料、算力與推論效能，但當 AI 走向機器人與實體設備，問題就不只是「模型能不能理解指令」，而是系統能不能感知環境、理解任務、控制行動，並在充滿變數的真實世界中穩定運作。 由鴻海科技集團、科技報橘、三創育成共同主辦的 333 Robots Community Meetup，於 4 月舉辦首場活動。相較於單純展示機器人 Demo，這場活動更聚焦 Physical AI 開發者的現場交流，以及他們在實作過程中面對的難題：如何讓 AI 從真實世界蒐集資料、進入模擬環境訓練，再回到實體場域驗證與修正？ 從 Real to Sim to Real，看開發者必須掌握的新流程 首場 333 Robots Community Meetup 邀請 NVIDIA DLI 白金級認證講師、臺灣科技大學兼任助理教授曾吉弘進行專題演講，主題是「NVIDIA 的 Real to Sim to Real」。 Real to Sim to Real 的核心，是先從真實世界出發，蒐集場域、物件、任務流程與環境變化等資料，再將這些資訊轉換成可被模擬、可被訓練的數位環境。接著，開發者可以在模擬環境中進行大量測試、訓練與迭代，最後再把模型與策略帶回實體世界驗證。 對開發者來說，模擬的價值不只是降低訓練成本，更重要的是讓機器人能在進入真實場域之前，先經歷更多不同情境的測試。舉例來說，光線變化、物件位置偏移、空間限制、人員移動、任務順序改變，甚至是設備與現場流程限制，都可能影響機器人的判斷與控制結果。這些變因在純軟體 AI 場景中或許不明顯，卻是 Physical AI 必須處理的日常。 因此，這場演講傳遞的開發思維是：在進入真實場域之前，先建立能夠被模擬、測試與迭代的環境；回到現場之後，再把真實世界的回饋持續帶回開發流程。對想投入 Physical AI 的開發者而言，Real to [&hellip;]</p>

【科技早餐】蘋果傳找英特爾代工、台灣出口衝 676 億美元，AI 供應鏈重排正在加速

<p>【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊蘋果傳找英特爾代工，美國晶片製造補上關鍵大客戶 《華爾街日報》報導，蘋果 (Apple) 與英特爾（Intel）已進行超過一年的談判，並在近幾個月達成初步協議，未來英特爾可能為蘋果部分裝置代工晶片。不過，目前還不清楚會是哪一類產品，蘋果與英特爾都暫時沒有回應。 如果合作落實，這將成為英特爾晶圓代工業務的重要背書。英特爾近年積極發展 Intel Foundry，希望承接更多外部客戶訂單；這項合作也符合美國政府推動半導體製造回流的政策方向。 ＊Sony 攜手台積電攻影像感測器，Physical AI 卡位日本熊本 索尼（Sony）與台積電 8 日宣布簽署合作備忘錄，計畫成立合資公司，投入下一世代影像感測器研發與製造。新公司將由索尼持有多數股權與控制權，預計在日本熊本縣合志市新設廠房，建立研發與生產線。 雙方表示，這項合作將結合索尼在感測器設計、影像處理的技術，以及台積電的先進製程與量產能力，並探索汽車、機器人等 Physical AI 應用。感測器不再只是手機零組件，而是實體 AI 進入現實場景的關鍵入口。 ＊軟銀找 NVIDIA、鴻海打造 AI 伺服器，日本 AI 國家隊雛形浮現 《路透》引述《日本經濟新聞》報導，日本軟銀集團（SoftBank Group）正與 NVIDIA、鴻海（Foxconn）討論，計畫打造「日本製造」的 AI 伺服器，這項計畫也是軟銀中期戰略的一部分。 報導指出，軟銀希望在 2030 年前，先透過外部零組件組裝建立生產體系，再逐步接手整體伺服器製造流程。這些伺服器未來不只用於軟銀資料中心，也可能支援軟銀正在開發的 AI-RAN，讓主權 AI 往硬體與通訊基礎設施延伸。 ＊台灣 4 月出口衝 676 億美元，AI 訂單把美歐市場同步推高 財政部公布 4 月海關進出口統計，台灣出口達 676.2 億美元、年增 39%，進口 532.7 億美元、年增 29.2%，進出口規模都改寫歷年單月次高，只低於今年 [&hellip;]</p>

Physical AI 進入「手部操作」決勝點：Genesis AI 推 GENE-26.5 模型與仿人機械手，突破機…

<p>長久以來，要讓機器人精準抓取、移動、拆解或組裝物體，遠比教它們走路或說話困難得多，這也是人形機器人一直無法在現實世界大規模落地的關鍵門檻。然而，法國機器人新創 Genesis AI 正在逐步打破這道技術門檻。 Genesis AI 近日正式發表專為機器人打造的基礎 AI 模型 GENE-26.5，並同步推出一隻高度接近人類靈巧度的實體機械手，目標是賦予機器人前所未有的適應力，讓機器人跨入「會動手做事」的新階段。 會煮飯、打蛋、彈鋼琴，Genesis AI 用 Demo 展示人類級靈巧操作 為了具體展現 GENE-26.5 的實力，Genesis AI 釋出一系列令人驚豔的自主執行影片，全程以原速呈現且無人類遠端操控。在展示影片中，機器人能流暢完成高達 20 個步驟的料理任務，包含切番茄、單手打蛋，甚至能雙手製作冰沙並完成遞送，或是單手抓取並分類四個不同大小的物體，以及在空中連續操作解開魔術方塊。此外，機器人還能彈奏約 130 BPM 的快節奏鋼琴樂曲，並進行複雜的線束整理。 不過，這些任務並非「零樣本學習（zero-shot）」，機器人仍需針對特定任務進行事前訓練。Genesis AI 執行長 Zhou Xian 解釋，以料理 Demo 為例，需要數百條操作軌跡來訓練機器人打蛋或切番茄，一項 30 秒的複雜技能，背後大約需要數小時的人類示範資料，加上不到半小時的機器人執行資料。 在成功率方面，多數料理步驟已能達到 90% 至 95% 的成果，儘管難度極高的「單手打蛋」與「用刀轉移番茄」在拍攝時成功率約為 50% 至 60%，Zhou Xian 仍自豪地表示：「這可能是機器人有史以來，以最貼近人類的方式、效率與速度所執行的最複雜任務。」他也透露，目前機器人約已達到人類操作速度的 60% 至 70%，雖然操作問題尚未被徹底解決，但已邁出關鍵一步。 突破操作瓶頸，打造從模型到硬體的全棧式路線 為什麼 Genesis AI 能達成這項成果？關鍵就在於他們決定走全棧式（full-stack）路線。最初，公司的目標只是打造更好的機器人模型，但團隊很快意識到，機器人長期受限於「體現差距（embodiment gap）」，意即人類手部與傳統機器爪的形狀差異過大，導致機器人很難直接從人類的真實資料中學習。 為了解決這個硬傷，Genesis [&hellip;]</p>

一張圖就能讓機器狗失控：VicOne 執行長鄭奕立揭 AI 機器人的 5 大資安攻擊面與 3 步驟解方

<p>「未來基本上就是 AI 對 AI，」談到未來的資安格局，VicOne 執行長鄭奕立強調，隨著生成式 AI 技術快速成熟、具身 AI（Physical AI）迎來爆發期，AI 正跨越螢幕與雲端，擁有能直接影響現實世界的身體與大腦。 面對這波從虛擬邁向物理世界的全新挑戰，VicOne 憑藉過往在全球軟體定義汽車領域累積的深厚防護經驗，積極將資安戰線從智慧車延伸至機器人、無人載具與無人機等領域，防範失控的 AI 模型對周遭人類帶來的致命風險。 AI 機器人的資安挑戰不只在模型，也在硬體極限 從底層架構來看，智慧車與機器人的軟體架構及通訊協定高度相似，但在 AI 模型的感知與控制上，卻有著顯著差異。鄭奕立解析，車用 AI 模型的主要任務是「防撞」，仰賴視覺與距離感測，本質上偏向 2D 空間的運作。然而，因為機器人有實際執行任務的需求，在做拿取物品、削水果等複雜動作時，就必須具備強大的「空間智慧（Spatial Intelligence）」，才能讓 AI 精準判斷環境的厚度、深度與距離。 更具挑戰的是硬體的先天限制。鄭奕立指出，傳統 IT 領域為了控制成本，機器人的硬體算力通常設計得「剛剛好」。這代表企業的思維不能像過去買傳統 PC 一樣，「買回來覺得需要再安裝防毒軟體」，因為機器人其實沒有多餘的容量安裝後加的防護程式。因此，鄭奕立提醒，這種硬體極限，將徹底顛覆企業「先買設備、再想資安」的傳統採購習慣。 一張圖就能讓機器狗失控：VicOne 揭 Physical AI 的五大攻擊面 VicOne 團隊也現場展示一隻內建 AI 視覺模型的機器狗。這隻機器狗在辨識到特定圖像時，原本的設定是會做出「比愛心」的動作；然而，一旦在視覺鏡頭前貼上一張特別設計的圖像進行視覺干擾後，機器狗的認知就會瞬間被扭曲，立刻失控轉為對著目標「揮拳攻擊」的模式。 鄭奕立解釋，這並非遙控作假，而是真實打中了 AI 模型的軟肋。當機器人將捕捉到的視覺影像轉換為語言模型來理解並執行動作時，若系統底層的安全護欄（Guardrails）沒有建置完善，那麼駭客僅憑一個簡單圖像，就能輕易達成提示詞注入（Prompt Injection），進而竄改機器人的控制權。 透過這個案例，鄭奕立進一步剖析，針對機器人的資安攻擊面主要可劃分為五大維度。除了上述最核心且最危險的 AI 模型攻擊之外，還包含直接針對機械設備漏洞下手的物理硬體層面、利用視覺或干擾 GPS 訊號的感知層面、鎖定機器人為了防盜與管理而勢必需要連網的雲端與軟體應用，以及最容易成為攻擊突破口、如同入侵手機與物聯網一般脆弱的無線通訊領域。 機器人進入實體場域後，資安防線不只要防駭客也要防環境誤導 「機器人的資安防禦，其實比純數位環境更難搞定，」鄭奕立坦言，建立機器人資安防護的過程中，最大的痛點在於現實世界充滿不可控的變數。當機器人走入家庭或複雜工廠，隨便一張亂丟在旁邊的報紙廣告、或是一本童話書，只要落入機器人的視覺範圍，都可能讓 AI 模型產生非預期的認知與設定。 同時，攻防雙方也處於極度不對等的狀態。在「AI 對 [&hellip;]</p>

Edge AI 從 POC 走向規模化：研華嵌入式事業群總經理張家豪揭三大落地場景與挑戰

<p>專訪：戴季全撰稿：李昀蔚 當 AI 從雲端模型走向真實世界，邊緣 AI（Edge AI）與實體 AI（Physical AI）正成為企業導入的下一個關鍵戰場。「2026 年是 Edge AI 跟 Physical AI 爆發的起始點，」研華嵌入式事業群總經理張家豪在本集《全新一週》特別提到，隨著 AI 深入工廠、醫療、機器人等場域，將所有資料送回雲端處理已不切實際，為了滿足低延遲、資料隱私與即時反應等特性，讓邊緣運算平台具備 AI 運算效能，已快速成為各產業邊緣設備的標準配備。 當 Edge AI 延伸至實體世界，Physical AI 的討論也隨之升溫。張家豪強調，Physical AI 真正要落地，絕非單純把 AI 算力放在邊緣端，而是必須將周邊模組、軟體平台與整個生態系進行深度整合，才能實現 Physical AI 的願景。 從大腦到小腦：人形機器人不只要像人，更要有人類的感知與決策 談到 Physical AI，最具代表性的場景之一就是人形機器人。針對機器人的運算分工，張家豪以「大腦」與「小腦」來形容：所謂「大腦」，指的是負責感知、推論與決策的 Edge AI Computing，必須處理語言模型、數位孿生、即時資料回饋與判斷；「小腦」則負責控制四肢、輪子與各種運動模組的實際運作。 在實際運作時，機器人必須透過各類感測器來理解外部環境並做出反應。例如，由 2D 與 3D 攝影機負責視覺感知，Wi-Fi 與藍牙負責通訊，LiDAR 與 IMU 協助路徑控制，再透過運動控制模組支撐機械結構運作。這也代表 Physical AI 的挑戰在於如何將感測、通訊、視覺、路徑與運動控制等多種模組，全數整合並串聯至 Edge AI 裝置中，形成完整的機械系統。 三大落地場景：工廠自動化、醫療影像與自主移動系統 [&hellip;]</p>

打造人形機器人界的 Android：Meta 如何透過收購 ARI，搶攻 Physical AI 底層平台？

<p>Meta 近日正式宣布，已收購專注於開發人形機器人 AI 模型的新創公司 Assured Robot Intelligence（ARI）。 針對這項關鍵佈局，Meta 發言人透過聲明表示：「我們收購 ARI 這家位居機器人智慧前沿的公司，為的就是讓機器人能在複雜、動態的環境中，精準理解、預測並適應人類行為。」 這步棋背後的戰略意義極為清晰。在特斯拉（Tesla）、Google 與亞馬遜（Amazon）等科技巨頭紛紛重金投資人形機器人的此刻，這筆交易也宣示 Meta 的 AI 戰略正進一步延伸到機器人控制、自我學習與實體人工智慧（Physical AI）等高階應用領域，正式加入這場「實體 AI」競賽。 Meta 買下 ARI，要為人形機器人裝上精準運作的「大腦」 要讓機器人真正走入人類生活並執行複雜任務，除了硬體之外，更需要強大的「大腦」。ARI 正是這樣一家專注於機器人智慧的新創，其位於聖地牙哥與紐約的團隊約 20 人，致力於打造人形機器人的基礎模型（foundation models），讓機器人有能力執行包含家務在內的各類實體勞動任務。 透過這次收購，Meta 得以大幅補強在機器人控制領域的不足。Meta 發言人特別指出，由 Lerrel Pinto 與 Xiaolong Wang 兩位頂尖學者領導的 ARI 團隊，將在模型設計、機器人控制、自我學習等前沿能力上，為 Meta 帶來深厚的專業知識。 ARI 早期投資方 AIX Ventures 合夥人 Nick Crance 也強調，ARI 的核心優勢在於機器人的「高精度靈巧度與操作」。這些核心能力攸關機器人未來能否在工業場域或家庭環境中，實際且有效地與現實世界的物體進行互動。 Meta 的野心：成為機器人界的 Android 在取得關鍵的「大腦」技術後，Meta 隨即展開內部團隊的深度整合。收購完成後，ARI 團隊將正式併入 [&hellip;]</p>

鴻海攜手 NVIDIA 共同打造製造工廠虛擬練功場，解析 Physical AI 的落地實踐

<p>「把人力拿去做更有效的使用，而不是讓 AI 把這些人力取代掉，透過 AI 的協助可以讓人力去做更有價值的工作，」鴻海科技集團智慧製造平台處長郭錦斌在近日（4/28）由 TechOrange 科技報橘舉辦的「AI 智慧大工廠論壇台南場」，表示 AI 的初衷是讓人力發揮更大的價值，而非取代人類。 從 CNC 到醫療產業，破解場域三大難題 郭錦斌首先歸納出目前工業與醫療場域面臨的三大難題。首先是 CNC 車間的勞動力轉型挑戰，由於 CNC 機台數量龐大且工序繁複，長時間高強度的重複性作業導致缺工問題日益嚴重。引用天下雜誌的報導，「以鴻海深圳廠為例，原本需由 80 多位人力操作的產線，現計畫透過機器人取代 8 至 9 成的人力，藉此實現產線 24 小時不間斷運行的最高效益。」 其次是 HHTD25 AI 智慧醫療生態圈論壇提到，護理產業的資源瓶頸，根據國際護理協會 2025 年的調查數據，全球護理人力缺口高達 590 萬人，其中超過 40% 的精力都消耗在重複性的護理工作與物資搬運上，壓縮高品質醫療照護的空間。 最後則是手機精密組裝領域的技術瓶頸，過去單純依靠人工組裝容易遭遇物理限制，而傳統機器手臂在面對螺絲孔被管線遮擋，或產線需頻繁切換產品型號等情境時，需要耗費極高的人工成本進行測試與調校。 鴻海與 NVIDIA 聯手破解 Physical AI 瓶頸 「機器人已進駐工廠，但目前還不夠聰明，」郭錦斌指出，儘管各產業已逐步導入機器人協作，但現階段「智力」仍顯不足，需依賴大量人力示教，同時面對 Physical AI 數據稀缺、場域適應成本高、懂 AI 的複合人才稀缺以及如何符合安全合規等現實挑戰。 為破解數據瓶頸，並讓機器人真正具備大腦，鴻海與 NVIDIA 透過數位孿生及遙操數據採集技術建構虛擬練功場。首先將實體場域掃描匯入 NVIDIA Omniverse 進行 [&hellip;]</p>

如何用 Physical AI 重構製造生產效率？鴻海、達梭與耐思尼解析產線自主化的落地實踐

<p>「傳統產業導入 AI 或人機協力後，優化過去的生產動線與流程，就能緩解缺工帶來的營運危機，」台南市副市長趙卿惠在近日（4/28）由 TechOrange 科技報橘舉辦的「AI 智慧大工廠論壇」指出，隨著 Physical AI 的技術逐漸成熟，人形機器人、機器手臂及各類自動化服務將加速滲透至製造產業中，注入自動化生產的新動能，企業如何透過人機協作搶佔先機，已成為核心課題。 鴻海打造 Physical AI 虛擬練功場，突破數據瓶頸 「機器人已進駐工廠，但目前還不夠聰明，」鴻海科技集團智慧製造平台處長郭錦斌指出，儘管各產業已逐步導入機器人協作，但現階段「智力」仍顯不足，需依賴大量人力示教，同時面對 Physical AI 數據稀缺、場域適應成本高、懂 AI 的複合人才稀缺以及如何符合安全合規等現實挑戰。 為破解數據瓶頸，鴻海與 NVIDIA 透過數位孿生及遙操數據採集技術建構虛擬練功場。首先將實體場域掃描匯入 NVIDIA Omniverse 進行 3D 建模，並於 Isaac Sim 仿真環境中進行模擬，讓機器人在零風險環境下利用 GR00T VLA 模型進行強化學習，並透過 GR00T Teleop 將人類遙控操作的經驗轉換為訓練數據，再將成熟的模型部署至實體場域，協助製造業提升 OEE 整體設備效率以及降低設備實體測試與調教時間。 「需要有一個企業共用的平台，讓所有的 Physical AI 在平台上共同作業，所以我們建造了一個創世紀的平台，」郭錦斌進一步介紹鴻海的「智慧製造創世紀平台」如何協助企業導入 AI 的完整路徑。從定義產線需求，再由 Genesis 系統以標準化工具 Agent 打造客製化 AI Agent，隨後即可將 AI Agent 部署到應用場域，再透過營運中累積的經驗或更多不同的場景，將採集的數據 Token 化，進一步回饋至模型進行持續訓練與優化，最後形成一個應用解決方案的開發、部署、運營完整閉環， [&hellip;]</p>

中國把全球最大公用事業變成 Physical AI 測試場：8,500 台機器人從巡檢、救援到特高壓維護全面落地

<p>中國國家電網近日宣布斥資 68 億人民幣（約 10 億美元），大舉採購高達 8,500 台 AI 機器人，全面投入國家級電網的營運與維護。這絕非單一企業的實驗性專案，據估計，中國電力部門今年在「具身智慧（Embodied AI）」的總投資額將一舉突破 100 億人民幣（約 14.6 億美元），強勢將機器人技術深度整合進國家關鍵基礎設施中。 這項前所未見的大規模部署，向市場發出一個明確的產業訊號：實體人工智慧（Physical AI）已正式跨出實驗室，迎來真實世界的大規模商用落地。然而，當中國正把全球最大的公用事業轉變為實體 AI 的巨型測試場時，美國與西方國家卻正面臨嚴峻的兩難困境：既要應付 AI 算力狂飆帶來的龐大用電需求，又要搶救逐漸老化、瀕臨極限的傳統電網。這場融合 AI 發展與電力基建的雙軌角力，也將成為搶占下一波科技主導權的決勝點。 中國電網機器人大軍鎖定四大高風險場景 為了解決複雜的基礎設施維護問題，中國國家電網已明確規劃出這批高科技機器人大軍的四大核心應用場景：電力巡檢、帶電作業、緊急救援與倉儲物流。在具體的採購陣容中，包含 5,000 隻四足機器狗，它們將被派往地形崎嶇的山區，執行變電站與輸電線路的巡視任務。 除此之外，計畫還包含數千台人形與雙臂輪式機器人，則將被派往執行更複雜、更高風險的任務，例如維護國家快速擴張的特高壓電網。透過這些部署，中國政府與國家電網立下明確的發展目標：在 2026 年讓具身智慧在重點領域的滲透率達到 30%，並於 2030 年實現電網的全面自主營運與維護。 中美兩國在 AI 發展與硬體製造的對照 這項超過 8,000 台機器人的部署計畫之所以能夠迅速落地，背後仰賴的是中國在硬體製造端建立的絕對優勢，這也突顯中美兩國在 AI 發展路徑上的根本差異。在投資方面，紐約大學法學院教授 Winston Ma 指出：「大約 90% 的美國創投資金流入軟體領域，這在硬體科技領域留下一個關鍵的融資缺口，而主權財富基金現在正填補這個缺口。」 這種資金流向直接反映在實際產量上。儘管如 Figure AI 這一類的美國新創公司估值極高，但在 2025 年，包含 Tesla、Figure AI 和 Agility [&hellip;]</p>

20 毫秒快速反應、擊敗桌球職業選手：Sony AI 機器人 Ace 如何跨過 Physical AI 的即時決策門檻？

<p>近日在中國北京舉行的一場半程馬拉松賽事中，機器人跑贏人類跑者的畫面引發熱議，展現出全球在實體機器人技術上的驚人進展。在這波機器人跨越人類體能界限的浪潮中，Sony AI 研發的自主桌球機器人 Ace 又往前邁進一步，並被視為首個能在真實世界中與高階人類桌球選手競爭的自主系統（autonomous system）。 這項突破的關鍵，不只是單純的「打贏人類」，而是 AI 首次在正式比賽規則下，證明自身具備高速感知、即時判斷與精準出手的能力，這也標誌著 AI 正加速從虛擬環境，跨入需要即時反應的實體運動領域。 迎戰高階選手、擊敗職業好手：Ace 打破正式規則下的競技極限 過去，桌球之所以被視為實體 AI（Physical AI）的重大挑戰，在於這項運動極度考驗反應極限：球速可超過每秒 20 公尺、來回時間常不到 0.5 秒，且高速旋轉會大幅改變球路。面對這些極端條件，Ace 在國際桌球總會（ITTF）的正式規則與兩名裁判的監督下，與人類選手展開真正的對決，並且全程採用一般球拍與奧運標準尺寸的場地，沒有放寬任何硬體標準。&nbsp; 2025 年 4 月，Ace 首度與 5 位高階選手（elite players）及 2 位職業選手對戰，並成功對高階選手拿下 3 場勝利。雖然初期未能擊敗職業選手，但隨著系統持續進化，Ace 成功在 2025 年 12 月首次戰勝職業選手，隨後更在 2026 年 3 月，進一步擊敗包含世界排名前 25 名的木原美悠（Miyuu Kihara）在內的三名職業好手。 跨越困難的門檻：比人類反應時間快 10 倍的即時感知與決策 Ace 之所以能跨越即時反應的門檻，歸功於其結合事件導向視覺感測器（event-based vision sensors）、無模型強化學習（model-free reinforcement learning）與高速機器人硬體的三位一體核心架構。 在「感知」層面，為了能在極短時間內完成追蹤，Ace [&hellip;]</p>

NVIDIA、鴻海、新代、研華齊聚 AI 機器人產業論壇，共同解析 Physical AI 奇點爆發時代

<p>「過去一條產線通常需要 30 至 40 人操作，但在導入 AI 與自動化技術後，如今僅需約 5 人即可完成。」 在近日（4/14）由 TechOrange 科技報橘、NVIDIA、鴻海科技集團共同舉辦的「AI 機器人產業論壇」中，科技報橘社長戴季全引用鴻海董事長劉揚偉日前於美國國會山莊與矽谷論壇分享的實戰數據，顯示 AI 機器人正以極快的進化速度實際在智慧工廠運作。 隨著 AI 加速跨越虛擬與現實的界線，NVIDIA、鴻海科技集團、新代科技與研華科技等機器人生態圈產業專家，也同步分享如何透過數位孿生、人形機器人與邊緣 AI 等技術，將傳統產線轉化為具備自我診斷能力與高度韌性的 AI 工廠，逐步建構具備高度生產適應力的智慧生態系。 NVIDIA Cosmos 讓機器人學習技能，應用到不同佈局的真實場景 機器人要具備智慧，資料收集與訓練是最大的瓶頸。NVIDIA 台灣新創生態系暨機器人開發者關係負責人李昇達以「World Model 如何定義 Physical AI 新標準」為題，分享訓練機器人所面臨的兩大困境。第一是數量龐大的「網路規模資料」多為故事講述或訊息分享，並非為機器人訓練錄製，難以直接應用；其次，由人類操作、需要動態擷取的實體機器人資料，常因設備與環境成本高昂難以大規模收集。 為了破解此僵局，業界提出了全新的解決方案，利用 NVIDIA Cosmos 先從網路規模資料中學習大量真實世界訊息，並結合實體機器人感官資料進行資料合成，以這樣的方式讓機器人生成多元場景與行為，將廣泛的世界訊息轉化為可供機器人深度學習的合成資料，讓機器人能夠先在模擬環境中進行訓練，並透過 Isaac 模擬平台以及 Newton 物理引擎輔助，學習物理法則，例如掌握抓取蘋果或玻璃杯的力度，在模擬環境中訓練機器人，就能在風險成本可控的狀態下反覆進行。 另外，Cosmos 平台核心價值之一在於「跨場景轉移」的能力，讓機器人學習的技能，可以被複製並應用到不同佈局的真實場景中執行，確保機器人在各種看似相近、但部分環境條件不同的場景中，依然能夠運作並完成任務，「就像讓機器人在 A 廚房學會切菜，但可以直接讓機器人轉移到 B 廚房，不用重新學習。」希望在未來協助開發者在不同的應用領域完成機器人開發，加速跨越虛擬與現實的界線。 鴻海科技集團 運用數位孿生與機器人技術建構 AI 原生工廠 鴻海科技集團機器人事業處總經理郭柳宗以「Building and Scaling AI Factories [&hellip;]</p>

鴻海機器人事業處總經理郭柳宗解析：打造「AI 原生工廠」的 4 大步驟，實踐高彈性柔性製造

<p>Physical AI 的進化速度與影響力正以驚人的速度重塑全球製造業。在近日（4/14）由 TechOrange 科技報橘、NVIDIA 與鴻海科技集團共同舉辦的「AI 機器人產業論壇」中，科技報橘社長戴季全引用鴻海董事長劉揚偉於美國國會山莊及矽谷論壇分享的實戰數據指出「過去一條產線通常需要 30 至 40 人操作，但在導入 AI 與自動化技術後，如今僅需約 5 人即可完成。」 顯示 AI 機器人正以極快的進化速度在智慧工廠運作。 針對這場新工業革命的具體實踐，鴻海科技集團機器人事業處總經理郭柳宗以「Building and Scaling AI Factories With Digital Twins and Robotics」為題，解析如何運用數位孿生與機器人技術，建構與規模化 AI 原生工廠。郭柳宗指出，鴻海與 NVIDIA 攜手合作，結合數位孿生與機器人技術，在美國打造一座生產 GPU 伺服器的 AI 工廠，展現從模擬到實體生產的虛實整合實力。 從數位孿生到 AI 決策：四步驟打造虛實整合的 AI 原生工廠 郭柳宗指出，打造一座智慧化工廠需落實四個關鍵步驟。第一步是「建立數位模型」，也就是打造工廠的數位孿生環境，將廠房結構與各式生產設備 1:1 轉化為標準 3D 數位檔案，在虛擬世界中建立數位工廠。 第二步是「進行精準模擬」。在實體設備進場前，先在虛擬環境中試跑，以避免真實工廠反覆試錯帶來的龐大成本。郭柳宗特別強調模擬階段的兩大重點，第一是高階伺服器的熱流模擬（CFD），由於 AI 伺服器運算需求極高，在進行測試運轉時非常耗電且會產生極高溫，當一個機櫃的功耗高達 1 MW（一兆瓦）時，必須先透過數位模擬進行廠房熱流的模擬與規劃。其次是機器人與物流動線的模擬，郭柳宗以美國工廠為例，為了讓 12 個伺服器測試櫃的上下料達到最高效率，透過精細的物理模型（URDF）測試五種不同形態的機器人，比較 CTU 與 [&hellip;]</p>

13 億美元重押實體 AI：從純軟體走向硬科技，拆解創投 Eclipse 破紀錄募資背後的資本轉向

<p>隨著 AI 的發展，科技投資的目光正逐漸從純軟體應用轉向真實世界。知名創投公司 Eclipse 近期宣布，已成功籌集 13 億美元的最新基金，將專注於支援實體 AI（Physical AI）新創公司，投資領域涵蓋機器人技術、AI 基礎設施、製造業與國防科技。 這筆高達 13 億美元的新資金，不僅是 Eclipse 迄今為止規模最大的一筆募資，更超越了該公司在 2023 年籌集的 12.3 億美元紀錄。《Bloomberg》報導，這筆資金將分為兩部分運作，其中 7.2 億美元將用於投資早期階段的新創公司，另外的 5.91 億美元則將挹注於後期交易。 投資人加碼佈局硬科技，Eclipse 聚焦實體產業 《Bloomberg》觀察，Eclipse 近期成功募集資金，正值投資人加碼布局「硬科技」（hard tech）之際。這波熱潮一方面來自 AI 技術的突破，另一方面也受到地緣政治壓力影響，例如美國總統川普推動的關稅政策，促使美國加速重振本土製造。今年 Eclipse 也共同領投了美國製造新創 VulcanForms 的 2.2 億美元募資案。 除了製造業之外，其他非純軟體領域的公司同樣吸引創投關注。例如核能新創 Valar Atomics 估值已達 20 億美元，機器人 AI 公司 Physical Intelligence 傳出正以 110 億美元估值洽談募資；國防科技公司 Anduril Industries 則計畫以超過 600 億美元估值籌資。 回顧 [&hellip;]</p>

從單純賣機台到賣一站式服務：工具機公會理事長陳紳騰揭產業 AI 轉型與生態系整合關鍵

<p>專訪：戴季全撰稿：李昀蔚 在剛落幕的 NVIDIA GTC 大會上，NVIDIA 執行長黃仁勳直指今年將是「實體 AI（Physical AI）」的起飛年，並預言接下來所有工業公司都將成為機器人公司。面對 AI 時代的產業新趨勢，台灣工具機產業如何看待全球供應鏈重組下的競爭格局？本集《全新一週》特別邀請到台灣工具機暨零組件工業同業公會理事長陳紳騰，分享對當前台灣工具機產業導入 AI、擁抱數位化的深刻洞察。 談到轉型的第一步，陳紳騰點出思維升級的重要性：「過去台灣工具機產業可能只專注在賣設備，其實我們應該要開始思考，怎麼去賣解決方案。」他坦言，近一年台灣工具機產業在市場版圖、產品結構與客戶需求上面臨劇烈變化，這段時間確實非常辛苦。然而，面對如此巨大的市場變動，最關鍵的仍是如何「快速反應客戶需求」，這才是產業應該專注的核心，因為企業生存的本質，最終還是要回到能提供給客戶什麼樣的附加價值。 在這樣的戰略轉向中，數位化的意義已不僅止於提高單一產品的精度與可靠度。更重要的是在軟體加上 AI 之後，如何讓整體的品質與可靠度更好，甚至能進一步針對產品提出可預測的數據，藉此帶給客戶截然不同的價值，這正是台灣工具機廠商持續進步的方向。 台灣工具機產業的未來：建構「生態系」，成為 AI 製造解決方案提供者 然而，要從單純的「賣設備」跨足到「賣解決方案」，單靠一家企業的力量往往難以成功，因此陳紳騰給出的破局關鍵是建構「生態系」。「一開始大家可能會覺得同樣的產業競爭很激烈，其實最後發現是有互補性的，在這個時候團結是力量，經濟規模也是另外一個競爭力。」陳紳騰表示，過去台灣中小企業的思維，多半是「把自己的訂單做好就好」，現在則必須打破慣性，開始思考如何跟同業與上下游合作。 陳紳騰分享，像永進機械這樣的中心廠，已經開始與供應商一起坐下來交流客戶目前碰到的痛點，公會更持續鼓勵討論，期盼透過合作創造「一加一大於二」的綜合效益。陳紳騰進一步說明，整個生態系運作最關鍵的第一步，正是「通路整合」，在整合的過程中，各方才能逐步釐清客戶真正的需求，並透過實際案例來對焦。例如目前極具發展潛力的航太產業，面對不同材料的加工，往往不是單一家公司就能全部做好，這正是大家合作的契機。在合作的過程中，同業與各自的供應商也都可以把專長拿上桌，經過檢討與整合，再將最完整的解決方案提供給客戶。 AI 的本質不是取代人，而是加速精實管理與服務加值 建立生態系雖然解決「橫向合作」的問題，但在企業內部，「縱向」的升級同樣迫在眉睫。隨著 AI 發展加快，工具機產業的蛻變節奏，已從過去的「十年一循環」變成「用幾週在看」，在如此快速變化的環境裡，最終還是要回到最基本的問題：工廠與公司的營運模式，有沒有足夠的應變能力去面對市場挑戰？ 「AI 其實不是要取代我們，只是要協助我們做事情的精準度提高，還有如何把師傅的經驗傳承下來，甚至減少溝通成本，然後讓決策的品質可以更好，」陳紳騰以工廠現場為例，說明 AI 首先切入的痛點正是「精實管理」。現在透過 AI 工具，不僅能更快速找到七大浪費所在，也能更快擬定解決方案。他認為，AI 也許不會一開始就給出 100 分的完美答案，但至少可以先提供 60 到 80 分的基礎，再加上公司內部老師傅的經驗，就能梳理出最適合公司的對策。 另一方面，當企業開始持續收集數據後，新的商業模式也會隨之浮現，例如與客戶簽訂預防保養的服務契約，不必等到機台壞了才去修，而是用 AI 預先測知異常。他強調，未來服務性質的收入比率一定要拉高，這樣才能向世界證明：台灣不只設備做得好，連售後服務與軟體實力也是頂尖。 陳紳騰進一步舉達易智造為例，說明該公司目前已透過 AOI 視覺結合 AI 技術，觀察並收集現場師傅的組裝動作。這些分析數據未來將成為 RAG（檢索增強生成）所需的經驗資料庫，甚至未來若 Physical AI（實體 AI）發展成熟，也能直接應用在機器人的組裝學習上。這些技術背後的核心邏輯很清晰，那就是用數據收集、分析與洞察，轉成改善對策，最終形成未來的商業策略。 黃金縱谷要延續產業優勢，關鍵是 RAG 資料庫與互信合作 當越來越多企業開始透過 AI [&hellip;]</p>

輝達 GTC 背後的兆元落地戰！新漢董座林茂昌：越強的雲端 AI 越需要邊緣 AI

<p>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。 [&hellip;]</p>

鴻海人形機器人細節首度曝光！盤點 GTC 2026 台廠如何搶攻黃仁勳「實體 AI」商機

<p>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。 更多 [&hellip;]</p>

研華前進 NVIDIA GTC 2026 展示新世代 Edge AI 與 Physical AI 解決方案，採用 NV…

<p>全球物聯網智能系統與嵌入式平台領導廠商研華（Advantech）宣布於 3 月 16 日至 19 日參加於美國聖荷西舉行的 NVIDIA GTC 2026。本次展會中，研華將於展位 #1134 及會議室 #6077、#6078 展出多項新世代邊緣 AI 平台與解決方案，結合 NVIDIA  Jetson Thor 與 NVIDIA IGX Thor 等技術，聚焦實體 AI (physical AI) 與邊緣 AI 在機器人、智慧醫療、智慧物流與智慧零售等場域的實際落地應用。透過整合軟硬體平台、AI 開發工具與生態系夥伴合作，研華持續協助企業加速從 AI 評估導入到大規模部署進程，推動產業邁向智慧化升級。 研華北美區總經理牛文中表示，隨著 AI 技術快速發展，人工智慧正從雲端模型訓練逐步走向真實世界的實體應用，形成所謂的 physical AI。研華長期深耕邊緣運算與 AI，致力於打造兼具高效能與產業可靠度的邊緣 AI 平台。本次於 GTC 展會中，研華將展示與 NVIDIA 生態系的深度合作成果，透過整合硬體平台、軟體框架與產業應用解決方案，協助機器人、醫療設備與智慧場域更快速部署 AI，並加速 physical AI 在各產業的實際落地。 機器人感知與人形機器人應用加速發展 研華專為機器人感知與多感測器整合設計的邊緣 AI 平台 ASR-A702 / [&hellip;]</p>

NEXCOM 新漢集團於 GTC 大會發表其首款基於 NVIDIA IGX Thor 的具身 AI 開發套件

<p>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 [&hellip;]</p>

益登科技亮相 NVIDIA GTC 2026，展現 NVIDIA Jetson 軟硬整合的 Physical AI 與…

<p>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 [&hellip;]</p>

凌華科技推出搭載 NVIDIA Jetson Thor 與 NVIDIA IGX Thor 的次世代邊緣 AI 平台，…

<p>邊緣AI運算解決方案全球領導品牌凌華科技（股票代號：6166）宣布推出全新次世代邊緣 AI 平台 DLAP-IGX 系列，搭載 NVIDIA IGX T7000。凌華科技看好 NVIDIA IGX Thor 平台將推動新一代安全且高效能的邊緣 AI 應用，特別是在工業機器人與人形機器人等領域。相較於 NVIDIA IGX Orin，NVIDIA IGX Thor 在整合式 GPU（iGPU）AI 運算效能提升最高 8 倍、獨立 GPU（dGPU）AI 運算效能提升 2.5 倍，同時提供 2 倍連線能力與 4 倍效率提升，使大型語言模型（LLMs）與視覺語言模型（VLMs）能夠在邊緣端順暢運行。 凌華科技此次推出的產品組合包括工業級 DLAP-IGX 系列與精巧型 DLAP-700 系列，分別搭載 NVIDIA IGX Thor 與 NVIDIA Jetson Thor。這些平台可提供 Physical AI 應用所需的高效能運算能力與功能安全機制，適用於醫療影像、人形機器人及各類自主系統等高要求應用場景。 DLAP-IGX 系列：具備功能安全的企業級 AI 平台 凌華科技DLAP-IGX 為高效能工業級邊緣 AI 平台，專為需要即時推理能力與嚴格安全標準的環境打造。該平台採用獨特架構，結合 [&hellip;]</p>

恩智浦與 NVIDIA 攜手合作，共同推動先進實體 AI 創新發展

<p>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 [&hellip;]</p>