人的另一副身體

機器人可以延伸人的能力，但不能取代人的主體；可以擴大人的行動，卻不應接管人的目的、權限與責任。從這條界線出發，才能看清實體AI真正的產業價值。

人類從來不是只靠裸身面對世界。石器把手掌變得堅硬，輪子把雙腳帶不到的距離納入生活，蒸汽機與電動馬達則把肌肉力量放大成可重複的工業能力。機器人的歷史也應放在這條「能力外化」的長線上理解：工具延伸力量，機械延伸速度與精度，自動化重複既定動作，智能化則讓機器能夠感知環境、比較狀態，並在授權範圍內調整方法。

從工具、機械到智能機器人

這個轉變已經不是實驗室想像。IFR公布的《World Robotics 2025》指出，2024年全球工廠新安裝約54.2萬台工業機器人，連續第四年超過50萬台；亞洲占新部署量74%。這些數字說明，機器人不是突然出現的「新物種」，而是製造、物流與服務系統長期累積的下一層能力。

「分身」與「替身」有何不同

因此，本篇更願意用「分身」而不是「替身」來描述機器人。分身是把人的某一部分能力送到遠方、危險處或重複工作現場；替身則暗示它完整承接人的位置，甚至連目的與責任也一併取代。前者仍保留清楚的授權鏈，後者卻容易讓技術被過度擬人化，也讓組織在事故發生時把責任推給演算法。

機器手臂可以是固定在產線上的手，AMR可以是倉庫裡不疲倦的腳，機器視覺是穿越人眼限制的眼睛，感測器則像皮膚與耳朵。AI模型所延伸的也不是人的完整心智，而是被資料化、可計算的辨識與操作經驗。機器愈像人，不代表它就愈能成為人；真正重要的是它替人延伸了哪一種能力，又由誰決定這項能力被用在何處。

智能不等於自主

「智能」與「自主」必須嚴格區分。智能是感知、分析、規劃與應變的能力；自主則牽涉目的、權限與責任。機器可以在多條路徑中自行選擇較安全的一條，也可以依物件位置修正抓取姿態，但它不能因此自行決定要服務誰、承受什麼風險或犧牲何種公共利益。

所以，未來真正成熟的智能機器人，不是人完全退出控制，而是把控制分層：人設定目的、權限與禁區，AI選擇方法，即時控制器守住物理安全，系統留下可追溯紀錄。這是一種「受約束的智能」，也是機器能進入真實社會的基本條件。

圖一 : 人體能力被外化為機器人的眼、耳、皮膚、手腳、小腦與大腦（圖片來源：本刊整理製圖）

拆解人體能力，理解機器人的技術架構

機器人的「眼睛」：機器視覺與空間感知

機器首先要知道自己身在何處，以及周遭有什麼。2D相機擅長讀取色彩、紋理與平面特徵；3D相機、LiDAR與毫米波雷達補上距離、深度和空間結構，再配合物件辨識、姿態估測、SLAM建圖與多感測器融合，機器才有可能在動態環境中行動。

但感知不是「看見」的同義詞。反光金屬、透明材質、粉塵、煙霧、低照度，以及人員突然穿越，都可能讓單一感測器失效。因此可靠的機器視覺，不在追求某一項模型的最高準確率，而在於能否辨識自己何時不確定，並讓其他感測器、低速模式或人工接管補位。

機器人的「耳朵、語言與皮膚」

語音辨識與自然語言模型使操作人員能以自然方式發出任務指令，聲源定位幫助機器辨別警報和人員位置。然而，自然語言的省略和含糊可能導致誤解，進而造成物理傷害。因此，成熟系統需將語句轉換為可驗證的任務步驟，並在高風險或不確定指令時暫停確認。

力矩感測器、六軸力感測器和電子皮膚使機器能夠感知與人的接觸、抓握的力度以及物體的滑動情況。對協作機器人而言，觸覺是安全接觸和靈巧操作的基礎，視覺提供物體資訊，而觸覺則回饋接觸後的狀態。

機器人的「手腳、小腦與大腦」

馬達、減速機、伺服驅動、關節結構與末端執行器，構成機器人的手腳。即時控制器負責平衡、軌跡、手眼協調與力控，類似機器人的小腦；而VLA（視覺—語言—行動）模型則像大腦，負責理解語意和選擇技能。兩者功能不同：大模型可慢思考，小腦需迅速反應。安全功能如碰撞停止和姿態穩定不能全依賴雲端。

人形外觀最吸睛，但真正難以量產的往往是手：它必須在有限重量與體積中同時滿足自由度、力量、速度、耐久、觸覺與成本。輪式平台效率高、結構簡單；足式平台能越過樓梯與障礙，卻要付出能耗、平衡與可靠度的代價。因此形態不應由想像決定，而應由任務與環境決定。

圖二 : NVIDIA以GR00T N1與模擬工具鏈推進通用人形機器人的模型訓練。（圖片來源：NVIDIA）

從單一機器人走向多種形態的「分身系統」

固定式、近身式與移動式分身

工業機器手臂在結構化環境中執行焊接、鎖附、搬運與加工，以速度、精度及高重複性換取生產一致性；協作機器人則以較容易示教、力控與安全限制，進入小批量、多樣化的工作站。不過「協作」不等於完全不需要圍籬，仍須依速度、工具、工件尖銳度與最壞碰撞情境評估。

AMR與物流機器人把人的運輸能力延伸到倉儲和產線，價值也由單機導航轉向機隊協同：它必須接上WMS、MES、電梯、門禁與充電系統。當多種機器共用地圖、任務與排程，企業管理的已不只是設備，而是一張可調度的行動網路。

遠端眼睛、外骨骼與極端環境

無人機、履帶式與足式巡檢機器人把人的眼睛帶到高空、管線、電網、災區與高輻射區。穿戴式外骨骼則走相反方向：不是把能力送離人體，而是把機械力量附著在人身上，用於搬運、復健、行動輔助或救災。兩者共同提醒我們，機器人的價值未必是無人化，而可能是讓人以更安全、更有尊嚴的方式留在工作中。

Boston Dynamics的案例展示了Spot機器人攜帶攝像頭、熱像儀和輻射傳感器，遠程操作檢查人員無法進入的區域。這說明了「分身」的意義：人類未消失，而是將感知送入危險區域，將判斷和責任保留在安全的一方。

圖三 : 搭載感測設備的Spot進入核能設施巡檢，讓人的感知抵達高風險現場。（圖片來源：Boston Dynamics）

為既有人類環境而生

人形機器人的優勢在於能夠適應人類環境，如樓梯和工具，降低環境改建成本。2026年1月，Boston Dynamics推出產品版Atlas，將首批部署於Hyundai機器人應用中心及Google DeepMind。該機器人具備56個自由度、最高2.3公尺觸及範圍及50公斤負載，顯示其從展示轉向可製造和可維修的企業設備。

圖四 : Boston Dynamics於CES 2026公布產品版Atlas，首批鎖定工業部署。（圖片來源：Boston Dynamics）

IFR指出，量產準備與試點增加並不代表通用人形機器人已成熟。短期內，適合進行物料搬運、機台上下料和固定範圍巡檢等明確且風險可控的工作。對於高度不確定或需精細人際判斷的任務，專用機構可能更合適，而不必依賴昂貴的人形機器人。

實體AI如何讓機器人從「照做」走向「理解後再做」

從預先編程到感知—行動閉環

傳統自動化的優點是可預測，缺點是每一步都必須先寫好；工件位置、包裝或光線稍有改變，系統便可能停擺。實體AI的核心，不是把聊天模型裝進機器，而是建立「感知—理解—規劃—執行—回饋修正」的閉環。模型要把抽象指令拆成可執行技能，控制器再把技能轉成連續動作，並由感測回饋判斷是否成功。

NVIDIA在2025年發布Isaac GR00T N1，以快、慢兩套系統分工：較慢的視覺語言模型理解環境、指令與任務，較快的行動模型把計畫轉為連續動作。官方並以合成資料補足真實示範稀缺，曾在11小時內生成78萬條合成軌跡。這顯示機器人的新競爭，不只在硬體自由度，也在資料、模擬、模型與部署工具鏈。

圖五 : 實體AI不是一次性推論，而是持續運作的感知—行動閉環。（圖片來源：本刊整理製圖）

數位分身與Sim-to-Real

真實世界的機器訓練成本高且可能損壞設備，因此數位分身和物理模擬變得重要。開發者可在虛擬工廠中模擬各種情境，利用合成資料擴大經驗，並將策略應用於實機。但模擬無法完全重現摩擦、材料變形、感測雜訊及人類行為的不可預測性，這就是Sim-to-Real的落差。

模擬的目的是將最危險和昂貴的失敗轉移到虛擬環境，以便通過實際測試、風險分級和漸進部署進行驗證。虛擬世界加速學習，但真實世界仍是最終的裁判。

邊緣AI與雲端協同

Google DeepMind在2025年推出Gemini Robotics On-Device，強調模型可在機器本地低延遲執行，並在網路中斷或不穩定的環境持續工作；官方指出，針對新任務可用約50至100次示範進行調適。這種架構反映實體AI的務實分工：雲端適合大型模型訓練、跨機器彙整與版本管理，邊緣端則負責即時推論、資料最小化與斷網安全。

真正的關鍵不是選邊站，而是決定哪些資料必須上雲、哪些動作不能等待、哪些模型更新必須經人工核准。當AI進入身體，它的延遲、隱私與資安問題都會轉化成物理後果。

圖六 : Gemini Robotics On-Device把VLA模型部署到機器本地，兼顧延遲與斷網韌性。（圖片來源：Google DeepMind）

人體延伸的終極意義—超越距離、力量與環境限制

從遠端操作到遠端臨場

遙操作讓人在遠方控制機器，觸覺回饋與沉浸式介面則進一步形成「遠端臨場」：人的身體留在安全地點，視線、雙手與力量卻能抵達深海、災區、太空或感染風險高的場所。

未來更可行的模式，往往不是全自動或全手動二選一，而是可變程度的人機協同。正常情況由機器處理穩定而繁重的步驟，不確定性升高時請求人類確認，危急時則切換成安全停止或直接遙控。這種設計承認人的注意力有限，也承認模型能力有邊界。

延伸可工作的時間與空間

機器能在夜間、高溫、低溫、高空、深海與輻射環境持續作業，讓人從直接暴露轉為監督、維護與決策。它帶來的並不只是「減少人工」，也可能是把人從傷身、重複而缺乏成長的工作中移出，重新配置到流程改善、例外處理、服務與責任判斷。

但若企業只把機器人當作削減人力的工具，技術收益就可能集中於資本一端，訓練成本與轉職風險則落到勞工身上。人體延伸若要成為社會進步，必須同步設計技能轉換、工作安全、資料治理與成果分享機制。

機器人發展的真正方向

機器人的價值，不在於它有多像人，而在於它能把人的感知、力量與行動延伸到多遠。真正值得追求的，不是建立一個可以卸責的機器主體，而是建構一張由人設定目的、能隨時收回權限、可以追溯責任的行動網路。

從這個角度看，未來的「機器人大軍」不是一群與人競爭位置的鋼鐵替身，而是分布在工廠、倉庫、醫療、能源與災害現場的多種分身。它們可以比人更強、更快、更耐久，卻仍應服從人的目的與公共規則。科技真正的進步，不是人把自己的主體性讓給機器，而是人在不失去責任與自在的前提下，獲得另一副能抵達更遠世界的身體。

資料來源與註記

[1] International Federation of Robotics, World Robotics 2025：Global Robot Demand in Factories Doubles Over 10 Years： 原始頁面

[2]NVIDIA Newsroom, Isaac GR00T N1 and Simulation Frameworks, 2025-03-18：原始頁面

[3]Google DeepMind, Gemini Robotics On-Device, 2025-06-24：原始頁面

[4]Boston Dynamics, Product Atlas Announcement, 2026-01-05：原始頁面

[5]Boston Dynamics, Data Collection & Sensing in Nuclear Environments：原始頁面