人形機器人狂潮背後：為何通用型機器人距離走進日常生活依然遙遠

價值數十億美元的豪言承諾

造形流線的人形機器人在舞台上跳舞、分類衣物並端遞飲料，吸引了全球科技界的目光。矽谷重量級人物也對其近期發展做出了大膽而廣泛的預測。Tesla 執行長 Elon Musk 將 Optimus 人形機器人描述為可能「有史以來最偉大的產品」，並主張它最終能實現超越人類的靈巧度，以約 20,000 美元的價格將幾乎所有人類勞動自動化，並預測將在 2027 年底前公開銷售。

創投家 Marc Andreessen 指出，機器人技術可能成為「這顆星球歷史上最大的產業」，而 Nvidia 執行長黃仁勳（Jensen Huang）則聲稱人形機器人將在今年達到人類水準的能力。華爾街也加入了這場狂熱：Morgan Stanley 估計，到 2050 年全球人形機器人的數量可能接近 10 億台，創造超過 5 兆美元的市場價值。

然而在機器人研究實驗室內，專家們所描繪的景象卻腳踏實地得多。儘管實體硬體進步神速，但要打造能夠駕馭真實世界混亂多變性的人工智慧，依然是一項尚未攻克的難題。

從寫死規則到視覺—語言—動作模型

數十年來，機器人技術一直仰賴寫死的軟體策略，工程師必須撰寫數千行明確的程式碼，來精確控制機器每毫米的動作。近年來，研究人員開始用現代人工智慧模型取代人工作業的編程方式。

最初的轉變涉及視覺語言模型（VLM），這類模型透過文字與圖像進行訓練，以辨識視覺情境——例如發現打翻的飲料旁有一塊抹布。最先進的技術隨後演進為視覺—語言—動作（VLA）模型。這類架構整合了源自人類示範的動作指令，這些示範通常是透過遠端遙控操作（teleoperation）記錄下來，由人類操作員遠端引導機器人完成任務。

在 Google DeepMind，研究人員使用 ALOHA 2（雙臂遠端遙控開源低成本硬體系統）來測試其旗艦級 Gemini Robotics VLA 模型。與人形外觀不同，ALOHA 2 僅由工作台上的兩隻機械手臂、夾爪與相機組成。在 Gemini Robotics 的驅動下，該套設備能夠打包便當盒——將麵包裝入 Ziploc 保鮮夾鏈袋、把葡萄放進 Tupperware 保鮮盒並拉上拉鍊——同時還能處理折紙以及用夾子夾取荷蘭豆等任務。

然而，VLA 模型面臨著嚴格的局限。一旦置於不熟悉的場景中，它們往往會失敗。誠如 Imperial College London 機器人學教授 Edward Johns 所指出，真正的通用系統必須能勝任全方位的任務，而現今的模型僅在孤立的特定案例中取得成功。

資料匱乏與世界模型的崛起

與吞吐了海量公開網路文字的大型語言模型不同，具身智慧（Embodied AI）面臨高品質實體示範資料極度匱乏的問題。收集遙控操作資料耗時且昂貴，僅靠影片進行訓練則缺乏實體動作的精確度，而在未受控的環境中部署自主機器人仍然伴隨危險。

Agility Robotics 共同創辦人 Jonathan Hurst 認為，純粹依賴訓練資料來實現通用自主性在根本上存在缺陷，因為實體世界在工具、形狀和環境方面存在著近乎無限的排列組合。人工智慧先驅 Yann LeCun 在達沃斯（Davos）論壇上也指出，專為語言設計的人工智慧方法，無法很好地轉移到高維度、具雜訊且連續的實體資料上。

這個瓶頸加速了「世界模型」（world models）的研究——這類人工智慧系統以影片、感測器和 3D 掃描資料進行訓練，旨在預測實體物體如何移動、變形、碰撞與互動。這些模型旨在精準模擬物理規律，使機器人能夠在採取行動之前，先預判該行動可能帶來的後果。

大量資金已湧入這個領域：

• 由 Stanford 研究員李飛飛（Fei-Fei Li）共同創立的 World Labs，在 9 月以 82 億美元被 AMD 收購前，曾籌集了 10 億美元。

• 由 Yann LeCun 共同創立的 AMI Labs 於 3 月籌集了 10 億美元。

• 致力於開發通用機器人大腦的舊金山新創公司 Physical Intelligence（PI），將其基礎模型從 2024 年的 π0 更新至 2026 年 4 月的 π0.7。最新版本整合了輕量級世界模型，可提供後續任務步驟的影像快照。在測試過程中，π0.7 展現出組合泛化能力（compositional generalization）的初步跡象，它嘗試將一顆地瓜放入氣炸鍋中——雖然這項任務從未被直接訓練過，但模型借助了涉及氣炸鍋炸籃的微量遙控操作資料完成了嘗試。

展示與現實：實體世界中的可靠度

儘管研究取得了這些進展，但在受控的展示與實地的自主部署之間，依然存在著巨大鴻溝。許多在網路上瘋傳的展示影片，背後往往依賴隱藏的預設腳本或現場遙控操作。舉例來說，在 2025 年 3 月陪同 Nvidia 執行長黃仁勳同台的一台機器人，實際上是由幕後的人類操作員在遠端遙控。

在消費級與商業應用中，高可靠度是必要條件。Boston Dynamics 創辦人 Marc Raibert 指出，在實驗室環境下將成功率從 50% 提升至 70%，仍意味著機器的失敗頻率過高，根本無法投入實用。

目前已部署的人形機器人僅局限於受控環境中執行狹窄、重複性的任務。Agility Robotics 有數百台機器人正在 Amazon、GXO Logistics 和 Schaeffler 營運的設施中進行測試，但其作業仍集中在搬運料籃與料盒上。雖然新創公司 1X 為其售價 20,000 美元的 Neo 家用機器人開放預購，但早期版本仍需要人類遠端操作員來處理家務。

Hurst 估計，能夠獨立執行具實用性家務勞動的全自主機器人，距離實現大約還需要 10 年。

製造規模向中國傾斜

當西方實驗室高度聚焦於通用軟體架構時，製造產能卻集中在中國。根據市調機構 Omdia 與機器人業者 Unitree 的數據，2025 年全球出貨約 15,000 台人形機器人中，中國製造商就囊括了近 90%。

Unitree 該年度的人形機器人出貨量超越了其他所有製造商，並推出售價低於 6,000 美元的機型。然而就目前而言，採購訂單仍高度集中在企業研究實驗室、大學與國營企業，而非一般消費者。

從達文西（Leonardo da Vinci）在 1495 年繪製的機械騎士草圖、Westinghouse 在 1939 年打造的 Elektro，再到 Honda 的 ASIMO（在未能走出展示階段後於 2018 年終止計畫），人形機器人長期以來都在與真實世界的複雜性博弈。儘管現代人工智慧模型賦予了前所未有的豐富感知與運動能力，但要將機器打造成真正可靠的通用助手，依然是一場馬拉松，而非一蹴可幾的突破。