AI機器人時代將至？台大教授徐宏民：2030年迎商業化甜蜜點
過去幾年，以大型語言模型（LLM）帶動的生成式 AI 掀起全球產業革命。如今，產業界正積極嘗試將原本存在於雲端的運算能力植入實體設備之中，讓 AI 真正走進物理世界。在 AI TAIWAN 未來商務展上，台大資訊工程學系教授徐宏民從市場動能與技術演進的角度分析推估，若以目前硬體成本下降曲線與模型能力成熟速度，2030 年前後有機會成為 Physical AI 技術成熟與商業落地的甜蜜點。
他也強調，在這波「具身智能（Physical AI）」浪潮中，機器人所需的實體操作數據，這些無法單純從網路上取得、僅存在於工廠等封閉環境中的「特定場景實體數據」，將成為產業競爭的核心關鍵。率先掌握這類數據的公司，有機會在這波浪潮中建立難以複製的資產與競爭優勢。
迎接第三波「具身智能」革命
機器人的發展並非一蹴可幾，回顧歷史，全球機器人產業共經歷了三波關鍵的演進浪潮。第一波興起於 1960 年代，主要與汽車工業發展相關，美國 GM、日本豐田等大型製造商投入大量資源，發展出至今仍在工廠中運作的大型工業機器人。2005 年前後則是第二波，美國國防高等研究計劃署（DARPA） 因應國防需求，贊助了多個國家實驗室，技術外後溢帶動大量新創公司誕生，包括協作型機器人、iRobot，以及 KIVA、Boston Dynamics 等自主移動機器人（AMR）。
徐宏民指出，近兩年興起的第三波浪潮，主要受惠於大型語言模型的進步，產業開始嘗試將大模型能力導入硬體，發展出「具身智能」（Embodied AI）。這不僅是目前最受矚目的焦點，也預期將對第一代、第二代的機械帶來破壞性衝擊，為產業帶進許多新的創意與機會。
以電商龍頭 Amazon 為例，目前全球的物流中心中，共有超過 100 萬台機器人與人類協同作業，每日運送超千萬個包裹。然而，徐宏民指出，這波效能躍升背後最大的關鍵並非技術本身，而是工作流程（Workflow）的徹底改進。不過，目前的第二波機器人仍存在侷限性，多數只能在工廠或倉庫設定好的固定路線行進，缺乏真正的「完全自主性」。
他認為，要跨越固定路線、實現真正的完全自主性，意味著機器人能在開放場景中完成指定任務，不需要人類一步步教導，在特定場景中甚至能持續執行超過一小時以上的連續任務。而這能力躍升的關鍵，就在於於視覺-語言-動作模型（VLA, Vision-Language-Action）的重大突破。
讓機器人從自動化到完全自主的 VLA 模型
徐宏民進一步說明，VLA 主要由兩個部分構成：一是負責思考判斷的「VL」（視覺語言）組件，功能類似人類大腦；二是負責執行動作的「Action」組件，類似小腦或脊髓的反射機制，並延續過去機器人研究的成果，讓機器人得以執行長序列動作。兩者協同運作，是近幾年最關鍵的技術進展。這類模型大小約 30 億到 50 億參數規模，卻已可在終端裝置上即時運算，但真正困難的部分在於，模型如何在實體世界中執行動作、並提供毫米級誤差的三維定位精準度，這才是技術落地的最大挑戰。
為了解決這個問題，業界普遍採用「模仿學習」（Imitation Learning），企圖讓機器人在動作（Action）端的表現更加精準確實。但因為機器人訓練所需的資料，與大型語言模型的資料本質不同，大模型仰賴全世界網路上的文字、圖片與影像資料進行訓練，機器人卻缺乏對應的網路規模資料資料可供訓練。
掌握特定場景資料將有絕大機會
徐宏民指出，礙於成本與現實考量，目前不論是美國或中國的核心新創企業，都已將資料採集重心轉向兩種替代方式：其一是讓人穿戴外骨骼裝置與 IoT 感測器，記錄人類完成任務時的動作軌跡與手部細節，藉此教導機器人具備自主完成任務的能力；其二則是借助網路上大量的 YouTube 影片，透過演算法將影片中的人類動作，轉換為機器人可執行的運動軌跡。這兩種方式，也是目前業界克服資料荒最普遍採用的做法。
正因為實體環境的資料規模遠低於大型語言模型所需，幾乎所有團隊如今都已將重心轉向機器人落地後的「線上學習」（Online Learning）。也就是讓機器人在實際運行環境中持續學習與優化。不過，徐宏民坦言，這仍是一項許多團隊仍在嘗試突破，且尚未解決的開放性問題（open question）。
因此，他也提醒，若企業手中握有特定場景，或工廠具備成為落地應用的條件，並與獨特的實際場景緊密結合，這對以製造業見長的台灣而言，將是一個值得把握的重要機會。
「關節」與「靈巧手」是硬體考驗
除了軟體之外，硬體是否也需要變革呢？徐宏民說，不同於自駕車的成本集中在電池與馬達，機器人的成本核心在於驅動關節的致動器（Actuator），主要由馬達、減速器、編碼器三大元件構成，用以控制力道與速度，再搭配輸入端量測與驅動器（driver）控制機械運作。一般人形機器人約有 25 到 30 個自由度（關節），其中雙手就約佔 12 個；致動器成本約佔整體機器人成本的五到六成，是目前技術尚未完全成熟、卻極為關鍵的一環。
另一個關鍵瓶頸則是「手」。徐宏民坦言，這是他的實驗室今年（2026 年）才真正意識到的一大障礙。團隊已嘗試讓機器人開面板、開鎖、甚至畫畫，卻發現即使 AI 模型已具備足夠的思考推理能力，實體端的硬體卻「做不出來」：也就像是大腦知道該怎麼做，手卻無法配合執行。因此，靈巧手（Dexterous Hand）在這一兩年間變得格外重要。靈巧手必須在極小的體積中容納多種關節，每根手指還需搭載不同的觸覺感應器（tactile sensor），用以偵測抓取過程中的壓力、溫度與濕度等細節，藉此進行更精緻的控制。然而，這項技術目前成本仍高、開發路線尚未收斂，也因此蘊藏大量硬體創新的機會。
受惠電動車產業，預期 2030 年將迎來「黃金交叉」甜蜜點
那麼，整體硬體成本何時能大幅下降？徐宏民預估，將在 2030 年前後迎來「黃金交叉」的甜蜜點，總成本有望降至約 1.6 萬美元。由於機器人的關鍵零組件與電動車高度連動、規格要求相近，受惠於電動車產業的大規模量產，將帶動整個具身智能硬體成本持續下降。他也補充，VLA 模型與多模態大模型的能力，同樣預期在 2030 年左右趨於成熟，意味著屆時軟硬體有機會同步到位，達到可以大量生產商業化的條件。
除了硬體，徐宏民也點出目前最難突破的技術瓶頸：長序列（Long-horizon）任務。他指出，機器人執行單一重複性任務，如物件分類的表現已相當不錯，且能持續運作超過一小時；但面對需要主動拆解、規劃的複合任務，難度則大幅提升。他以「請機器人裝水喝」為例，看似簡單的三個步驟，實際上機器人需要拆解成 15 到 20 個子任務才能完成，且過程中經常遭遇無法預期的突發狀況，暴露出機器人在深度推理與臨場應變上仍有明顯落差。相較之下，數位 AI agent 在「連續完成長時間任務」的能力上，近一兩年已有顯著提升，部分模型已能連續完成相當於人類工作八小時份量的任務。徐宏民認為，physical agent 距離這樣的水準目前仍有困難，但仍具突破潛力。
最後，安全法規將是實體 AI 邁向大眾產品前的最後一道關卡。徐宏民以自動駕駛產業為例，車輛在過去三年間，歷經 ISO 26262 等一系列極為嚴謹的法規驗證程序，才得以確保軟體控制下的行車安全，並獲准在各主要市場銷售。他預期，機器人產業接下來也將經歷類似的嚴格驗證歷程。
2026 關鍵佈局：硬體與資料
徐宏民認為，若產業普遍預期 2030 年將迎來成熟的商業轉折，那麼現在的 2026 年，正是產業必須大舉佈局的關鍵時刻。硬體方面，致動器與「手」的技術演進，將是決定機器人發展走向的核心變數，目前尚未出現絕對壟斷的硬體方案，這些零組件的技術進展值得持續關注。應用場景則不會一次到位，而是從特定場景開始，逐步擴散至更廣泛的場景。
他強調，機器人所需的實體資料，並非單純連上網路就能取得，而是來自網路無法生產、僅存在於工廠等封閉環境中的實體場景數據。徐宏民預期，在這波浪潮中，率先擁有特定場景實體數據的公司，將建立起難以複製的巨大資產，成為 physical AI 時代中最具特色的競爭優勢。