當 AI 離開電腦螢幕、走入物理世界，AI 機器人產業正蓄勢待發，究竟需要哪些條件才能推動生態系爆發？TechOrange 與 NVIDIA、AWS 共同主辦「AI 機器人產業論壇」在焦點對談匯聚產學研專家，TechOrange 社長戴季全與 NVIDIA 台灣新創生態系暨機器人開發者關係負責人李昇達、國立台灣大學電機系助理教授孫紹華，以及 AI 新創 POD Innovation 的共同創辦人暨執行長簡文昱，共同深入討論這場即將改變人類生活的新技術浪潮。
AI 機器人產業要起飛，台灣具備三大關鍵條件
NVIDIA 台灣新創生態系暨機器人開發者關係負責人李昇達認為，台灣若要推動 AI 機器人產業爆發，首先具備完整的工廠應用場域，是一項天然優勢。
其次，台灣的硬體供應鏈實力深厚，從馬達、控制器到整合系統等齊備的條件，「簡單說要組裝一個機器人的話，台灣還是一個很好的場域。」
第三，NVIDIA 正透過開發者計劃與教育訓練資源在台灣推動機器人技術普及。李昇達除了鼓勵開發者加入 NVIDIA 的開發者生態圈，也表示 NVIDIA 正積極接觸台灣的機器人開發者社群。
國立台灣大學電機系助理教授孫紹華則分享，台灣在機器人領域如機械手臂的強項主要集中在「視覺感知技術（perception）」。他提到，包括所羅門與達明等企業，在 3D 視覺辨識、物件偵測與影像處理方面，都已發展出非常成熟且商用化的解決方案，具備國際競爭力。而在機器人「運動（Action）系統」方面，則是台灣較少產學界投入的。
AI 機器人產業有多新？談美國與台灣發展差距
孫紹華指出，AI 機器人是機器人學與機器學習兩大領域的交集，仍屬新興領域。針對機器人學，學界傳統上是機械系投入，專注於設計與製造可以執行自動化任務的實體系統，通常不熟悉 AI 或深度學習技術；但是針對 AI，則多是電機系或資工系投入，主要是應用是電腦視覺、自然語言處理、語音處理，比較不會接觸到機器人。
孫紹華分享觀察，學界目前這兩大領域並沒有什麼交集，而美國學界則是在 5 年前才興起「Robot learning」領域，目前在台灣學界投入相關領域的學者不多。他認為，這樣的學術鴻溝較可惜的是，如果大家最終希望「通用」機器人解決缺工、照護問題，目前還有一段距離要努力，因為讓通用機器人和環境的物件接觸時，會將技術難度提升到另一個層次。
來自 AI 新創 POD Innovation 的共同創辦人暨執行長簡文昱也分析，機器人領域在學界與業界間也存在落差，他以自身美國求職經驗為例，曾在 2019 年於美國求職時，接觸到許多與無人機、AMR 機器人相關的職缺，大多屬於技術成熟、商業模式清楚的維運性質工作。但 2022 年回到台灣找工作時，雖然工作性質類似，卻發現許多公司或新創仍處於研發初期階段。
簡文昱表示，台灣是代工王國，在切入機器人這類高技術門檻的紅海產業中，必須深層分析、理解技術和市場區隔。他提到 POD Innovation 選擇投入鐵道安全應用為例，便是因為該市場尚未高度開發，具藍海潛力。此外，他自己在兩年前發起機器人開發者的社群活動至今，也希望未來能有更多機會推廣機器人領域。
從模擬到落地，AI 機器人「Sim to Real」問題怎麼解？
要讓 AI 機器人真的「學會」動作，目前最大挑戰在於「Sim to Real」的落差。孫紹華介紹了目前讓 AI 機器人變聰明的兩大技術主流：強化學習（Reinforcement Learning）與模仿學習（Imitation Learning），前者在台灣學界較多人鑽研，後者則有 Google Robotics 等企業投入。
孫紹華分享，強化學習的概念是透過機器人不斷與環境互動，藉由試錯的方式學會完成任務，但真實環境無法讓機器人無限制地試錯，因此 NVIDIA 等公司提倡先在模擬環境訓練機器人。不過，這又帶來「Sim to Real」的挑戰，必須克服在模擬中學會的行為，能否順利轉移到實際應用的問題。
李昇達也認同 AI 機器人目前最大挑戰是 Sim to Real 問題，他表示，他在業界常常詢問廠商能不能做到力矩控制、能不能提供更多 API 或開發介面讓他可以呼叫特定功能。他表示，如果機器人開發者可以提供 AI 軟體開發者更好的執行指令的能力，這個 Sim to Real 的落差就會縮小。