近三年來，生成式AI快速發展，AI已逐漸成為人們工作與生活的重要工具。然而，這一波AI革命主要發生在數位世界之中，無論是文字生成、程式撰寫、影像創作或知識問答，本質上仍是在處理螢幕中的資訊。近期全球科技巨頭的布局卻顯示另一股趨勢正在成形。從NVIDIA的GR00T與Omniverse平台、Google的Gemini Robotics，到Tesla與Figure AI投入人形機器人研發，AI正開始從「理解資訊」邁向「執行任務」，逐步走出螢幕、走進工廠、倉儲與各種真實場域。未來AI要學習的不只是知識，更是如何在真實世界中完成工作，而這正是物理AI時代來臨的重要訊號。

 

回顧AI發展歷程，2012年AlexNet在ImageNet競賽中大幅領先，開啟深度學習與電腦視覺的快速發展，然而，真正改變產業的關鍵不只是演算法，而是李飛飛教授團隊推動的ImageNet建立了全球共享的資料基礎設施。透過大量標註影像與公開競賽機制，研究人員得以在共同標準下訓練與驗證模型，進而催生後續十餘年的創新突破。

 

然而，當AI開始走向物理世界，機器人產業卻尚未出現類似的「ImageNet時刻」。相較於圖片容易蒐集，機器人學習搬運、組裝或檢測等技能，涉及感知、控制與環境互動等複雜資訊，資料取得成本遠高於文字與影像。因此，物理AI面臨的挑戰不只是模型能力，更是缺乏能讓機器人持續學習技能的資料、場域與驗證體系，若說ImageNet讓AI學會看見世界，物理AI下一步需要解決的，則是如何讓AI學會工作。

 

正因為機器人缺乏足夠的技能資料與訓練環境，全球主要科技國家近年紛紛投入相關基礎設施建設，像是美國便以NVIDIA的Omniverse、Isaac與GR00T平台為核心，希望透過數位雙生與模擬環境加速機器人學習；中國大陸透過各地機器人訓練中心與資料工廠，大規模累積真實世界操作資料。

 

歐洲採取另一條路徑，以德國機器人新創Neura Robotics為代表，結合感測器、機器人、AI與產業夥伴，打造開放式機器人生態系，希望建立屬於歐洲的機器人技能平台。表面上各國競逐的是機器人技術，實際上爭奪的卻是讓AI持續學習與迭代的「學習場域」。

 

面對物理AI浪潮，台灣未必需要與美國競爭基礎模型，也難以複製中國大陸大規模機器人資料工廠的模式，然而，台灣擁有另一項獨特優勢：全球密度最高、技術含量最高的製造場域。從半導體、電子組裝、PCB到智慧物流，台灣工廠每天都在進行搬運、檢測、組裝、維修等高價值工作，而這些正是未來機器人需要學習的技能。

 

與其將焦點放在打造下一個人形機器人品牌，台灣或許更應思考如何將數十年累積的製造經驗轉化為AI可學習、可驗證、可複製的工業技能資產。換言之，台灣最大的機會未必是成為機器人製造大國，而是成為全球物理AI重要訓練場域，讓世界各地的機器人都能在台灣學習如何工作。

 

歷史證明，技術突破往往來自基礎設施的累積，而非單一產品或企業的成功，當AI逐漸從數位世界走向物理世界，未來競爭的關鍵將不只是誰能造出更好的機器人，而是誰能提供更好的學習環境與技能來源。過去台灣憑藉製造能力成為世界工廠，未來則有機會進一步成為世界訓練場域，將數十年累積的製造經驗轉化為物理AI時代的重要競爭力，為下一波產業變革奠定基礎。