Digital AI vs. Physical AI：同一套成長邏輯，兩條路徑

2026年5月東京人形機器人高峰會上，一家國際顧問公司的合夥人展示一張實體AI（Physical AI）的全球勞動自動化市場潛力圖。回來後，我把同一家機構的智庫報告中關於數位AI（Digital AI）的職能分類，重劃成一張對應圖。2張圖最有意思的地方，不是整體潛在市場（TAM）規模相近，而是說的是同一件事：自動化總是先從「結構化」場域開始。

過去2年，AI帶動的運算與供應鏈經濟規模快速成長，動力主要來自Digital AI：推論模型的token消耗、推論經濟的成形，加上AI代理（AI Agent）的興起。那麼，Digital AI的演進時程，也會是Physical AI的路徑嗎？

先看第一張圖。Digital AI的市場版圖，核心原則清楚：任務愈規則化、資料愈密集，自動化愈快發生。以職能分類，差距顯著：財務、法律、行政領域有55%至65%的工作屬於高度可自動化範疇；軟體、研發、STEM領域約40%至50%；醫療、教育、管理領域則只有15%至25%。合約審閱、財務對帳、法遵查核，有明確的輸入輸出與可學習的歷史資料，數位代理人活在「已被結構化」的資訊環境裡。反觀主治醫師的臨床決策或管理者的組織判斷，牽涉情緒脈絡與權責，超出當前代理人的處理能力。Digital AI的邊界，是「非結構化判斷」的邊界。

Physical AI的市場版圖，則以地理維度切分：以製造業高度密集的南韓、德國為代表，實體勞動中有65%至75%屬於高度結構化任務，涵蓋工廠產線、倉儲物流、重複性組裝；日本、中國、美國等混合型經濟體，這個比例約為40%至55%；以印度為代表、服務業與非正式勞動佔比偏高的經濟體，則只有10%至20%。

這個地理切分，邏輯與Digital AI相同，只是「環境」從資訊空間換成實體空間：工廠的產線是被高度設計過的實體環境——固定的作業台、可預期的物件、重複的動作序列——對機器人來說是相對友善的場域。零售服務、建築工地、居家照護，面對動態、不可預測的實體情境，機器人的自主能力仍非常有限。2個版圖的邊界因此高度對稱：一邊是「非結構化判斷」，一邊是「非結構化實體環境」。

換句話說：Digital AI把資訊世界結構化、智慧化，Physical AI再把實體世界結構化、行動化。

2條路徑的不同，先出現在時程上。Digital AI已進入擴散期：本專欄〈推論經濟學〉與〈Token帳單之後〉追蹤過這個變化，推論成本已從每百萬token 30美元跌至1美元以下，但帳單不減反增，總用量的成長速度遠超單價下滑。市場研究機構預測，2026年底約40%的企業應用將整合任務型AI代理，從2025年不到5%的基礎一年內大幅跳升，是臨界點後的快速擴散。

Physical AI這一邊，需求走在技術前面：製造與物流現場的缺工是剛性需求，4兆美元的潛在市場逐漸成形，但機器人在現場能穩定做到的仍然有限。2026年5月東京的人形機器人高峰會與6月維也納的ICRA，反覆出現的觀察是：當前被稱為「成功」的機器人部署案例，幾乎都是透過縮窄問題範疇來達成自主性，而不是真正解決泛化能力的問題。觸覺、Sim-to-Real、長時序規劃與世界模型的差距，本系列前幾篇已分別說明。

這個需求與能力的落差，不代表方向錯了，而是時程不同：Digital AI的問題是「該在哪裡找到成長曲線」；Physical AI的問題是「該在哪裡確認成功案例」。

這條時間差，有一條能力曲線可以量化比較。模型評估機構METR（Model Evaluation & Threat Research）的Time Horizon追蹤計畫，以「人類完成同一任務所需時間」衡量各世代模型能以50%成功率自主完成的任務複雜度。從2019年GPT-2只能處理約1至2秒的簡單任務，到2026年的新一代模型，可完成的軟體類任務時長已達16小時等級，依其估算約每7個月翻倍。以8小時（一個標準工作天）為參考線，近期模型已陸續越過，意味著數位代理人有機會從「加速執行」走向「獨立接手整天的工作」。這條指數曲線，目前只存在於數位世界：機器人要在實體環境中跨越數小時穩定完成複雜任務，所需的規劃深度、容錯能力與環境適應性，還需研究突破。

Physical AI的慢，不只在模型能力，也在部署方式。數位代理人的導入本質上是軟體問題：API串接、資料清理、流程重新設計，從決策到運行快則幾週；失敗可以修正，持續迭代。Physical AI的導入是系統整合問題：場地改造、安全認證、與既有設備的整合，時程以年計，成本以千萬計。但是高門檻反而創造黏性：一家工廠花兩年把機器人整合進產線，不會因為競爭對手推出更好的軟體就輕易替換。

兩者的差距，也體現在「驗證」這個環節。數位代理人的迭代迴路是：推理、工具呼叫、執行、檢查結果、修正，整個循環在數位空間完成，失敗成本低，可即時重試，能力就在快速循環裡累積。Physical AI的迴路根本不同：機器人難以在真實場域反覆試錯，一次碰撞或抓取失誤的代價，可能是設備損壞或人員風險，驗證必須在執行之前完成，而非之後。這也是大家對世界模型在Physical AI中的期待：機器人需要先在模擬中「預演」動作結果，確認可行後才進入實體執行。在數位空間，驗證迴路天然存在；在實體空間，可能得靠世界模型解決，但是還沒收斂。

因此，Physical AI的市場進入邏輯更接近「先深後廣」：先在結構化程度高的場域建立灘頭堡，累積具身資料與安全認證紀錄，再逐步向更複雜的場域擴張。具身資料難以從網路大量取得，主要來自真實部署；而獲得真實部署機會，又需要先通過安全認證與場域驗證。這個循環，讓先進入特定場域的廠商建立起難以複製的護城河，即使後進者的軟體技術更先進。

Digital AI與Physical AI 2個市場都在快速成長，合計每年潛在經濟價值達數兆美元等級，涵蓋的是人類2種核心的勞動形態。Digital AI開始進入收成期，競爭格局正在集中；Physical AI仍在播種期，先行優勢可能要再過幾年才會清晰顯現。2條路徑，同一套成長邏輯：AI總是先在結構化世界立足，再從那裡逼近非結構化世界。