最近一位在產業界的朋友跟我分享，這兩年LLM崛起，對他們的產品研發幫助很大，團隊還額外開發幾個全新的代理人（Agent）。但他算了token花費之後很驚訝，一年下來的金額，已經比買下一整櫃高階AI伺服器還多。即將導入的大規模應用還會把用量再往上推，他也擔心產業know-how送進外部模型。於是他們很認真地評估：是不是應該自己買（租）AI伺服器？這不是單一公司的處境。一家美國叫車平台業者原本鼓勵各團隊大量使用token開發，4個月後全年的AI預算就用完了。接下來就是設上限、個案申請，強制「配給」。配給不是因為變貴。同等能力的推論價格長期快速下滑，帳單卻愈來愈大，這個機制本專欄〈Token帳單之後：AI運算架構的5層重組〉談過。當時是推估，現在有實際的帳單可以看了。不過帳單變大本身不是買（租）機器的理由。先確認投資報酬率（ROI），再做工作分級與流程最佳化。剩下的工作如果用量持續穩定、資料不能離開公司、服務也不能中斷，才值得自己擁有模型生產token。第一步是看ROI。所有變革都得先回答一件事，對企業改善哪些量化指標。常見效益是省下的人力與外包、縮短的交期，再往上是客戶滿意度、新營收與競爭力，最後都反映在毛利、甚至本益比上，本專欄〈AI改寫的不是效率，也是毛利結構〉談過這一層。第二步是把工作分級，依難度配上能力與價格相稱的模型。可預測、量大、規格明確的任務可以不需要前沿模型，蒸餾出來的小模型、開放權重模型或較低階的API都能處理，單位成本可以差1~2個數量級，前沿模型留給真正需要深度思考的環節。第三步是工作流程的最佳化與迭代。工廠電氣化初期，多數業主只是把蒸汽機換成一台大馬達，天花板上的傳動軸照舊，產出的改善很有限。要等到每台機器各配1顆馬達、廠房不再繞著傳動軸配置，生產力與彈性才提升。Agent接上現有流程，多半只是把原來的步驟做快一點，只有將工作流程重新規劃過，效益才會顯現。反過來說，帳單有相當一部分也是被流程設計出來的。幾週前一位在美國AI原生（AI native）新創擔任C-level角色的朋友分享，他們負責市場開發的只有個位數人力，年化營收（ARR）幾個月內翻倍到數億美元。這樣的槓桿主要來自整套工作流程的改造，不全然靠買運算能力。有兩類狀況，值得付出溢價或是買保險。第一類是「敏感資料」：設計圖、製程參數、客戶規格等，本來就不宜離開公司。代理人能穩定接手的還是結構化程度最高的那一小塊，其餘得靠人幫補，工作切得愈長、步驟愈多，需要補的地方就愈密—規格、報價邏輯、內部know-how也就跟著提示詞一起出去了。目前的折衷是先改寫再送出，把敏感欄位換成代號，或用地端小模型把提示重寫一遍。2026年一篇論文整理8種隱私保護方案，並實測其中4種可行方法及其組合。最嚴格的一組是地端分流加上遮罩與改寫，可以把個資洩漏率降到0.6%，但程式碼仍有31.3%外洩。個資有固定樣式可以辨識並置換，但是經驗與判斷散在整段敘述裡，換掉幾個名詞隱匿不了。對產業界真正在意的那類資料，改寫是減少損失（曝險），不是解方。第二類是「隨時可用」。Token目前已逐漸成為產業的必需品，供應一中斷，就不只是不方便。網路斷線、供應商停機、尖峰被限制用量，任何一項發生，產品研發就停擺。版本下架也是，供應商依自己的時程淘汰舊版模型，驗證過的流程可能得重做。地端模型的能力比不上前沿，但它不會在某天早上突然不見。如果外部模型今天停3個小時，有多少工作會一起停，又有多少可以靠（較弱的）地端模型備援？到這裡，才考慮自建。前面那家新創走的是租。買或租不是重點，重點是能不能取得自己調度的運算能力，讓資料不必送進第三方前沿模型API，並由自己控制模型與版本。推論需求愈大、愈穩定，設備利用率愈高，自建的優勢就愈明顯。多數公司最後會是混用，量大又規格明確的留在地端，需要深度思考的仍然呼叫外部前沿模型。選擇自建，機櫃之外有不少overhead。機房、電力、散熱還需要幾組人：維運硬體的工程師、負責選型與微調的模型工程師、把服務接回既有系統的開發人力。這幾種人現在都很搶手，養得起的中型企業不多。而且配置不是做一次就好，換一次模型就得重新部署、重新驗證。硬體一買就是好幾年，開放權重模型卻幾個月就出一批更好的，這個節奏落差是自建評估裡特別容易被低估的一項。回到開頭那位朋友。他們團隊後來決定買了。在那之前，他已確認這兩年的投入有可量測的ROI。帳單只是其中一個理由，真正讓決定成立的，是有些產業know-how本來就不該送出去，有些工作一斷線就停擺，加上他看得到未來2、3年的成長。換一家公司，同樣一筆帳單很可能得出相反的答案。買貴了還算小事，難的是買完之後，需求長得跟當初評估的不一樣。

2019年前後，一位在大型雲端服務業者任職的朋友興奮地分享：他們訓練一個CNN模型處理單據文字辨識，效果不錯，但直接上線的運算成本太高，於是用「蒸餾」（distillation）訓練出一個較小的模型來提供服務，發現還挺有效的。蒸餾一直是深度學習常用的策略之一，也稱為師生架構（teacher-student）。用一個能力好的大模型當「老師」，訓練另一個「學生」模型（不一定較小）。手上有沒有原始標註資料，各有對應的做法。早期做法在2015年前後成形，最直接的是讓學生去逼近老師的輸出，不需要標註。後來加上「軟目標」，或與原始標註資料一起用；也可以讓學生模仿網路中間層，不只看最後的輸出。這套做法到今天仍在用，但搬的不只是模型大小，而是能力。我們近期的研究讓老師看密集的3D點雲、學生處理刻意稀疏化的點雲，把兩邊的中間特徵（理解能力）對起來，稀疏點雲限制下的3D辨識能力（機器人、自駕車）就被提升上來。到了大型語言模型，蒸餾的角色又不一樣了。2025年初，一個開放權重的大型推論模型把自己的推論過程蒸餾進一系列小模型，有些的表現接近當時的閉源前沿模型。從那之後，能不能用前沿大模型訓練出成本可接受的小模型，就成為大家矚目的焦點。語言模型的訓練，可以粗分成兩大階段。預訓練（pre-training）吃的是海量文字，學的是語言結構與世界知識，可以說是讓模型牙牙學語的階段。後訓練（post-training）教的是另一件事，模型怎麼遵循指令、把話說得專業，把複雜問題抽絲剝繭處理好（推論）。需要的訓練資料就是「一個專業的回答長什麼樣」，而前沿模型正好能生成這樣的資料。所以蒸餾用在後訓練特別直覺。蒸餾怎麼做，開放權重的模型多半會披露在技術報告中。差別主要在老師給學生什麼訊號。最簡單的一種是把老師生成的文字當教材。設定一批問題讓老師（前沿模型）回答，收下來的問答就是訓練資料，只要拿得到API，蒸餾就能啟動。細一點的是讓學生逼近老師在每個字上的機率分布，這需要模型權重。Google的Gemma連預訓練都用蒸餾，後訓練再從大型的指令模型蒸餾一次。近期較受關注的on-policy蒸餾又更進一步，讓學生先用自己的方式作答、老師逐字批改。在數學競賽題上，用約10分之1的運算量就能達到強化學習的水準。老師也不必只有一個或一定更大。已經有模型用上超過10個各自專精的領域老師，把不同專長蒸餾轉移進同一個學生。把公司資料訓進模型之後，原本的對話與指令能力常會退化，這時拿還沒微調過的原始版本當老師，有機會把退化的部分教回來。但蒸餾並非總是有效：2026年的一項研究指出，老師與學生用同一批資料、量又足夠大時，增益相當有限，資料稀少的領域任務才是它發揮空間較大的地方。前面談的是狹義的蒸餾，老師與學生都是模型。把範圍拉大，前沿模型也可以當成知識與資料的來源，協助標註甚至擔任代理人（Agent）。過去要建資料集，得找標註人力、寫規範、做品管，週期以月計。現在例行、量大的標註工作，部分前沿模型的輸出品質已經堪用，單位成本也低得多，需要專家判斷的領域當然還有難處。一種做法是讓大模型直接提供監督訊號。如低光源影像增強傳統上需要成對的明暗影像當參考，訓練影像不易取得。我們近期的做法是改用視覺語言模型（VLM）對影像內容的理解當引導，就能在沒有參考影像的條件下訓練，下游的分類與物件偵測都因此受惠。另一種是用大模型產生資料標註。我們建過一個電影理解的問答資料集，問的是角色動機與情節因果這類需要思考推論的問題，人工出題慢，也難維持一致品質。做法是讓多個語言模型扮演不同的思考代理人，各自提問、互相檢視與修正，再產出問答資料集。前沿模型直接擔任資料標註的Agent。還有一種是把常識搬進訓練系統。長時序的機器人操作任務難在中間沒有回饋訊號，我們的做法是先用語言模型把任務拆成不同階段與所需動作，列出各階段應有的物體狀態，再讓視覺模型依這套結構判斷任務進度、建立獎勵訊號。這些過去要靠工程師逐條寫進系統的常識，現在能從前沿模型（自動）取得。令人更期待的是，蒸餾有機會做出能力好的較小模型，把運算從雲端往外移。對企業來說，較小的模型在部分推論任務上已逼近前沿，有機會在數張GPU的地端伺服器部署。自建小模型也因此從構想變成可評估的選項：法務、財務、產業know-how這類資訊密集又不宜外傳的領域尤其明顯。訓練前沿模型的花費以數億美元計，但能力一旦以API或開放權重現身，讓小模型接近它的成本低了一到兩個數量級。另一個方向是終端裝置：手機、機械手臂、檢測設備都可受惠於蒸餾。機器人的需求特別直接，它要在實體空間裡即時執行動作，許多控制環節沒有等待雲端往返的餘裕。高速產線的檢測設備也一樣，模型再準，跟不上產線節拍就用不上。使用大模型生成或標註資料再訓練自己的模型，已經是研發的常態，前提是條款允許。前沿模型供應商的服務條款多半禁止拿模型輸出去訓練與他們競爭的模型，各家的界線並不一致。另一條路是改用可自行部署的開放權重模型，生成與訓練都在自己手上，也避開資料外流。早年蒸餾搬的是辨識模型的效率，現在搬的是語言、推論與常識。老師模型愈強，能搬的就愈多。

2026年入夏以來，颱風與極端高溫頻繁進入新聞版面。放大到近幾年，豪雨與乾旱輪流上場，已逐漸成為常態。而理解、預報這些天氣的技術，正逐漸轉向AI。70年前，人類第一次用電腦做天氣預報，把大氣層切成格點，用物理方程式描述流體運動，交給超級電腦逐步求解。這套方法稱為數值天氣預報（Numerical Weather Prediction；NWP），至今仍是全球氣象業的骨幹。每次全球預報都要在數百萬個網格上反覆求解流體力學方程組。氣象單位的標準作法還利用ensemble，同時跑多組條件略有差異的預報，用多個結果來改善預測品質。所以，運算是剛性需求，氣象也長期是全球高效能運算（HPC）的大用戶之一。AI挑戰數值天氣預報的成果，從2022年前後開始出現。Google DeepMind的GraphCast在標準評測的90%預測上，勝出歐洲中期天氣預報中心（ECMWF）的主要數值模型。華為的盤古模型採用同樣的資料驅動作法，論文估計其「推論」（實際預測時）速度比當時的營運數值系統快超過1萬倍。2025年5月，微軟（Microsoft）的Aurora再推進，在超過百萬小時地球相關地球觀測資料上預訓練，再微調出空氣品質、海浪、颱風路徑、高解析度天氣4個應用版本，在各自的評測項目上都優於現行的數值系統，其中5天颱風路徑預報勝過7個主要預報中心。2026年7月，Aurora的新版再加入能源、農業、交通等需要的預報項目，同時也公開釋出模型權重（13億參數）。ECMWF在2025年已陸續把自家AI預報系統AIFS的單一預報與ensemble版本，納入每日例行預報的正式流程，與傳統數值系統並行。美國國家海洋暨大氣總署（NOAA）也在2025年12月部署AI全球預報系統，以開源的GraphCast為基礎，再用NOAA自己的資料進行額外訓練，其中傳統物理模型與AI混合的ensemble，表現優於兩者單獨使用。70年來由超級電腦支撐的氣象預報，目前是兩套系統並行運作，而依NOAA的數字，AI版預報用的運算量不到傳統系統的1%。但運算需求不會因此消失，AI預報每次起算，仍要靠傳統系統把全球觀測整合成一致的初始狀態。成本差距這麼大，是因為AI模型預報的方式與傳統NWP大相逕庭。NWP的邏輯由物理定律出發，把已知的定律寫成方程式，再用大量運算逐步推演大氣狀態。AI模型則從幾十年的歷史資料學狀態之間怎麼轉變，不必在每次預報時重新求解完整的方程組，也不要求先理解背後的物理機制。作法上與語言模型從文本學結構、AlphaFold從序列與結構資料學規律相近。主要的運算成本落在預訓練與微調，之後每次推論只要少量運算，秒級到分鐘級就能完成。標的也不只有天氣。傳統地球系統預報由大氣、海洋、海浪與空氣化學等模組串接而成，彼此交換資訊，但各模組有各自的資料、方程式與開發流程。Aurora則是同一個預訓練模型微調出不同任務版本，學到的不只是天氣，還包括地球系統其他層面的動態。有趣的是，原本集中在國家級氣象機構的預測能力，正在往產業端擴散，變成可以自己部署、自己微調的一項基礎能力。能源是最直接的例子。各主要市場的尖峰與離峰電價差正在拉大，資料中心與各類新增電氣化用電的成長又推高尖峰，電網業者同時推動需量反應、時間電價與電網級儲能，試著用各種手段把用電尖峰壓下來。國際能源總署（IEA）估計，全球住宅空調貢獻約600 GW的尖峰負載，但實際被調度的比例仍低。這些節能操作都得提前預備。需量反應得先通知用戶，儲能得決定何時充放，前提是知道什麼時候缺、缺多少。而尖峰出現的時間與高度，相當程度由天氣決定。空調只佔全年用電約1成，卻佔了尖峰需求的3成；以印度為例，2024年氣溫每上升1度，尖峰需求就增加7 GW。太陽能與風電的出力同樣取決於天候。我們多年來參與太陽能電廠的智慧監控與發電量預測，與電力公司長期協作，颱風前後那幾天的發電量預測不確定性明顯升高，也正是調度特別需要可靠資訊的時候。NWP的維運要有超級電腦、即時觀測資料整合與跨國觀測站網路，門檻一直很高。幾個代表性模型的權重已經公開，推論的運算需求遠低於傳統NWP，用自有資料微調的作法也逐漸普及。能源、物流、農業、保險，原則上都有機會微調出貼近自身需求的預測系統。幾個侷限還待克服。目前已知效能僅限於評測基準上的統計結論，進入電網調度或供應鏈決策之前，仍需在具體場域驗證極端事件下的穩定性。空間解析度是另一個實際限制。以Aurora為例，解析度較高的全球預報也只到約11公里，對初略天氣型態已有參考價值，對太陽能光電場址層級的預測仍不足。台灣多山地形往往需要公里級解析度，還得再把粗網格的預報細化到局部地形，實務上這段差距目前多靠場址端的即時量測與在地資料來彌補。更根本的是，AI模型的訓練資料來自歷史氣候，氣候變遷正讓極端事件的頻率與型態偏離歷史分布，這是所有靠資料學習的方法都會碰到的問題。同一套「基礎模型」的想法正在往DNA序列、材料結構等領域擴散。地球系統不一樣的地方在於，它的預測結果每天都得使用。語言模型出錯，多半只是一段不可靠的文字。地球模型出錯，影響的是明天的發電、用水與物流安排。其他領域的基礎模型多半還在改變研究的方式，地球系統的模型已經進入營運現場，每天接受現實檢驗。

Token單價下滑、總消耗量大增，專欄2026年3月分析過，趨勢至今有增無減。新一代前瞻模型朝AI代理（AI Agent）的使用型態設計：這幾個月各家前瞻實驗室競爭加劇，接連發布的新模型能規劃任務、分派工作、運用各種技能與工具、直接操作電腦介面，定價卻更低。AI代理正被快速導入各種知識工作。那麼，AI代理真的能承接知識工作嗎？能承接多少？尚未承接的部分，是還沒有人投入，還是技術未到？7月初參加在加州聖地牙哥舉辦的計算語言學年會ACL 2026，一場「AI代理人與工作的未來」專題講座（tutorial）把技術現況以及這些問題拆開來看。浮現一張讓人驚訝的能力版圖：AI代理已經站穩的區域，小得出乎意料；版圖之外，一部分是還沒有人投入的空白，另一部分是技術還待克服的難題。先看站穩的區域。前瞻模型業者OpenAI在2025年推出代理人基準測驗（benchmark）GDPval，從GDP貢獻最大的44種職業中，設計出1,300多項「規格明確」的真實任務（如簡報、財務模型、工程圖說），來測試代理人執行能力，並請同行專家盲評AI與人類的成品。依業者2026年4月發布的最新結果，最強模型的成品已有逾8成被評為不輸人類專家；這套基準2025年9月推出時，這比例還不到5成，再前一代模型也只達到1成出頭。依業者推出這套基準時的估算，完成速度與成本約為人類專家的百分之一。單看這些數字，AI代理似乎已經可以上工。但這片區域在整個勞動版圖上有多大？ACL會議中主講的CMU團隊把目前43個AI代理基準測驗（學術、產業時常使用的Agent評測任務）共72,342個任務，對應到美國1,016種職業的技能分類（參考美國O*NET職業資訊資料庫）。基準測驗的分布，可當作目前AI代理研發重心地圖：考題集中的地方，訓練資料與研究人力也跟著集中。結果顯示，任務多數落在「取得資訊」與「操作電腦」2項技能，在整體就業所需技能中的權重合計不到5%；投入最深的程式與數學領域，只對應7.6%的就業人口。原因不難理解：這些工作結構化程度高、輸入輸出明確、成功與否可以驗證。本專欄先前提過，自動化總是先從結構化的場域開始，研發投入也一樣。版圖之外的第一種空白，是還沒有人投入的高價值區。同一份報告指出，管理、法務、建築工程的工作已高度數位化（約88%、70%、71%），基準測驗的覆蓋卻只有1.4%、0.3%、0.7%，而管理正是以薪資加權後經濟價值集中的領域。這些工作中不少環節有明確的輸入輸出，未必是技術做不到，更可能是還沒有人投入；論文稱之為「錯失的機會」。一旦投入到位，對企業來說，這裡可能是生產力改善較早出現的地方。第二種空白，是技術還待突破的複雜工作。資料標註平台業者與AI安全研究機構合作的「遠距勞動指數（Remote Labor Index）」，從接案平台選取真實付費委託（3D建模、建築圖說、影音製作、資料分析等，專業者完成一件的中位時間約11.5小時），讓前瞻AI代理端到端執行，再由人類評審對照專業接案者的成品盲評，以此模擬企業交付員工的工作指令。指數2025年10月發布時，最佳模型只有2.5%的專案達到可驗收水準。真實委託的需求模糊、規格多步驟、常要求修改既有成品，這些都還沒被結構化。長時序的複雜任務是另一道關卡。前述CMU團隊的報告同時量測AI代理自主性：即使在表現最好的軟體領域，任務複雜度一提高，成功率就明顯下滑；其他測驗加入工具中途出錯、給定資訊不完整、需要多人協作等情境後（模擬真實複雜場域），表現同樣走低。值得注意的是這張版圖移動的速度。2026年7月，研究機構以最新一代模型、搭配更完整的代理人執行環境重測遠距勞動指數：最佳模型的成功率已從2.5%升到15.8%，前後不到1年；同一份更新也指出，絕大多數專案的成品仍達不到專業驗收水準。兩個現象並行：能做的還很少，推進的速度很快。GDPval從1成出頭到逾8成不輸專家，說的是同一件事：AI代理目前的能力版圖比想像中小，但持續擴張中。這類成長難免包含針對測驗最佳化的成分；但這兩套測驗過的是人類專家對真實成品的驗收，能拉高分數的改進，多半也是AI代理真實能力的提升。目前技術擴張的方向也有跡可循。研發正把做不到的難題當成訓練目標：新一代測驗把出錯、協作、真實委託等情境逐步納入題目，最新的訓練方法把專家驗收的標準（rubric）轉成訓練訊號；今天做不到的清單，很可能就是下一輪訓練資料與運算投入瞄準的地方。還沒有人投入的高價值空白，很可能也將循同一條路逐步被填補。回到開頭的需求端。目前代理人技能只在結構化的一小塊版圖上站穩，如今的用量成長與供應鏈投資，大致就發生在這一小塊之上（但已相當可觀）。版圖之外的大量工作，仍由人補位：釐清模糊的需求、拆解執行步驟、修正最後的產出；而這些補位動作，專欄近期談過，正是企業在教模型。目前AI代理能完成的工作比想像中少，但是需求已經這麼大，而技術能力版圖還在往外擴。接下來市場的成長與組織的變動，可能又會超乎我們的想像。

過去20年，企業資訊治理的核心是保護資料：分級、加密、備援、不出門，這套做法如今已是標準作業。但資料本身是靜態的；真正創造競爭力的，不是資料，而是「運用資料改善工作」的能力：用它最佳化產品設計、良率、客戶經營與銷售流程，讓被動的資料「活化」。例如，晶圓廠把檢測資料回饋到製程參數，物流業者拿配送紀錄重排路線，品牌廠拿客服對話修正產品設計：資料的價值，在商業迴圈中被最佳化放大。AI時代，這個迴圈有了新的參與者。企業的工作流程本來就持續在最佳化、修正，行之有年的持續改善是營運的日常；過去改善的成果寫進SOP，如今企業把AI嵌入工作流程，AI跟著每一次調整吸收經驗。這裡說的「學習迴圈」，正是持續改善的新形態：不是模型自我學習，而是企業最佳化流程、AI吸收經驗、讓下一次做得更好的循環；迴圈轉得愈久，累積愈厚。AI吸收經驗的管道，多半是人提供的提示詞與脈絡資料（context）。AI代理（AI Agent）目前能穩定接手的，還只是結構化程度最高的一小塊工作；其餘大量工作，仍需要專人介入：用提示詞補上模糊的需求、提供流程脈絡、修正不到位的產出。每一次補位都是一次示範，規格文件、報價邏輯、內部術語，隨著提示詞一併交給模型；本意是讓眼前的工作更有效率，實際上卻也在教導模型。模型做不到的部分愈多，人教得愈勤，留下的教材愈密集；模型的能力邊界，恰好沿著人補位最密集的地方往外推。企業教得愈多，前瞻模型能力愈強，而這個原本屬於企業的改良過程，可能逐漸累積在外部平台掌控的學習系統中。企業領導人的疑慮，開始浮上檯面。2026年7月初，一家美系資料分析軟體大廠的執行長在訪談中批評，前瞻實驗室一邊把模型能力講得過滿，一邊透過客戶的日常使用，吸收企業的專有工作流程與策略知識；7月中旬，微軟（Microsoft）執行長Satya Nadella發表短文〈The Reverse Information Paradox〉，表達他的想法。他借用經濟學家Kenneth Arrow在1966年提出的資訊悖論：原始版本是賣方的困境，要證明資訊有價值就得先揭露，一揭露，買方就免費取得了；Nadella認為AI把風險反轉到買方這一側：企業為AI付2次錢，一次付訂閱與運算費用，另一次付出為了讓智慧派得上用場、不得不揭露的企業know-how。外流的管道不只是上傳文件：提示詞、附帶的脈絡與額外資料，尤其是「糾正模型錯誤」的動作，每一次修正都是高價值訊號，把機構知識一筆一筆輸出，進了外部平台手裡。Nadella這篇短文提出警訊，要企業自問：你親手教模型的訊息，流向哪裡？業界的討論多半集中在他提出的5個C架構：Control是自建並持有評測與機構記憶，所有權留在企業手上；Capability是在自己的環境內，讓模型針對真實工作流程練習與微調，不必把敏感脈絡交給第三方；Choice是把調度層與任何單一模型脫鉤，換模型時不必重建評測、不遺失脈絡；Cost則是Choice的直接結果：能換模型，就能按任務挑選通過評測的最經濟選項。前四項是手段，第五項Compound才是目的：把它們組成一個學習迴圈，AI隨使用愈變愈好，而改進成果像資產一樣留在企業內部，屬於企業，而不是供應商。企業與供應商之間這條界線該畫在哪裡，與用哪一家雲端平台無關。哪一份輸出被接受、哪裡被改、為什麼被改，這些過程訊息過去不被當成資產，也不在資料治理的範圍內；知識的價值，正在從文件移向「過程」；資料治理守住的是原料，尚未涵蓋製程改良迴圈。外流的輕重，對不同企業並不相同。多數企業的日常使用，外流的多是通用內容，影響有限；有相當規模的企業則不同：獨特的工作流程、客戶結構、長年累積的領域資料，正是修正訊息價值集中的地方。如何把學習迴圈留在內部？一半條件在運算平台。這不意味著放棄前瞻模型：更可能的形態是混用（hybrid），通用能力繼續交給公有雲上的這些模型；而關鍵的評測、記憶、教導模型的指示與範例、修正紀錄，在自己掌控的環境內累積——本專欄2026年5月談AI運算架構5層重組時描述過的企業資料中心與本地伺服器，正是這個迴圈落腳的地方。延伸報導專家講堂：Token帳單之後：AI運算架構的5層重組另一半條件在模型端。開放權重模型是前提：權重能掌握在自己手上，模型才能搬進企業門內；迴圈於是累積在企業的評測與記憶上，而不是綁在某一個模型身上；Choice的議價能力，在架構上由此而來。成本也比直覺想像的低：NVIDIA研究部門2025年的論文主張，代理人系統中大量呼叫是重複、特化的小任務，小型模型已足以勝任；評測評分、任務分派、記憶整理這類迴圈裡的控制工作，恰好都屬於這一類，不需要仰賴前瞻模型。「消費智慧的同時，你也在創造智慧。你創造的東西應該屬於你。」Nadella說得直白。模型會走向商品化，企業的know-how、工作流程最佳化迴圈不會；真正的資產，不是模型，而是企業每天都在累積、並且留在自己手上的學習迴圈。

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。

2026年5月底東京Humanoids Summit，原本以技術與商業化為主軸的峰會，今年也為政府代表與政策觀察者保留講台。一家美系機器人大廠的政策副總裁在會中直言：「政府不介入已經不行了。」理由包括：AI政策與機器人政策開始交疊、自主系統的軍民兩用性質讓機器人進入國安視野。技術一旦被劃入國安範疇，政策資源往往隨之增加，無人機與5G都走過這條路，接下來可能輪到機器人。這不只是一位企業高階主管的觀察。截至2026年，已有十餘個國家或地區提出具官方背書的機器人或智慧機器國家發展架構，從日本、南韓、新加坡、印度，到德國、法國、荷蘭、中國與澳洲。架構的核心要素已逐漸成形：從人才訓練、研究資金、安全標準，到供應鏈韌性、國安與貿易政策；後三項關聯地緣政治。這些路徑大致可以收斂成4種模式：1. 美國是產業先行、政府補位的產業主導型；2. 中國是全政府動員、由上而下推進的國家動員型；3. 歐盟是以法規架構定義可信任生態系的法規治理型；4. 日本與南韓則同屬政府與產業緊密配合的協同生態型，但做法不同：日本靠政府主導的共用資料平台，南韓靠政策延續與大企業投資。美國的邏輯一貫：產業夠強，政府通常不急於介入。從晶片運算、電動車跨足機器人的科技大廠，到人形機器人新創與頂尖AI研究實驗室，實體AI（Physical AI）生態系的資本、模型與平台能量仍高度集中在美國。美國國會2025年起開始相關討論，目前推進較快的是對中國機器人的限制措施；聯邦層級、以機器人產業為核心的國家機器人戰略，尚未成形。日本曾長期位居全球工業機器人密度第一，但依IFR修正後的計算基準，2025年已滑落到第四，類似的反思在東京峰會多次出現：硬體優勢不再夠用，政策重心轉向資料與基礎模型的競爭。日本經濟產業省（METI）近年整合高效能運算（HPC）基礎設施與新設的具身智慧（embodied AI）旗艦計畫，讓企業共用機器人資料與模型；2026年3月發布的新版AI機器人戰略，目標2040年在全球AI機器人市場取得30%以上市佔率，期望重新站回與中美並列的位置。南韓是最早把機器人提升到國家法律層級的國家：2008年的智慧型機器人開發與普及促進法奠定基礎，十餘年政策延續性累積出生態系厚度。2026年六月底，南韓進一步把Physical AI與半導體、AI資料中心並列為三大國家旗艦計畫，由總統府直接督導，目標2028年讓10個產業別的人形機器人進入商用，並開發自主的機器人基礎模型。南韓模式裡，資本仍來自民間，但政府的主導性明顯增強。中國的機器人政策以2015年「中國製造2025」為分水嶺，機器人列入十大重點產業；2026年的第十五個五年規劃首次把具身智慧與量子技術、腦機介面、6G並列為頂層新興產業方向。同年2月，工信部轄下的標準化委員會發布人形機器人與具身智慧標準體系，並明列國際標準化目標：先立標準、再定市場門檻，過去用在5G，如今延伸到機器人。地方政府競相設基金、建園區，形成外界稱「全政府推進」的格局，但商業化仍待驗證：出貨多流向研究、教育與展示市場，製造現場仍以試點居多；規劃文件強調供應鏈自主化，反映精密減速器等核心零組件仍仰賴日德業者。歐盟AI Act於2024年8月生效，但2026年6月定案的簡化方案，把機器人安全元件等高風險應用的合規時程延後到2028年。2025年公布的AI Continent Action Plan擴建歐洲AI運算基礎設施；同年推出的Apply AI策略把機器人列為戰略產業之一。德國、法國、荷蘭各自執行國家機器人戰略，中央法規加成員國執行的雙層架構，即使時程放緩，寄望的仍是「布魯塞爾效應」：當AI法規成為進入全球市場的門檻，歐盟的監管架構就有機會成為實質的全球標準。真正的競爭在標準，不在速度。4種模式之上，還有一張全球分工圖，東京會場的版本是：矽谷負責模型與資本，日本負責精密製造，南韓負責量產可靠性，中國負責硬體速度。台灣近期推出「智慧機器人產業推動方案」，規劃4年投入百億元、設立國家智慧機器人研究中心，以服務型機器人切入醫療照護與餐飲等缺工場域，也在試著標出自己在這張分工圖上的位置。訓練資料的問題，在機器人領域格外值得關注：相較於大型語言模型，機器人可用的訓練資料少了2到3個數量級；彌補這個差距的方式之一，是讓機器人在真實作業環境中「持續學習」，邊部署邊累積場域資料、持續更新模型。台灣的製造與服務場域，恰好提供這個機制所需的條件。Physical AI最終競爭的，未必只是誰能造出最多機器人，而是誰能建立讓機器人持續、安全、可驗證地進入真實場域的產業條件。

隨著招募流程的兩端逐步由AI代勞，一份履歷能不能進入入圍名單，可能取決於一個求職者完全不知道的因素：履歷協作的模型，跟篩選履歷的模型，是否為同一家。2025年底收錄於人工智慧倫理與社會研討會（AIES 2025）的一份研究，就這件事進行系統性的實驗。研究在控制履歷品質之後，比較模型生成與人工撰寫的履歷在不同模型中的評價：當撰寫與評審（模型）來自同一家，求職者進入面試入圍名單的機率高出2成到6成；在多數測試案例中，同等品質的履歷，模型對 AI 生成內容的評分高於人工撰寫版本。研究稱這個現象為「自我偏好（self-preference bias）」：語言模型會偏愛自己生成的內容，即使品質已被刻意控制。這份研究的實驗場景，如今已貼近現實。HireVue 2026調查顯示，逾7成HR團隊已定期在招募流程中使用AI，近7成求職者也已用AI起草履歷。一邊用AI審、一邊用AI寫，已是現況而非未來情境。對堅持自己撰寫履歷的求職者，這意味著可能在不知情的情況下，僅因履歷未經模型加工，就在評分上落後。這個現象，2026年6月有了更具體的面貌。AI工具比較業者i10X Research發布1份產業測試報告，讓幾個主流模型互評同一位虛擬求職者的履歷，只換成由各家模型分別撰寫的版本，再交給各模型逐一評分。這份報告來自產品行銷背景的業者，非學術同行評審，但凸顯相當現況。i10X Research的商業測試顯示，各家模型的偏好傾向差異相當大：Claude對GPT撰寫版本的錄取率，比對自身風格版本低了約5成；GPT對自身版本的評分反而偏低，呈現反向的自我懲罰；Gemini撰寫的版本不分評審者都受到青睞。在i10X的測試設定中，同一份文件由不同模型評審，差距可以大到足以讓結果從「待定」滑向「淘汰」。這延伸原始研究對「模型風格會影響模型評分」的觀察：不是每個模型都偏愛自己，而是每個模型都有自己的評分傾向，求職者完全無從得知評審偏好那套模型。AI評審的脆弱性，學術審稿已先凸顯。2025年中起，多篇arXiv稿件被發現在PDF裡藏進肉眼看不見的指令，要求語言模型審稿人給予正面評價，實驗顯示這類手法可以把模型評分推近滿分。頂尖會議ICML 2026 把相同做法反過來用在稽核：在論文PDF嵌入隨機詞彙，若審稿人偷用語言模型代寫意見，詞彙就會混進評語；2026年3月公布的結果，逾500位審稿人被偵測到違規，其中不少人因身兼投稿審稿人，所投論文遭退件。這套攻守兼備的機制對B2B場景的啟示在於：指令注入手法既是攻擊面，也能作為稽核工具的設計基礎。履歷只是起點，影響不會停在這裡。當企業流程的兩端都開始由AI代理人處理，一端用AI起草報價、技術方案、法遵文件，另一端用AI篩選與評分，「用哪一家模型」會成為過去不存在的競爭變數——過去企業競爭的是價格、品質、交期；未來還可能競爭「模型相容性」。機制尚未完全釐清，但有幾種可能的解釋。語言模型在生成內容時，似乎帶有可被自家模型識別的「風格指紋」——句構偏好、用詞分布、段落節奏。一個可能的解釋來自後訓練（post-training）階段：RLHF、DPO等對齊訓練以相同的訓練目標，同時塑造「怎麼寫得好」與「什麼算寫得好」，風格與好惡因此一起被寫進模型權重，評審模型可能因此將這些熟悉的風格特徵誤判為較高的內容品質。研究也驗證，透過提示工程要求模型主動識別並校正自身偏好，偏差可下降5成以上；但這並非預設行為，企業內部的AI評估流程多半還沒有寫進作業規範。把場景移到台灣產業，有可能受影響的是自動化報價與RFQ初篩。試想：買方以AI從上百份供應商技術文件中挑出前段名單，供應商也以AI起草標案。若這套篩選以文本摘要或技術敘述做初步排序，而買賣雙方使用的是不同家的模型，供應商可能在價格、交期等結構化條件被充分比較之前，就因文本風格不符模型偏好而落後。這個情境目前仍是推斷，但隨著AI在採購流程的應用逐步深化，陸續發生的可能性不低。供應商盡職調查與法遵審查也在其中——ESG報告、資安自評書，愈來愈多由AI起草、也可能再由AI審查，同源偏差的空間同樣存在。需要說明的是，研究測量的偏差幅度建立在文本敘述上，B2B 採購裡的價格、交期、認證等結構化欄位仍佔相當權重，整體入選率不會直接受到相同幅度的影響。但只要評估流程裡有任何一段是模型對模型讀「敘述」，這一段就有結構性偏差。防禦方向可能不複雜，但需要刻意設計。受評文件與評審模型最好不來自同一個模型家族；高金額或高敏感度的決策，應採多模型並行評估、考量評分差異；結構化資料與文字敘述分流計分，避免後者拉偏前者；可能暗藏內容的格式（如 PDF、Word）進入評估流程前，應做指令注入過濾；重要閘門保留人工抽查。這些不是技術突破，而是治理設計，目前產業界的 AI 導入多半停在工具層，治理層大多仍是空白。同源偏差以外，還有另一層問題值得思考：當評估流程由人換成模型，人類評審辨識「少數亮點」的能力，可能也悄悄消失了。一百份履歷裡長得不一樣的那個人，一百份提案裡帶著真實觀點的那份文件，在傾向偏好熟悉風格的模型眼中，可能反而是扣分項。HR篩選、績效評估、供應商評鑑、學術審稿，都面臨類似的結構。如何在AI介入的決策流程裡，刻意保留人類洞察的空間，目前仍是個開放的問題。

前兩個世代的機器人發展，安全框架的設計前提都是「確定性」。第一代被鎖在柵欄裡執行固定動作；第二代走出柵欄，但沿著預先規劃的路線移動。不論哪一代，系統在特定輸入下會做什麼，工程師都能事先預測，安全標準也是在這個前提下建立的。第三波機器人的期待是「自主性」，能在非結構化環境中做判斷、應對未曾見過的情境。但自主性本質上隱含「不確定性」，而這正是現行機器人安全框架從未真正處理過的問題。這個矛盾在近期的產業與學術會議上，被業界與研究機構眾人獨立點出，並從不同角度收斂到3個層次的問題。第一個問題：停機不等於安全。最具體的觀察，來自一家德系安全運動控制廠商。傳統工業機器人的安全設計，預設「靜止等於安全」的前提，這個前提撐起 ISO 10218 近二十年。問題是，雙足機器人停下來之後，危險並沒有消失。一台高一百七十公分、重七十公斤的機器人，靜止狀態的重心控制比傳統機器人複雜許多，更重要的是它可能倒下。該廠商的工程師指出，現行安全停止計算框架尚未涵蓋雙足機器人的倒落風險；若要補入倒落半徑這個變數，整條公式需展開為7個變數的加總，涵蓋倒落區域、人機趨近距離、制停距離、感測器偵測範圍，以及位置與狀態的不確定性。一家歐系車用MCU大廠在ICRA 2026的產業場次，從半導體驅動IC角度獨立量化「安全停機（STO）」的5個根本侷限：無法控制減速中的肢體運動、無法抵抗重力導致的倒落、無法跨關節協調出安全姿態、無法在故障時提供力矩回饋、無法處理局部失效的連鎖反應。同一場次，一家德系協作機器人廠商明確表示功能安全認證已是部署前提而非事後程序。3個產業背景，同一個結論：停止，不是安全狀態的終點，而是另一種危險的起點。延伸報導專家講堂：ICRA 2026觀察：如果機器人開始刮你鬍子了第二個問題：測試基準的缺席。德國Fraunhofer IPA，歐洲大型應用研究機構之一，購入一台市售機器人，用自行建立的66項評估框架跑完第三方測試。結果顯示：手臂在中等負載下不到2分鐘就過熱關機；碰撞力測試結果超過500牛頓（N），明顯超出ISO/TS 15066對多數接觸場景的規範範圍；藍牙連線存在安全漏洞；機器人持續將資料傳回廠商伺服器，且未見於任何說明文件；電池續航不到2小時。這些問題有賴第三方主動測試才得以浮現；現行規範並未要求廠商揭露。展場上看到的，都是精心設計的成功展示。第三個問題，也是最難處理的一層：VLA讓安全評估框架的根本假設失效。傳統安全框架依賴「風險可被量化」的假設，識別危害類型，估算發生機率、暴露頻率與傷害程度四者相乘，得出危害評分。ADAS產業對這個框架的侷限早有認識——感知模型即使按設計運行，仍可能在特定情境下輸出危險決策，SOTIF（ISO/PAS 21448）正是為此而設計，專門處理「預期功能本身的不足」。但即使如此，ADAS 的操作場域相對受限。延伸報導專家講堂：VLA（Vision-Language-Action）機器人的新智慧引擎SOTIF的長尾問題至今仍未完全解決；VLA機器人的操作環境遠比道路開放，連SOTIF也難以直接套用。因應這個困境，目前出現2條技術路徑：建立不信任主控制器的獨立安全監督層，以及在每個關節配置具備功能安全認證的MCU，讓安全判斷發生在關節層級。兩條路徑底層邏輯一致——用確定性系統監督非確定性系統——但都尚無正式認證，各自在等標準追上來。這不只是工程問題，也是法律問題。前美國消費者產品安全委員會主席Elliot Kaye在Humanoids Summit提出的問題很具體：當機器人在工廠傷害工人，責任在製造商、操作者，還是AI模型開發者？自駕車產業已提前示範安全事故如何反向改變監管態度。2023年Cruise自駕車在舊金山發生牽涉行人的交通意外，整個部門被迫停止運作，一次事故讓整個產業的發展付出代價。機器人在工廠傷人，法律環境只會更複雜。Kaye指出：贏得部署競賽的，不是最好的展示，而是最快通過買方法務審查的那一家。誰在定義標準，誰就在定義市場的進入條件。工業機器人時代已有前例：ISO 10218的主要起草機構，都是在這個市場有長期積累與部署數據的業者，後進者即便技術趕上，標準解釋權仍有落差。機器人功能安全的對應標準目前尚未成形，但很可能在2028到2030年之間建立起來。今天各方關注的是誰能做出最好的機器人；幾年後市場真正競爭的，可能是誰能最快證明它足夠安全。

過去十年，全球投入實體AI（Physical AI）與機器人新創的年度創投金額，從幾億美元的規模成長到接近250億美元，是10倍以上的成長曲線，集中在最近這幾年。這個數字背後，隱含著一個更早就存在的剛需：主要經濟體的工作年齡人口持續下滑，如日本到2050年代將只剩2000年的6成左右。但「Physical AI」這個詞底下，到底蘊含怎樣的機會，是否真的對得上那條人口曲線所描述的缺口，值得拆開來看。機器人產業並不是第一次站上資本聚光燈下。Bay Area Robotics Association執行董事Terence Bennett在東京Humanoids Summit 2026把美國機器人產業的發展分成3波：第一波在1960到80年代的底特律，靠的是汽車產業的資本支出，技術堆疊是機械手臂、焊接、塗裝、圍欄工作站；第二波在2005到2024年的波士頓，協作機器人與移動底盤從DARPA的早期投入走向倉儲物流的商業應用；第三波從2024年開始在矽谷展開，資本來源從純軟體的創投，開始大量流入需要與實體世界互動的公司，技術堆疊變成基礎模型與VLA，操作被當成一個學習問題，而不是程式設計問題。Bennett用一句話概括這個轉折：「The model, not the mechanism」；前兩波靠的是把機械做得更好，第三波靠的是把模型做得更通用。前兩波對生產力的提升，其實是扎實且持續的。第一波的機械手臂解決的是一個被嚴格限定的問題：在固定場景、預設路徑、封閉圍欄裡，把單一任務做到極致，速度快、精度高、正確率極高，至今仍是全球工廠的骨幹。第二波的協作機器人與移動平台把能力範圍擴大一截，機器人開始可以在人的旁邊工作，也開始可以自己移動，但移動的前提仍是預先規劃好的場域：固定路徑、格狀地板、不允許外物進入。這兩波做出來的，本質上都是「feature robot」：功能集合不同、精密程度不同，但共同特徵是在一個被定義好的框架內，把功能做到接近完美，就像feature phone把通話品質與待機時間做到極致。第三波想做的是「smart robot」。本文暫且將smart robot定義為：能在未完全預先定義的環境中，自主感知、規劃與執行任務，並具備持續運作能力；若以商業部署標準衡量，連續運作10小時以上是一個可觀察指標。feature robot的成果，現在仍在持續發生，而且規模比多數人想像得大。服務場域裡，已經有不少高階餐飲業者讓送餐機器人負責外場的搬運與行進路線，把服務人員的時間釋放到桌邊互動與品質把關上，機器人做的是「移動加搬運」這個被切得很乾淨的子任務，人做的是需要判斷與溫度的部分。物流場域的規模更大：某全球電商在超過100個倉儲中部署逾100萬台自主移動機器人，搭配相當規模的人力協作，每天出貨超過1,000萬個包裹。這些機器人跑的是預先鋪設的格狀地板與固定路徑，不是在開放場域中即時感知與決策，但這套組合已經支撐全球規模最大的物流網路之一。feature robot這條路徑沒有過時，它仍在創造實際的生產力。那麼，第三波到底想往哪裡去？要回答這個問題，與其直接猜測時間表，不如透過幾組對照，看清楚哪些系統設計、哪些技術重心，是真正屬於第三波、而不是前兩波的延伸。第一組對照是機器人與電動車，兩者在供應鏈結構上有明顯的重疊，致動器、磁鐵、電池材料的供應路徑高度相似，電動車產業10年來建立的製造能力，正在直接轉用到機器人零組件上。但硬體基礎齊備，不代表問題已經解決。電動車本質上是換了動力系統的交通工具，駕駛這件事人類已經做了上百年，技術積累可以直接沿用；機器人面對的問題更底層——「什麼是正確的動作」本身就需要重新定義，這是一個泛化問題，難度比電動車高了一個量級。電動車的感知目的是避障，機器人的感知目的卻是接觸與操作，必須碰得精準。前兩波是靠縮小場景範疇解決「碰得精準」的問題；第三波要在開放場域中做到同樣的精度，硬體已經不是瓶頸，瓶頸轉移到模型能否泛化這一層。這個差異也解釋為什麼電動車的商業轉折點已經發生，而機器人即使資本大量投入，距離大規模商業轉折點仍有一段距離。過去60年機器人的成功，建立在同一套技術邏輯：儘量拿掉場景的不確定性，讓機器人在規劃過的環境裡，把固定任務做到接近完美，重複定位精度早已解決到亞毫米級。第二組對照正是Physical AI與第一波的工業機器人：Physical AI想打破的正是這個前提，在開放場域、動態環境、沒有預先定義的結構下仍能完成任務。這也是為什麼今天大多數所謂「自主機器人」的成功部署，骨子裡仍是工業機器人的邏輯：先把問題範疇縮小，再宣稱已經自主。把這幾組對照放在一起看，會發現一個熟悉的歷史節奏。在smartphone出現之前，有線電話、大哥大、feature phone已經把通訊這件事做得相當好，通話清晰、待機時間長，把一個被定義好的功能做到極致。2007年smartphone的出現，並不是讓通話變得更好，而是打開了一個原本不存在的維度：應用生態、隨時連網、裝置成為平台。feature robot這十幾年的成果，如同feature phone的那段歷史：扎實、有效，但運作在一個被定義好的框架裡。smart robot現在仍處於那個框架被打開之前的階段，資本市場湧入的250億美元，期待的正是這個打開的時刻。第三波若真的成立，價值重心可能逐漸從機構件移向感知、運算與模型能力——這個分岔對台灣供應鏈不是抽象問題。延續Bennett「the model, not the mechanism」的框架：當機器人的價值重心真的從機構轉向模型，台灣過去在精密機械組裝、馬達齒輪上的優勢，會如何轉化？智慧型手機時代給過一個參考答案：當產業價值逐漸向作業系統、生態系與平台集中時，價值未必留在製造規模最大的地方，而是留在最能定義產業規則的位置。