2026年5月东京人形机器人高峰会上，一家国际顾问公司的合伙人展示一张实体AI（Physical AI）的全球劳动自动化市场潜力图。回来后，我把同一家机构的智库报告中关于數字AI（Digital AI）的职能分类，重划成一张对应图。2张图最有意思的地方，不是整体潜在市场（TAM）规模相近，而是说的是同一件事：自动化总是先从「结构化」场域开始。过去2年，AI带动的运算与供应链经济规模快速成长，动力主要来自Digital AI：推论模型的token消耗、推论经济的成形，加上AI代理（AI Agent）的兴起。那么，Digital AI的演进时程，也会是Physical AI的路径吗？先看第一张图。Digital AI的市场版图，核心原则清楚：任务愈规则化、數據愈密集，自动化愈快发生。以职能分类，差距显著：财务、法律、行政领域有55%至65%的工作属于高度可自动化范畴；軟件、研发、STEM领域约40%至50%；医疗、教育、管理领域则只有15%至25%。合约审阅、财务对帐、法遵查核，有明确的输入输出与可学习的历史數據，數字代理人活在「已被结构化」的信息环境里。反观主治医师的临床决策或管理者的组织判断，牵涉情绪脉络与权责，超出当前代理人的处理能力。Digital AI的边界，是「非结构化判断」的边界。Physical AI的市场版图，则以地理维度切分：以制造业高度密集的韓國、德国为代表，实体劳动中有65%至75%属于高度结构化任务，涵盖工厂产线、仓储物流、重复性组装；日本、中国、美国等混合型经济体，这个比例约为40%至55%；以印度为代表、服务业与非正式劳动占比偏高的经济体，则只有10%至20%。这个地理切分，逻辑与Digital AI相同，只是「环境」从信息空间换成实体空间：工厂的产线是被高度设计过的实体环境——固定的作业臺、可预期的物件、重复的动作序列——对机器人来说是相对友善的场域。零售服务、建筑工地、居家照护，面对动态、不可预测的实体情境，机器人的自主能力仍非常有限。2个版图的边界因此高度对称：一边是「非结构化判断」，一边是「非结构化实体环境」。换句话说：Digital AI把信息世界结构化、智能化，Physical AI再把实体世界结构化、移動化。2条路径的不同，先出现在时程上。Digital AI已进入扩散期：本专栏〈推论经济学〉与〈Token帐单之后〉追踪过这个变化，推论成本已从每百万token 30美元跌至1美元以下，但帐单不减反增，总用量的成长速度远超单价下滑。市场研究机构预测，2026年底约40%的企业应用将整合任务型AI代理，从2025年不到5%的基础一年内大幅跳升，是临界点后的快速扩散。Physical AI这一边，需求走在技术前面：制造与物流现场的缺工是刚性需求，4萬億美元的潜在市场逐渐成形，但机器人在现场能稳定做到的仍然有限。2026年5月东京的人形机器人高峰会与6月维也纳的ICRA，反复出现的观察是：当前被称为「成功」的机器人部署案例，几乎都是透过缩窄问题范畴来达成自主性，而不是真正解决泛化能力的问题。触觉、Sim-to-Real、长时序规划与世界模型的差距，本系列前几篇已分别说明。这个需求与能力的落差，不代表方向错了，而是时程不同：Digital AI的问题是「该在哪里找到成长曲线」；Physical AI的问题是「该在哪里确认成功案例」。这条时间差，有一条能力曲线可以量化比较。模型评估机构METR（Model Evaluation & Threat Research）的Time Horizon追踪計劃，以「人类完成同一任务所需时间」衡量各時代模型能以50%成功率自主完成的任务复杂度。从2019年GPT-2只能处理约1至2秒的简单任务，到2026年的新一代模型，可完成的軟件类任务时长已达16小时等级，依其估算约每7个月翻倍。以8小时（一个标准工作天）为参考线，近期模型已陆续越过，意味著數字代理人有机会从「加速执行」走向「独立接手整天的工作」。这条指数曲线，目前只存在于數字世界：机器人要在实体环境中跨越数小时稳定完成复杂任务，所需的规划深度、容错能力与环境适应性，还需研究突破。Physical AI的慢，不只在模型能力，也在部署方式。數字代理人的导入本质上是軟件问题：API串接、數據清理、流程重新设计，从决策到运行快则几周；失败可以修正，持续迭代。Physical AI的导入是系统整合问题：场地改造、安全认证、与既有设备的整合，时程以年计，成本以千万计。但是高门槛反而创造黏性：一家工厂花两年把机器人整合进产线，不会因为竞争对手推出更好的軟件就轻易替换。两者的差距，也体现在「验证」这个环节。數字代理人的迭代回路是：推理、工具呼叫、执行、检查结果、修正，整个循环在數字空间完成，失败成本低，可實時重试，能力就在快速循环里累积。Physical AI的回路根本不同：机器人难以在真实场域反复试错，一次碰撞或抓取失误的代价，可能是设备损坏或人员风险，验证必须在执行之前完成，而非之后。这也是大家对世界模型在Physical AI中的期待：机器人需要先在模拟中「预演」动作结果，确认可行后才进入实体执行。在數字空间，验证回路天然存在；在实体空间，可能得靠世界模型解决，但是还没收敛。因此，Physical AI的市场进入逻辑更接近「先深后广」：先在结构化程度高的场域建立滩头堡，累积具身數據与安全认证纪录，再逐步向更复杂的场域扩张。具身數據难以从網絡大量取得，主要来自真实部署；而获得真实部署机会，又需要先通过安全认证与场域验证。这个循环，让先进入特定场域的厂商建立起难以复制的护城河，即使后进者的軟件技术更先进。Digital AI与Physical AI 2个市场都在快速成长，合计每年潜在经济价值达数萬億美元等级，涵盖的是人类2种核心的劳动形态。Digital AI开始进入收成期，竞争格局正在集中；Physical AI仍在播种期，先行优势可能要再过几年才会清晰显现。2条路径，同一套成长逻辑：AI总是先在结构化世界立足，再从那里逼近非结构化世界。

技术迭代使AI深度嵌入人类工作与生活，人机关系成为无法回避的命题。修仙小说《凡人修仙传》中法宝与修士的叙事恰好构成一则当代寓言：AI之于人类，正如本命法宝之于修仙者，既是渡劫飞升的依仗，亦是噬主陨落的风险。主角韩立最核心的机缘是「掌天瓶」。此法宝初得时仅能催熟草药，随心神温养与境界提升，影响时间法则的威能才逐步显现。法宝之力并非恒定，而是随使用者的认知与投入动态成长。AI工具亦然。ChatGPT与Midjourney对初用者不过是高效生成器，唯有持续使用、數據投喂与提示词（Prompt）最佳化，才能适配个体思维，进化为独特的外脑。正如韩立以神识驾驭剑阵，我们以提示词调度算力，工具的价值始终取决于使用者赋予它的灵性。然而反噬向来如影随形。修仙世界的第一重反噬在于神识消耗：韩立操控「青竹蜂云剑」或「大衍傀儡」时需分出神识，过度使用便眩晕迟钝。这不是法宝主动攻击，而是对精神力极限的警示。AI时代的对应物，是认知卸载与注意力蚕食。当文案、推论乃至创意决策大量外包给AI，大脑相应功能因用进废退而钝化，思考耐力与批判敏锐度在便捷中静静流失。这种退化不致命，却让人逐渐沦为工具的附庸，正如过度依赖飞剑的修士，终将遗忘本身步法的精妙。更深一重的反噬，指向判断力与价值观的扭曲。魔道宝物惯于侵蚀心性，修炼「血魔功」者必嗜杀，执掌「噬灵杖」者必贪婪，器物的逻辑悄然重塑主人。AI时代最隐蔽的反噬，是演算法茧房（Algorithm Echo Chamber）与逻辑惯性。AI被设计成擅长迎合而非反驳，持续以偏见投喂便得到更精致的偏见作为回报。决策者一旦依赖AI输出策略，便被禁锢在模型训练集的认知边界之内。AI输出常具逻辑闭合性与表述权威性，使用者更易在看似合理的错误中越陷越深。最致命的危机，非前述任何一种，而是修士将全部道途寄托于外物。韩立若未曾苦修夯实根基，即便拥有通天灵宝，遇上古禁制也吋步难行。人类面对AI同理：若将创意原点、情感判断、价值抉择悉数交付演算法，便退化为仪器的操作员，一旦算力断绝，顷刻沦为无知凡人。真正的飞升不依赖某件神器，而在于历经劫数后的自身领悟。修仙寓言还有一处值得深思：每位飞升者必须亲渡「雷劫」，无人可代，无宝器能全挡。这正呼应AI时代的核心伦理困境。机器可以处理信息，却无法替人承担选择的后果。医师以AI辅助诊断，法官以演算法参考量刑，最终的道德重量仍落在人的肩上。逃避此重，便是将「人」这个概念本身拱手让渡。修仙者韩立证道飞升，虽借助宝物，但他始终记得一件事：法宝是渡河之筏，不是栖身之岸。关键时刻，他相信的是苦修所得的判断力，而非手中的神器。面对AI，我们亦当如此。以AI增效而不以AI代思，借AI破局而不被AI定义。唯有在协作中锚定人的主体性，技术才能真正成为文明的舟楫，而非将人困住的彼岸。

2026年6月底韓國李在明总统宣布AI及半导体的三大計劃（Three Mega Projects for AI and Semiconductors，以下简称三大計劃），目标在提升韓國至AI及半导体的领先群，执行半导体、实体AI（physical AI）以及AI數據中心（AI Data Center）的三大計劃。5年内提升DRAM产量至2倍，强化特殊半导体环节如高频寛存儲器（HBM）、先进封装、AI处理器、下時代存儲器，并将半导体产业扩张至首尔区域之外。 一个在半导体产业处于领先群的国家发展策原本就引人瞩目，兼之内容又扩及足以改变社会各层面的AI，这无疑值得所有在高科技领域参与者和国家的深度解析。 韓國近年半导体政策可分为2个重要阶段。第一阶段是文在寅政府于2021年5月13日公布的K-半导体战略（K-Semiconductor Strategy），第二阶段则是李在明政府于2026年6月29日提出的Three Mega Projects for AI and Semiconductors。两者均以维持韓國半导体竞争力为核心，但在政策范畴、产业定位及资源投入上呈现明显的延续与扩充。文在寅政府的K-Semiconductor Strategy，是在全球芯片短缺及供应链重组背景下提出，实施期限以2030年为主要目标年。其核心理念是建构「K-半导体带（K-Semiconductor Belt）」，串联京畿道及忠清道等地的晶圆制造、存儲器、材料、设备、封装及IC设计产业，形成完整供应链聚落。政策目标包括：民间投资超过510萬億韩元、半导体出口提升至2,000亿美元、培育3.6万名专业人才，以及建立全球最大的半导体制造基地。政府主要扮演促进者角色，透过租税优惠、研发补助、人才培育、土地、水电等基础建设及行政程序简化，引导三星（Samsung Electronics）及海力士（SK Hynix）等大型企业持续投资，而晶圆厂本身的资本支出则主要由企业负担。5年后，李在明政府提出新的三大計劃，虽然仍以半导体为核心，但政策视野已由原先只限于传统半导体产业，提升扩充至AI时代的国家竞争力建构。新政策包含三大支柱：半导体、实体AI及AI數據中心，并将三者视为互相支撑、共同发展的国家战略。政策规划兴建4座新的大型晶圆厂，建立国家级先进封装聚落，大幅扩充HBM产能力，同时发展AI芯片、小芯片（Chiplet）、先进封装及大型AI數據中心，希望形成完整的AI半导体生态系。相较于前一阶段，新政策更强调半导体与AI应用的整合，而不再仅以半导体制造能力为主要目标。在资金规模方面，2项政策也有明显差异。文在寅政府提出的510萬億韩元主要为民间企业投资承诺，政府则提供租税优惠、基础建设及研发支持。李在明政府则将企业投资规模进一步提升至约800萬億韩元，另规划约81萬億韩元建设先进封装聚落，以及至2035年前超过1,000萬億韩元的AI數據中心投资。值得注意的是，后者虽然投资规模远高于前者，但绝大部分仍属三星、SK集团及其他大型企业、金融机构与民间资本的投资計劃，政府直接财政支出仍主要集中于基础设施、研发补助、人才培育、土地取得及行政支持，而非直接兴建工厂。若比较2项政策内容，李在明政府大致保留文在寅政府建立供应链聚落、强化材料设备、培育人才及维持存儲器优势等主要方向，并在此基础上增加数项新的重点。首先，政策范围由半导体供应链扩展至AI、數據中心及机器人等应用产业，使半导体由单一制造业提升为AI基础设施的一部分。其次，先进封装的重要性大幅提升，成为与晶圆制造、HBM并列的核心发展项目。第三，政策更强调建立完整AI生态系，而非单纯追求存儲器市场占有率。此外，对AI數據中心及大型电力、網絡等基础建设的投入，也显示政策开始由制造能力延伸至算力基础设施。另一方面，新政策也淡化部分前一阶段的内容。文在寅政府相当重视系统半导体、IC设计、生态系及中小企业培育，希望改善韓國长期偏重存儲器产业的结构；李在明政府虽仍提及AI芯片及设计能力，但整体政策重心已明显转向大型AI投资、HBM、先进封装及數據中心等具有较高资本密集特性的领域，对中小企业创新、EDA（Electronic Design Automation）、IP（Intellectual Property）及新创企业的著墨相对较少。整体而言，李在明政府的新政策并非推翻文在寅政府的K-Semiconductor Strategy，而是在其建立的供应链架构上进一步扩充，将政策重心由「半导体制造强国」提升为「AI与半导体整合强国」。两者具有高度延续性，但也反映出韓國政府政策焦点已由供应链安全与制造能力，逐渐转向AI时代的新一轮国际科技竞争。

2026年5月底东京Humanoids Summit，原本以技术与商业化为主轴的峰会，今年也为政府代表与政策观察者保留讲臺。一家美系机器人大厂的政策副总裁在会中直言：「政府不介入已经不行了。」理由包括：AI政策与机器人政策开始交叠、自主系统的军民两用性质让机器人进入国安视野。技术一旦被划入国安范畴，政策资源往往随之增加，无人机与5G都走过这条路，接下来可能轮到机器人。这不只是一位企业高端主管的观察。截至2026年，已有十余个国家或地区提出具官方背书的机器人或智能机器国家发展架构，从日本、韓國、新加坡、印度，到德国、法国、荷兰、中国与澳大利亞。架构的核心要素已逐渐成形：从人才训练、研究资金、安全标准，到供应链韧性、国安与贸易政策；后三项关联地缘政治。这些路径大致可以收敛成4种模式：1. 美国是产业先行、政府补位的产业主导型；2. 中国是全政府动员、由上而下推进的国家动员型；3. 欧盟是以法规架构定义可信任生态系的法规治理型；4. 日本与韓國则同属政府与产业紧密配合的协同生态型，但做法不同：日本靠政府主导的共享數據平臺，韓國靠政策延续与大企业投资。美国的逻辑一贯：产业够强，政府通常不急于介入。从芯片运算、电动车跨足机器人的科技大厂，到人形机器人新创与顶尖AI研究实验室，实体AI（Physical AI）生态系的资本、模型与平臺能量仍高度集中在美国。美国国会2025年起开始相关讨论，目前推进较快的是对中国机器人的限制措施；联邦层级、以机器人产业为核心的国家机器人战略，尚未成形。日本曾长期位居全球工业机器人密度第一，但依IFR修正后的计算基准，2025年已滑落到第四，类似的反思在东京峰会多次出现：硬件优势不再够用，政策重心转向數據与基础模型的竞争。日本经济产业省（METI）近年整合高效能运算（HPC）基础设施与新设的具身智能（embodied AI）旗舰計劃，让企业共享机器人數據与模型；2026年3月发布的新版AI机器人战略，目标2040年在全球AI机器人市场取得30%以上市占率，期望重新站回与中美并列的位置。韓國是最早把机器人提升到国家法律层级的国家：2008年的智能机器人开发与普及促进法奠定基础，十余年政策延续性累积出生态系厚度。2026年六月底，韓國进一步把Physical AI与半导体、AI數據中心并列为三大国家旗舰計劃，由总统府直接督导，目标2028年让10个产业别的人形机器人进入商用，并开发自主的机器人基础模型。韓國模式里，资本仍来自民间，但政府的主导性明显增强。中国的机器人政策以2015年「中国制造2025」为分水岭，机器人列入十大重点产业；2026年的第十五个五年规划首次把具身智能与量子技术、脑机界面、6G并列为顶层新兴产业方向。同年2月，工信部辖下的标准化委员会发布人形机器人与具身智能标准体系，并明列国际标准化目标：先立标准、再定市场门槛，过去用在5G，如今延伸到机器人。地方政府竞相设基金、建园区，形成外界称「全政府推进」的格局，但商业化仍待验证：出货多流向研究、教育与展示市场，制造现场仍以试点居多；规划文件强调供应链自主化，反映精密减速器等核心零组件仍仰赖日德业者。欧盟AI Act于2024年8月生效，但2026年6月定案的简化方案，把机器人安全元件等高风险应用的合规时程延后到2028年。2025年公布的AI Continent Action Plan扩建欧洲AI运算基础设施；同年推出的Apply AI策略把机器人列为战略产业之一。德国、法国、荷兰各自执行国家机器人战略，中央法规加成员国执行的双层架构，即使时程放缓，寄望的仍是「布鲁塞尔效应」：当AI法规成为进入全球市场的门槛，欧盟的监管架构就有机会成为实质的全球标准。真正的竞争在标准，不在速度。4种模式之上，还有一张全球分工图，东京会场的版本是：硅谷负责模型与资本，日本负责精密制造，韓國负责量产可靠性，中国负责硬件速度。臺湾近期推出「智能机器人产业推动方案」，规划4年投入百亿元、设立国家智能机器人研究中心，以服务型机器人切入医疗照护与餐饮等缺工场域，也在试著标出自己在这张分工图上的位置。训练數據的问题，在机器人领域格外值得关注：相较于大型语言模型，机器人可用的训练數據少了2到3个数量级；弥补这个差距的方式之一，是让机器人在真实作业环境中「持续学习」，边部署边累积场域數據、持续更新模型。臺湾的制造与服务场域，恰好提供这个机制所需的条件。Physical AI最终竞争的，未必只是谁能造出最多机器人，而是谁能建立让机器人持续、安全、可验证地进入真实场域的产业条件。

在商务往来中，互换名片是一种常见的礼仪。我担任几个县市政府的顾问，以及几个大学的讲座教授，因此拥有六七种不同身份的名片，在不同场合给予不同名片，偶尔拿错名片会让人尴尬。现代初次见面，若忘记带名片，或没有名片，有时会拿起手机说：「我们加个Line，WhatsApp，WeChat吧。」这有时让人为难，因为彼此尚不熟悉，加Line变好友可能会收到一堆不想接收的信息；已读不回又会被认为太高傲。实体名片虽然无法建立實時通话，但其运用方式有时更能洞察人性。如果在递名片时加注文字，往往蕴含微妙的玄机。早期的名片称为名刺或名帖，是参见达官贵人的敲门砖，因此有阿谀谄媚的表态。传闻清末孙中山（1866～1925）留学归国，途经武昌，投名帖谒见湖广总督张之洞（1837～1909），名帖内页写道：「学者孙文求见之洞兄」。张之洞心中不齿，认为籍籍无名的白衣儒生，不自量力，竟敢称兄道弟，于是在名帖背后书以一联，命阍人退还，联曰：「持三字帖，见一品官，儒生妄敢称兄弟」。孙中山看了不怒反喜，提笔覆以一联：「行千里路，读万卷书，布衣亦可傲王侯」，请阍人再传进去，针尖对麦芒地回敬张之洞。虽然印刷术早在宋朝时已发明，但民国成立前名帖几乎都是手书，手写名帖往往有拍马屁的花招。戏剧《精忠旗》第六折「奸党商和」描述秦桧的奸党何铸、罗汝楫、万俟卨一起拜谒秦桧，名帖上分别写著「晚生何铸」、「门下晚学生罗汝楫」，及「门下沐恩走犬万俟卨」，以示谦卑。何铸见了摇头叹息：「约定一样写「官衔晚生」，为何又加「门下晚学」、「沐恩走犬」字样？这样我又不济了！」在清朝官场，官小使用较大的名片以示谦恭，官大使用较小的名片以示地位。大官「赏」名片防止被用来招摇撞骗，会加注不能作别的用途。例如溥仪的英文老师庄士敦（Sir Reginald Fleming Johnston）的名刺，正面书「庄士敦」，背面则印「专诚拜谒，不作别用」。庄士敦用红色名刺以示身份。我到科技部服务后，签名也被制作成烫金红色名帖，逢年过节用得到，这对我而言，是奇特的经验。实体名片的文化会否改头换面，重现于今日的虚拟通讯軟件？而今日的通讯軟件结合名片和电话的功能，又会发展出何种新文化？这些都是值得思考的问题。

随著招募流程的两端逐步由AI代劳，一份履历能不能进入入围名单，可能取决于一个求职者完全不知道的因素：履历协作的模型，跟筛选履历的模型，是否为同一家。2025年底收录于人工智能伦理与社会研讨会（AIES 2025）的一份研究，就这件事进行系统性的实验。研究在控制履历品质之后，比较模型生成与人工撰写的履历在不同模型中的评价：当撰写与评审（模型）来自同一家，求职者进入面试入围名单的机率高出2成到6成；在多数测试案例中，同等品质的履历，模型对 AI 生成内容的评分高于人工撰写版本。研究称这个现象为「自我偏好（self-preference bias）」：语言模型会偏爱自己生成的内容，即使品质已被刻意控制。这份研究的实验场景，如今已贴近现实。HireVue 2026调查显示，逾7成HR团队已定期在招募流程中使用AI，近7成求职者也已用AI起草履历。一边用AI审、一边用AI写，已是现况而非未来情境。对坚持自己撰写履历的求职者，这意味著可能在不知情的情况下，仅因履历未经模型加工，就在评分上落后。这个现象，2026年6月有了更具体的面貌。AI工具比较业者i10X Research发布1份产业测试报告，让几个主流模型互评同一位虚拟求职者的履历，只换成由各家模型分别撰写的版本，再交给各模型逐一评分。这份报告来自产品行销背景的业者，非学术同行评审，但凸显相当现况。i10X Research的商业测试显示，各家模型的偏好倾向差异相当大：Claude对GPT撰写版本的录取率，比对自身风格版本低了约5成；GPT对自身版本的评分反而偏低，呈现反向的自我惩罚；Gemini撰写的版本不分评审者都受到青睐。在i10X的测试设定中，同一份文件由不同模型评审，差距可以大到足以让结果从「待定」滑向「淘汰」。这延伸原始研究对「模型风格会影响模型评分」的观察：不是每个模型都偏爱自己，而是每个模型都有自己的评分倾向，求职者完全无从得知评审偏好那套模型。AI评审的脆弱性，学术审稿已先凸显。2025年中起，多篇arXiv稿件被发现在PDF里藏进肉眼看不见的指令，要求语言模型审稿人给予正面评价，实验显示这类手法可以把模型评分推近满分。顶尖会议ICML 2026 把相同做法反过来用在稽核：在论文PDF嵌入随机词汇，若审稿人偷用语言模型代写意见，词汇就会混进评语；2026年3月公布的结果，逾500位审稿人被侦测到违规，其中不少人因身兼投稿审稿人，所投论文遭退件。这套攻守兼备的机制对B2B场景的启示在于：指令注入手法既是攻击面，也能作为稽核工具的设计基础。履历只是起点，影响不会停在这里。当企业流程的两端都开始由AI代理人处理，一端用AI起草报价、技术方案、法遵文件，另一端用AI筛选与评分，「用哪一家模型」会成为过去不存在的竞争變量——过去企业竞争的是价格、品质、交期；未来还可能竞争「模型兼容性」。机制尚未完全厘清，但有几种可能的解释。语言模型在生成内容时，似乎带有可被自家模型识别的「风格指纹」——句构偏好、用词分布、段落节奏。一个可能的解释来自后训练（post-training）阶段：RLHF、DPO等对齐训练以相同的训练目标，同时塑造「怎么写得好」与「什么算写得好」，风格与好恶因此一起被写进模型权重，评审模型可能因此将这些熟悉的风格特征误判为较高的内容品质。研究也验证，透过提示工程要求模型主动识别并校正自身偏好，偏差可下降5成以上；但这并非缺省行为，企业内部的AI评估流程多半还没有写进作业规范。把场景移到臺湾产业，有可能受影响的是自动化报价与RFQ初筛。试想：买方以AI从上百份供应商技术文件中挑出前段名单，供应商也以AI起草标案。若这套筛选以文本摘要或技术叙述做初步排序，而买卖双方使用的是不同家的模型，供应商可能在价格、交期等结构化条件被充分比较之前，就因文本风格不符模型偏好而落后。这个情境目前仍是推断，但随著AI在采购流程的应用逐步深化，陆续发生的可能性不低。供应商尽职调查与法遵审查也在其中——ESG报告、網安自评书，愈来愈多由AI起草、也可能再由AI审查，同源偏差的空间同样存在。需要说明的是，研究测量的偏差幅度建立在文本叙述上，B2B 采购里的价格、交期、认证等结构化栏位仍占相当权重，整体入选率不会直接受到相同幅度的影响。但只要评估流程里有任何一段是模型对模型读「叙述」，这一段就有结构性偏差。防御方向可能不复杂，但需要刻意设计。受评文件与评审模型最好不来自同一个模型家族；高金额或高敏感度的决策，应采多模型并行评估、考量评分差异；结构化數據与文字叙述分流计分，避免后者拉偏前者；可能暗藏内容的格式（如 PDF、Word）进入评估流程前，应做指令注入过滤；重要闸门保留人工抽查。这些不是技术突破，而是治理设计，目前产业界的 AI 导入多半停在工具层，治理层大多仍是空白。同源偏差以外，还有另一层问题值得思考：当评估流程由人换成模型，人类评审識別「少数亮点」的能力，可能也悄悄消失了。一百份履历里长得不一样的那个人，一百份提案里带著真实观点的那份文件，在倾向偏好熟悉风格的模型眼中，可能反而是扣分项。HR筛选、绩效评估、供应商评鉴、学术审稿，都面临类似的结构。如何在AI介入的决策流程里，刻意保留人类洞察的空间，目前仍是个开放的问题。

曼哈顿区聚集了金融巨鳄，到了周末更是人潮汹涌，在时代广场附近甚至连移动都有困难，这时到中央公园散步成为最好的选择。公园仿自然生态的森林、小河，在梧桐、松树、橄榄树不规则的排列中，在市区的中央公园，真的是纽约人最佳的休憩地。下午的計劃是到百老汇听歌剧，《The Lion King》已经公演将近30年了，在这出音乐剧中，我能感受到黑人演员为主的演员们尽情演绎非洲人快乐的一面。走在纽约街头最深刻的印像是，人潮由不同种族组成，不少是东方人面孔，偶尔可见穿著传统服饰的非洲裔，拉丁裔的美国人也可以试著从外貌猜出一二。歌舞升平是我对纽约的解读，光在中央公园附近就有七、八个博物馆、美术馆。征战国际顶尖市场　自助也得人助夜里，我在旅馆收看彭博（Bloomberg）的财经节目。73岁的主持人David Westin正在专访People Inc与几位媒体的工作者，询问AI对媒体业的影响。第二段的专访针对太空产业，他又访问了SpaceX的竞争者Launch on Demand的CEO谈美国的太空产业，以及中国的「太空丝路（Space Silk Road），这些题目，都不是臺湾常见的财经议题。David Westin年纪不小，依旧坐在录影机前侃侃而谈老一代人难以理解，下一代人很难清楚描述的新兴产业。老人家试著以智能挑动受访者的思绪，在对方不经意露出的破绽中找出些可以追根究柢的题材，好题材永远不缺观众，与主持人的年纪也没有太大关系。两位臺湾朋友帮忙，我穿梭于纽约Bloomberg与哥伦比亚大学的六个单位，从早忙到晚，中餐是Bloomberg随手拿的一根香蕉。Bloomberg对DIGITIMES专注亚洲ICT供应链，并能以自然语言答复专业问题的功能很有兴趣。至于哥大，我希望能善用臺湾产业优势，合作发展国际学程，并进一步成为国际市场新事业。Bloomberg成为DIGITIMES学习典范如果说DIGITIMES要找学习典范，那么Bloomberg就该排第一。在人工智能的非常时代，一定要努力成为「媒体走向新时代的先行者」，与彭博的互动，更坚信这样的看法。Bloomberg专注财经新闻，也善用AI等新工具，这是我最看好的媒体经营模式。除此之外在参加BlommbergCEOVlad主持的「Generative AI Forum」时，我看到他们涵盖的范围更广，面对的是全球关键的信息流、金流，纽约客面对的是全球市场，经营难度比我们高太多了！那么，44年来坚持高品质信息的Bloomberg，在AI新时代何处引人注目，又有哪些值得我们关注的经营理念呢？参访顶标公司，印证经营理念Bloomberg结合新闻、数据库、研究报告的三项优势，是标准的知识型服务公司，也与DIGITIMES的经营模式不谋而合。但我们只局限于半导体、亚洲的ICT供应链，与Bloomberg实力仍有很大的距离。但从顶流公司的经营策略、进度，可以知道自己离世界主流、顶标有多大的距离，也可以找到差异化的经营策略。Vlad在论坛开场时便说，所有的公司都在面对如何在AI时代寻找正确的发展战略。对信息提供与服务供应商最大的挑战是我们既要创造更多的信息，让使用者在最大基础的信息源中，以最好的效率得到最有价值的信息，这也是DIGITIMES强调「Insights with Speed」的精神。但就经营实务而言，信息成本愈来愈高，杂讯愈来愈多，哪些信息存在被积累的价值，这些每一件事都可能颠覆过去的想像。亦即，过去成功的经验可能是今日的负担。对绝大多数媒体而言，过去的荣耀、影响力正快速的衰减中，但彭博以专业社群为对象，提供其他公司难以企及的专业力、品质，现在再加上AI驱动的服务机制，很显然AI不是挑战，而是机会。回到臺湾，我脑袋里记得Bloomberg技术长Shawn Edwards的一句话，他说AI的大进化，让很多公司在前五个月，就花掉了整个公司全年的IT预算。大家应该超前部署，在应用过程中调整步伐，而不是继续等更好的应用方案。产业进步很快，我们没有喘息的空间。「Into workflow」是我们因应AI时代的经营法则，而「Governance」则是让所有投资得到回报的关键。Bloomberg Intelligence这个部门，在过去赢得了市场尊敬，仰赖的不是流量，而是被信赖的专业信息，而所有的信息专业与否，与读者本身的判断力、专业能力息息相关。史记商鞅列传曾说「民不可与虑始，可与乐成」，意思是政策有执政者的深度、远虑，与一般庶民百姓商议于事无补，但可以与他们共享成果。我们无法用这样的理论来杜悠悠之口，但也可以知道专业的信息很难与一般庶民大众共同讨论商议。「Portfolio Management」将会是Bloomberg规划事业的基础，他们也将不断的衍生出新的事业体，带进新的营收与成长空间。AI的价值就在于连结或区隔不同的领域，以最佳化的模式推演具有决策价值的答案。我们可以预期，未来当AI应用更趋成熟时，所有问题都会基于够复杂的假设才可以推演答案，经营者、团队、股东都必须做好专业的准备才能因应未来的变化。在真正进入成熟应用之前，99%信息都可能是「垃圾」，相对的投资一旦达到「Critical Point」前，价值只是逐渐推升而已，一旦过了门槛，就可能是指数型的成长，我们准备好了吗？Multiple Platforms Vs. Multiple FunctionsBloomberg技术长Shawn Edwards说，我们都很难预期AI会以这样的速度推进，现已进入到成熟应用阶段的AI商机，不会是泡沫，而是正在加速前进的新浪潮。由于多重技术同步发生，这也造成所有复杂的问题可以在更民主、多元的信息架构下得到好的解答。关键是这是正向螺旋，更多人用、更好的平臺都会加大产业对人工智能的投资，已经起步，并且走在轨道上的公司都有比较大的胜算。另外一个关键是好好使用Token，也创造更多的Token。鼓励员工在事业范围内使用Token，支付Token的钱。明确理解「Value capture」的机制是什么？我们也要了解现在「五个月用掉一整年IT预算」的机率大增，当我们发现AI的价值时，会不会果断的加码投资呢？硬件制造其实都是跟在軟件架构确定之后才开始的，硬件产品成为瓶颈的问题并未解决。找到更好的连结，让客户协助创造更多的优质信息，并且一起训练AI。就是B2B的商业与运作机制，不必讨好每一个人，但要有明确的定义、定位与定价。一旦定义出合适的市场，与同业或类同业有对比的异同差别，那么好的定位可以让您事半功倍，减少事业经营的阻力。Bloomberg的竞争对手是华尔街日报（WSJ）、经济学人（The Economist）吗？当然不是，他们针对的是高端财经族群，但内容规划不同，不同的定位区隔、减少了彼此之间竞争的关系，反倒成为上下游之间的客户。所以，未来知识型服务业在专业领域的信息丰富度、深度、广度都将成为被检视，以及拉开与竞争对手距离的关键要素。看似不同，但其实观念上是异曲同工的（Look different, but conceptually same）。一次近乎完美的纽约之行这是一次近乎完美的纽约之行，从臺北出发，扣掉飞机上与交通时间，整整一周穿梭于纽约不同的生活情境中。到康宁体会玻璃艺术之美，体验科技可以交错发展的极致。玻璃之美来自光影、折射、配方、形状，也来自工艺大师对于技术与美学的执著。科技大厂一定要在大城市里吗？您愿意用青春去换取在工作上绝对的成就吗？从玻璃到光纤有多大的想像空间，这件事跟臺湾有什么关系？出门在外，「美食」是生活上的重要慰藉，这一点纽约不让人失望。纽约也是美食之都，美食集中在时代广场附近，除了吃了Wolfgang的牛排、Hard Rock的大汉堡早餐之外，有一天早餐吃港式饮茶。我用一兰拉面洗涤亚洲人的肠胃，而昨晚几条街之外，一家看似酒吧的泰国餐厅里，竟然隐藏了美味直逼胡志明市独立宫前，我最爱的牛肉河粉。对一个一辈子从事产业观察工作的人而言，「学习」绝对是生活的一部分。Bloomberg是我学习的对象，一整个上午的论坛没有冷场，除了Bloomberg自己的CEO之外，其余都是AI相关专家，我们听到的是专业精髓，不是公司宣传。相较于摩肩接踵的时代广场，在曼哈顿北端的哥伦比亚大学校园不大，但到处流露出长春藤名校才有的文化气息，与我们讨论合作国际学程的教授Grace，带我们去附近的法国餐厅吃饭，也让我为纽约的美食加分。最后，留点空闲的周末时间，逛逛大都会博物馆。在纽约曼哈顿区，走路是最好的选择，逛完大都会博物馆，走路回旅馆，路上有很多街头艺术家，给他们掌声、留点小费，这个城市的旅游经验就很完美了！（本文为黄钦勇撰写，陈嘉慧整理）

保护全球的专利，是研发型企业的核心价值，也是对客户合作的承诺。2025年玻璃大厂康宁（Corning）提交了近400项专利申请，国际申请近1,000项，目前全球累积的有效专利高达约11,400项。知識產權、多元化布局与历史价值观过去在电信泡沫时代，康宁曾因过度依赖单一市场而遭受重创。这个惨痛经验让他们后来坚定执行「审慎多元化」的策略，借以平衡商业风险，并确保研发方向与更广泛的商业定位相符。透过现场参访多个核心实验室，我亲眼见证了他们的技术底蕴。在工程材料加工实验室，观察了研发熔炉与实际的玻璃熔融工艺，亲身体会到什么叫「实验室规模的量产模拟」。在光通讯实验室，深入探讨了光纤技术，以及当前AI浪潮下最关键的共同封装光学（CPO）趋势。从雷射可靠性设施，看到许多与半导体产业紧密相关的先进雷射应用与测试。而在新兴创新项目区，窥见了许多尚未正式曝光、面向未来的尖端研发项目。现场的实地演示，完美印证康宁的成功方程序：用实验室规模的灵活研发，加速向工业化制造的转化。这不仅加深了他们与客户在产品与制程选择上的对话深度，也为我们在思考跨国研发布局与长期技术投资时，提供了极具价值的标竿典范。玻璃的五千年历史　颠覆想像黄仁勋为何投资32亿美元在康宁身上？也许NVIDIA看到的是光纤取代铜线，以及散热节能的商机。但在人类的生活经验上，五千年历史的玻璃，从神权、君权时代，到文艺复兴、近现代的应用各有特色，也颠覆了我们原先的想像。在康宁人非常自豪的玻璃博物馆里，看见玻璃艺术的精华，体现在光与影的应用。玻璃之美，很难用文字形容。看似传统工艺的玻璃生成与裁切技术，玻璃经由不同的材料组合，产生不同的硬度、尺吋、形状与延展性，在多元无穷的变化中，我们当然看到了加入不同變量的素材，可以带来无穷的变化，而这些变化都是世界与科技演化的重要元素。重视研发的康宁，在发展过程中难免面对智财权被窃的案例，通常康宁会积极保护自己的研发成果，轻易和解，背离了康宁这类以研发能力取胜的公司经营法则。玻璃生产的第一个流程是从熔炉内倒入玻璃液，在冷却的过程中快速拿捏形状，这时相关材料配方、温度、熔炉设计，以及工匠的手艺与事前构思的形状都是企业的核心价值。如果我们没有基本的尊重，窃取每一个过程的配方或创意，当然可以让事业缩短学习曲线。技术窃取者最关键的弱点，是不经过研发过程的事业模式，对于产品与技术的进程不容易掌握，简单说就是「知其然，不知所以然」。玻璃反映君权、神权、人权演化　也照见康宁的独一无二玻璃与陶瓷，这两种无机物质最大的差异是玻璃透光且脆，而陶瓷通常不透明，但硬度很高。这两者在人类过去5,000年的历史中，存留了很多实体证据，与人类的发展史息息相关。从古埃及的建筑廊柱，到希腊罗马时代的玻璃瓶，文艺复兴时代教堂的彩绘玻璃，以及近代专为COVID-19（新冠肺炎）设计的疫苗专用瓶，我们看到了玻璃在生活应用上的各种可能，甚至我们可以理解玻璃应用从最初的君权、神权、人权的演化过程。君权时代的玻璃，满足皇帝个人的喜好，神权时代，工匠们透过创意、美学将彩绘玻璃之美扩大到极致。如果您有机会近距离观察彩绘玻璃，您可以发现彩绘玻璃是在多层次的透明玻璃中，找出色彩叠加与線上离观察之美。康宁是美国少数仰赖量产制造，仍然可以繁荣发展的美国企业，大中华区总裁曾崇凯说，康宁的高端管理团队中，不少人出身西点军校。美国GDP来自服务业的贡献，制造业仅占有10%，但类似康宁拥有顶尖技术的公司，不必与硅谷的公司对比，而是发挥自己的优势。一方面必须以全球观点建立生产的经济规模，再则就是告诉员工「康宁独一无二」。我也常说，如果您是市场领先者，不必在意市占率，而是重新定义市场，让竞争者看不到车尾灯。资本主义橱窗看宝岛　从纽约度量臺湾本色就在我出访纽约的那一天，我在臺北国际电脑展（COMPUTEX）的会场，主持光宝论坛，光宝总经理邱森彬亲自陪同我参观光宝专为AI服務器设计的电源系统。只看到背后密密麻麻的线路，我们可以明白，基于省电等多重考量，这个庞大的电源系统，不仅需要更好的稳定性、品质，所有的线路未来也会从铜线改变成光纤。除了康宁之外，我们还拜访了哥伦比亚大学、彭博社（Bloomberg），我们能跟他们谈什么合作呢？纽约街头有各式各样的人种，印象中脏乱的中央车站与周边的百老汇（Broadway）、林肯大道已经大幅改善，路过NASDAQ，有人正准备敲钟，应该是一家游戏軟件公司，很多人把NASDAQ敲钟，视为事业经营的里程碑。纽约是资本主义的橱窗，这里离臺北很远，我们可以拉近距离，或者根本保持距离，维持臺湾的本色与核心优势呢？（本文为黄钦勇撰稿，陈嘉慧整理）

前言2026年5月，DIGITIMES英文版访客已经达到307万人次的新高点，这个数字大约比2022年9月时的75万次多了大约4倍。彭博社（Bloomberg）与康宁（Corning）总部都有很多我们的读者，我因此受邀，也趁著这次访问纽约的机会，到哥伦比亚大学洽谈以臺湾半导体业资深人士为班底，共同开设国际半导体学程的可能性。在康宁看到材料工业的各种可能离纽约市区200英里远的纽约上州，有一座以康宁命名的小镇。1851年诞生的康宁，原本创办于纽约的布鲁克林区，因为遭遇祝融之祸，远在200英里外的康宁镇，以水陆交通要地的条件吸引康宁来此落脚，现在这个7,000多人的小镇，多数仰赖康宁生活，也干脆改名康宁。这家以玻璃工艺著称的公司，在175年的发展过程中也不是一帆风顺。除了一开始的祝融之祸外，網絡兴盛之初，大家看好「光纤到户」的商机，康宁加码投资，但在光纤被戏称为不亮的光纤（Dark Fiber）之后，康宁在资本市场暴跌，2008年金融海啸期间的股价不到10美元。但多年来，每年保留一定研发预算的康宁可以创造出多大的可能，而与亚洲供应链之间的关系，在光通讯可能成为数据传输解决方案的新时代，可不可能有结构上的变化呢？所罗门园区：研发与制造的完美融合了解康宁的全球研发（R&D）结构与运作模式，让我对这家百年企业的创新哲学有了更深层的体会。在长期投入研发的过程中，康宁也淬炼出更明确的经营哲学，并强调「实验室与量产制造的整合」、「与客户深度协作」，以及「对基础研究与知識產權（IP）的长期守护」。参观所罗门园区（Solomon Park）时，让人震撼的是整体的规模与功能设计。规模与运作：整个园区占地高达200万平方英尺，里面容纳了将近850个实验室，他们把材料研究、制程开发、试点制造（Pilot Manufacturing）和后勤支持完美融合在一起。人才密集度：现场除了管理高层，还有500多位博士科学家与技术人员，建构出一个能做到端到端（End-to-End）技术与营运执行的强大团队。核心优势：专门的「研发熔炉」等特殊工具，意味著科学家在测试新的材料配方时，可以直接进行接近量产环境的试验。实验过程中，不需中断现有的生产线，不仅大幅降低研发成本，更缩短了技术从实验室走向规模量产（Scale-up）的时间。这种按照专长能力（Capability）编组的设施，目的就是让研发人员在「第一天」就把制造可行性纳入考虑，有效解决研发与生产端常见的交接断层，并促进跨职能解决问题。在正式参访研发基地之前，已经先在康宁的博物馆见识到玻璃应用的多种可能。康宁博物馆中展示的玻璃，让我们看到玻璃依靠著光影，折射展现出不同的美感。何谓美，「审美」就是在看似相近的物体中找出些微差异的能力，技术的研发不也如此吗？如果只是从中撷取部分段落的技术，不仅伤害原创者的价值，长期而言对于使用者、社会也是个伤害。对康宁而言，原创技术是公司存在的核心价值。如果我们知道发明光纤的时间是1970年，从1970年迄今的55年，如果没有企业长期支持，对核心价值与文化的坚持，光纤不会成为今日大家关切的焦点。全球研发網絡与区域分工2000年前后，光纤到府（FTTH）的浪潮吸引了康宁布下重兵，抢攻光通讯的商机。但事与愿违，刚过千禧年的世界，还没有准备好用光纤传输大量的数据。如今才在人工智能快速普及的大环境下，让光纤再度成为众所瞩目的焦点，康宁也在NVIDIA注资32亿美元的加持下，在资本市场中，从金融海啸时的谷底，强力翻扬。当然，这并不意味著营收、获利也等比成长，康宁如何布局，才是产业界应该关注的焦点。康宁的研发并非高度集中在单一据点，而是以不同的战略定位，在全球9个研发站点分散式管理与推进。例如区域性的专业研发中心，蒙特娄、芬兰和印度侧重于「建模与物理中心」，法国枫丹白露则是「跨能力实验室」。一部分研发中心考量邻近客户，刻意将「区域工程中心」设立在靠近制造工厂与客户的地方。这样的好处就是能實時导入新制程与新设备，并以最快速度解决工厂和客户特有的痛点。核心集中：像上海、韓國等站点负责协调区域能力，但大规模玻璃熔融这类核心技术，依然高度集中在少数特定的核心据点。创新漏斗：康宁的创新起点，源自无数个微小的点子与探索性实验。随著技术、市场或优先顺序的转变，很多概念在过程中会被淘汰。他们认为，成功是建立在对材料、制程和产品理解的层层递进。康宁每年在研发与工程的投入高达10亿美元。其中约80%的资金专注于现有业务的近、中期工作（确保眼前的商机），另外20%则坚定地分配给长期的探索性基础研究。基础研究的「守护者」：大家都知道长期基础研究成本很高、风险大，在当前许多企业纷纷缩减这类投入的盲目风潮下，康宁却把自己定位为这笔投资的「守护者」。历史证明，这些沉淀下来的基础知识具有差异化优势，能在未来的数十年内、在不同的领域被反复重组与利用。完备的知识管理：康宁严格执行「内部技术报告」的撰写。即便是失败、没有走到最后的项目，所有实验数据和汲取的教训都会被完整记录下来。这样一来，过去的失败经验就成了未来研究的养分，可以避免后人重蹈覆辙，也能基于前人的基础继续堆叠各种Know-how。（本文为黄钦勇撰稿、陈嘉慧整理）

前两个時代的机器人发展，安全框架的设计前提都是「确定性」。第一代被锁在栅栏里执行固定动作；第二代走出栅栏，但沿著预先规划的路线移动。不论哪一代，系统在特定输入下会做什么，工程师都能事先预测，安全标准也是在这个前提下建立的。第三波机器人的期待是「自主性」，能在非结构化环境中做判断、应对未曾见过的情境。但自主性本质上隐含「不确定性」，而这正是现行机器人安全框架从未真正处理过的问题。这个矛盾在近期的产业与学术会议上，被业界与研究机构众人独立点出，并从不同角度收敛到3个层次的问题。第一个问题：停机不等于安全。最具体的观察，来自一家德系安全运动控制厂商。传统工业机器人的安全设计，缺省「静止等于安全」的前提，这个前提撑起 ISO 10218 近二十年。问题是，双足机器人停下来之后，危险并没有消失。一臺高一百七十厘米、重七十公斤的机器人，静止状态的重心控制比传统机器人复杂许多，更重要的是它可能倒下。该厂商的工程师指出，现行安全停止计算框架尚未涵盖双足机器人的倒落风险；若要补入倒落半径这个變量，整条公式需展开为7个變量的加总，涵盖倒落区域、人机趋近距离、制停距离、傳感器侦测范围，以及位置与状态的不确定性。一家欧系车用MCU大厂在ICRA 2026的产业场次，从半导体驱动IC角度独立量化「安全停机（STO）」的5个根本局限：无法控制减速中的肢体运动、无法抵抗重力导致的倒落、无法跨关节协调出安全姿态、无法在故障时提供力矩回馈、无法处理局部失效的连锁反应。同一场次，一家德系协作机器人厂商明确表示功能安全认证已是部署前提而非事后程序。3个产业背景，同一个结论：停止，不是安全状态的终点，而是另一种危险的起点。延伸报导专家讲堂：ICRA 2026观察：如果机器人开始刮你胡子了第二个问题：测试基准的缺席。德国Fraunhofer IPA，欧洲大型应用研究机构之一，购入一臺市售机器人，用自行建立的66项评估框架跑完第三方测试。结果显示：手臂在中等负载下不到2分钟就过热关机；碰撞力测试结果超过500牛顿（N），明显超出ISO/TS 15066对多数接触场景的规范范围；蓝牙连线存在安全漏洞；机器人持续将數據传回厂商服務器，且未见于任何说明文件；电池续航不到2小时。这些问题有赖第三方主动测试才得以浮现；现行规范并未要求厂商揭露。展场上看到的，都是精心设计的成功展示。第三个问题，也是最难处理的一层：VLA让安全评估框架的根本假设失效。传统安全框架依赖「风险可被量化」的假设，识别危害类型，估算发生机率、暴露频率与伤害程度四者相乘，得出危害评分。ADAS产业对这个框架的局限早有认识——感知模型即使按设计运行，仍可能在特定情境下输出危险决策，SOTIF（ISO/PAS 21448）正是为此而设计，专门处理「预期功能本身的不足」。但即使如此，ADAS 的操作场域相对受限。延伸报导专家讲堂：VLA（Vision-Language-Action）机器人的新智能引擎SOTIF的长尾问题至今仍未完全解决；VLA机器人的操作环境远比道路开放，连SOTIF也难以直接套用。因应这个困境，目前出现2条技术路径：建立不信任主控制器的独立安全监督层，以及在每个关节配置具备功能安全认证的MCU，让安全判断发生在关节层级。两条路径底层逻辑一致——用确定性系统监督非确定性系统——但都尚无正式认证，各自在等标准追上来。这不只是工程问题，也是法律问题。前美国消费者产品安全委员会主席Elliot Kaye在Humanoids Summit提出的问题很具体：当机器人在工厂伤害工人，责任在制造商、操作者，还是AI模型开发者？自驾车产业已提前示范安全事故如何反向改变监管态度。2023年Cruise自驾车在旧金山发生牵涉行人的交通意外，整个部门被迫停止运作，一次事故让整个产业的发展付出代价。机器人在工厂伤人，法律环境只会更复杂。Kaye指出：赢得部署竞赛的，不是最好的展示，而是最快通过买方法务审查的那一家。谁在定义标准，谁就在定义市场的进入条件。工业机器人时代已有前例：ISO 10218的主要起草机构，都是在这个市场有长期积累与部署数据的业者，后进者即便技术赶上，标准解释权仍有落差。机器人功能安全的对应标准目前尚未成形，但很可能在2028到2030年之间建立起来。今天各方关注的是谁能做出最好的机器人；几年后市场真正竞争的，可能是谁能最快证明它足够安全。