2026年入夏以来，台风与极端高温频繁进入新闻版面。放大到近几年，豪雨与干旱轮流上场，已逐渐成为常态。而理解、预报这些天气的技术，正逐渐转向AI。70年前，人类第一次用电脑做天气预报，把大气层切成格点，用物理方程序描述流体运动，交给超级电脑逐步求解。这套方法称为数值天气预报（Numerical Weather Prediction；NWP），至今仍是全球气象业的骨干。每次全球预报都要在数百万个网格上反复求解流体力学方程组。气象单位的标准作法还利用ensemble，同时跑多组条件略有差异的预报，用多个结果来改善预测品质。所以，运算是刚性需求，气象也长期是全球高效能运算（HPC）的大用户之一。AI挑战数值天气预报的成果，从2022年前后开始出现。Google DeepMind的GraphCast在标准评测的90%预测上，胜出欧洲中期天气预报中心（ECMWF）的主要数值模型。华为的盘古模型采用同样的數據驱动作法，论文估计其「推论」（实际预测时）速度比当时的营运数值系统快超过1万倍。2025年5月，微软（Microsoft）的Aurora再推进，在超过百万小时地球相关地球观测數據上预训练，再微调出空气品质、海浪、台风路径、高分辨率天气4个应用版本，在各自的评测项目上都优于现行的数值系统，其中5天台风路径预报胜过7个主要预报中心。2026年7月，Aurora的新版再加入能源、农业、交通等需要的预报项目，同时也公开释出模型权重（13亿参数）。ECMWF在2025年已陆续把自家AI预报系统AIFS的单一预报与ensemble版本，纳入每日例行预报的正式流程，与传统数值系统并行。美国国家海洋暨大气总署（NOAA）也在2025年12月部署AI全球预报系统，以开源的GraphCast为基础，再用NOAA自己的數據进行额外训练，其中传统物理模型与AI混合的ensemble，表现优于两者单独使用。70年来由超级电脑支撑的气象预报，目前是两套系统并行运作，而依NOAA的数字，AI版预报用的运算量不到传统系统的1%。但运算需求不会因此消失，AI预报每次起算，仍要靠传统系统把全球观测整合成一致的初始状态。成本差距这么大，是因为AI模型预报的方式与传统NWP大相迳庭。NWP的逻辑由物理定律出发，把已知的定律写成方程序，再用大量运算逐步推演大气状态。AI模型则从几十年的历史數據学状态之间怎么转变，不必在每次预报时重新求解完整的方程组，也不要求先理解背后的物理机制。作法上与语言模型从文本学结构、AlphaFold从序列与结构數據学规律相近。主要的运算成本落在预训练与微调，之后每次推论只要少量运算，秒级到分钟级就能完成。标的也不只有天气。传统地球系统预报由大气、海洋、海浪与空气化学等模塊串接而成，彼此交换信息，但各模塊有各自的數據、方程序与开发流程。Aurora则是同一个预训练模型微调出不同任务版本，学到的不只是天气，还包括地球系统其他层面的动态。有趣的是，原本集中在国家级气象机构的预测能力，正在往产业端扩散，变成可以自己部署、自己微调的一项基础能力。能源是最直接的例子。各主要市场的尖峰与离峰电价差正在拉大，數據中心与各类新增电气化用电的成长又推高尖峰，电网业者同时推动需量反应、时间电价与电网级储能，试著用各种手段把用电尖峰压下来。国际能源总署（IEA）估计，全球住宅空调贡献约600 GW的尖峰负载，但实际被调度的比例仍低。这些节能操作都得提前预备。需量反应得先通知用户，储能得决定何时充放，前提是知道什么时候缺、缺多少。而尖峰出现的时间与高度，相当程度由天气决定。空调只占全年用电约1成，却占了尖峰需求的3成；以印度为例，2024年气温每上升1度，尖峰需求就增加7 GW。太阳能与风电的出力同样取决于天候。我们多年来参与太阳能电厂的智能监控与发电量预测，与电力公司长期协作，台风前后那几天的发电量预测不确定性明显升高，也正是调度特别需要可靠信息的时候。NWP的维运要有超级电脑、實時观测數據整合与跨国观测站網絡，门槛一直很高。几个代表性模型的权重已经公开，推论的运算需求远低于传统NWP，用自有數據微调的作法也逐渐普及。能源、物流、农业、保险，原则上都有机会微调出贴近自身需求的预测系统。几个局限还待克服。目前已知效能仅限于评测基准上的统计结论，进入电网调度或供应链决策之前，仍需在具体场域验证极端事件下的稳定性。空间分辨率是另一个实际限制。以Aurora为例，分辨率较高的全球预报也只到约11公里，对初略天气型态已有参考价值，对太阳能光电场址层级的预测仍不足。臺湾多山地形往往需要公里级分辨率，还得再把粗网格的预报细化到局部地形，实务上这段差距目前多靠场址端的實時量测与在地數據来弥补。更根本的是，AI模型的训练數據来自历史气候，气候变迁正让极端事件的频率与型态偏离历史分布，这是所有靠數據学习的方法都会碰到的问题。同一套「基础模型」的想法正在往DNA序列、材料结构等领域扩散。地球系统不一样的地方在于，它的预测结果每天都得使用。语言模型出错，多半只是一段不可靠的文字。地球模型出错，影响的是明天的发电、用水与物流安排。其他领域的基础模型多半还在改变研究的方式，地球系统的模型已经进入营运现场，每天接受现实检验。

Token单价下滑、总消耗量大增，专栏2026年3月分析过，趋势至今有增无减。新一代前瞻模型朝AI代理（AI Agent）的使用型态设计：这几个月各家前瞻实验室竞争加剧，接连发布的新模型能规划任务、分派工作、运用各种技能与工具、直接操作电脑界面，定价却更低。AI代理正被快速导入各种知识工作。那么，AI代理真的能承接知识工作吗？能承接多少？尚未承接的部分，是还没有人投入，还是技术未到？7月初参加在加州圣地牙哥举办的计算语言学年会ACL 2026，一场「AI代理人与工作的未来」专题讲座（tutorial）把技术现况以及这些问题拆开来看。浮现一张让人惊讶的能力版图：AI代理已经站稳的区域，小得出乎意料；版图之外，一部分是还没有人投入的空白，另一部分是技术还待克服的难题。先看站稳的区域。前瞻模型业者OpenAI在2025年推出代理人基准测验（benchmark）GDPval，从GDP贡献最大的44种职业中，设计出1,300多项「规格明确」的真实任务（如简报、财务模型、工程图说），来测试代理人执行能力，并请同行专家盲评AI与人类的成品。依业者2026年4月发布的最新结果，最强模型的成品已有逾8成被评为不输人类专家；这套基准2025年9月推出时，这比例还不到5成，再前一代模型也只达到1成出头。依业者推出这套基准时的估算，完成速度与成本约为人类专家的百分之一。单看这些数字，AI代理似乎已经可以上工。但这片区域在整个劳动版图上有多大？ACL会议中主讲的CMU团队把目前43个AI代理基准测验（学术、产业时常使用的Agent评测任务）共72,342个任务，对应到美国1,016种职业的技能分类（参考美国O*NET职业信息數據库）。基准测验的分布，可当作目前AI代理研发重心地图：考题集中的地方，训练數據与研究人力也跟著集中。结果显示，任务多数落在「取得信息」与「操作电脑」2项技能，在整体就业所需技能中的权重合计不到5%；投入最深的程序与数学领域，只对应7.6%的就业人口。原因不难理解：这些工作结构化程度高、输入输出明确、成功与否可以验证。本专栏先前提过，自动化总是先从结构化的场域开始，研发投入也一样。版图之外的第一种空白，是还没有人投入的高价值区。同一份报告指出，管理、法务、建筑工程的工作已高度數字化（约88%、70%、71%），基准测验的覆盖却只有1.4%、0.3%、0.7%，而管理正是以薪资加权后经济价值集中的领域。这些工作中不少环节有明确的输入输出，未必是技术做不到，更可能是还没有人投入；论文称之为「错失的机会」。一旦投入到位，对企业来说，这里可能是生产力改善较早出现的地方。第二种空白，是技术还待突破的复杂工作。數據标注平臺业者与AI安全研究机构合作的「線上劳动指数（Remote Labor Index）」，从接案平臺选取真实付费委托（3D建模、建筑图说、影音制作、數據分析等，专业者完成一件的中位时间约11.5小时），让前瞻AI代理端到端执行，再由人类评审对照专业接案者的成品盲评，以此模拟企业交付员工的工作指令。指数2025年10月发布时，最佳模型只有2.5%的专案达到可验收水准。真实委托的需求模糊、规格多步骤、常要求修改既有成品，这些都还没被结构化。长时序的复杂任务是另一道关卡。前述CMU团队的报告同时量测AI代理自主性：即使在表现最好的軟件领域，任务复杂度一提高，成功率就明显下滑；其他测验加入工具中途出错、给定信息不完整、需要多人协作等情境后（模拟真实复杂场域），表现同样走低。值得注意的是这张版图移动的速度。2026年7月，研究机构以最新一代模型、搭配更完整的代理人执行环境重测線上劳动指数：最佳模型的成功率已从2.5%升到15.8%，前后不到1年；同一份更新也指出，绝大多数专案的成品仍达不到专业验收水准。两个现象并行：能做的还很少，推进的速度很快。GDPval从1成出头到逾8成不输专家，说的是同一件事：AI代理目前的能力版图比想像中小，但持续扩张中。这类成长难免包含针对测验最佳化的成分；但这两套测验过的是人类专家对真实成品的验收，能拉高分数的改进，多半也是AI代理真实能力的提升。目前技术扩张的方向也有迹可循。研发正把做不到的难题当成训练目标：新一代测验把出错、协作、真实委托等情境逐步纳入题目，最新的训练方法把专家验收的标准（rubric）转成训练信號；今天做不到的清单，很可能就是下一轮训练數據与运算投入瞄准的地方。还没有人投入的高价值空白，很可能也将循同一条路逐步被填补。回到开头的需求端。目前代理人技能只在结构化的一小块版图上站稳，如今的用量成长与供应链投资，大致就发生在这一小块之上（但已相当可观）。版图之外的大量工作，仍由人补位：厘清模糊的需求、拆解执行步骤、修正最后的产出；而这些补位动作，专栏近期谈过，正是企业在教模型。目前AI代理能完成的工作比想像中少，但是需求已经这么大，而技术能力版图还在往外扩。接下来市场的成长与组织的变动，可能又会超乎我们的想像。

过去20年，企业信息治理的核心是保护數據：分级、加密、备援、不出门，这套做法如今已是标准作业。但數據本身是静态的；真正创造竞争力的，不是數據，而是「运用數據改善工作」的能力：用它最佳化产品设计、良率、客户经营与销售流程，让被动的數據「活化」。例如，晶圆厂把检测數據回馈到制程参数，物流业者拿配送纪录重排路线，品牌厂拿客服对话修正产品设计：數據的价值，在商业循環中被最佳化放大。AI时代，这个循環有了新的参与者。企业的工作流程本来就持续在最佳化、修正，行之有年的持续改善是营运的日常；过去改善的成果写进SOP，如今企业把AI嵌入工作流程，AI跟著每一次调整吸收经验。这里说的「学习循環」，正是持续改善的新形态：不是模型自我学习，而是企业最佳化流程、AI吸收经验、让下一次做得更好的循环；循環转得愈久，累积愈厚。AI吸收经验的管道，多半是人提供的提示词与脉络數據（context）。AI代理（AI Agent）目前能稳定接手的，还只是结构化程度最高的一小块工作；其余大量工作，仍需要专人介入：用提示词补上模糊的需求、提供流程脉络、修正不到位的产出。每一次补位都是一次示范，规格文件、报价逻辑、内部术语，随著提示词一并交给模型；本意是让眼前的工作更有效率，实际上却也在教导模型。模型做不到的部分愈多，人教得愈勤，留下的教材愈密集；模型的能力边界，恰好沿著人补位最密集的地方往外推。企业教得愈多，前瞻模型能力愈强，而这个原本属于企业的改良过程，可能逐渐累积在外部平臺掌控的学习系统中。企业领导人的疑虑，开始浮上台面。2026年7月初，一家美系數據分析軟件大厂的CEO在访谈中批评，前瞻实验室一边把模型能力讲得过满，一边透过客户的日常使用，吸收企业的专有工作流程与策略知识；7月中旬，微软（Microsoft）CEOSatya Nadella发表短文〈The Reverse Information Paradox〉，表达他的想法。他借用经济学家Kenneth Arrow在1966年提出的信息悖论：原始版本是卖方的困境，要证明信息有价值就得先揭露，一揭露，买方就免费取得了；Nadella认为AI把风险反转到买方这一侧：企业为AI付2次钱，一次付订阅与运算费用，另一次付出为了让智能派得上用场、不得不揭露的企业know-how。外流的管道不只是上传文件：提示词、附带的脉络与额外數據，尤其是「纠正模型错误」的动作，每一次修正都是高价值信號，把机构知识一笔一笔输出，进了外部平臺手里。Nadella这篇短文提出警讯，要企业自问：你亲手教模型的信息，流向哪里？业界的讨论多半集中在他提出的5个C架构：Control是自建并持有评测与机构记忆，所有权留在企业手上；Capability是在自己的环境内，让模型针对真实工作流程练习与微调，不必把敏感脉络交给第三方；Choice是把调度层与任何单一模型脱钩，换模型时不必重建评测、不遗失脉络；Cost则是Choice的直接结果：能换模型，就能按任务挑选通过评测的最经济选项。前四项是手段，第五项Compound才是目的：把它们组成一个学习循環，AI随使用愈变愈好，而改进成果像资产一样留在企业内部，属于企业，而不是供应商。企业与供应商之间这条界线该画在哪里，与用哪一家云端平臺无关。哪一份输出被接受、哪里被改、为什么被改，这些过程信息过去不被当成资产，也不在數據治理的范围内；知识的价值，正在从文件移向「过程」；數據治理守住的是原料，尚未涵盖制程改良循環。外流的轻重，对不同企业并不相同。多数企业的日常使用，外流的多是通用内容，影响有限；有相当规模的企业则不同：独特的工作流程、客户结构、长年累积的领域數據，正是修正信息价值集中的地方。如何把学习循環留在内部？一半条件在运算平臺。这不意味著放弃前瞻模型：更可能的形态是混用（hybrid），通用能力继续交给公有云上的这些模型；而关键的评测、记忆、教导模型的指示与范例、修正纪录，在自己掌控的环境内累积——本专栏2026年5月谈AI运算架构5层重组时描述过的企业數據中心与本地服務器，正是这个循環落脚的地方。延伸报导专家讲堂：Token帐单之后：AI运算架构的5层重组另一半条件在模型端。开放权重模型是前提：权重能掌握在自己手上，模型才能搬进企业门内；循環于是累积在企业的评测与记忆上，而不是绑在某一个模型身上；Choice的议价能力，在架构上由此而来。成本也比直觉想像的低：NVIDIA研究部门2025年的论文主张，代理人系统中大量呼叫是重复、特化的小任务，小型模型已足以胜任；评测评分、任务分派、记忆整理这类循環里的控制工作，恰好都属于这一类，不需要仰赖前瞻模型。「消费智能的同时，你也在创造智能。你创造的东西应该属于你。」Nadella说得直白。模型会走向商品化，企业的know-how、工作流程最佳化循環不会；真正的资产，不是模型，而是企业每天都在累积、并且留在自己手上的学习循環。

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。

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。

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。

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。

过去十年，全球投入实体AI（Physical AI）与机器人新创的年度创投金额，从几亿美元的规模成长到接近250亿美元，是10倍以上的成长曲线，集中在最近这几年。这个数字背后，隐含著一个更早就存在的刚需：主要经济体的工作年龄人口持续下滑，如日本到2050年代将只剩2000年的6成左右。但「Physical AI」这个词底下，到底蕴含怎样的机会，是否真的对得上那条人口曲线所描述的缺口，值得拆开来看。机器人产业并不是第一次站上资本聚光灯下。Bay Area Robotics Association执行董事Terence Bennett在东京Humanoids Summit 2026把美国机器人产业的发展分成3波：第一波在1960到80年代的底特律，靠的是汽车产业的资本支出，技术堆叠是机械手臂、焊接、涂装、围栏工作站；第二波在2005到2024年的波士顿，协作机器人与移动底盘从DARPA的早期投入走向仓储物流的商业应用；第三波从2024年开始在硅谷展开，资本来源从纯軟件的创投，开始大量流入需要与实体世界互动的公司，技术堆叠变成基础模型与VLA，操作被当成一个学习问题，而不是程序设计问题。Bennett用一句话概括这个转折：「The model, not the mechanism」；前两波靠的是把机械做得更好，第三波靠的是把模型做得更通用。前两波对生产力的提升，其实是扎实且持续的。第一波的机械手臂解决的是一个被严格限定的问题：在固定场景、缺省路径、封闭围栏里，把单一任务做到极致，速度快、精度高、正确率极高，至今仍是全球工厂的骨干。第二波的协作机器人与移动平臺把能力范围扩大一截，机器人开始可以在人的旁边工作，也开始可以自己移动，但移动的前提仍是预先规划好的场域：固定路径、格状地板、不允许外物进入。这两波做出来的，本质上都是「feature robot」：功能集合不同、精密程度不同，但共同特征是在一个被定义好的框架内，把功能做到接近完美，就像feature phone把通话品质与待机时间做到极致。第三波想做的是「smart robot」。本文暂且将smart robot定义为：能在未完全预先定义的环境中，自主感知、规划与执行任务，并具备持续运作能力；若以商业部署标准衡量，连续运作10小时以上是一个可观察指标。feature robot的成果，现在仍在持续发生，而且规模比多数人想像得大。服务场域里，已经有不少高端餐饮业者让送餐机器人负责外场的搬运与行进路线，把服务人员的时间释放到桌边互动与品质把关上，机器人做的是「移动加搬运」这个被切得很干净的子任务，人做的是需要判断与温度的部分。物流场域的规模更大：某全球电商在超过100个仓储中部署逾100万臺自主移动机器人，搭配相当规模的人力协作，每天出货超过1,000万个包裹。这些机器人跑的是预先铺设的格状地板与固定路径，不是在开放场域中實時感知与决策，但这套组合已经支撑全球规模最大的物流網絡之一。feature robot这条路径没有过时，它仍在创造实际的生产力。那么，第三波到底想往哪里去？要回答这个问题，与其直接猜测时间表，不如透过几组对照，看清楚哪些系统设计、哪些技术重心，是真正属于第三波、而不是前两波的延伸。第一组对照是机器人与电动车，两者在供应链结构上有明显的重叠，致动器、磁铁、电池材料的供应路径高度相似，电动车产业10年来建立的制造能力，正在直接转用到机器人零组件上。但硬件基础齐备，不代表问题已经解决。电动车本质上是换了动力系统的交通工具，驾驶这件事人类已经做了上百年，技术积累可以直接沿用；机器人面对的问题更底层——「什么是正确的动作」本身就需要重新定义，这是一个泛化问题，难度比电动车高了一个量级。电动车的感知目的是避障，机器人的感知目的却是接触与操作，必须碰得精准。前两波是靠缩小场景范畴解决「碰得精准」的问题；第三波要在开放场域中做到同样的精度，硬件已经不是瓶颈，瓶颈转移到模型能否泛化这一层。这个差异也解释为什么电动车的商业转折点已经发生，而机器人即使资本大量投入，距离大规模商业转折点仍有一段距离。过去60年机器人的成功，建立在同一套技术逻辑：尽量拿掉场景的不确定性，让机器人在规划过的环境里，把固定任务做到接近完美，重复定位精度早已解决到亚毫米级。第二组对照正是Physical AI与第一波的工业机器人：Physical AI想打破的正是这个前提，在开放场域、动态环境、没有预先定义的结构下仍能完成任务。这也是为什么今天大多数所谓「自主机器人」的成功部署，骨子里仍是工业机器人的逻辑：先把问题范畴缩小，再宣称已经自主。把这几组对照放在一起看，会发现一个熟悉的历史节奏。在smartphone出现之前，有线电话、大哥大、feature phone已经把通讯这件事做得相当好，通话清晰、待机时间长，把一个被定义好的功能做到极致。2007年smartphone的出现，并不是让通话变得更好，而是打开了一个原本不存在的维度：应用生态、随时聯網、装置成为平臺。feature robot这十几年的成果，如同feature phone的那段历史：扎实、有效，但运作在一个被定义好的框架里。smart robot现在仍处于那个框架被打开之前的阶段，资本市场涌入的250亿美元，期待的正是这个打开的时刻。第三波若真的成立，价值重心可能逐渐从机构件移向感知、运算与模型能力——这个分岔对臺湾供应链不是抽象问题。延续Bennett「the model, not the mechanism」的框架：当机器人的价值重心真的从机构转向模型，臺湾过去在精密机械组装、马达齿轮上的优势，会如何转化？智能手機时代给过一个参考答案：当产业价值逐渐向操作系統、生态系与平臺集中时，价值未必留在制造规模最大的地方，而是留在最能定义产业规则的位置。

6月初的维也纳，ICRA 2026（国际机器人与自动化大会）的产业主题演讲，某家机器人新创在臺上播放一段影片：一只机械臂，缓缓而精准地在創始人自己的脸上刮胡子。刮胡子对机器人的要求极度苛刻：精密的3D视觉、毫米以下的力控、實時的触觉回馈、出错时的安全退出，每一层都必须同时达标。这背后有一个值得注意的转变。传统工业自动化的安全设计，多半将停止视为最保守的安全状态；多位讲者提到，急停在许多场景反而制造危险——正在下楼梯的机器人突然停止，或协助搬运时突然冻结，后果可能比继续动作更糟。让这个观念得以落实的，是来自汽车功能安全标准 ISO 26262 的最高安全完整性等级之一（ASIL-D）——原本用于煞车、转向等攸关生命的车用系统，2026年已有芯片供应商把同等级的安全设计带进机器人关节模塊。汽车产业十几年累积的安全工程资产，正在往机器人这个场域移植。这让人不免想问：这不是学术会议吗，为什么展场像一个商展？ICRA 2026的展区规模已达数百家产业参与者，几乎覆盖整条机器人供应链。其中还有直接在摊位上打出招募研究员横幅的厂商——不是在卖产品，是在猎才。最能说明这个转变的，是ICRA 2026把「人形机器人投资报酬率」列入议程，本身就是一个信號。在展场，遇到一位芯片厂商的资深产品主管。我问他为什么选择来这里，而不是去同期的COMPUTEX。他的回答很直接：「COMPUTEX是告诉客户我们有什么；ICRA是来了解这些早期使用者真正需要什么，以及竞争对手在布哪些局。」对芯片厂商来说，在这个阶段理解生态系的需求，比在成熟市场竞逐订单，策略价值高得多。产业决策者现身学术会议，本身就是信號。NVIDIACEO黄仁勋曾数次参加高速运算的SC年会、电脑视觉的CVPR，都是技术战略上的早期布局。2017年在夏威夷举办的CVPR，我有幸与当时受NVIDIA AI Lab計劃资助的其他研究人员一起，从黄仁勋手中接下他签名的V100——那个当下，多数人对GPU高速运算的想像还很模糊。学术会议是产业信號最早浮现的地方。如果说AI时代的瓶颈是运算能力，那机器人时代的瓶颈开始变成实体世界。机器人的技术竞争，大致可以拆成3 个层次：芯片、硬件构型，以及模型。ICRA 2026讨论的重心，集中在模型与硬件两层——模型能力快速进步的同时，硬件能不能跟上，系统能不能在真实场域中稳定运作，是当前最核心的工程挑战。硬件层目前最受关注的一个缺口，是灵巧手。这不只是「能不能抓东西」的问题，而是「能不能以多指协调、配合触觉回馈，在需要毫米以下精度的操作中稳定工作」。锁螺丝、插线束、整理形状不规则的物件——这些是机器人在工厂、物流、服务场域真正会遇到的任务，而这类任务目前仍是高失败率的环节。2026年展场有超过十家厂商展示灵巧手或触觉傳感方案，灵巧手的硬件能力，某种程度上成了模型能力的上限——模型再强，执行能力仍受制于硬件极限。硬件的另一个核心，是致动器——这一点和电动车的技术逻辑截然不同。电动车的动力来源集中在几个主要马达，整合路径相对清楚；机器人每一个关节都需要独立的致动器，1臺全尺吋机器人可能需要30个以上，灵巧手若要实现高自由度操作，每根手指还各有多个。致动器整合精密马达、减速机与控制器，普遍被认为是成本占比最高的零组件之一。机器人构型愈精密、关节愈多，致动器需求就愈高。模型能力在这两年的进步有目共睹，但ICRA 2026有一个反复被不同讲者提到的观察：相较于语言模型主要仰赖網絡文字數據的规模，机器人模型的能力，与场域中实际收集的操作數據高度相关。模拟器生成的數據可以覆盖大量场景，但真实场域中机器人遭遇失败、边缘情境、物件形状与材质的长尾，只有在实际部署后才会完整浮现。「在哪里跑、就在哪里学」——场域數據对模型表现的影响，比单纯仰赖模拟數據训练来得显著。在真实场域數據的累积上，已大规模部署的领先业者有明显优势。某大型电商物流业者在会议上分享仓储机器人的方案，以多种策略应对不同形状与重量的商品，持续在真实环境中累积數據、更新模型。展场上也有多家业者宣布开源场域操作數據集，用意是让社群共同提升基础模型能力，同时把自己的數據采集能力作为差异化宣传——數據的边界，正在成为这个产业新的护城河。这次ICRA的压轴keynote直接说出多数与会者的想法：现在看起来突破很多，但各家都还没找到最好的配方——是参与这个机会的时候。COMPUTEX是规模的舞臺——量产的节奏、供应链整合、已验证需求的放大。但新机会、新需求、生态系联盟的形成，往往不在规模的现场，而在前瞻还没收敛的地方。这也是NVIDIA当年选择深耕学术社群的逻辑——不是因为学术界有采购力，而是因为下一个方向往往从那里先被验证。2026年数百家供应商出现在维也纳展场，说明的正是这件事：机器人产业现在最关键的押注，不在量产的现场，而在生态系还在成形的地方。

日本大阪大学教授石黑浩教授（类人机器人研究先驱）在Humanoids Summit主题演讲结尾说了一句话「日本在机器人研究上投入了数十年，但还没有杀手级应用」。日本在工业机器人领域的先驱地位毋庸置疑，川崎、发那科、安川的机械手臂至今仍是全球工厂的骨干；然而近年数据显示，日本制造业的机器人密度已从全球第一跌至第五，数十年的研究积累，未能取得新時代自主机器人的领先优势。回到最基本：机器人最终要回答的问题，是能否提升「生产力」，而不是形态是否像人。2026年5月底在东京举办的Humanoids Summit，是这个发源自硅谷的论坛首次进军亚洲，汇聚各领域第一线业者与决策者上臺，来自50个国家的与会者同场。包括汽车厂与制造业龙头的机器人策略负责人、基础模型研发团队、机器人新创CEO、法务风险分析师与投资决策者，讨论的是商业化路径，不是研究论文。会场有人把机器人称为「有手脚的汽车」，背后有一条比多数人意识到的更具体的产业逻辑。会议名称虽叫「人形机器人高峰会」，但两天下来讨论的范围远不止于此。四足机器人已在高速公路涵洞里侦测裂缝、在晶圆厂用热像仪发现帮浦过热、在大型赛事现场执行化学生物威胁侦测，这些是已验收的商业合约，不是展示影片。某家灵巧手厂商出货超过1,000套，物流场域单笔订单超过700万美元。以Real2Sim2Real數據飞轮为核心的新创，在2026年第1季拿到超过1亿美元订单，说明训练基础建设本身已成为有真实收入的生意。人形机器人只是具身智能的一种形态；这个产业的全貌，是一个还在快速分化的生态系。笔者在现场持续带著2个问题：眼前这个展示，能否在非受控条件下重现？以及，这个产业何时才能真正放量？某家灵巧手厂商的发表者在臺上说：「These are real」，连业者都感受到必须主动澄清的压力。灵巧操作是目前公认的最后一道硬件障碍，两天下来技术深度最高的展示是某家车厂的16自由度手内操作，但仍是高度受控的条件。移动与感知已逐渐工程化；卡住的是操作——抓取不同材质、形状、重量的物件，在需要精细力道控制的场域，仍是高失败率的环节。长时序任务的可靠性是另一道结构性门槛。任务步骤愈多，错误率加速累积，真实场域的容错空间远低于实验室。各家都在针对特定场域补强；现场展示的永远是最有把握的任务；实际部署能可靠执行的范围，远比展示看起来的窄。真正限制部署的，不完全是技术问题。产业调查显示，71%的企业主管认为目前最大障碍是「business case 说不通」。成本是直接原因：高端机器人采购成本落在15万～50万美元之间，估计需要降到2万～5万美元，才能打开大规模采购。认证架构同样空白，目前没有任何一套标准完整涵盖具备语言理解与自主决策能力的机器人系统；商业场域发生事故时，制造商、操作者、AI 模型开发者之间的责任归属仍无清楚的法律架构，这是大规模采购无法跳过的前提。部署因此有其优先顺序。第一波进入的是结构化环境（制造业产线、物流仓储、基础设施巡检），第二波才是半结构化环境（工地、医院物流、商业设施维运），家庭与照护场域是现场讨论最热烈的，也是目前几乎没有人能可靠做到的。机器人不是从最有趣的地方开始部署，而是从投资报酬率最清楚的地方开始。一个有参考价值的前例：某大型服务机器人当年进入2,000家企业，3年后85%放弃，失败原因有83%不是技术问题，而是与组织流程和人员文化的整合失败。分工地图则是另一层问题。市场分析列出机器人关键硬件的全球产能分布：永久磁铁中国占 90%、致动器 55%、谐波减速机 45%、电力电子 30%。这些零组件与电动车供应链高度重叠，过去十年中国电动车的快速扩张，同时建立一套可直接转用于机器人量产的制造能力。这是整场讨论的隐性背景，多位讲者都触及这个现实，没有人把它定性为威胁，但数据摊开来，结论不言而喻。现场一张来自欧洲的投影片标示：「China is dancing ahead — From dance floor to the shop floor」。「有手脚的汽车」这个比喻，对信息电子业的含意相当直接。人形机器人半导体市场估计将从2026年约2,100万美元成长到2050年的1,770亿美元（若涵盖工业机器人与AMR，整体还要大上数倍）；每臺高端人形机器人的芯片物料清单约1,400美元——光是70个以上的关节，每个都需要独立的MCU做马达控制，这还不包含推论与感知层的需求。功能安全MCU、马达驱动IC、傳感器信號处理芯片，与车用电子规格需求高度重叠，服务汽车供应链多年的能力在机器人场域有相当程度可以对应。但芯片这一层的分工地图与机械零组件截然不同：傳感器、推论芯片、安全 MCU，日本、美国、欧洲、韓國业者都有明确位置。再往上是軟件模型层，基础模型的研发重心在硅谷与北京，开源生态让各层的竞争边界持续模糊。同一个「机器人产业」，机械硬件、芯片、軟件三层各有自己的竞争格局，不能用同一张图理解。两天下来，笔者对这个时间点最清楚的感受是：2026年更像是机器人基础建设的元年——卖铲子的先有生意。训练數據服务、數據收集基础建设、各地數據工厂，真正有确定性收入的环节在供应链的更上游，不只是整机厂商。數據飞轮能否转起来，可能比组装良率更早决定谁在这场竞赛里站稳。但石黑浩那句话提醒的问题还在：杀手级应用是什么、在哪个场域、谁先找到。电动车的答案不是在实验室里想出来的，是在场域里跑出来的。供应链可以先跑，这个答案却没办法用铲子挖出来；从2013年以来几轮AI技术更替的经验看，在真实场域中贴近客户、理解生态系需要什么的，往往是上升曲线之后的赢家。