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。

2024年下半，我有机会和一家硅谷前瞻大模型公司的高层交流。我问了一个问题：为了减轻服務器端的推论负载，有没有可能把部分工作移到终端装置，甚至开通新的应用情境？对方的回答很直接：根据他们的研究，这完全不可能。几个月后，2025年农历年前后，一场模型效率的突破事件让业界重新检视这个可能性。「完全不可能」，在不到一年内被现实修正。目前的资本流向，几乎清一色集中在最顶层。据部分研究机构估计，2025年美国數據中心建设规模（含规划中与施工中）已逼近80 GW；多家财经媒体的报导指出，主要科技业者的资本支出预计在2026年合计达到约6,600亿美元，其中逾8成直接流向AI數據中心。业界观察者以「没有放缓迹象」形容这波投资热度，并点出其结构性而非周期性的特征。热点在哪里，目前的答案很清楚。但另一组力量也在累积，而且有个不直觉的地方值得点出。2023年初，主流前瞻模型的API定价约为每百万token 30美元；如今已全面跌至0.1至0.25美元，降幅达90至99%，且仍在下修（本专栏〈AI越强，Token却越便宜〉）。按照直觉，token这么便宜，AI帐单应该缩水。现实却相反：推论模型、agent呼叫链等需求乘数，让总用量的成长速度远超单价下滑的速度，帐单不减反增（本专栏〈推论经济学〉）。「在哪里推论、用什么规模推论」，已从架构选项变成经营决策。若把AI推论的基础设施从当前的资本重心到未来的部署前瞻排列，我们推估大致可分为5层。最顶层也是目前投资最密集的，是超大规模AI工厂——以GW为单位，服务全球通用推论工作负载。这一层的竞争逻辑是纯粹的规模经济，几个大型云端厂商之间的较量，进入门槛极高，只有少数企业能直接介入的市场。往下一层是受监管或主权级AI數據中心。欧盟的AI法规、中东的數字主权政策、东南亚各国对數據本地化的立法，都在把特定产业或政府机构推向「必须在受控环境内完成推论」的处境。需求最明确的是国家安全相关机构——推论工作不只不能出境，往往还需要在实体隔离的环境中完成，对硬件安全认证的要求远高于一般企业。金融和医疗等私部门虽然约束程度较低，但面对的本质问题相同。这一层的采购决策往往由法遵、风控或安全主管部门驱动，销售周期和评估标准与其他层截然不同。企业AI數據中心目前是成长最快的一层。金融业、医疗机构、制造业领导厂商，在评估AI推论的部署位置时，部分选择自建而非公有云，驱动力不只是长期成本，更多是數據不愿外传的现实考量。这一层需要一定规模的IT组织支撑。对有自建能力的大型企业而言，推论需求愈大，自建的TCO优势就愈明显——每个token的运算成本、能源效率与系统使用率，都成为设计的核心参数，而非事后才考量的营运细节。但没有足够IT资源的中小企业，直接跨入的风险不低。中小型本地服務器对应有一定技术能力、但不想完全依赖公有云的中小企业或部门级部署。有一个长期被低估的现实：许多企业过去透过NAS等本地储存，累积大量业务數據——检验纪录、作业日志、客户往来文件——因为法遵、成本或帶寬的限制，从未上云，也从未被真正利用。本地推论服務器的出现，让这批沉睡數據第一次有机会被语言模型处理，不需要把數據传出去，也不需要支付庞大的云端费用。这一层真正的门槛不是资本支出，而是IT人力的可得性。第五层是终端装置。从手机上的智能语音助理、工厂边缘的视觉检测，到需要實時感知与动作决策的自主机器人，这一层的关键是延迟与离线可用性，而非运算规模。机器人在实体空间执移動作，几乎没有等待云端回应的余裕，断线就意味著停摆；这让终端推论从「可选项」变成系统设计的前提。需要大型模型推论或长篇上下文的任务，目前仍难以在这一层完成。但这条限制的边界正在移动。我们曾以封包（packet）的演进为例分析过（本专栏〈鉴往知来：packet vs. token〉）：互聯網早期的运算重心在服務器端，当封包成功进入移動設備，才催生智能手機与长达10年的移動生态系爆发。token往终端装置移动，似乎正在走出类似的路径——使用需求的拉力、模型轻量化的持续推进，以及本地端推论硬件的能力提升，3个条件正在相继具备。近中期更可能的形态是混合并存，而非全面取代；但这一层的成长方向相当确定。这个层结构能够同时成立，背后有几个技术条件在近两年相继成熟：模型轻量化让前瞻模型得以在更少的硬件上完成推论；开放权重模型的能力持续追近闭源模型，且可以自行部署、不依赖特定厂商界面；法规与地缘政治的压力，则让受监管數據中心这一层的需求有了更稳定的支撑。三者缺一，分层格局就难以成立。这个趋势不代表顶层的投资退烧——各方数据显示那一层的建设力道仍在持续。各层同步展开，需求规模扩张，而非资源从顶层向下转移。竞争重心过去集中在顶层的大规模服務器与散热解决方案；现在，每一层都有不同的系统规格需求——低功耗推论芯片、针对推论工作负载优化的中密度服務器、安全法遵的系统整合，直到终端装置的边缘推论模塊。能否针对不同层次的客户需求给出有差异的回应，或许正是这波扩张中新机会的所在。

过去一年多，大型语言模型（LLM）的「推理」已成为主流模型的标准配置。从2024年下半开始，长思考链与强化学习训练逐渐在各主流模型中普及，在程序设计、数学、法律、医疗等信息密集的领域确实展现效果。这套能力的基础，在于语言世界本身提供大量训练素材，而且推理的对错可以被直接验证。传统工业机器人从来不需要推理。它们的设计前提清楚：事先设定动作序列，在结构固定的环境里重复执行，不需要应变。一臺焊接手臂每天走同一条轨迹，分拣机器人在预先规划的路在線来回——对这类任务而言，弹性是多余的。这个前提在过去几十年运作得很好，但它的边界也很清楚：换了场景就得重新设定，出了例外就得人工介入。但这个限制正在被松动，而且是产业必须认真面对的突破。下一代自主机器人的目标截然不同：接受一道自然语言指令，在开放场域中自主运作10个小时以上，途中能察觉例外、调整計劃、完成任务，不需要人在旁监看。要做到这件事，机器人必须能「推理」。这个能力能否真正落实，很可能就是机器人产业下一轮典范转移的关键技术。如果机器人在实体世界也开始可以「推理」（深度思考）了呢？想像机器人第一次进入陌生的空间：需要电源，但插头可能藏在电视机后面，要自行判断从哪个角度找得到；被交代「把厨房收一下」，必须把这个模糊指令拆解成十几个子动作，决定先收什么、后收什么；面对一臺没见过的微波炉，要推论哪颗键是加热、设定多久合理；桌面已满，拿著餐盘不知道往哪放，得判断能否先挪开某个物件；工厂的仪表读数被管线遮住，要推测是换个视角、还是移开管线才能看清楚；前往下一个位置的路径被外物堵住，要决定是等、是绕、还是主动清出空间。这些情境的共同特征是：答案不在事先设定的规则里，机器人必须把视觉线索、空间常识、任务目标實時整合，做出当下的判断。然而，同样的推理机制搬到实体空间，就会明显失灵。根本原因在于數據结构不同。LLM的推理之所以可行，是因为语言有丰富的文字序列供训练，答案也可被清楚验证。但3D实体场景缺乏这种天然的监督信號——没人会持续为自己的空间、物件位置、姿态变化做标注，「开关大致在门边墙面」「开罐器通常放在厨房抽屉」这类空间常识，没有网页规模的训练數據可以依靠。长时序规划是另一层难点：指令一旦复杂，机器人必须把目标拆解成数十个子动作并在执行途中不断应变，研究显示纯LLM在这类任务上的错误率会随步骤数超线性上升，没有外部验证机制，难以可靠完成任务。针对具身推理，研究圈已在几个方向同步推进，核心问题都是让推理过程能与实体世界的真实状态挂钩——不只是语言上说得通，还要能被验证、能指导动作。方向从让机器人移動前先写出推理过程、到把推理步骤对应到空间几何预测、再到让机器人从实际尝试的结果中修正自己的推理，各有侧重，也各有代价。整体仍在研究阶段，尚未出现明确胜出的路径；但几个方向的进展都比几年前快，可见度也愈来愈高。这套推理能力的实际部署，可能采取分层架构。目前机器人边缘运算平臺的运算能力已进入千TOPS等级，足以在本地端實時执行推理模型，完成大多数动作决策。遇到需要更深层推理的任务，例如复杂场景规划或多步骤的例外处理，若时间允许，可以呼叫云端较大的模型做更完整的推理，再把结果传回边缘端执行。这种金字塔式的分工，让實時执行与推理深度可以依任务弹性切换，不必在两者之间硬性取舍。在这个背景下，前面提过的世界模型（world model）与推理的关系也愈来愈值得关注。上一篇已介绍过世界模型在感知与表征上的角色；在推理层面，它的潜在贡献是让机器人在移動之前能先「模拟」：预测推开某个物件后场景会如何改变、抓取某个位置后会遭遇什么阻力。如果推理可以借助这种前瞻性的物理预测，验证就不只是事后比对，而是在移動前就能排除不合理的計劃。这个方向目前仍在早期，但已被纳入几个主要机器人基础模型的路线图。延伸报导专家讲堂：World Model：分歧的研究世界LLM推理能力的突破，带来的不只是「模型更聪明」——而是让AI能进入法律文件分析、医疗诊断辅助、軟件开发等原本需要高度专业判断的领域，改变工作流程，在部分商业场域引发典范转移。具身推理若能达到类似的可靠程度，让机器人在不确定的实体空间里真正能规划、应变、判断，潜在的变化幅度可能同样深远。工厂、物流、照护、服务，这些领域长期需要「能判断、能应变」的自主执行能力，却一直缺乏可靠的技术支撑。自主机器人的产业天花板，很可能取决于推理能走多深、场域能延伸多远。

过去两年，「世界模型」（World Model）成为AI业界引用频繁、定义却最分歧的词汇。每个正在做生成式AI或机器人技术的团队都会自称「在做world model」，但仔细看，每家口中的定义并不相同。这个概念本身在认知科学、控制理论与1990年代的强化学习文献中都有过讨论；2018年David Ha与Jürgen Schmidhuber发表的〈World Models〉论文，用神经網絡学习赛车环境的潜在动态，agent完全在内部模型中训练后再转到真实环境执行，这个概念锚定在现代神经網絡的脉络下，奠定「压缩环境动态、用以预测与规划」这个基本定义，也成为后续讨论的共同起点。从这个原始定义延伸，业界各阵营各有解读。Yann LeCun主张的JEPA（Joint Embedding Predictive Architecture）在抽象表示层预测世界下一步，作为agent规划的基础；李飞飞从「空间智能」（spatial intelligence）切入，把世界模型视为可生成、可互动的3D表示，这也是她创立WorldLabs的核心命题；NVIDIA的Cosmos则把世界模型定位为实体AI（Physical AI）的生成式模拟器，依文字、影像或动作条件预测下一秒画面；Google DeepMind的Genie系列则更接近「可互动生成环境」的路线。同一个词，4种版本，分别对应预测、生成、模拟、互动4种不同的工程目标。与世界模型容易被混为一谈的，还有數字分身（Digital Twin）与模拟器（Simulator）。數字分身强调「特定实体的數字映射」，重点在于与真实世界實時同步，背后是工程模型加上IoT數據流。模拟器（如Isaac Sim、MuJoCo、Gazebo）则是基于物理方程序建构的程序化环境，优势是可控、可重现，缺点是建模成本高，且在接触力学与柔性物体上仍存在sim-to-real落差。世界模型则是用神经網絡从數據中学出来的「环境动态函数」，不依赖明确规则，可以生成从未真实出现的场景；本质上是从數據学出来的，不是手工建构的。三者并非互斥，近年逐渐结合：用模拟器产生數據训练世界模型，再以世界模型补足模拟器涵盖不到的长尾场景。厘清这些定义之后，真正值得ICT产业注意的，是世界模型为什么会成为具身智能（embodied AI）能否规模化的关键元件。机器人在实体世界尝试动作，每一次都伴随不可逆的成本。机器人用力一压，可能直接打破物料；自驾车试一个激进变道，可能撞到行人。这与语言模型的处境截然不同——语言模型的错误输出最多被使用者打回，没有实体损害。具身智能的学习与决策循環，因此必须有一层「先在内部模拟一遍」的阶段，而那层内部模拟，世界模型提供可能的工具。举例来说，机器人的复杂推理可以尝试这样运作：每一步推理不只是用语言判断「下一个动作该做什么」，而是先预测「做完这个动作之后，世界会变成什么状态」，再把这个预测送入世界模型验证实体上是否合理；通过验证的动作，才会送到真实世界执行。这把推理链从「在语言空间中规划」拉回到「在实体空间中验证」，正是具身智能与大型语言模型在推理结构上的主要分野。少了这层验证，机器人就难以走出受控场域；补上之后，泛化与规模化才有空间。这个方向在近期研究中陆续出现：部分VLA研究（如CoT-VLA）开始把世界模型与具身推理结合，在执移動作前先在内部模型中生成子目标影像或合成成功轨迹，再回头修正动作；NVIDIA的Cosmos Reason也把世界模型的预测输出接到推理层。这些做法都还在实验阶段，但愈来愈多研究倾向认为：可靠的世界模型，可能是让具身智能走出受控场域的关键元件之一。这个方向的另一面，是运算需求的大幅跃升。大型语言模型处理的是离散token，每秒几十到上百个就算流畅；世界模型处理的是高分辨率、长时序、多模态的影像或3D表示，每一秒影片对应的信息量大致相当于数十万至上百万个token。一旦世界模型真的在具身智能上成形，这波运算需求会比目前以token为主的大型语言模型高出一个量级；不只是token变多的问题，而是运算的维度从「文字」扩展到「世界」。运算之外还有2道更基础的瓶颈。一是3D空间推理仍有明显落差，连物件相对位置、可达性、操作后果这类实体任务中视为基本的能力，目前都还不够稳定。二是实体一致性与互动：影片扩散模型已能生成相当逼真的画面，但物件穿模、重力违反、接触不合理这类错误仍常见——世界模型从數據学动态，没有明确的物理约束，画面好看不等于符合物理规律；要在毫秒等级对输入动作做出实体一致的回应，目前还没有方法能在机器人实际所需的延迟下稳定运作。AI产业现在缺的不是更多世界模型，而是第一个真正需要它的杀手级应用。比较值得追踪的不是又有哪家发表新版世界模型，而是3D推理与低延迟互动这两层基础能力会在哪一个垂直情境先站稳；那个情境多半也会成为第一个真正需要世界模型的应用。过去几十年的科技发展也显示，这类路线分歧本就是探索解方的过程；一旦某条路线走出明确的产业效益，研究方向往往会再次收敛。