具身智能：AI Agent 從螢幕走進真實世界

TL;DR：2026 年 AI Agent 開始長出身體——Figure 02 已在 BMW 工廠搬零件、Tesla Optimus 在分揀電池。VLA 統一架構讓機器人首次能理解自然語言指令，NVIDIA GR00T 工具鏈大幅降低開發門檻，具身智能的商用落地已不是科幻。

你的 AI Agent 還在回覆文字？它的同類已經在 BMW 產線上搬零件了

2024 年，我們習慣了讓 AI Agent 幫忙寫程式碼、摘要文件、自動回覆客戶訊息。這些 Agent 厲害歸厲害，但它們的世界只有像素和文字——沒有重力、沒有摩擦力、也沒有打翻咖啡的風險。

2026 年，事情正在改變。Figure 02 已經在 BMW 南卡羅來納州斯帕坦堡工廠的產線上搬運汽車零件。Tesla Optimus 在 Fremont 工廠分揀電池元件。AI Agent 正在長出「身體」，而且它們的第一份工作已經開始了。

具身智能（Embodied AI）不是全新的概念，但 2024-2025 年間發生的技術突破，讓它從學術論文走進了工廠車間。當大語言模型（LLM）的推理能力遇上機器人的機械臂，一個超過 380 億美元（Goldman Sachs 對 2035 年人形機器人市場的預估）的新產業正在成形。

具身智能到底在解什麼問題？

傳統機器人很精準，但很笨。FANUC 的工業機械手臂能精準到 ±0.02 毫米重複焊接同一個位置，年故障率低於 0.01%。但它永遠無法理解「把紅色的杯子放到桌子左邊」這種人類三歲小孩都能執行的指令。

問題出在哪？傳統機器人的「智能」是寫死的程式碼：if-else 判斷、預設路徑、固定感測器閾值。它們不理解世界，只是在執行程式。全球約 400 萬台工業機器人（IFR 2024 報告），每一台都在做同一件事——重複、精準、但毫無彈性。

具身智能的目標是讓機器人像人一樣理解環境，而不只是在環境中運作。根據 NVIDIA 的定義，Embodied AI 是將 AI 模型整合到能在物理或虛擬環境中感知、推理並採取行動的實體中，使機器人和虛擬助手能夠理解並與周遭世界互動。

具體來說，一個具身智能機器人需要具備四層能力：

1. 看見：透過 RGB-D 攝影機、LiDAR 和觸覺感測器理解三維空間配置
2. 理解：接收自然語言指令（如「把最重的箱子放到紅色貨架最上層」）並推理執行步驟
3. 行動：將推理結果轉換為關節角度、力矩和軌跡的精確控制訊號
4. 適應：遇到未預期的情況（物品滑落、障礙物移動）時即時調整策略，而非直接停機

VLA 模型：讓機器人能看、能想、能動的統一架構

實現具身智能的關鍵技術突破，是 VLA（Vision-Language-Action） 模型的出現。

為什麼 VLA 是突破？

在 VLA 之前，機器人的「看」「想」「動」是三套獨立系統：電腦視覺模組辨識物體、規劃模組計算路徑、控制模組驅動馬達。三者之間靠工程師手寫的介面銜接，每換一個任務就要重新整合。

VLA 的核心思想打破了這個限制：既然大語言模型能把「文字輸入」轉成「文字輸出」，那我們能不能建一個模型，把「視覺 + 語言輸入」直接轉成「機器人動作輸出」？

答案是可以，而且效果遠超預期。

VLA 的三層架構

代表性 VLA 模型深度比較

RT-2（Robotics Transformer 2）— Google DeepMind

RT-2 是第一個證明「大規模視覺語言模型的知識可以直接遷移到機器人控制」的模型。它基於 PaLM-E（55B 參數）進行微調，在測試中對從未訓練過的語言指令成功率達到 62%，比前代 RT-1 提升了 3 倍。更驚人的是，RT-2 展現了 emergent capabilities——它能理解「把瓶子移到 Taylor Swift 的國家」（識別出美國國旗），這種推理能力來自預訓練的語言知識，而非機器人訓練數據。

π0（Pi-Zero）— Physical Intelligence

Physical Intelligence 由 Google Brain 前研究員 Karol Hausman 創立，2024 年完成 4 億美元融資。π0 的突破在於跨硬體泛化：同一個模型在 7 種不同的機器人硬體上（從單臂到雙臂、從桌面到移動底盤）都能執行折疊衣物、裝配零件、整理桌面等複雜任務，成功率超過 80%。π0 採用 Flow Matching 技術生成連續動作軌跡，比傳統離散化 action token 更流暢自然。

OpenVLA — Stanford + TRI + UC Berkeley

OpenVLA 是第一個真正開源的 VLA 架構，基於 Llama 2 的 7B 參數視覺語言模型微調而成，訓練數據集 Open X-Embodiment 包含 100 萬+ 機器人操作片段，覆蓋 22 種機器人硬體。開源讓研究社群能以低於 1 萬美元的成本在消費級 GPU 上微調自己的 VLA 模型，大幅降低了進入門檻。

VLA 的意義

VLA 之所以是突破性進展，在於它打破了過去「一個任務訓練一個模型」的限制。一個經過充分訓練的 VLA 模型，能理解前所未見的語言指令，並在陌生環境中規劃合理的動作序列。這就像 ChatGPT 能回答它沒見過的問題一樣——但輸出的不是文字，而是機器人的動作。

遠端操控：人類智慧的數據管線

VLA 模型再強大，也需要數據來訓練。而機器人的訓練數據瓶頸比文字嚴峻得多——你不能從網路上爬取「如何折衣服」的動作軌跡。

這就是遠端操控（Teleoperation） 發揮作用的地方。

數據採集的完整流程

遠端操控的流程是：人類操作員穿戴動作捕捉設備（如 Apple Vision Pro 搭配手勢追蹤）或使用主從式操控介面，遠端控制機器人執行各種任務。在操控過程中，系統以 30-60 Hz 頻率同步記錄：

• 視覺數據：多角度 RGB-D 攝影機畫面（通常 2-4 個視角）
• 運動數據：關節角度、角速度、力矩（6-7 DoF per arm）
• 觸覺數據：指尖力感測器讀數、接觸面積估計
• 語言標註：操作員下達的自然語言指令及任務描述

這些數據經過清洗和標註後，就成為訓練自主策略的黃金資料集。

規模化的關鍵

遠端操控的真正價值在於規模化潛力。你不需要頂尖的機器人博士來操控——經過 2-4 小時訓練的操作員就能產生高品質的示範數據。

一些具體數字：

• Open X-Embodiment（Google DeepMind 主導）已累積超過 100 萬個機器人操作片段，來自 21 個研究機構
• DROID 資料集（TRI + Columbia）包含 76,000 個示範軌跡，覆蓋 564 個不同場景
• 單個操作員每小時可產出約 60-80 個有效示範，採集成本約 $50-150/hr（含設備折舊）

多台機器人可以平行採集，數據量可以指數級成長。這種「人類智慧驅動的數據飛輪」正在加速機器人從實驗室走向真實應用場景。

硬體競賽：誰在造最先進的人形機器人？

2024-2025 年，人形機器人賽道的融資和進展速度令人目不暇接。以下是幾個值得關注的主要玩家：

Figure AI — 矽谷的人形機器人獨角獸

Figure AI 是目前估值最高的人形機器人新創公司，2024 年完成 6.75 億美元 B 輪融資，估值達 26 億美元，投資人包括 Microsoft、NVIDIA、Jeff Bezos、OpenAI。

Figure 02 已在 BMW 南卡羅來納州斯帕坦堡工廠的實際產線上執行零件搬運任務。Figure 與 OpenAI 合作，整合 GPT 系列模型作為語言理解層，讓機器人能以自然語言進行人機對話。展示影片中，Figure 02 能理解「把蘋果給我」並在桌面上正確識別和抓取目標物體。

Tesla Optimus — 量產野心最大的選手

Tesla 在 2024 年底展示了 Optimus Gen 2，步行速度提升 30%，手指靈巧度讓它能捏起雞蛋而不打破。Elon Musk 宣稱 Optimus 的量產成本目標低於 $20,000（雖然業界普遍認為短期內難以達成）。

Optimus 目前在 Tesla Fremont 工廠內部用於電池分揀等重複性任務，並非公開銷售。Tesla 的策略是利用自家工廠作為測試場，逐步擴展任務範圍後再對外供應。

Unitree H1 — 來自中國的性價比玩家

杭州宇樹科技（Unitree）的 H1 以約 $90,000 的定價（不到 Figure 和 Tesla 的一半），在價格上具有明顯優勢。H1 的移動速度達到 3.3 m/s（約 12 km/h），是目前量產人形機器人中最快的。Unitree 同時推出了機器狗 Go2 和 B2，在巡檢、物流等場景已有商業部署。

1X Technologies NEO — 居家場景的探索者

挪威新創 1X Technologies（前身 Halodi Robotics）獲得 OpenAI 旗下基金投資，專注於居家和辦公場景的人形機器人 NEO。與工業場景的「力量型」設計不同，NEO 更強調安全性和人機共處能力，目標是成為「家庭助手」級別的產品。

NVIDIA 的全棧佈局：從模擬到部署

說到具身智能的基礎設施，NVIDIA 的佈局堪稱教科書等級。

Isaac 平台：機器人的 DevOps

NVIDIA Isaac 不只是一個 SDK——它是機器人的完整 DevOps 環境。Isaac Sim 提供物理精確的模擬環境，Isaac ROS 處理感知和導航，Isaac Manipulator 專注於機械臂控制。開發者可以在模擬中訓練策略，一鍵部署到 Jetson AGX Orin 邊緣計算平台上。

一個具體的數字：使用 Isaac Sim 進行機器人策略訓練，一台 DGX A100 跑 24 小時的模擬量，等同於 真實世界 5-10 年的操作經驗。

GR00T 基礎模型：人形機器人的大腦

Project GR00T（Generalist Robot 00 Technology）是 NVIDIA 專為人形機器人打造的基礎模型。它的設計目標是讓人形機器人能理解自然語言、透過觀看人類動作影片學習技能、並在真實環境中自主行動。

GR00T 的訓練流程分三階段：

1. 大規模語言預訓練：繼承 LLM 的世界知識和推理能力
2. 視覺-動作對齊：在 Omniverse 模擬中學習物理互動
3. 真實世界微調：用少量遠端操控數據（通常 100-500 個示範）適配到特定硬體

Cosmos 世界模型：合成數據工廠

Cosmos 是 NVIDIA 推出的世界基礎模型（World Foundation Model），能根據文字描述生成物理上合理的合成影像和影片數據。為什麼這很重要？因為機器人訓練需要海量的視覺數據，而真實世界每小時 $50-150 的數據採集成本太高。Cosmos 能以不到 1/100 的成本生成大量逼真的模擬場景，涵蓋不同光照、材質、物體擺放等變化。

Omniverse 模擬引擎：數位孿生的基石

Isaac Sim 背後的模擬引擎是 NVIDIA Omniverse，提供物理精確的數位孿生環境。機器人可以在 Omniverse 中經歷數千小時的訓練，而不需要損壞任何一台價值數十萬美元的實體機器人。Omniverse 使用 PhysX 5 引擎進行剛體模擬，支援軟體物體、流體和布料模擬——這對訓練機器人折疊衣物等柔性操作至關重要。

NVIDIA 的策略很清楚：不只賣 GPU，而是提供具身智能的完整技術棧。從數據生成（Cosmos）、模擬訓練（Omniverse + Isaac）、到基礎模型（GR00T）再到邊緣部署（Jetson），形成一個閉環生態系統。

Eastworld Labs：30+ 人形機器人的硬體加速器

如果 NVIDIA 代表了「軟體和平台」側的推力，那 Eastworld Labs 則代表了「硬體和整合」側的加速。

Eastworld Labs 是一個專注於人形機器人的加速器計畫，已經聚集了超過 30 款不同設計的人形機器人。它的核心理念不是自己造機器人，而是建立一個統一的測試和整合平台，讓不同團隊的硬體能與最先進的 AI 模型快速對接。

這個模式有幾個值得關注的特點：

1. 硬體多樣性：超過 30 款人形機器人意味著不同的關節設計、感測器配置和機械結構。這種多樣性有助於訓練更具泛化能力的 AI 模型——就像 Open X-Embodiment 用 22 種硬體訓練出更強的 VLA 模型
2. 軟硬整合平台：提供標準化的 SDK 和 API 介面，降低軟體團隊與硬體團隊之間的整合成本。開發者可以用同一套程式碼控制完全不同設計的機器人
3. 加速器模式：類似 Y Combinator 對新創的角色，但專注在機器人硬體領域，提供技術資源、測試場地和產業連結

Eastworld Labs 的出現說明了一個重要趨勢：具身智能的發展不再只是 NVIDIA、Google、Tesla 等大公司的遊戲，而是形成了一個完整的創業生態。

從 Agent 到 Robot：軟體人的機會在哪？

如果你是一個做 AI Agent 的工程師，具身智能跟你有什麼關係？

關係大了。 2024 年具身智能相關職位的需求成長超過 200%（LinkedIn 數據），而最搶手的不是機械工程師，是會寫 AI Agent 的軟體工程師。

目前具身智能最缺的不是硬體——硬體廠商多的是。最缺的是能讓這些硬體「活起來」的軟體能力：

1. Agent 框架的物理延伸

現在的 AI Agent 框架（LangChain、CrewAI、AutoGen）管理的是 API 呼叫和文字推理。但當 Agent 要控制一隻機械臂時，同樣的「規劃 → 執行 → 觀察 → 調整」迴圈依然適用，只是「執行」從 API 呼叫變成了馬達控制訊號，「觀察」從解析 JSON 變成了解析攝影機畫面。

Google 的 SayCan 專案已經驗證了這個路線：用 LLM 做高層任務規劃，機器人技能庫提供低層動作原語，兩者透過 affordance function 橋接。這個架構和軟體 Agent 的 tool use 模式幾乎一模一樣。

2. 多模態推理系統

具身智能需要的多模態能力——同時處理視覺、語言、觸覺——正是目前多模態 LLM 發展的方向。軟體 Agent 領域累積的 prompt engineering、chain-of-thought 推理、tool use 等技術，可以直接遷移到機器人控制。

例如：Inner Monologue（Google Brain）讓機器人在執行任務時產生「內心獨白」——「我看到桌上有一個紅色杯子和一個藍色杯子，指令要求拿紅色的，我應該移動手臂到左邊」——這就是 CoT 推理在物理世界的應用。

3. Sim-to-Real 工程

在模擬器中訓練、在真實世界中部署的 Sim-to-Real 管線，本質上是一個軟體工程問題。模型版本管理、Domain Randomization 參數調優、A/B 測試、部署流水線、監控和回滾——這些軟體工程最佳實踐在機器人領域同樣適用，而且目前嚴重缺乏成熟的工具鏈。

風險與瓶頸：別急著 All In

具身智能前景光明，但誠實面對幾個尚未解決的挑戰：

• 安全性驗證：軟體 Agent 出錯最多是回覆一段廢話，實體機器人出錯可能造成物理傷害。ISO 10218（工業機器人安全標準）和 ISO 13482（個人照護機器人安全標準）的認證流程需要 12-18 個月，這在軟體世界不可想像
• 硬體成本曲線：目前一台研究級人形機器人的成本在 $50,000-$250,000 之間，量產後預計降至 $20,000-50,000，但仍遠高於軟體的邊際成本趨近於零
• Sim-to-Real Gap：模擬環境與真實世界之間的物理差異（摩擦係數、光照變化、物體材質）仍導致模型遷移後性能下降 20-40%。Domain Randomization 和 Sim-to-Real Transfer 技術在改善但尚未根本解決
• 法規空白：自主機器人在公共空間運作涉及的法律責任歸屬問題，目前歐盟 AI Act 已開始涵蓋，但各國政策仍有大量灰色地帶
• 長尾場景：機器人可能在 95% 的標準情況下表現穩定，但那 5% 的邊緣案例（不規則形狀物體、反光表面、柔軟物體）可能需要數年的數據累積才能覆蓋

實戰觀點：AI 從業者的下一步行動

從 AI 從業者的角度，以下是具體的行動方向而非只是「關注」：

1. 動手玩 OpenVLA：在單張 A100 上微調 7B VLA 模型不到 24 小時，OpenVLA 提供完整的 Colab notebook 和 ROS2 整合範例。這是進入門檻最低的實作路徑
2. 學習 NVIDIA Isaac Sim：免費的 Isaac Sim 模擬器支援 ROS2 整合，可以在沒有實體機器人的情況下開發和測試機器人策略。NVIDIA 提供超過 50 個教學範例
3. 追蹤 Open X-Embodiment 資料集：這是目前最大的開放機器人操作資料集，定期更新。理解數據格式和評估基準，對進入這個領域至關重要
4. 關注邊緣推論晶片：機器人不能每個動作都等雲端推論（延遲要求 <50ms），NVIDIA Jetson Thor、Qualcomm RB5 等邊緣平台是商業化的關鍵
5. 鎖定垂直場景：倉儲物流（Amazon + Agility Digit）、汽車製造（BMW + Figure）、農業採摘（蘋果/草莓等高價值作物）——這三個場景最可能在 2-3 年內跑出商業閉環

結語

AI Agent 從軟體走向硬體，不是科幻電影的情節，而是有 60 億美元融資支撐的產業變革。VLA 模型讓機器人有了「通用大腦」，遠端操控建立了數據飛輪，NVIDIA 提供了全棧工具鏈，Figure、Tesla、Unitree 等公司正在把實驗室原型推上真實產線。

2026 年不會是人形機器人大規模進入家庭的一年，但已經是它們在工廠車間證明自己的一年。對於 AI 從業者而言，理解具身智能不是為了轉行做機器人，而是因為你手上的 Agent 技術棧——規劃、推理、多模態理解、工具呼叫——可能比你想像的更接近那個讓機器人「活起來」的關鍵拼圖。

加密貨幣如何推動具身智能？

值得一提的是，Eastworld Labs 背後的 Virtuals Protocol 正在用一種獨特的方式推動具身智能發展——透過去中心化的 AI Agent 經濟。

Virtuals Protocol 是一個擁有超過 18,000 個數位 AI Agent 的生態系統，而 Eastworld Labs 是它將這個數位 Agent 經濟延伸到物理世界的戰略舉措。核心理念是：讓 AI Agent 不只在軟體世界創造價值，也能透過實體機器人在現實世界中運作。

這種「加密經濟 + 具身智能」的結合模式值得關注：

• 代幣激勵機器人數據貢獻：操控員透過遠端操控機器人採集的數據，可以獲得代幣獎勵，形成數據飛輪。這解決了具身智能最大的瓶頸之一——高品質訓練數據的來源問題
• 去中心化的機器人服務市場：任何人都可以透過 Agent Commerce Protocol 發布和購買機器人服務，降低機器人能力的使用門檻
• 從數位到實體的 Agent 經濟：18,000+ 數位 Agent 的軟體架構和任務規劃經驗，直接移植到物理世界的機器人控制

如果你對這個賽道感興趣，可以透過以下交易所進一步了解和參與：

以上為推薦連結，透過連結註冊不影響你的交易條件，同時可以支持我們持續產出高品質的 AI 研究內容。

參考資料：

• Goldman Sachs, “Humanoid Robot: The AI Accelerant,” 2024
• NVIDIA, “Embodied AI,” NVIDIA Glossary
• Google DeepMind, “RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control,” 2023
• Physical Intelligence, “π0: A Vision-Language-Action Flow Model for General Robot Control,” 2024
• Open X-Embodiment Collaboration, “Open X-Embodiment: Robotic Learning Datasets and RT-X Models,” 2024
• Stanford / TRI / UC Berkeley, “OpenVLA: An Open-Source Vision-Language-Action Model,” 2024
• International Federation of Robotics (IFR), “World Robotics 2024 Report”
• Nature Machine Intelligence, “A robot operating system framework for using large language models in embodied AI,” 2026
• Eastworld Labs
• Virtuals Protocol — AI Agent 經濟生態

延伸閱讀：AI Agent vs 傳統交易機器人：有什麼不同？從軟體 Agent 的角度討論類似的自主決策問題；從零建立 AI 多 Agent 團隊：我們的真實經歷記錄了多 Agent 協作系統的實際構建經驗；AI 跟人類一起工作是什麼感覺？提供了 AI-人類協作的第一手反思。