2016年3月，AlphaGo在五局棋對弈中擊敗世界圍棋冠軍李世乭，震驚全球。這場勝利不只是技術里程碑，也是心理上的轉捩點，迫使全世界重新審視AI的能力邊界。十年後，機器人領域也走到了類似的時刻。如同AlphaGo，重點不在登上頭條的成就本身，而在於它預示了什麼。
對關注機器人產業的人來說，今年4月意義非凡。2項重大發展，一項引發廣泛討論，另一項相對低調，但都釋放出一個明確訊號：機器人正從狹義的、預先編程的能力，跨向更通用、更具適應性的方向。
最受矚目的是北京機器人馬拉松，人形機器人不僅跑完了半馬，同時比人類史上任何跑者都快。對比一年前首屆比賽，許多機器人根本無法完賽，有的跌倒、有的電力耗盡。從那次混亂的初登場到今年的壓倒性表現，這中間的落差說明了，當大量資源與工程能力集中投入在一個明確目標上時，進步的速度有多驚人。
第二項發展報導較少，但影響可能更深遠，來自Sony AI團隊發表的「Project Ace」機械手臂，在正式對局中擊敗了具有競技水準的人類桌球選手們。
Ace 整合了AI驅動的比賽策略，包括解讀對手球路、選擇落點、即時調整戰術，以及機械手臂在時間、角度、力道上的控制。如果你看過比賽影片，最印象深刻的不只是準確度，而是流暢感。它不像機器在執行程式，更像一名運動員在即興發揮。
我用AlphaGo時刻來定義這些發展，不是修辭上的類比，而是因為兩者之間有深層的結構相似。
2016年AlphaGo擊敗李世乭，打破了一個根深蒂固的信念。圍棋擁有天文數字般的搜索空間，長期被認為高度依賴直覺與模式辨識，是一個專屬於人類的領域，一座暴力運算在數十年內都攻不破的堡壘。AlphaGo證明了這個假設是錯的，也證明 AI 能掌握那些需要複雜、多層次推理的任務。
但更具變革意義的篇章是在那幾年之後，DeepMind發布的AlphaGo Zero，不同於原版從大量人類棋譜中學習，AlphaGo Zero完全從零開始，只被賦予圍棋規則，然後自我對弈。在數周內，它就超越了所有先前的版本。
接著它展現了泛化能力：同一套架構重新命名為AlphaZero，從零學會西洋棋和日本將棋，每次都達到超越人類的水準。結論不只是AI會下棋，而是只要給它對的框架，AI什麼都能學。
機器人領域正逼近自己的這個轉折點。北京馬拉松和Sony桌球機器人Ace就是當年AlphaGo首勝的對應版本。但定義未來十年的問題是：機器人能否迎來自己的AlphaZero時刻，只需極少指令就快速學會新的物理任務，並將所學跨領域泛化？
3進展助長AI，小廚工也能變總舖師
要理解為什麼「泛化」如此重要，必須先看現狀。這個領域並非從零起步。機器人已在固定環境（產線、物流中心、晶圓廠等）穩定運作。在更專精的領域，成就甚至更亮眼。你能在網路上找到機械手臂比任何人類都快解開魔術方塊的影片、物流中心的機器人系統每小時可分揀數千件包裹、達文西手術系統在外科醫師操控下執行精度超越人手的手術等。
瓶頸在於：每一項能力都需要大量心力來開發。工程師和研究員可能花好幾年的時間設計、校準、訓練一套機器人系統，只為了做好一件事，像是解魔術方塊的機器人不會泡咖啡，達文西系統不會抽血。每個新任務都要從頭開始一輪全新的工程循環。這就像當年的 AlphaGo：很強，但很窄。現在的目標是突破這個狹隘性。
有幾股匯流中的趨勢顯示，這個突破即將到來。
第一是基於模擬的學習。現代物理引擎能更精確地模擬物體、流體和柔性材料的行為，讓機器人在虛擬環境中練習上百萬次後，再去碰真實物體。試錯成本降低好幾個數量級，迭代速度也相應加快。
第二是從觀察中學習。研究人員正在開發能觀看人類執行任務（摺衣服、組裝零件、倒液體）並提取出底層動作計畫的系統。這方面仍在早期階段，但方向明確。如果機器人能透過觀看一段簡短示範就學會新任務，而不是需要數月的客製化程式開發，那部署的經濟模型會從根本改變。
第三是跨任務的遷移學習。就像AlphaZero用同一套神經網路架構學會了圍棋、西洋棋和將棋，機器人研究者正在開發類似框架。一隻已經掌握筷子操作的機械手臂，學習使用鑷子的速度可能比從零開始快得多。這些趨勢加在一起，指向一個未來：機械手臂和靈巧手能快速、低成本、在極少人為監督下獲得新能力。這就是機器人的AlphaZero時刻。
近期通用型機器人的應用中，最有前景的是商業廚房。烹飪匯集了機器人領域最困難的挑戰：處理物理特性各異的材料（麵糰、葉菜、熱油），在時間壓力下精準執行步驟、適應變異性（沒有2顆蛋會完全一樣）。目前已有多家團隊訓練機器人，願景不是一台只會做一件事的產品，而是能處理整條產線的多功能系統（擀皮、分餡、捏褶、蒸製到擺盤）。機械手臂的發展不只在餐飲業，醫療與生命科學領域同樣可望突破高重複、高體力的缺工瓶頸。
機器人的AlphaGo時刻已經到來。北京馬拉松和Sony Ace證明了機器能做到不久前還被認為不可能的事。但就像AlphaGo的遺產是AlphaZero及其代表的泛化能力，這個時刻的遺產將是接下來發生的事：機器人從零學會新任務、跨領域泛化、在物理世界中以愈來愈高的自主性運作。問題不再是會不會發生，而是多快，以及我們準備得夠不夠好。
責任編輯：陳祈安
