2026年6月，美國人形機器人新創Figure AI宣布第3代機型Figure 03進駐BMW在美國南卡的生產重鎮斯帕坦堡工廠，測試物流分揀任務。此前，Figure 02已在此試工約10個月，參與超過3萬輛BMW X3的製造任務。
BMW在全球廠區導入的其他AI機器人還包括Hexagon Robotics的人形機器人Aeon，以及波士頓動力的機器狗Spot，可說是積極探索「實體AI」（Physical AI）落地的可能性。
從拳擊到後空翻，當代機器人能做到的事顯然大幅擴增。然而，在工廠篩選、搬運物料這類看似單調枯燥的任務，為何規模化進程仍然困難重重？
AI機器人大爆發差什麼？呆做1事不夠，須流暢巡廠
「人形機器人從會站立到能展演，這是一段路。從能展演到可以穩定地自己工作，又是一大段路。」新漢集團旗下的創博總經理沈倩怡分析，「我們認為最後這一哩路才是最關鍵的。」
近年，搭載前沿AI大腦的機器人能做到許多前所未見的事，一大關鍵在於「控制方式」的改變。傳統機器人的行動由預寫程式、數學推導及各種程序圖決定，相當於工程師清楚告訴機器人「在什麼情況下該做什麼」。
AI讓新一代機器人開始可以自己「學」。透過模擬訓練、真人示範或實際操作資料，機器人可以反覆練習，逐漸學會如何完成一項任務，不再完全仰賴工程師事先寫好每一個動作。
工研院機械與機電系統研究所組長游鴻修直言，這個轉向「可以開啟新應用」，尤其是複雜多軸控制、非結構化環境這類過往不好做或做不到的領域。
然而，讓機器人「學會做事」，不等於能在工廠裡穩定工作。從實驗室走進產線，機器人不只要應付更多現場變數，速度、精準度、安全性等要求也一下子提高。
具身智慧須搞定2大患：人機協作安全、駭客入侵
游鴻修解釋，工業自動化講求的是極大化效率的「快、穩、準」，這卻非視覺語言模型（VLM）、視覺語言動作模型（VLA）等前沿AI模型的能力特色。例如，傳統機器手臂能以高精度快速同時插進多個記憶體，VLA在這類任務上並無成本優勢。
此外，機器人訓練多在實驗室進行，現場環境數據與經驗不足。人類操作員不熟悉人機協作的介面，加上燈光、人員動線、設備配置等現場變數，都會影響AI機器人實際落地的表現。
VLA是什麼？ 「視覺－語言－動作模型」（Vision-Language-Action Model），能根據視覺資訊與語言指令，產生機器人的動作。例如看見桌上的杯子，理解「把杯子拿起來」的指令後，控制手臂完成動作。它也是目前發展機器人基礎模型的重要路線之一，目標是讓同一套模型能學會更多任務、適應不同場景。
機器人資安也成為愈來愈鮮明的風險。專精OT資安的椰棗科技技術副總陳冠臻指出，當自走車、機器狗甚至人形機器人成為工廠裡的協作夥伴，就有傷人的風險。這可能是自家工程師失誤，但也可能是外部攻擊入侵。
「我們說AI很好用，駭客用起來更好用。」陳冠臻表示，前沿AI模型不僅抓出其他軟體安全漏洞的能力大躍進，自己也可能含有資安漏洞。大多數應用中的AI模型不是使用者自己從零開始訓練的，不真的知道「裡面的情況是怎樣」，也不確定要如何管控它持續繳出穩定、正確的輸出。
從寫指令到設計AI代理，「大家真的就是邊學、邊改、邊用。」陳冠臻補充，當AI能控制的實體設備更多，資安攻防戰場隨之擴張。
耕耘機器運動控制多年的創博近年積極整合AI與即時控制，是輝達6月推出的全端機器人安全系統「Halos for Robotics」首波2家嵌入式系統合作夥伴之一。
有多國機器人業者服務經驗的沈倩怡觀察，目前AI機器人已能在結構化環境執行固定任務，但要面對訓練範圍之外的陌生情境時，要能自主判斷、應變，仍有一段距離。
「大家常在討論，AI模型是不是決定機器人最後能不能落地的關鍵？」沈倩怡表示，機器人要走出工廠、走進充滿各種不確定變數的現實世界，擁有人類水平的通用人工智慧（AGI）被認為是關鍵，「這是沒錯，但我覺得更關鍵的是它的determinism（確定性）。」
沈倩怡解釋，這包括機器人的確定性、穩定度與安全性。即使擁有聰明大腦，如果走路不穩、手臂會抖動，也沒辦法順利執行任務。她觀察，目前許多團隊在研發AI機器人通用模型，坐擁領域知識、開發應用的公司也不少，但能同時整合即時控制、功能安全的並不多，「這個難度真的非常高。」
有種價值叫它能擋命！成功率沒100％也能導入
從部署方式來看，AI機器人進入工廠至少有2條路：一是在既有產線上增加感知、AI運算與自主決策能力的「棕地（brownfield）」升級；另一種則是在新建環境中，以新型機器人重新設計生產系統的「綠地（greenfield）」部署。
沈倩怡觀察，現階段大部分客戶屬於棕地應用。既有環境已經存在，可升級的設備數量與效益較容易估算，綠地應用則需要重新設計、整合與測試，開發過程至少得花上半年到1年時間。
她估計，在今年進入部署、試量產的基礎上，較規模化的量產時間最快會落在明年上半年。其中，上身雙臂、下身輪式的構型可能進展最快。
游鴻修觀察，AI機器人從結構化環境滲透到非結構化環境的進程中，第一波灘頭堡會是物流、倉儲、巡檢這類半結構化、容錯率較高的場景。例如機器狗在巡檢時沒有成功讀取電表，可以再次嘗試，不至於造成產線嚴重損失。
另一方面，在危險、髒污或人員不易進入的巡檢環境，即使機器成功率無法達到100％，只要能減少人員傷亡風險，可能已有導入價值。
在工廠中導入AI機器人，也不只有彌補缺工、提升效能的意義。游鴻修指出，模型開發商大多沒有實體製造場域的資料，需要與製造業者合作，才能開發出真正實用的實體AI模型。從半導體到EMS代工，「如果台灣自己的場域可以用AI機器人建置，這反而是我們的另一個契機。」
責任編輯：謝宗穎
