從生成式AI到Physical AI：自動化的下一個關鍵轉折

過去三年（2023-2025），我們經歷了生成式AI技術應用的爆發期。透過海量數據訓練，AI已展現出驚人的文本生成、圖像創作與程式撰寫能力。這類「資訊AI」顯著提升了數位場域的工作效率。在2026 CES展中，矽谷與全球科技巨頭釋出了一個明確的訊號，技術發展的重心正逐步從「螢幕」轉向「真實世界」，今年AI的重點已不再只是語言模型或內容生成，而是AI在實體世界的感知與行動能力正成為核心競爭力。NVIDIA的Cosmos（世界模型平台）與Alpamayo（自動駕駛模型），以及Tesla Optimus的持續進化，皆顯示AI正在發展「小腦」，準備迎接「物理 AI」（Physical AI）的時代。對於製造業、物流業與實體零售業而言，這代表著供應鏈運作邏輯將迎來根本性的轉變。

傳統自動化的瓶頸：缺乏適應力

許多企業在導入自動化時常面臨一個誤區，認為擁有機械手臂即等同於智慧製造。然而，傳統自動化設備與Physical AI的核心差異在於 「適應力」。

傳統自動化設備依賴工程師預先編寫的座標與腳本（Hard-coded），雖能高效執行重複動作，但缺乏對環境變化的感知能力。一旦產線上的物件位置發生微幅偏移，或是光線條件改變，既有的自動化程式往往無法應對，導致產線停擺。

這也呼應了馬斯克（Elon Musk）近期針對NVIDIA Alpamayo自動駕駛專案所提出的犀利觀點，達到99%的準確率相對容易，但在真實世界中，解決最後那極端且多變的「分佈長尾」（Long-tail Distribution）才是真正的挑戰。

雖然馬斯克談論的是自駕車，但同樣的邏輯完全適用於工廠場景：

• 前 99% 的情況： 屬於標準化流程，傳統機器人已能勝任。
• 後 1% 的意外： 包含零件形狀不規則、包裝破損或人員誤入工區等狀況。正是這些「工業現場的長尾問題」，導致自動化成本居高不下。

物理AI的崛起：AI不只是「看懂」，更能「行動」

今年CES展傳達了一個訊息，從資訊世界走向實體世界的AI應用，正逐步成為主流方向。與以往專注於模型生成內容不同，2026年的趨勢是讓AI感知物理世界、理解情境並自主做出決策與動作。NVIDIA的Cosmos世界模型平台和Alpamayo推理模型就是實例：Cosmos能生成高真實感的模擬場景資料供AI訓練，Alpamayo則帶入推理能力，使自駕系統不只是反應式的感知與控制，而是能在複雜情境中進行因果推理與策略規劃。比如當車子遇到一個沒看過的場景（例如：前面有一台奇怪的工程車在倒退），它不會只靠背誦數據，而是會「思考」：這台車的燈號不符合常規，它正在向我不規則移動，根據物理定律，我應該先停下來觀察。

對製造業與供應鏈的實際影響

隨著物理 AI 能真正感知與應對真實場景中的變化，它對產業帶來的改變將遠超過以往的資訊效率提升：

• 彈性更高的自動化流程：AI 可從感知到決策，適應產品變異與環境變化，而非只靠事先設定的流程
• 降低長尾案例造成的停擺風險：透過模擬訓練與推理能力，Physical AI 有望主動處理罕見或突發情況
• 重新定義AI在供應鏈中的角色：由工具轉向自主行動的智能代理，使物流、倉儲到品質檢測等環節更具協同性與延展性。

在實際商業落地上，包括車廠、機器人公司與供應鏈軟體廠商都已開始採用這類技術組合，將感知、推理和控制整合到各種自動化場景中。

結語

物理AI並不只是替既有自動化系統加上更聰明的演算法，而是迫使企業重新思考「自動化的邊界」在哪裡。過去，企業追求的是流程穩定與成本極小化；接下來，競爭的關鍵將轉向系統能否在不確定環境中持續運作。未來的製造與供應鏈投資，也將不再停留在設備採購或單一軟體導入，而是回到一個更根本的問題：企業是否具備讓AI在實際營運環境中持續學習、推理與演進的條件。能夠將 物理AI視為長期核心能力的組織，將更有機會在下一個產業循環中拉開與競爭對手的差距。

封面圖片來源：本文作者以AI生成

參考資料來源：

1.輝達 Alpamayo 自駕系統橫空出世，衝擊特斯拉股價下跌 3%

2.From fields to fridges: Physical AI takes center stage as CES 2026 kicks off