一、Physical AI興起背景
近年生成式AI快速發展，以大型語言模型(Large Language Model, LLM)為代表的AI技術已展現強大的文字生成、影像生成及推理能力，使AI逐漸具備理解與創造數位內容的能力。然而，生成式AI主要處理文字、影像及影音等數位內容，能力多停留於資訊生成與理解，尚無法直接感知實體環境或自主執行實體任務。
隨著AI技術持續成熟，產業開始思考：AI是否能從理解世界進一步走向改變世界？近年NVIDIA 等科技業者積極推動實體AI(Physical AI)概念，Physical AI逐漸成為AI產業的重要發展方向，Physical AI並非單一技術，而是整合大型語言模型、多模態AI、感測器、機器人控制及邊緣運算等技術，使AI能夠感知環境、推理決策、規劃任務並執行動作，進而與實體世界互動。
在生成式AI、大模型、多模態感知及機器人技術持續突破下，AI發展已逐漸由數位世界延伸至實體世界，推動Physical AI成為下一波人工智慧發展的重要方向，並加速人形機器人、自駕車及無人配送等自主系統由概念驗證逐步邁向實際應用，成為下一波AI產業發展的重要方向。
二、Physical AI應用落地推動機器人與自主系統發展
Physical AI的核心並非特定產品，而是讓各類自主系統具備感知、推理、規劃及行動能力，因此率先受惠的並非單一產業，而是所有需要與實體環境互動的自主系統，其中，人形機器人與自駕車因應用成熟度較高，已成為觀察Physical AI發展的重要指標。
（一）人形機器人
過去工業機器人與機器手臂主要於固定產線執行焊接、組裝、搬運等重複性工作，其運作高度依賴預先設定程式，缺乏對環境的理解與自主應變能力，因此難以適應家庭、物流或公共服務等非結構化場域。
隨著Physical AI發展，透過整合視覺相機、深度感測器等感知設備，以及大型語言模型、多模態AI等技術，機器人得以感知並理解周遭環境，進一步進行推理、任務規劃與自主決策，並控制手臂、手指及雙腿等肢體完成指定任務，使人形機器人由執行固定流程逐步邁向自主作業。目前全球科技業者正積極投入人形機器人發展，並逐步由概念驗證(Proof of Concept, PoC)邁向實際場域應用，其中以製造、物流及倉儲為最主要的導入場景。
1. 製造場域
在眾多應用場域中，製造業因具備高度重複性、缺工壓力及自動化基礎成熟等特性，成為人形機器人率先導入的重要場域，相較於傳統工業機器人需固定於特定工作站執行單一工序，人形機器人可於既有工廠環境中移動，並依據不同工作需求自主完成物品搬運、零件組裝及設備巡檢等任務，提升產線彈性與人機協作效率。
以Tesla Optimus為例，目前此人形機器人機種已逐步導入Tesla Fremont工廠，用於執行及驗證電池分類、物料搬運及工廠內自主移動等作業，透過整合視覺感測、多模態AI及自主決策能力，Optimus可依據環境變化調整動作與路徑規劃，而非僅依賴固定程式執行單一工序。此外，Optimus亦可配合產線配置調整及新產品導入快速更新工作內容，相較於傳統固定式機器手臂，更具作業彈性及環境適應能力，同時，Optimus未來可部署於高勞力及高風險作業，例如於高溫、具毒性物質等危險環境中進行搬運或操作，有助於降低人員暴露於危害環境的風險，並透過人機協作模式，使人力可專注於品質管理、異常處理及決策等高附加價值工作，進一步提升生產效率與作業安全。
綜上所述，人形機器人部署仍以內部驗證、資料蒐集及持續優化為主，目前優先導入缺工且高度重複性的製造業場域，透過人機協作模式提升生產效率，並強化產線彈性，未來隨著Physical AI模型持續成熟、硬體成本下降及系統可靠性提升，人形機器人有望逐步擴展至醫療照護及商業服務等更多元應用場域。
2. 物流場域
相較於製造業，人物流及倉儲場域需因應電商需求成長、訂單波動及全天候作業等挑戰，並面臨搬運作業密集及缺工等問題，因此成為人形機器人另一重要應用場域，人形機器人可憑藉雙足移動、雙手操作與自主導航能力，於既有倉儲環境中自主移動，完成周轉箱搬運、貨物配送及空箱回收等任務，而無須大幅改造既有倉儲設施，有助於提升物流作業效率及營運彈性。
以Agility Robotics的Digit為例，目前已部署於GXO Logistics 物流中心，執行周轉箱搬運、空箱回收及倉儲物料配送等工作，Digit透過整合視覺感測、AI環境感知及自主導航能力，可辨識周遭環境並自主規劃移動路徑，同時透過雲端機器人管理平台Agility Arc，進行機器人車隊部署、工作流程管理、遠端監控及軟體更新，並可與自主移動機器人(Autonomous Mobile Robot, AMR)及輸送帶等既有物流自動化設備協同運作，提升整體物流系統的協作效率。此外，GXO採用機器人即服務Robots-as-a-Service(RaaS)商業模式，由Agility Robotics提供機器人部署、雲端管理及維護服務，企業可依需求彈性擴充機器人數量，降低一次性資本支出及導入門檻，加速人形機器人的商業化應用。
透過自主感知、導航及人機協作能力，人形機器人可有效降低人力負擔，使人力轉向異常處理、品質管理及流程優化等高附加價值工作，同時提升物流效率與作業安全，此外，Robots-as-a-Service(RaaS)模式搭配雲端管理平台，使得有需求的企業得以依實際營運需求彈性部署及管理機器人，降低導入成本並提升系統擴充性，未來Physical AI模型持續成熟、RaaS生態系逐步完善，人形機器人可望進一步拓展至配送中心、零售物流及供應鏈管理等更多元物流應用場域。
（二）自主移動系統
除人形機器人外，Physical AI亦加速推動自駕車與無人配送系統的發展，透過整合多模態感測器、視覺感知、大型AI模型及自主決策能力，自駕車可即時辨識道路環境、預測其他用路人的行為，並依據交通狀況自主規劃行駛路徑及完成駕駛決策，不再僅依賴預先設定的規則運作，且相較於傳統自動駕駛系統，Physical AI更能因應複雜且動態變化的真實道路環境，提升行車安全與環境適應能力。
1. 自駕車應用
自駕車是Physical AI於自主系統的重要應用之一，相較於傳統車用先進駕駛輔助系統(Advanced Driver Assistance Systems, ADAS)主要提供駕駛輔助功能，自駕車透過整合攝影機、光達(LiDAR)、毫米波雷達及AI模型，可即時感知周遭道路環境，辨識車輛、行人、交通號誌及道路障礙物，並自主完成路徑規劃、車速控制及避開障礙等駕駛決策，使AI得以在複雜且動態變化的道路環境中安全運行。
以Waymo為例，目前已於美國鳳凰城、舊金山、洛杉磯、奧斯汀、亞特蘭大及邁阿密等城市提供Robotaxi商業服務，透過多模態感測器與AI決策系統，即時辨識道路環境並自主完成變換車道、路口轉向、避讓行人及應對複雜交通情境等任務，相較於傳統規則式自動駕駛，Waymo透過持續累積實際道路行駛資料及AI模型優化，提升系統對未知情境的環境理解與自主決策能力，展現Physical AI於真實道路環境中的應用成果。
根據Waymo公布的安全研究，截至2025年1月底，其自動駕駛系統已累積超過5,670萬英里自動駕駛里程，相較於人類駕駛，在整體事故率及路口碰撞事故皆顯著降低，其中涉及人員受傷的路口事故減少約96%，顯示Physical AI已具備於真實道路環境中提升行車安全的能力。
2. 無人配送
除無人載具運輸外，Physical AI亦推動無人配送快速發展，隨著電商物流需求持續增加及最後一哩配送成本攀升，無人配送車可透過自主導航、環境感知及路徑規劃能力，自主完成生鮮、餐飲及日用品等配送任務，降低配送人力需求並提升物流效率。
以Serve Robotics為例，2024年持續擴大與Uber Eats合作，於洛杉磯提供餐飲最後一哩配送服務，並規劃於美國多個市場部署最多2,000台配送機器人，Serve Robotics配送機器人可於人行道環境自主完成導航、避障、停靠及餐點配送等任務，使用者則可透過App解鎖艙門並取餐，近年Serve Robotics陸續拓展合作版圖，除Uber Eats外，亦與DoorDash及White Castle等外送平台與餐飲品牌合作，持續擴大配送服務範圍，透過大量配送任務累積實際營運資料，持續優化AI模型與自主導航能力，形成資料驅動的持續學習機制，加速Physical AI於城市物流與最後一哩配送的商業化應用。
三、結論
1.製造、物流及自主移動等場域為Physical AI率先落地之應用場域
綜觀目前Physical AI發展，人形機器人、自駕車及無人配送等自主系統已逐步由概念驗證(PoC)邁向商業化應用，其中以製造、物流及自主移動等場域發展最為成熟，透過大型語言模型、多模態AI、視覺感知及自主決策能力的整合，Physical AI已使AI從過去僅能理解數位資訊，逐步具備感知環境、理解情境、規劃任務及執行行動，使AI真正得以與實體世界互動，並開始創造實質產業價值。
2.因應模型成熟以及成本下降，Physical AI逐步擴展至醫療照護、家庭服務等非結構化場域應用
展望未來，隨著Physical AI模型持續成熟、機器人硬體成本逐步下降，以及雲端運算、邊緣AI、5G／6G通訊與RaaS等生態系日益完善，人形機器人可望由目前優先導入的製造及物流場域，逐步擴展至醫療照護、商業服務及家庭服務等更廣泛且非結構化場域的應用。其中，家用服務型機器人將成為重要發展方向，可望協助執行居家清潔、物品搬運、陪伴照護、家務協助及高齡照護等多元任務，以因應全球高齡化、少子化及勞動力短缺等長期社會趨勢，並逐步成為智慧家庭的重要基礎設施。
3. 高可靠低延遲通訊網路、邊緣運算、高效能低功耗AI晶片為Physical AI長期發展之基礎
整體而言，Physical AI正推動AI由數位世界邁向實體世界，並逐步重塑製造、物流、交通及服務等產業發展模式，未來隨著世界模型(World Model)、多模態AI及自主決策能力持續演進，AI將不再只是資訊生成工具，而是具備自主感知、推理與行動能力的智慧代理(AI Agent)。然而，Physical AI的大規模落地仍有賴於高可靠低延遲通訊網路、邊緣運算、高效能低功耗AI晶片、精密感測、機器人控制技術及能源管理等關鍵技術同步發展，方能支援自主系統於真實環境中的即時感知、安全決策與穩定運作。隨著相關技術成熟度與產業生態系持續提升，Physical AI可望進一步促進人機協作及自主系統普及，帶動智慧製造、智慧物流、智慧交通、智慧醫療及智慧家庭等新興應用蓬勃發展，成為驅動下一波AI產業成長的重要引擎。
參考文獻
[1] Kusano, K.D., Scanlon, J. M., Chen, Y., McMurry, T. L., Gode, T., Victor, T. (2025). Comparison of Waymo Rider-Only Crash Rates by Crash Type to Human Benchmarks at 56.7 Million Miles. Traffic Injury Prevention, 26(sup1), S8–S20. https://doi.org/10.1080/15389588.2025.2499887