一、AI機器人大腦開發三要素：模型、資料、算力
實體AI (Physical AI)或稱物理AI，為AI能思會動，裝上身體後的代名詞，亦被視為是一種具身智慧(Embodied AI)的表現，廣義涵蓋機器人、無人機、自駕車…等智慧載具，被科技產業公認為是繼代理型AI發展的下一波技術浪潮。
最受矚目的實體AI項目之一為人形機器人(Humanoid Robot)，集尖端科技於一身，可望成為解決人類未來大缺工時代的生產力利器，近期2026世足賽在巴西與挪威比賽中，人形機器人Atlas精準遞球給裁判的直播亦成為話題。相較之下，雖然傳統機器人已經發展一段時間，動作與肢體的技能(以小腦功能比喻)成熟，但目前商業化產品最令人詬病的是，機器人可以依照程式語法設定任務，從路徑A點移動到B點，但遇到任務以外的突發狀況即失能，無法像人的大腦可自主判斷處理。為了解決上述問題，業界正努力從三個關鍵要素進行技術突破，為機器人大腦升級做準備，1.算法面-多樣化模型開發、2.資料面-蒐集實作資料與搭配模型訓練策略、3.算力面-雲地算力協同運用，創造成本與效率最佳化等方式並進，如下圖1所示。
資料來源：工研院產科國際所 ITIS研究團隊(2026/09)
圖1 機器人大腦能力建構三要素
下文將重點介紹與說明具備推演未知情境能力的世界模型，如何讓機器像人類的心智模型一樣具備思考、預測、規劃與創造能力，成為打造機器人大腦想像力工程的關鍵拼圖。
二、世界模型演進與實體AI的交會-打造即時推演未知情境的能力
當前AI業界所提到的世界模型（World Models）一詞並無一致的說法，各領域如電腦視覺、機器人、強化學習、生成式 AI 都在推進各自的世界模型，因此與其拘泥在明確的定義上，不如將世界模型理解為存在於一系列能力之上。與大語言模型（LLM）不同的是，LLM以自然語言為溝通基礎，改變了人與電腦的互動方式；世界模型則是協助實體AI實現機器與物理世界互動的方式。深度學習與電腦視覺領域先驅李飛飛近期發表〈 A Functional Taxonomy of World Models〉將世界模型分成三類，包括1.渲染器(Renderer)、2.模擬器(Simulator)、3.規劃器(Planner)，可分別類比為畫家、科學家以及規劃家。畫家畫出「觀看者會看到什麼」，而非「實際是什麼」。科學家負責回答「世界如何運作」，強調幾何、物理、一致性與可互動狀態。規劃家則負責回答「機器人下一步該怎麼做？」 並負責各類機器人決策系統，例如手指取物要用多大力、下一步該往哪裡移動。
學術界則常用三個維度描述世界模型的能力：1.功能(如決策耦合、通用模擬器)：評估模型是否能將模擬推演與動作決策、2.時間(序列模擬推斷、全局差異預測)：衡量模型在時間序列上的推演能力，包含理解因果關係並預測狀態隨著時間推移（全局）的動態變化與差異、3.空間(潛在空間語義特徵、顯式幾何/神經場)：檢視模型如何編碼與表徵三維空間，例如透過壓縮高維感測數據（潛在變數）或是直接建構顯式的物體幾何、神經輻射場（NeRF）等結構。以下介紹世界模型演進的重要歷程：
（一）世界模型（World Models）逾三十年演進-讓機器人從「看懂」世界到「想懂」因果關係
世界模型（World Models）的演進，主要經歷了四波發展歷程，其技術核心是表徵學習架構的升級與多模態資料規模的成長：
1. 第一波（1990 - 2018年）：早期模型奠基與強化學習
早在1990年代，學者就已經嘗試讓AI建立環境模型，並在模型中進行策略練習。而2018年David Ha 和Jürgen Schmidhuber在論文〈世界模型〉中提出讓 AI以神經網路在虛擬賽車遊戲Car Racing與第一人稱射擊遊戲VizDoom中，學習預測遊戲狀態與模擬執行最佳策略，即使用內部世界模型而非直接強化學習。此階段奠定環境動力學模型為實體AI提供虛擬「想像體驗」以優化策略的基礎，即是一套能夠學習預測和理解環境的系統。
2. 第二波（2019 - 2022年）：潛在空間動力學與樣本效率突破
以 Dreamer 系列軟體為代表，機器人開始學會在潛在空間（Latent Space）中做夢。AI不需要把整個世界逐像素重建，而是可以把環境壓縮成較低維度的「潛在空間」。機器人可在一秒鐘內於夢境裡練習走路或抓取成千上萬次，大幅減少在真實世界試錯所需的時間與硬體損耗。
資料來源：工研院產科國際所 ITIS研究團隊(2026/09)
圖2 世界模型演進歷程與分類
3. 第三波（2022 - 2024年）：聯合嵌入預測與非生成式表徵
深度學習領域的重要奠基者楊立昆提出聯合嵌入預測架構（JEPA），指出大腦在想像未來時，不需要像照片一樣畫出每一個背景細節。此架構，以預測重要的「物理常識」與抽象語義，取代昂貴的像素解碼大幅地提升計算速度與抗干擾能力。
4. 第四波（2025 - 2026年）：通用基礎物理模擬器與世界動作模型融合
近年的發展藉由通用基礎物理模擬器與世界動作模型融合，重點的業者以及產品包括： Google Genie 3、Nvidia Cosmos 3等能夠生成高度逼真、可互動的超級虛擬地球模擬器。同時，業界將「環境預測」與「動作生成」深度一體化，催生世界動作模型（World Action Models, WAMs），讓機器人能在統一架構中協同處理物理世界演化預測與動作執行。
（二）世界模型成為實體AI落地的關鍵基石
目前多種世界模型走向正引領AI從單純的語言模仿，跨越至理解物理法則與空間屬性的「通用人工智慧」（AGI），成為驅動自駕車及機器人等實體AI發展的關鍵基石。列舉部份主流技術如下：
1. 主流一、影片生成型
代表案例如 OpenAI Sora、Google Genie 3互動式世界模型等，藉由讓生成式 AI 渲染出「能動起來的世界畫面」，隨時間演化甚至能與使用者即時互動。優點：視覺畫面直觀可見，易落地應用於內容產業（例如影視創作、遊戲開發），並符合縮放定律(Scaling Law)，即資料越多效果呈指數級提升。缺點：並非真的瞭解物理世界運作的法則，模型僅畫出圖片像素的機率分佈，未真正建立 3D空間結構。例如雖然畫面會出現彈跳的球，但不瞭解彈跳球背後的動力學原理，甚至出現美觀卻不科學的物件穿模幻覺畫面。
2. 主流二、3D空間生成型
代表案例如李飛飛的World Labs Marble多模態世界模型：不追求畫面逼真，著重於把世界的「場景搭建」出來，理解物體的空間幾何關係與物理法則。優點：生成視覺畫面為人類顯而易見的結構，並且能直接與物理引擎結合，對機器人和自動駕駛等需要精確操作的領域特別重要。缺點：高質量的 3D 訓練資料稀缺、開發成本高昂，並且運算量遠大於 2D 模型。
3. 主流三、虛擬世界訓練型
代表案例如 Google SIMA，與Google Genie 3負責創造世界的任務不同，SIMA是被投放到生成的世界中作為虛擬訓練場，讓實體AI在遊戲等虛擬環境中不斷試錯、練級，最終將能力泛化遷移到真實世界，兩者創造「生成環境 + 自主學習」的循環。又例如Nvidia Cosmos的開源世界模型平台，則試圖成為實體AI完成任務的共同技術底層，既能產生合成資料，又可做策略評估，以及為機器人、自動駕駛提供虛擬訓練環境。優點：平台化的價值在於可把資料、模型、後訓練、標竿、部署工具做成一套可重複使用基礎架構。缺點：虛擬與現實落差（Sim-to-Real Gap），虛擬環境的物理規則（如摩擦力、重力、材質軟硬度）難以百分之百還原真實世界，AI 學到的技能在現實中可能失準。
4. 主流四、抽象結構預測型
代表案例如楊立昆（Yann LeCun）的 JEPA：讓 AI 直接在潛在空間（Latent Space），即一個低維度的資料空間，可用來捕捉和表示高維度資料，透過視覺與感測器等真實世界的資料訓練AI，使其具備「持久記憶」，學習真實世界的抽象因果結構與未來變化，甚至在採取行動前，先模擬多種可能的情境與後果，確保行動的安全與可靠性，減少算力應用於「畫細節（生成像素）」以發揮決策效益最大化。
楊立昆近期即以此模型創立AMI Labs公司，初期獲得高達 10.3 億美元的種子輪融資，並與數位健康新創 Nabla 合作開發世界模型臨床AI系統，致力將基於JEPA技術應用於不容出錯，重視決策效益的醫療領域中。其優點包括：運算成本低，更容易捕捉因果關係，具備強大的泛化能力；缺點則是因為是隱式的潛在空間，難以直接觀察驗證，且尚缺乏統一的評估標準。
資料來源：工研院產科國際所 ITIS研究團隊(2026/09)
圖3 世界模型擴增實體AI落地應用的能力
總體而言，世界模型協助實體AI掌握「物理直覺」，例如能理解球離桌會掉落、物體被遮擋依然存在等，並能根據結果預判和規劃後續行為。雖然模型多樣化發展，但都是建構實體AI落地應用的基石，解決空間理解、物理常識、模擬訓練、行動規劃、泛化遷移、安全互動…等問題，不同技術之間並非彼此互斥，而是可能逐步融合，成為未來真正可用的機器人大腦。
三、適配多元模型訓練機器人需克服資料與雲地算力挑戰
大語言模型(LLM)可以透過學習網路資料湧現能力，然而機器人需要的是涵蓋視覺、力覺／觸覺、關節位置、電機控制訊號等多維度感測資料，且必須時間戳同步（Timestamp Synchronization）、動作軌跡完整，才可作為模型訓練資料。這類型資料過去沒有被系統性地記錄，每一條高品質資料都必須重新產生，幾乎也不存在於網路上。因此為了克服機器人訓練資料的瓶頸，業界將資料的品質與取得成本的解方，排序出實機遠距操作、模擬合成資料、第一視角動作捕捉、網路影片混合而成的資料金字塔，如圖4所示。
資料來源：工研院產科國際所 ITIS研究團隊(2026/09)
圖4 世界模型依賴輸入高品質實作資料訓練機器人
因實作資料稀缺，近期業者透過訓練工廠與高值資料採集訓練機器人，案例如下：日本Telexistence公司，藉由VR遠距操作（Teleoperation）蒐集動作捕捉資料，直接導入至基礎模型進行訓練以實現實體AI完整管線流程（Pipeline）。該公司已與日本7-Eleven合作開發人形機器人「Astra」，預計2029年於門市導入，目前透過試點方式訓練無遠端介入的自主抓取裝袋能力，以累積實機資料。其他蒐集機器人動作捕捉資料訓練資料案例包括Apptronik Robot Park、Figure AI 與 Brookfield 合作蒐集住宅第一視角影片訓練 Helix 模型；智元機器人（Agibot）旗下的覓蜂科技數據採集工廠、戴盟機器人具身數據採集5S店、LG Electronics機器人資料工廠、印度新興產業-以穿戴裝置蒐集手部動作資料訓練機器人等…皆為近期業界因應機器人訓練資料稀缺所成立的新事業單位。
四、近期展會-ICRA 2026指出機器人資料、長尾情境、算力分工重要性
2026 年的 IEEE 國際機器人與自動化會議（ICRA 2026）於 2026 年 6 月 1 日至 5 日在奧地利維也納的 Messe Wien 圓滿落幕。本屆大會以「Robots for All」為主題，匯集近 9,000名產學研專家（較2025年的6,200人明顯成長），重點探討具身智慧等尖端技術在人形機器人、視覺-語言-動作模型(VLA)、世界動作模型(WAM)、強化學習、靈巧手、觸覺感知、虛實模擬(Sim-to-Real)、空間智慧(Spatial AI)、機器人專用模型與產業落地的解法。
整體趨勢顯示，機器人不再只是「自動化設備」，而是朝向在真實場域持續學習的「自主化實體AI」發展。多場工作坊與主題演講指向重點包括：1.機器人資料成為下一階段競爭焦點：因機器人資料不像文字或影像資料容易大量取得，具有高成本、低密度、難標註、強場域依賴等特性。因此，如何蒐集高價值示範資料、失敗資料、觸覺/力覺資料、真實場域資料，將決定機器人模型能否落地。2.長尾情境( Out of distribution, ODD)或需世界模型填補：例如自駕車多數意外都發生在訓練資料涵蓋不到的長尾情境，Tesla執行長Elon Musk曾表示需累積100億英里數據，FSD才能脫離監督式限制，顯示端到端(E2E)自駕模式的限制，導入世界模型後，有望讓車輛像人類一樣，在遇險前先進行模擬合成資料進行預測，提前迴避風險，而非以記憶資料反應。但目前真正的實體AI自駕尚未被實現以致於實機資料不易累積，此外世界模型運算規模過於龐大，如何壓縮後植入地端算力，業界仍在摸索。3. 算力分工-雲端要想得深，地端要反應快：因世界模型通常需要龐大運算資源，然而機器人真正在現場工作時，不能每個動作都等雲端算完再回應，走路、防跌倒、避障、抓取柔軟物體，都需要高速反應。因此，未來機器人大腦可能採用分層架構，雲端負責大規模訓練、合成資料生成、長期策略優化與模型更新；地端邊緣裝置負責即時感知、快速決策、安全控制與低延遲反應。
五、結論
(一) 世界模型將成為實體AI實現可部署、可泛化、可修正的關鍵中介層
世界模型將成為實體 AI 邁向可部署、可泛化、可持續修正的關鍵中介層，串聯資料、模擬、模型、控制與現場部署，成為實體 AI 技術體系的核心樞紐。透過世界模型，機器人得以從虛擬環境中的訓練與推演，進一步走入工業、物流、服務、照護與災害應變等真實場域，理解物體、人、空間與時間的動態變化，並據此進行預測、決策與行動。
要讓機器人具備近似人腦的物理直覺，真正做到「看得懂、想得清、做得對」，必須同步強化三項關鍵要素：資料面「質量並進」（Data as Food），兼顧資料規模、品質與多樣性；演算法面「多模並濟」（Multi-modal as Fusion），融合視覺、語言、動作與觸覺等多模態資訊；以及算力面「雲地並馳」（Edge as Fast），結合雲端訓練與邊緣即時推論，支撐機器人在複雜、動態且不可預期的真實世界中持續學習與可靠行動。
(二) 未來由AI模型決定競爭力
未來機器人產業的價值鏈將重新分配，機器人本體仍然重要，但真正拉開差距的會是AI模型競爭力，包括掌握高價值資料、提供模擬與訓練平台、把模型安全部署到工廠、倉庫、醫院與家庭、讓機器人在場域中持續學習等，透過可靠的世界模型，將讓具身智慧走出受控場域。這也會帶動邊緣AI晶片、機器人控制器、低功耗推論、模型壓縮、蒸餾與雲地協同平台的市場機會。未來勝出的不會只是最大模型，而是能在成本、功耗、延遲與可靠度之間取得最佳平衡的系統。
對我國產業而言，布局機會在於「必要但稀缺」的環節，例如高品質場域資料、機器人測試驗證、Sim-to-Real平台、邊緣AI模組、感測器與致動器整合、特定產業應用解決方案等。我國在半導體、ICT硬體、工業電腦與製造場域累積深厚，若能進一步結合世界模型與實體AI模型堆疊，將有機會從硬體供應者升級為實體AI系統整合與應用創新者。