本文為繁體中文版。English version: When AI Leaves the Screen: Will We Need a Worker, a Caregiver, or a Companion First?

本站為文字版；含完整圖表的版本請見 Medium 原文。

這個問題對我不是抽象的未來想像。

最近半年，我九十多歲的母親在家中跌倒了幾次。我的姊姊、姊夫一直在照顧她，我們也定期陪她回醫院檢查。家人已經付出很多，但沒有人能一天二十四小時始終站在她身旁。幸好幾次跌倒沒有造成嚴重傷害，卻留下了一個無法迴避的問題：如果當時有一個能持續觀察、及時提醒，並在異常發生後立刻求助的實體AI，結果是否可能不同？

我想到的不是一台取代家人的機器，而是一個補上「人不可能永遠在場」這段空白的系統。

這也是我重新理解Physical AI的起點。它最重要的價值，未必是讓機器像人一樣跳舞、跑步或表演，也不只是下一波資本市場題材。真正值得問的是：當人工智慧離開螢幕、取得身體，它能不能在人類無法持續在場的時刻看見風險、做出回應，並把真正的人帶回現場？

過去幾年，AI的主要成果發生在螢幕裡。它回答問題、寫程式、生成圖像、整理資料。但對一位夜裡起身的老人而言，再聰明的聊天機器人，如果沒有看見她失去平衡，也無法在跌倒後確認是否受傷，那份智慧仍然停留在另一個世界。

現在，AI正開始走出那個世界。

在工廠裡，它被要求搬料、分揀、裝配並連續工作；在家庭市場，它被想像成家務助手；在中國新出現的仿生人產品中，它甚至被包裝成具有表情、記憶與人格的陪伴者。

當AI離開螢幕，人類會先為它的勞動力付費、為家人的安全付費，還是先為它的存在感付費？

一、Physical AI到底多了什麼？

Physical AI、具身智慧與空間智慧經常被混在一起。它們彼此相關，但不完全相同。

李飛飛近年強調的Spatial Intelligence，是AI對三維世界的理解：深度、幾何、物體彼此的位置、運動，以及它們如何在空間中互動。Embodied Intelligence更進一步：智慧不只在模型內推理，而是透過身體與環境互動，在行動和結果之間學習。

Physical AI則是較接近產業化的總稱。它把感知、空間與物理推理、規劃、控制和動作連成閉環，應用可以是人形機器人、自駕車、無人機、工業機械或智慧空間。

生成式AI的循環大致是：

提示 → 模型推理 → 文字、影像或程式碼

Physical AI的循環則是：

感測世界 → 建立物理狀態 → 規劃 → 動作 → 接觸結果 → 發現誤差 → 修正下一步

大型語言模型主要從人類留下的文字、影像、程式碼與數位紀錄中學習。Physical AI面對的則是另一種資料：它不只要知道「杯子」這個詞，也要知道杯子的位置、重量、材質與可抓取部位；手指施力後，杯子會不會滑動、傾倒或破裂；第一次沒抓好，下一步該如何修正。

它的經驗單位不再只是一句話或一張圖，而是一段感知—行動—結果：

看見物體 → 預測結果 → 採取動作 → 感覺接觸 → 觀察成功或失敗 → 修正策略

這使Physical AI更接近人類與動物的成長方式。智慧不只靠閱讀世界，也透過身體進入世界，在成功、失敗與反覆校正中形成。

但機器人不能在現實世界毫無限制地試錯。工廠的一次錯誤可能中斷產線；家庭中的一次錯誤可能打破物品；醫療與照護中的一次錯誤甚至可能傷害人。合理的路徑應是先從人類示範與遙控操作學習，在模擬與數位孿生中練習危險情境，再進入受控實機環境。部署後收集失敗、接管與任務結果，經過審核、訓練和安全驗證，才重新進入現場。

LLM讀取人類留下的世界；Physical AI必須進入世界，並承受自己每一次行動造成的結果。

二、目前發展到哪裡？

今天的人形機器人已經跨過「只能站著展示」的階段。雙足行走、平衡、工廠內導航、固定物件搬運與分揀，在結構化環境中逐漸接近實用。

Unitree表示，2025年實際交付的人形機器人超過5,500台，總產量超過6,500台；UBTECH則在年報中表示，Walker S2已達千台級小規模量產與交付。

這些數字值得重視，但產量不是出貨，出貨不是終端部署，部署也不等於已經創造可持續的生產力。買家可能是工廠，也可能是研究機構、系統整合商、政府示範或展演市場。

模型端同樣快速進步。Google DeepMind的Gemini Robotics已能把視覺與語言指令轉成動作，示範摺紙、裝餐盒、摺衣服等需要精細操作的任務，也能在物件滑落或位置改變後重新規劃。但最強版本仍多處於研究、private preview或合作夥伴測試，而不是已在大量家庭中長期無人監督。

目前較成熟的是移動、辨識與結構化場景中的有限任務；真正困難的仍是五指靈巧操作、接觸物理、跨場景泛化、長時間自主，以及失敗後自行恢復。

模型已開始學會如何做；產業仍在證明它能否每天重複做、低成本做，而且出錯時不需要人來救。

三、中國正在把工廠變成機器人的學校

中國路線最值得注意的，不只是零組件便宜或量產速度快，而是它可能採取了一條和「先造出完美通用機器人」不同的路：先進入結構化產線，先做有限任務，再從大量部署中取得真實資料。

工廠可以調整料架、動線、照明和工作高度來配合機器；任務也可以縮小成搬運特定料箱、分揀固定零件或完成一段重複裝配。機器不必一開始就理解所有人類環境，只要先在一個明確場景中比原來更穩定、更安全或更便宜。

UBTECH Walker S2主打雙電池與自主換電，約三分鐘完成換電，以支援長時間運行。但這只解決能源補充，不能直接等同全天有效自主生產。

「持續工作十幾小時」可能只是持續通電，也可能是持續運動、持續執行固定任務，或在異常發生後仍能自主恢復。企業真正需要衡量的是：

有效自主工時 = 開機時間 × 任務成功率 × 無人接管比例 × 合格率

還要扣除換電、校正、維護、故障恢復和任務切換。

中國正在累積的也許不只是出貨量，而是大量失敗動作、現場異常和人類介入資料。真正稀缺的資料往往不是機器成功了幾次，而是它為什麼失敗、何時需要接管，以及現場如何恢復。只有把這些經驗回收到模型與控制系統，出貨量才可能轉化成學習速度。

工廠不只是市場，也可能成為Physical AI的學校。

四、Tesla能否創造第二個Tesla時刻？

Tesla已經具備多攝影機感知、端側運算、自動標註、模擬、資料閉環、馬達、電池、電力電子和大規模製造能力；更重要的是，它有自己的工廠，可以先成為Optimus的第一個客戶與訓練場。

自駕技術確實能幫助機器人看見和移動。物件辨識、深度與速度估計、遮擋推理、可通行區域、動態物體預測和路徑規劃，都能轉移到機器人。

但兩者有一個根本差異：

自駕主要解決如何不撞到世界；機器人還要解決如何安全地碰觸並改變世界。

汽車的主要控制是方向和速度；機器人卻要一邊保持全身平衡，一邊伸手、施力、抓取、轉動，並根據接觸結果即時修正。行車影片不能取代手指滑動、力量、材質和抓握失敗資料。

因此，Tesla的優勢是真實的，但不能簡化成「有自駕就自然能做好人形機器人」。Optimus仍需證明每小時有效工作成本、無人接管比例、任務切換速度、關節與手部壽命，以及部署增加後是否真的讓整個機器群一起進步。

公司藍圖與已發生的事也必須分開。Tesla的2025年年報仍表示，Bots尚未商業化；2026年資料所列的Optimus設施仍處於建設與大規模生產準備。百萬級或更長期的千萬級產線設計，是產能目標，不是實際產量、外部交付或自主工作時數。

Tesla Moment不會由一場舞蹈或一段剪輯影片證明，只能由長期部署資料證明。

五、真正的瓶頸是手，不只是大腦

馬斯克強調人手的重要性有其道理。門把、杯子、剪刀、工具、衣服和電器，幾乎全部依照人手設計。如果機器人擁有接近人的手，就不必把幾十億個工作與生活環境重新改造成機器專用空間。

但類人外形不等於類人能力。

一隻真正有用的機器手，需要同時具備足夠的自由度、觸覺、力量控制、柔順性和耐用性。自由度只回答「手指能不能到達某個姿勢」，沒有回答它是否知道物體正在滑落、是否抓得太緊，或接觸究竟發生在哪裡。

Queen Mary University of London團隊在2026年7月公布的力致變色觸覺感測器，提供了一個有趣方向。研究團隊讓柔軟材料本身把機械作用轉成顏色：表面受到壓力、拉伸或剪切時，內部微結構改變，反射光形成不同圖樣；普通相機讀取這些變化，就能得到接觸、形變與壓力分布。

機器人的眼睛不只看外部世界，也可以藏在手指裡，用光看見自己的觸覺。

這說明Physical AI的突破不只來自更大的模型，也可能來自材料、光學、感測器、機械結構與控制共同形成的閉環。

22個自由度回答「手能不能像人一樣動」；光學觸覺回答「手能不能像人一樣感覺」。前者沒有後者，機器人可能只是更靈活地盲抓。

六、醫療與照護：Physical AI先延伸人，而不是取代人

談到機器人，人們常先想到取代工廠勞動。但在高齡化社會，更迫切的問題可能不是缺一雙能裝配零件的手，而是缺一個能持續在場的觀察者。

高齡者面對的風險，往往不是一次複雜診斷，而是大量細小但持續的事件：忘記吃藥、重複取藥、夜間起身、逐漸走得更慢、活動量下降，或跌倒後無法呼救。

Physical AI在這裡的第一個價值，是提醒、確認、觀察、記錄、通報，並在需要時連接真人照護者。

既有研究顯示，居家機器式藥物管理系統可以依個人時程配送藥包、記錄漏服並通知照護者，也可能降低例行到宅訪視與服藥管理工時。但界線很清楚：長者較能接受機器提醒服藥，對於由機器決定該吃什麼藥，仍更偏好真人。提醒、給藥、確認服下與醫療決策，不應被混成同一件事。

跌倒也是如此。第一個可行目標不一定是讓機器人把長者抱起來。扶抱與移位涉及高力量、高風險接觸，一次誤判便可能造成二次傷害。

更現實的第一步是：系統發現跌倒或異常後立即用語音確認；長者沒有回應時，依風險通知家屬、照護員、護理站或緊急服務。移動式機器人還可以開燈、保持對話、傳送必要影像或取來電話。

2025年發表的TELEHPAD多中心隨機試驗納入213位護理機構長者，平均年齡約87.7歲。自動遠距監測加個人化二級預防的介入組，每人年均嚴重跌倒為0.24次，對照組為0.49次；至少發生一次嚴重跌倒的比例為20.19%對33.03%。研究支持的不是「機器防止所有跌倒」，而是更早偵測事件，讓照護團隊啟動後續預防。

另一方面，AI預測仍不能被高估。2026年一份系統性回顧納入28項預測社區長者未來跌倒的研究。合併AUC約0.79，但研究間異質性極高，只有一個模型做過外部驗證，而且所有模型都被評為高偏誤風險。穿戴式步態資料也比較像臨床評估的補充，而非替代。

AI負責把日常變化變成可讀的風險訊號；醫療人員、復健師、照護者與長者共同決定如何介入。真正的終點不是預測分數，而是跌倒、傷害、住院和失去獨立生活的時間是否減少。

醫療機器人的另一條路，同樣說明「延伸人」可能比「取代人」重要。Sony的顯微外科原型把醫師手指動作縮小映射到多關節微型器械；SRT-H研究則在離體豬膽囊上，讓機器自主完成膽囊切除中的夾閉與切割步驟，並嘗試從漏抓或器械偏離等失誤恢復。

兩者都不能被寫成「AI已經能自行替病人開刀」。Sony仍是未核准原型；SRT-H不是人類臨床、不是活體，也不是完整手術。但它們共同畫出一條能力階梯：先放大人的動作，再讓機器在明確邊界內完成有限步驟，並確保人能隨時介入。

好的Physical AI不是把責任從人手中拿走，而是在人的感官、時間或生理能力到達極限時，延伸人的看見、觸及與在場。

照護機器人的第一個突破，可能不是把跌倒的人扶起來，而是確保跌倒後不再長時間沒有人知道。

七、從定期檢查走向健康軌跡

現代醫療仍是高齡照護不可取代的核心，但檢查通常發生在特定時間點，九十歲以上長者的狀況卻可能在兩次回診之間慢慢改變。

Physical AI的潛在價值，是把零散的醫療時間點連成一條日常健康軌跡：步行速度、步幅、左右平衡、起身時間、夜間離床、活動量、睡眠與進食型態；在醫療人員指定與使用者同意下，也可以整合血壓、心率、血氧、體重或血糖。

重點不是把長者變成被數據包圍的病人，也不是讓AI自行診斷，而是建立個人基準線，辨識「和她自己平常相比」是否出現持續變化。

一位長者的步行速度逐週變慢、夜間起身增加、白天活動範圍縮小，單一數字可能都沒有超過醫療警戒值；但放在同一條時間線上，可能已經值得家人或醫療人員多看一眼。

日常感測 → 個人基準線 → 趨勢或異常 → 分級確認 → 真人判斷 → 必要介入

如果資料沒有對應的確認方法、責任人與處置流程，再多健康指數只會製造警報疲勞與焦慮。

科學界正積極探討老化能否從根本延緩甚至逆轉；但在生物科技迎來決定性突破之前，Physical AI現階段更務實的定位，是先成為日常健康軌跡的預警系統。

David Sinclair教授提出，細胞逐漸失去身分的表觀遺傳資訊可能是老化的重要原因，並探索這類變化是否具有可逆性。這是一條令人期待的研究路線，但「老化是一種可以治療的疾病」仍是有爭議的主張，不是現行醫學分類共識；實驗室中的重編程、動物壽命或生物標記變化，也不等於已證實能安全延長人類健康壽命。

未來科學或許能延緩甚至逆轉部分老化機制；在那之前，Physical AI可以先幫助我們更早看見能力下降、減少可避免的傷害，並延長長者安全而有尊嚴地生活的時間。

八、人類會先買工人，還是陪伴者？

工業機器人的價值來自有效產出、良率、可用率與投資回收期。家務機器人的門檻更高，因為家庭是高度非結構化環境：兒童、寵物、衣物、玻璃、液體和臨時障礙都會改變任務。

陪伴型仿生人的最低可行產品，卻可能不需要先解決所有家務。它只要能看著你、記得你、回應情緒，以聲音、表情、姿態和適當的主動互動形成存在感。

電腦中的AI等待使用者打開；具身AI可以持續存在於共同空間。它增加的不只是語音，而是目光、距離、姿態、接近和觸碰。陪伴型Physical AI的核心能力未必是最高推理分數，而是Embodied Presence：具身存在感。

但具身存在感越強，治理要求也越高。對孤獨、認知退化或高度依賴照護的長者而言，系統不能刻意模糊「模擬關係」與真人關係的界線，更不能利用依附感推動消費、服從或資料授權。

中國市場已經出現全尺寸仿生陪伴產品的預購熱度。UBTECH在2026年6月底發布U1系列，公開售價從人民幣11.98萬元到99萬元，並宣布累計訂單13,361台。這是值得追蹤的訊號，但截至本文寫作時仍是公司宣布的預售／訂單，不是已完成交付或長期使用資料。

小額訂金只能證明注意力與初步購買意願。真正有意義的證據依序是支付全額、實際交付、三至十二個月留存、訂閱續費、低退貨率，以及可承受的維修成本。

中國市場或許已證明人們願意為「具有身體的AI」付訂金；尚待證明的是，他們是否願意長期與它共同生活。

照護場景還多了一個問題：外形是否越像人越好？對老人而言，一台輪式底盤、溫和聲音、簡單手臂和清楚螢幕的機器，也許比昂貴的全尺寸雙足仿生人更穩定、安全且容易維修。

我們真正需要驗證的，不是完整人形是否最吸睛，而是什麼程度的身體足以提高遵從、安心、互動和求助成功率。

九、真正不能外包給機器的事

Physical AI進入家庭與照護後，收集的將不只是文字，而是最私密的生活資料：人在房間裡如何移動、何時睡覺、吃什麼藥、和誰說話、情緒何時低落，甚至身體如何被觸碰。

這些資料可能讓照護更及時，也可能形成前所未有的監控與操縱能力。因此至少需要幾條不可模糊的界線：

  • 長者與家屬知道蒐集什麼、誰能看見，以及保存多久。

  • 儘量在裝置端處理原始影像，只傳送必要警訊或經授權摘要。

  • 漏報、誤報、斷網和設備故障都有清楚備援。

  • 機器不能自行改變藥物或取代合格醫療判斷。

  • 情感互動不能利用孤獨、認知退化或依賴誘導消費。

  • 使用者隨時能要求停止、離線或呼叫真人。

  • 家人不能因為裝了設備，就誤以為現場已經有人即時看守。

科技可以延伸人的在場，卻不能成為人退出關係的藉口。

結論：我們需要的不只是更像人的機器，而是更尊重人的系統

ChatGPT證明機器可以生成人類的語言；Physical AI要證明的，是機器能否理解人類的空間、使用人類的工具，並在沒有人逐步指揮的情況下可靠完成工作。

這個時代不會由第一台會跳舞、摺衣服或擬人對話的機器人開啟。真正的分水嶺，是一個系統首次同時證明有效自主工時、可靠度、單位經濟與規模學習曲線。

但如果只用生產力衡量它，我們可能會錯過Physical AI最重要的價值。

對一位夜裡獨自起身的老人而言，重要的不是機器人的估值、自由度或模型排名，而是它有沒有看見她失去平衡；能不能問一句「你還好嗎」；在沒有回應時，是否知道該找誰；家人趕到之前，它能否讓她知道，已經有人在路上。

機器人未必先以工人的身分進入每個家庭。它可能先成為一個不會忘記提醒、不會忽略求救訊號、能把真人照護者帶回現場的介面；也可能成為一個記得你、看著你、回應你的具身存在。

當AI離開螢幕，我們買下的或許不只是新的勞動力，而是一種新的照護關係。

真正值得期待的，不是機器終於變得像人，而是科技終於有機會在人的能力有限時，幫助我們更長久、更有尊嚴地照顧彼此。

作者註（Author Note）

這篇文章的起點，是作者家庭照護九十多歲母親的親身經驗。本文是一篇關於技術能力、部署經濟、醫療與照護設計、以及社會治理的評論分析；它不是對任何公司或產品的背書，也不是對特定商業化時程的預測。文中刻意把公司聲明、研究原型、預購／訂單、產能規劃、實際交付、長期部署與獨立驗證視為不同層級的證據。

About the Author｜關於作者

作者(Po-Sung(Sinclair) Huang)長期關注 Physical AI、機器人、科技策略、高齡照護、醫療科技，以及新興科技對社會所帶來的影響。

Disclosure｜利益揭露

本文由作者獨立撰寫，並非受文中任何公司或機構委託、贊助或審閱。作者未因本文的準備或發布而收取文中所討論公司的任何報酬，亦無與本文主題相關的重大財務、顧問、諮詢、研究資助或其他商業關係。

文中提及的公司、產品、研究人員與機構僅供分析，不構成推薦或背書。所有觀點與詮釋均屬作者本人。

Last Editorial Review｜最後編輯審閱

最後編輯審閱日期：2026年7月11日

參考資料（References）

  1. Stanford HAI, What is Spatial Intelligence?

  2. World Labs, About

  3. NVIDIA, What is Physical AI?

  4. Google DeepMind, Gemini Robotics

  5. Tesla, 2025 Annual Report and 2026 company update

  6. Unitree, Clarification Regarding 2025 Sales Data

  7. UBTECH, 2025 Annual Report and Walker S2

  8. Sasso et al., High-Resolution Real-Time Mechanochromic Tactile Sensors, Science Advances (2026)

  9. Rantanen et al., In-home robotic medication management pilot study

  10. Sawadogo et al., TELEHPAD randomized controlled trial

  11. Gao et al., ML/DL models for predicting future falls, systematic review and meta-analysis

  12. Wu et al., Wearable gait features versus intrinsic fall-risk indicators

  13. Sony Group, Microsurgery Assistance Robot

  14. Kim et al., SRT-H, Science Robotics (2025)

  15. WHO, Healthy ageing and functional ability and clarification on old age in ICD

  16. Harvard Medical School, Sinclair Lab

  17. Xinhua, UBTECH U1 launch pricing and company-announced orders

延伸閱讀（Further Reading）

免責聲明（Disclaimer）

本文僅供一般資訊與教育用途，不構成醫療、臨床、投資、法律、工程安全或緊急應變建議。文中的公司數據可能來自公司自行揭露、預售／訂單公告或前瞻性規劃；產品可用性、效能、法規狀態與研究證據都可能改變。涉及高齡照護、跌倒偵測、藥物管理、手術、身體接觸或緊急通報的決策，應由合格專業人員評估，並設計適當的真人監督、故障備援與責任流程。發生緊急狀況時，請聯絡所在地的緊急服務。