Physical AI還缺什麼？機器人都會跳舞、跑酷、接棍子了

9月底在美國匹茲堡參加機器人頂尖會議IROS 2026。一家機器人新創的攤位上，雙臂機器人在玩「接棍子」（falling sticks）遊戲，幾根棍子懸在上方隨機落下，手臂要在半空中瞬間抓住。這類遊戲原本用來測試人的反應速度。

這一年也看到不少機器人跳舞、跑酷（機器人障礙賽）、跑半馬的影片。這些表演代表什麼？機器人已經有完備的AI能力了嗎？

先看跳舞。中國一家人形機器人大廠2025年在春節晚會讓機器人跳舞。這類表演常見的做法是「動作追蹤」（motion tracking），錄下人類動作、對應到機器人骨架，在模擬器裡用強化學習訓練一個照著做又不跌倒的策略，再直接用到實體機器人上。硬體則靠高扭矩關節與3D光達定位。外媒報導指出，這是用真人舞者資料預先編排的表演。

跑酷多了一層判斷。2026年初，柏克萊加州大學、史丹佛大學、卡內基美隆大學等研究團隊，把多個跑酷技能蒸餾成一個以深度影像驅動的策略。機器人只靠深度相機與移動方向、速度的指令，自己決定障礙物要跨過、爬上還是撐越。但往哪裡去？為什麼去？仍由人決定。

把這三個例子放進機器人的控制架構來看。控制大致分成5層，往上愈慢、愈抽象，往下愈快、愈貼近實體動作。最上層由大型語言模型理解指令、拆解步驟，大約每秒1次或更少。往下是視覺語言動作模型（VLA），決定手要抓哪裡、怎麼移。再往下是負責移動與平衡的運動策略、協調手臂與腿部的全身控制，最底層的馬達電流控制大約每秒上萬次。

借用心理學家康納曼（Daniel Kahneman）《快思慢想》的說法，上兩層像需要專注推理的「系統二」，下三層像快速、直覺的「系統一」。跳舞、跑酷、接棍子，都落在系統一。

這幾層的分工目前還在調整。一家美國人形機器人新創把全身控制獨立出來，稱為「系統零」，用超過1,000小時的人類動作資料訓練成一個網路，業者表示取代10萬多行手寫程式。運動策略與全身控制兩層，看來正被學出來的控制器合併。

為什麼停在系統一？因為這幾層的資料較易取得。「照著人類動作做、不要跌倒」幾乎適用每個動作，成敗幾秒就知道。剛體與地面的接觸也容易模擬，GPU上可以同時跑幾千台虛擬機器人，走路策略很快就能訓練出來。上層剛好相反，「摺好衣服」「幫我微波午餐」很難寫成獎勵，手指與物件的細微接觸，模擬也不準。所以這些表演多半是模擬器裡用強化學習練出來的，機器人身上還缺一個有深度思考、推理能力的「大腦」。

這些表演證明的，是平衡、移動與全身動作已經成熟許多。北京的人形機器人半程馬拉松賽，2025年首屆多數隊伍跑不完，2026年已有隊伍50分鐘出頭完賽。資金也跟著進來，依市場研究機構統計，2025年全球實體AI（Physical AI）新創募資近400億美元，2026年上半已超過470億美元（統計範圍也包含自駕車、無人機等）。

缺的部分，從系統二到場域部署，我的觀察有6項：

第一是長時序任務。公開展示的自主任務，大多只有幾分鐘、數十個連續動作，離工廠一個班次的8小時還很遠，過程中也要能推理、確認自己有沒有做完。

第二是泛化，關鍵在資料。上層要的做完工作的資料，目前多半得在真實世界累積，遙控操作因此從機器人做不到時的補位，也成收集資料的方法。也有團隊讓模型從實際執行與人工修正中學習。

第三、第四是硬體與接觸。便宜的是身體，手、觸覺、電池與耐用度還沒跟上。2026年7月一家美國科技大廠發表的模型，讓人形機器人蹲下從地上撿東西，成功率還不到5成。

第五是安全。固定的機械手臂斷電後停在原地，需要主動維持平衡的機器人則可能倒下，針對這類機器人的國際安全標準，目前仍在草案階段。

第六是部署。依國際機器人聯合會（IFR）統計，2025年全球工業與專業用途的人形機器人約7,000台，不少是買來產生訓練資料，實際在場域使用的極少，流程怎麼改、投資報酬怎麼算，都還在摸索。

這幾年控制與硬體的能力、韌性持續進步。硬體價格往下、系統二的能力往上，兩條線交會之後，機器人投入場域才看得到投資報酬。如果場域部署的能力也跟著補上，未來幾年Physical AI agent對產業的影響，可能又會超乎我們的想像。