Autonomy vs. Automation：自主機器人與自動化

8月中參觀台北國際自動化展。2026年參展活絡，規模比2025年成長7%。走一圈下來，實體AI（Physical AI）、視覺語言動作模型（VLA）等字樣充滿會場，連展台上的介紹都講得一口流利的VLA。但是展示機器人仍在柵欄內以固定節拍重複同一個動作，引導對位的是貼在料架上的定位標籤，組裝線材前先用治具固定線端。

展場的用詞走在產品能力前，不難想像。但是眼前這些展示還在「自動化」（automation）範疇，離「自主性」（autonomy）還有多遠？

自動化的做法，是把不確定性從環境中移除。治具固定物件的位置，圍籬隔開人的動線，逐點教導與離線程式編輯給定動作順序，安全光柵與急停則用來降低異常狀況下的風險。機器人因此能正確地重複工業動作。

自主性的方向剛好相反。環境不動，改用系統本身去承受不確定性。剩下的意外，由備援人員介入。

無人計程車（Robotaxi）算是自主性的先驅。Waymo在2026年2月揭露，約3,000輛車的車隊，線上有數十位遠端協助人員。車輛遇到狀況，人員才介入。這不是盯著特定車輛，也不是遠端代駕，但介入從常態變成例外處理，這一步花了十多年。

數位世界的自動化是RPA（流程自動化軟體）。規則先訂好，適合重複而固定的工作，沒定義的狀況就停下來。AI代理（AI Agent）則處理需要判斷與例外的任務，自行拆解工作流程，在回饋機制下重新規劃、重試或修正，那是數位版的自主性。這主要受惠於近來大型語言模型的技術突破，但是能在非結構化環境中通用操作的實體自主性，仍有相當距離。

既然自動化做得好，為什麼還要往自主性走？因為這可能是一次「典範轉移」，不只機器人變聰明靈活，而且成本結構、競爭態勢也可能改變。

自動化的支出裡，為單一場域做的工程往往佔比高，每多一條產線就得多做一次。自主性把比重往系統本身移，前期重得多，包括導入與整合成本，但只要有一部分能跨場域重用，就有機會隨規模攤掉。

在少數場域，這樣的轉變已經開始浮現。送餐、倉儲搬運與商用清潔的任務與環境高度相似，導入時的建圖與流程設定免不了，規模通常遠小於改造一條產線。同一款機器可以複製到下一家，按月訂閱的方案也跟著出現，收費方式和SaaS類似。這幾類還談不上完全自主，雖然會自己避開走動的客人、重新規劃路線，但讓規模化成立的主要是任務相似。

若跨場域重用的比重提高，以單一場域客製工程為主的價值可能被壓縮。值錢的部分也可能往兩端移動，一端是致動器、傳動與力感測，另一端是模型、資料與垂直應用的調校。

自主性可以發揮的，比較可能是場域改造特別貴的地方。長期照護、醫院物流、大型設施巡檢、災害現場，這些環境難以預先結構化，過去多半停在展示階段。其中一些需求不是不存在，而是很難在傳統自動化的成本結構下成立。

自主機器人，還需要哪些技術突破？推論與長時序常被提到，專欄先前談過。比較少被放在一起看的是接觸、新硬體與評估。

接觸這一項的說法相當反主流。有研究團隊在2026年提出，機器人操作之所以慢，是因為整套系統都為了「避開」接觸而設計。方向應該倒過來，「Make contacts friends, not enemies」。這不只是加裝力覺感測器，可能要連硬體形態、規劃重新考量。

已經有團隊初步實現。雜亂的環境裡本來就不一定存在完全不碰的路徑，於是讓VLA先判斷哪些東西可以碰、哪些碰不得，例如撥開布偶去拿遙控器可以，撞倒玻璃杯不行，再據此規劃動作。

靈巧手與觸覺感測這些新硬體發展較遲。視覺在模擬裡已經可以做得很逼真，但一碰到東西就容易失準，形變、摩擦等物理特性較難掌握。電子皮膚與觸覺模組又是每一家一套規格，還沒收斂。

評估這一項問的是另一件事，怎麼確認做對了，做錯了又怎麼改。Agent之所以成功，靠的很大一部分是評估驗證。失敗可以低成本記錄、重播與複製，數位工作執行幾千次也不會弄壞任何東西，錯誤看得見，也就修得動。

實體世界沒辦法這樣。機器人失敗一次，壞的是真的東西，也可能傷到人，錯在哪不見得留得下來。近年多數研究各自訂一套評測流程、用自家的指標。能在真實場域中跨平台收集、又被廣泛採用的共同評測框架，仍然很少。

既然實體失敗成本高，確認就得挪到動手之前。世界模型受到期待，原因之一就在這裡，先在模型裡把動作預演一遍，可行再執行。

回到展場。目前多數展示還落在自動化，這套做法仍在創造產值。接觸、新硬體與評估不會同時被解決，「自主性」比較可能從某一個場域先突破。當某個場域被證實能以較少的客製工程規模化部署，生意的重心就有機會從逐案的客製與整合，轉向可跨場域複製的產品。