製造業的 AI 革命已經來臨，從需求預測到品質檢測，我們看到製造業者積極部署生成式 AI 與 Agentic AI 解決方案，AI 驅動的機器人系統，正以驚人的速度從試驗階段邁入企業級量產。過去需要數個月校正的需求預測系統，如今能在數週內自主優化；在單一生產線訓練的品質檢測模型，也能在一夜之間推廣至所有廠區使用。
AI 創新的機會廣闊，但製造業的野心已經不只是「AI 能對資料做什麼」，而是進一步邁向「AI 能在實體世界中做什麼」，也就是透過提升生產、組裝與製造流程的效率，將 AI 的效益延伸到更多生產環節。
▲Physical AI已經開始走入製造業實體現場
Physical AI並非現有AI發展的線性延伸，而是一個全新的分支
Physical AI 是能在實體空間與人類共同感知、推理、學習與行動的智慧機器人系統。Physical AI 之所以具有變革性，在於它超越單一的自動化應用，能進一步創造網路效應——每一台機器人遇到新情境、解決新問題或適應意外變數時所產生的智慧，都能讓其他機器變得更加聰明。
我們很容易只將 Physical AI 視為現有 AI 能力的自然演進。好像只要把優化供應鏈、檢測零件的模型，稍做工程調整，就能讓它在真實世界中運作。然而，這樣的假設是錯誤的。Physical AI 雖然建立在既有的製造資料基礎上，卻需要一個全新的資料層，我們稱為「具身化（embodied）」的三維互動資料，用來記錄機器人在即時操作過程中「看到什麼」、「感受到什麼」、「做了什麼」，而這個資料層目前尚未大規模存在。
因此，打造 Physical AI 需要全新且重要的能力：新的模型架構、新的訓練方法、新的資料管道（data pipeline），同時善用既有的製造資料基礎作為關鍵輸入。這種具身操作資料，必須從每一次互動、每一項任務、每一個環境逐步建立。
改變一切的回饋循環
談論 Physical AI 時，人們常聚焦於機器能做什麼，像是舉起、導航、組裝、遞送。然而，真正能帶來變革的部分，不在於動作本身，而是在於動作之後發生的事。在真實世界運作的 Physical AI 機器人，會持續產生大量資料。這些資料回流至雲端後，發揮三種作用：優化軟體使機器人能力更好、為產品的下一代設計提供決策參考、幫助塑造下一代機器人的硬體與設計。正是這樣的機制，讓 Physical AI 不是固定不變的工具，而是會隨時間持續進化的系統。
從另一個角度來說，ADATA AI 這套雲邊協同架構大幅降低導入 Physical AI 的門檻。過去企業往往要投入高昂的伺服器建置與機房維護成本，才能進行大規模的機器人訓練與優化。透過 AWS 雲端環境，企業無需自建基礎設施，即可在雲端安全地執行複雜的模擬訓練。顯著降低導入成本後，團隊就能將資源聚焦於創新應用的整合上。
未來工廠已經在學習
認知型機器人、雲端規模的 AI 基礎設施、真實世界驗證環境，這些要素都在為新一輪工業革命創造條件。這場新工業革命的核心，在於能從物理世界中學習、根據遇到的情境自我改善，並將改善結果即時共享至全球機器人車隊（fleet）的機器系統。
數十年來，製造業的優勢建立在嚴謹的標準、流程紀律、供應鏈效率與資本投入。Physical AI 帶來一個全新的面向：企業學習與適應的速度。接入雲端大規模智慧運算的工廠，將不只會生產，而是在每一個任務與事件中持續改善。這種不斷累積的學習能力，將成為衡量營運表現的新標準。
工廠一直是學習、演進與創新的場所。不過長期以來，改善的速度受限於人類將新知識傳播至整個工作團隊的速度。Physical AI 將打破這個限制，創造出一個持續循環，讓人類專業與機器智慧相互強化，系統即時擷取並處理資料。一個廠區的創新，能在瞬間部署至全球各地，這種改善速度是幾年前完全難以想像的。
Physical AI 的時代才正要開始，而勝負的關鍵，不在於哪家企業擁有最先進的機器人，而在於誰能學習得最快。對台灣製造業而言，這既是挑戰，也是後發先至的契機。當學習速度成為新的競爭力指標，率先建立雲邊合作能力、同步學習系統的企業，將在下一輪工業革命中佔據領先的位置。
(本文由 Amazon Web Services（AWS）台灣解決方案架構部副總經理謝世衡 潤譯)
