人形機器人短期內仍趕不上人類工人：操控、泛化、安全性卡住實際運用
人形機器人近幾年的發展與進化有目共睹，從美國特斯拉 Optimus 機器人的現場調酒，直到中國宇樹的機器人春晚武術表演，以及世界人形機器人運動會上，以 8.64 秒成績完成百米賽跑的天工 Ultra 機器人等，這些進步都在彰顯機器人產品正變得越來越強大。
然而，人形機器人真的已經進化到足以取代人類勞動力的地步了嗎？
對此美國人工智慧與機器產業公司 Physical Intelligence 創辦人 Karol Hausman 認為，當代機器人確實能夠完成「人類很難做到的特技動作」，但是反過來說，像是「拿起一罐可樂」如此簡單的事情，對於人形機器人來說卻非常困難。
仰賴遠端操作的各種精美展示
事實上，過去許多令人驚豔的機器人行為，仍有很大一部分仰賴遠端操作，例如開頭所提及特斯拉 Optimus 機器人於 2024 年展演的調酒動作即是如此。雖然說 Optimus 機器人在硬體層面，確實足以擔當調酒師的任務，可是當時的軟體運算卻跟不上，因此特斯拉選擇僱用人類操作者，在遠端操控 Optimus 機器人進行展示。
至於宇樹機器人的武術表演，雖然並不是遠端遙控操作，但也不能充分展現人形機器人執行實用任務的能力。畢竟，大多數體力勞動都涉及在現實世界中操作物體，例如打包箱子、敲釘子、翻動食物等，而訓練人形機器人執行此類物理工作，遠比訓練它們跳舞要來得困難許多。
換句話說，人形機器人走向實用的關鍵，始終在於「泛化能力（generalization）」，使其承擔超越個別任務的廣泛挑戰。
若跟機器人相較，人類極具靈活性，我們可以負責各式各樣的任務，並且於工作過程中輕鬆學習。然而迄今為止，依舊還沒有人找出如何讓人形機器人與背後運作的 AI 模型，擁有跟人類同樣的泛化能力。
此外，在現實世界中部署人形機器人，還會有許多成本與安全考量，例如機器人必須能夠連續運作數小時而不發生故障，其製造、訓練或維修的支出也不能過高，同時當機器人在人類身邊運作時，產品還必須具備極高的安全性。
從泛化能力與成本、安全性等多個角度來看，人形機器人在過去幾年間，確實取得了長足的進步，但想要克服所有挑戰，前方的道路依然漫長。
以「操控」釋放機器人商業價值
既然想要將人形機器人投入實際應用，並沒有表面上如此輕鬆簡單，那麼當今機器人產品最大的發展瓶頸又在哪裡呢？機器人新創公司 Genesis AI 總裁 Theophile Gervet 指出，真正核心且尚未解決、並能釋放 90% 以上機器人產品商業價值的關鍵，其實就在於「操控」。
舉例來說，無論人類或機器人，只要拿起一個物體，就會改變物體的位置，還會改變它的形狀，而且不同的物體還會有不同反應，因此難以找到一種通用方式進行 AI 建模。
回顧 2025 年 9 月，現任職於 OpenAI 的機器人領域專家 Benjie Holson，提出了一份擁有 15 項動作的「挑戰清單」，他認為只要人形機器人能夠完成這些任務，將會迫使研究人員突破現有技術極限。
在這份清單中，大部分任務對於人類來說都是輕而易舉，連八歲小孩都能輕鬆完成，例如打開門、將花生醬塗抹到麵包上，或是要求機器人剝開橘子的皮。
即便清單中的任務極為簡單，但 Physical Intelligence 於三個半月後，也只宣布成功克服當中 10 項，而且付出了驚人的時間和大量訓練資料，比方說為了教導人形機器人將襪子翻面，其訓練數據量就長達 8 個小時，且必須投入 176 個成功範例讓 AI 模型學習。
整體計算下來，由 Physical Intelligence 所訓練的人形機器人，完成大部分任務所需要的時間，大概會是人類的 4 到 10 倍，同時任務成功率卻僅有 52%。
多步驟長時任務，仍是機器人死穴
約半年後，Benjie Holson 公布第二份「挑戰清單」，難度略為提高，並導入「長時任務」概念，也就是需要更多操作步驟的任務。清單中僅有「把垃圾拿出屋外丟掉」與「煎一顆太陽蛋」被歸類為長時任務——這兩項工作即使由人類處理，也不會超過五分鐘，但目前的機器人在完成這類多步驟、多環節組成的工作時，仍顯得力不從心。
原因在於，支撐機器人運作的 AI 模型，記憶先前動作的能力有限，即便是 Physical Intelligence 這類前沿團隊，也只能讓機器人記住過去 15 分鐘的內容，且模型可靠度不足，難以把數十、數百項不同的子任務串聯起來。截至目前，這份清單內容仍沒有團隊提出解決方案，顯示「操控」確實是人形機器人發展的最大死穴。
不訓練直接應用，泛化能力待突破
只不過，即使人形機器人的操作能力未來可以突飛猛進，泛化能力卻依舊是難以跨越的門檻。
許多機器人企業已經摸索出實際方法，得以在單一任務上投入巨大心力，訓練機器人執行特定任務，然而在多數情況下，特地訓練機器人去執行的那些工作，其實早就可以透過傳統的自動化技術解決。
因此，發展人形機器人泛化能力最關鍵的問題，其實在於機器人是否可以在缺乏大量訓練資料的情況下，直接推廣並應用到新的環境當中。
近來一家名為 Generalist 的公司在 NVIDIA GTC 大會上，獲得了許多機器人產業專家的關注，而該公司的現場展示非常簡單，就是讓兩條機械臂自主操作，將手機不斷放入、取出包裝盒。
最為關鍵之處，在於 Generalist 只花了「幾天」就完成操作展示，甚至沒有在展場內，對機器人投入過任何相關訓練；Generalist 所花的時間與精力之少，令產業專家們印象深刻，更凸顯出過往 AI 模型的脆弱，只要環境有些微變化，例如光線改變就可能導致運作失效。
如 Generalist 之類的新創案例，正在向外界表達當前人形機器人的泛化能力，確實正在高速提升，只是距離進入實用或許還得一段時間。
雙腿或許很方便，但也有安全隱憂
最後是安全性。普遍來說，人形機器人的最大特色，就在於它擁有「雙腿」，而機器人腿部最大的工程設計挑戰，其實就是安全性。
目前大多數擁有腿部的人形機器人，基本上都必須主動維持平衡，若因為任何原因導致腿部馬達停止運轉，機器人便會倒下，過程中就可能導致人類受傷。
然而，過熱只是機器人無法持續站立的影響因素之一，舉凡電池耗盡、設計缺陷等，皆有可能導致機器人摔倒。
為了防止此類故障危及人類安全，企業必須替人形機器人審慎制定設計與部署決策。以 Agility Robotics 目前做法，該公司將機器人置於安全圍欄之內，跟人類工作者保持距離，未來當人形機器人跟人類一同工作，那麼 Agility Robotics 會考慮當人類過於靠近時，讓機器人自主減緩或停止動作。
有些機器人公司則選擇其他方式，嘗試提高人形機器人安全性，例如 1X 選擇將機器人進行輕量化；另一種方案就是用輪式底盤取代雙腿，畢竟輪子的工程設計與製造成本較低，而且還具有被動穩定性，即使機器人斷電也不會倒下，可是也會讓機器人失去攀爬樓梯，或者在崎嶇不平地形上行進的能力。
從演示到上市，仍需要許多努力
總歸來說，人形機器人的全面部署之路仍相當漫長，尤其考慮到廣泛且規模化的投入時，各種過去未曾顯現的故障，就有可能被呈現出來，機器人企業想要將那些令人印象深刻的演示，轉化成正式上市的產品，恐怕還需要一段時間。
就跟無人駕駛計程車走向規模化應用一樣，現實世界中存在大量極端情況，需要開發商和營運者付出巨大努力，而目前所呈現出來的結果，也為產業界帶來一絲希望，至少許多於 5 年以前看似不可能解決的問題，例如讓機器人摺疊衣服之類的任務，確實得到了克服與突破。
AI 機器人如何從 Demo 走向規模化部署？
立即下載《從 Demo 到 Deployment：AI 機器人規模化關鍵報告》，
掌握真實部署、學習能力與跨層整合的 2026 關鍵進展。
🤖 立即下載
＊本文開放合作夥伴轉載，參考資料：Understanding AI、General Robots，首圖來源：YouTube
（責任編輯：鄒家彥）