從數據、護城河到產品定位：SparkLabs攜手Google、日本創投揭秘「Physical AI新創」勝出關鍵
從智慧機器人、自主系統到具備感知與決策能力的實體設備，Physical AI 正快速重塑製造、物流、交通與服務產業。
所謂 Physical AI，又稱實體 AI、物理 AI，它是將生成式 AI 的「大腦」(演算法與模型) 與真實世界的「身體」(機器人、感測器與機電硬體) 進行深度結合的技術。與過去只能依循固定程式碼、重複單一動作的「自動化設備」不同，實體 AI 具備「感知、思考、動作」的能力，讓 AI 真正從雲端、螢幕走向物理世界。
為了探討這波變革，SparkLabs Taiwan 於 6 月 25 日與臺灣證券交易所（TWSE）共同舉辦「Physical AI 產業小聚」。活動由 SparkLabs Taiwan 共同創辦人暨管理合夥人邱彥錡主持，邀請到 Google、日本知名創投以及台灣指標性的 Physical AI 新創代表共同對談，深度剖析 Physical AI 產業在技術落地、護城河建立及商務拓展上的關鍵挑戰和機會。
機器人最大的瓶頸，不是模型，而是資料取得成本
談到 Physical AI 規模化的挑戰時，光米科技 (Anvil Robotics) 的創辦人夏一鳴 (Ｍike Xia) 認為，真正的瓶頸並非模型本身，而是資料收集的速度與成本。
他舉例，早期一家公司為了蒐集工廠中的操作數據，需投入 150 名人力、採三班制輪流作業，並為此建立不同的軟體、流程，整個計畫耗資高達 2,000 萬至 3,000 萬美元。「這是一個非常昂貴且高度依賴人力的工作」夏一鳴表示，Physical AI 至今仍缺乏足夠的基礎數據，因此如何降低資料蒐集門檻，是產業發展的重要課題。
為了解決這項問題，Anvil Robotics 致力於建立可複製的資料基礎，除了透過部署感測器，將機器人在真實環境中的移動與操作轉換為可訓練的數位資料，更進一步則結合 VIO SLAM 建圖技術，協助機器理解周遭空間並持續累積環境資訊。
夏一鳴提到，雖然 VIO SLAM 等核心技術早已存在於 Google 等科技公司的 AR／VR 應用中，但相關技術門檻高、並非可直接下載使用的 SDK（軟體開發套件），因此難以快速導入機器人開發。他認為，若要讓 Physical AI 真正走向規模化，關鍵在於將這些尖端技術標準化、模組化，降低開發成本與導入門檻。
延伸閱讀：用台灣供應鏈重寫實體AI機器人開發流程，Anvil Robotics完成逾2億元種子輪募資
聚焦垂直場域，打造難以複製的私有數據護城河
在資料收集之外，Google 亞太區半導體產業負責人 Jerry Hsiung 認為，真正拉開 Physical AI 新創差距的關鍵，在於能否建立屬於自己的「資料護城河」。
他以 Physical AI 領域的獨角獸新創 Agile Robots 為例指出，機器人導入製造現場後，並非只是執行任務，而是在運作過程中持續累積真實世界的操作資料，再透過模型訓練優化，重新部署到生產線，形成「資料收集、模型優化、再部署」的自我優化循環。
一旦這樣的循環建立起來，即使競爭者取得相同的基礎模型，也難以在短時間內複製相同的成果，因為真正具有價值的，不是模型本身，而是持續累積的專屬資料。
「全球約有一半的電子產品由富士康生產，而台積電則負責九成以上的先進製程晶片，這些資料都不是上網或靠人工就能收集得到的，它們本身就是企業最重要的護城河。」Jerry Hsiung 說。
他認為，隨著開源模型與模型蒸餾技術快速成熟，AI 模型的能力終將逐漸商品化，未來新創公司的核心價值，不會只是擁有一套模型，而是能否聚焦特定產業或應用場域，持續累積高品質的私有數據，建立屬於自己的自我優化循環。
「創辦團隊必須具備足夠深厚的產業知識，盡可能做到精準，否則就無法形成真正的護城河。如果只是一般用途，那就太容易讓其他人進場了」Jerry Hsiung 說。
產品定位，就是你的市場進入策略
除了技術與資料問題，Physical AI 新創還必須面對另一個現實挑戰：漫長的導入週期。
從 PoC 驗證到正式採用，許多工業客戶的決策時間往往長達 18 至 24 個月，對資源有限的新創團隊而言是一大考驗。
面對這個問題，不同市場也發展出不同策略。
日本創投 GLOBIS Capital Partners 總監 Ryohei Nomoto 分享，在日本相對保守的環境中，採取「由上而下」的方式推動，將能加速決策。「 我們的投資組合中，有一家機器人新創 Telexistence，他們是讓自家 CEO 盡量直接和客戶那一方的 CEO 溝通」。
相較之下，Anvil Robotics 則選擇直接鎖定第一線機器人工程師。
「通常一位資深工程師就可以自行決定花 1 萬或 2 萬美元，而不必走任何正式、繁瑣的流程。」夏一鳴說，這種方式能繞過 CEO 或 CFO 的冗長審核，快速在公司內部產生實質成果。
「你必須非常清楚自己的產品是賣給誰的，找出價格帶合適且能解決真實需求的產品，這才是進入市場策略中最重要的核心」夏一鳴強調。
Physical AI 的投資指標不再是 ARR
有了數據、建立了護城河、確認產品定位與建立客戶後，規模化成長就是下一個任務，而這通常需要大量資金。
在 SaaS 的世界裡，年度經常性收入（ARR）常是創投衡量企業價值的重要指標，但相較仍處於早期階段的 Physical AI 產業而言，這套標準未必適用。
Ryohei Nomoto 表示，評估 Physical AI 領域的新創時，他更在意的是產品是否解決了一個明確且高頻發生的人力需求，「一台機器人如果一天只執行幾分鐘的工作，即使技術再先進，也難以形成規模化的商業模式」。
投資人真正關心的，是這項任務能否被複製到數千甚至數萬個場域，以及背後的市場規模是否足夠龐大。相較於短期營收，更看重「任務深度」與「人力替代率」。
延伸閱讀
AI時代不是模型好就能贏！SparkLabs Demo Day 11登場：9組新創怎麼改變企業流程？
搶攻「物理AI」商機，這5家台灣新創如何實踐黃仁勳的50兆願景？
免費打掃你家但全程錄影，你願意嗎？新創App Shift在紐約這樣訓練機器人