AI 機器人為什麼還沒普及？POD Innovation 共同創辦人暨執行長簡文昱揭 3 大挑戰
專訪：《TechOrange》社長戴季全 / 撰稿：李昀蔚
AI 機器人逐漸成為下一波科技創新的焦點，在邁向成功的過程中，還有哪些關卡必須突破？本集《全新一週》專訪 POD Innovation 共同創辦人暨執行長簡文昱，一同從感知能力的演進談起，深入剖析大型行為模型 LBM（Large Behavior Model）與實體 AI 的發展走向。
簡文昱分析，傳統自動化機器人，如生產線上的機械手臂與輸送帶，依賴預先規劃的路徑與動作，屬於「盲抓」模式，因此物品的姿態必須固定，否則機器就無法準確執行任務。「在上一個 AI 世代，開始慢慢引入感知成分，像很多機械手臂已經具備影像辨識系統，可以判斷物體姿態，決定如何吸取或夾取物品，」簡文昱舉例，像掃地機器人與自主移動機器人（AMR），都可以在未知環境下完成簡單的任務，然而所謂的「AI 機器人」則更像自駕車，即便許多情境從未在訓練資料中出現過，但仍然可以透過應對未知變化的能力，精準繞過路障與突然出現的行人。
AI 機器人發展的瓶頸：資料收集
「大家希望機器人最終可以做到泛化的能力，就是可以完成各式各樣的任務，」簡文昱以 Toyota 近期推出的大型行為模型（LBM）為例，說明該模型透過近 1,700 小時的高品質資料訓練而成，但這也呈現出當前 AI 機器人發展的重要瓶頸──資料不夠多，而且不同機器人都有不同的資料格式，無法完全通用。
相比之下，自駕車的數據格式較為統一，如油門、煞車與方向盤等輸入規格相近，且能長時間收集人類駕駛數據，讓模型訓練更為有效，這正是機器人現階段難以突破的差距。
AI 機器人實現大規模應用的關鍵突破點
如果要讓 AI 機器人真正實現大規模應用，簡文昱認為還有兩個關鍵瓶頸待克服，就是「載體低成本」與「資料開源」。
首先是降低載體成本。像宇樹科技（Unitree）推出一款僅售約 6,000 美金的機器人，重量僅 25 公斤，已被多所國際大學研究室採用。這樣的低價產品不僅可以執行任務，同時成為數據收集的最佳載體，甚至讓開發者與學術社群得以反覆實驗與優化演算法。其次是資料開源共享，例如透過 Hugging Face 開源機器人模型架構，這樣在未來某個時間點，也許就會出現一個比較突破性的模型，讓大家可以進一步使用及優化。
如何定義 AI 機器人的成功？
「如果你沒有注意到它的存在，就是成功的部署，」簡文昱用這句話描述自己如何定義 AI 機器人的成功標準，「現在歐美與中國其實都還沒有大量部署 AI 機器人，這還是一個未知領域。」
當硬體夠便宜、資料夠開放時，AI 機器人才有機會走入日常。實體 AI 的全球競賽正加速開打，台灣也準備迎來發揮實力的關鍵時刻。