約 172 分鐘正式內容約 21:13 開始

Lecture 2｜近期進展、範圍反思與評估思維

本講核心：主流研究正在追求通用機器人與 robot foundation model，但 Physical AI 的範圍更廣。真正好的系統設計要從「要改善什麼」與「如何評估」開始，而不是先迷信某個熱門技術。

快速掌握：

第一講複習：真實世界變化才是核心問題

第一講提出的核心問題是：當真實世界發生變化時，如何打造仍能持續運作的 Physical AI 系統？第二講沿著這個問題，先看近期主流進展，再問這些進展是否足以面對真實部署。

工業機器人能在固定場域中非常可靠，因為物件、位置、流程與環境都被工程化。但當任務變成抓不同形狀、重量、位置的物件，甚至要投擲到目標時，抓取點、釋放時機與動態控制都會隨條件改變。

foundation model 是在廣泛資料上以大規模自我監督方式訓練，之後可適應多種下游任務的模型。放到機器人裡，robot foundation model 的輸入是觀察，輸出是動作，目標是能適應不同任務、領域與機器人本體。

注意：這是一個研究願景，不是已經完全解決的產品規格。越是宣稱「任何機器人、任何任務」，越要追問資料來源、任務邊界與評估方法。

Gemini Robotics、NVIDIA、Berkeley 等路線都受生成式 AI 啟發：收集更多資料、訓練更通用的模型、讓同一模型處理更多任務。這條路很重要，但講者提醒學生不要被主流聲量綁住：Physical AI 是否真的只等於通用機器人？

回到定義：只要系統能運用 AI 在物理世界中感知、推理並行動，就可能是 Physical AI。這不要求它一定是人形機器人，也不要求它必須是通用模型。特定場域中真正改善人類生活的系統，同樣值得研究。

Henry 使用 Stretch 協助妻子把物品放回冰箱，技術上不是最炫的「通用智能」，但目的非常清楚：改善人的生活。這提醒我們，系統設計不應只從「能不能做更多任務」出發，也應從「誰的痛點被解決」出發。

醫院人員每天要走很多路，配送機器人看似能減輕負擔。但真實現場裡，開門、避讓、流程整合、臨時狀況與人員信任都會變成問題。技術好不代表已經準備好部署；若未滿足真實需求，最後可能被放在角落。

這是本講最重要的方法論。不要先決定要用某個模型、某個機械手臂或某個熱門架構。先理解人類需求與工作流程，找出痛點與瓶頸，定義系統需要具備的能力，再選擇合適的 intelligence 與 embodiment，最後在真實脈絡中部署與評估。

學習重點：評估不是最後打分數，而是從一開始就決定你要解決什麼問題、如何知道自己更接近目標。

現有大公司與研究團隊還沒有把所有問題解完。真實世界有太多變因：環境條件、物件屬性、使用者行為、硬體狀態與安全限制。系統要能泛化、適應，並在無法適應時辨識失敗且安全復原。這些都是研究機會。