TAICA Physical AI　2026 秋季

真實世界改變了，
系統還能繼續運作嗎？

這門課從評估出發設計 Physical AI：先問系統能做什麼、什麼時候會失敗，再讓失敗告訴我們下一步該改進什麼。以下是每一講的重點整理，內容取自課堂錄影的字幕與繁體中文翻譯，並附上當時的投影片。

一

Physical AI 導論與課程地圖

定義 Physical AI、sense–plan–act、近期 demo 與真實世界部署挑戰。

sense–plan–act foundation model 看 demo 的方法 部署挑戰

二

近期進展、範圍反思與評估思維

generalist robot policy、robot foundation model、廣義 Physical AI 與從評估反推設計。

generalist robot policy robot foundation model purposeful robots 從評估反推設計

三

Physical AI 的資料飛輪

資料涵蓋度、資料品質、能力缺口，以及如何用評估推動持續資料收集與模型改善。

資料涵蓋度 能力缺口 資料飛輪 模擬與 world model

四

Physical AI 走向真實世界部署

Demo 不等於部署：從自駕車發展史看長尾風險、運行設計範圍（ODD）、失敗與安全迴圈，以及部署後的持續學習。

Waymo LiDAR ODD／TOD ISO 26262 SAE 分級

整理自 TAICA Physical AI（2026 秋季）課堂錄影，授課：Yi-Ting Chen（NYCU CS）。內文根據課堂字幕的繁體中文翻譯改寫，投影片畫面擷取自同一批錄影，僅用於課程內容的說明。課程影片：YouTube 播放清單