人工智慧開啟了新一代機器人技術 Robotics 2.0，最大改變是從原先人工編寫程式而來的自動化，邁向了真正的自主學習。本文將嘗試揭開人工智慧（AI）應用的神秘面紗，協助讀者瞭解 AI 機器人將如何影響我們的未來，并釐清我們常常聽到，但卻著墨不多、甚至根本尚未全然理解的主題。

本文為「Robotics 2.0」系列文章的第一篇，講述機器人技術與 AI 對于各大產業和未來工作的影響。我們將討論 AI 將如何釋放機器人技術的潛力，這項新技術的挑戰和機會，以及這一切將如何影響我們的生產力、就業狀況、甚至日常生活。在人工智慧被大肆宣傳的當下，我們希望透過這些文章鼓勵更有建設性和全面性的探討。

重新定義機器人：揭開次世代 AI 機器人 Robotics 2.0 的神秘面紗

提到機器人，我們總有各式各樣天馬行空的想像：從 Softbank（軟銀集團）的社交機器人 Pepper、能輕松后空翻的 Boston Dynamics 公司機器人 Atlas、《魔鬼終結者》（Terminator）系列電影的人造人殺手，到電視影集《西方極樂園》（West World）中隨處可見、栩栩如生的擬真機器人角色。

我們常常聽到兩極化的觀點；有些人傾向高估機器人模仿人類的能力，認為機器終將取代人類，有些人則對新研究和技術的潛力太過悲觀。

在過去一年之中，許多創業、科技、新創業界的朋友都曾問過我，在 AI，尤其是深度強化學習和機器人技術的領域，究竟有哪些「實際」進展？

令人最為好奇的是：

AI 機器人和傳統機器人有什么不一樣？AI 機器人是否真有顛覆各大產業的潛力？它的能力和限制又是什么？

看來，想要瞭解現在的技術進步和產業格局，是出乎意料的困難，更不用說要對未來做出預測。藉由這篇文章，我嘗試揭開人工智慧應用于機器的神秘面紗，釐清這個我們常常聽到，但卻著墨不多、或根本未全然理解的主題。

首先必須回答的基本問題：什么是 AI 機器人（AI-enabled Robotics）？它們又有什么獨特之處？

機器人演進：從自動化到自主化

「機器學習解決了以往『對電腦困難，對人來說卻容易』的各種問題，或以更容易理解的方式來說，就是解決了『人類很難讓電腦也理解』的問題。」

— — Benedict Evans，安霍創投（a16z）

AI 所造就的機器人技術領域，最大成果是從原先的「自動化」（工程師藉由程式設計編寫規則，讓機器人遵守）邁向了真正的「自主學習」。

如果機器人只需要處理一件事情，那么，它到底有沒有人工智慧，差別其實看不出來；但是，如果機器人需要處理各式各樣的任務、或是回應人類與環境的變化，就需要一定程度的自主性才能勝任。

我們不妨借用下列不同等級的自駕車定義，一併解釋機器人的演變：

Level 0 — 無自動化：由人類操作機器，沒有機器人的參與。（機器人的普遍定義，是指有能力自行從事復雜動作的可程式化擬人機械）。

Level 1 — 單一自動化運作：單一功能已自動化，但不使用環境資訊。這是自動化與制造業中傳統的機器人使用現況。透過程式編輯，機器人能夠以高精度與速度重復執行特定工作；但直至目前為止，多數實際運用的機器人都無法感知或應變環境的變化。

Level 2 — 部分自動化：透過環境感知所輸入的特定功能，協助機器進行決策。例如某些機器人透過視覺感應器，識別并應付不同的對象：然而，傳統的電腦視覺，需要對每個對象進行預先登記和清楚的指示，且機器人還是缺乏處理變更、意外狀況、或是新對象的能力。

Level 3 — 條件式自主：機器控制了所有的環境監控行為，但仍需要人為檢查關注與（即時）介入。

Level 4 — 高度自主：在某些情況下、或是定義的區域內完全自主。

Level 5 — 完全自主：在任何狀況下均可完全自主，不需人為介入。

我們現在處于哪一種自主等級呢？

現在，工廠里多數機器人都是透過開放式迴路、或是非回饋方式予以控制。這意味著它們的運作與感測器回饋各自獨立、彼此互不影響（level 1）。

少數在工廠中的機器人，會根據感測器回饋而調整操作（level 2）；此外還有協作型機器人（cobot），他們的操做更加簡單安全，因此能與人類共同作業。然而，相較于產業用機器人，這種機器人的精確度和速度卻相形失色。另外，雖然協作型機器人的程式化相對簡單，但它們仍然不具有自主學習性；每當工作內容或環境有所變動時，就需要由人類手動引導協作機器人進行調整，或是重新編寫程式，機器本身無法自主舉一反三，彈性應變。

深度學習（Deep Learning）和強化學習（Reinforcement Learning）能幫助機器人自主處理各種物件，將人類的介入程度降到最低。

我們已經開始看到一些使用 AI 機器人（level 3/4）的前導試行專案，例如「倉儲揀貨」就是一個很好的例子。在貨運倉庫中，員工需要根據客戶需求，將數百萬種不同的產品放入箱子里。傳統的電腦視覺沒辦法處理如此廣泛的物品類別，因為每個物品都需要事先登錄、并針對機器人需要採取的動作，先進行程式設計。

然而，現在由于深度學習和強化學習技術，機器人能夠開始自主學習處理各種物件，降低人類的介入程度。在機器人的學習過程中，可能會出現它未曾遇過的某些貨品，而需要人類的協助或示范（level 3）。但是，隨著機器人搜集更多的資料、從試驗和錯誤中學習（level 4），演算法也將日益改善，邁向完全自主。

就像自駕汽車產業一樣，機器人新創公司也採取了不同的策略：有些公司看好人類和機器人之間的合作，專注于 level 3 的研發；有些公司則相信，機器終將實現真正的完全自主，于是他們跳過 level 3，直接著眼于 level 4、甚至到 level 5。

這也是為什么我們很難評估現在產業自主程度的原因之一。

新創公司有可能自稱致力于研究 level 3/4 的自主系統，但實際上卻是大量委外，以人工遠端操控機器。在無法了解其內部軟體及 AI 產品發展程度的前提下，光從機器外觀看不出遠端操控和自主學習的差別。另一方面，目標為 level 4/5 的新創公司，萬一無法在短時間取得理想結果，可能反而降低了客戶的早期採用意愿、并導致早期階段的資料搜集更加困難。

在本文的后半部分，我將進一步討論新創公司的不同的商業策略思考。

AI 機器人的崛起：運用范圍不再侷限于倉儲管理

有趣的是，機器人的人工智慧應用潛能甚至高于無人車，因為機器人有各式各樣的應用與產業，因此從某種意義上說，機器人理當比汽車更容易實現 level 4 目標。

AI 機器手臂開始在倉庫中被採用，就是最好的例子。因為倉庫屬于「半受控」的環境，不確定性相對低。另外，揀貨作業雖然關鍵、但能容許錯誤。

至于自主居家型或手術機器人，則要等到更遙遠的未來才能實現；畢竟相關環境的變數更多，且有些任務具備不可逆性，以及一定程度的危險性。但是，可以預見的是，隨著技術精度、準確性、可靠性的與時俱進，我們將看到更多產業採用 AI 機器人。

許多產業還沒有使用機械手臂，主要原因在于傳統機器人和電腦視覺的限制。

目前世界上只有大約 300 萬臺機器手臂，其中大多數從事搬運、焊接、裝配等任務。到目前為止，除了汽車業和電子業以外，倉儲、農業和其他產業，幾乎都還沒有開始使用機械手臂；主要原因，就在于上述傳統機器人和電腦視覺的限制。

在接下來的幾十年中，隨著深度學習（DL）、強化學習（RL）、以及云端技術釋放出的機器人潛力，我們將看到新一代機器人帶來的爆炸式增長、并改變產業格局。其中，AI 機器人的成長契機有哪些？新創公司和現有業者，又採取了哪些不同的方法和商業模式，來因應新科技帶來的變化？

新世代 AI 機器人新創公司產業概況

接下來，我會介紹不同市場區隔中的幾間范例公司。這樣的概略介紹，當然無法涵蓋所有企業的狀況；歡迎你提供其他公司及應用案例，一起讓內容更加完備。

AI/Robotics 新創公司市場概況

研究新世代機器人新創產業結構，可以看到兩種截然不同的商業模式：垂直應用與水平應用。

1. 垂直應用

第一種是垂直應用：硅谷當地多數的新創公司，專注于為特定的垂直市場開發解決方案；如電子商務物流、制造業、農業等等。

這種提供完整解決方案的作法相當合理，畢竟相關技術還處于萌芽階段；公司不依賴他人提供關鍵模組或元件，而是建構端對端的解決方案。這種垂直整合的解決方案能更快進入市場，也能確保公司更全面掌握終端使用者的案例與效能表現。

但是，要找到像「倉庫分揀」這樣相對容易實現的應用案例，則沒有那么容易。倉庫揀貨是相對簡單的工作，客戶的投資意愿與技術可行性都較高，而且每個倉庫幾乎都有相同的揀貨需求。

但在其他產業（如制造業）中，裝配任務可能因工廠而各不相同；另外，在制造業中執行的任務，也需要更高的精度和速度，技術上相對困難。

目前具有學習能力的機器人，仍無法達到與封閉迴路機器人相同的精度。

盡管機器學習能讓機器人與時俱進，但目前透過機器學習運作的機器人，仍無法達到與封閉迴路機器人相同的精度，因為它需要累積嘗試錯誤的經驗，從錯誤中學習，逐漸進步。

這點說明了為什么 Mujin 和 CapSen 機器人這樣的新創公司，并未採用深度強化學習，反而選擇使用傳統電腦視覺。

然而，傳統電腦視覺要求每個物件都要事先登錄，終究還是缺乏擴充和適應變化的能力。一旦深度強化學習（DRL）達到了效能門檻、逐步成為產業主流，這種傳統方法終究會變得無用武之地。

此外，這些新創公司的另一個問題，在于它們的價值往往遭到高估。我們經常看到，新創公司在硅谷籌集了數千萬美元資金，卻無法承諾創造出任何真正具體的收入流。

對于創業者來說，「描繪」深度強化學習的美好未來，再容易也不過了；但現實則是，我們還需要數年的時間才能達到如此的成果。盡管這些公司離創造獲利還有一段距離，硅谷的創投仍愿意繼續押寶在這些人才優秀、技術先進的團隊上。

2. 水平應用

另一方面，水平應用則是更實用、卻比較罕見的模式。我們可以簡單將機器人技術簡化為感測（輸入）、處理、驅動（輸出）三個部分；除此之外，還有開發工具。（這里使用的「處理」一詞，同時概略涵蓋了控制器、機器學習、作業系統和機器人模組等等，各種不屬于感測或驅動的其他項目。）

我認為未來，這個領域將最具增長潛力。對于機器人的用戶來說，破碎而零細的市場是棘手的問題；因為所有的機器人制造商，都各自推展自家開發的語言和介面，使得系統整合商與終端使用者，都很難將機器人與相關系統進行整合。

隨著產業的逐漸成熟，有越來越多機器人應用到了汽車和電子廠以外的領域；因此我們更加需要標準的作業系統、通訊協定、介面，從而提高效率、并縮短上市時間。

舉例來說，美國波士頓的幾家新創公司正在研究相關的模組；例如 Veo Robotics 公司開發的安全模組，能讓工業機器人更安全地和人類協同工作；Realtime Robotics 公司則提供加速了機械手臂路徑的解決方案。