拆開智慧機器人的四層技術堆疊：感知、模型、控制與硬體缺一不可

從一句話到一個動作，中間隔著四個世界

當人對機器人說『把桌上的紅杯拿給我』，任務表面只有一句話，系統卻要完成一連串判斷：攝影機與感測器先辨識桌面、杯子、距離與障礙；模型理解『紅杯』和『拿給我』的意圖並拆解步驟；控制系統計算關節軌跡、速度與力矩；最後由馬達、減速器、手臂和夾爪執行。四層之間還要持續回傳誤差，直到杯子安全交付。

感知層：把物理世界轉成可運算訊號

感知層包含機器視覺、深度攝影機、IMU 慣性量測單元、力覺與觸覺感測器。它的工作不只是拍照，而是把『哪裡有什麼、正在怎麼動、機器人自己處於什麼狀態』轉成結構化表徵。光線反射、透明物件、遮擋與地面震動，都可能讓感知失真；上游訊號錯了，後面再強的模型也只能做出精緻的錯誤。

模型層：從理解任務到生成動作

白皮書把模型層拆成三個協同層次：視覺語言模型負責理解指令與高階任務分解；視覺—語言—動作模型把多模態輸入映射成動作序列；擴散策略與世界模型則處理細緻軌跡與物理結果預測。這裡的關鍵不是模型參數越多越好，而是能否在限定時間內產生可被控制系統執行的結果。

控制與硬體：把 AI 拉回牛頓定律

控制層將動作序列轉成各關節的力矩與路徑，並依即時力回饋修正。硬體層提供本體與零組件，包括伺服馬達、減速器、螺桿、編碼器與運算單元。模型可以想像一條漂亮軌跡，但若馬達扭力不足、齒隙過大或散熱失控，動作仍會失敗。機器人產業最迷人的地方，也最殘酷：軟體承諾最後必須接受材料、能源與製造精度的審判。

用四層架構讀公司，比看一段影片更有用

評估供應商時，可以逐層追問：它掌握哪些感測資料？模型是自研、開源還是外購？控制迴路能否在邊緣端即時運行？關鍵零組件的良率、壽命與備援如何？若公司只在某一層有優勢，就要看它能否與其他夥伴形成穩定介面；若主張全端自研，則要檢查研發資本與人才是否足以支撐。四層地圖能把『很酷』轉成可驗證的工程問題。

四層之間最重要的是介面

產業很少由單一公司包辦所有元件。感測器的時間戳、座標系與精度，模型輸出的動作格式，控制器的頻率與安全邊界，都必須有一致介面。若每換一個本體就要重做模型、每升級感測器就要重寫控制，研發速度會被整合成本吃掉。標準化不是讓產品都一樣，而是讓創新可以替換、比較與重用。

邊緣運算與雲端各有位置

碰撞避免、關節力控與緊急停止必須在本機即時完成，不能等待網路來回；大規模訓練、機隊分析與版本管理則適合雲端。企業應確認斷網時哪些任務仍可安全運作、資料何時同步、模型更新是否可回滾。把所有智慧放上雲端會增加延遲與資安風險，把所有運算塞進本體又會提高成本、耗電與散熱負擔。

投資地圖因此不只一條主線

四層架構意味機會分散在感測、算力、模型工具、即時控制、馬達驅動、精密傳動、測試驗證與維運平台。不同層的景氣與毛利結構不同：零組件看規模與良率，模型看資料與推論成本，整合看重用率，服務看續約與稼動率。先辨認收入落在哪一層，才能避免把所有公司都用人形機器人的出貨夢想估值。

這是「2026 智慧機器人產業拆解」第 2 篇。整套策展只追一個問題：機器人何時從展示走向能長期、可靠、值得付費的工作？