機器人展示背後的平台問題
看著人形機器人行走，或機器狗爬樓梯，我們自然會問：這台機器有什麼用？但更具影響力的問題，可能是什麼條件能讓成千上萬的開發者、製造商與企業，在它的基礎上建立實際有用的工作。
這正是 FlyPig AI 的 Physical AI Goes Modular 研究系列（英文）持續探討的問題：誰會成為 Physical AI 的 Android？我們在這份十月預測中，進一步提出一種具體可能性：能夠長期發揮價值的平台，可能是連結機器整個生命週期中資料、模擬、學習、驗證、部署、營運與再學習的技術生態。
這是一項市場結構假說。現有公告讓它值得檢驗，但還沒有確立贏家。證據同時容許另一種情境：數個彼此競爭、部分相容的生態並存，而硬體企業仍保有重要價值。
智慧型手機的類比，能解釋什麼，又止步於何處？
智慧型手機透過可重複使用的軟體、晶片參考設計、開發工具、應用分發與製造能力相互配合，逐步擴大規模。Android 為不同裝置製造商提供共同軟體基礎，也讓開發者可以面向更廣泛的裝置，而不必一次只支援一款手機。
對機器人而言，這個類比的價值在於減少重複的工程工作。它不代表所有機器人本體都會變得可以互換，也不代表硬體製造商將不再獲利。具差異化的零組件、製造能力與高度整合的系統，仍可能保有可觀價值。
機器人還面臨更困難的相容性問題。能在兩款手機上執行的軟體，不需要讓不同重量的物體在共用實體空間中移動。一套能在某支機械手臂上運作的控制策略，可能因觸及範圍、負載、感測器、致動方式、接觸動力學或安全限制不同，而無法在另一支手臂上使用。Physical AI 平台必須銜接這些差異，同時清楚揭露每項能力可以安全使用的條件。
證據：可重複使用的機器人軟體，正成為策略資產
廠商公告。9 月 22 日，Intrinsic 發布 Intrinsic Core。這套採用 Apache 2.0 授權、與 ROS 相容的機器人能力集合，涵蓋即時控制、動作與抓取規劃、感知、校準及模擬。關鍵承諾是可組合性：開發者能透過硬體抽象介面重複使用能力，而不必重新建立每一項整合。但支援哪些硬體，以及是否完成生產環境資格驗證，仍然重要。[1]
隔天，Qualcomm 宣布同意收購長期維護 MoveIt 的 PickNik。Qualcomm 表示，MoveIt 將維持開源，並持續支援第三方硬體。收購協議不等於交易已完成，而這項未來承諾，也不能證明通用互通性已經成立。[2]
FlyPig 判讀。中介軟體、動作規劃與開發工具，正在成為潛在的平台控制點。開源授權可以降低採用門檻，但相容性還需要持續維護的介面、受支援的裝置、可預期的行為，以及獨立的開發者生態。僅僅取得原始碼，並不能保證這些條件。
證據：競爭正在超越執行環境
廠商公告。AWS 於 10 月 7 日推出 Physical AI Toolchain，透過參考架構與部署自動化，串接資料匯入、模擬、訓練及邊緣部署。它整合 AWS 服務與 NVIDIA 技術，包括 Isaac Sim、GR00T、Cosmos 和 OSMO。AWS 強調可攜格式與不限定機器人本體的工作流程，但已公布的做法，仍與 AWS 基礎設施及 NVIDIA 技術堆疊緊密相連。[3]
較新的十月證據，讓執行環境與生命週期之間的差異更加具體。10 月 21 日，NVIDIA 宣布以 Holoscan 為基礎的開源 Isaac OS 執行環境，以及已正式提供的 Isaac Lab 3.0。同一天，CoreWeave 推出 Physical AI Launchables，提供涉及 Isaac Sim、CARLA 與 MuJoCo 等工具、可重複執行的工程工作流程。這些是彼此相關的平台投資，並非各自獨立證明供應商中立機器人應用標準的成果。[5] [7]
FlyPig 判讀。機器人作業系統處理的是部分執行問題；生命週期平台則處理團隊如何收集資料、訓練策略、測試變更、進行部署，以及從後續營運中繼續學習。策略控制力可能同時累積在這兩個邊界。能夠執行某項工作負載，不代表其中的模型、資料、應用邏輯或安全證據，就能以低成本移轉到另一家供應商。
證據：世界模型讓「機器人 App 商店」變得更複雜
廠商公告。Odyssey 於 10 月 8 日發表 Odyssey-3，展示涉及機器人、人形機器人與車輛的世界模型應用。針對不同領域進行適配，仍然需要資料，以及動作解碼器或控制策略。第一方展示不能證明，它已能可靠控制任意不同的機器人本體。[4]
世界模型可能協助系統預測場景如何變化、產生訓練情境，或支援規劃。但看似合理的預測場景，不等於經過驗證的馬達控制指令。要銜接兩者，仍需要合適的控制策略、機體適配，以及在預定實體條件下的評估。
FlyPig 判讀。我們先前提出的機器人技能作為應用基本單位（英文），必須持續接受修正。一套應用仍可能提出「巡檢這項設備」或「放置這個物品」的請求，但底層行為由通用模型與機體專屬控制器共同產生。能夠長期沿用的單位，可能是一份具有權限規範的能力契約，而不是為每一種動作分別安裝的套件。
有用的能力契約，應該明確宣告輸入、輸出、前置條件、運作限制與失敗狀態。它不會讓新的機體或場地免除安全驗證。類似 App 商店的分發市場，只是可能的結果之一；更強的基礎模型，尚未證明這樣的市場必然形成。
FlyPig 預測：分層生態，可能存在多個控制點
我們對未來五至十年的基本情境，是可重複使用的技術層逐漸增加，但不同機器人類別的可攜程度不一。下表整理可能形成的產業角色。它不是既定標準，不是軟體必須遵循的相依順序，也不代表每家供應商只會占據一層。
| 層次 | 可能形成的產業角色 |
|---|---|
| 機器人硬體 | 可配置的機體、致動器、機構，以及可維修的實體子系統。 |
| 運算與控制 | 邊緣推論、即時控制、感測器整合與電源管理。 |
| 機器人中介軟體 | 通訊、硬體抽象化、動作規劃與整合工具。 |
| 基礎智慧 | 視覺－語言－動作模型、世界模型，以及針對不同機體的控制策略。 |
| 生命週期平台 | 資料、模擬、訓練、評估、部署與回饋。 |
| 能力與安全介面 | 可呼叫能力、權限、運作限制、監控與失敗處理。 |
| 代理與應用 | 企業工作流程、任務協調與垂直產業服務。 |
當應用程式或 AI 代理，可以透過明確宣告的能力，以明顯較低的整合成本在合適的不同機體上運作，才可能迎來類似 Android 的時刻。這需要可觀察的工程投入、可靠性與部署經濟性改善，而不只是大家都採用「開放」這個詞。
另一種競爭情境，是形成數個垂直整合的生態，可能圍繞 NVIDIA、Qualcomm、Google、AWS 或其他供應商建立。它們可能共用格式與中介軟體，卻保留專有的運算路徑、訓練服務、控制策略與分發方式。在這個世界裡，可能有數個有用的平台，卻沒有單一 Android。
反方情境：硬體與整合能力仍可能保有議價權
致動器、精密減速機、高效率晶片、感測、電池、控制系統與安全機構，都會影響機器人能否以可接受的總成本完成有用工作。模型無法消除能源、材料、機械結構或維護所帶來的限制。
廠商公告。Agile Robots 於 10 月 21 日宣布 Agile ONE SN 研究參考平台，預計於 2027 年初供應。預先配置的開發技術堆疊支持參考機器人的假說，但預定供應不等於已交付的數量，也不等於經證明的跨世代重複使用。10 月 22 日，Agility 表示，NVIDIA IGX Thor 將成為 Digit 5 正式供應版本的獨家機載運算平台。這項選擇也顯示，重要的硬體與平台依賴，仍可能集中在少數供應商手上。[6] [8]
FlyPig 判讀。標準化可能壓縮那些只靠日益相近的規格競爭的企業，同時讓關鍵實體技術、可靠整合與客戶工作流程保有價值。控制點可能層層累積，而不是單純從硬體轉移到軟體。
目前還沒有足夠且可比較的經濟證據，讓我們判定任何平台已掌握長期利潤。開發者活動、展示與產品公告，不能取代客戶留存、經常性收入、毛利，以及支援真實部署所需成本的資料。
這對加拿大與台灣的技術決策有什麼意義？
對加拿大產品團隊而言，實際的起點是一項營運任務，以及可衡量的基準。應該詢問：所提出的技術堆疊中，哪些部分可以更換，而不必重寫應用、重新訓練整套控制策略，或重做完整安全論證？也應要求提出在預定環境中的人工介入率、復原行為、維護需求與支援責任證據。
對台灣科技公司而言，機會可能在於讓關鍵子系統更容易完成資格評估與整合：提供受支援的介面、可重現的參考配置、生命週期內的供應保障，以及清楚的運作限制。更好的感測器、運算模組或控制器，只要能降低整體工程與營運負擔，就仍然可以創造價值。
這些是資格評估問題，不代表 FlyPig AI 已經提供機器人平台，也不代表我們代理本文討論的供應商。加拿大 Atlas 與 Taiwan Solutions（英文），提供以公開來源研究技術適配的起點。
六項可以驗證，也可以推翻預測的觀察
這項假說的考驗，在於哪些事物變得可以重複使用、需要多少成本，以及誰能以此建立長期業務。我們會追蹤以下證據，而不是只計算新機器人的發布數量。
同一套應用能否在不同機器人上運作？
要求不同製造商的機器人執行同一項明確定義的任務，並揭露重新訓練時數、轉接程式碼、工程時間與安全重新驗證工作。在相同條件下，比較任務成功率、人工介入與失敗復原表現。
可能挑戰這項假說的證據：如果每次移轉仍然是一項客製整合工程，共同的中介軟體用語就還沒有成為類似 Android 的應用平台。
開源能否形成獨立的開發者生態？
觀察是否有持續維護的第三方應用、支援硬體清單、穩定的介面版本、獨立貢獻者，以及能在原始供應商技術堆疊之外實際部署的路徑。
可能挑戰這項假說的證據：如果表面開放的工具仍依賴單一供應商的運算、服務或分發管道，開放性仍可能與高度受控的生態並存。
世界模型能否降低學習真實任務的成本？
衡量所需的真實示範資料量、模擬與訓練支出、適配時間，以及在未見過的實體任務上的成功率。比較時必須固定硬體、任務難度與評估方法。
可能挑戰這項假說的證據：生成影片或模擬內表現變得更好，本身並不能證明部署成本下降，也不能證明真實世界控制已經可靠。
生命週期平台能否產生可重複的收入？
追蹤付費客戶留存、經常性收入、毛利、支援成本與實際轉換成本。雲端運算用量收入必須與軟體平台收入分開檢視。
可能挑戰這項假說的證據：產品發布與合作公告，不能證明軟體平台取得的價值已超過硬體製造商或整合商。
參考機器人能否跨世代持續發揮價值？
追蹤實際交付的硬體、可取得的文件、備品、支援介面、升級路徑，以及把應用移轉到下一代機體的成本。
可能挑戰這項假說的證據：平台快速汰換、專有控制系統與反覆的安全資格驗證，可能阻礙類似 ODM 的參考機器人市場形成長期基礎。
誰掌握最後一哩的營運知識？
檢視合約如何規範工作流程整合、資料存取、模型改善、可用率、責任與維護。追蹤誰保有客戶關係，以及誰能在安裝後持續改善成果。
可能挑戰這項假說的證據：如果機器人製造商或垂直產業營運業者掌握資料與經濟收益，通用平台可能仍只是基礎設施供應商，而不是主要價值掌握者。
這份展望延伸既有系列的平台、參考機體與價值掌握假說。它不會重新設定原始預測日期，也不會抹去那些削弱「個別封裝的機器人技能」假說的證據。判斷基準是有實質意義的相容性與持續獲利能力，而不是事後挑選一家勝出的廠商。
追蹤讓智慧真正發揮用途的條件
機器人的身體界定它在物理上能做什麼；模型影響它能辨識、預測與學習什麼；應用與服務，則把這些能力連結到可靠、持續且可衡量的工作。
因此，FlyPig AI 現在沒有理由急著宣布誰是 Android 贏家。更有價值的研究問題是：誰建立共通介面？誰降低開發與營運成本？誰能運用真實世界的回饋？當架構改變時，又是誰能保有客戶關係？
有用的預測會保留可能證明自己錯誤的證據。未來十年，應該會給我們一再檢驗這項預測的機會。