生成式 AI 讓人工智慧具備文字生成、知識推理與內容創作能力，但下一階段的 AI 競爭，正逐步從數位世界延伸至真實世界。Physical AI 強調 AI 不僅能理解資訊，更能感知環境、判斷空間狀態，並透過機器人、感測器與自動化設備執行實體任務。
相較於過去主要仰賴網路資料訓練的 AI 模型，Physical AI 更需要大量來自現場的操作資料，例如搬運路徑、避障反應、設備狀態、人機互動等紀錄。透過「Data Flywheel（資料飛輪）」機制， AI可藉由持續使用來蒐集資料，並透過模型學習與系統調整持續精進，形成愈學愈聰明的循環。對產業而言， Physical AI不只是自動化工具，更可能成為推動下一波數位轉型與智慧化升級的重要核心。
從生成式AI到Physical AI：下一波產業轉型的新機會
一、產業長期缺乏「操作資料」
過去產業數位轉型多聚焦於流程數位化、資料整合與系統上雲。然而，許多關鍵現場經驗仍難以被完整記錄。例如老師傅可憑聲音、震動或手感判斷設備異常；物流人員也能憑經驗選擇較有效率的搬運方式。這些隱性知識通常存在於個人經驗中，若未被系統化保存，便容易隨人員流動而流失。
Physical AI 的價值，在於透過機器視覺、LiDAR與多元感測技術，將操作軌跡、設備反應與作業流程轉化為可分析、可學習的數位資料，使產業知識成為可累積的資料資產。換言之，未來產業數位轉型的核心，正從「資訊數位化」進一步走向「行為數位化」與「經驗數位化」。
二、Data Flywheel如何成為產業轉型核心
Physical AI 的發展高度仰賴Data Flywheel機制。其基本邏輯是：AI系統透過持續運作，不斷累積真實世界資料，資料回饋至 AI 模型，模型再優化系統表現，使AI能力逐步提升，進而形成正向循環。當此循環持續運作，企業便能逐步建立難以複製的資料優勢。
其運作模式可簡化為：
使用 → 蒐集資料 → AI學習 → 系統優化 → 更多使用 → 更多資料
以物流搬運機器人為例，機器人在倉儲環境中執行任務時，可同步記錄路徑規劃、貨物重量、避障行為、搬運成功率與異常狀況。當部署場域增加，累積資料也隨之擴大，AI 模型便能更快改善路徑規劃、降低碰撞風險，並提升整體作業效率。
三、Physical AI的關鍵資料收集方向
（一）操作資料（Operational Data）：包括機器人動作軌跡、抓取方式、搬運路徑與設備控制行為
（二）感測資料（Sensor Data）：包括影像、深度感測、LiDAR、溫度、震動、電流與聲音
（三）空間資料（Spatial Data）：包括工廠地圖、人流、物流動線與設備位置
（四）失敗資料（Failure Data）：例如抓取失敗、碰撞或誤判紀錄
（五）人機互動資料：適用於協作型機器人進入工廠、醫療與服務場域後的應用發展。
四、案例剖析：以亞馬遜（Amazon）智慧倉儲系統為例
亞馬遜（Amazon）智慧倉儲系統，已在物流中心大量導入具AI能力的搬運機器人，協助商品分類、貨架搬運與路徑配送。這些機器人在運作過程中，並非單純依照預設程式執行，而是持續透過感測器、攝影機及定位系統蒐集大量真實世界資料，包括：
- 倉儲路徑與移動軌跡
- 不同貨物重量與搬運模式
- 人員移動與避障行為
- 尖峰時段物流流量
- 碰撞、停滯與失敗紀錄
這些資料會即時回傳至AI系統進行分析與學習，形成Data Flywheel機制。當機器人完成愈多次搬運任務，AI模型便能逐漸優化路徑規劃、降低碰撞率、提升搬運效率，甚至預測倉儲壅塞情況，主動調整配送動線。最終使整體物流系統從「自動化」逐漸演進為「自主化（Autonomy）」。
值得注意的是，物流場域之所以成為Physical AI最早落地的產業之一，主要原因在於這類場域具備流程標準化、任務重複性高、資料量大等特性，適合作為 AI 持續學習的環境。未來類似模式可望延伸至智慧工廠、港口、醫療院所與城市管理等場域。
圖 1：Physical AI透過Data Flywheel優化學習
資料來源：本文作者以ChatGPT輔助生成
FIND觀點
Physical AI 的發展將改變企業競爭基礎。未來企業優勢不只來自硬體設備或單一 AI 模型，而是取決於是否能持續取得高品質現場資料，並建立可回饋、可學習、可擴充的資料飛輪。
整體而言，生成式 AI 改變了數位世界，Physical AI 則將重新定義真實世界。誰能率先掌握場域資料、建立資料飛輪，誰就更有機會在下一波 AI 產業競爭中取得關鍵位置。
封面圖片來源：本文作者以Gemini工具輔助生成
參考資料來源：
1. World Economic Forum, How Agentic, Physical and Sovereign AI Are Rewriting Enterprise Innovation, 2026.
2. Boston Consulting Group (BCG), How Physical AI Is Reshaping Robotics, 2026.
3. NVIDIA GTC 2026相關公開資料與演講內容。
4. McKinsey & Company, The Future of Robotics and Physical AI, 2025.
5. Stanford University, Embodied AI and Real-world Learning Systems, 2025.
6. MIT Technology Review, Why Physical AI Is the Next Big AI Race, 2026.
7. Amazon Robotics公開資料與技術說明。
8. McKinsey & Company, Automation, Robotics and the Future of Logistics, 2025.
9. NVIDIA, Physical AI and Warehouse Robotics, GTC 2026.
10. DHL Trend Research, AI-powered Logistics and Autonomous Warehousing, 2025.