數十年來，機器人始終專注於結構化工廠環境中的重複性任務，其功能高度專業化。隨著人工智慧技術的革命性進展，現今機器人已能理解並執行用戶指令，靈活適應各類動態環境。

我們正迎來高速成長的新時代：根據花旗集團預估，至2035年，全球將部署13億台機器人，其應用範圍正從工廠不斷拓展至家庭及多元服務產業。與此同時，摩根士丹利預測，到2050年，單單人形機器人市場規模可達5兆美元。

儘管產業迅猛擴張帶來龐大市場機會，卻同時伴隨集中化、信任、隱私與可擴展性等核心挑戰。Web3技術正以去中心化、可驗證、隱私保護和合作型機器人網絡，為上述難題帶來嶄新解方。

本期我們將深入剖析AI機器人價值鏈演進，重點聚焦人形機器人，並探討AI機器人攜手Web3所開啟的獨特機遇。

AI機器人價值鏈洞察

AI機器人價值鏈可劃分為硬體、智慧、資料及智慧體四大關鍵層級。這四個層級彼此賦能，使機器人能於複雜現實場域中實現「感知－推理－行動」整合模式。

近年來，產業領導者如Unitree、Figure AI在硬體層級取得突破性進展；然而在非硬體層級，依舊面臨高品質資料集不足、缺少通用基礎模型、跨型態協作困難及邊緣運算能力有限等挑戰。因此，未來最大創新空間將聚焦於智慧、資料及智慧體層級。

硬體層級：「本體」

現今，現代機器人「本體」組裝與部署愈加便捷。市場上已推出逾100種人形機器人，包括 Tesla Optimus、Unitree G1、Agility Robotics Digit 及 Figure AI Figure 02 等代表作。

資料來源：摩根士丹利《The Humanoid 100: Mapping the Humanoid Robot Value Chain》

這波突破仰賴三大關鍵部件技術革新：

• 驅動器︰作為機器人「肌肉」，將數位指令轉為高精度運動。高效馬達提升能效和動作精準度，介電彈性體驅動器（Dielectric Elastomer Actuator，DEA）支援精細作業，大幅提升靈活度。例如 Tesla Optimus Gen 2 擁有22自由度（DoF），Unitree G1同樣展現接近人類手腳的靈巧度與強大機動性。

資料來源：Unitree最新人形機器人在WAIC 2025現場拳擊表演

• 感測器︰高端感測器賦予機器人以視覺、雷射雷達/雷達、觸覺與音訊，全方位解析環境，支援安全行走、精密操作與場景感知。

• 嵌入式運算︰終端設備的CPU、GPU及AI加速器（如TPU〈張量處理單元〉、NPU〈神經網路處理單元〉）即時處理感測資料並運行AI模型，驅動自主決策。高速低延遲連線促進機器人高效合作，邊緣—雲端混合架構則有助於彈性擴展算力。

  智慧層級：「大腦」

  隨著硬體不斷成熟，產業核心已轉向「機器人大腦」的建構：發展強健基礎模型與智慧控制策略。

  在AI技術尚未普及之前，機器人多依賴規則自動化及預設動作，智慧與自適應能力有限。

現階段，基礎模型逐漸應用於機器人領域。然而通用大型語言模型（LLM）仍無法完全滿足需求，機器人需於動態物理環境下實現「感知－推理－行動」。產業因此專注開發端對端、策略導向的機器人基礎模型。這些模型賦予機器人：

• 感知：取得多元原始多模態感測資料（如視覺、觸覺、音訊等）
• 規劃：推估系統狀態、重建環境地圖、理解複雜指令——將感知資訊直接轉為即時動作，全程最小化人工介入

• 行動：產生運動規劃並發出控制指令

  此類模型可習得於複雜環境與真實世界互動的共通「策略」，讓機器人廣泛適應多任務，全面提升智慧與自主性。進階模型導入即時反饋機制，推動機器人由實地經驗獲得學習，不斷強化動態場域下的適應力。

  

  目前主流機器人基礎模型架構為Vision-Language-Action Model（VLA），VLA模型將感官輸入（主要為視覺和自然語言指令）直接對應操作行為，驅動機器人根據「所見」「所聞」做出精準反應。典型案例包括Google RT-2、NVIDIA Isaac GR00T N1、π公司 π0等。

  為提升這類模型效能，產業常同時整合多元路徑：

• 世界模型：內建物理環境模擬，協助機器人學習複雜行為、預測結果並制定最佳決策。Google最新Genie 3實現極為多樣的互動式場景生成。
• 深度強化學習：機器人透過反覆試誤機制，優化行動策略。
• 遠端操作：支援遠距控制與資料採集作業。

• 模仿學習：讓機器人透過模仿人類行為快速學會新技能。

  下圖展示多項技術於機器人基礎模型之協同應用概念：

資料來源：World models: the physical intelligence core driving us toward AGI

近期，開源創新如π0、NVIDIA Isaac GR00T N1等推動基礎模型突飛猛進。但當前多數機器人基礎模型依然中心化、未開源。Covariant、Tesla等公司基於獎勵機制不足，普遍保留專有程式碼和資料集。

開放度不足阻礙機器人平台間的合作與互操作，產業迫切需要安全透明的模型共享、區塊鏈上社群治理準則及跨型態互操作層，為建立信任、促進合作與推動技術創新鋪路。

資料層級：「大腦」的知識基礎

高品質機器人資料集須兼具數量、品質與多元性三大要素。

目前產業資料集規模遠落後於需求。例如，OpenAI GPT-3訓練所用tokens高達3000億，而最大開源機器人資料集Open X-Embodiment僅涵蓋22種機器人、約100萬筆真實軌跡，量級差距極為明顯。

專有模式如Tesla資料中心（由員工透過動作捕捉生成訓練樣本）雖能蒐集大量實際動作資料，卻受限於成本和多樣性，難以規模化推展。

機器人領域資料來源主要分為三類：

• 網路資料：資料量龐大、易於擴充，屬觀察型資料，卻缺乏傳感－運動信號。運用GPT-4V、Gemini等視覺－語言大模型做預訓練可取得豐富語義和視覺概念，影音資料結合動作標註將原始內容轉化為訓練資料。
• 合成資料：仿真產生，適合快速大規模實驗與多場域測試，但「仿真－現實落差」使其難以完全還原真實世界複雜度。業界一般以領域適應（包含強化學習、隨機化、對抗學習）與仿真－現實轉換，逐步彌補並微調模型。

• 真實資料：雖然成本高昂但極其關鍵，為模型落地與全流程閉環核心。優質資料通常包含第一人稱視角感知（即機器人「所見」）與精確動作軌跡。資料採集多透過人類示範、VR、動作捕捉、力學教學等遠距操作，確保模型習得真實場域下的行為。

  研究顯示，結合網路、真實及合成資料訓練，較單一來源有效且泛化性能更強。

  此外，在資料多樣性、模型泛化與不同任務／機器人型態適應能力等層面，開放資料平台與合作共享皆至關重要。建構跨型態資料集有助驅動更強基礎模型誕生。

智慧體層級：「物理AI代理」

「物理AI代理」逐步於現實世界落地，推動產業發展關鍵在於持續模型微調、動態學習與型態適應。

推動「物理AI代理」的革新方向包括：

• 持續學習與自適應基礎設施：透過即時回饋與部署經驗共用，機器人不斷優化自身能力
• 自主型代理經濟體：機器人作為獨立經濟實體，在點對點市場上交易運算、感測等資源，並以服務換取代幣收入
• 多智慧體系統：新世代平台以及演算法支援大規模機器人團隊合作，優化集體決策

AI機器人x Web3：開拓嶄新市場格局

AI機器人於真實應用中，面臨中心化資料／模型孤島、信任與溯源不足、隱私合規風險、互操作壁壘等問題，導致創新及規模推進受阻。

AI機器人領域四大痛點

• 集中化資料與模型孤島

  機器人迫切需求大規模、多元資料集，但現有資料與模型開發高度集中、孤立且成本高，適應性與彈性有限。於複雜場景時，機器人常因資料單一、模型韌性不足而表現欠佳。

• 信任、溯源與可靠性不足

  資料、模型及機器人操作環節欠缺透明、可稽核記錄，信任與問責困難，影響用戶、監管與企業採用意願。

• 隱私、安全與合規壓力

  醫療、家事等敏感應用場景對隱私及合規要求極高，特別是在GDPR等嚴格法規地區。中心化架構難以支援高度安全及隱私保護的AI合作，資料共享受限，創新受阻。

• 可擴展性與互操作性不足

  機器人在資源共享、協同學習及跨平台整合等面向遭遇瓶頸，難發揮網絡效應，跨機器人能力移轉困難。

  AI Robotics x Web3：結構創新驅動投資新動能

  Web3技術以去中心化、可驗證、隱私保護及合作網絡，從根本解決上述挑戰，為新興市場開啟投資新契機：

• 合作開發民主化：獎勵機制推動合作，促進機器人資料與模型共同開發，智慧體協同進化
• 可驗證溯源與責任制：區塊鏈保障資料／模型來源、機器人身份與行為紀錄不可竄改，強化信任及合規水準
• 隱私保護合作：運用先進密碼學，機器人能聯合訓練並共享成果，無須揭露專有或敏感資料
• 社群型治理：DAO實現區塊鏈上透明政策，共同監管機器人運作
• 跨型態互操作：開放區塊鏈架構推動多平台機器人無縫互通，降低開發門檻，加速能力遷移
• 自主型代理經濟體：Web3基礎設施驅動機器人自主參與點對點交易、協商與代幣化市場

• 去中心化物理基礎設施網路（DePIN）：區塊鏈P2P共享運算、感測、儲存與連線資源，顯著提升網路彈性及擴展力

  下列前瞻專案展現領域創新與發展動能，資訊僅供參考，不構成任何投資建議。

• 去中心化資料及模型開發

  Web3平台以獎勵為導向，協助開發者透過動作捕捉、感測器共享、影音上傳、資料標註、合成資料產生等方式貢獻資料和模型。多方合作大幅提升資料集多樣性及代表性，優於單一企業模型。去中心化架構擴展極端應用場景，持續強化複雜環境下機器人能力升級。

  典型案例：

• Frodobots：群眾外包機器人遊戲真實資料集，推出Earth Rovers人行道機器人及全球「Drive to Earn」方案，產生FrodoBots 2K Dataset，涵蓋超過10座城市、近2000小時的機器人遠端行駛、多元攝影、GPS、音訊及操作資料。
• BitRobot：Frodobots Lab與Protocol Labs聯手打造，基於Solana、採子網架構的加密合作平台。每個子網為開放挑戰，參與者提交模型或資料即獲代幣獎勵，促進全球共創與機器人開源創新。
• Reborn Network: 開放型AGI機器人生態基礎建設。Rebocap動作捕捉服可讓任一用戶記錄並變現自身動作，加速人形機器人高階能力資料公開。
• PrismaX: 去中心化視覺資料基礎設施，集結全球社群，落實資料多元與真實性。平台透過嚴謹驗證及獎勵，推動視覺資料擴大規模，為機器人訓練構建堅實資料底座。

• 資料溯源與可靠性證明

  區塊鏈為機器人生態系帶來端對端透明與責任追溯。其確保資料與模型溯源、身份和實體位置認證、操作歷史及貢獻者全流程紀錄。合作驗證、區塊鏈上聲譽系統與質押機制共同守護資料與模型品質，防堵低品質／虛假內容。

  典型案例：

• OpenLedger: AI區塊鏈基礎設施，依社群資料集訓練與部署專屬模型。Proof of Attribution機制確保資料貢獻者獲得公平獎勵。

• 資料代幣化授權與變現

  Web3原生智慧財產權工具支援專業資料集、機器人能力、模型與智慧體的代幣化授權。貢獻者可將授權條款寫入智慧合約，資料或模型於每次存取／變現時自動分潤，構建公平公開的資料與模型市場。

  典型案例：

• Poseidon: Story團隊孵化，打造全方位去中心化資料層，依託Story Protocol為AI訓練提供合規授權資料。

• 資料隱私保護型方案

  醫院、飯店、家庭等產出的高價值資料難以公開，但能大幅提升基礎模型效能。結合加密科技將私有資料資產化、可追蹤及變現，同時保障隱私。可信執行環境（TEE）、零知識證明（ZKP）等技術支援在不揭露原始資料下的安全計算與驗證，讓AI能合規訓練敏感分散式資料。

  典型案例：

• Phala Network: 開發者可將應用部署於TEE，實現機密AI運算及資料處理。

• 開放透明治理

  機器人訓練多仰賴專有黑箱系統，缺乏透明與彈性。可驗證、開放治理對風險管理與強化用戶、監管、企業信賴至關重要。Web3使社群合作開發與監管開源機器人智慧成為可能。

  典型案例：

• Openmind: 推出開放AI原生軟體堆疊，賦能機器人合作。最新ERC7777標準，建立安全、透明、可擴展的「人機共融社會」，整合身分管理、規則制定、參與者註冊移除及其權責協議。

結語
展望未來，AI機器人結合Web3將大幅推動自主系統規模合作與持續進化。預計3至5年內，隨著硬體革新及去中心化資料協同，AI模型潛能將迎來質變，促進飯店、物流等多產業垂直智慧體問世，開啟嶄新市場藍海。

然而，AI機器人結合加密科技亦充滿挑戰：獎勵機制必須公平且能防止濫用，系統架構變得愈加複雜，必須具備強大與可擴展解決方案以因應多元機器人型態。隱私保護技術必須真正可靠，方能獲得市場信賴，特別是在涉及敏感資料時。此外，監管情勢急遽變化，企業需靈活應對、多區合規。唯有妥善控管風險並落實可持續收益，產業方能穩健發展並廣泛應用。

讓我們共同關注、積極參與創新浪潮，攜手促進產業進化，搶占高速成長市場戰略先機。

機器人創新之路，需要產業共同努力。

特別感謝 Chain of Thought《Robotics & The Age of Physical AI》為本次研究提供寶貴參考與啟發。

免責聲明：

1. 本文轉載自 [merakiki.eth]，著作權歸原作者 [@merakikieth“>merakiki] 所有。如對轉載內容有異議，請聯繫 Gate Learn 團隊，平台將即時協助處理。
2. 免責聲明：本文內容僅代表作者個人立場，不構成任何投資建議。
3. 本文譯文由Gate Learn團隊原創，未經授權禁止複製、傳播或抄襲。