從真實產線定義工業具身智慧

為何從工業現場出發？

講者將團隊定位為面向整體工業流程、先解決單一關鍵環節的創業團隊。這種策略不是縮小野心，而是先在任務邊界清楚、效益可驗證的場景中建立能力，再逐步擴張。團隊曾從實驗室研究走向企業與產線，因而更重視商業現實：技術必須進得了工廠，也必須算得出帳。

「你機器人能不能算出 ROI？」
— 吳哲明博士

所謂 ROI，不只是設備售價是否低廉，而是把整體使用成本一起納入：若機器人昂貴、速度沒有優勢，且仍需要焊工全程照看，就難以形成經濟效益；反過來，若它比人更快、更省，且人員只需每天投入有限時間監看與維護，導入才有意義。這也說明工業機器人不是展示品，而是要能承擔生產價值的工作單元。

工業具身智慧ROI任務邊界產線落地單點突破

焊接：高難度卻邊界清楚的第一站

相較於家庭等開放環境，工業現場雖然有粉塵、強光、高精度與嚴格工藝要求等挑戰，但任務範圍相對收斂。講者因此選擇焊接作為切入點：它足夠困難，卻有明確的工件、工序與品質要求；一旦做透，能力可望延伸至切割、拼裝、組裝與其他製造環節。

• 焊接現場具備惡劣環境與高精度需求，不能只套用一般視覺或自動化方案。
• 焊接工藝需要長期經驗；模型若不了解工件結構與焊縫條件，難以穩定執行。
• 多品種、小批量與來料變異，使預先編好固定程式的機器人難以涵蓋所有情況。
• 焊接也涉及人員安全與職能缺口，因此兼具商業需求與改善工作的意義。

「工業現場相對收斂，所以由我們選擇了焊接。」
— 吳哲明博士

這場分享始終將焊接放在核心位置。原因在於，焊接恰好濃縮了工業具身智慧最棘手的問題：非結構化工件、工藝差異、品質要求、現場安全，以及設備導入後是否真能減少人工依賴。它像是物理 AI 的壓力測試場，系統必須同時看懂、判斷、執行並承擔結果。

焊接自動化多品種小批量工藝理解安全品質

從預編程自動化，走向可學習系統

傳統自動化擅長處理重複、固定的工作：工程師可先花時間編程，讓機器人反覆執行同一套動作。然而當產品型號、工件位置或加工條件頻繁變動，規則會越疊越多，彼此衝突，系統也愈來愈難維護。講者認為，工業解決方案需要轉為能持續感知、學習與調整的系統。

物理世界的技能不能只靠閱讀文件、觀看圖片或在純模擬中推導。系統必須進入生產現場，面對真正的工件與變化，才能累積可用經驗。這正是具身智慧與純數位模型的差別：前者必須把感知與行動連成一個閉環，如同學習騎車，知道平衡原理不等於能在路面上穩定前進。

• 自主感知：辨識工件結構、特徵與位置。
• 任務與程式生成：根據所見工況產生相應的機器人動作。
• 執行與品質關注：讓機器人完成工藝任務，並處理關鍵細節。
• 閉環學習：從部署與運作回饋中持續提升能力與客戶價值。

感知、工藝與可靠性：物理 AI 的三道門檻

在技術架構上，講者以工業機械手搭配末端 3D 相機為例，透過三維點雲擷取工件與周邊環境，讓機器人取得進入物理世界所需的視覺感知。設備本體雖已成熟，但能否在現場長時間工作，仍取決於感知精度、抗干擾能力，以及對焊縫與工件結構的理解。

講者將其物理 AI 系統稱為「青金石」，核心不是以通用大模型直接取代現場知識，而是在通用能力的基礎上，加入對物理世界、工藝流程與特定任務的理解，形成垂直領域模型。理由很直接：工藝之間差異很大，不能期待一套未經場景訓練的模型，立刻熟練處理所有製造任務。

「我們是在一個通用大模型基礎上，利用我們對物理世界的理解。」
— 吳哲明博士

3D 相機三維點雲自主感知垂直領域模型物理 AI

資料閉環不是蒐集愈多愈好

要讓模型改善，資料是關鍵；但講者特別指出，重點不只在資料數量，還包括品質與覆蓋率。系統必須在客戶現場理解完整脈絡，並先建立資料治理與資料管線，才能把工件、工藝、異常與操作結果轉為可訓練、可評估的資產。

但工業 AI 的學習有一個根本矛盾：模型需要從錯誤中學習，工廠卻不能輕易容許錯誤。安全、品質與生產穩定性是現場的基本門檻；一旦設備造成傷害或重大損失，後續合作可能直接中斷。因此，與客戶共建不是單純取得資料，而是共同設計一個既能讓系統迭代、又不犧牲產線底線的驗證機制。

「安全、質量、穩定。」
— 吳哲明博士

來料偏差：最能檢驗智能的現場案例

講者以拼焊結構件為例說明，前段切割若不精準，零件組裝後的間隙便會改變。固定程式不知道眼前間隙已變大或變小，可能在小間隙處過度堆焊，也可能在大間隙處造成熔池下墜甚至焊穿。熟練焊工則會依現場狀況調整焊接方式、姿態或參數。

這正是工業具身智慧的價值所在：不是讓機器人機械式重複既定軌跡，而是理解物理限制後作出合適判斷。若每次偏差都得由人員全程陪同處理，企業等於同時養了一名焊工與一台機器人，ROI 便難以成立。

「你既要懂物理世界的規矩，也要用這種好的技能方式去判斷。」
— 吳哲明博士

重點回顧：把專家能力變成可部署的系統

• 工業具身智慧應以產線價值與 ROI 驗證，而非只以模型能力或展示效果衡量。
• 焊接是高難度、強需求且任務邊界相對明確的切入場景，可作為能力擴張的基礎。
• 從固定規則轉向感知、決策、執行與回饋的閉環，是處理多樣工件與現場變化的核心。
• 垂直領域模型需要工藝知識、現場資料與客戶共建，不能只依賴通用模型。
• 資料迭代必須服從安全、品質與穩定性；能在這些約束下學習，才是可被產業接受的 AI。
• 最終目標是降低對少數專家與複雜編程的依賴，讓更多產線能更快部署並操作機器人。

資料品質資料覆蓋率人機協作專家知識持續迭代