專訪：《TechOrange》社長戴季全 / 撰稿：李昀蔚
不管是在模仿學習、強化學習等技術層面，或是應用場域及功能面，都可以見到全球機器人公司呈現爆炸性成長的跡象。本集《全新一週》特別邀請國立臺灣大學電機工程學系助理教授、機器人學習實驗室主持人孫紹華，分享近期參訪美國矽谷 AI 機器人產業的心得，並深入探討對全球 AI 機器人發展趨勢的深刻洞察。
孫紹華分享，在為期五天的行程中，走訪了 UC Berkeley、Google、NVIDIA、Amazon Lab126 以及 Toyota Research Institute（TRI）等多家頂尖機構，更特別參訪兩間機器人新創公司，觀察產業內不同的發展模式。
兩家不同路線的美國新創
「我的感想是，現在雖然還是非常多人在鑽研各種不同技術，但這些技術其實也成熟到如果你有一定的資源與決心，就可以開始把東西落地，」孫紹華舉例，在這趟灣區之行，他們特別拜訪 Physical Intelligence 與 DYNA Robotics 兩間新創。Physical Intelligence 在技術上已有突破，能讓機器人穩定地完成如摺衣服等困難任務 。然而，他們並不急於商業化，而是希望開發出能應對各種工作的「通用型機器人」。
相較之下，DYNA Robotics 也開發出能穩定讓機器人摺餐巾的技術 ，他們也選擇積極與飯店、餐廳洽談合作，DYNA Robotics 的團隊甚至會參與飯店業的產業會議，而非單純聚焦學術研討，以深入了解產業痛點，並透過大量收集數據與訓練模型來解決特定問題 。「這兩家公司，我覺得技術上其實非常類似，都是在做模仿學習，」孫紹華強調，這兩種模式也都證明技術已能落地，關鍵在於企業如何選擇商業路徑 。
強化學習與模仿學習的關鍵差異
孫紹華進一步說明，在推動 AI 機器人發展的過程中，主要仰賴「強化學習（Reinforcement Learning）」與「模仿學習（Imitation Learning）」兩大技術。
「強化學習的切入點是，我會告訴你怎麼樣的決策是好的，提供回饋的方式是給你一個獎勵，」孫紹華表示，透過不斷嘗試與調整，機器人最終學會如何做出正確的決策，例如控制機械手臂的馬達來抓取物件 。
至於模仿學習，孫紹華形容模仿學習的做法，就是「讓知道怎麼做這件事情的人來教你做這件事情 。」例如可以透過遠程遙控系統（Teleoperation System）來控制機械手臂，讓人能直覺地操作小型機械手臂，大型手臂則同步跟隨，藉此大量收集機器人動作的資料來訓練模型 。
機器人領域面臨的發展瓶頸
「機器人的問題不是數據用盡，是沒有數據，」談到當前 AI 機器人的發展挑戰，孫紹華指出，雖然網路上有大量人類活動的影片，但這些數據無法直接轉化為機器人能理解的動作 。此外，不同種類的機器人，數據也無法互通 ，這與文字這種通用的數據形式，存在本質上的差異。
除了數據之外，孫紹華也利用「綁鞋帶」的例子，說明 AI 機器人面臨的實際障礙 。首先，鞋帶是一種「可變形物體（deformable object）」，不像硬物有固定的形狀，這使機器人操控變得極為困難；其次，工業用機械手臂的夾爪可能太粗大，難以夾取細小鞋帶，因此團隊也必須決定要使用夾爪還是更靈巧的手來執行任務。此外，成本也是一大考量，要開發出高效率的遠端遙控機制來收集高品質的數據，並找到最適合 AI 學習的策略，都需要高昂成本。
台灣的獨特優勢
那麼台灣如何在全球 AI 機器人發展中，找到自己的戰略地位？孫紹華認為，台灣具備兩項獨特優勢。首先是「硬體製造」面向，台灣在自動化控制領域有深厚的產業基礎，有能力打造出可以比肩中國的平台，這也使得台灣有機會成為全球 AI 機器人大腦開發者的重要硬體夥伴，特別是美國，因為比起中國，他們更有可能選擇與台灣合作。
第二項優勢是「半導體產業場域」。半導體製造是高度勞力密集產業，在晶圓廠的無塵室中，更有大量的自動化需求 ，因此機器人產業可以就近與半導體公司合作，在特定的垂直應用場域中累積數據，進而發展出具備台灣優勢的機器人解決方案 。
對於未來出現「通用型機器人」的願景，孫紹華抱持樂觀但謹慎的態度，指出通用型機器人是未來可行的方向，但不會在三到五年內實現 。
孫紹華也強調，台灣不應該只被動等待通用型機器人的技術突破，而是可以雙軌並行 ：一方面，選擇適合台灣的垂直應用領域，從中累積數據並發展出商業化方案；另一方面，持續投入軟硬體整合技術，提供高品質的機器人平台，為全球 AI 機器人發展貢獻心力 。
