美國前 NASA 軟體、機器人與模擬部門負責人 Robert Ambrose 近日在《Fortune》撰文指出，美國確實能打造出動作流暢、操作精準、甚至能完成後空翻等高難度動作的人形機器人，但他也點出一個殘酷現實：「美國確實打造出令人驚豔的機器人，但卻不是『對的』機器人」。
Robert Ambrose 觀察，前陣子中國在德國總理面前展示的人形機器人陣列，背後反映的並非單純技術炫技，而是凸顯美中兩國在機器人策略上日益擴大的差距。他警告，美國擁有頂尖的技術人才，卻正陷入一個致命盲點，那就是整個產業太容易把受控環境下的完美表現當成成功指標，卻完全忽略技術要走向商業化，真正的核心在於真實工廠與複雜工作場景中的實際部署能力。
展示成功不等於部署成功，長時間執行單一任務難以創造 ROI
這些展示的成果，往往掩蓋機器人進入真實場景的落差。Robert Ambrose 引用史丹佛大學的報告點出核心問題：機器人在受控模擬中成功率可接近 90%，但在真實家庭任務中卻僅剩下 12%。
以知名新創 Figure AI 為例，其技術展示屢屢引發熱議，但距離真正的商業化部署仍有距離。在製造端，Robert Ambrose 指出，Figure 02 模型在 BMW 工廠累積 1,250 小時運作時間、搬運逾 9 萬個零件，看似成果豐碩，但實際上在長達 10 個月的時間裡，Figure 02 只執行「把鈑金零件放到焊接治具上」這項單一任務。在這樣的情況下，如 BMW 這樣的大型製造商可以將這種單一任務試驗視為必須吸收的研發成本，但對中型製造商而言，花費數千美元投資一台只能做單一任務的人形機器人，根本無法創造合理的投資報酬率。
在物流端也面臨類似挑戰。《Business Insider》報導 Figure AI 近日在總部舉辦一場 10 小時「人機分揀包裹大賽」。在這場比賽中，即便人類實習生中途需要休息用餐，最終仍以分揀 12,924 件包裹、平均每件只需 2.79 秒的成績，險勝機器人的 12,732 件、平均每件 2.83 秒的成果。
儘管 Figure AI 執行長 Brett Adcock 宣稱「這會是人類最後一次贏」，且展示目的在於強調機器人能負荷 24 小時輪班的可靠度，但俄亥俄州立大學機器人學者 Ayanna Howard 點出，機器人雖然耐力驚人，卻頻頻出現條碼放反、包裹偶爾被撞下輸送帶等準確度問題，「我們距離在物流中心擁有完全自主的人形機器人，還有一段很長的路要走，」 Ayanna Howard 說。
「任務適應力」才能填補自動化與勞動力之間的中間地帶
Figure AI 的案例其實揭示一個關鍵：機器人要規模化上工，真正的核心價值不是單一任務的持久度，而是「任務適應力」。
Robert Ambrose 根據過去在 NASA 的經驗指出，在嚴苛環境中失敗的機器，通常是只為單一場景設計的產物，那些真正成功且有價值的機器人，必須具備多工處理與重新編程的能力，以隨時部署到不同的環境中。目前美國打造的人形機器人，多半只在訓練條件下表現卓越，一旦離開熟悉環境就變得脆弱不堪。
相較之下，人類勞動力的無可取代性在於「高度彈性與快速切換任務的能力」。一名倉儲人員能在午餐前同時處理揀貨、補貨、回報安全問題，甚至靈活繞開打翻的液體。因此，目前在多數工廠裡，幾名人類員工所創造的投資報酬率，仍遠勝過一台單一任務的人形機器人。
Robert Ambrose 強調，人形機器人的定位並非「全面取代人類工作」，而是補足現有自動化系統無法觸及的「中間地帶」，包含那些對固定輸送帶而言變動太大、對熟練員工而言又太過枯燥重複的任務，例如在工作站間搬運材料、在繁忙倉庫中補貨、操作單用途機器，以及在狹窄危險空間進行檢查等。這些或許不是最光鮮亮麗的技術展示，卻是人形機器人能在這十年間真正著手解決的營運痛點。
政策轉型刻不容緩，誰先定義「可規模化部署」誰就能贏得未來
未來，人形機器人能否順利步入真實工作流程，除了技術端需要維持穩定、準確與彈性，更需要國家政策的支持。Robert Ambrose 認為，美國雖然擁有人才、資本與工業基礎來領導這場轉型，但目前卻將資源錯置於錯誤的成果指標上，進而忽略推動真實部署的政策環境。
Robert Ambrose 呼籲，美國政府需要針對「製造部署」建立更明確的稅務誘因，因為現有的聯邦研發稅收抵免僅獎勵技術發現，無法有效幫助企業抵銷整合機器人系統及重新設計工作流程的龐大成本。此外，政府應擴大「製造業推廣合作夥伴計畫」（MEP）以提供中小型製造商專業支援，並由國家標準暨技術研究院（NIST）與 NASA 等機構合作制定人形機器人的互通標準，確保製造商能安全地整合多個系統。
Robert Ambrose 強調，未來的全球製造業格局，將由能率先定義「規模化部署」標準的國家來主導，在這樣的趨勢下，若不盡快改變現狀，之後這個制定規則的國家，恐怕不會是美國。
＊本文開放合作夥伴轉載，資料來源：《Fortune》、《Business Insider》，首圖來源：Figure AI
