2026-08-25-Addin-Physical-AI

矽谷談 Physical AI，和台灣想的不太一樣

後設資料

• URL：https://www.facebook.com/AddinVentures/posts/1076582928658774
• 使用者提供的分享 URL：https://www.facebook.com/share/p/14naVw2XKHL/?mibextid=wwXIfr
• 作者／發布帳號：Addin Ventures
• 發表日：2026-08-14 00:52:42 UTC（Facebook embed 的 data-utime=1786668762；介面顯示 Thursday, August 13, 2026 at 5:52 PM）
• 發表平台：Facebook
• 語言：繁體中文

一句話濃縮

Addin Ventures 認為矽谷語境的 Physical-AI 核心不是「AI 加硬體」，而是把世界模型、VLA、資料飛輪、模擬、訓練與部署接成能在真實世界持續學習的系統；台灣的機會則是把製造與場域優勢往模型、資料與訓練閉環延伸。

提取要點

• Physical AI 不只是 AI + IoT：傳統 IoT 偏向感測器、連網與 If-Then Rule；Physical AI 要持續完成感知、理解、預測、行動與再學習。
• 世界模型與 VLA 分工不同：World Model 用來理解並模擬世界如何運作；Vision-Language-Action Model 把感知與理解轉成控制動作；機器人本體負責實體互動。
• 部署形成資料飛輪：機器賣出去不只產生營收，也成為 Data Collection Node；部署規模與新資料能否改善下一代模型，可能比單純出貨量更重要。
• Simulation / Sim-to-Real 降低訓練成本：真實世界測試昂貴且危險，因此先用合成數據、強化學習與虛擬環境大量訓練，再部署到真實場域。
• 底層是一整套 AI Infrastructure：GPU、世界模型、合成數據、模擬、強化學習、訓練基礎建設與 Edge Inference 共同構成技術堆疊。
• 台灣的策略分水嶺：若只做機構件、馬達、感測器、工業電腦與組裝，仍可能停在既有供應鏈角色；若能把製造、場域部署、Data、Simulation、Model 與 Training Loop 串起來，硬體優勢才可能變成會複利的系統能力。

提取概念

連結到此來源衍生 / 更新的 wiki 頁：

• Physical-AI（新建 — 統合世界模型、VLA、資料飛輪、Simulation / Sim-to-Real、AI Infrastructure 與台灣製造機會）
• 供應鏈（更新 — 補入 Physical AI 把部署節點延伸為資料蒐集與模型迭代節點的產業角色）
• MOC-LLM-應用設計（更新 — 新增從數位 LLM 系統到實體世界 AI 的鄰接方向）
• AI算力資本循環（既有關聯 — Physical AI 共享 GPU / 訓練 / 基礎設施約束，但多出模擬、邊緣推論與本體部署）

Ingest 筆記

2026-08-25

• 來源辨識：使用者提供完整貼文與 Facebook share URL。公開 post embed 可解析到發布帳號 Addin Ventures、穩定網址 https://www.facebook.com/AddinVentures/posts/1076582928658774、post ID 1076582928658774 與 Unix timestamp 1786668762；因此以穩定網址為 url，原分享網址保留為 original_url。
• 建頁決策：新建 Physical-AI umbrella。文章對世界模型、VLA、資料飛輪、Simulation / Sim-to-Real、AI Infrastructure 與台灣製造角色提供同一套產業地圖，密度足以成為概念入口；但各子題目前只有本篇來源，先不拆成薄頁。
• 跨頁影響鏈：MOC-LLM-應用設計 補入從語言模型應用到實體世界系統的鄰接方向；供應鏈 補入「出貨節點同時是資料節點」與台灣製造能力接上模型學習閉環的觀點。AI算力資本循環 保持既有內容，以關聯連結承接共同的算力與基礎設施約束，不因單篇觀點文改寫資本市場事實。
• 證據邊界：本來源是 Addin Ventures 的創投／產業觀點，不是世界模型、VLA 或各公司產品能力的技術規格文件。文中對 YC 2026 Requests for Startups、NVIDIA Cosmos、Google DeepMind Gemini Robotics、Meta V-JEPA 與矽谷投資方向的描述保留為作者觀察；若後續要寫成公司史、產品能力或市場規模，應回到官方公告、技術文件與一手研究校準。
• 觀察清單同步：無新增條目。World Model、VLA、Sim-to-Real 與 Embodied AI 暫由 Physical-AI umbrella 承接；在該頁備註以「第 2 份專門來源 + 明確技術層次差異」作為拆頁評估門檻。

原文（可選）

Facebook 貼文與 share URL 可能受登入或平台可用性影響；使用者已提供全文，因此保留原文作為來源 evidence。

矽谷談 Physical AI，和台灣想的不太一樣

這一年，Physical AI 大概是矽谷除了 Agentic AI 以外，最熱門的關鍵字之一。

無論是大公司、創投或創業者，甚至包括 YC 2026 夏季和秋季的新創徵求（Request for Startups），都大篇幅討論 Physical AI。

但最近跟矽谷、台灣兩邊的創業者與產業界聊天，我發現一件很有趣的事：大家都在講 Physical AI，但腦中想的其實不太是同一件事情。

在台灣講到 Physical AI，大部分人的第一個直覺還是：AI 加上機器人、感測器、IPC、Edge Computing、機械手臂，或者各種智慧製造設備。

這當然沒有錯。

畢竟這些本來就是台灣最強、也最能夠深入的主題。

但如果從現在矽谷正在投入的公司、人才與資本方向來看，Physical AI 在矽谷真正被討論的核心，其實不單純是：

「如何把 AI 裝進一台機器裡？」

而是：

「怎麼讓一台機器像人一樣理解這個世界，預測接下來會發生什麼，然後採取正確的行動？」

這兩句話讀起來很像，可是背後可能是完全不同的產業方向。

.

Physical AI 不只是 AI + IoT

要討論這兩個方向，得先回頭看看十多年前的關鍵字「IoT」。

上一代 IoT 的核心，是把原本沒有連網的機器連起來：由感測器收集資料，傳到雲端或 Edge 端運算，再按照預先設定好的規則做反應。例如溫度超過 80 度就關機、有人靠近就停止運轉。

但矽谷目前在討論的 Physical AI，要解決的問題其實複雜很多。

例如，今天如果你叫一個機器人：

「幫我把桌上的杯子拿過來。」

它必須先認知：這是一個杯子。

如果杯子裡有水，傾斜就可能灑出來。

桌子是障礙物，不能直接穿過去。

如果旁邊突然有人走過來，或者杯子被別人拿走，它還必須重新判斷接下來該怎麼做。

這大概不是傳統的感測器，加上一堆 If-Then Rule 就可以解決的事情。

Physical AI 真正需要建立的，是：

感知 → 理解 → 預測 → 行動 → 再學習

一套持續運作的學習迴路。

.

如果把現在矽谷談的 Physical AI 拆開來看，我覺得有四個特別值得注意的核心能力與產業環節：

.

第一個：世界模型（World Model）

更精準地說，與其把世界模型理解成「機器人的基礎模型」，它更像是一個對真實世界的模擬器：讓 AI 學會物體如何移動、彼此怎麼互動，以及一個動作發生之後，接下來可能產生什麼結果。

所以它的應用不只機器人，也包括自動駕駛、影片生成與虛擬世界；但機器人可能是目前最重要、也最直接的商業落地場景之一。

而在同一套 Physical AI 的技術堆疊裡，視覺－語言－動作模型（Vision-Language-Action Model, VLA）扮演的角色又不太一樣。

如果說世界模型是讓 AI 理解並模擬這個世界如何運作，那 VLA 更像是把「看到什麼、理解什麼」進一步轉化成「接下來要做什麼」的控制模型。

所以如果把 Physical AI 往下拆，可以粗略理解成幾個不同的層次：

世界模型（World Model）是理解與模擬世界的基礎層；

視覺－語言－動作模型（VLA）是把理解轉換成動作的控制層；

機器人本體，則是最後真正與實體世界互動的硬體層。

這也是為什麼最近 NVIDIA 在做 Cosmos，Google DeepMind 推 Gemini Robotics，Meta 做 V-JEPA，整個矽谷的 AI 產業開始大量投入 World Model 與 Embodied AI。

我們 Addin Ventures 最近開始接觸的矽谷新創公司，其實也讓我們越來越注意這個方向。

很有意思的是，目前在 World Model 與 Embodied AI 走得比較前面的公司，很多並不是傳統製造業，而是原本就在做： AI Model、Autonomous Driving、Computer Vision、Foundation Model 的公司。

這其實傳遞出來的一個關鍵是：

Physical AI 的「AI」，或許比「Physical」更決定長期競爭力。

.

第二個：數據飛輪（Data Flywheel）

這也是 Physical AI 跟傳統純硬體產業非常不同的地方。

Physical AI，並不是工程師寫完規格書、韌體更新完之後，就完成了。

目前大家所期待的 Physical AI，系統會不斷經歷：

Data → Training → Simulation → Deployment → New Data → Training

然後一輪又一輪。這種運作方式，其實更像 LLM、搜尋引擎或推薦系統，而不是傳統硬體。

Tesla 其實就是一個很好理解的例子。

Tesla 當然有車、馬達、電池、晶片、鏡頭與感測器。

但真正最難複製的資產之一，是大量車輛每天在真實道路上產生的資料，以及背後持續訓練、部署、再收集資料的迴路。

一台機器賣出去，對傳統製造業來說，可能就是營收。

但對 AI 公司來說，它同時還是一個：數據蒐集節點（Data Collection Node）。

這兩種思維背後的差別非常大。

未來真正有價值的機器人公司，可能不是單純看「賣了多少台機器人」，而是：

部署了多少機器、累積多少真實世界資料，以及這些資料能不能讓下一代的世界模型變得更聰明。

.

第三個：模擬（Simulation）

矽谷所談的 Physical AI，還有一個非常關鍵的瓶頸：

真實世界的資料採集成本實在太貴了。

LLM 可以讀網路，甚至目前幾家主流的大語言模型公司還會採購實體書來訓練模型。

但 Physical AI 新創不太可能為了教一台機器人走路，真的讓它在工廠跌倒一百萬次。

所以機器人產業非常重要的一個方向，就是模擬到現實（Sim-to-Real）。

先在虛擬世界裡：

走路一百萬次。

抓杯子一百萬次。

進工廠一百萬次。

再模擬撞牆、跌倒、不同光線、地板與物品。

全部都先在虛擬世界試過，再把訓練結果部署到真實世界。

NVIDIA Isaac Sim、Omniverse，包括現在大量的合成數據（Synthetic Data）、強化學習（Reinforcement Learning），其實都在解決這件事情。

這也是為什麼我們有時候內部討論時，常常會覺得：Physical AI 的某一部分，反而很像下一代的遊戲引擎。

Unity、Epic Games 的 Unreal Engine，過去是模擬一個遊戲世界給「人」玩。而 Physical AI 的模擬，則是在模擬一個世界給「AI」學。

這是一個很不一樣的思考方式。

.

第四個：AI Infrastructure

最後，如果一路往底層拆，Physical AI 背後其實是一整套 AI 基礎建設：GPU、世界模型、合成數據、模擬、強化學習、訓練基礎建設、以及最後部署到機器上的邊緣推論（Edge Inference）。

這整套技術堆疊（Tech Stack），其實已經很不像上一代 IoT。

某種程度來說：

Physical AI 更接近 OpenAI + NVIDIA，再接上 Foxconn + Sensor；而不是 Foxconn + Sensor，再加一點 AI。

這個順序，很不一樣。

.

那台灣的機會在哪裡？

講到這裡，好像又會得到一個很悲觀的結論：Physical AI 該不會又要被矽谷主導了吧？

但我沒有那麼悲觀。

因為 Physical AI 有一件事情跟 Generative AI 非常不一樣：它最後真的必須回到實體世界。

它需要機器人、馬達、感測器、鏡頭、電池、邊緣運算，也需要製造。

更重要的是，它需要進入真正的工廠、倉庫、醫院、餐廳、飯店，以及各種現實世界的場景裡工作。

而這些，剛好就是台灣非常有機會的地方。

所以我覺得，對台灣產業界真正的命題是：我們會不會僅把自己的優勢停留在硬體製造。

如果台灣企業今天只是幫下一代機器人公司做機構件、完成 DFM、做馬達、做感測器、做工業電腦、做組裝，那最後很可能仍然停留在過去熟悉的供應鏈角色。

但是如果台灣可以利用自己巨大的製造能量與硬體部署能力，進一步掌握：Data、Simulation、Model、Training Loop。

那未來台灣產業的故事，可能就完全不一樣了。

因為未來 Physical AI 最大的護城河，很可能是：「我的機器每工作一天，整個系統就比昨天更聰明一點。」

這是我現在理解的，矽谷正在談的 Physical AI。

也是它跟我們過去熟悉的 IoT、智慧製造，最根本不一樣的地方。

如果你正在做的事情，剛好落在這幾個方向：

World Model、VLA、Simulation、Synthetic Data、Embodied AI，以及能真正讓機器進入工廠、倉庫、醫療、零售等場域的 Physical AI 應用，我們最近都非常有興趣認識。

尤其如果你是一個來自台灣的團隊，正在思考的不只是「怎麼把硬體做出來」，而是怎麼把 模型、數據、布署與台灣擅長的製造能力真正串在一起，那會是我們 Addin Ventures 特別想多聊的題目。

反過來，如果你是在台灣的製造業、供應鏈或企業端，已經開始思考自己除了做硬體之外，還可以怎麼參與下一波 Physical AI，我們也很想聽聽大家最近看到的案例與想法。

.

有在做的，歡迎來找我們聊聊。