Physical AI
一句話定義
Physical AI 是讓 AI 在真實世界中持續完成感知、理解、預測、行動與再學習的系統；重點不只是把模型裝進硬體，而是讓模型、資料、模擬、部署與實體機器形成可迭代的閉環。
核心要點
不只是 AI + IoT
傳統 IoT 主要把感測器、連網、雲端或邊緣運算接到預先設定的規則：偵測到條件後執行固定反應。2026-08-25-Addin-Physical-AI 提出的區分是，Physical AI 面對的是開放且會變動的環境，系統需要形成持續迴路：
感知 → 理解 → 預測 → 行動 → 再學習
例如機器人拿取一杯水，不只要辨識杯子，還要理解液體會灑出、桌子是障礙、旁人移動會改變路徑，並在環境變動時重新規劃。這類問題不能只靠固定 If-Then Rule 完成。
技術堆疊是模型、控制與本體的分層
本來源把 Physical AI 粗分為三層：
- 世界模型（World Model）：理解並模擬物體如何移動、互動，以及動作可能產生的後果。
- 視覺－語言－動作模型（Vision-Language-Action Model, VLA）：把看到與理解的狀態轉換成下一步控制動作。
- 機器人本體：以馬達、感測器、鏡頭、電池、邊緣運算與機構件真正介入實體世界。
世界模型、VLA 與本體不是彼此替代，而是從預測世界、選擇行動到執行行動的不同層次。本文提及 NVIDIA Cosmos、Google DeepMind Gemini Robotics 與 Meta V-JEPA 作為產業投入案例；這些產品定位與技術能力仍應由官方技術資料另行校準。
部署同時是資料蒐集
Physical AI 的資產不只是一台台已售出的機器，也包括部署後產生的真實世界資料。典型飛輪是：
Data → Training → Simulation → Deployment → New Data → Training
因此，機器既是商品，也是 Data Collection Node。競爭力不只來自出貨量，而在於部署規模、資料品質、訓練能力，以及新資料能否穩定改善下一代模型。
模擬降低真實世界學習成本
真實機器跌倒、碰撞、抓取失敗或進入高風險場域的測試成本很高，因此 Physical AI 需要先在虛擬環境大量練習，再把策略部署到現實，形成 Sim-to-Real 路徑。合成數據、強化學習、數位孿生與 NVIDIA Isaac Sim / Omniverse 都可放在這個基礎設施層理解。
這也讓 Physical AI 模擬具有「給 AI 學習的下一代遊戲引擎」特徵：過去遊戲引擎模擬世界供人互動，Physical AI 模擬則把環境作為 AI 的訓練場。
台灣的機會是把製造優勢接到學習閉環
台灣在機構件、馬達、感測器、工業電腦、組裝與製造場域部署上有既有優勢。本文的策略命題不是放棄硬體，而是避免只停在代工與零組件角色：若能把工廠、倉庫、醫療、零售等場域中的部署能力進一步接到 Data、Simulation、Model 與 Training Loop，硬體規模才可能轉成可複利的模型優勢。
換句話說，Physical AI 會把 供應鏈 從零組件與交付網路，往資料回饋、模型迭代與部署營運延伸。
與其他概念的關係
- MOC-LLM-應用設計 — 從數位世界的語言模型應用，延伸到需要感知、預測與控制真實環境的 AI 系統。
- AI算力資本循環 — Physical AI 同樣依賴 GPU、模型訓練與基礎設施資本，但還要加上模擬、邊緣推論與實體部署成本。
- 供應鏈 — 台灣的製造與部署能力若能接上資料飛輪，供應鏈節點就不只交付硬體，也成為模型學習的資料節點。
- AI資料勞動 — 兩者都提醒模型能力背後存在資料供應鏈；Physical AI 的資料主要來自真實世界互動與部署回饋。
- 迭代設計 — 都依靠部署、觀察、修正與再測試，但 Physical AI 把迭代擴展到模型訓練、模擬環境與實體控制。
相關來源
- 2026-08-25-Addin-Physical-AI — 本頁建立來源；以矽谷創投與台灣產業的視角，整理 Physical AI 的世界模型、VLA、資料飛輪、模擬、基礎設施與台灣製造機會。
備註
本頁目前由單一創投觀點文章建立概念骨架，適合作為產業地圖與後續查詢入口，不應把文中對 YC、NVIDIA、Google DeepMind、Meta 或市場投資方向的描述直接視為已完成一手驗證。World Model、VLA、Sim-to-Real 與 Embodied AI 暫時併在本頁；待各自累積第 2 份專門來源並出現明確技術層次差異後，再評估拆頁。