TechEveryday

硬體不是瓶頸：雙手操作才是真正難關

麻省理工學院（MIT）機器人研究教授在公開演說中指出，現階段人形機器人的移動能力（跑、跳、爬樓梯）已有足夠成熟的液壓與馬達控制技術支持，工廠環境下的導航移動也已被Boston Dynamics的Atlas等平台驗證。然而，當機器人需要在同一工作站內完成「取料→定位→工具操作→品質檢測」等多工任務時，雙手的精細協調能力成為決定性的瓶頸。

黃勝斌在NVIDIA年度開發者大會上發表類似觀點。他指出，NVIDIA的Isaaclab仿真平台與GR00T基礎模型已能讓機器人在數位環境中快速訓練 Manipulation Policy，但真實工廠環境的物料多樣性、工具幾何差異、以及突發干擾（如物料位置偏移），遠超仿真環境的複雜度。NVIDIA內部代號「靈巧手」的專案代號，正是在試圖用Foundation Model突破這個瓶頸。

台灣光學廠的「機器人之眼」商機

人形機器人要做到精細操作，視覺感知是關鍵互補。台灣光學廠（股價百元以上的大立光、玉晶光等，以及即將上市的光學次族）供應的立體視覺鏡頭、深度感測器與微距相機，是機器人獲取操作現場所在環境三維座標的核心元件。DIGITIMES Research指出，2027年全球人形機器人出貨量若突破5,000台，每台標配6~8個視覺感測器，光學元件市場規模可達新台幣12億元。

台灣機器人概念股在2026年已出現明顯評價分化：能提供移動平台（廣明、廣運）或馬達驅動（齒輪箱廠）的硬體供應商，評價已反映未來3年營收；但專注於視覺感知與操控軟體的廠商，仍處於本益比評價的早期階段。

仿真到真實的「Sim2Real」鴻溝

機器人操作能力訓練的核心挑戰是「Sim2Real Gap」——在仿真環境中訓練出的manipulation Policy，轉移到真實工廠環境時，往往因物理參數誤差（摩擦力、彈性係數、物料重量分佈）而出現大幅效能衰減。MIT教授的研究顯示，目前最佳Sim2Real遷移率約在65~75%，工廠要接受機器人部署，必須接受這個效能損耗，或投入大量真實環境資料收集成本。

黃勝斌在NVIDIA的解法是「大量多樣化仿真資料」+「Foundation Model快速適應」。GR00T模型能在少量真實示範資料的微調下，學會操作新物件，而不需要從頭訓練。這個方向若成功量產，將大幅降低機器人部署的資料成本，加速工廠自動化普及。

台灣有機會切入人形機器人供應鏈

台灣在半導體與電子製造供應鏈的既有優勢，使本土機器人產業有機會切入全球人形機器人價值鏈。晶片廠（聯發科、瑞昱）供應控制晶片，光學廠供應視覺元件，機電廠供應致動器與減速機，EMS廠（鴻海、廣達）具備系統整合能力。經濟部「AI人形機器人」補助計畫已核定5家本土廠商，合計獲得新台幣8億元的研發補助，目標2027年建立第一條本土自主供應鏈。