面對嚴峻的少子高齡化與勞動力缺口，日本多家跨領域企業近期接連成立合作聯盟，全力投入能使機器人與車輛自主運行的實體人工智慧（Physical AI）技術。日本政府今年度也預計撥列超過 3,800 億日圓的龐大預算提供支援，期望發揮製造業場域的既有優勢，開創自動化生產的新賽道。
跨業共享數據與設備 降低人形機器人訓練門檻
實體人工智慧要邁入實用階段，關鍵在於取得大量來自真實工作現場的操作資料。包含傳統漢方製藥業者津村（TSUMURA）與知名機械商社山善（YAMAZEN）在內的五家企業，已於千葉縣習志野市共同設置專用的資料收集中心。該設施規劃部署最多 40 台機器人進行重複性任務，透過多家公司共同負擔設備資本與營運費用，藉此降低單一企業獨自開發的財務風險。
這項計畫的目的在於讓搭載人工智慧（AI）的人形機器人透過觀察人類動作進行機器學習，進而具備應對複雜情境與非標準化作業的能力。業者希望在不大幅搬遷或改造既有生產線的前提下導入自動化，同時把過去極度依賴資深技術人員經驗的技能，如對運轉聲音、溫度微幅變化的敏銳判斷，轉化為能夠被視覺化與數據化的系統資訊，解決產業人力斷層問題。
競爭大廠打破藩籬 共同研發國產大腦模型
除了資料收集基地，各大機器人與軟體巨頭也展開罕見合作。過去在工業機器人市場互為競爭關係的發那科（FANUC）、安川電機（YASKAWA）與川崎重工業（Kawasaki），選擇與富士通（Fujitsu）以及晶片大廠輝達（NVIDIA）結盟，目標是加速將實體人工智慧應用於照護、零售與物流等非傳統製造場域。同時，京瓷、神戶製鋼所與軟體開發商 ARUM 等約 20 家企業，亦開始集中金屬加工數據，試圖將高難度的精密加工經驗全面自動化。
在核心演算法方面，由軟體銀行（SoftBank）與日電（NEC）等 44 家企業聯手發起的新創公司 Noetra，正傾力打造專屬於實體人工智慧的基礎模型（Foundation Model），預計在 2030 年度前實現商業化落地。該公司表示，過往 AI 基礎模型多半由海外科技巨頭主導，日本產業界需要建立自身的自主選擇權，打造技術發展的第三極。
產業意義
日本產官學界大規模結盟發展實體人工智慧，對同樣面臨人口紅利消失與高齡化威脅的台灣製造業具有極高的參考價值。過去自動化多半侷限於高資本額的大型半導體廠或車廠，中小型加工廠因為產品多樣化且夾具變更頻繁，難以負擔昂貴的專用自動化設備。日本企業透過「合資設中心、共享訓練資料」的方式，打破了單一廠商數據不足的困境，這項模式若成功，將會顯著降低傳統工廠導入機器人的門檻。
對台灣的機器人零組件供應鏈而言，包含減速機、線性滑軌、感測元件與馬達廠商，未來將面臨設備規格從傳統「定點高精度重複運作」向「具備環境感知與彈性應變能力」轉型的壓力。台灣廠商若僅停留在純硬體零件製造，容易陷入價格競爭；若能及早配合這波實體人工智慧趨勢，發展能回傳即時運轉狀態與微震動資料的智慧型模組，才有機會切入次世代人形機器人與自主移動機器人（AMR）的核心供應鏈。
技術解析
文中所提到的「實體人工智慧（Physical AI）」，與傳統僅在線上處理文字或圖像的大型語言模型不同，它必須將演算法與實體硬體進行深度結合。這種技術仰賴多模態感測器——包含電腦視覺（Computer Vision）、力矩感測器、聲音與溫度傳感器——即時擷取實體世界的物理狀態，再經由內部演算法進行推理，最終輸出指令給機器人的關節驅動器與馬達，完成精細的抓取或移動動作。
而「基礎模型（Foundation Model）」則是實體人工智慧的大腦。過往的工業機器人需要工程師針對每一步驟寫死程式碼（Hard-coding），只要工件擺放位置稍有偏差就會報錯停機；基礎模型則是利用海量的人類操作影片與感測器資料進行預訓練，使機器人學會空間感知與常識推理。當機器人在現場遇到未知狀況時，能如同人類一般進行「微調（Fine-tuning）」與即時判斷，這也是為什麼該技術被視為解決非標準化工廠環境自動化的終極工具。
常見問題
什麼是實體人工智慧（Physical AI）？
實體人工智慧是指將 AI 演算法與機器人、汽車等實體硬體深度結合，讓設備能透過感測器收集環境資料並自主進行決策與動作。
日本企業為何要跨界組聯盟共同收集機器人資料？
人形與自主機器人訓練需要極大的真實操作資料，跨企業共享設備與營運成本能大幅減輕單一公司的財務壓力，並加快 AI 模型訓練進度。
這波日本實體AI政策對台灣製造業有何影響？
這將推動機器人組件朝智慧化發展，台灣供應鏈除提供機械零組件外，也需要思考如何強化軟硬體整合與現場資料收集能力。