Agent 不再只是聊天，而是開始操作真實世界，具身智慧（Embodied Intelligence）正成為 AI 發展的新主戰場。
2023 年以來，大型語言模型（LLM）掀起生成式 AI 浪潮，讓 AI 從搜尋、寫作到程式開發全面改變人機互動模式。2024 年，市場開始聚焦於 Agentic AI，各大科技公司紛紛推出具備自主規劃（Planning）、推理（Reasoning）、工具調用（Tool Use）及工作流程執行能力的 AI Agent，讓 AI 不只是回答問題，而是能完成複雜任務。
然而，Agentic AI 目前多半仍停留在數位世界（Digital World），它能搜尋網頁、操作 API、管理文件、撰寫程式，卻無法真正影響現實世界。
另一方面，隨著 NVIDIA、Google DeepMind、Figure AI、Hugging Face、Physical Intelligence 等企業積極投入Physical AI（具身智慧）的發展與應用，讓 AI 開始具備感知環境、控制機器人、操作工具及執行實體任務的能力。
當 Agentic AI 與 Physical AI 兩條技術路線開始融合，一種新的 AI 架構正在形成──Embodied Agent（具身代理）。
未來 AI 的核心競爭，不再只是「誰最會回答問題」，而是「誰能真正完成工作」。
Agentic AI + Physical AI：重新定義 AI 的工作模式
過去的 AI 多半依照固定流程運作。例如：「辨識物件 → 規劃路徑 → 控制手臂 → 執行任務」，每一個步驟都需要獨立演算法。
如今，Agentic AI 的加入，使 AI 能先理解整體任務，再自主拆解步驟，例如：
「請到倉庫找到指定零件，送到第三號工作站。」
AI 會自行規劃：
- 如何找到物品
- 是否需要避開障礙物
- 是否需要重新規劃路徑
- 若物品不存在如何處理
- 是否通知其他 Agent 協助
而真正負責控制機器人完成搬運工作的，就是 Physical AI。AI 的能力開始從 Thinking AI（會思考），進一步演變成 Acting AI（會行動）。
VLA成為具身智慧的核心模型
目前最受矚目的技術之一，就是 Vision-Language-Action（VLA）。它將：Vision（視覺）、Language（語言）、Action（動作）整合成單一模型。
相較於傳統機器人需要「影像辨識 → 任務規劃 → 運動控制」等多個模組串接，VLA 可直接根據相機畫面與自然語言指令輸出動作，大幅簡化系統架構，也提升泛化能力。
近年代表性 VLA 模型包括：
- NVIDIA GR00T
- OpenVLA
- WorldVLA
- SmolVLA
- Hugging Face LeRobot
- π0（Physical Intelligence）
VLA 被視為 Robot Foundation Model 的重要技術基礎，也象徵機器人控制逐漸從傳統規則式程式設計，轉向大型基礎模型驅動。
》延伸閱讀：開源vs.閉源VLA模型，2026同步推動機器人智慧上身
世界模型（World Model）：讓 AI 能先「想像」再行動
即使具備 VLA，AI 若無法預測後果，仍難以安全地在真實環境中工作。因此，「世界模型（World Model）」正成為 Physical AI 的另一項關鍵技術。
世界模型的核心概念，是讓 AI 建立對外部世界的內部表示（Internal Representation），並能模擬不同動作可能造成的結果。簡單來說，AI 不必每次都靠真實操作學習，而是能先在「腦中」完成演練。
例如，當機器人準備搬起一個紙箱時，世界模型會先推測：
- 箱子是否過重？
- 是否容易傾倒？
- 是否會碰撞周圍物體？
- 是否有更安全的搬運方式？
近年代表性技術包括：
- NVIDIA Cosmos
- Google DeepMind Genie
- Dreamer 系列
- Meta JEPA
世界模型的重要性，就像人類在行動前會先預想可能結果，因此也有人形容：
Simulation is the new reasoning.（模擬，將成為新的推理。）
》延伸閱讀：讓機器也懂「趨吉避凶」：打造AI內在的世界模型 （World Model）
Robot Foundation Model：打造機器人的「GPT 時刻」
大型語言模型改變了自然語言處理，而 Robot Foundation Model 則希望改變機器人產業。其目標是建立可跨不同任務、不同品牌、不同硬體平台的通用機器人模型。
代表性平台包括：
| 平台 | 發展方向 |
|---|---|
| NVIDIA GR00T | 通用人形機器人模型 |
| Figure Helix | 人形機器人自主操作 |
| OpenVLA | 開放式 VLA Foundation Model |
| Hugging Face LeRobot | 開源機器人訓練平台 |
| π0 | 通用操作（General Manipulation）模型 |
未來開發流程也可能因此改變。開發者不再從零開始撰寫控制程式，而是下載基礎模型，再依照物流、工廠、餐飲、醫療等不同情境進行微調（Fine-tuning），如同今日開發 LLM 應用一般。
多 Agent 協作：從單機器人走向智慧團隊
另一項快速發展的方向，是 Multi-Agent Robotics。未來工廠可能不是一台機器人完成所有工作，而是多個 Agent 各司其職，共同協作。
例如：
- 倉儲 Agent 負責盤點
- 搬運 Agent 負責物流
- 品檢 Agent 負責檢測
- 生產 Agent 負責組裝
- 人類主管則負責最終決策
Agent 彼此共享任務、環境資訊與記憶，形成具有協同能力的 Robot Team。
隨著 MCP（Model Context Protocol）、A2A（Agent-to-Agent）等通訊協定逐漸成熟，未來跨機器人、跨雲端、跨企業的 Agent 協作將更加普遍。
Sim2Real：真實世界資料不足，模擬成為最佳老師
相較於 LLM 擁有數兆 Token 可供訓練，機器人最大的限制在於缺乏高品質操作資料。因此，大量學習必須先在模擬環境完成，再部署至真實世界，也就是 Sim2Real（Simulation to Reality）。
目前主要平台包括：
- NVIDIA Isaac Sim
- MuJoCo
- Genesis
- NVIDIA Omniverse
- Cosmos World Foundation Models
透過 Digital Twin（數位分身）技術，AI 可先在虛擬工廠、倉庫或家庭環境中反覆學習，再部署至實體設備，大幅降低成本與風險。
Physical AI × Agentic AI 的代表性技術版圖
| 技術領域 | 代表性技術或平台 | 主要功能 |
|---|---|---|
| Agent Framework | OpenAI Agents SDK、Google ADK、AutoGen、CrewAI | 任務規劃、工具調用、自主決策 |
| Agent 通訊 | MCP、A2A、ANP | Agent 與 Agent 間協作 |
| Vision-Language-Action | GR00T、OpenVLA、WorldVLA、SmolVLA | 感知與動作整合 |
| World Model | Cosmos、Genie、Dreamer、JEPA | 環境預測、模擬推演 |
| Robot Foundation Model | GR00T、Helix、LeRobot、π0 | 通用機器人技能 |
| Simulation | Isaac Sim、Genesis、MuJoCo | Sim2Real 訓練 |
| Edge AI Runtime | TensorRT、CUDA、OpenVINO、ExecuTorch | 邊緣推論與部署 |
五大挑戰仍待突破
雖然技術快速成熟，但 Physical AI 與 Agentic AI 的融合仍面臨不少瓶頸。
1. 長鏈任務（Long-Horizon Tasks）：
真實工作往往需要數十個甚至上百個連續步驟，只要其中一步失敗，整體任務便可能中斷，因此長時間規劃、錯誤恢復與動態重規劃仍是研究重點。
2. 高品質機器人資料不足：
相較於文字資料，機器人操作資料昂貴且難以取得，促使模擬環境、遙操作（Teleoperation）、合成資料與 Robot Fleet Learning 成為重要補充來源。
3. 泛化能力不足：
AI 今天學會拿馬克杯，明天面對玻璃杯、紙杯、保溫杯時是否仍能成功完成任務，仍考驗模型的跨場景適應能力。
4. 安全與可信賴性：
LLM 回答錯誤可能只是資訊不精確，但機器人若判斷失誤，可能造成設備損壞甚至人身安全問題，因此安全規劃、風險評估、人機協作與即時監控將成為商業化部署的必要條件。
5. 邊緣端算力限制：
Agent 需要同時完成推理、規劃、感知與控制，而邊緣裝置的算力與功耗仍有限，因此模型量化、混合式推論、小型語言模型（SLM）、Mixture of Experts（MoE）及異質運算架構，將是未來 Edge AI 發展的重要方向。
結語
如果說生成式 AI 解決的是「知識生產」，那麼 Physical AI 與 Agentic AI 的融合，則試圖解決「工作執行」。
未來的 AI 不只是回答問題，也不只是呼叫工具，而是能理解任務、規劃流程、預測風險、控制設備，最終在真實世界完成工作。這代表 AI 正從數位世界邁向物理世界，從軟體代理（Software Agent）進化為具備感知、推理與行動能力的 Embodied Agent。
可以預見，未來三到五年，競爭焦點將不再只是「誰擁有更大的模型」，而是「誰能整合 Agent、世界模型、VLA、Robot Foundation Model、Sim2Real 與 Edge AI 運算平台，建立完整的 Physical AI 生態系」。
（責任編輯：歐敏銓）
- 【當Physical AI遇上Agentic AI】下一波AI革命：Embodied Agent！ - 2026/07/28
- 迎戰超高齡社會 以科技力量建構共好共融新願景 - 2026/07/27
- 【Podcast】人形機器人的最後一哩路：走上手術台的 AI 醫療革命 - 2026/07/23
訂閱MakerPRO知識充電報
與40000位開發者一同掌握科技創新的技術資訊！
