機器人終於學會搬箱子，人類終於學會被錄影

# 機器人終於學會搬箱子，人類終於學會被錄影

Physical AI 近兩年突然不再只是科技展上的表演節目。它開始進倉庫、進工廠、進配送中心、進醫療輔助現場，甚至慢慢走向餐飲與照護。過去，AI 最擅長的工作是在螢幕裡搬運文字、圖像與語氣；現在，它開始學著在地板上搬箱子、抓物件、開抽屜、推車、摺衣服、拿工具。這聽起來像效率的勝利，但也是一種新型資料抽取的開始。因為機器人不是天生就知道怎麼搬箱子，它得先觀察人類是怎麼做的。於是，工人的手勢、視線、路徑、習慣、停頓，甚至那些「說不出來但做得出來」的熟練判斷，開始被重新命名為訓練資料。

當工作經驗被翻譯成資料集

生成式 AI 最初吃的是網路文字與圖片，Physical AI 吃的卻是更昂貴、更敏感的東西：人的身體記憶。倉儲工人搬運不同形狀的紙箱時，怎麼判斷重心？醫護輔助人員推設備時，如何避開動線？清潔人員面對凌亂空間，會先看哪裡、先做哪一個動作？這些過去被歸類為經驗、熟練、手感、眼力的東西，如今正被科技公司視為高價值的 embodied data。

問題不在於科技不能學習，而在於這類學習究竟如何發生。當企業以效率提升、數位轉型或安全紀錄為名，要求工人在工作時配戴頭戴攝影機、感測設備或追蹤器，現場勞動者是否真正知道這些資料將被用來做什麼？是用來改善流程、提升工安，還是訓練一套未來可能降低人力需求的系統？當「工作紀錄」與「模型訓練」的邊界變得模糊，知情同意就很容易被壓縮成制式勾選框，而不是一個有談判空間的制度安排。

Physical AI 的商業價值，來自誰的身體？

不少人把 Physical AI 當成下一個巨大市場。這種說法當然沒有錯：只要一套模型能在不同倉儲、不同產品、不同機械手臂之間泛化，它的商業價值就會非常可觀。但這也代表另一個更難回答的問題：模型能力從哪裡來？很多能力並不是從純模擬中長出來的，而是來自真實工作者在真實場域裡日積月累形成的判斷。

如果工作者的經驗是模型能力的來源，那工作者在整個價值鏈中就不應只是被拍攝、被量化、被匿名化後消失的背景角色。今天的 AI 討論很容易只問兩件事：一是系統能不能做得更準，二是公司能不能把成本壓得更低。可在 Physical AI 場景裡，真正重要的第三個問題是：資料提供者有沒有被公平看待？他們是否有權知道用途、限制、保存期間與未來收益模式？如果一套高度成功的倉儲模型，是從成千上萬工人的勞動經驗中長出來的，那收益只留在平台與設備供應商手裡，顯然不合理。

實體世界沒有重新生成鍵

聊天機器人說錯話，最多是令人翻白眼；機器人做錯動作，可能直接撞到人、夾到手、打翻熱液體，或讓整條物流線停擺。這就是 Physical AI 與一般生成式 AI 最大的差別：它不只是資訊錯誤，而是物理後果。也因此，治理框架不能只靠模型卡片、使用者條款或一句「系統可能不準確」來交代。它必須更接近工安、產品責任、責任保險、失誤通報、場域驗證與公共監管。

很多投資簡報喜歡把 Physical AI 描繪成終局效率方案：機器不累、不請假、可 24 小時運轉。然而一旦放到真實現場，問題就變得複雜。真實世界充滿歪掉的箱子、臨時改動的動線、模糊的光線、突發的故障與人的非標準行為。機器人若只在理想條件下表現良好，實際上就只是昂貴的展示品。這也是為什麼企業越來越想蒐集現場資料：因為只有看過夠多人的操作，模型才可能在混亂世界裡顯得「穩」。但恰恰是這個過程，把勞動現場變成資料場。

勞動資料治理，會是下一場真正的競爭

未來幾年，AI 競爭恐怕不只在 GPU，也不只在誰能拿到更多高品質文字語料，而是在誰能以可持續、可合法、可被社會接受的方式，建立高品質的工作動作資料庫。這裡面涉及的不只是隱私，更是技能歸屬。工人不是單純的「被觀察物」，而是技術知識的提供者。從這個角度看，勞動資料治理將變得像著作權、專利與平台規則一樣重要。

更值得注意的是，這個問題未來也不只會發生在大型倉儲或製造業。照護、農業、工藝、山林巡護、維修、清潔與地方服務，只要出現可標準化或可半標準化的身體操作，都可能成為下一批資料來源。如果沒有及早建立清楚規範，我們將看到非常荒謬的場景：某些工作者先教會系統如何模仿自己，接著再被要求與系統競爭，最後還要向新同事示範如何與那套系統協作。這不叫技術進步，這比較像資本把人的熟練做成可重複販售的罐頭。

不是反對機器人，而是反對偷走技能卻假裝沒有發生

這篇文章不是反機器人。危險、重複、耗損性的工作，的確有很多值得透過機器協助或改善。問題在於，當我們歡迎 Physical AI 進入現場時，不能假裝它的能力是憑空生成。它的能力常常是從人身上長出來的。若知識是從人的動作、挫折與修正裡抽取出來，那資料治理就不能再被當成次要議題。

下一波真正成熟的 Physical AI，不應只是會搬箱子，而是知道它為什麼能搬得這麼像人：因為曾有一群人先在疲累、噪音與時間壓力中，替它示範了什麼叫做工作。成熟的制度，也不該只替模型喝采，而應該記得向那些被錄影、被標註、被當成數據來源的人，清楚說明、合理補償、保留選擇與談判的權利。否則，我們口中的自動化，很可能只是把人的技能變成別人的資產，再告訴人類這叫未來。