對下一代自動導航機器人（AMR）與自動導引車（AGV）有何期待

2025年10月，亞馬遜推出了一套名為「Blue Jay」的倉儲機器人系統，並將其描述為新一代平台——該系統將三個獨立的機器人工作站整合為單一工作區，當時該工作區已能處理該公司倉儲商品類型的約四分之三，且未來將逐步成為其當日送達據點的核心技術。 四個月後，該公司證實該專案已暫停，發言人澄清「藍鵲」當時是以原型機形式推出的——這一點在最初的公告中並未提及。由於其底層技術幾乎全數被應用於其他專案，因此這並非一場徹底的失敗。對於任何即將簽署採購訂單的人來說，這反而是一堂極具啟發性的課程。 這家擁有超過一百萬台倉儲機器人、具備業界最豐富的專有資料集，並能透過數位孿生將開發週期從三年壓縮至一年的營運商，在系統於實際營運場館中運行之前，仍無法區分「能運作的系統」與「已準備就緒的系統」之間的差異。

這種「能運作」與「已就緒」之間的差距，正是理解下一代自主移動機器人（下文統稱 AMR）及自動導引車（下文統稱 AGV）時最關鍵的一點。相關工程技術正以公開記錄的方式快速進步。 然而，進展遠遠較為緩慢的，是那些用以驗證技術進步能否在非專為其設計的設施中穩健運作的驗證機制。若買家將技術路線圖視為「功能實現時程表」，便會支付過高代價並錯失時機；若買家將其視為「實證驗證時程表」，則不會如此。

當前技術天花板

2026 年的技術瓶頸並非來自機械層面。載重、速度、提升高度、電池續航力以及在結構化空間中的導航等問題，均已解決至

商業上可接受的標準，以及競爭前沿已轉向：當環境不再符合車輛的預設配置時，車輛能表現得多好。關於這個問題，研究文獻的態度遠比行銷宣傳來得保守得多。

目前已發表的最明確證據來自《仿生智能與機器人學》（Biomimetic Intelligence and Robotics）期刊上的一項經同儕審查的研究，該研究考察了名為「Octo」的機器人基礎模型——該模型聲稱具備零樣本泛化能力，且報告的表現優於同類最先進模型。 研究人員嘗試了一項本應輕鬆的任務轉移：他們將與模型訓練環境極為相似的簡單桌面任務移入模擬環境，在幾乎保持任務不變的前提下，僅改變了觀察來源。儘管作者描述任務與觀察領域的偏移極小，該模型的表現卻大幅退化。 研究人員運用改良版的注意力可視化技術深入剖析模型內部，將失敗原因歸因於視覺泛化與語言錨定能力的限制，並結論指出，此問題不僅限於他們測試的單一模型，更延伸至更廣泛的機器人基礎模型類別，以及該類別的基準測試方式。

該研究中的另外兩項發現與採購直接相關。首先，工業數據的匱乏才是關鍵限制因素，而非模型架構，因為規模最大的公開機器人數據集主要集中於桌面和廚房任務，而當應用場景越接近工業現實，數據短缺的問題就越顯著。 倉儲操作員所處理的物品組合、通道幾何結構、地面狀況及人員流動模式，恰恰是模型數據最匱乏的領域。第二項發現涉及成本，且會對硬體造成直接影響：依賴深度感測或每台機器人需配備多個感測器的模型，將使車隊中每台機器人的感測成本成倍增加，

這使得已發表的最具潛力方法，反而成為大規模部署時最不具吸引力的選項。

安全與保障層面更使情況雪上加霜。史丹佛大學法學院於 2026 年 7 月發表的一份關於實體人工智慧監管的分析指出，真正的難點不在於個別組件的表現，而在於系統層級——即學習所得的策略、傳統安全層與實體環境相互作用之處。 該分析中有兩點值得納入每份規格文件：相關聯的感測器狀態可能在同一時刻同時削弱已學習的政策及其獨立的安全層，這動搖了大多數安全案例所依賴的「分層保護」假設。

此外，從保證角度來看，軟體、佈局或任務組合的任何實質變更，都構成了一個需要重新驗證的新系統；這意味著供應商所宣稱的「空中更新」頻率雖被視為優勢，卻也代表著必須反覆履行重新驗證的義務。

表 1：能力就緒門控模型

方法：供應商的路線圖用詞僅使用一個動詞「can」，卻涵蓋四種實質上截然不同的證據狀態。此模型將其區分開來，為每種狀態賦予特定的故障模式，並對應相應的理賠立場。 由此衍生的規則是：應根據供應商實際通過的最高門檻（而非其所暗示的最高門檻）來定價，並要求供應商以書面形式明確指出該門檻。 限制：這些門檻屬於分析性的採購紀律，而非標準，且沒有任何認證機構會頒發門檻評級。Clopper-Pearson 公式適用於二項式成功率衡量，無法直接套用至吞吐量、正常運行時間或平均維修間隔時間，

其中每一項都需要採用各自的統計處理方法。關於泛化能力的證據主要涉及已學習的策略，且對人為操縱的影響最為顯著；倉庫導航則在很大程度上依賴於經典的「同步定位與建圖」技術，其成熟度明顯更高。第四類場景在當前市場中較為罕見，因此該模型最適合用於相對比較和價格協商，而非作為通過或失敗的篩選標準。 截至 2026 年 8 月 4 日的評估結果。

此處必須釐清一項區別，因為若將兩者混為一談將導致誤解。文獻中記載的泛化問題涉及學習型策略，且對操縱、抓取及開放式任務解讀的影響最為顯著。而在已建模倉庫中的車隊導航，主要依賴經典的「同步定位與建圖」技術結合傳統路徑規劃，該技術架構已相當成熟且可靠。 問題的癥結不在於當今的機器人無法可靠地行駛，而在於在可靠行駛基礎上所承諾的一切，其實際驗證階段遠比這些承諾所暗示的要早得多。

關鍵研發方向

目前絕大部分的研發資源都集中於三個領域，而這些領域的評估應以實際發表的研究成果為準，而非僅憑公告數量。首先是互操作性，這是目前取得最具體進展的方向。 VDA 5050 第 3.0.0 版——這是一套用於無人駕駛運輸車輛與車隊管理軟體之間通訊的介面規範——於 2026 年 2 月獲採納，並由德國汽車工業協會攜手德國機械工程工業協會及卡爾斯魯厄理工學院於 3 月正式發布。 該標準制定機構現已表明，較早版本既不被推薦使用，也不再進行進一步開發。這項工作的規模可從以下資料中窺見一斑：

核心團隊成員之一「Idealworks」的紀錄顯示，其工作歷程約三年，舉辦過三十二場工作坊，有二十五名核心參與者，並採納了超過兩百四十項變更。 其中有兩項新增功能在商業層面至關重要。該規範現已支援車輛自行規劃路徑並與車隊管理員共享路徑，此舉認可了自動駕駛行為，而非將每輛車都視為中央指定路線的跟隨者。此外，「區域」概念允許按區域定義交通規則，這正是混合廠商車隊在實務上必須遵循的管理方式。 採購方應特別留意版本編號的設計用意：該規範中的主要版本增量代表會引發需重新開發的破壞性變更，因此中期而言互通性將有所提升，但短期內整合工作量將會增加。

第二項是車載運算，其發展藍圖格外清晰，因為供應商已將其公開。 NVIDIA 於 2026 年 7 月為其 Jetson Thor 系列推出了兩款新產品。高階模組的規格為 865 FP4 兆浮點運算，配備 32 吉位元組記憶體，體積與功耗約為現有頂規款的一半；而工業級變體則整合了功能安全能力。 較低階的模組規格為 400 FP4 太浮點運算，配備 16 吉位元組記憶體，並明確定位於自主移動機器人領域。關鍵細節在於時程：官方宣布將於 2027 年第一季正式上市。此外還有兩項相關說明。 記憶體價格居高不下，以致供應商承認會進行配置降級，因此每美元的效能提升速度，快於模組絕對成本的下降速度。此外，市場正形成非壟斷性的商用矽晶片生態系，高通已於2026年1月推出針對同類別的競爭性機器人平台，這最終應有助於買方在價格及第二供應來源風險方面獲得優勢。

第三點是「世界模型」，意指那些

學習物理動力學的預測性表示，使機器人能夠預判結果，而非僅對感測器讀數做出反應。NVIDIA 已在此系列中推出一款可部署於邊緣運算的緊湊型模型，參數規模約為 40 億，將此類模型整合至車輛中，實屬一項真正的工程成就。 這也是買家應保持最嚴謹態度的關鍵所在，因為關於泛化失敗的同行評審證據，完全適用於這類系統；而小到足以在機器人上運行的模型，其吸收泛化所需多樣性的能力也相對較弱。此領域的進展是真實且尚處於早期階段。

人工智慧與軟體整合

商業層面的關鍵問題不在於人工智慧是否正被整合至移動機器人中——因為這已是既定事實——而在於它被整合至車輛的哪一層級，以及各層級所具備的實證依據為何。透過這種方式篩選相關主張，能更清晰地區分行銷噱頭與實質內涵。在車隊協調層級上，機器學習已能執行實用且低風險的任務。 亞馬遜（Amazon）描述了一種車隊基礎模型，能協調跨設施的大量移動機器人，而這正是機器學習能早期展現成效的自然場域：所優化的決策是路徑規劃與任務排序；次優決策的後果是吞吐量而非安全問題；且營運商在管理建築物時，會自然產生海量相關數據作為副產品。

採購方應預期此層級能帶來實質且漸進的效率提升，並應要求以部署前的基準線為依據進行量化評估。在感知與導航層級，機器學習是對傳統技術堆疊的增強而非取代，而這正是當前正確的架構。其價值體現在處理雜亂環境、意外障礙物以及

更流暢地應對人類行為，從而降低停機與人工介入的頻率。

這是一項可量化的指標，也應予以量測，因為「人為干預之間的平均距離」或「平均間隔時間」，相較於任何冠冕堂皇的自主化宣稱，更能準確預測實際節省的勞動力。 在任務層級的自主層面上——意指機器人解讀一般指令並執行新型操作——示範與可靠運作之間的差距依然龐大，而前文所述的研究闡明了箇中原因。這正是路線圖措辭最為自信、實證卻最為薄弱的層級。

這三個層級之下，存在著一個買家通常未被告知的評估問題，而這正是本文中在談判中最具實用價值的單一要點。2026年7月，NVIDIA發表了一份關於機器人策略評估方式的工程分析，其坦率程度實屬罕見，開篇便承認「嚴謹的評估已成為該領域最艱難的未解難題之一」。 該分析指出了基準測試飽和現象——即從同一視覺來源提取訓練與評估數據的做法，導致高分可能反映的是死記硬背而非泛化能力——以及二元成功評分在診斷上的空洞性。其最具價值的貢獻在於統計層面。透過應用 Clopper-Pearson 精確法來計算二項式信賴區間， 該分析顯示，在七十次嘗試中測得的九成成功率，其九十五％信賴區間介於 80.5％ 至 95.9％ 之間，跨度達 15.4 個百分點；而要將誤差控制在約正負兩個百分點的範圍內，則需要進行約一千次嘗試。 這清楚表明，大多數已發表的基準測試並未進行足夠的試驗次數，無法支持對兩個系統之間進行具有統計意義的比較。

將此概念套用於試點計畫。供應商

某項能力經過七十次測試，成功六十三次，卻報告為百分之九十。 實際上已證實的是，真實績效大致介於百分之八十一至百分之九十六之間。以倉儲作業量而言，該區間的最低值與最高值之間的差異，就相當於「能省去一條生產線」與「仍需安排人員在旁待命」這兩種部署方案的差異。 實際的後果是：試點的樣本規模應納入合約中。驗收標準應明確規定試驗次數、所需的信賴區間，以及進行試驗時的品項組合與廠區條件，而不應僅僅是成功率。

此刻正是觀察兩大主要生產地區如何針對此問題建立不同解決方案的契機。 在歐洲，互操作性努力催生了一套通訊介面。在中國，工業和資訊化部成立了人形機器人與具身智慧國家技術委員會，該委員會於2026年2月舉行了首屆會議，並發布了一套涵蓋完整價值鏈與生命週期的標準框架，該框架由超過一百二十家機構、 企業及用戶共同制定，涵蓋六大領域，包括模型訓練、推論與部署的端到端流程，並包含初步的五十二項標準清單及配套的具身智能評估基準。該框架針對的是人形機器人與具身系統，而非倉儲車輛，因此絕不可被解讀為自動導引車（AMR）或自動導引車（AGV）的標準。 儘管如此，這項結構性觀察仍值得記錄：某個司法管轄區已開始針對「學習型自主系統」這一類別建立合規性與評估基礎設施，而需要對學習型行為進行認證的買家，最終可能會發現各區域的評估工具成熟度不一。這是從以下兩點得出的推論：

文件本身，而非這兩份文件所提出的任何主張。

成本削減趨勢

零組件成本正在下降，人們往往會誤以為車價也會以相同比例下降。然而，這種推論若與實際交付部署的成本結構相較，便不攻自破；在為未來三年編列預算之前，值得深入理解箇中原因。首先，讓我們從確鑿的證據出發。 根據彭博新能源財經（BloombergNEF）的年度電池價格調查，電池組平均價格（加權平均）為每千瓦時一百零八美元，其中磷酸鐵鋰電池組為八十一美元；國際能源署則記錄到，2025年整體電池價格將下降約8%，而磷酸鐵鋰電池的降幅將更大。 這兩項數據來源均顯示價格將持續下跌。兩者亦記錄了區域間的價差，這對買家的預算而言比全球平均價更為重要：中國的電池組價格約為每千瓦小時 84 美元，而北美價格約高出 44%，歐洲價格則高出約 56%。 全球投入成本的下降並未以同等程度惠及所有買家。

感測技術的價格跌幅在所有投入成本中最为顯著。 《IEEE Spectrum》的報導指出，機械式雷達的單價從 2016 至 2017 年間的 80 至 10 萬美元，降至如今的 1 萬至 2 萬美元，供應商目前正以 500 美元以下，甚至在某些情況下低於 200 美元的固態雷達為目標。 買家應將一項工程上的限制納入考量，而非置之不理。固態雷達單元的視野通常不超過一百八十度，因此若要達到單一旋轉式雷達所能提供的覆蓋範圍，可能需要三至四個固態雷達單元，這將抵銷部分每台單元的成本節省。同一份報導亦指出，目前仍沒有

這是雷達性能方面廣為接受的安全指標，因此價格較低並不代表必然足以滿足安全功能的需求。

運算領域則呈現截然不同的趨勢。每美元的性能正隨著每一代產品大幅提升，而模組的絕對成本卻難以大幅下降；此外，記憶體價格目前強勁到連供應商本身都承認，已開始出貨配置較低的零件以因應市場。 採購方應期待在相似的物料清單成本下獲得更強的性能，而非以大幅降低的成本換取相同的性能。現在進入決定答案的關鍵環節：將這些持續下降的投入成本，與那些未隨之下降的成本項目進行對比。

機械結構與傳動系統的成本追隨工業金屬及精密零組件的走勢，這些成本以實質價值計大致持平，且在地化進程仍在持續推進中： 中國自身的規劃說明書設定了目標，要在本屆五年規劃期間內，將機器人框架所用高端結構鋼的國產率從約百分之三十提升至百分之七十以上，這正表明該投入要素尚未商品化。 軟體與機隊管理授權費用完全未呈現價格下跌趨勢，且隨著互通性規範升級至新主要版本，短期內的整合工作量將增加，因為該規範的主要版本升級通常伴隨破壞性變更。 系統整合、調試與安全驗證需要投入人力與工程時間，受薪資通膨影響；而前文討論的保證分析亦暗示，隨著系統日益由軟體定義，且在重大變更後需重新驗證，這項成本項目將呈現增長而非縮減。

表 2：組件成本轉嫁測試

註：本表將機器人部署成本按類別呈現，旨在記錄趨勢與證據品質，而非混雜各種假設。儘管硬體價格持續下跌，但總部署成本的降幅緩慢，且在勞動力市場緊俏的情況下可能維持不變。買方應分別就硬體與系統整合進行協商。 目前尚無經審計的成本明細；部分趨勢係基於合理判斷，而非確切的定價數據。本工具旨在提供方向性敏感性分析，而非報價模型，且絕不可解讀為對任何特定供應商定價的預測。除非另有說明，文中所有貨幣均以美元計價。評估日期為 2026 年 8 月 4 日。

從算術角度來看，買方應針對此差異進行明確規劃。硬體單價在三年內可能顯著下降，但每台部署機器人的交貨成本降幅卻遠小於此，這是因為隨著價格下降部分的比重縮小，價格未下降部分在總成本中的佔比隨之增加。 在勞動力緊缺的市場中，即使機器人本體價格下降，交貨總成本仍可能大致持平。這對預算規劃的啟示是：應分別協商硬體與系統整合的價格；將任何將兩者捆綁的供應商報價視為掩蓋實際影響總成本的趨勢；並對任何僅依賴組件價格下降卻未考量調試成本的預估節省持懷疑態度。

時間軸里程碑

前瞻性陳述正是路線圖文件造成最大危害之處，因為附帶於某項功能之日期，通常被解讀為交付承諾，但實際上往往僅是開發目標。因此，下方的框架針對各階段所列出的，並非承諾，而是買方應合理預期屆時所能獲得的證明程度，其依據為

隨附表格中所闡述的「四階段模型」。任何尚未達到「驗證階段」的項目，應視為未來能力的選項，而非規格要求。在 2026 年的剩餘期間內，具體的變革將聚焦於標準與規格制定工作，而非產品能力。 互操作性規格的 3.0.0 版已發布且為現行版本，這意味著從現在開始的整合專案應依據此版本進行規格制定，而仍運行早期版本的車隊則面臨一項涉及實際工程內容的遷移決策。 預期供應商將處於不同的符合性階段，且此差距將成為合理的選型標準。目前尚未發布任何資料支持在此期間對可靠通用任務自主性的預期。

至 2027 年，運算世代將迎來更迭。前述的移動機器人級模組預計於第一季正式上市，而整合該模組的車輛設計將遵循平台整合、驗證及安全評估的正常時程，而非立即問世。 現實的預期是：2027年期間發布的新平台將具備大幅提升的車載推論能力；這項能力將首先用於實現更穩健的感知能力，以及更有效地處理雜亂環境與人流；而買家會將此視為「減少人工介入」而非「新增任務類別」。 安全路徑中的學習型組件仍將是難題，而新電腦工業版本中整合的功能安全能力值得密切關注，因為這將決定學習型行為能否被納入可通過認證的架構之中。

在2028年之前，可行的門檻並非新功能，而是新型態的證據。目前正逐漸浮現的評估工作——包括採用分級評分制度的能力分解基準測試、軌跡品質測量以及故障模式記錄——正是實現此目標的先決條件。

為了讓「學習型自主性」能從基準化階段，逐步邁向經驗證且最終可保證的階段。若該工具成熟並被買方納入採購要求，本十年的後半段，供應商之間的競爭可能將轉向以「統計上站得住腳的性能主張」為依據，而非僅憑示範。對買方而言，這將比任何單一代產品更為深遠的變革。 這同樣是附帶條件的，且應明確標示為附帶條件。

針對供應商路線圖聲明應提出的問題

· 針對貴公司路線圖上的每一項能力，它目前已達到哪個階段：已示範、已基準測試或已驗證

· 針對貴公司所報的任何性能百分比，有多少次試驗達成了該數值，其可信度為何

· 這些測試是在何種商品組合、地板狀況及人流水平下進行的

· 該車輛目前符合哪一版本的互操作性規範

· 車輛上的哪些功能屬於學習型功能、哪些屬於傳統功能，以及哪些功能位於安全路徑中

· 當軟體更新導致行為改變時，何種情況會觸發重新驗證，且費用由誰承擔

· 若模型供應商、車輛製造商與系統整合商為不同主體

· 系統無法處理的剩餘項目或任務將如何處理

採購論點

下一代移動機器人將真正更臻完善，而其中大部分的改進將以對市場而言不那麼引人注目、但對實際運作卻極具價值的形式呈現：減少停頓次數、在人群中的行為更為得體、車隊管理更為簡便

整合後，每輛車的推論能力將進一步提升。在技術路線圖簡報中佔據主導地位的這項改進——即能理解使用者意圖並自主解決問題的機器人——雖屬真實的研究且確實有所進展，卻缺乏可靠的商業實證；而已發表的證據恰恰闡明，之所以難以獲得實證，並非僅因進展緩慢，而是存在根本原因。

對買方而言，戰略性的結論是：決策時機應取決於證據的成熟度，而非產品週期。等待下一代運算技術並無太大優勢，因為其帶給買方的益處僅體現為可靠性的微幅提升。 若依據當前的互操作性版本進行規格制定、在商業層面上將硬體與整合分開處理，並撰寫明確列出試驗次數與信賴區間（而非單純的成功率）的驗收標準，則能帶來顯著優勢。亞馬遜的經驗既是值得警惕的參考案例，同時也是令人安心的範例。 該公司雖在資源、數據與工程開發速度上佔盡優勢，卻仍只能透過在實際運轉的建築物中進行測試，才發現「可運作的系統」與「真正準備就緒的系統」之間的差異。若買方能將這項發現納入合約條款，而非留待事後檢討時才發現，便能以正確的條件購得下一代產品。

 

免責聲明

本文由 RobotAIGeek 發佈，僅供資訊與教育用途。本文不構成投資建議、採購建議，亦不構成對任何產品、服務或證券的買入、賣出或指定建議。 關於產品供應狀況、功能門檻及成本走勢的前瞻性陳述，均為基於已公開證據所作的分析預測，並非任何供應商的承諾，實際結果

實際情況可能與此有重大差異。所列數據均採用引述來源所公布的數字，並以該等來源使用的貨幣及單位為準，且未經獨立審計。標準參考資料反映截至資訊截止日當前的版本。 讀者在作出採購或投資決策前，應自行進行盡職調查並徵詢獨立專業意見。資料截止日期：2026年8月4日。