Agility Robotics 估值達 25 億美元，Digit 進軍企業市場

本週，機器人業界人士齊聚拉斯維加斯的 AI4 大會，並就該產業的重大里程碑達成共識。他們將 2026 年稱為「機器人之年」，因為人形機器人與移動式操作機器人的展示成為焦點，而企業們關注的焦點已從「是否該探索」轉變為「何時能購買」。 在關於試用項目轉化為採購訂單的熱烈討論中，Agility Robotics 確認其最新估值達 25 億美元。

AI4大會的議程重點著重於「物理人工智慧（Physical AI）」，並淡化了純生成式人工智慧的展示性表演。 展場人潮主要聚集在具備舉起、搬運和放置功能的硬體設備周邊。Agility 的「Digit」機器人舉重若輕地行走、抓取並堆疊物品。新創公司與既有廠商皆規劃了邁向量產的時程表，並承諾將在實際工廠車間（而非實驗室工作檯）實現更安全的人機協作。

Agility Robotics 成立於 2015 年，總部位於俄勒岡州科瓦利斯市，已成為企業自動化領域中類人型平台崛起的焦點。 該公司設計並製造「Digit」——一款專為倉庫及工廠物料搬運任務打造的雙足移動式機械手臂。其市場定位介於自主移動機器人與固定式機械手臂之間，為那些至今仍難以自動化的重複性工作流程，帶來類人規模的機動性。

Digit 是業界現今所稱「物理人工智慧（Physical AI）」的顯著範例。 這個術語指的是那些結合機器學習、經典控制理論與堅固硬體，能在現實世界中進行感測、推理與行動的系統。與其說聊天機器人生成文字和圖像，不如說 Digit 創造的是實質的工作成果。它能在狹窄空間中靈活移動、操作各式各樣的物體，並在專為人機混合環境設計的安全範圍內運作。

企業採購週期正從試點階段轉向量產階段

過去數年來，倉儲與製造業的領導者們一直針對人形機器人進行概念驗證。Agility 最受矚目的案例，是其與亞馬遜合作的試點計畫，負責處理托盤回收任務——這類工作雖然繁瑣，卻在

物流中心。AI4 會議上的討論顯示，2024 年和 2025 年將出現大規模訂單，而 2026 年則將成為主流部署的時程。

買家的思維模式中存在一個重要的細微差異。早期的實驗著重於探討類人型機器人能否穩定行走而不摔倒。 如今，問題的焦點已轉向每項任務的總成本，以及與倉儲執行系統的整合。買家關注交貨期、服務水準協議，以及以每小時托盤數為單位的吞吐量指標。這種氛圍反映出市場已邁向更成熟的階段。如果過去兩年主要圍繞著「提示」和「代幣」展開，那麼接下來兩年勢必將以「揀貨」和「托盤」為主軸。

Agility 估值背後的資本槓桿策略

Agility 25 億美元的估值，使其躋身這場資本密集型競賽的領先者之列。 實體人工智慧需要工廠、庫存、現場服務以及安全認證。這些並非可有可無的間接成本，而是入門門檻。該公司已在俄勒岡州塞勒姆開設 RoboFab 製造廠，並表示一旦客戶需求與零組件供應達成平衡，將邁向每年生產數千台的規模。

因此，該公司的資本結構必須一舉兩得：既要為核心機電一體化與軟體計畫提供資金，同時也要支持供應鏈的規模化擴張，藉此降低單機成本。競爭對手們也採取了類似的策略。 據報導，Figure AI 今年稍早以近 26 億美元的估值，從科技巨頭及汽車業夥伴處籌集了約 6.75 億美元資金。現代汽車（Hyundai）則於 2021 年以約 11 億美元收購波士頓動力（Boston Dynamics）的控股股權，旨在將腿式移動技術整合至更廣泛的工業自動化戰略中。 這批競爭對手擁有充足的資本，足以同時進行短程衝刺與長程馬拉松。

物理人工智慧正將企業技術堆疊的重心從「聊天」轉向「底盤」

會議環節描述了企業 AI 支出方向的轉變。生成式平台對於文件編寫和程式碼輔助仍至關重要，然而邊際效益

資金正逐漸流向能夠搬運庫存與零件的系統。不妨將其想像成一家公司：雖然已培訓出一支龐大的智慧職員隊伍，但現在卻需要叉車和熟練的操作員來運送產品。在以體力勞動為主的環境中，缺乏實體載體的智慧往往會迅速達到巔峰。

Digit 的獨特之處在於其與人類相容的外型設計。它能跨過門檻、在狹窄的通道中轉彎，並在無需大幅變更基礎設施的情況下觸及貨架。這種做法有別於那些需要專用區域和輸送帶改造的自動推車車隊及固定式機械臂。 對於擁有數百處既有廠房的營運商而言，讓機器人適應建築物，而非讓建築物適應機器人，能大幅縮短部署時間並降低資本支出。

供應鏈的現實將決定人形機器人推廣的成敗

第一波大規模部署將面臨精密切件供應鏈長期以來聞名遐邇的緊繃局面。類人型機器人仰賴應變波齒輪、高扭矩密度馬達、電力電子元件、輕量化結構材料以及高效能運算技術。 Harmonic Drive Systems 和 Nabtesco 等日本供應商主導著核心驅動元件市場。瑞士和德國的馬達專家則供應緊湊型伺服馬達。感測器則來自日本、歐洲和美國的廠商，包括慣性測量單元（IMU）、3D 攝影機和力感測器。

這種集中化態勢帶來了風險。歷史上，當需求激增時，諧波減速機的交貨期往往會延長至數個月。高功率密度的電池電芯則需與電動自行車和工業設備競爭。邊緣 AI 運算板仰賴 GPU 和 NPU，而這些元件仍受週期性短缺的影響。 出口管制更讓懷抱全球野心的企業在採購策略上倍感棘手。Agility 決定在美國設廠，雖有助於降低地緣政治風險，卻無法使其免受以日本、歐洲及台灣為中心的上游零組件瓶頸影響。

要應對這一現實，需要一套熟悉的應對策略，

汽車產業。關鍵零件的多來源採購、第二與第三級供應商的資格認證，以及針對供應限制進行的設計調整，其戰略決定性可能不亞於任何機器學習的突破。若人形機器人依賴單一且交期漫長的驅動組件，這將成為任何量產目標的單點故障。勝出者會將硬體採購視為首要的工程課題。

性能與價格的平衡必須符合倉儲經濟學

企業通常以每處理單位的成本和投資回收期來衡量自動化成效。對 Digit 而言，這意味著需針對卸載托盤、搬運退貨箱，或將物品從暫存區移至輸送帶等任務，比較機器人工時與人力工時的成本。 若機器人經攤銷後，每小時等效成本介於 12 至 20 美元之間，便能在勞動力稀缺且人員流動率高的市場中具備競爭優勢。若成本攀升至每小時 30 美元以上，或運轉率下滑，其價值主張便會削弱。

Agility 主張，物理人工智慧（Physical AI）能讓機器人在一整系列任務中展現通用性，而非僅限於單一硬編碼的工作。這種通用性能將成本分攤至更多班次，並減少閒置時間。實際上，Digit 旨在成為一名靈活的「同事」，能隨著貨品組合的變化而重新分配任務。若以軟體為例，這就像是能隨需求變化運行多項服務的雲端實例。 持懷疑態度的反駁觀點很簡單：機器人技術的歷史上充斥著諸多關於通用性的承諾，但一旦現實世界的複雜性介入，最終往往只能在利基領域取得成果。每個類人型機器人供應商都必須證明，其產品能在混亂且變動的工作流程中展現一致的表現。

安全、標準與保險將決定部署速度

人形機器人需與人類共享空間，因此安全絕非單純的功能，而是運作的必要條件。標準制定機構正著手將機械規範調整以適用於雙足行走及移動式操作機器人。感測器冗餘、力限制與即時跌倒偵測已是基本門檻。大型客戶將要求第三方認證及詳細的風險評估

在允許分階段部署之前，須先進行評估。

保險公司也帶著各自的模型加入討論。保費取決於事故發生率、工作人員與機器人的距離，以及維護計畫的品質。最優秀的團隊不僅會在機電整合與人工智慧方面勝出，在文件記錄、操作員培訓及復原程序方面同樣會脫穎而出。 相較於在穩定性邊緣追求極致性能的機器人，能夠優雅地處理故障並安全重置的機器人，更具投資價值。

競爭態勢正逐漸聚焦於少數幾項可重複執行的任務

無論是展位還是閉門簡報會，反覆出現的都是相同的任務類別：托盤搬運。 腰部高度的箱裝揀選。工廠產線旁的物料輸送。進出貨的碼頭作業。這些任務具有共同的限制條件，非常適合人形機器人。它們涉及中等重量的物品、可預測的路徑，以及頻繁的人機協作。此外，由於目前這些工作依賴於流動率極高的勞動力，因此成本高昂。

Agility 的策略似乎聚焦於這類可重複的任務，Digit 的活動範圍與機動性在此能帶來優勢。Figure AI 則在建立汽車產業合作夥伴關係的同時，瞄準類似的應用領域。特斯拉正將 Optimus 定位為工廠工人，未來甚至可能進入家庭，儘管這項消費級的跨越仍屬推測。Sanctuary AI 則強調輕工業製造中的靈巧操作能力。 波士頓動力（Boston Dynamics）雖運用了數十年的移動技術研究成果，但尚未宣布推出適用於大規模倉儲揀貨的人形機器人。儘管該領域競爭激烈，但市場規模龐大。零售商、包裹運輸商、消費品生產商及電子產品製造商，其需求皆有重疊之處。

軟體堆疊正成為真正的護城河

硬體雖在貿易展上吸引眾人目光，但軟體才是決定長期競爭優勢的關鍵。Digit 的自主系統涵蓋感知、規劃與控制層，並融合任務規劃器及與倉儲系統的整合。此處所指的「物理人工智慧」，意指能根據不同情況調整抓取方式的能力

在追蹤企業軟體發出的目標的同時，進行操控、從滑倒中恢復，並協調腳步位置與手臂動作。

各廠商正競相建構能縮短學習時間的行為函式庫與模擬流程。基於雲端的再訓練與無線更新，無需更換硬體即可擴展功能。在此背景下，一種混合式方法正逐漸浮現。 企業在適當時機採用基礎模型處理視覺與語言任務，但會將其封裝於確定性控制器與安全包絡之中。這可類比為結合了學習所得感知能力與規則約束駕駛策略的自動駕駛技術堆疊。其結果是能提供可預測的性能，同時仍能從數據規模中獲益。

勞動力市場與工會動態增添了現實世界的限制

任何實體自動化案例若不考量勞動背景，便無法完整呈現。全美各地的倉庫正面臨職缺率居高不下及難以配置人力的季節性高峰問題。 重複性搬運作業造成的受傷率不容小覷。能減輕勞工負擔並緩解人員流動的機器人，可改善現況。話雖如此，工會與勞工委員會將要求企業明確說明職務重組、培訓及薪資變動的影響。

在 AI4 會議上，多個專題討論會強調了協作式部署模式：由機器人承擔最不符合人體工學的任務，而人類則轉向品質控制、例外處理及監督工作。若企業能證明工傷率下降且職涯發展路徑有所改善，採用速度將加快；若部署顯得像是披著薄薄外衣的成本削減措施——在未為勞工帶來實質利益的情況下削減人力——則可預期會引發政治與社會摩擦。 在面向消費者的品牌環境中，聲譽代價是真實存在的。

免責聲明：本文僅供參考，不構成財務或投資建議。