機器人進駐工廠——而且還帶著安全認證

實體人工智慧正透過經認證的安全系統、實際工業試驗,以及更完善的人工指令處理機制,逐步進駐工廠。

luna
4分鐘閱讀Posted: 2026年7月13日
機器人進駐工廠——而且還帶著安全認證

工業機器人正從試點專案邁向生產線,但本週的重大變化不僅在於速度或靈巧度,更在於認證。 在 2026 年 6 月 22 日至 6 月 26 日期間,各項機器人與製造業的公告傳達出一致的訊息:唯有當實體人工智慧能證明自己懂得如何停止、避讓、恢復運作,並能與人類安全協作時,才得以進入工廠車間。

安全不再是事後才考慮的因素

NVIDIA 推出的「Halos for Robotics」無疑是最明確的訊號,顯示安全正成為一級產品功能。該系統定位為涵蓋機器人硬體、軟體及部署工作流程的全堆疊安全層,NVIDIA 表示其已達到 IEC 61508 和 ISO 13849 認證標準。 對製造商而言,這點至關重要,因為安全相關的文件作業往往跟不上自動化的步伐。

「安全必須內建於系統之中,而非在部署後才追加,」NVIDIA 在宣布 Halos for Robotics 時表示。

實際結果是,買家評估機器人的方式正發生轉變。工廠經理們不再僅詢問機器能拾取、舉起或移動什麼,而是開始詢問當發生意外時,機器能提供哪些證據。在物理人工智慧領域,信任正逐漸成為一項技術規格。

在實際生產線上運作的人形機器人

這種信任正在實際廠房中接受考驗。 據報導,在寧德時代(CATL),一款名為 Galbot S1、重達 50 公斤的人形機器人,正在實際運轉的電池生產線上運作——在這個環境中,精準度、運轉時間和安全性都是不可妥協的條件。電池製造的門檻特別高,因為微小的錯誤可能會引發連鎖反應,導致品質問題、停機或安全事故。

Robot working in an industrial environment
此處的意義不在於噱頭,而在於整合。若能讓類人型機器人在無需徹底重新設計工廠的前提下,直接融入現有生產線運作,將能降低導入門檻

採用。這顯示市場正從示範影片轉向可重複部署的模式。

能理解模糊指令的機器

本週並非所有突破都與硬體相關。麻省理工學院計算機科學與人工智慧實驗室(MIT CSAIL)的「Masked IRL」指出了另一個瓶頸:指令。這種雙大語言模型(LLM)方法旨在協助機器人解讀人類模糊的請求,並將其轉化為具體行動。 在倉庫和工廠中,操作員常會說「把那些箱子移到那邊」或「先分類受損的零件」之類的話。人類能夠推斷出其中的意圖;但機器人往往無法做到。

問:為何模糊語言在實體人工智慧中如此重要?

答:因為實際工作充滿了簡略表達、不完整的語境,以及不符合標準指令模板的人為假設。

問:雙LLM系統能帶來什麼優勢?

A:一個模型負責解讀意圖,另一個則將該意圖轉化為更安全、更易執行的計畫。

問:主要商業價值為何?

A:讓現場工作人員更快上手、減少溝通失誤,並降低重新培訓的需求。

Q:這在哪些領域最為重要?

A:任何任務重複但語言表達混亂的環境——尤其是物流、組裝和檢驗領域。

倉儲物流擁有專屬的實體 AI 分支

川崎的 RL030N 搭配 Dexterity 系統,彰顯了專項物理人工智慧的崛起。 這款 8 自由度機械臂專為倉儲物流設計,該領域的挑戰不僅在於抓取物體,更在於面對不斷變化的包裝形狀、標籤、貨箱及輸送帶狀況時,仍能可靠地執行抓取任務。相較於通用型機器人,這類系統正日益針對單一任務與單一環境進行優化,這不僅能提升安全性,還能提高處理量。

這種專業化至關重要。在工業機器人早期,自動化成本高昂,因為它需要僵化的基礎設施和

精確的夾具。當今的實體人工智慧系統被定位為靈活且可透過軟體升級的資產,能隨著工作流程的變化進行更新。若此承諾得以兌現,製造商採用這些系統的速度可能會比傳統自動化解決方案更快。

總而言之:本週的公告顯示,實體人工智慧正同時朝三個方向成熟發展:更安全的認證、實際的工業部署,以及更佳的語言理解能力。工廠車間的環境依然嚴苛,但機器人正在學習如何在其中贏得一席之地。

參考資料:NVIDIA Halos for Robotics(2026年6月22日); 川崎 RL030N + Dexterity(2026年6月23日);CATL 的 Galbot S1(2026年6月25日);麻省理工學院 CSAIL 的 Masked IRL(2026年6月26日)。