而另一種,那個開冰箱慢吞吞的機器人,雖然看起來笨,卻是在做一件革命性的事:它正在試圖由 AI 驅動,真正開始「理解」這個世界 。它在學習什麼是冰箱、什麼是蘋果、以及如何控制自己的力量才能順利拿起它。這個過程之所以緩慢,正是因為過去驅動它的「大腦」,也就是 AI 晶片的算力還不夠強,無法即時處理與學習現實世界中無窮的變數 。
這就是關鍵! 過去以NVIDIA Jetson Orin™作為大腦的機器人,僅能以有限的速度運行VLA模型。而由 VLA 模型驅動,讓 AI 能夠感知、理解並直接與物理世界互動的全新形態,正是「物理 AI」(Physical AI)的開端 。NVIDIA Jetson Thor 的強大算力,就是為了滿足物理 AI 的嚴苛需求而生,要讓機器人擺脫「復健」,迎來真正自主、流暢的行動時代 。
NVIDIA Jetson Thor 的強大算力,就是為了滿足物理 AI 的嚴苛需求而生,要讓機器人擺脫「復健」,迎來真正自主、流暢的行動時代 / 圖片來源:研華科技
其中,物理 AI 強調的 vision to action,就需要研華設計對應的硬體來實現;譬如視覺可能來自於一般相機、深度相機、紅外線相機甚至光達,你的系統就要有對應的介面來整合視覺;你也會需要控制介面去控制馬達伸長手臂或控制夾具拿取物品;你也要有 WIFI、4G 或 5G 來傳輸資料或和別的 AI 溝通,這些都需要具體化到一個系統上,這個系統的集大成就是機器人。
從樓梯的階高、門把的設計,到桌椅的高度,無一不是為了適應人類的雙足、雙手與身高而存在 。對 AI 而言,採用人形的軀體,意味著它能用與我們最相似的視角與方式去感知和學習這個世界,進而最快地理解並融入人類環境 。這背後的邏輯是,與其讓 AI 去適應千奇百怪的非人形設計,不如讓它直接採用這個已經被數千年人類文明「驗證」過的最優解 。
這也區分了「通用型 AI 人形機器人」與「專用型 AI 工業自動化設備」的本質不同 。後者像高度特化的工具,產線上的機械手臂能高效重複鎖螺絲,但它無法處理安裝柔軟水管這種預設外的任務 。而通用型人形機器人的目標,是成為一個「多面手」,它能在廣泛學習後,理解物理世界的運作規律 。理論上,今天它在產線上組裝伺服器,明天就能在廚房裡學會煮菜 。
在我們日常生活裡,一個物體(例如地球)可以擁有兩種不同類型的角動量。第一種類型是由於物體的質心繞著某個固定(例如太陽)的外部點旋轉而引起的,這通常稱為軌道角動量。第二種類型是由於物體的內部運動引起的,這通常稱為自旋角動量。在量子物理學裡,粒子可以由於其在空間中的運動而擁有軌道角動量,也可以由於其內部運動而擁有自旋角動量。實際上,因為基本粒子都是無結構的點粒子,用我們日常物體的比喻並不完全準確1;因此在量子力學中,最好將自旋角動量視為是粒子所擁有的「內在性質」,並不是粒子真正在旋轉。實驗發現大部分的基本粒子都具有獨特的自旋角動量,就像擁有獨特的電荷和質量一樣:電子的自旋角動量為 ½ 2,光子的自旋角動量為 1。
一派是 1896 年,由德國物理學家維因(Wilhelm Carl Werner Otto Fritz Franz Wien),由熱力學出發推導出的黑體輻射公式,另一派,在 1900 與 1905 年,英國物理學家瑞立(John William Strutt, 3rd Baron Rayleigh)和金斯(James Jeans),則是藉由電磁學概念,也推導出了他們的黑體輻射公式,稱為瑞立-金斯定律。