DPIED-01｜同一個 AI 年代，兩條不同的能力曲線

數位智能與物理作用能力的非同步演化命題

One AI Era, Two Capability Trajectories: The Asynchronous Evolution of Digital Intelligence and Physical Agency

系列：數位—實體智能演化解耦論（Digital–Physical Intelligence Evolutionary Decoupling, DPIED）
篇次：DPIED-01／09
作者：Neo.K
研究機構：EveMissLab／一言諾科技有限公司
AI 協作整理：GPT-6
版本：v1.0
日期：2026-11-04
文件性質：獨立理論論文；操作性定義、形式化框架與可反駁的實證協定
證據狀態：理論模型已提出；文獻事實經公開來源核對；本研究尚未執行自建跨域縱向實驗
原稿格式：UTF-8 Markdown；公式唯一原始分隔符為 $...$ 與 $$...$$
研究立場：不預設具身 AI 必然停滯；不預設數位 AI 必然領先；不以單一公司、展示影片或不同基準的百分比推論全產業趨勢

摘要

人工智慧在數位環境中的推理、軟體製作、介面操作與多模態生成能力，與其在實體世界中的感測、決策、控制、持續自主行動及產業部署能力，可能沿著不同時間尺度成長。通用模型能力提升，不必然以同樣比例轉化為機器人完成長程物理任務的能力；相反地，受控場景中的專用機器人亦可能先於通用數位代理，達到高度可靠且具有正向單位經濟的自主工作。本文將此雙向可能性建構為「數位—實體智能演化解耦假說」，主張研究對象不是抽象的「AI 強弱」，而是具體任務、固定條件與部署層級下，兩組能力軌跡之成長速率、轉化損失及時間差。

本文首先區分數位任務能力、物理任務能力與部署可用能力，提出固定任務籃、固定驗收規則、資源預算與環境分層的操作定義；其次建立基於同域基準與目標的「正規化進步量」及「解耦差指標」，避免直接相減不同基準的成功率。本文另以事件交集的機率上界證明：若物理任務尚受獨立於高階推理能力的硬體、感測、控制或安全門檻約束，則單純改良模型不保證物理端成功率同步上升。此處的「獨立」指瓶頸種類可區分，並非假定所有成功事件在統計上互相獨立。

就截至 2026 年 11 月 4 日的公開證據而言，Stanford《2026 AI Index》揭示數位代理、短程模擬操作與長程家庭模擬任務的表現差異，但不同基準無法直接構成跨域增長速率之因果證明；既有跨機體資料集、具身推理模型、模擬至現實研究則顯示系統整合仍在快速進步。本文因此將「解耦」定位為可發生、可擴大、可收斂甚至可能反向的經驗假說，而非新的歷史必然律，並提出能夠驗證及推翻其主要預測的多層級縱向評估協定。

關鍵詞：數位智能；具身 AI；物理作用能力；演化解耦；能力轉化；模型—部署落差；時間滯後；長程可靠性；基準污染；可反駁性

0. 研究問題、定位與前置理論

本系列研究起點來自一項可能反直覺的觀察：某個時代的數位 AI 系統或許已經可以自主製作複雜遊戲、操作軟體、維護長程數位工作流程，但同時代的通用人形機器人仍可能無法在陌生家庭長期、低介入、低事故地完成雜務。這種不一致並不構成邏輯矛盾，因為數位工作與實體工作所需跨越的狀態空間、失敗代價、資料獲取方式與可重複試驗條件不同。

然而，若僅憑印象認為「數位 AI 進步很快、機器人發展很慢」，也容易產生相反的錯誤。工業機械、倉儲、自駕及固定流程設備長期具備部分高度自主能力；某些實體任務反而遠比大型軟體工程容易形式化和驗收。故本研究將「兩條不同的能力曲線」界定為可依任務種類、環境、時間與部署條件而改變的多條曲線族，而不是聲稱全世界只有兩條單調曲線。

本文承接但不重述五項既有研究：

《非人類中心機器人架構：從人形模仿到任務拓撲具身智能》（2026-06-26）：具身形態不應以人形為唯一原型。
《具身 AI 的本地算力困境與分層學習閉環》（2026-06-30）：已提出本體、本地算力站、中央模型與資料回流架構。
WIIW-05《當智能進入物理世界：具身 AI 與文明作用拓樸》（2026-09-02）：認知、物理作用與行動權限並不等價。
APET-06《具身的是什麼？從人形機器人到分散式世界身體》（2026-09-23）：以持續因果感知—行動閉環界定具身邊界。
LWCT-02《不均衡豐裕：生產力成長、必要生活域與瓶頸稀缺》（2026-10-07）：數位與實體生活域的稀缺下降速度不必同步。

上述文件在本研究中屬於前置理論材料，不自動構成可驗證的新實證結果。本文的新工作是把「不必同步」轉化成可觀察、可量測、可否證的命題，並補上統計比較與因果推論的邊界。

研究中心問題為：

在清楚固定任務、評測規則、可用資源、環境難度與人類介入程度後，數位 AI 能力與物理 AI 能力是否出現持續而非暫時的相對增長差？若存在，它究竟是模型能力不足、物理執行瓶頸、資料與控制整合不足，還是部署經濟與制度約束所造成？

為避免系列分工混亂，本文專注能力軌跡的定義與辨識。具體的轉化損失拆解屬 DPIED-02，企業估值、出貨與展示敘事屬 DPIED-03，資料結構、架構與模擬遷移屬 DPIED-04 至 06，可靠性、成本及文明經濟則屬 DPIED-07 至 09。

1. 已知證據：局部進步與跨域比較的危險

1.1 數位代理、機器人模擬與實體部署不是同一項考試

Stanford HAI《2026 AI Index》在技術表現章節整理了以下互異的結果 [R1]：

評測對象	來源所報數據	評測性質	可支持的有限結論	不能推論什麼
OSWorld 電腦介面代理	約 66.3%（報告所述 2025 年結果）	數位電腦操作任務	特定設定下，數位代理已能完成不少結構化介面任務	不代表所有商業軟體已可全自主交付
RLBench 18 任務子集的 EquAct	89.4%（截至 2026 年初整理）	受控模擬中的較短程機器人操作	特定模擬操作測試已取得高成功率	不代表一般家庭或工廠同等成功率
2025 BEHAVIOR Challenge 最佳隊伍	12.4% 完整任務成功率；25.99% Q-score	模擬家庭環境中的長程活動	長程、複合家務任務依然困難	不能稱作真實家庭硬體部署成功率

其中最容易被誤讀的是最後一列：BEHAVIOR-1K 題目源自真實家庭需求，但排行榜所測的是模擬環境。Stanford 技術章節正文也明確描述這一點；故「12.4%」不是某一批真實人形機器人在住宅內的現場普查結果 [R1][R3]。

同樣地，66.3%、89.4% 與 12.4% 不具有可直接相減的共同分母。它們的任務內容、樣本分布、操作環境、時間跨度、可用工具與成功定義皆不同。三項數字可作為「不同問題難度確有差異」的背景證據，不能據此直接計算「數位 AI 領先實體 AI 53.9 個百分點」。真正的增長速率比較必須使用同一任務籃跨時間重測，並處理跨域校準。

1.2 數位 AI 的基準本身也在失真

METR 的長程任務能力評估採用「50% 任務完成時間跨度」，其意思是模型在一組以人類專家工時校準的任務中，達到約 50% 成功率所對應的人類完成時間尺度，不是 AI 實際連續執行了相同時數；METR 並於 2026 年更新評測設計 [R2]。這種校準有助於衡量難度，但仍受任務樣本、代理配置與外部效度限制。

軟體工程也有評測污染風險。OpenAI 在 2026 年指出 SWE-bench Verified 存在資料曝光及測試設計缺陷，之後更指出部分 SWE-bench Pro 任務也有瑕疵 [R7]。因此，若用逐年排行榜的最高分直接代表整個數位生產力，可能高估進步。本文要求使用固定、經審查且未洩漏的評測集合；公開基準僅能是輔助證據。

1.3 具身架構沒有停止演化

Open X-Embodiment 由多家研究機構整合不同機器人體型的示範資料，以支援跨本體學習 [R4]。Google DeepMind 2026 年推出的 Gemini Robotics 2／Embodied Reasoning 2，則刻意區分高階物理推理、低階動作策略與機器人本體執行 [R5]。這些例子不證明通用機器人已經成熟，卻直接反駁「業界只是在等待更大的語言模型，完全沒有研究專門架構」的過度簡化說法。

另一方面，模擬訓練與實體執行間仍存在感測、動力學、接觸、時間延遲等差異；NVIDIA 的 2026 年教材明確指出只有實際硬體測試才能確認遷移效果 [R6]。因此，合理立場是：整合技術正在進步，整合成功的程度與規模尚需分層驗證。

1.4 本文可以與不可以從文獻中得到什麼

已確認的是：不同 AI 任務間存在顯著能力落差、具身研究同時沿模型與系統整合推進、部分基準面臨可比性問題。尚未確認的是：2026 年以後數位與物理能力的長期增長差將持續多少年、差距的量化幅度，以及它是否由單一「模型架構瓶頸」主導。這些部分是本文要設計檢驗的假說，不是觀察資料自動給出的結論。

2. 基本概念與研究單位

2.1 智能系統不是只有模型

令某個可評測 AI 系統為

\mathcal A_t=(M_t,S_t,H_t,D_t,U_t),

其中 $M_t$ 為模型與權重狀態， $S_t$ 為代理或軟體整合堆疊， $H_t$ 為硬體與感測／致動能力， $D_t$ 為可用資料和記憶， $U_t$ 為運行時的權限、監督與安全配置。符號 $D_t$ 在本式代表資料狀態；下文的數位領域另以字母 $d$ 的值 $\mathrm{dig}$ 表示，以免混淆。

對純數位代理而言， $H_t$ 主要是運算、網路及外部設備；對具身機器人而言，則還包括身體幾何、致動器、感測器、供電、散熱與物理控制器。兩者都不是單一神經網路的獨立產出。

2.2 三種不能混同的能力

數位任務能力（Digital Task Capability）：在明確授權和驗收條件下，於程式庫、文件、設計軟體、遊戲引擎或其他可重置數位環境中完成指定工作的機率與品質。數位任務同樣可能具有高風險，例如資安、金流或生產系統變更；「可回滾」不是普遍保證。

物理任務能力（Physical Task Capability）：系統藉由感測、控制與致動閉環，實際使外部世界達到指定目標狀態的能力，包含固定工位機械臂、輪式載具、人形機器人、無人機或分散式具身系統。

部署可用能力（Deployable Capability）：在指定環境、時間、監督、風險及總成本約束下，可持續交付合格工作成果的能力。展示成功、一次性測試通過、實驗室高分、出貨量增加，均不能直接替代此指標。

第三者不是第二者的同義詞：一台機器可以在實驗室完成物理動作，但因故障頻率、人工接管或維護成本，在實際環境中尚無部署優勢；反過來，專用設備可能無需很強的通用推理，也能穩定服務某個經濟任務。

2.3 相同年份不等於相同能力位置

兩套系統同在年份 $t$ 發布，不代表位於同一「AI 能力成熟階段」。我們比較的是在相同日曆時點，對指定任務集合的外部可觀測成績，而非假設兩者共享相同內部架構、資料規模與訓練年代。

此處「解耦」指兩類能力隨時間變化的相對步伐出現顯著且持續的差異；它不等於兩者技術上完全沒有耦合，也不等於未來不能再耦合。

2.4 研究單位的必要欄位

每一筆觀測應至少標註：系統版本、任務 ID、任務規格版本、地點或模擬環境、硬體型號、軟體堆疊、資料截止時間、評測日期、可用推理及行動預算、人工介入規則、成功定義、安全門檻與結果。無法記錄這些條件的公開展示，可作為案例線索，卻不宜直接進入量化比較。

3. 從能力曲線族到可比較的進步量

3.1 固定任務籃與成功機率

設定兩個領域 $d\in\{\mathrm{dig},\mathrm{phys}\}$ ，各自具有事先登記的任務籃 $\mathcal T_d$ 。每一任務 $k$ 的測試分布 $\mu_{d,k}$ 、成功判準及評測預算 $b_{d,k}$ 必須在比較期內保持固定；若有變更，另建立新版本，不直接拼接舊序列。

以 $Y_{d,k,r,t}=1$ 表示系統於年份或時點 $t$ 的第 $r$ 次測試，於合法授權、安全規定和預算限制內，完成任務 $k$ ；否則為 $0$ 。定義：

q_{d,k}(t)=\Pr(Y_{d,k,r,t}=1\mid\mu_{d,k},b_{d,k},\mathcal E_{d,k}),

其中 $\mathcal E_{d,k}$ 固定環境與驗收協定。此定義要求在測試對象與規則相同的情況下估計「完成機率」，而非從影片剪輯中估計。

給各任務預先固定的非負權重 $w_{d,k}$ ，且同一領域權重總和為一：

C_d(t)=\sum_{k\in\mathcal T_d}w_{d,k}q_{d,k}(t), \qquad \sum_{k\in\mathcal T_d}w_{d,k}=1.

$C_d$ 是領域內固定規格下的能力綜合分數，值介於零與一。它仍不能讓「數位 0.8」與「物理 0.5」自動具有相同難度意義。權重和任務籃必須在資料收集前公開；改動權重時應完整重算歷史序列。

3.2 將三個層級分別量測

對實體端，至少保留三條不能直接替代的序列：

\mathbf C_{\mathrm{phys}}(t) = \big(C_{\mathrm{sim}}(t),C_{\mathrm{field}}(t),C_{\mathrm{deploy}}(t)\big).

它們分別代表模擬、現場封閉測試及長期部署。對數位端也應區分基準／沙盒任務與實際生產環境，不應把數位代理測試成績直接當作企業端到端成功率。

兩條主曲線應比較相同層級的能力進步，例如數位端到端沙盒作業與物理端到端現場作業；若無法取得相同部署層級的資料，應標為探索性比較。模擬—現場的差額可作為轉移落差描述，但未經任務與環境控制，不應被視為純粹由 Sim-to-Real 造成的因果效果。

3.3 正規化進步量：不直接相減跨域原始分數

對每個領域選定共同的起點 $t_0$ ，以及事先固定且高於起始成績的目標水準 $C_d^\star$ 。定義：

N_d(t;t_0)= \frac{C_d(t)-C_d(t_0)}{C_d^\star-C_d(t_0)}, \qquad C_d^\star>C_d(t_0).

$N_d$ 衡量各領域自身朝預先宣告目標前進的比例；它不是「通用智能百分比」，也不是無偏的跨域難度校準。若超越目標，可大於一；若退步，可小於零，不應為了圖表好看而截斷。目標設定可採同領域人類專家基準、實務驗收閾值或明示的工程目標，並報告多種合理目標的敏感度分析。

在兩個觀測時點 $t_1<t_2$ 間，定義領域內年化正規化進步：

G_d(t_1,t_2;t_0) = \frac{N_d(t_2;t_0)-N_d(t_1;t_0)}{t_2-t_1}.

為方便表述，本文定義數位—實體解耦差指標（DPIED Difference Index）：

\Delta_{DP}(t_1,t_2)= G_{\mathrm{dig}}(t_1,t_2;t_0) - G_{\mathrm{phys}}(t_1,t_2;t_0).

$\Delta_{DP}>0$ ：在既定任務籃、目標與資源條件下，數位端朝自身目標前進得較快。
$\Delta_{DP}=0$ ：依該度量，進步速率相同；不代表兩領域已達相同絕對能力。
$\Delta_{DP}<0$ ：依該度量，實體端進步更快；可能出現在特定專用機器人領域。

這是一個帶有任務選擇與目標依賴性的操作性指標，不是自然常數。任何宣稱全域解耦，都應跨多個任務籃、目標設定、時間窗與部署層級進行穩健性檢查。若起點接近滿分、剩餘進步空間過小，應改用難度重新校準或報告分層成績，而非使用不穩定的小分母。

3.4 解耦的時間維持條件

單次季度或年度差異，可能來自版本發布時點或測試噪音。本文將「持續解耦」設定為一個待檢驗事件：在事先指定的連續 $m$ 個觀測窗中， $\Delta_{DP}$ 的估計大於實務意義門檻 $\delta>0$ ，且適當的不確定區間支持此判定。

\mathcal H_{DP}(m,\delta) :\Longleftrightarrow: \Delta_{DP}^{(j)}>\delta \quad\text{for }j=1,\ldots,m.

這只是檢驗規則的定義，不是本文聲稱已觀測到的現象。 $m$ 、 $\delta$ 與各觀測窗須於分析前設定，避免事後挑選漂亮曲線。跨期樣本若高度相關，不能將各窗當成相互獨立的證據。

3.5 到達時間與右設限

若研究關心「哪一端先達成商業可用門檻」，可將某任務族 $f$ 的標準事先固定，定義首次達到目標的時點：

T_{d,f}(\theta)=\inf\{t:q_{d,f}(t)\geq\theta\},

其中 $\theta$ 應同時受到長期可靠性、人工介入及安全條件限制。跨域時間差為

L_f=T_{\mathrm{phys},f}(\theta_{\mathrm{phys}}) -T_{\mathrm{dig},f}(\theta_{\mathrm{dig}}).

兩側 $\theta$ 必須分別代表經說明的、可被行業接受的驗收條件，而不能僅為相同數字。若任一端至資料截止時仍未達標， $T$ 為右設限，不得任意填入截止年份當作真實到達時間；應採生存分析或區間界定。

3.6 指標不應掩蓋多維能力

每個領域還需保留向量

\mathbf V_d(t) =(Q_d,R_d,A_d,S_d,K_d),

代表任務品質、環境擾動下穩健性、無人介入程度、安全合規程度，以及成本調整後有效產出。這些成分可採適當正向尺度。若其中一些改善、另一些退步，則不一定存在單一「全面進步」的排序。綜合分數僅供特定政策與工程問題使用，不能取代向量報告。

4. 為什麼模型變強，不保證物理能力同比增長

4.1 物理工作由一連串必要事件構成

一項具身任務可能需同時滿足：高階目標理解 $E_1$ 、物理狀態感知 $E_2$ 、可行動作規劃 $E_3$ 、控制與致動 $E_4$ 、環境交互成功 $E_5$ 、安全且符合部署條件 $E_6$ 。完整成功事件為

Y_{\mathrm{phys}}=\bigcap_{j=1}^{6}E_j.

依機率鏈式法則：

\Pr(Y_{\mathrm{phys}}) = \Pr(E_1)\prod_{j=2}^{6} \Pr(E_j\mid E_1\cap\cdots\cap E_{j-1}).

這是條件機率分解，並沒有假定各事件互相獨立。而由事件交集的性質，有

\Pr(Y_{\mathrm{phys}}) \leq\min_j\Pr(E_j).

因此，若某必要條件的通過機率被物理本體、感測解析度、能量或安全設計限制在低水準，即使語言推理進步，完整任務成功率仍受到該條件上界拘束。該上界不能告訴我們精確成功率，也不能將「最低通過率」自動解釋為唯一根因；但足以說明推理模型能力並非完整實體能力的充分條件。

4.2 命題一：認知能力進步不推出物理成效進步

命題一（非充分性）：若一系列系統提高高階推理能力，而任務所必需的物理執行事件未同時改善，則從高階推理能力的單調增加，無法在一般情況推出實體任務成功率的嚴格增加。

論證：設兩個版本的高階任務理解通過率由 $0.60$ 增加為 $0.95$ ，但執行器在目標情境下根本無法完成必要動作，故 $\Pr(E_4)=0$ 。兩版本完整物理成功率均為零。故「高階能力增加必然使物理成功率增加」的普遍命題為假。若 $\Pr(E_4)>0$ ，該機率仍是整體成功率的上界；是否實際增加，必須觀察條件依賴與其他事件變化。證畢。

這個反例僅為邏輯證成，不是對當代任何公司機器人的實測數據。它也不表示提高模型能力沒有價值：若模型改善感知、行動規劃與錯誤恢復，可能同時提高多個事件通過率，進而大幅提高實體能力。本文反對的是必然同比轉化，不是反對模型進步。

4.3 三個不同的「缺口」

認知—行動轉化缺口：模型可以判斷正確計畫，但無法生成或執行足夠可靠的動作。
模擬—現場缺口：在可重置、受控或近似物理環境中的成績，不完全移轉至真實環境。
現場—部署缺口：現場測試可以完成任務，但長期可靠性、成本、服務網路或安全規定使大規模部署仍不可行。

這三種缺口可能同時出現，也可能只有其中一種存在。不能因出貨量增加便認定第一種已消失，也不能因模型排行榜提升便推定第三種已被跨越。

4.4 反向命題：不需要通用最強模型，也可以實體領先

若實體任務的環境與操作程序高度受控、觀測可充分校準、失敗模式可枚舉，專用控制器與專業機器人可能比通用數位代理更早達到高可靠部署。這構成對「數位先進、實體永遠落後」敘事的反例條件。

所以 DPIED 的可檢驗版本，應主張特定複雜開放環境的通用具身能力，可能相對於部分數位自主能力發生持續落後；而不應主張一切物理技術都較數位技術落後。

5. 可反駁的主要假說與競爭解釋

H1｜複雜開放任務中的正向解耦

在包含長程規劃、環境變動、錯誤修復與有限人工介入的預登記任務籃中，於一致資源和固定驗收規則下，數位端正規化進步率可能持續高於通用實體端，亦即 $\Delta_{DP}>\delta$ 。

支持條件：跨至少數個事前指定時間窗、不同任務籃及合理目標設定，差異方向一致，且不確定區間不支持差異僅為噪音。

削弱或反駁條件：實體端在相同測量框架下追平或持續超越，或結論只在事後選擇的某個測試成立；若任務更換、目標重選即可翻轉結論，不能宣稱穩健解耦。

H2｜模擬改善不必然等於現場改善

當模擬任務的成績增加，實體端現場成功率未必同比改善，尤其在接觸、變形材質、延遲與感測偏差較大的條件下。

支持條件：同一政策、同一目標和配對條件下，模擬改善而現場相對改進有限；且在控制環境差異後仍有顯著缺口。

削弱條件：對多種機體與場景，經保留測試證明模擬進步能穩定且低成本轉化成現場成功。此假說不意味所有任務都存在巨大 Reality Gap；若只在接觸密集任務上成立，應縮小適用範圍。

H3｜架構與整合效應可能大於單純模型更換

在模型能力接近的前提下，更好的環境狀態管理、閉環控制、記憶介面、安全監測與恢復機制，可能使完整物理任務能力出現較大改善。

可檢驗設計：設模型版本 $M_0,M_1$ 與系統堆疊 $S_0,S_1$ ，四組交叉評測同一任務。令 $Q(M,S)$ 表示物理完成率，測量交互作用：

I_{MS}= [Q(M_1,S_1)-Q(M_0,S_1)] -[Q(M_1,S_0)-Q(M_0,S_0)].

若 $I_{MS}>0$ ，代表在該設計下新堆疊與模型升級具有正向交互效果；但不能單靠此結果認定新架構在所有任務優於大模型，也不能將系統條件改變後的差異直接視作純粹模型因果效應。若沒有隨機化與可重複測試，應描述為關聯。

H4｜專用實體任務的反向解耦

對固定環境、固定流程或限定作業設計域（Operational Design Domain, ODD）的任務，物理系統可先於某些通用數位代理達到成熟部署，並可能呈現 $\Delta_{DP}<0$ 。

這是系列應主動保留的競爭命題，不是將其視為 H1 的失敗資料而刪除。若 H1 僅適用於開放世界、長程高變異任務，則必須明示這一領域邊界。

H0 與其他競爭解釋

H0-A：測量錯位——看似解耦只是數位與物理評測難度、成熟度或成功定義不同造成。
H0-B：發布週期錯位——兩領域的進步主要呈階梯狀，某一短期落差並不持續。
H0-C：資料揭露偏差——數位領域公開資料較多，實體商業部署資料較少。
H0-D：資本與制度延遲——實體產品的製造、認證、保險與採購周期長，技術能力未必落後同樣多。
H0-E：基準飽和——數位端或實體端選用的基準接近滿分，使表面速率失真。

本研究只有在盡力排除上述解釋後，才有理由把測得差異描述為具有技術意義的演化解耦。

6. 實證辨識：如何讓假說真的可能被推翻

6.1 同時建立兩種資料集：固定核心與更新挑戰

固定核心任務籃維持跨期可重測性；更新挑戰任務籃每期加入新的開放世界場景，以避免基準飽和。兩者分別報告，不得把不同年份的挑戰分數串成同一條時間序列。對舊任務的資料污染風險，採用保密測試變體、審核資料來源及獨立人工評審。

6.2 數位任務樣本

可配置四種任務族：跨工具電腦介面操作、既有程式庫的缺陷修復與回歸測試、圖像／遊戲資產整合及可執行工程產出、長程多步代理任務。必要時設計實際部署版，例如由獨立測試者在隔離環境中執行專案、檢查安全和功能規格，避免單看模型生成的程式碼或影片。

6.3 物理任務樣本

配置固定工位抓取和裝配、受控移動導航、跨物件接觸操作、環境擾動下的長程複合任務，以及需要恢復、維護或人機協作的工作。再獨立保留開放環境通用機器人與特定 ODD 的專用設備兩組，以免將專用系統成功率與通用泛化問題混為一談。

6.4 匹配原則與限制

數位端模擬倉庫流程與實體倉庫機器人執行任務，可以共享業務目標，卻未必共享難度、致動條件或風險。因此可做任務語義配對，但不得聲稱這是完全等價的「同一題目」。應至少報告：

控制維度	數位端	實體端	比較規則
任務目標	可機器驗收的輸出狀態	可感測與審計的物理終態	各自預先固定規格
執行時間	時間／推理呼叫／工具操作上限	牆鐘時間／控制週期／任務時長	同時報告任務完成率與時間
資源	Token、算力、API、工具、人工檢查	本體折舊、能源、算力、人工、維護	成本可分解，不強制相同金額即等難度
外部干預	使用者提示、代理修復、人工接管	遙操作、復位、近端救援、現場維修	介入事件和介入時間逐次記錄
風險	資料外洩、資產損失、錯誤部署	人員、器材、物理環境損害	各自定義必要安全紅線
環境變動	UI、程式相依、服務版本、資料分布	光照、摩擦、物件、地形、人體干擾	各自做固定變異層級的壓力測試

6.5 縱向資料採集

以季度作為初始觀測單位，記錄每期各類代表性系統與至少一個穩定的基線系統。每個關鍵任務分層建議先做不少於 30 次獨立情境測試作為試辦；正式比較需要依成功率、群聚相關與欲偵測效應量計算樣本數，不能把「30 次」誤認為統計充分。高風險物理測試應先通過安全審查，不因追求試次而允許不可控暴露。

所有試驗需記錄「哪台機器人、哪個場地、哪次會話」，以便估計裝置與場景間的群聚差異；對二元成功結果，可採分層二項模型或適當的混合效應模型；對成本與時間使用其實際分布相符的方法。縱向成績應報告區間估計與敏感度分析，而非只報單一年份最高分。

6.6 評估的四種主要輸出

基準能力曲線：固定任務籃中的任務成功率及其置信區間。
自主能力曲線：在限制人工介入下的長程完整成功率、介入率與恢復時間。
可靠部署曲線：考慮實際工作時數、安全事件、停機、維護與總成本後的有效產出。
解耦與滯後指標： $\Delta_{DP}$ 的估計區間、目標變動敏感度、到達時間之右設限狀態。

若不能取得實際部署資料，就應把研究結論限制在「實驗能力」而非「產業生產力」。

7. 示範計算：指標如何使用，而不是如何預言

以下數字完全是人工設定的教學示例，不代表 2026 年任何真實模型或機器人：

變數	數位端	實體端
起點能力 $C_d(t_0)$	0.45	0.15
一期後能力 $C_d(t_1)$	0.78	0.32
事前設定目標 $C_d^\star$	0.90	0.80

於相同一期觀測窗，兩個領域的相對目標進度為

N_{\mathrm{dig}}(t_1;t_0) =\frac{0.78-0.45}{0.90-0.45} \approx0.7333,

N_{\mathrm{phys}}(t_1;t_0) =\frac{0.32-0.15}{0.80-0.15} \approx0.2615.

若將一期設定為一年，則

\Delta_{DP}(t_0,t_1)\approx0.4718.

在這套預設目標與假資料下，數位端的正規化進步較快。但這個數值至少有四項限制：目標不同、任務分布不同、沒有不確定區間、也未確認差異能維持。更換合理目標值或加入未觀測部署成本，可能改變結論。因此數字只展示計算方式，絕不能作為具身 AI 將落後多少年的預測。

7.1 一個容易誤判的反例

假設某機器人在狹窄且固定的倉庫中，物理任務成功率由 $0.90$ 提升至 $0.99$ ；數位代理在大規模未知程式庫中由 $0.30$ 提升至 $0.60$ 。即使數位端原始分數增量較大，也不能依此宣稱前者進步比較慢，因為倉庫任務已接近飽和，且任務價值與難度不同。反過來，若機器人的最高分只在示範場景成立，也不能據此說所有物理自主能力都已成熟。

7.2 資本與出貨量不是本模型的能力代用值

機器人出貨量、某家企業融資縮減或破產、某次展示爆紅等，可能影響部署，但不是 $C_{\mathrm{phys}}$ 的直接觀察值。市場融資速度變慢也可能與利率、定價、補貼、產業競爭和預期修正有關；技術能力與投資回報應分別檢驗。

8. 機制辨識：即使出現解耦，原因也不只一個

建立以下概念性因果鏈：

模型與訓練資料 → 理解及規劃 → 狀態估計與控制整合 → 物理動作 → 安全可靠性 → 可持續部署 → 實際生產力。

這個箭頭串列是一個研究分解工具，並不表示每一連結只有單向因果；真實世界中的任務失敗資料、維修記錄和使用者行為會反過來改變訓練。還需注意若通用模型僅輸出計畫，而低階控制始終由不同組件負責，不能把整體任務成敗全歸咎於前沿模型。

在因果辨識上，至少需處理：

任務難度漂移：數位基準已經飽和，物理基準卻換成更難的任務。
硬體世代效應：機器人控制能力因馬達、感測器或電池改善，而與大模型無關。
代理與工具差異：模型相同，但工具規劃、記憶與提示結構不同。
資料與評測洩漏：公開基準被模型預先看過，造成虛高表現。
人工援助的隱藏程度：遠端操作、人工救援、標註或預先編程未充分揭露。
選樣偏誤：只報成功展示、頂尖模型或最容易部署的場域。
政策與供應鏈效應：量產與採購條件造成部署慢，但模型能力未必停滯。
安全標準不一致：數位任務允許反覆失敗重試，物理端一次失敗就可能停止測試。

若資料只顯示總體曲線差異，則最多能先得到描述性解耦，而不能立刻歸因於「參數不足」「世界模型不好」或「缺少新架構」。因果歸因必須增加交叉測試、受控消融與適當的部署事件研究。

9. 反例、反事實與適用界線

9.1 專用機器人先成熟

固定工廠工位的高速分揀、受控倉儲或限制場域的自動駕駛，可在某一局部任務上達到高成熟度，即使尚不存在通用家庭機器人。若以「有沒有在真實世界持續完成工作」作標準，不能把所有實體 AI 說成落後。局部產業的反向解耦是合法研究結果。

9.2 數位 AI 的產業驗收仍可能很慢

模型能產出高品質影片、寫出大量程式碼，不等於能一次完成可安全部署、可維護、符合合規要求的複雜商業產品。若以真正交付、事故率與總成本衡量，某些數位產業的部署落差也可能非常大。因此不能用視覺展示能力直接替代數位生產力。

9.3 數位世界可能加速實體世界

更好的世界模型、模擬器、設計自動化與物理資料引擎，可能縮短具身開發週期，使物理端在一段延遲後快速追趕。解耦不是兩端毫無互動，反而可能因為共享知識與工具而出現滯後式耦合。這是本文框架必須允許的情形。

9.4 新架構不是唯一的突破形式

可能出現完全不同的模型架構，也可能只是既有深度學習、強化學習、VLA、世界模型、低階控制和自主測試系統形成更好的組合。兩種路線都不應在實驗前被排除；同樣也不能因系統整合改善，就宣稱模型底層架構已經革命性改變。

9.5 「知道」與「能行動」以外還有「能合法行動」

任務可被技術完成，不表示部署者有權執行。隱私、勞動、安全、責任分攤與現場許可會形成獨立約束。本文將這些條件納入部署可用能力，但不把制度性延遲與模型能力缺陷混為一談。

10. 研究判準、驗證狀態與可否證性矩陣

欲判斷的主張	必要證據	足以削弱的觀測	目前狀態
兩領域存在持續正向解耦	固定任務跨期追蹤，正規化進步差及區間估計	差異不穩健、接近零或實體反超	未完成自建縱向驗證
模型進步未必同步提高具身能力	同一實體任務中控制不同模組的測試	多數條件下模型升級能穩定移除物理瓶頸	邏輯非充分性已成立；實際效應待測
模擬成功不保證現場成功	同政策、同任務、配對模擬與硬體測試	系統性跨環境遷移且現場表現一致	有文獻背景；適用幅度待測
整合架構可改變能力轉化率	模型 × 堆疊交叉實驗、消融測試	效果可完全由其他變數解釋	工程假說待驗
機器人部署可能落後於模型發布	現場工作時數、介入率、維護成本、合規與採購資料	同一部署標準下大量實際落地	有產業觀測線索，缺一致資料
實體端可能在專用任務反超	預登記專用領域任務籃的跨期資料	無跨期可重複優勢	保留為競爭假說

本篇已完成的部分：核心概念區分、固定任務籃的測量框架、正規化解耦差的定義、必要事件上界的非充分性論證、競爭假說與實證協定。

本篇尚不能宣稱的部分：某公司已進入技術停滯；具身 AI 必在特定年份後落地；解耦的真實幅度；所有機器人任務都劣於數位代理；多大參數量可解決所有具身問題；某一整合架構已獲實機驗證。這些主張都不從本篇形式化結果推出。

11. 結論：同一個時代，可以有不同行動能力

本文將「數位 AI 持續進步，具身 AI 卻可能進展不均」從直覺性產業敘事，轉換為具體而可反駁的比較框架。結論可濃縮成六項：

第一，AI 能力不是單一實數。 數位任務完成、實體任務執行與長期部署，是具有不同驗收門檻的能力維度。

第二，跨域成功率不能直接相減。 分母、難度、環境、時間尺度與安全條件不同時，必須先建立領域內固定任務籃、目標水準及進步率，才可以討論相對成長。

第三，模型智能不充分決定物理自主能力。 實體任務包含一組必要事件，其整體成功率受任何未被滿足的必要條件限制；此點是邏輯結構，不是產業悲觀情緒。

第四，解耦可能是局部、階段性與可逆的。 開放環境通用機器人或許比數位代理更慢成熟，專用實體設備卻可能先行；兩者都必須容納於同一研究框架。

第五，技術能力和部署生產力是兩種曲線。 模型、模擬、實機、可靠部署與產業產出不可任意混合；資本熱度和出貨量也不是完整的能力代理變數。

第六，本研究的關鍵不是宣布未來哪一年機器人會成功，而是提供能夠發現自己判斷錯誤的測量方法。 若後續資料顯示物理端持續追趕、超越，或兩者的相對差異主要出自測量偏差，就應修正或放棄正向解耦假說。

因此，真正重要的時間線未必是某個 AI 模型的發布日期，而是何時已有的推理與知識能力，能在具體環境中穩定轉化為可驗證的行動。認知進步可以先行；實體工作可以滯後；整合突破可能使落後突然縮短。這三種敘述可以同時合理，並等待資料分辨何者實際發生。

一個文明可以先學會如何回答世界，卻仍未學會如何可靠地改變世界；兩者之間的距離，不應被信念抹平，而應被測量。

參考資料與來源辨識

下列公開來源供背景事實與評測方法核查；企業發表內容主要作為技術存在與研發方向的證據，不自動等於獨立驗收。檢索截至 2026-11-04。

[R1] Stanford Institute for Human-Centered Artificial Intelligence, Artificial Intelligence Index Report 2026, Chapter 2, Technical Performance, especially §§2.6–2.7, pp. 112–120. https://hai.stanford.edu/ai-index/2026-ai-index-report/technical-performance ; report chapter: https://hai.stanford.edu/assets/files/ai_index_report_2026_chapter_2_technical.pdf 。其中 BEHAVIOR-1K 為模擬評測，不是實機家庭普查。
[R2] METR, Task-Completion Time Horizons of Frontier AI Models (updated 2026), https://evals.alignment.org/time-horizons/ ; METR, Time Horizon 1.1 (2026-01-29), https://metr.org/blog/2026-01-29-time-horizon-1-1/ 。
[R3] Stanford BEHAVIOR Project, BEHAVIOR-1K, https://behavior.stanford.edu/ 。1,000 項家庭活動的模擬基準，及其相關挑戰。
[R4] Google DeepMind, Scaling up learning across many different robot types (2023-10-03), Open X-Embodiment／RT-X, https://deepmind.google/blog/scaling-up-learning-across-many-different-robot-types/ 。
[R5] Google DeepMind, Gemini Robotics 2 brings whole body intelligence to robots (2026-07-30), https://deepmind.google/blog/gemini-robotics-2-brings-whole-body-intelligence-to-robots/ ; Google, Introducing Gemini Robotics ER 2 (2026-07-30), https://blog.google/innovation-and-ai/models-and-research/google-deepmind/gemini-robotics-er-2/ 。
[R6] NVIDIA, Simulation to Reality — Getting Started With Isaac Lab, https://docs.nvidia.com/learning/physical-ai/getting-started-with-isaac-lab/latest/robot-learning-fundamentals/08-simulation-to-reality.html 。
[R7] OpenAI, Why we no longer evaluate SWE-bench Verified (2026-02-23), https://openai.com/index/why-we-no-longer-evaluate-swe-bench-verified/ ; Separating signal from noise in coding evaluations (2026-07-08), https://openai.com/index/separating-signal-from-noise-coding-evaluations/ 。
[R8] Aljalbout et al., The Reality Gap in Robotics: Challenges, Solutions, and Best Practices, Annual Review of Control, Robotics, and Autonomous Systems, Vol. 9 (2026), https://doi.org/10.1146/annurev-control-031924-100130 。
[R9] Domae et al., The Embodiment Gap in Robot Foundation Models, arXiv preprint (2026), https://arxiv.org/abs/2608.18433 。預印本；可供研究框架比較，不能當作已經完成獨立重現之結論。
[R10] Wang et al., Vision-Language-Action in Robotics: A Survey of Datasets, Benchmarks, and Data Engines, arXiv preprint (2026), https://arxiv.org/abs/2604.23001 。預印本；用於辨認具身資料與基準設計上的研究問題。

與 EveMissLab 前置研究的銜接

此處的研究文件為理論來源而不是外部獨立驗證：

《非人類中心機器人架構：從人形模仿到任務拓撲具身智能》，2026-06-26。
《具身 AI 的本地算力困境與分層學習閉環》，v0.1，2026-06-30。
EML-WIIW-05，《當智能進入物理世界：具身 AI 與文明作用拓樸》，v0.1，2026-09-02。
APET-06，《具身的是什麼？從人形機器人到分散式世界身體》，v0.1，2026-09-23。
LWCT-02，《不均衡豐裕：生產力成長、必要生活域與瓶頸稀缺》，v0.1，2026-10-07。
《數位—實體智能演化解耦論：九篇系列規劃》，v0.1，2026-11-04。

附錄 A｜最小可重現評測紀錄規格

每筆原始評測資料至少應具有以下欄位，供縱向核驗與重算：

欄位	說明
`test_id`、`task_family`、`task_version`	測試識別、任務族與不可變規格版本
`domain`、`evaluation_tier`	`digital`／`physical`；`simulation`／`field`／`deployment`
`eval_time`、`model_id`、`stack_id`	測試時間、模型及架構版本
`hardware_id`、`environment_id`、`site_id`	硬體、環境與地點／模擬場景分組
`resource_budget`、`wall_time`	可用資源與實際任務時間
`human_interventions`、`intervention_seconds`	人工介入次數及耗時
`success_binary`、`partial_score`	完整成功與部分完成，定義需預先固定
`safety_violation`、`recovery_time`	安全事件與恢復耗時
`energy_cost`、`compute_cost`、`maintenance_cost`	成本分項，依任務與場景適用性記錄
`source_provenance`、`audit_status`	資料來源、原始記錄及獨立審核狀態

公開彙整表應附版本凍結、樣本納入排除規則、原始試次分布及無法取得欄位的缺失說明。若企業僅發布影片或單一排行榜，應標為「展示／次級資料」，而非偽裝為符合本協定的實測樣本。

附錄 B｜形式化範圍與原稿一致性聲明

$C_d(t)$ 、 $N_d(t;t_0)$ 、 $G_d$ 、 $\Delta_{DP}$ 是本研究提出的操作性統計構造，不是自然界已證明存在的普遍常數。
命題一的論證僅證明「推理改善不足以邏輯推出物理執行改善」，不證明某一家模型或機器人的實際進步率。
本文沒有以不同基準的原始百分比直接計算跨域差；示範數值皆為明確標註的假資料。
實驗與量產的工程狀態不得由理論文本推定；無現場資料時不聲稱已證明產業解耦。
本文件為 DPIED-01 唯一提交的 UTF-8 Markdown 原始稿；後續論文應另立新版本，不應把聊天介面的公式渲染結果當作 canonical source。

DPIED-01 完。