DPIED-08｜機器人越多，不代表物理生產力越高

量產、維護、產線瓶頸與有效工作成本的非同步轉化

More Robots Do Not Necessarily Mean Higher Physical Productivity: Manufacturing Scale, Maintenance, System Bottlenecks, and the Economics of Accepted Work

系列： 數位—實體智能演化解耦論（Digital–Physical Intelligence Evolutionary Decoupling, DPIED）
篇次： DPIED-08／09
版本： v1.0
日期： 2026-11-05
作者： Neo.K
協作整理： Aletheia／GPT-6
機構： EveMissLab／一言諾科技有限公司
文件性質： 公開理論論文／形式化經濟—工程模型／實證協定
證據狀態： THEORETICAL FRAMEWORK; CONDITIONAL PROPOSITIONS; EMPIRICAL VALIDATION REQUIRED
正式原稿： UTF-8 Markdown（唯一 canonical source；本文未聲稱已完成原創實機或工廠現場驗證）
前置： DPIED-01 至 DPIED-07；APET-06；WIIW-05；LWCT-02；《具身 AI 的本地算力困境與分層學習閉環》

摘要

人工智慧與機器人產業的成長經常以模型參數、展示影片、機器人出貨、裝機數量、訂單與產能擴張來表述。然而，實體經濟真正關心的並非單純「有多少機器人」，而是其在特定場站、特定任務、特定安全與品質要求下，究竟增加多少可交付的合格工作，並消耗多少資本、人力、能源、維修及協調資源。本篇提出設備擴張—有效生產力非充分性命題：機器人數量增加，可以與生產力增加、維持不變，甚至下降同時成立；結論取決於設備是否被啟用、是否可持續上工、是否在系統瓶頸上產生邊際貢獻，以及總成本與外部效應如何計算。

本文承接 DPIED-03 的有效自主工作量（EAW）與 DPIED-07 的長程可靠／恢復契約，進一步區分五種不同對象：已出貨設備、現場啟用設備、具合格工作能力的有效設備、任務層合格產出，以及整體流程的可歸因淨增量。本文提出有效物理工作轉化階梯（Effective Physical Work Conversion Ladder, EPWCL）與全系統邊際物理價值帳（System-Level Marginal Physical Value Ledger, SMPVL），將設備存量、實際工作、系統吞吐、品質、人工介入、停機、資本費用及風險置於同一觀測框架，但刻意不將不可比的任務強行壓成單一分數。

形式化部分包含八項具明確條件與反例的命題：設備增加不推出工作增加、產線非瓶頸擴張不提高吞吐、局部工作量不等於系統淨增量、維護共享資源可能造成擁塞、單位成本與能力可朝相反方向變化、勞動生產力與總體經濟效益不等價、租賃形式不消除全成本，以及安全／韌性／人力條件改善可以在短期產量不增加時形成正價值。本文提出八項可反駁假說、場站分階段導入的因果評估協定、最小可稽核資料契約與五組完全虛構且可重算的算例。

2026 年公開資料已顯示：工業機器人的大規模存量、人形機器人的快速出貨，以及少量具有可辨識任務量的現場部署可以同時存在。但這些來自不同統計母體與揭露層級，不能直接相加或互相推算投資報酬。本篇既不主張機器人產業沒有生產力，也不預設其商業化必然快速成熟；它提出可追問、可測量、可反駁的轉化機制，為 DPIED-09 研究數位與實體生產力何時、如何重新耦合建立經濟接口。

關鍵詞： Embodied AI；Physical Productivity；Humanoid Robot；Robot Fleet；Operational Stock；Accepted Work；System Bottleneck；Line Throughput；OEE；Total Cost of Ownership；RaaS；Maintenance Congestion；Marginal Value；AI Decoupling；Sim-to-Reality Economics

0. 研究定位：本篇問的不是「機器人有沒有用」

0.1 從能力到部署，再到經濟

DPIED-01 至 DPIED-07 已依序建立：數位與物理能力可能不同步、語義能力向物理執行的轉化損失、展示與現場證據的區分、影片到動作的因果缺口、跨時間尺度運行契約、Sim-to-Real 遷移邊界，以及長程可靠性與恢復閉環。本篇不重寫這些主題，而處理其後的一個獨立問題：即使實體機器人真的能工作，工作能力如何轉成場站及產業層面的物理生產力？

「機器人越多，不代表物理生產力越高」不是「機器人越多，物理生產力必定不會提高」；前者是否定邏輯上的充分條件，後者是不合理的普遍負面斷言。兩者不可混淆。

本文刻意容納三種結果：

設備數量及產線經濟效益同時提高，且有可核查的因果貢獻；
設備數量提高，但邊際效益因用途、可靠性或瓶頸條件而接近零；
設備數量提高，卻因整合、擁塞、停機、能源或維護負擔造成負的場站淨效果。

此外還存在第四種不可忽略的結果：短期合格產出不增加，但安全、員工負擔、韌性或可及性改善。此時不能因為產出沒有提高便宣稱部署毫無社會價值；必須另設價值帳。

0.2 不把不同類型機器人硬併成同一個樣本

工業固定式機械臂、物流 AMR、服務機器人、人形機器人及遠端操作設備，具有不同用途、統計規範、資本結構與自主性。IFR 對工業與服務機器人使用不同定義與分類法；「機器人的外形」不是其產線角色的充分資訊。[R1][R2][R4]

因此，任何總量模型都必須先指定：

統計對象：設備、機器—月、任務實例、合格商品還是完整訂單；
統計時間：訂單日期、出貨日期、安裝日期、驗收日期還是正式生產日期；
統計範圍：示範、科研、資料蒐集、商業生產、醫療或其他服務；
反事實：沒有這批設備時，同一場站採取什麼可行流程。

0.3 本篇的三個邊界

技術邊界： 本文不宣稱發明新的控制演算法，不提供可繞過機械安全機制的實作。
經驗邊界： 外部公開的產業統計與企業案例不是本文親自收集的現場微觀資料。
推論邊界： 理論上的條件命題與尚待檢驗的市場假說必須分開標示。

1. 2026 年的公開證據：多類機器人同時在成長，但證據層級不同

1.1 工業機器人已有龐大運轉存量

IFR 於 2026-09-24 發布的 World Robotics 2026 資訊指出，2025 年全球工業機器人運轉存量約 507.9 萬台，年增約 9%；當年新增安裝約 60.3 萬台，年增約 11%。精確到千台的數字見 IFR 會長同日年度報告說明 [R13]。這是成熟工業自動化長期累積的統計，而非對新一代通用 VLA 或人形自主機器人的獨立測量。[R1]

存在大量運行中的工業機器人，足以反駁「物理自動化根本沒有成熟生產力」這類過強敘述；但它也不能證明「把通用 AI 接進任意人形本體便能立即達到相同可用性」。

1.2 服務機器人商用成長與人形統計應分開閱讀

IFR 2026-09-30 報告指出，2025 年專業服務機器人年出貨接近 25 萬台，其中交通與物流用途約 117,500 台。同份資訊提到 2025 年全球售出約 7,000 台身高超過 140 公分、定位在研發與娛樂以外專業用途的全尺寸人形機器人。這些數字使用不同對象與分類口徑，不能把所有項目直接相加成一個「AI 自主工作設備總數」。[R2]

Counterpoint Research 的 2026-08-20 估算則指出：2026 年上半年全球人形機器人出貨超過 22,000 台，年增接近 300%；文娛商演與資料生產／研究用途合計仍超過 60%，智能製造、倉儲物流的比重分別約為 13% 與 5%。這說明新興人形市場的設備出貨快速增長，卻不能單靠出貨資料回答「可在正式場站長時間自主完成多少合格工作」。其統計母體與 IFR 的全尺寸商用子類也不可直接視為相同。[R3]

上述數字分別是產業協會統計與市場研究機構估算，不是本文自行逐台清點的原始數據。

1.3 反例：實際現場工作並非不存在

BMW Group 與 Figure 對 2025 年 Spartanburg 試點的正式說明指出，Figure 02 在指定板金零件處理作業中累積超過 1,250 小時運作，搬運／裝載超過 90,000 件零件，並參與超過 30,000 台 BMW X3 的生產。這些是可辨識的特定客戶、特定任務與時窗，不能被消去為「只有展示影片」，也不能被放大為「已證明全工廠因果淨增產 30,000 台車」。[R5][R6]

GXO 與 Agility 於 2026-10-26 的聯合聲明則表示，Digit 在指定 Flowery Branch 物流設施搬運超過 100,000 個料箱，且宣布於 2027 年擴及其他設施；Agility 報告的跨商業專案累計運行逾 65,000 小時，與上述單一倉庫的累計料箱數不是同一觀察分母，不能直接相除成全產業單位產率。[R7]

這些案例至少支持「部分場景存在真實部署與可量化任務成果」；但公開文件未提供完整同場站反事實成本帳、全部介入工時、產線需求限制、系統稼動與不同替代技術的同期比較。不應把資訊缺失推定為沒有價值，也不應把資訊缺失補成已證實 ROI。

1.4 經濟研究並不支持單一方向的簡單敘事

Graetz 與 Michaels（2018）研究 17 國、1993–2007 年的工業機器人採用，指出其對勞動生產力成長有正面貢獻。Acemoglu 與 Restrepo（2020）則發現美國特定地方勞動市場的機器人暴露與就業、工資受損相聯。研究對象、時間、因果識別與被解釋量不同，因此「生產力可能增加」與「部分勞工可能承受負面分配效應」並不矛盾。[R8][R9]

本文不以其中任何一篇取代具身 AI 的新時代實證；它們只提醒研究者：產量、成本、就業與福利不必同方向變化。

1.5 證據地圖

外部觀測	可支持的最小結論	不可直接支持的延伸結論
IFR 工業機器人存量及安裝	工業自動化設備已具大量部署	通用人形 VLA 可靠性同等成熟
IFR 專業服務機器人出貨	多種服務自動化用途擴張	全部都具高度自主性或相同工作產出
Counterpoint 人形出貨估算	新興人形市場成長與用途結構	全部出貨已轉成生產性值班時數
BMW／Figure 現場案例	特定零件操作已產生可核查工作量	整車產量增幅由單一人形試點造成
GXO／Agility 現場案例	特定物流場站已完成累計搬運任務	其他場站、其他物件或財務 ROI 必然相同
同儕研究	工業自動化可有生產力及分配效應	2026 通用具身模型必然沿相同曲線

2. 基本定義：從設備數量到能交付的物理工作

2.1 五個不可互換的母體

對場站 $s$ 、設備類別 $k$ 、區間 $t$ 定義：

$N^{ship}_{skt}$ ：對應供應鏈已出貨件數；未必等於本場站已到貨數。
$N^{inst}_{skt}$ ：本場站已安裝件數。
$N^{comm}_{skt}$ ：安裝後通過系統驗收、可被派工件數。
$N^{sched}_{skt}$ ：進入預定生產時段的件數。
$N^{qual}_{skt}$ ：依事前規格在該觀測窗內具有合格工作能力的件數。

這五個量並非一定可由單一固定比例換算。若設備在期間內退役、轉場、替換，則必須採事件帳本而非期末快照。供應商出貨與場站已安裝亦不一定具有一對一、同一時段的包含關係。

2.2 存量與流量方程

在明確採相同口徑、沒有重複計數的設備類別中，可用簡化恆等式：

S_{t+1}=S_t+I_t-D_t+J_t^{in}-J_t^{out}.

$S_t$ 為期初有效記錄存量； $I_t$ 為新納入存量設備， $D_t$ 為退役， $J^{in/out}$ 為場站或統計範圍轉入／轉出。這是設備盤點恆等式，不含任何生產力保證。跨國或跨產業類別切換時，還需保留重新分類調整項。

2.3 任務合格量、EAW 與流程淨產出

沿用 DPIED-03：給定預先確定的任務籃 $\mathcal T$ 、驗收規格與標準化工作當量 $b_j$ ，令 $q_j\in\{0,1\}$ 為任務是否通過驗收、 $h_j\in\{0,1\}$ 為是否需要實質人類介入。使用下列三層：

W^{acc}_{sT}=\sum_{j\in\mathcal J_{sT}} b_jq_j.

W^{IA}_{sT}=\sum_{j\in\mathcal J_{sT}} b_jq_j\,\mathbf 1(h_j=0).

EAW_{sT}=\frac{W^{IA}_{sT}}{H^{eligible}_{sT}},\qquad H^{eligible}_{sT}>0.

$W^{acc}$ 是任務層全部合格工作當量， $W^{IA}$ 是無實質即時介入的合格當量， $H^{eligible}$ 是同觀測窗事前承諾的可派工機器—時數（含派工期內故障、待修等不可用時間）。EAW 的量綱是合格當量／預定機器小時，不是 0 到 1 的泛用能力分數。不同任務無共同合法權重時，應報告工作向量而非單一標量。

然而，單台機器人完成 $W^{acc}$ 不代表流程最終新增同等 $W^{acc}$ 。同一零件可能先被機器 A 搬運，再被機器 B 裝載，最後由生產線 C 組裝；三者相加可能重複計數同一物理成果。

因此另外定義場站最終合格產出：

Q^{final}_{sT}=\sum_{o\in\mathcal O_{sT}}v_o\,\mathbf 1(\mathrm{accepted}(o)),

其中 $o$ 是唯一可追溯的最終商品／訂單／服務成果， $v_o$ 需事前按相容單位設定。此式不對跨產業異質成果作無根據加總。

若有同時間需求、品質與外部條件可比的反事實流程 $0$ ，本文關切的是：

\Delta Q^{final}_{sT}=Q^{final}_{sT}(1)-Q^{final}_{sT}(0).

$Q(1)$ 與 $Q(0)$ 是潛在結果，不能對同一場站同一時刻直接同時觀察，必須透過實驗或有前提的估計辨識。 $\Delta Q^{final}$ 不是每台設備的原始動作數。

2.4 物理生產力至少有四個維度

指標	定義／分母	可以回答	不能回答
設備平均工作率	合格任務／預定機器小時	單機操作效率	全流程增產
線體／場站吞吐率	最終合格成果／場站時間	整合流程生產量	全成本是否降低
勞動生產力	最終合格成果／勞動時數	人員時數之產出	資本及能源效率
經濟淨值／全要素分析	經風險調整之價值與完整資源投入	部署是否有淨貢獻	單一模型的純技術智力

以上並非四個可以平均的測量維度。研究若要宣稱「物理生產力提高」，必須明言使用哪一種定義。

3. 有效物理工作轉化階梯 EPWCL

3.1 從出貨到可獲得報酬的成果

本文提出以下觀測階梯，作為資料稽核的順序，而非假定各階層數量必然按固定比例衰減：

出貨／交付
  ↓ 物流、安裝、整合、驗收
可派工設備
  ↓ 班次、需求、能源、場站相容性
運轉候選時段
  ↓ 故障、安全停止、維護、模型更新
可合規執行時段
  ↓ 操作速率、工作品質、介入與重做
任務層合格工作
  ↓ 產線瓶頸、最終驗收、供需匹配與重複計數校正
場站最終合格產出之因果淨增量
  ↓ 全成本、風險、價值與替代方案
經濟／社會淨價值

這是資料契約而不是單一機率乘積。某些設備用於科研，即使沒有貨品輸出，也可產生合法研究效益；因此每一條階梯必須先固定其用途，不能把非工廠用途直接判成「無效」或「零價值」。

3.2 同質設備之示意工作能力上界

假設同質機器人在預定時數 $H$ 內，合規可用時段比例 $a$ 、合規運轉時的任務速率 $r$ 、一次通過品質率 $y$ ，且 $r$ 不包含重做的額外產出，則在沒有共享瓶頸、任務不重複計數且供應充分時，可用：

\mathbb E[W^{acc}]\approx NHary.

此式是受條件限制的容量近似：當設備可用率、工作速率與品質彼此相關，且每日任務難度不同，應改為逐設備／逐時窗積分或事件加總；若需求不充足、供應中斷、產線阻塞，便不能把它解讀為最終交付量。不可把 $N$ 增長直線外推為 $Q^{final}$ 增長。

3.3 稼動率不是「機器人的燈亮著」

既有製造業使用 Overall Equipment Effectiveness（OEE）分別計量可用率、性能與品質，可作為設備層診斷工具：[R10]

OEE=A\times P\times Y,

其中 $A$ 是在事前定義的計畫生產時間中實際可運轉的比例， $P$ 是相對於事前設定理想速率的性能比例， $Y$ 是合格數量占總處理數比例。本文不把「稼動率」「自主率」「任務成功率」三者視為同義詞。OEE 的特定定義依製造環境與系統實作而異，且設備 OEE 的改善不等於整條產線 OEE 的改善。

3.4 人類介入須作兩套帳

如 DPIED-03 與 07 所強調， $W^{acc}$ 與 $W^{IA}$ 必須並列：人工接管後仍有合格品，代表流程可能有商業價值，卻不能把這部分成果稱作「完全自主」。同時，維修、監督、清潔、補料、遠端操控與安全稽核人力需獨立列帳，不應因操作按鈕次數少而忽略持續監督成本。

對長程事件，除故障平均間隔與修復時間外，還必須報告預定班次內的總停機時數、是否越過交付期限，以及恢復後品質是否重新驗收。這些量均會進入下一節的產線模型。

4. 產線與物流網路的系統瓶頸

4.1 串聯產線：最弱容量決定可穩定輸出的上界

設完整流程須依序經過 $K$ 個工作站，每站在相同穩態時間單位的可交付容量為 $c_k\geq0$ 。若每件最終產物必須經過每站一次、無平行繞行且忽略啟動與庫存過渡，則：

Q^{flow}\leq\min_{1\leq k\leq K} c_k.

在無其他損失、供應與需求充分、上游下游可同步的理想情境中，可取等號。若某站不是最小容量，單獨提高該站容量通常不能提高該流程的穩態上界。

4.2 共享資源與協調損失

具身工作不是只包含單一機器。它還消耗：輸送帶、工作區、補料人員、充電插座、維修技師、場站網路、安規通道、品管、倉儲與物流出口等共享資源。

若新增 $n$ 台機器人提高操作站容量，但共享通道安全停機機率增加、充電等待或品管處理能力固定，整體產線能同時滿足的資源約束就可能收緊。

在具有可辨識流量守恆與容量限制的網路中，可用最大流／最小割模型研究靜態容量；實際倉儲排程還包含離散任務、時間窗、競爭占用、動態避障與隨機事件，因此靜態最小割不是對一切機器人場景的通用真實產率公式。

4.3 機器人增加也可能減少吞吐

如果新機器人必須與既有機器共享單一工作區，可能造成更頻繁的安全停機、任務排隊與路徑干涉。這不保證總吞吐下降，只表示：在存在共享容量、競爭與安全約束時，系統目標函數不必對設備數量單調遞增。若可重新配置任務且允許額外設備完全待機，則最優可行流程在理想設定中至少可以維持舊產出；但部署改變了物理場站、安全規範或固定支出時，「保持舊流程」不一定仍是同一可行選項。

4.4 系統邊際貢獻不等於動作的總量

設 $\mathcal R$ 為已部署機器人集合， $Q^{final}(\mathcal R)$ 為在相同外生條件下的最終合格交付。新增設備 $r$ 的場站邊際產出：

\Delta_r Q=Q^{final}(\mathcal R\cup\{r\})-Q^{final}(\mathcal R).

$\Delta_r Q$ 可以為正、零或負，並且可能取決於其他設備是否同時存在。若想分攤多台設備的總因果貢獻，可在符合識別前提下用聯合處置或合作博弈的分攤方法；它不是把各台報告的「搬運件數」相加。

5. 八項條件性命題與形式化論證

命題 P1｜設備存量成長不足以推出合格產出成長

陳述。 沒有對部署比例、可用率、需求、品質與流程瓶頸設下非零下界時， $N_1>N_0$ 不能推出 $Q^{final}_1>Q^{final}_0$ 。

構造證明。 令期間 0 有 $N_0=1$ 台設備，完整流程最大產率為 10 件／小時；期間 1 增加至 $N_1=2$ ，新增一台設備但不啟用，既有流程維持 10 件／小時。故 $N_1>N_0$ 且 $Q^{final}_1=Q^{final}_0$ 。如新增設備導致必須停機改造，還可能存在 $Q^{final}_1<Q^{final}_0$ 的短期情況。單一反例足以否定普遍充分性。證明限於邏輯非充分性，並未測量現實產業平均效果。

命題 P2｜非瓶頸設備擴張無法單獨提高串聯穩態吞吐上界

前提。 $K$ 段必經串聯流程，無繞行，外生需求充分；各段容量 $c_k$ ，某段 $j$ 滿足 $c_j>c_{min}$ ，且新增設備只將 $c_j$ 提高為 $c_j+\delta$ ，其他段容量不變。

陳述與證明。 因 $\min_{k}c_k$ 不隨非瓶頸段的增量改變，有：

\min(c_1,\ldots,c_j+\delta,\ldots,c_K)=\min(c_1,\ldots,c_K).

故穩態上界不變。若原來已有需求、品質、等待等其他限制，實際交付更不會因這個增量自動上升。反向情況： 當設備加入真正瓶頸段或使流程改走並聯路徑，吞吐上界可能增加；本文並不否認。

命題 P3｜任務層合格動作增加，不必然意味最終商品增加

陳述。 存在兩套流程，使新增機器人令 $W^{acc}$ 上升，而 $Q^{final}$ 不變。

證明。 假設原流程每小時裝載 100 件、最終品質檢驗只能驗收 80 件。新增搬運設備使裝載增加至 130 件，品管容量仍是 80 件、物料與市場需求不變，則任務層 $W^{acc}$ 增加 30，但最終交付仍最多 80。若搬運單位與最終品的定義不同，還可能存在額外重複計數。研究含意： 必須識別下游因果效應，不能以中間件數代表完工商品。

命題 P4｜共享維修資源可能使擴張後的等待時間非線性上升

限定模型。 假設每台設備獨立以 Poisson 率 $\lambda$ 產生需要同一位維修人員處理的工單，總到達率 $n\lambda$ ；服務時間指數分布，平均服務率 $\mu$ ；符合平穩 M/M/1 假設，且不存在優先權、班次休息或多工干預。則系統平均工單停留時間為：

W(n)=\frac{1}{\mu-n\lambda},\qquad n\lambda<\mu.

對連續擴張量取形式導數：

\frac{dW}{dn}=\frac{\lambda}{(\mu-n\lambda)^2}>0.

當負荷逼近服務容量，等待時間對擴張變得非常敏感。此為排隊論模型的條件性結果，不是每座維修站都遵循 Poisson／指數分布的實證聲明。增加維修人員、備件、預測性維護或變更排程，可使模型的服務容量條件改變。

命題 P5｜單位合格工作成本不必隨模型或設備能力單調下降

令期間全成本 $C>0$ 、合格成果 $Q>0$ ，定義 $UC=C/Q$ 。考慮系統升級後 $Q_1>Q_0$ ，若：

\frac{C_1}{C_0}>\frac{Q_1}{Q_0},

則必有：

\frac{C_1}{Q_1}>\frac{C_0}{Q_0}.

因此，即使合格工作量提高，若攤銷、能源、人力支援、維修或雲端推理成本比例上升更多，單位成本仍會惡化。這是代數上的條件命題，不表示升級通常一定更貴。當產量為零時，單位成本未定義，不得記成零成本或零風險。

命題 P6｜勞動生產力提高，不充分推出總體淨經濟價值提高

令 $P_L=Q/L$ ，其中 $L>0$ 是勞動時數。把 $L$ 降低而 $Q$ 維持不變， $P_L$ 就會增加；但若新增資本服務、維修、外包算力與風險支出的價值超過節省的人力成本，則成本差可能為負，經濟淨值可能下降。

構造證明。 基準每期 $Q=100$ 、 $L=10$ ，部署後 $Q=100$ 、 $L=5$ ，故 $P_L$ 由 10 提高至 20 件／人時。若同時間新增的全成本大於節約的 5 人時之同口徑費用，則總成本增加。因而 $P_L$ 上升與淨成本下降沒有邏輯等價關係。反過來，投入更多必要維修人力也可能提高品質、安全或抗中斷能力，不能僅因勞動生產力下降就判定全案失敗。

命題 P7｜設備購買與 RaaS 改變支付結構，不自動改變物理資源需求

假設兩種契約產生相同物理作業流程、硬體磨損、維護工時及算力需求，但分別採一次性購買與按期訂閱。將相同現金流以相同折現率與邊界轉為現值後，支付時間或所有權轉移本身不保證任何一種模式成本較低。

買斷成本可能含前期整合與資本風險，RaaS 費用可能內含保固、遠端支援與升級權利；兩者可以真實形成不同風險分擔、稅務、激勵與規模效率。命題只否認「無須買斷，所以全成本自然很低」的充分性，而不否認訂閱服務可能帶來實際效率改善。

命題 P8｜產量不變的部署仍可能有正的社會淨價值

定義在預先承認的價值維度下，社會淨價值變化：

\Delta V=\Delta V_{output}+\Delta V_{safety}+\Delta V_{resilience}+\Delta V_{access}-\Delta C_{resource}-\Delta C_{harm}.

當 $\Delta V_{output}=0$ ，但其他正向效益超過額外成本， $\Delta V>0$ 仍可能成立。此式是一個會計分解框架，不是宣稱所有風險、痛苦或人際效益都能完美貨幣化。若無可靠估值，應提供多目標 Pareto 比較，不得把未知的安全改善填入任意正數來替商業模式背書。

命題完成性表

命題	性質	成立前提	可被什麼限制
P1	反例否定充分性	出貨／產出為不同變數	不代表平均因果效果為零
P2	串聯容量恆等性	必經串聯、容量固定	並聯、重排及需求變化
P3	構造反例	中間工作與終端成果不同	若任務即最終交付，需重新定義
P4	排隊論條件結果	M/M/1 假設	多技師、排程、非 Poisson 情況
P5	代數命題	同口徑成本與成果	不回答安全及其他價值
P6	構造反例	勞動與資本支出可分	全要素估計另需價格、品質與反事實
P7	契約比較非充分性	同服務口徑及折現	不否定 RaaS 服務效率
P8	多維價值條件	價值可分與不重複計數	不保證可貨幣化或政策正當性

6. 全系統邊際物理價值帳 SMPVL

6.1 為何 DPIED-03 的全成本還需要更嚴格的經濟界線

DPIED-03 已要求同一觀測窗的設備攤銷、整合、人力、能源、維修、停機、安全與其他成本。本篇進一步要求：只比較相同服務、產出品質、風險及需求條件的方案；在無法相等時保留完整產出—成本前緣，不強行只用一個單位成本排序。

對方案 $z$ 、期間 $T$ ，定義可歸屬全成本：

C_{zT}=C^{capital}_{zT}+C^{integration}_{zT}+C^{energy}_{zT}+C^{human}_{zT}+C^{maintenance}_{zT}+C^{compute}_{zT}+C^{safety}_{zT}+C^{facility}_{zT}+C^{other}_{zT}.

項目之間不能重複：例如 RaaS 月費已包含定期維護時，須將其內含維修服務與另列額外維修區分；停機損失若已在最終產出 $Q$ 和營業利益中體現，不應再把相同收入損失加一次。

6.2 經濟資本費用與帳面折舊須分清楚

在採現值法的成本比較中，若設備期初取得成本為 $P$ 、 $L$ 年後殘值為 $S$ 、折現率 $r>0$ ，等額年度資本成本（EAC 的資本部分）可寫為：

C^{annual}_{capital}=\left(P-\frac{S}{(1+r)^L}\right)\frac{r(1+r)^L}{(1+r)^L-1}.

這是將「期初成本減去期末殘值現值」轉為等額年成本的方法。使用它時不得再把同一 $P$ 的直線折舊加一次；若融資利息已被同一折現率處理，也需避免雙重資本成本計算。會計報表與經濟現值研究可分開列出，不必假裝同一件事。

若有補貼、稅盾、保固、升級、保險、二手殘值及不可回收整合費，應列明對哪個主體形成真實資源成本與對哪個主體只是轉移支付。

6.3 同質成果時的單位成本與損益平衡

在同一任務與品質標準下，定義：

UC_z=\frac{C_z}{Q_z^{final}},\qquad Q_z^{final}>0.

若每增加一件合格成果的扣除直接變動投入後的可歸屬邊際貢獻為 $m$ ，基準 $0$ 與部署 $1$ 的期間增量價值可寫為：

\Delta \Pi=m(Q^{final}_1-Q^{final}_0)-(C^{fixed\,+\,support}_1-C^{fixed\,+\,support}_0),

這裡 $m$ 必須與成本帳相容：若已把全部變動原料與能源計入 $C$ ，就應改用完整收入差而不是再次以扣除變動成本後的 $m$ 計價。兩種方法只能擇一，不能混用。

當 $\Delta Q^{final}>0$ 且增量固定／支援成本 $\Delta C>0$ 時，損益平衡單位貢獻門檻為：

m^*=\frac{\Delta C}{\Delta Q^{final}}.

若 $\Delta Q=0$ ，便不能宣稱存在有限的「每新增件」損益平衡價格；應另評估節省的人工、品質損失、風險及彈性等價值。

6.4 使用對照方案，而非只與沒有設備的世界比較

具身 AI 的技術評估應至少包含下列候選基線中的一個或多個：原有人力流程、固定式自動化、輸送帶、AMR、遠端操控、混合人機流程，以及已投入使用的專用機器人。具體選擇依任務、可行性、安規及成本而定。若人形機器人在既有工廠並不是最低成本方案，這不否定其跨場景潛力；若傳統自動化已極度成熟，也不代表人形平台在其他環境沒有價值。

6.5 價值帳與受益者不能混同

下列四個觀察者的利益可能不同：

設備製造商： 出貨、毛利、保固風險、服務收入及學習資料價值；
場站使用者： 合格產出、工時、作業安全、維護需求、彈性及總成本；
勞工： 工作安全、工作品質、收入、轉職及技能變化；
社會： 供給能力、污染、能源、公共風險、分配及必要服務可及性。

把其中一個主體的收入增長直接當作其他主體的淨價值，是層級錯置。本文並不假定所有價值都能以單一市場價格衡量；未能貨幣化的項目應以可審核的實物指標與不確定區間並列。

7. 長程可靠性、維護物流與量產的二階約束

7.1 機器人的真正供給不是硬體供給，而是可維持的服務能力

假設製造商每月能完成 $M$ 台設備、安裝團隊每月最多可完成 $I$ 台場站驗收、維修服務系統的可持續新增支持容量為 $U$ 台當量／月。若新增設備必須同時滿足這三個資源限制，穩態有效新增部署速率不能超過最小可行值：

R^{deploy}\leq\min(M,I,U).

式中 $U$ 的計算需明確定義維護工單負荷、備件與地理服務時效；不能把它當成理論上固定的「每月能維修幾台」。若已有庫存或外包服務，短期流量可暫時超過此示意最小值；本式只用來識別在共同必需、無庫存緩衝的穩態條件下的容量限制。

7.2 產品學習曲線與運維服務曲線未必同步

量產常可改善硬體製造良率與採購成本，但維修網、備件倉、故障診斷、現場整合、軟體更新、遠端支援與人員培訓也需要擴張。若出貨增長率遠高於可服務工程師、備件、配套流程與自動化診斷的增長率，等待、停機或成本可能上升。

因此，論證「下一代機器人更便宜」時，不能只比較 BOM 或出廠售價，還應評估相同合格工作的生命周期投入。單位製造成本下降與單位最終合格工作成本下降，存在不同的分母。

7.3 回饋學習不一定立即降低運維成本

真實部署資料可以改進模型、診斷與設計，但資料記錄、標註、算力訓練、模型回滾、驗證及合規升級都需要成本。當更強模型要求更高能源或計算硬體，甚至需要改造場站網路時，局部能力提升可能伴隨更高部署成本。

這既不是反對模型升級，也不是宣稱訓練成本永遠居高不下，而是要求研究者測量每一次模型更新能減少多少可交付工作成本及現場風險。

7.4 管理者可能理性地選擇「少裝幾台」

若共享瓶頸固定，新增設備的邊際合格產出趨近零；若每台設備仍有非零資本與維護成本，成本最小化的管理者可能選擇較少設備，甚至只用一台可靠的專用機械臂。這並不等於技術沒有進步，而是在既定需求與場站條件下，最佳設備數量是一個內生決策結果。

7.5 非經濟效益不是任意宣稱的免責理由

有些部署目的可能是降低危險工作暴露、改善殘障可及性、增加夜間韌性、解除人力短缺或維持偏遠地區服務。這些目標可以合法且重要，但需要事前指定測量方法與權重，並接受不符合預期的結果。若安全事故因新增設備反而增加，或因監督負擔轉移而傷害勞工，不能只以「未來學習資料價值」概括抵銷。

8. 八項可反駁假說：不能把系列名稱當成結論

所有假說均需在事前固定任務類型、時窗、觀測單位、主要結果、異質性與停止規則。若觀測不到相關資料，應承認不可辨識而非推斷成功或失敗。

H1｜出貨—啟用轉化延遲

假說： 在部分新興通用具身產品類別中，出貨增長先於合格生產值班時數增長，且存在可觀察的時間延遲。
零假說／反駁： 對代表性出貨隊列追蹤後，啟用及合格值班比例保持穩定且延遲不增，出貨與工作量並無系統性脫鉤。
識別： 以設備交付日期起算，追蹤 30、90、180 天等相同年齡隊列，對科研／表演用途另列，不把它們算作製造失敗。

H2｜非瓶頸部署的邊際產出低於瓶頸部署

假說： 在可辨識的串聯流程，增裝真正瓶頸工位相較非瓶頸工位，帶來較高的最終合格交付增量。
零假說／反駁： 控制任務與共享資源後，兩者對最終交付的效益差異不大或反向。
識別： 先獨立記錄瓶頸，不允許事後以觀察成果重新定義「瓶頸」，並查核是否發生流程重排。

H3｜維修服務能力調節量產效益

假說： 在維修工單負荷接近服務容量的場站，設備增加對長程合格工作量的邊際貢獻下降。
零假說／反駁： 維修負荷即使提高，可靠性、預防性保養與備件設計使工作量不受影響。
識別： 記錄工單抵達、備件等待、修復與復驗時間，避免只記錄「成功修復」案例。

H4｜AI 能力提升的生產力效應受整合程度調節

假說： 相同模型改善，在高品質介面、資料契約與現場協調條件下，較可能轉化為最終合格工作增量。
零假說／反駁： 模型與架構交互作用趨近零，或更新在高度整合場站反而造成更多版本管理問題。
識別： 模型版本 × 整合程度的交叉對照，安全保護不進行關閉實驗。

H5｜人形平台與專用機器人的相對優勢具有任務依賴性

假說： 高度標準化作業中成熟專用機械裝置可能具有更低單位成本；高頻改線、多形態共享場地中通用平台的轉場價值可能更高。
零假說／反駁： 任務切換與場站適配差異不解釋效益，單一平台在比較組均占優。
識別： 按任務複雜度、轉場次數、工位密度、空間限制及使用期分層；不把機器外形當成能力類別。

H6｜模型／硬體更新可提高產量而提高單位成本

假說： 某些升級在提高合格產率同時，因資本與服務支出上升更多而使單位成本惡化。
零假說／反駁： 在配對場站、相同會計邊界下，升級後單位成本持續下降。
識別： 以相同貨幣、折現口徑及品質標準比較；特別防止一次性研發費攤派方式扭曲結論。

H7｜跨場站複製能力決定商業擴張速度

假說： 降低部署校準時間、重複使用整合契約及標準化服務流程，對擴張後的合格工作量影響不低於單次模型測試分數改善。
零假說／反駁： 當模型本身足夠通用時，場站整合已不再構成實質瓶頸。
識別： 不同新場站與相同模型版本的導入天數、驗收失敗、正常運轉率及成本。

H8｜短期經濟收益與社會收益可能方向不一致

假說： 部分場景會出現資本投資者回收延遲但職安收益為正，或成本收益為正而部分勞工承擔過渡損失。
零假說／反駁： 在可測項目中，各利益主體在相同觀測窗均呈相同方向變化。
識別： 分別計量事故暴露、工作負荷、收入轉移與企業利潤；不得以個別極端案例代表整個產業。

8.1 競爭解釋

若觀察到機器人出貨增加但場站產出停滯，可能是需求下降、原料缺貨、能源限制、季節性、改造停機、統計類別移轉、投資週期時間差或產品品質標準提高所致。研究不能直接把所有落差歸罪於具身 AI 模型架構；相反地，若觀察到產出提高，也須排除需求復甦、其他設備投資、流程優化與人力技能提升等共同因素。

9. 實證設計：如何辨識機器人對整個場站的淨貢獻

9.1 研究單位與估計目標

建議以場站—週為主要因果觀測單位，以設備—班次為機理分析單位。令 $Z_{st}$ 為場站在週 $t$ 是否導入經驗收機器人流程； $Y_{st}$ 可以是最終合格出貨量、完整單位成本或安全指標之一，但每次研究須指定單一主要結果並保留其他次要結果。

主要估計目標：

\tau=\mathbb E[Y_{st}(1)-Y_{st}(0)\mid s\in\mathcal S_{eligible}].

這是指定場站母體中的平均處置效果，並非單個機器人的「本體能力」。若存在場站間共用倉庫、設備借用、供應鏈互相搶料或受訓模型跨站更新，需明確處理干擾與溢出。

9.2 優先方案：隨機分階段部署

當法規、安全及營運允許，將同類場站按既定任務與產能分層，隨機化導入批次；所有場站先保留基準流程，不以削弱安全控制作處置。採意向導入分析（intention-to-treat）作為主要結果：即使部分場站延遲安裝、驗收不合格或沒有上線，也應依預先規定的分配保留在主分析中，並另行報告實際上線效果。

這是重要防線。若把「部署失敗」的站點排除，只分析已成功上線的場站，會系統性高估擴張能力。

9.3 無法隨機化時的次佳方案

可利用配對比較或差異中的差異（DiD）來估計同類場站的相對變化，但必須檢查導入前趨勢、需求變動、產能擴充、資本投資、員工組成及供應中斷。若同時推行新的 MES、AMR 或產線排程方案，不能把全部收益無條件歸於人形機器人或 AI 模型。

推薦同時報告事件研究式的導入動態，因為首月整合成本與第六個月的穩定運作收益可能不同。不能用最後一週理想工作表現直接代表整個部署週期的 ROI。

9.4 資料必須採全班次、全事件的帳本

每個設備及場站至少記錄：

出貨／到貨／驗收／上線／停用／退役時間與原因；
設備、模型、技能、控制器、場站配置與安全策略版本；
全部預定班次、需求到達、接受與拒絕的任務；
每次合格驗收、重做、報廢、返工與延遲；
各類人工監督、遠端操控、現場救援、維修與補料工時；
故障、近失、事故、安全停止與恢復驗證；
電力、充電、運算服務、備件、保險、設備與整合成本；
上游供應、下游品管、出口物流、需求及價格條件；
其他同時發生的流程／人力／設備調整；
遺漏事件、右設限、觀測失敗及資料權限變更。

9.5 不可隨意縮減分母

不要只報高峰作業時段；不得把停機、調機、充電、等待、缺料及需要人類接手的班次默默自結果分母刪除。對本來不預定執行的合法休息、封閉期則應另列，而非把所有時鐘時間都當成承諾的工作時間。每一種分母都必須有明確、可審計定義。

9.6 缺失資料與區間辨識

若原先預定觀測 $n$ 個等權任務實例，已觀測其中 $n-m$ 個，合格件數為 $g$ ，且其餘 $m$ 個完全缺失，僅依二元驗收可得：

\frac{g}{n}\leq p_{accept}\leq\frac{g+m}{n}.

此界只是在「缺失任務全部失敗」與「全部成功」之間的保守敏感度區間，不是統計信賴區間。若缺失事件與故障相關，任意刪除會產生偏誤；應預先設置原始日誌留存與獨立對帳機制。任務權重不同時，必須以可能的最大／最小權重重新導出界限。

9.7 預註冊成功門檻

研究開展前應由需求方與安全責任方確認：

在匹配需求與品質條件下，新增最終合格產出是否有實質最小效果；
全成本／單位合格產出是否達到可接受區間；
安全事件、員工負擔及停工風險是否在允許範圍；
觀測時間是否覆蓋日常維護、版本更新與至少一輪非理想班次；
多場站複製時有無顯著的導入成本變化。

安全標準遵循必須由具資格工程與安全責任主體處理。ISO 10218-1:2025 的公開說明主要涵蓋工業機器人本體安全；完整應用與機器人工作站整合另涉及 ISO 10218-2 等要求，不能以本文的經濟模型代替安全驗證。[R11]

10. 五組完全虛構的算例：不能當作任何廠商實績

以下所有數字均為為驗算而設定的虛構條件。未取自 Tesla、宇樹、Figure、Agility、BMW、GXO 或任何未公開企業帳本；其中「成本單位」不是美元或新台幣，也不是市場報價。

10.1 算例 A：設備數量增加 50%，最終產出只增加約 4.17%

假設基準 $N_0=10$ 台，每台每期預定 $H=160$ 小時、合規可用率 $a_0=0.75$ 、運行時速率 $r=8$ 件／小時、合格率 $y=0.95$ ，且同質任務當量為一件：

W^{acc}_0=10\times160\times0.75\times8\times0.95=9120.

升級後有 $N_1=15$ 台，但共享維修、充電與場地擁塞使可用率降為 $a_1=0.60$ ：

W^{acc}_1=15\times160\times0.60\times8\times0.95=10944.

機器人任務層的合格工作量增加 $20\%$ ，但下游最終品管／出貨瓶頸每期最多能接受 $9500$ 件。若基準流程的最終產出是 $9120$ ，導入後最多交付 $9500$ ：

\frac{9500-9120}{9120}\approx0.0416667.

即設備數量增加 $50\%$ ，任務工作量增加 $20\%$ ，最終交付僅增加約 4.17%。此例尚未計入可能增加的資本與維修成本。若後續再解開下游瓶頸，則新增機器人既有容量可能開始實現為正的交付增量；因此不得把觀察窗的低效益理解成設備永遠無價值。

10.2 算例 B：錯裝非瓶頸與正確解瓶頸

假設三站必經工序，穩態容量依序為 $90,70,80$ 件／小時，且需求充分、無品質損失：

Q_0=\min(90,70,80)=70.

若增加機器人使第一站由 90 提高到 120，其他兩站不變，則：

Q_1=\min(120,70,80)=70.

若改為擴充真正瓶頸第二站至 95，而第三站仍為 80，則：

Q_2=\min(90,95,80)=80.

第二種新增方案才使穩態上界增加 10 件／小時，並且新瓶頸轉移到第三站。當第三站再擴充時，第一站的餘裕才可能再次產生價值。這是資源配置及瓶頸轉移問題，不是「哪一台機器的動作最漂亮」的問題。

10.3 算例 C：產量增加仍可能降低經濟價值

先設兩案每期具相同品規與顧客需求；金額為虛構成本單位。方案 0 最終合格交付 $Q_0=1000$ 件，期間可比較成本 $C_0=8000$ 。機器人方案 1 完成 $Q_1=1200$ 件、 $C_1=8400$ 。若新增最終合格品每件可帶來 5 個成本單位的邊際貢獻，且 $C_0,C_1$ 在此算例特別定義為不含該邊際貢獻已扣除之變動成本的固定＋支援費用，則：

\Delta \Pi_1=5(1200-1000)-(8400-8000)=600.

相反地，方案 2 雖然也增加合格品至 $Q_2=1100$ 件，但支援與固定成本升至 $C_2=9500$ ：

\Delta \Pi_2=5(1100-1000)-(9500-8000)=-1000.

兩個方案都比基準多生產合格品，但一個增量經濟價值為正，另一個為負。若額外成果沒有需求、必須降價或品質不同，還需要替換上述邊際貢獻假設；若成本已包含被扣除的可變成本，則不能照抄本式避免重複計價。

10.4 算例 D：維修擁塞的非線性轉化

假設單一維修人員可按平均率 $\mu=8$ 工單／工作日完成服務，每台機器人產生 $\lambda=0.4$ 工單／工作日，且嚴格滿足 M/M/1 假設。當 $n=10$ 台時：

W(10)=\frac{1}{8-10(0.4)}=0.25\ \mathrm{工作日}.

當 $n=18$ 台時：

W(18)=\frac{1}{8-18(0.4)}=1.25\ \mathrm{工作日}.

只增加 8 台設備，模型中的平均維修工單停留時間就從 0.25 工作日升到 1.25 工作日；當 $n=20$ ，總到達率等於服務率，已不滿足有限穩態平均等待的條件。這不是機器人的實際維修率數據，也不能代替現場維護工程測試。 此例只說明：在共同維修服務能力固定且負載接近飽和時，增加本體數量可能放大停機時間。

10.5 算例 E：資本的經濟年成本不是購買價除以年數

假設某虛構設備期初購買與必要初始配置合計 $P=50{,}000$ 成本單位，五年後預期殘值 $S=5{,}000$ ，年折現率 $r=0.08$ ，使用前述年金式等額資本成本：

C^{annual}_{capital}=\left(50000-\frac{5000}{1.08^5}\right)\frac{0.08(1.08)^5}{(1.08)^5-1}.

計算得每年約 11,670.54 成本單位。此值須由驗算程式按原式重算，不可再把同一成本的直線折舊與借款利息任意加上去。若設備壽命、殘值與折現率改變，結果也會改變。本文並未以此算例表示真實人形機器人的市價或折舊年限。

11. 產業政策：不要將設備採購量當成公共政策成果

11.1 技術採用率與社會生產力之間仍有配置問題

一座城市、一個國家或一項補助計畫，即使購買了很多機器人，也不代表住宅興建、照護、基礎設施維護及生活必要服務都同步增加。這直接承接 LWCT-02 的「必要生活域瓶頸」與 WIIW-05 的「理解世界不等於有能力改變世界」。

例如，若照護機器人主要能執行搬運或簡單物件操作，但照護流程的瓶頸是具有責任資格的醫療評估、持續陪伴及複雜倫理判斷，設備採購量並不足以等價轉換成完整照護供給。它可以降低部分負荷，但必須據實測量。

11.2 應優先稽核的公共指標

在經明確定義的必要服務域中，新增多少品質合格且實際交付的工作；
每單位新增合格服務的全公共／私人資源成本；
實際減少多少高危工作暴露與事故；
新增的監督、維修、訓練及責任制度成本；
對既有工作者的職務轉移、待遇與重新訓練影響；
是否形成對外部雲端、單一廠商備件或專屬控制系統的脆弱依賴；
當供應中斷時，關鍵公共服務能否維持最低水準。

11.3 不能把所有機器人都視為「通用具身 AI」的替代實驗

既有自動化領域的成功與失敗提供了生產管理知識，但不能機械地移植通用機器人的學習曲線。另一方面，也不應因為人形模型受到矚目而忽視傳統工業機器人、物流移動機器、輔助設備與混合自動化的有效產出。真正的社會目標是提升合格物理服務，而不是最大化某種受歡迎的機器外形。

11.4 泡沫與進步可以共存

產業融資或估值下修，可能與工程效率改善同時發生；廠商獲利不足也可能與社會獲得技術外溢同時發生；某些專用機器人迅速量產又可能與通用具身 AI 長期受限同時發生。因此 DPIED 的「演化解耦」不應被寫成全產業崩潰預測，而是對不同能力、不同價值通道及不同時間尺度的條件判斷。

12. 與 DPIED-01～07 的嚴格銜接

前置研究	本篇接入的量	本篇新增的限制
DPIED-01 能力曲線分岔	數位／物理進步速率不同步	需再區分設備存量與場站產出
DPIED-02 智能轉化損失	模型能力到動作效能	動作效能仍不等於流程邊際貢獻
DPIED-03 展示與工作差異	EAW、完整試次、人工介入	完整任務量仍可能被下游瓶頸吸收
DPIED-04 影片到動作缺口	可學習操作的條件	學習資料成本及泛化效益需入價值帳
DPIED-05 跨時序系統契約	延遲、版本、狀態記憶	現場整合、共享服務與配套資本入帳
DPIED-06 虛實遷移邊界	場站／本體遷移證據	每次新場站校準與安全驗收的成本入帳
DPIED-07 長程可靠修復	班次、恢復、故障、品質	維修擁塞、供應鏈、生命週期成本及淨產出

本篇新增的不可取代問題，是從「AI 能否在現場持續做事」轉換到「增加 AI 機器人後，場站及社會究竟多得到什麼」。下一篇 DPIED-09 的文明層模型，不能直接由出貨曲線外推出物理豐裕曲線；必須經過這個經濟與系統邊界。

13. 反例、競爭解釋與適用邊界

13.1 在成熟工廠中，機器人數量增加確實可能帶來高生產力

若原瓶頸就是可被機器人解除的工作站，且新增設備後需求、材料、品質、能源、維修與下游配套都充分，產出與成本改善完全可能非常顯著。過去的工業自動化經驗也指出機器人採用可以支持生產力改善。[R8] 本篇從未否定此方向。

13.2 新設備可能主要用來提高韌性，而非平時產量

兩台機器可以輪替維護，在正常需求下與一台機器交付相同數量，但在突發故障時保有較高服務可用性。若只看日常平均產量，會低估備援價值。此時應另計需求高峰與故障情境的交付分布，而不是只比較平日平均值。

13.3 研發用途的機器人可能有長期資訊價值

科研／資料採集設備即使沒有即時商品產出，也可能為未來訓練、跨本體表示或機械設計提供資料。因此它們不應在「科技研發投資回報」問題中被一律算成無用；然而其價值仍需透過可追溯的資料品質、模型增益及後續成果加以研究，不能把所有影片採集量預先折算成保證的未來生產力。

13.4 新工廠與舊工廠之間不可直接比較

在以機器人為核心重新設計的原生自動化工廠，整體流程瓶頸與舊設備改造工廠不同。人形機器人的「能適應人類既有空間」可能減少改造費，也可能因人體外形在特定單工序不夠有效率而增加成本；效果需依場景測試。

13.5 安全事故與近失事件稀少時，無法由零次事件推論零風險

有限觀察時段內沒有事故，可能是任務風險很低，也可能只是樣本不足、保護措施有效或事故未被記錄。應依曝險時數、事故嚴重度、信賴區間及近失事件稽核報告安全，而不是宣稱零事件即絕對安全。

13.6 物理生產力與社會福利並不是完全相同的量

經濟增產可能伴隨分配不均、能源使用擴張或工作負擔轉移；相反地，較慢但更安全的生產流程可能在福利上優於短期吞吐較高的方案。本文的主要因果估計聚焦物理產出與全成本，不以它們替代完整倫理、法律及福利判準。

13.7 「高度解耦」是一種可能性，不是單調預言

若具身 AI 的工程架構、維修、自動恢復、製造工藝與制度配套同時進步，數位 AI 與物理生產力的差距可能快速縮小，甚至在特定生活域出現物理側的追趕。若單靠模型參數增長卻忽略系統配套，差距則可能延續。兩個方向都應允許被資料支持。

14. 命題—證據—完成狀態矩陣

對象	本篇完成狀態	尚不可宣稱
設備成長與產出非充分性	構造反例完成	全市場平均因果效應為零
串聯瓶頸限制	有條件的容量結果完成	適用所有動態隨機網路
任務工作與最終產出差異	概念區分與反例完成	特定公司數據已完成因果分解
維修擁塞	M/M/1 條件模型完成	所有工廠維修服從同一分布
單位成本非單調性	代數命題完成	實際新機器人普遍不划算
勞動生產力與全成本	反例完成	任意就業或工資影響已被測得
購買與 RaaS 成本比較	會計邊界與非充分性完成	某一契約模式普遍占優
多維社會價值	理論帳本完成	所有價值均能精確貨幣化
2026 產業證據	已核對公開來源並標明層級	擁有機密原始部署日誌
H1～H8	可反駁假說與辨識協定完成	已完成原創跨場站現場實驗

15. 結論：設備可以複製，物理生產力仍須經過世界

機器人的製造能力、出貨量、雲端模型、硬體參數和舞台展示都可以快速成長。但它們不會自動消除工廠、倉庫、醫療、照護與基礎設施的物理條件。從「一台會做事的機器」到「一個真正增加合格交付的系統」，中間仍需經過安裝驗收、任務合適性、可靠性、共享資源、產線瓶頸、維護能力、能源、資本及社會制度。

本篇的核心不是否定機器人；相反地，它提供了更嚴格的方式來辨識機器人何時真正成功。對一個已被驗證能長期上工的機器人，下一個問題必然是：它改善的是哪一種工作、哪一個流程、哪一個人的條件，以及哪一個整體系統的淨產出？

因此，對實體智能發展速度的研究，應將下式視為有待因果識別的鏈條，而不是天然成立的等號：

\mathrm{Robots\ Shipped}\ \longrightarrow\ \mathrm{Robots\ Commissioned}\ \longrightarrow\ \mathrm{Accepted\ Work}\ \longrightarrow\ \mathrm{Net\ Final\ Output}\ \longrightarrow\ \mathrm{Social\ Value}.

每一個箭頭都可能具有損失、延遲、瓶頸、正向外部效益與反例。只有把箭頭逐一變成可測量、可追溯、可比較的關係，才能回答數位智能和物理智能究竟是在同步演化，還是在兩個不同的時鐘上運行。

當機器人的數量可以被快速增加，真正稀缺的可能不是機器，而是能讓這些機器有效改變世界的整體物理秩序。

參考資料：公開可核對來源（截至 2026-11-05）

以下按證據種類標示。所有數值以來源報導的時間、對象與單位為準；不同類別、統計母體、國別與年份不得任意合併。此清單僅支持本文引用的部分敘述，不構成原創實驗結果。

[R1] International Federation of Robotics (IFR). (2026-09-24). Five Million Robots now Operate in Factories Globally / World Robotics 2026. https://ifr.org/ifr-press-releases/news/five-million-robots-now-operate-in-factories-globally 。來源層級： 產業協會統計／工業機器人存量及新增安裝；非通用具身 AI 能力測試。
[R2] IFR. (2026-09-30). Global Sales of Professional Service Robots Surge 24%. https://ifr.org/news/global-sales-of-professional-service-robots-surge-24-percent/1 。來源層級： 產業協會統計／專業服務機器人及全尺寸人形子類；不同類別口徑不可直接相加。
[R3] Counterpoint Research. (2026-08-20). Global Humanoid Robot Shipments Soar Nearly 300% YoY in H1 2026, Driven by Commercial Deployments. https://counterpointresearch.com/cn/insights/global-humanoid-robot-shipments-soar-nearly-300-percent-yoy-in-h1-2026 。來源層級： 市場研究估計／2026 H1 人形出貨及用途；不是現場生產力微觀資料。
[R4] IFR. Industrial Robots—Definition (citing ISO 8373:2021), https://ifr.org/industrial-robots ; Service Robots—Definition, https://ifr.org/service-robots 。來源層級： 官方類別及術語；不構成一切機器人具相同自主性的主張。
[R5] BMW Group. (2026). First humanoid robot introduced in Plant Leipzig（並回顧 Spartanburg 的 Figure 02 試點）. https://www.bmwgroup.com/en/news/general/2026/humanoid-robot-in-leipzig.html 。來源層級： 可辨識客戶正式案例；記載特定作業成果，未提供完整反事實 ROI。
[R6] Figure AI. (2025-11-19). F.02 Contributed to the Production of 30,000 Cars at BMW. https://www.figure.ai/news/production-at-bmw 。來源層級： 供應商公開案例與運作 KPI；與 [R5] 部分相互印證，不等於獨立財務審計。
[R7] GXO Logistics and Agility Robotics. (2026-10-26). GXO and Agility Robotics Expand Partnership to Accelerate Deployment of Humanoids in U.S. Operations. https://gxologistics.gcs-web.com/news-releases/news-release-details/gxo-and-agility-robotics-expand-partnership-accelerate 。來源層級： 客戶／供應商聯合聲明；區分單一場站料箱數與跨計畫工時。
[R8] Graetz, G. & Michaels, G. (2018). Robots at Work. The Review of Economics and Statistics, 100(5), 753–768. https://doi.org/10.1162/REST_A_00754 。來源層級： 同儕審查的歷史工業機器人經濟研究；非 2026 通用機器人效能試驗。
[R9] Acemoglu, D. & Restrepo, P. (2020). Robots and Jobs: Evidence from US Labor Markets. Journal of Political Economy, 128(6), 2188–2244. https://doi.org/10.1086/705716 。來源層級： 同儕審查的歷史地方勞動市場研究；就業分配不等於場站產量。
[R10] SAP Help Portal. OEE Calculations: Availability, Performance, Quality. https://help.sap.com/docs/sap-digital-manufacturing/insights/oee-calculations 。來源層級： 製造管理技術文件；定義 OEE 指標，非本文原創實證。
[R11] International Organization for Standardization. ISO 10218-1:2025—Robotics—Safety Requirements—Part 1: Industrial Robots. https://committee.iso.org/standard/73933.html 。來源層級： 標準機構官方公開介紹；未聲稱已取得付費標準全文或完成認證。
[R12] Acemoglu, D. & Restrepo, P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 33(2), 3–30. https://doi.org/10.1257/jep.33.2.3 。來源層級： 同儕審查經濟框架；關於自動化替代與新任務形成的理論。
[R13] IFR, Jane Heffner. (2026-09-24). President’s Report by Jane Heffner. https://ifr.org/ifr-press-releases/news/presidents-report-by-jane-heffner-3-2026 。來源層級： IFR 官方會長年度報告；提供 2025 年 603,000 台新增安裝、5.079 百萬台工業機器人運轉存量之較精確值。

EveMissLab 系列內部前置來源（非第三方外部證據）

[E1] Neo.K（2026-06-30），《具身 AI 的本地算力困境與分層學習閉環》，v0.1。
[E2] Neo.K（2026-09-02），WIIW-05《當智能進入物理世界：具身 AI 與文明作用拓樸》，v0.1。
[E3] Neo.K（2026-09-23），APET-06《具身的是什麼？從人形機器人到分散式世界身體》，v0.1。
[E4] Neo.K（2026-10-07），LWCT-02《不均衡豐裕》，v0.1。
[E5] Neo.K（2026-11-04），DPIED-01 至 DPIED-03，各 v1.0。
[E6] Neo.K（2026-11-05），DPIED-04 至 DPIED-07，各 v1.0。

附錄 A｜最小產業部署資料契約（僅為虛構範本）

以下為研究資料格式示意，沒有任何真實工廠、自然人、機器人或私有公司資料。任何空值均不得在分析時偷偷轉成零。

study_id: "DPIED08_SYNTHETIC_TEMPLATE"
site_id: "fictional-site-A"
observation_period: "hypothetical-four-week-window"
intervention_assignment: "staggered-rollout-group-1"
robot_class: "mobile-manipulator"
robot_hardware_revision: "fictional-rev-H1"
model_revision: "fictional-model-M1"
controller_revision: "fictional-control-C1"
safety_contract_revision: "fictional-safety-S1"
robot_ordered_units: 12
robot_shipped_units: 12
robot_installed_units: 11
robot_commissioned_units: 9
eligible_robot_hours: 1440
qualified_robot_operation_hours: 900
accepted_task_units: 6500
intervention_free_accepted_task_units: 4700
final_accepted_units: 4000
baseline_final_accepted_units: null
staff_supervision_hours: 75
teleoperation_hours: 14
maintenance_hours: 31
energy_kwh_metered: 920
capital_equivalent_cost_units: null
integration_cost_units: null
service_subscription_cost_units: null
incremental_support_cost_units: null
currency: "fictional-cost-unit"
missing_task_events: 0
near_miss_events: null
accident_events: null
site_process_revision: "fictional-layout-B2"
demand_matching_status: "unknown"
quality_specification_version: "fictional-QA-1"
audit_status: "NOT_A_REAL_AUDIT"

真實研究須另設事件主鍵、班次及時間戳、工單號、唯一商品／訂單 ID、來源追溯雜湊、欄位單位、同意及權限、事故及人員匿名化策略。特別是 final_accepted_units 必須能與 ERP／WMS／MES 或相應業務帳核對，避免把中間工作循環重新加總為新商品。

附錄 B｜預註冊及避免結論失真的十二項檢查

機器人類別與統計口徑明確，沒有把 IFR 與市場估計直接合併。
出貨、安裝、驗收、正式上線及退役日期可追溯。
合格工作量、無人工介入工作量、最終交付量彼此分開。
標準工作當量與品質驗收在分析前確定。
場站需求、物料、班次、價格及季節性被記錄。
產線瓶頸於處置前辨識，沒有以結果倒推。
全部故障、維修等待、充電、人工接管、停機被保留。
安全停機不被記成完成商品，事故缺失不被視為零事故。
所有 RaaS、買斷、折舊、殘值、能源及雲端費用避免雙重計入。
估計結果使用可比的反事實與足夠的觀測窗口。
已區分供應商、使用者、勞工與社會的收益及成本。
如果資料不支持「解耦」，允許接受同步成長或物理側追趕的結果。

附錄 C｜形式模型的邊界與論文完成性聲明

本篇的全部命題 P1～P8 是條件性論證、構造反例或會計恆等，不代表世界的自然定律或經驗普遍規律。
H1～H8 是可反駁的研究假說，不是本文已完成的現場測量結果；任何「顯著」或「有效」字眼皆須附實際樣本與統計檢驗。
所有算例皆為虛構，不能用作任何企業的市占率、售價、機器人性能、事故率、效率或投資報酬證據。
工業設備、專業服務機器人與人形機器人統計母體不同；本文尊重每一來源自己的定義，不做未授權跨類別總和。
$Q^{final}$ 、 $W^{acc}$ 與 EAW 的分母和量綱均有不同；不同任務無合法權重時，必須保留結果向量而非虛構單一總分。
將現場產量歸因於機器人需要因果辨識。客戶與供應商公開聲明有資訊價值，但不等於獨立財務與安全審計。
本篇安全相關段落僅涉及經濟研究與評估邊界，不取代安全認證、現場風險評估及合格專業人員的決策。
若成本資料缺失、觀測窗過短、需求不匹配或存在未處理的干擾，應報告「無法得出淨效益結論」，而非擅自判為正或負。
在本篇「完成」狀態下，正式研究成果以本 UTF-8 Markdown 原始檔為 canonical source，聊天 UI、匯出的 HTML、PDF 或其他渲染只作閱讀用途。
原稿的數學分隔符僅使用 $...$ 與 $$...$$；不得對原始檔執行 Unicode escape round-trip 或自動替換公式內容。

DPIED-08 完。