DPIED-09｜數位豐裕先行，物理生產力何時追上？

AI 文明的非同步轉化、瓶頸遷移、再耦合條件與反事實演化

Digital Abundance First, When Does Physical Productivity Catch Up? Asynchronous Transformation, Moving Bottlenecks, Recoupling Conditions, and Counterfactual AI Civilizations

系列： 數位—實體智能演化解耦論（Digital–Physical Intelligence Evolutionary Decoupling, DPIED）
篇次： DPIED-09／09（系列終篇）
版本： v1.0
日期： 2026-11-05
作者： Neo.K
AI 協作整理： GPT-6
機構： EveMissLab／一言諾科技有限公司（EveMiss Technology Co., Ltd.）
文件性質： 公開理論論文／跨領域形式化整合／反事實模型／可反駁實證協定
證據狀態： THEORETICAL SYNTHESIS; CONDITIONAL PROPOSITIONS; HYPOTHESES NOT EMPIRICALLY VERIFIED
Canonical source： 本 UTF-8 Markdown 原稿；數學僅使用 $...$ 與 $$...$$；聊天畫面與其他渲染版本不是正式原稿
前置主線： DPIED-01 至 DPIED-08
相關研究： APET-06、WIIW-05、LWCT-02、《具身 AI 的本地算力困境與分層學習閉環》
研究範圍： 技術能力、部署、物理產能、經濟淨效益、生活世界能力及不同層次的時間差；不主張特定年份必然完成通用人形機器人普及

摘要

在人工智慧快速進步的年代，數位任務可能較早取得高品質、低邊際成本、可大規模複製的成果，物理世界中的操作、建造、維修、運輸、照護與基礎設施改造則仍然受到本體可供性、環境感測、控制迴路、材料能源、安全、維修網絡、現場制度與供給瓶頸限制。由此形成一個重要但不能先驗斷言為普遍定律的可能現象：數位智能能力、實體智能能力、有效物理生產力與社會生活改善，在同一日曆年代沿不同速度及不同時間尺度演化。

本篇作為 DPIED 系列終篇，不再重建前八篇的子模型，而是提出非同步能力—實現轉化框架（Asynchronous Capability-to-Realization Framework, ACRF），將「數位模型能完成多少任務」「智能能安全操作多少真實物理任務」「機器人能否連續產生合格工作」「整條產業流程是否增加最終產出」「居民是否獲得更可及的必要生活能力」區分為不同、不可直接互換的研究對象。本文主張「追上」至少有四個不同意義：特定任務的能力追上、可靠部署追上、產業生產力追上，以及生活世界效益追上。任何一種追上都不自動推出其他三種。

形式化方面，本文提出以任務籃、固定品質門檻、資源預算和環境分層為基礎的門檻到達時間、時間差區間及再耦合事件，並建立包含數位設計能力、實體可執行性、現場服務容量、系統瓶頸、投資與制度條件的動態轉化模型。十項條件性命題說明：數位能力快速上升不充分保證物理生產力上升；瓶頸遷移可能令先前有效的技術投資失去邊際產出；系統互補性可能造成局部加速，但不需要假定全新神經網路架構；機器存量增加可能伴隨總產出不變甚至下降；領域平均收斂可能掩蓋必要生活領域持續落後；資本泡沫與技術能力變化不是同一軸。

本文同時構造七種可比較的反事實演化情境：持續分岔、受控領域的實體先行、漸進架構整合、互補瓶頸解除後的加速追趕、資本收縮但技術累積仍存、快速量產卻維修失配，以及數位豐裕被必要生活領域稀缺吸收。為避免將假說偽裝成預言，本文不給出缺乏觀測依據的「2028／2030 必然追上」數字，改以預註冊任務、右設限到達時間、分層事件研究、可核查的現場工作量與反事實成本帳，界定哪些證據能支持、削弱或推翻本系列核心假說。

本文的總結不是「物理 AI 必將落後」，而是：智能的增長、行動的可行、產出的實現與生活的改善，分屬不同的因果層；它們可以脫鉤，也可以重新耦合。真正需要研究的是哪些邊界阻止轉化，以及何時、在哪個領域、以多大代價跨越這些邊界。

關鍵詞： Digital–Physical Decoupling；Embodied AI；Physical AI；Productivity；Recoupling；Bottleneck Migration；World Models；Robotics；Sim-to-Real；Capability Transfer；Uneven Abundance；Diffusion Lag；Counterfactual Futures；AI Civilizational Development

0. 研究定位：終篇必須回答什麼，又不能回答什麼

0.1 前八篇的可繼承結果

DPIED 系列已依順序完成以下八個彼此相連、但不可混合的研究層次：

這些成果構成概念與形式化的前置基礎，不是已完成八次原創實機驗證。不同篇章的條件性命題即使在其假設下成立，也不能累加為「物理 AI 全面停滯」的經驗結論。

0.2 本篇的獨立增量

本篇新增五個研究成果：

1. 建立從模型能力到居民生活效益的跨層演化向量，而非將「AI 發展」寫成一條總分曲線。
2. 定義四級追上事件，分開處理任務能力、可靠部署、生產力及生活可及性。
3. 給出瓶頸遷移與互補投資的條件性數學模型，使漸進改善與加速追趕可以被同一架構描述。
4. 建立可失敗的反事實情境集合，不預設新架構一定出現，也不預設 Transformer 路線必然終結。
5. 明確界定能支持、削弱及推翻「數位—實體非同步演化」命題的觀測結果。

0.3 最重要的三個否定性界線

本文不接受：

• 「數位 AI 很強」直接推出「物理機器人很快普及」；
• 「有一些人形機器人倒閉、融資下降」直接推出「整體機器人技術退步」；
• 「工廠有大量機器人」直接推出「開放世界通用具身 AI 已完成」。

但本文同樣不接受反向斷言：

• 模擬資料沒有物理價值；
• 現有架構不可能產生重大能力突破；
• 物理系統的改善必然比數位系統慢；
• 必須先出現一套全新基礎神經網路才能改變現況。

在學術意義上，解耦是需要辨識的結果，並非預設全域真理；再耦合是需要定義的事件，並非技術宣傳中的形容詞。

1. 2026 年的公開證據與四種常見誤判

1.1 數位 AI 快速擴散並非等於全面自動化

Stanford HAI《2026 AI Index》整理數位任務、模型、代理、機器人及產業採用等不同維度，顯示多項數位基準迅速改善，但也指出各種測試之間存在明顯表現差異。[R1] OECD 在 2026 年 1 月公布的可得國家統計中，2025 年企業 AI 使用比率約為 20.2%，相較 2024 年的 14.2% 增加；但大企業與小企業的採用率差距很大，ICT、專業服務及其他產業也高度不均。[R2]

這兩組資料的正確解讀是：數位技術能力和企業採用正在擴張，而且擴張不平均；不是全球企業或各行業都已經取得相同生產力收益。OECD 另一項跨 15 個會員國的微觀資料研究也發現，先進技術擴散會受到企業規模、技能、既有數位化與互補技術影響。[R3]

1.2 工業機器人不是「通用具身智能」的同義語

IFR 在 2026 年 9 月報告，2025 年全球工業機器人運轉存量約 507.9 萬台，新安裝約 60.3 萬台。[R4] 這是實體自動化並未停止擴張的強烈證據，但 IFR 的「工業機器人」採專門統計定義，許多設備執行高度結構化與預先編程工作，不能轉寫為通用人形機器人在開放世界中的可靠自治比例。

因此：「實體智能完全停滯」是過度簡化；「機器人數量高速增加，所以通用物理智能已成熟」也是過度簡化。

1.3 模擬居家任務不能冒名為真實家庭成功率

Stanford《2026 AI Index》引用的 BEHAVIOR Challenge 高分隊伍有約 12.4% 完整任務成功率，來源為指定模擬挑戰的保留測試集，不可當作真實家庭部署的代表性成功率。其餘 RLBench 等模擬機器人操作基準也必須保留各自的任務、環境、評測與資料來源。[R1]

本篇不以單一「12% 對 90%」的跨基準比較推論數位與實體能力差距。若要估計差距，必須先界定具可比意義的達標條件，並報告基準的不確定性與不同任務母體。

1.4 部署與財務成果的分配仍有高度異質性

NBER 的 Acemoglu（2024）從任務層自動化與成本降低評估 AI 宏觀影響，指出局部任務收益不能被直接放大為任意幅度的總體生產力增幅。[R5] Brynjolfsson、Rock 與 Syverson 對通用技術的生產力 J 曲線研究指出，流程重組、組織資本與技能等互補性無形投資，可能造成技術能力與可量測生產力的時間差。[R6]

這些研究不直接預測通用機器人的普及年份，卻為本文的重要區分提供外部經濟學基礎：模型能力進步、組織採用、可交付工作量與總體生產力的因果過程，需要分開實證。

1.5 證據等級地圖

2. 五層演化對象與四級「追上」定義

2.1 演化向量不能被一個 AI 分數代替

對領域 $j$ 、地域 $r$ 與時間 $t$，定義下列研究對象：

其中：

• $D$：與該領域有關的數位設計、推理、生成或規劃能力，需有固定任務籃和驗收準則。
• $B$：物理可行動性（embodied actionability），包含可供性、感測、控制與任務成功能力。
• $R$：持續、合規、安全且符合時限的可靠部署能力。
• $P$：在實際系統中可歸因的有效物理生產力；不等於單機動作次數。
• $L$：生活世界的可及能力與服務品質，例如必要服務能否以可負擔成本取得。

各分量可以用數個指標組成向量，不要求它們全都具有自然的 $0$ 至 $1$ 單一尺度。若缺少合法可比較的權重，應保留多維報告。

2.2 研究單位由「一個產業的 AI」改為任務—場域—時間窗

令觀測單位為：

其中 $g$ 為具體任務與驗收標準、 $e$ 為環境分層、 $h$ 為評估時窗、 $b$ 為資源／能源／預算界線、 $v$ 為模型與系統版本。若任一欄位不一致，將兩個百分比直接相減，通常沒有可解釋的意義。

人形機器人的「成功整理桌面」、物流機器人的「每日交付合格料箱」、AI Agent 的「完成軟體規格」是三個不同研究對象。只有在額外建立共同價值或資源轉化關係時，才可能具有跨領域經濟比較意義。

2.3 門檻到達時間與右設限

令某領域、某層級的預先固定達標條件為 $\mathcal Q_{j,k}$，觀測表現為 $S_{j,k}(t)$。定義首次達標時間：

這個定義不預設得分單調。若某時窗內達標一次、後續退步，不能直接宣告「持續追上」。應另定持續條件，例如在後續 $m$ 個觀測窗中均達標，或預先登錄容許失敗比例及統計信賴界。

若觀測截止時仍未達標，必須紀錄為右設限（right-censored），不能任意給予「無限久」或「下一年」的確定日期。

2.4 四級追上事件

定義以下四級事件，每一級都須指定對照基準、閾值與時窗：

• C1：能力追上（Capability Recoupling）。在同一領域的互補任務設計中，物理可行動性滿足預註冊的能力需求，而不是與數位測試原始分數數值相等。
• C2：可靠部署追上（Operational Recoupling）。完成任務同時符合自主性、期限、安全、可用度和恢復契約，在規定分布內可重現。
• C3：生產力追上（Productivity Recoupling）。機器人等實體 AI 的部署，相較匹配反事實流程，使最終合格物理產出或品質調整生產力有可信正的因果增量，並有完整成本界線。
• C4：生活效益追上（Life-World Recoupling）。具體必要生活域的可及性、負擔能力、服務時間、品質或風險等得到可核查改善，且沒有以其他領域重大損失偽裝收益。

C1～C4 是評估軸，不是自然必然的單一路徑順序。例如成熟專用自動化可能先達 C3，卻根本不具備研究者定義的通用 C1；社會住房制度亦可能在不依賴具身 AI 的情況改善 C4。因此不能無條件寫成 $C1\Rightarrow C2\Rightarrow C3\Rightarrow C4$。

2.5 追上不等於所有行業同時成熟

令 $\mathcal J$ 是預先選定的領域集合。可定義：

$\rho_k$ 僅代表在事前固定權重下，多少領域符合某類追上條件。權重可以是任務重要性、就業、支出或必要生活域負荷，但每種權重回答不同問題；不能在觀察結果後改權重來製造追上。

3. 非同步能力—實現轉化框架 ACRF

3.1 從知識到世界改變有多個中介層

本篇的候選結構不是聲稱存在唯一的文明運算公式，而是把可辨識的必要環節展示如下：

數位模型能力與數位產出
        │
        ▼
可執行的物理任務規格與資料表示
        │
        ▼
感測、行動可供性與多時間尺度控制
        │
        ▼
安全、可靠、可恢復的現場工作
        │
        ▼
部署、維修、能源與組織吸收
        │
        ▼
整體流程的最終合格產出與單位成本
        │
        ▼
價格、服務、可及性與生活世界能力

此圖描述一類典型轉化路徑，但承認直接物理技術進步、人類技能創新及既有專用自動化也可能獨立改善其中任一層。故所有箭頭均為待識別的機制，不能用箭頭本身當作因果證明。

3.2 產能瓶頸的任務匹配模型

考慮一條必須通過若干串聯關卡、且可用相同合格完成單位計量的理想化流程。令：

其中 $K_{j,i}$ 是將速度、品質及可用度轉成同量綱後的流程容量。這是理想串聯流程的容量上界，不表示真實產量必然恰等於最小值；需求不足、錯誤排程、機率性故障、分流與返工皆可使實際產量更低。

可將關卡細分為：

此集合只是研究模板。服務、醫療、物流或建築的實際網路可能是並聯、佇列、循環或互補生產，不應硬套串聯最小值等式。

3.3 有效物理工作與流程產出之間不能省略

承接 DPIED-03、07、08，令某任務集合的無即時人工介入合格工作量為：

其中 $u_n$ 是在同一任務類內預先固定的單位工作量， $q_n\in\{0,1\}$ 表示是否驗收合格， $a_n\in\{0,1\}$ 表示是否符合「無即時人工介入」定義。若量測跨不同任務，須先證明可加總性，否則各類工作分開報告。

DPIED-08 的 EPWCL 進一步要求將 $W^{IA}$ 與成品、訂單或服務的最終驗收量分開；中間加工步驟不等於最終產品數量。即使 $W^{IA}$ 增加，也不保證 $Q^{final}$ 增加，更不保證社會淨效益增加。

3.4 動態存量、學習與維修反作用

令 $N_{j,t}$ 為經驗收且尚未退役的設備存量， $I_{j,t}$ 為新增啟用， $\delta_{j,t}$ 為該期停用／退役比例，則一個簡化的存量帳為：

這是設備帳，不是能力方程。對現場有效容量，可以定義：

其中 $q$ 為每設備在指定期間的名目合格容量， $a$ 為可用度， $u$ 為驗收與自主性調整因子；所有因子可依本體、班次及任務異質性改寫為求和。當新增設備擠壓共享維修資源、能源供給或空間時， $a,u$ 可能下降。因此 $N$ 增加不保證 $K^{eff}$ 增加。

3.5 把架構整合當成可測的處置，而不是口號

令同一任務條件下的端到端合格結果為：

其中：

• $M$：模型及訓練能力；
• $A$：整合架構，包括 MTCCA、記憶、介面、控制與 LRRC 恢復策略；
• $H$：硬體本體、感測與致動能力；
• $V$：現場流程、維修、資料治理與人員制度；
• $G$：能源、材料、法規與交付基礎；
• $E$：任務與環境分布。

這個函數不預設對所有參數單調。提高模型的離線分數，可能伴隨推理延遲增大；增加記憶可能提高上下文干擾；提高設備數量可能加重維修擁塞。相反地，架構改善可能在沒有增加模型參數量時提高整體能力。

3.6 訊息流與資源流是兩個不同的網路

數位 AI 的知識訊息可由網路快速複製，但物理操作仍需要能量、材料、合法權限及現場執行。WIIW-05 對「知道」「能做」「得以做」三者的區分仍然成立：技術可行不等於安全或合法可部署。

在分散式具身拓撲中，計算位置、感測位置與致動位置也可以不同；大型模型在資料中心思考，不代表資料中心本身有能力直接對所有實體空間進行低延遲控制。APET-06 的因果具身邊界因此成為本系列的物理作用域限制，而不是人形與非人形二分。

4. 時間差、分岔與再耦合的觀測方法

4.1 不直接相減兩個世界的排行榜分數

假定研究在數位與物理領域分別定義了固定核心任務，且為每項任務指定基線 $s^0$ 與目標 $s^\ast>s^0$。可定義不截斷的相對進展量：

$Z$ 的含義是朝各自指定目標的進展，不是自然存在的共同智能尺度。當基準、任務類別或目標設定改變，數值的比較對象也改變。應以固定目標分析為主，並做權重與目標敏感度檢查。

4.2 以門檻到達時間表示分岔

對一組事前配對的領域需求，定義：

若 $\Delta T>0$，表示該配對條件下物理側較晚到達研究門檻；若 $\Delta T<0$，則為實體先行；若尚未觀測到其中一端到達，必須使用設限資料的區間或存活模型，不能提供虛假的點估計。

此式比較的是達到各自可事前解釋的相容門檻所需時間，不是將軟體成功率與物理操作成功率視為同一量尺。對某些領域，甚至不存在有意義的數位—物理配對，應標記為「不可比」，而非強求 $\Delta T$。

4.3 分岔持續與暫時錯位

一次性時間差可能只是測試發布時間、測量誤差或硬體上市節奏。持續性解耦至少應要求：

1. 在相同或事先校準的任務定義下，跨多期觀測有可信時間差；
2. 這種差異不只來自測試集合改動、選擇性公布或不完整揭露；
3. 分層控制硬體、價格、法規、地區與產業後，差異仍具實質大小；
4. 未以單一明星產品、單一失敗企業或單一片段推論整個產業。

4.4 追上是事件，而不是年代標籤

建議研究先建立：

其中 $\mathrm{sustained}(t;m)$ 的精確規則要事前寫入研究協定。例如「至少連續三個觀測季，達到品質、時限、監督工時與安全門檻」是某種可能設計，但不能視為唯一的全球標準。

追上時間 $\tau$ 可以因地區、價格、能源、場站與任務種類而完全不同。這正是 APET 的同一日曆年代多態位置，而非「2029 年全世界進入某個統一 AI 時代」。

5. 十項條件性命題：解耦、瓶頸與追趕的數學界線

以下 P1～P10 為在明示假設下的條件性結果、構造性反例或識別限制，不是對全部社會與年份的經驗定律。每一項都給出一種可能反證、失效條件或不可推出的延伸結論。

P1｜數位能力單調增加，不足以推出物理產出單調增加

命題。 考慮固定環境中的串聯必要流程，數位設計能力容量為 $K_D(t)$，至少一個必要物理關卡容量為 $K_P(t)$，且：

若 $K_P(t)=k$ 在觀察期間固定，而 $K_D(t)\geq k$ 且持續增加，則只根據 $K_D$ 上升，不能推出 $Q$ 嚴格增加。

論證。 取一個符合串聯上界且恰好到達瓶頸容量的理想化流程， $Q(t)=\min\{K_D(t),k\}=k$。即使 $K_D$ 增加， $Q$ 仍保持 $k$。這個單一反例已足以否定「數位改善必然使實體產出嚴格增加」的普遍命題。

邊界。 此命題不否定數位能力可能藉由重新設計產線、材料或控制器，間接提高 $K_P$ ；它只否定在沒有這類互補變化的情況下，單一 $K_D$ 改善必然有效。

P2｜解除一個瓶頸後，瓶頸可能遷移，而不是消失

命題。 在理想化串聯容量模型 $Q=\min_i K_i$ 中，若原唯一瓶頸為 $b$，提高 $K_b$ 超過次小容量 $K_c$，而其餘容量不變，則新的容量上界由 $K_c$ 決定。

論證。 令原先 $K_b<K_c\leq K_i$ （ $i\notin\{b,c\}$ ），擴容後 $K_b'>K_c$。故：

所謂「瓶頸遷移」由最小值的索引改變構成，不是隱含所有系統都由單一最小元件決定的普遍定律。

反例條件。 若流程可並聯、可替代、允許庫存緩衝或動態重排，瓶頸可能是時間變動的資源集合、佇列或約束組，而非一個機器。此時應改用網路流、排程、排隊或一般化生產可行域模型。

P3｜互補性可以帶來局部加速，但不需要假設全新神經網路架構

命題。 在兩個必要互補關卡容量 $K_A,K_B$ 的串聯流程中，若原本 $K_A=K_B=k$，單獨提升其中一項到 $k+\delta$ 不改變最大串聯吞吐上界；同時提升兩項到 $k+\delta$ 則使上界提高 $\delta$。

論證。

在此特定結構中，互補投資的聯合收益高於任一單獨投資可觀察收益。因而分層架構、控制、維修、資料與實體硬體同步改善，可能呈現比單項進步更顯著的現場成效。

邊界。 這是互補生產的一個構造性例子，不能由此證明真實世界模型或機器人必然突然跳躍。門檻投資、部署遷移與產品更新可能造成觀測上的階梯，但它們不等於基礎神經網路必然發生離散革命。

P4｜機器存量增加時，有效工作容量可以下降

命題。 令每機名目任務容量為 $q>0$，可用率為 $a(N)$，其他驗收條件固定。若：

則在可微區間：

當 $a'(N)<-a(N)/N$，新增設備的有效容量邊際變化為負。

論證。 直接微分得到上述條件。維修排隊、充電設備不足、場站擁塞及操作干擾，皆可能使可用率隨 $N$ 下降，但是否達到負邊際條件，需要現場測量。

邊界。 若擴產同時增加維修人力、充電位置及空間， $a(N)$ 可能穩定或提高；本文沒有主張所有機器群都存在負規模效益。

P5｜正確辨識世界，不足以保證跨本體行動可轉移

命題。 若兩種實體本體 $H_1,H_2$ 的可行動作集合不同，且某任務 $g$ 在本體 $H_2$ 的可允許動作與狀態演化之下不可達，則不論來源本體 $H_1$ 的世界理解如何提高，都無法僅由共享表示，推出 $H_2$ 能完成該任務。

論證。 設 $\Pi(H_2,g)$ 是滿足硬體、時序、安全和物理邊界的可行策略集合。如果 $\Pi(H_2,g)=\varnothing$，則不存在可選策略可滿足 $g$。共享世界模型不會自動創造不存在的關節、感測器、材料強度或安全動作。

限制。 若允許改造工具、環境或任務路徑，原本不可達的狀態可能變為可達；因此「不可達」一詞必須附上資源、時間及允許干預的範圍。

P6｜資料量擴張未必解除未觀測物理狀態的決策不確定性

命題。 若兩個隱藏物理狀態 $x_1,x_2$ 產生相同可觀測影片 $v$，但其所有安全成功初始動作集合互不相交，則不存在單純依賴 $v$ 的確定性單步策略，可以在兩種狀態下都保證安全成功。

論證。 設安全成功動作集合分別為 $A_1,A_2$，且 $A_1\cap A_2=\varnothing$。任何僅依 $v$ 輸出的動作 $a(v)$ 在兩種狀態下相同，若要同時成功必須屬於交集，與交集為空矛盾。

含義。 即使訓練影片數量極大，只要某任務的安全決策仍無法從影片觀測辨識，就需要主動探測、觸覺或其他感測、較保守策略、改造環境，或允許拒絕執行。這承接 DPIED-04 的可觀測性界線，而非否定影片對表示學習的高度價值。

P7｜專用實體系統可能先於通用數位模型達到某些物理門檻

命題。 對特定環境 $e$ 及任務 $g$，存在合理系統配置，使專用物理控制系統滿足 $\mathcal Q_{g,e}$，而一個在更廣泛數位任務上得分更高的通用模型，因控制接口或安全時限問題不滿足 $\mathcal Q_{g,e}$。

構造性反例。 專用控制器對固定規格的工件，在可控場景中可經過反覆驗收；一個通用大模型即使能描述完整工序，若不能按硬即時期限輸出合法控制訊號，便不能替代現場控制器。

含義。 「物理落後」不應被解讀為每一種物理自動化都落後。「數位先行」只是部分任務族的可檢驗時間順序，而不是跨全部工作類型的優越排序。

P8｜物理產出增加，不充分推出必要生活域的可及性提高

命題。 在存在價格、分配、地域、品質與制度約束的經濟體中，某實體部門總產出上升，不足以邏輯上保證所有居民在必要生活域的可及能力改善。

構造性反例。 令某城市新住房完工數量增加，但可租售區位、價格、空置比例、產權分布及公共服務容量改變，使低收入居民可負擔住房數量維持不變。則建造產量提高與該群體住房可及性不提高可以同時成立。

含義。 DPIED-08 的產業淨產出衡量仍需接合 LWCT-02 的「不均衡豐裕」框架。要解讀 C4，必須有居民／企業／區域的服務可及性及成本分布資料，而不能僅引用總產值。

P9｜總體指標收斂，可能掩蓋重要領域仍持續分岔

命題。 若領域加權平均為 $\bar Z(t)=\sum_jw_jZ_j(t)$ 且 $\sum_jw_j=1$，那麼 $\bar Z$ 上升或兩個總體指標差距縮小，不充分推出每個領域的進展或差距都改善。

構造性反例。 設兩領域權重皆為 $1/2$，第一期進展 $(0.40,0.70)$，第二期為 $(0.50,0.65)$。平均由 $0.55$ 升至 $0.575$，但第二領域反而下降。若第二領域是住房、照護或關鍵基礎設施，其社會重要性可能高於平均改善所傳達的印象。

限制。 這是加權平均的數學性質，不能證明任何真實國家必然存在此現象。實證需固定領域權重並報告分布，避免總體均值取代必要域分析。

P10｜資本與技術的變化方向不具有普遍一對一關係

命題。 在資本流量 $F_t$ 、模型能力 $D_t$ 、現場有效工作 $W_t$ 及淨收益 $V_t$ 為不同變數的觀測框架內，沒有額外結構方程與識別假設時，由 $F_{t+1}<F_t$ 不能推出 $D_{t+1}<D_t$ ；由 $F_{t+1}>F_t$ 也不能推出 $V_{t+1}>V_t$。

論證。 構造一家公司減少外部融資，但沿用已訓練模型及開源工具、改善控制軟體而提高實際性能；也可構造另一家公司大量融資建廠，但尚未建立維修服務網路、未形成正向現場淨效益。兩者都不違反會計或工程約束。

含義。 技術累積、投資泡沫、企業生死、市場整併及社會效益可相互影響，但不能視為同一條時間曲線。研究應追查因果機制與資源限制，而不是把「融資冷卻」直接等於「AI 失敗」。

5.11 命題矩陣：哪些是數學可得，哪些仍待測量

所有命題均為否定不合法的必然推論；它們不能代替資料去宣告哪一條產業路線必勝。

6. 為何可能「一開始很慢，後來很快」：再耦合的動態機制

6.1 新技術擴散存在組織與基礎設施延遲

Brynjolfsson、Rock 與 Syverson 的生產力 J 曲線說明，通用目的技術從部署到可量測產出，往往需要流程再設計、技能、組織資本與新的生產模式。[R6] 這提供一種與 DPIED 相容的解釋：前沿模型能力改善可以早於物理工作流程改善，而物理工作的收益又可能晚於首次部署。

然而，時間差存在不等於未來必然追上。某些互補成本可能長期不能解除；也可能出現其他技術（專用機械、建材、能源、遠端操作、流程重構）比通用機器人更有效解決問題。

6.2 以滯後響應而非神祕的「文明同步率」建模

可將特定產業的物理產出變化寫成一個待估的有限滯後模型：

其中：

• $\Delta D$ 為事前定義的相關數位能力變化；
• $\mathbf Z$ 是本體、能源、政策、需求、價格、技能與維修等協變量；
• $\kappa_{j,\ell}$ 是在指定模型及識別條件下的統計響應參數；
• $\epsilon$ 是未觀測因素。

不得先驗假設 $\kappa$ 都為正，也不能將普通回歸係數直接稱為因果效果。 若真實機制有非線性、制度閾值、內生採用或大規模替代，有限線性滯後模型可能失效，應與事件研究、結構模型及非參數方法比較。

6.3 再耦合條件是聯合可行域

對固定任務與場站，定義可部署集合：

這裡：

• $R_j$ 是長程可靠完成率；
• $C_j$ 是完整單位合格工作成本；
• $S_j$ 是依指定嚴重性衡量的安全風險；
• $A_j$ 是適用權限、規則與現場要求均通過的狀態。

$\mathcal F\ne\varnothing$ 表示至少存在一個符合本地部署條件的策略，但不等於所有機器或所有環境都已成熟。若成本、可靠性或安全標準被放寬，集合可變大；這不構成技術進步的證據，所以門檻必須事前固定。

6.4 技術門檻不是單一巨型模型參數量

系統能力可以來自：

• 模型內部更好的世界表示、訓練與泛化；
• 模型外部更好的狀態管理、記憶及工具協調；
• 不同時間尺度的控制器與安全隔離；
• 更完善的物理資料、動作資料與模擬校準；
• 改良本體、感測、能源及維修工程；
• 為任務重新設計現場流程，降低需要通用智能處理的難度。

前述因素可以互補，也可以替代。因此「會不會出現全新 AI 架構」是開放問題，但不應成為進步的唯一必要條件。某些重大系統效果可能由已有模型配合成熟工具鏈完成；另一些未解問題則可能需要新的學習或控制方法。

6.5 物理時間不因數位推理速度提高而消失

設某項物理流程需要材料冷卻、運輸、混凝土養護、機械拆裝或醫療恢復等不可任意縮短的時間。只要這些程序是必要環節，即使設計決策時間趨近於零，總任務時間仍有由物理流程確定的下界。

這並不排斥新材料、新製程或不同物理方案降低下界；關鍵是改變物理程序需有新的實際可行方案，而不是僅因大模型回答更快，就視為物質世界已同步加速。

6.6 資料飛輪在兩種世界的效率可能不同

數位任務可複製並重播大量測試；實體任務需要處理器材磨耗、空間占用、感測漂移、狀態重設、安全事故與長時程回饋。設每單位成本取得之可重用合格訓練樣本量為 $\eta_j$，則 $\eta_{digital}$ 和 $\eta_{physical}$ 不具有必然的固定大小關係；模擬可大幅提高實體相關訓練的取樣效率，但最終仍須確認其對實機分布的支持程度。

DPIED-06 的 Sim-to-Real 邊界提醒我們：能生成大量模擬樣本，並不自動表示已覆蓋真實物理的不確定性。好的世界模型對資料效率具有潛在作用，但其實際價值必須以真實任務結果衡量。

7. 七種反事實文明路線：同一技術年代並非只有單一結局

以下情境是反事實研究設計，非占卜、商業投資建議或已確認的發展預測。每一類都列出使它成立的觀測條件和可推翻的信號。

7.1 S1 不是「具身 AI 永遠停滯」

S1 可在某段期間發生，下一段期間結束；研究者應避免把暫時性落差擴寫成永久性的物理定律。若專用任務在同時期改善，應如實報告，不應因總體敘事而剔除反例。

7.2 S2 並非通用人形路線的失敗

現實世界並非所有工作都需要人形：輪式移動、機械臂、無人機、建築設備、流程自動化和分散式工廠網路，各自對應不同成本與物理作用域。APET-06 的多形態拓撲指出，何者先成熟，首先是任務適配與完整系統經濟性的問題。

7.3 S3、S4 可同時包含架構改良與模型改良

S3 代表細微整合與實務進展可能累積成大改善；S4 代表多個必要條件接近完成時，聯合投資會讓某個觀測指標突然跨過達標門檻。兩者既可共存，也都不需要宣稱技術發展必然是線性或指數曲線。

7.4 S5 不等於產業風險不存在

融資下降可能使初創公司倒閉、研究資源集中、員工失業或供應鏈中斷。這些損失是真實的；不應以「技術仍在進步」忽略。只是企業財務軸與智能能力軸需要分開研究，才能識別局部泡沫對技術、勞動與產業結構的不同影響。

7.5 S6 可能形成一種反直覺的產業競爭

一家能低成本製造大量機器人的公司，不一定比另一家具有穩定維修、現場服務及控制接口的公司，更容易取得長期合格工作成本優勢。若評價指標從「單台售價」改成「全生命週期有效產出」，企業排名可能發生改變。

7.6 S7 需要社會經濟學而不只是機器人學

即使機器人能顯著加速建築，土地供給、地區交通、工程許可、住房分配與稅制仍可能限制居民的實際負擔能力；照護服務則有照護倫理、可信任互動、監督與公共支付制度的限制。因此生活世界 C4 必須與 LWCT-02 銜接，而不能成為「機器人多就會全民富裕」的技術決定論。

8. 四組完全虛構的算例：從分岔到再耦合

以下所有數字純為可重算的教學算例，不代表中國、美國、台灣、日本、韓國或任何真實企業的 AI 性能、成本、產量、部署或福利數據。所有單位均為假設性，應避免將其轉引為產業預測。

8.1 算例 A：同一條生產鏈中，數位進步可以沒有物理增量

假定一個虛構產業的每件成品，均需要設計批准、製造及物流三個必要關卡。將各關卡容量轉換為相同的「合格件／日」：

在 $t_0\to t_1$，數位能力提高 20%，但製造瓶頸沒有改變，最大串聯吞吐仍為 60。 $t_1\to t_2$ 時，製造擴充使最大產能提高至 100，但物流成為新瓶頸。 $t_2\to t_3$ 時，物流改良後，製造成為新瓶頸，容量提高至 120。

這個模型展示瓶頸遷移與互補投資，但沒有斷言實際產量必然等於上界。真實產量還要受到需求、品質、訂單變化、返工、停機及排程影響。

8.2 算例 B：更多機器人未必增加有效工作

假定兩種虛構部署狀態，設備以固定每日名目能力運轉，每月 30 天，並將合格率與免即時介入比例一同計入期望工作量：

其中 $q$ 為每台每日名目任務容量， $a$ 為可用率， $p_q$ 為合格率， $p_{IA}$ 為在合格任務中不需即時人工介入的比例。這是一個簡化的期望量模型，不是假定所有真實事件相互獨立。

A 的計算：

B 的計算：

若 A、B 的假想月完整總成本分別為 1,101,600 與 1,205,280 個成本單位，則：

B 的設備更多，但在此特定虛構設定中，免介入合格工作總量較少，單位完整成本由 100 增加到 125。注意這不代表 B 的設計一定不合理：若維修人力、充電與流程適配改善，可用率與合格率就可能改變，結果亦可能逆轉。

8.3 算例 C：不同「追上」層次可以互相錯位

假定一個虛構的地區，研究者預先登錄四個門檻：

• C1：指定開放操作任務通過率達標；
• C2：連續工作、期限、人工介入及安全指標達標；
• C3：反事實對照下，單位成本下降且最終合格產出提高；
• C4：必要生活服務的可及性與負擔能力提高。

設想某一產線在四個虛構觀察時窗出現以下情況：

這個示意表不是聲稱 C1 必定先於 C2。某些專用機器人亦可能先達 C3；本表只示範不把四種指標混成單一「已經追上」事件的必要性。

8.4 算例 D：平均進展提高，必要領域可能仍變差

使用 P9 的兩個虛構領域，將進展量 $Z$ 定義為各自預設目標的相對達成比例，並給予等權重：

平均指標提高 $0.025$，第二領域卻退步 $0.05$。若第二領域代表生命維持或住房可及性，總體進展不能代替領域判斷。此例也提醒我們，領域權重不是數學自然常數，應由透明的研究目的與價值選擇決定。

9. 可反駁假說：允許「我們原本的判斷是錯的」

本節 H1～H10 均為尚待實證的研究假說。每項均列出支持方向、競爭解釋與削弱條件；不能以本文的數學反例冒充已取得支持性實驗資料。

H1｜開放任務的數位先行與長程分岔

假說。 在需要長期狀態維護、開放環境適應及多步驗收的任務類別，數位端可達的任務門檻，可能平均早於相應物理端的可靠部署門檻。

主要比較。 對明確配對的跨域任務族估計 $\Delta T$ 的分布，分別報告任務級、產業級與國別結果。

競爭解釋。 物理端任務較難、測試更新更快、樣本不足或設備部署較晚，因此即使底層學習能力同步提高，也可能觀測到時間差。

削弱條件。 在任務難度、投入、測量與時間對齊後，大量物理端門檻與數位端同時達到或更早達到，且差異可重複驗證。

H2｜架構整合是能力轉化的重要調節量

假說。 在固定模型權重、任務及本體條件下，改善狀態一致性、工具接口、記憶更新、技能契約及故障恢復，能使某些實體任務的端到端成功與成本改善。

比較方法。 模型版本 × 架構版本 × 本體版本的因子實驗，並保留跨版本互相作用。

削弱條件。 在足夠多且代表性的任務上，整合改良效果接近零或為負，且結果不因介面負擔、開發錯誤或選樣失真而改變。

H3｜互補瓶頸的解除使收益呈現階段性加速

假說。 具身系統的資料、控制、維修與能源接近可部署門檻時，聯合改善的端到端效益可能顯著高於分別改善的效益。

比較方法。 預先定義交互作用與部署門檻，測量在硬體、模型及維護能力組合下的相互作用。

削弱條件。 真實可行域不存在顯著互補，或觀測到的加速全部來自任務變容易、補貼或篩選成功案例。

H4｜物理資料品質與行動因果資訊比單純影片數量更關鍵

假說。 在需要力、摩擦、接觸與狀態恢復的任務中，固定訓練算力和標註預算下，加入具有可信行動—結果關係的資料，可能比單純擴增不帶動作標記的影片更有效提高實機表現。

競爭解釋。 大規模影片預訓練可學得足夠強的世界先驗，再以少量實機資料完成適配；某些任務並不需要觸覺或直接力估計。

削弱條件。 影片主導的訓練在相同成本與實機任務上穩定優於需要額外行動資料的方案。

H5｜跨本體共通表示具有可測但不無限的收益

假說。 共通技能表示有助於多種本體共用高階任務知識，但遷移收益隨動作可供性差異、控制頻率、感測配置而改變。

比較方法。 保留新本體、未知物件、未知動力學與物理不可達任務四類測試。

削弱條件。 在嚴格、長程且未洩漏目標資料的任務中，單一策略幾乎不需適配就能跨廣泛不同本體安全完成工作。

H6｜穩定現場工作量比展示或出貨更能預測生產力

假說。 連續期的有效自主工作時數、人工介入負擔與完整單位成本，對場站淨產出具有比出貨或單次展示分數更強的預測力。

削弱條件。 長期統計顯示，在控制需求、價格和環境後，出貨／展示指標已能充分預測現場收益，新增 EAW 與成本資訊並未改善預測。

H7｜實體追上在不同領域呈現多中心，而非單一年份

假說。 物流、倉儲、工廠、農業、醫療、家庭、建造及城市服務等領域，C2、C3 的到達時間具有足夠大的分布差異，無法由單一年份代表。

削弱條件。 多個領域在控制比較規格後，在極短且可重複的時窗內同步跨過相似可靠性和成本門檻。

H8｜生產力追上不必然帶來必要生活域可及性改善

假說。 在供給彈性低、土地／位置高度受限或支付制度僵化的必要生活域，物理 AI 產出改善的福利轉化可能弱於其他領域。

削弱條件。 隨機化、準實驗或可信政策評估顯示，物理 AI 的供給改善穩定、廣泛而顯著降低必要生活負擔，且沒有隱藏的價格或外部成本轉移。

H9｜資本調整與技術改進可以不同步

假說。 AI 與機器人投資回落的地區或企業，仍可能因演算法效率、硬體改良與既有知識累積而持續提高實際工作品質；反之，高投資可能伴隨低部署收益。

削弱條件。 長期面板顯示技術與現場能力嚴格、穩定且同步地由即期融資決定，且其他結構因素不足以解釋差異。

H10｜「更大的模型」不具有普遍最優的單位有效工作成本

假說。 當任務具有明確的控制週期和物理瓶頸，在固定整體資源限制下，專用／分層方案有時可能比更大的通用端到端模型取得更低的合格工作成本。

削弱條件。 在規模化、異質、長程而嚴格安全驗收的任務上，更大的端到端模型持續在合格成本—可靠性—適應性多目標前緣支配所有專用與分層配置。

9.11 預註冊前必須清楚處理多重比較

十項假說包含跨產業、跨地域、跨任務與多種輸出指標；在沒有明確主結果、族群及統計計畫下，很容易只報告顯著案例。正式實證應：

• 為每項假說預先指定首要指標、主分析樣本、主要反事實和最小重要效果量；
• 披露全部測試與負結果，不能只選最佳機器人或最成功場站；
• 使用分群誤差、同場站相關性、序列自相關、適當多重檢定控制或明確探索性標記；
• 報告效應大小及不確定區間，而不是只有 $p$ 值；
• 在具安全風險的情況下遵守現場測試的專業規範，不能為了形成高風險對照而製造可預見傷害。

10. 實證辨識設計：如何證明「追上」，又如何避免自我驗證

10.1 三層資料不應只存在同一家公司宣傳影片裡

提出三組可連結但分開評價的研究資料：

資料層 A：數位能力。 在固定核心任務與更新挑戰任務上，記錄模型、工具、上下文、時間、成本、測試資料版本與端到端結果。保留人類介入、失敗及重試紀錄。

資料層 B：實體能力與可靠部署。 記錄本體、場景、感測、動作、故障、恢復、安全事件、工時、電力與現場質檢。仿真與實機應不同標籤；人類遙操作、提示、現場微調、持續自主執行也應不同標籤。

資料層 C：生產力與生活效益。 記錄現場成品、物流交付、服務品質、維修、全成本、人工投入、產線瓶頸，以及價格、可及性、等待時間、居民或企業分配結果。無相應資料時不得宣稱 C3 或 C4 成立。

10.2 固定核心任務與更新任務應平行存在

若每年替換測試題，可能把任務難度改變誤認為技術進步。若永遠使用同一套容易外洩的題目，又可能把過度擬合誤認為泛化。因此應設：

1. 版本固定的核心任務（用於時間序列比較）；
2. 每期更新但採可校準難度的外部挑戰集；
3. 企業或場站保留樣本；
4. 新的身體、物件、場景、氣候與操作需求的外部泛化測試；
5. 長程持續性、恢復與失敗事件的現場觀測窗。

10.3 跨國比較應先比較結構，而非直接比較國籍

中國、美國、日本、韓國、台灣與歐洲的機器人產業結構、電力價格、土地制度、勞動成本、法規與製造供應鏈都不同。統計比較應分層：

• 工業機器人／專業服務機器人／通用人形平台；
• 製造場站／物流／建築／照護／家庭／農業／公共基礎設施；
• 專用控制／遙操作／人機協作／自主閉環；
• 研究樣機／初步部署／常態運行／具獨立成本證據。

不能直接用某地企業破產數量對比另一地的自動化裝機數，推論兩地 AI 架構優劣；這兩類數據的母體與生成機制不同。

10.4 因果辨識的最低要求

部署實驗的理想情況是對可比工位、班次或場站進行受控或分階段導入；若無法隨機化，應採透明且可辯護的準實驗設計，並保留尚未導入及已導入區域的完整歷程。基本處置可以是：

其中 $s$ 是場站或工位。比較需要同時控制需求、原料、季節性、價格、班次、工人變動、流程重排及供應商支持程度。

若使用差異中的差異、分批導入事件研究或合成控制，需檢查平行趨勢、異質處置效應、預期效應與相鄰工位干擾。傳統雙向固定效果模型在分期採用且效果異質時可能失真，不能不加檢驗直接當作可靠識別。

10.5 把模型與架構的交互作用測出來

至少設定四個配置：

在固定本體、環境及預算條件下，定義：

$\Gamma$ 衡量所選指標下的模型與架構交互作用。若 $Y$ 是合格產量，它與成本交互作用可能不同；若評測對象是安全風險，符號解釋也要反向。這個差分是實驗設計的一個計算量，只有在有效的隨機化或因果辨識條件下，才能被稱為因果交互效應。

10.6 一定要納入「拒絕與安全停止」

安全停止不是任務完成，卻可能是正確的安全決策；魯莽完成某一物理任務也不代表成功。所有成果至少應分開：

• 合格完成；
• 安全拒絕或退出；
• 可自主恢復的失敗；
• 需要外部協助或人工復位；
• 危險事件、近失、超規及不可逆損壞；
• 事件無法辨識或資料缺失。

對高風險場景，可靠性與安全性是不同的約束及評估軸，不能將安全事件折成方便補償的平均產量分數。

10.7 缺資料時採部分辨識，而非補上想要的答案

若一家公司只公開出貨量 $N$，則即使 $N$ 很大，也無法唯一推算長期 EAW、人工接管頻率或現場淨收益。此時應使用「未知」與在明確假設下的寬區間，不能暗中把缺值設成零，也不能假定它等於供應商的展示成功率。

同樣地，若研究者只觀察到已成功的場站，便可能發生存活偏差；若能識別退出場站或失敗部署樣本，其對模型估計具有重要價值。

10.8 四級追上的可稽核驗收證據

11. AI 文明的再耦合：從數位能力、物理產能到生活世界

11.1 物理世界不會因智能豐裕而失去自身的約束

數位模型可快速生成圖面、工法、控制策略與資源配置建議，但建築物仍需要材料、土地、工期、能源、專業許可及施工安全；醫療服務仍需要物理檢查、設備、人員信任、照護關係與制度責任；能源與水系統仍需要地域性的投資與維護。數位世界的「複製」和實體世界的「製造」具有不同的生產函數。

因此當代 AI 的大規模進步，不應被簡化成「所有商品的邊際成本很快趨近於零」。數位產品的局部邊際複製成本可以極低，物理產品仍有材料、空間、機器維修、環境與制度成本。新的技術可以降低某些成本，但無法僅靠口頭宣稱就將它們抹除。

11.2 物理供給與價格之間還有制度傳遞

即使工廠因具身 AI 提高產出，消費者面對的價格是否下降，取決於市場競爭、投入價格、稅負、租金、壟斷力量與中間商結構。若某個生活領域受限於土地或許可，即使相關建築機械效率大幅改善，住房供給也未必成比例增加。

這也表示具身 AI 技術的社會轉化率不能只用企業生產力表示。可定義一個目的明確的概念性傳遞比率：

其中 $A^{life}$ 必須是事前選定且可比的生活服務能力單位； $Q^{physical}$ 必須對應同一產業或服務的最終合格增量。若分母為零、負值、缺失或量綱不相容， $\chi$ 就不能作為合法的單一比率。它也不是固定技術常數，可能受政策、價格與分配機制強烈影響。

11.3 C4 不是「全社會福利一定提高」的簡單替代詞

生活能力至少包含取得、負擔、使用及品質幾個維度。對必要生活領域 $d$ 與群體 $g$，研究應分別記錄：

這個向量不要求其元素全部可用貨幣表示。醫療可及性不等於醫院營收；公共交通可用性也不等於運輸公司的單一利潤。某些改善應由專業領域給出最低安全與品質門檻，再考慮成本效率。

11.4 勞動市場不是只剩「被取代或沒有被取代」

技術影響工作可經過任務替代、人類與 AI 互補、工作組合重構、新任務創造、技能投資及產業價格變動。Acemoglu 與 Restrepo（2019）已提供任務替代與新任務的經濟框架。[R7] ILO 的生成式 AI 職業暴露研究則提供任務層觀測方式，不能將職業暴露直接解釋為實際失業比例。[R8]

在數位—實體 AI 分岔情境中，可能暫時出現：數位內容與部分軟體服務供給迅速增加；而需在現場完成的維修、護理、運輸、建造或服務業人力需求仍維持很高。這不是對未來就業量的確定預言，因為企業也可能調整任務分工、將服務數位化或大幅改善專用自動化。

11.5 「知道更多」與「能執行更多」之間的治理問題

WIIW-05 的物理作用拓樸指出：具備某種知識，不等於具備改變物理世界的權限。真實世界中的安全停機、公共資產、個人空間、醫療決策、城市交通及跨區域設施都涉及可追責的規則。

在 DPIED 的再耦合框架中，治理不是可有可無的最後裝飾：即使技術上已能自動行動，權限、審計、安全驗證及社會信任仍可能限制部署；相反地，清楚的契約和邊界也可能降低不必要的整合摩擦，提高可部署性。

NIST AI RMF 的 govern、map、measure、manage 提供一套風險治理語彙；它不是具身機器人的全部安全標準，也不等於完成任何產品的法定認證。[R9] DPIED-05 的 MTCCA 與 DPIED-07 的 LRRC 也只是候選技術契約，實際使用仍需符合相關產業法規和專業安全標準。

11.6 集中式超大模型與分散式具身網路並不矛盾

一個可能的文明架構是：大型模型在資料中心處理全域知識、世界模擬與跨機器群學習，邊緣節點負責現場任務推理與狀態維護，機體本身負責硬即時控制與安全反射。數位智能可以相當集中，但物理行動仍分散於城市、家庭、工廠及基礎設施。

不過，這並不等於存在一個「單一全域主體」控制所有物理設備。資料共享、共同模型及分散式任務協調，與主權、法律責任、個人權限和主體性均是不同問題。APET-06 對分散式身體的討論，應保持其因果與結構性含義，不必被擬人化。

11.7 三種值得區分的文明經濟狀態

狀態 A：認知豐裕、實體稀缺。 大量高品質設計與知識服務可取得，但物理產能、必要服務或制度供給受限，生活改善落後於模型能力。

狀態 B：實體產能擴張、收益分配失衡。 機器人及專用自動化帶來真實產出，但價格、所有權、壟斷、住房區位或公共服務條件使收益分配不均。

狀態 C：數位—實體—生活再耦合。 不僅 AI 模型能設計、機器能行動，完整場站可持續產出且必要生活服務在品質、安全與可及性上取得可驗證改善。

這三種只是分析類型，並非同一國家必須依序經歷的單一文明階段。它們可能在同一城市不同產業同時存在。

12. 何時可以說原始假說已被削弱、修正或推翻？

12.1 需要接受四種與研究者期待不同的結果

DPIED 起初來自一個合理疑問：為何數位大模型迅速提高能力，而通用具身機器人可能仍受整合與可靠性限制？但如果此問題被寫成不可反駁的歷史必然性，就失去研究價值。以下四種結果必須同樣允許出現：

1. 同步型結果。 數位與實體任務在匹配條件下，門檻到達時間差很小，且持續一致。
2. 實體先行型結果。 特定專用機器人先取得高可靠部署和正向場站收益，通用模型尚未在相應數位或跨域任務達標。
3. 長期分岔型結果。 數位能力顯著提高，但實體部署與生產力受不同瓶頸限制，且差異不能由測量制度解釋。
4. 轉折再耦合型結果。 初期有分岔，但模型與系統整合、資料、現場服務及制度改善，使實體能力與物理產出後來快速改善。

任何一種都不要求以「AI 很強」或「AI 很弱」的二元標籤評價全產業。

12.2 核心假說的削弱與推翻判準

這些是經驗主張的可否證條件。P1、P2 等基於明示假設成立的代數結果不會被實測「推翻」；實證若顯示它們不適用，真正被推翻的是「現實系統符合相關假設」或「此模型有足夠解釋力」的判斷。

12.3 幾種看似支持、其實證據不足的情況

• 將真實工廠中某一種成功案例當成所有家庭環境的成功率。
• 把同一展示片段重複發布的觀看次數當成自主工作時數。
• 只比較模型參數量而忽略工具、控制器、上下文、資料集版本與硬體。
• 把整個工廠的自動化效益全部歸因於一台最新機器人。
• 將企業倒閉數、融資事件數或投資額，當成具身模型科學能力的直接測量。
• 用未公開的失敗資料補成「零事故」或「沒有部署」。
• 將模擬測試標成現實家庭、真實道路或真實工業環境。
• 把數位服務的低成本，直接推論為實體製造、住房或照護的低成本。

12.4 如何回答「多少參數、多少成本、幾年後？」

本文不以單一數字作答。原因不是迴避預測，而是這三個問題缺乏獨立於任務與系統的通用解：

• 參數量：必須同時指定架構、模態、訓練資料、外部記憶、工具系統、推理時間與本體接口。相同參數量可有截然不同的物理任務能力。
• 成本：必須指定合格任務、品質、監督、能源、折舊、維修、安全風險和生命周期。模型 Token 成本不能代表機器人的完整成本。
• 年份：必須指定地區、任務類型、達標門檻和持續期。對「所有通用物理任務」沒有合理的單一到達時間。

可以提出情境窗口與機率分布，但前提是存在可支持參數估計的縱向樣本、模型校準與外部驗證。否則年份只能是明確標記的主觀情境，而不能被當作已驗證的科學預測。

12.5 反身性：預測本身可能改變未來路徑

一旦市場相信「數位先行、實體落後」，資本可能轉向數位產品，降低具身硬體研發供給，進一步拉大觀測差距。相反地，政府或企業可能正因為觀察到差距而集中投資具身資料、控制、能源或維修，反而加速追趕。

因此本文的研究對象包含預測、投資、制度與技術之間的反饋；估計到的時間差不是脫離行為與政策的自然常數。這一點也使 WIIW 系列的反事實立場具有實際方法論價值。

13. 跨系列的理論接口：何者被繼承，何者是新命題

13.1 與 APET-06 的接口：具身不是人形

APET-06 將具身理解為持續的感測—行動—因果回饋邊界；DPIED-09 進一步研究這種邊界的任務效率、時間尺度與社會轉化能力。一個自動化工廠可以在某一作用域內形成高度有效的分散式具身體系，卻不需要模仿人類身體。

13.2 與 WIIW-05 的接口：知道、能做、可被授權去做

WIIW-05 著重物理行動的文明拓樸與權限；DPIED-09 不對 AI 主體性作額外判斷，而把技術可行、控制可行、法律授權與可負擔部署設為不同限制。若某任務不允許自動操作，這不意味模型智能較低；也不能因法律上允許而跳過安全驗證。

13.3 與 LWCT-02 的接口：不均衡豐裕的技術形成機制

LWCT-02 指出必要生活領域的供給瓶頸可吸收其他領域的生產力紅利。DPIED-09 補充其上游機制：模型能力、實體操作、可靠部署與產能擴張可能本來就非同步，即使實體產量已改善，也可能再遭遇分配與制度轉化損失。

13.4 與具身分層學習白皮書的接口：架構不是結局而是候選路徑

2026 年 6 月的《具身 AI 的本地算力困境與分層學習閉環》已描述本體、本地 AI 站、中央訓練中心與資料回流的協同構想。DPIED-09 不重複繪製該架構，而把它視為可放入 $A,H,V$ 變量的候選處置，要求比較其在可靠性、延遲、成本與可泛化性上的真實增益。

13.5 本系列的原創增量邊界

「技術擴散存在延遲」「組織資本重要」「瓶頸限制產出」「資料與物理系統存在 Sim-to-Real 差異」並非本文聲稱首次發現的全球原理。本文自身的研究貢獻，是將這些既有問題與前置理論整理為可分層、可衡量、可反事實比較的數位—實體演化轉化框架，並以不同追上事件避免宏觀敘事將能力、部署、產出與福利混成同一件事。

14. 結論：數位世界先抵達，不代表物理世界已經到達

本系列從一個對 AI 產業的直覺性修正開始：數位世界中的大模型、軟體代理、影片生成及可互動世界模型，可能進步得非常快；而具身 AI 在真實世界中仍需處理結構、材料、控制、延遲、記憶、感測、維修、成本、現場安全與制度。

九篇研究依序說明，這不是單純的「機器人是不是聰明」問題，而是由知識形成、可執行性、實際部署、物理生產與生活世界能力共同構成的跨尺度轉化問題。

本文以 ACRF 與 C1～C4 將「何時追上」拆成可獨立驗證的四種事件；以十項條件性命題說明單一模型能力、出貨量、模擬成績或投資金額均不能無條件決定整個物理世界的演化；以七種反事實路線說明分岔可能擴大，也可能收斂，專用機器人可能先成熟，新架構整合也可能帶來非線性收益。任何一種路線都不能在缺乏實測時被宣稱為已經證實。

本篇的最終結論分成四句：

1. 智能能設計，不代表物理系統能執行。
2. 機器能執行，不代表系統能持續產出。
3. 系統能產出，不代表居民能公平、可負擔地取得成果。
4. 上述轉化可以失敗，也可以透過有條件的技術、架構與制度變化重新耦合。

在因果與科學意義上，沒有必要先宣告「數位 AI 必然遠遠領先」或「具身 AI 幾年內一定全面普及」。真正具有研究價值的，是逐一回答：哪個任務、哪種身體、哪個現場、哪個時間窗、哪條產線、哪群居民，以及哪種可以被反駁的轉化證據。

因此，對於「數位豐裕先行，物理生產力何時追上？」最嚴格的回答不是一個年份，而是一套可辨識的追上條件與可重現的觀測方法。

如果智能已能提出改變世界的答案，文明下一個需要證明的，不是它還能回答多少問題，而是那些答案究竟能以多少時間、成本與風險，轉成誰真正能取得的生活。

參考資料與來源辨識（截至 2026-11-05）

本節分為外部公開可核對來源與 EveMissLab 前置研究。外部文獻用於支持其實際研究或統計範圍，不代表其作者已驗證 DPIED 系列提出的全部假說。網站的簡介、新聞稿、預印本、同儕審查論文與標準機構說明，證據等級及適用範圍各不相同；本篇盡可能在相關敘述處標明。

A. 外部公開來源

• [R1] Stanford Institute for Human-Centered Artificial Intelligence (HAI). (2026). The 2026 AI Index Report. https://hai.stanford.edu/ai-index/2026-ai-index-report 。類型： 大型年度研究報告。用於數位 AI 與具身 AI 多種技術基準的背景；其 BEHAVIOR-1K 2025 挑戰成績來自模擬環境，不可寫成真實家庭長程部署成功率。
• [R2] OECD. (2026-01). AI use by individuals surges across the OECD as adoption by firms continues to expand. https://www.oecd.org/en/about/news/announcements/2026/01/ai-use-by-individuals-surges-across-the-oecd-as-adoption-by-firms-continues-to-expand.html 。類型： 官方企業採用統計新聞稿。用於 2023—2025 可得資料國家的 AI 採用率及企業規模、產業差異；不是物理機器人效能證據。
• [R3] Calvino, F., Costa, H. & Haerle, D. (2026-01-22). Digital technology diffusion in the age of AI: Cross-country evidence from microdata. OECD Science, Technology and Industry Working Papers, 2026/01. https://doi.org/10.1787/ebc2debe-en 。類型： 跨 15 國企業微觀資料工作論文。用於技術擴散與人力、技術資本、企業特性的相關性；不能將相關性直接視為因果效應。
• [R4] 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/five-million-robots-now-operate-in-factories-globally 。類型： 產業協會統計新聞稿。用於 2025 年工業機器人約 507.9 萬台運轉存量、約 60.3 萬台新安裝；不代表通用具身機器人的自主程度。
• [R5] Acemoglu, D. (2024). The Simple Macroeconomics of AI. NBER Working Paper 32487. https://www.nber.org/papers/w32487 。類型： 經濟學工作論文。用於任務層 AI 效果向總體生產力推算時需處理受影響任務比例及成本效益的理論邊界；其模型估計不直接適用於全部機器人產業。
• [R6] Brynjolfsson, E., Rock, D. & Syverson, C. (2021). The Productivity J-Curve: How Intangibles Complement General Purpose Technologies. American Economic Journal: Macroeconomics 13(1), 333–372; NBER Working Paper 25148. https://www.nber.org/papers/w25148 。類型： 同儕審查經濟研究及公開工作論文版本。用於組織資本、互補投資與生產力統計時間差，不等於機器人必然遵循特定 J 曲線。
• [R7] 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 。類型： 同儕審查經濟學框架。用於自動化替代、工作任務重組與新任務形成。
• [R8] International Labour Organization (ILO). (2025-05-20). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO Working Paper 140. https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure 。類型： 職業任務暴露測量研究；「可能暴露」不等於「確定失業」。
• [R9] National Institute of Standards and Technology (NIST). (2023; information page accessed 2026). AI Risk Management Framework 1.0: Core Functions. https://airc.nist.gov/airmf-resources/airmf/5-sec-core/ 。類型： 風險管理框架。用於治理、情境、測量與風險管理的概念接口；非任何機器人系統的安全認證。
• [R10] World Bank. (2025). Digital Progress and Trends Report 2025: AI Foundations. https://www.worldbank.org/en/publication/dptr2025-ai-foundations/report 。類型： 國際機構分析報告。用於 AI 採用的跨國差異、連接與算力基礎設施約束；不為本篇具身 AI 追上年份背書。
• [R11] Brynjolfsson, E., Li, D. & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044 。類型： 同儕審查的數位客服領域 AI 生產力實證。用於說明數位工作場所的局部因果效益已可測量，但不能外推為所有行業、物理機器人或整體經濟的相同效果。
• [R12] Graetz, G. & Michaels, G. (2018). Robots at Work. Review of Economics and Statistics, 100(5), 753–768. https://doi.org/10.1162/REST_A_00754 。類型： 歷史工業機器人及勞動生產力研究。用於提供成熟工業自動化確實可能具正向產出效果的對照，而非把機器人產業描繪成毫無實績。
• [R13] 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 。類型： 專業服務機器人市場統計。其母體與工業機器人及通用人形機器人不同，不得直接加總或推論相同可靠性。
• [R14] OECD. (2026). Skills in the AI Age, executive summary. https://www.oecd.org/en/publications/skills-in-the-ai-age_972bd15e-en/full-report/component-4.html 。類型： 人力技能與企業 AI 採用的政策研究。用於指出技術擴散還受人力技能及組織資源限制，而不是模型參數量即可決定。

B. EveMissLab 前置理論（非第三方獨立實測）

• [E1] Neo.K（2026-06-30），《具身 AI 的本地算力困境與分層學習閉環：從大模型輕量化、VLA、世界模型到家庭光算網的原型架構》，v0.1，UTF-8 Markdown。
• [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，UTF-8 Markdown。
• [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，UTF-8 Markdown。
• [E4] Neo.K（2026-10-07），LWCT-02《不均衡豐裕：生產力成長、必要生活域與瓶頸稀缺》，v0.1，UTF-8 Markdown。
• [E5] Neo.K（2026-11-04），DPIED-01《同一個 AI 年代，兩條不同的能力曲線》，v1.0，UTF-8 Markdown。
• [E6] Neo.K（2026-11-04），DPIED-02《模型知道，不等於機器能做到》，v1.0，UTF-8 Markdown。
• [E7] Neo.K（2026-11-04），DPIED-03《展示繁榮與有效自主工作的落差》，v1.0，UTF-8 Markdown。
• [E8] Neo.K（2026-11-05），DPIED-04《看見世界，不等於能操作世界》，v1.0，UTF-8 Markdown。
• [E9] Neo.K（2026-11-05），DPIED-05《跨時間尺度的具身智能運行架構》，v1.0，UTF-8 Markdown。
• [E10] Neo.K（2026-11-05），DPIED-06《從虛擬訓練到真實世界的遷移邊界》，v1.0，UTF-8 Markdown。
• [E11] Neo.K（2026-11-05），DPIED-07《自主行動的長程可靠性與修復閉環》，v1.0，UTF-8 Markdown。
• [E12] Neo.K（2026-11-05），DPIED-08《機器人越多，不代表物理生產力越高》，v1.0，UTF-8 Markdown。

來源與版本說明： 上述內部研究是 DPIED-09 的前置概念與模型來源，不能視為獨立複現或外部驗證；任何後續修訂均需另外標示版本。本文不使用未經核對的私人企業 KPI 作外部事實，也不將新聞稿中的未來量產目標當成已發生的實機數據。

附錄 A｜跨層演化最小可稽核資料契約（虛構範本）

以下 YAML 僅為資料結構示例，沒有真實公司、個人、場站或設備的私人資料。null 代表缺失，不能在統計中默認為零。

study_id: DPIED09_SYNTHETIC_PROTOCOL
schema_version: '1.0'
record_type: domain_site_period
region_code: fictitious-region-01
sector_code: fictitious-sector-01
site_code: fictitious-site-A
task_family: material-handling
task_spec_version: QA-1
study_period_start: fictional-t0
study_period_end: fictional-t1
observable_environment_version: ENV-1
unobserved_hazard_flags: null
model_version: M-1
architecture_version: MTCCA-variant-A
controller_version: C-1
safety_contract_version: SAFE-1
robot_morphology: mobile-manipulator
sim_to_real_validation: unknown
cross_embodiment_validation: unknown
experiment_assignment: baseline
registered_threshold_C1: null
registered_threshold_C2: null
registered_threshold_C3: null
registered_threshold_C4: null
digital_tasks_attempted: null
digital_tasks_accepted: null
physical_tasks_attempted: null
physical_tasks_accepted: null
intervention_free_accepted_tasks: null
qualified_operating_hours: null
teleoperation_hours: null
supervisor_hours: null
safety_stops: null
near_miss_events: null
accidents: null
maintenance_wait_hours: null
energy_kwh: null
final_accepted_output_units: null
counterfactual_final_output_units: null
qualified_unit_cost: null
currency_code: fictional-currency
prices_adjusted: false
household_accessibility_metric: null
rights_and_permissions_verified: false
source_provenance_hash: null
independent_audit_status: not-a-real-audit
missingness_reason: illustrative-schema-only

真正實證需要事件級主鍵、時區、採樣時間戳、場站與任務固定效果、監督與接管紀錄、品質標準、真實流程的反事實、選樣機制、資料授權及敏感資訊保護。跨公司資料共享時必須先處理機密與個資，不應為了提高資料量破壞資料來源合法性。

附錄 B｜最終系列驗證與不失真檢查表

• 已明確區分數位能力、實體可行動性、可靠部署、物理產出與生活能力。
• 各項成功率、分母、任務版本、環境與時窗一致，或已標示不可比。
• 「BEHAVIOR-1K」等模擬數據沒有被冒稱真實家庭部署結果。
• 工業機器人、服務機器人及通用人形機器人沒有混成單一母體。
• 出貨、啟用、合格工作、最終產出和經濟淨收益保持不同欄位。
• EAW、EPWCL、SMPVL 及 MTCCA／LRRC 的適用條件未被省略。
• 各項追上門檻在分析前固定，持續達標與右設限被正確處理。
• 各項數學命題以假設為前提，沒有由反例推論真實世界必然如此。
• 整合架構、模型與本體的效果均可由實驗設計區分。
• 影片、模擬、真實操作與獨立實機測試有清楚來源標籤。
• 全成本、能源、維修、稼動率、人工介入與安全事件都有記錄。
• 對照方案不是理所當然的「零設備」世界，實際最佳替代方案被納入。
• 價格、地理位置、品質及可及性沒有被產量增長所取代。
• 允許專用實體先行、同步演化或技術追上，不因系列名稱而排除反例。
• 反事實情境已標示，沒有虛構具有經驗效度的年份與預測機率。
• 同時揭露研究缺失、負結果、選樣問題與外部效度邊界。
• 安全規範、現場法規與權限驗證未被理論分數冒充。
• 正式輸出保留 UTF-8 source，不以聊天畫面的公式渲染反推原始稿。

附錄 C｜原稿完整性、計算邊界與系列閉合聲明

1. 本文 P1～P10 的數學敘述僅在各項條件、任務、成本及容量模型下成立。它們不是可直接外推到全世界所有機器人的自然法則。
2. 本文 H1～H10 均待實證評估；尚無本研究自行收集之跨國縱向面板、隨機化場站實驗或安全認證。
3. 所有虛構算例只用於算術及模型邏輯檢查，不得引用為 2026 年特定國家或企業的觀測資料、真實生產力、模型成功率或成本。
4. 本篇對 2026 年可查公開資料的引用以來源所載的年份、統計母體及發布日期為準，不以發布年份取代統計年份。
5. 模型未假定單一 AI 參數規模、單一時間表、必然的技術奇點或必然的具身智能停滯。
6. 「再耦合」包含 C1～C4 不同事件；沒有將所有項目合併成一個不得反駁的文明分數。
7. 任何宣稱完成商業級、通用級或高風險實體任務者，均應提供具體的任務、可靠性、成本、風險、權限及適用環境資料。
8. 數學源只使用 $...$ 與 $$...$$，此份 UTF-8 Markdown 為唯一正式 canonical source。檔案需在發行前完成編碼、公式配對、引用索引與算術驗證；不可自動進行 Unicode-escape 往返轉碼或重寫反斜線。
9. DPIED-01 至 DPIED-09 的「系列完成」意指九篇理論原稿、命題模型及可檢驗協定已完整寫成；不意指整套理論已被實驗證明、取得安全認證或完成學術同儕審查。

DPIED-09 完。DPIED 九篇系列完成。