# 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： 1. 《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。 2. 《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。 3. 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。 4. 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。 5. 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 $t_10$：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」 1. **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。 2. **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。 3. **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 1. **基準能力曲線**：固定任務籃中的任務成功率及其置信區間。 2. **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。 3. **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。 4. **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 1. $C_d(t)$ 、 $N_d(t;t_0)$ 、 $G_d$ 、 $\Delta_{DP}$ 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。 2. 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。 3. 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。 4. 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。 5. 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。**