# 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： 1. 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； 2. 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； 3. 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： ```text 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 $Q^{final}_1c_{min}$，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： 1. 出貨／到貨／驗收／上線／停用／退役時間與原因； 2. 設備、模型、技能、控制器、場站配置與安全策略版本； 3. 全部預定班次、需求到達、接受與拒絕的任務； 4. 每次合格驗收、重做、報廢、返工與延遲； 5. 各類人工監督、遠端操控、現場救援、維修與補料工時； 6. 故障、近失、事故、安全停止與恢復驗證； 7. 電力、充電、運算服務、備件、保險、設備與整合成本； 8. 上游供應、下游品管、出口物流、需求及價格條件； 9. 其他同時發生的流程／人力／設備調整； 10. 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。 ```yaml 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 1. 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。 2. 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。 3. 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。 4. 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。 5. $Q^{final}$ 、 $W^{acc}$ 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。 6. 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。 7. 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。 8. 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。 9. 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。 10. 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。**