AI機器人為何仍無法普及？　台大團隊揭開最大技術瓶頸

【緯來新聞網】全球科技巨頭正全力競逐實體 AI 市場，從特斯拉 Optimus 到輝達人形機器人平台，都宣告 AI 正加速走入真實物理世界。然而，要讓機器人真正走出實驗室、適應陌生環境與不同物件，仍面臨「泛化能力（Generalization）」不足等核心挑戰。緯來財經《投資聊一SHOT》特別邀請台大電機系助理教授孫紹華，分享台灣團隊如何透過結合程式合成與強化學習的新架構，突破目前主流 AI 機器人的技術瓶頸。

緯來財經《投資聊一SHOT》特別邀請台大電機系助理教授孫紹華，分享台灣團隊如何透過結合程式合成與強化學習的新架構，突破目前主流 AI 機器人的技術瓶頸。（圖／投資聊一SHOT提供）

拿得起實驗室的杯子、卻拿不起家裡的抹布？科技巨頭沒說的機器人盲點

目前多數 AI 機器人普遍採用「端對端」神經網路，是直接將感測器取得的環境資訊，轉換成控制馬達的指令。孫紹華教授指出，這種依賴數據驅動的黑盒子運算機制，在物理世界的實務應用上面臨兩大核心缺陷：
● 錯誤缺乏可解釋性（Explainability）：當機器人因神經網路判斷異常而出現錯誤動作，例如抓取失敗、碰撞物件，甚至造成硬體損壞時，工程師往往難以清楚判斷問題發生在哪一個環節，也不容易進一步偵錯與修正。對於居家照護、醫療輔助等高安全需求場景而言，這將成為機器人商轉前必須克服的重要門檻。
● 泛化能力（Generalization）有限：傳統機器人即使能在實驗室環境中完成特定任務，一旦換到不同場景、不同物件，甚至只是物品外觀、材質或擺放位置改變，原本訓練好的模型就可能失效。也就是說，機器人目前最大的難題，不只是「會不會做」，而是能不能在陌生環境中舉一反三。

台灣學術大腦破局：以白紙黑字程式碼引導「AI 肌肉」

為了解開這個「有動作能力、卻缺乏清楚邏輯」的問題，孫紹華教授實驗室提出不同於傳統端對端模型的新思維，將機器人學習系統拆解為「程式合成」與「強化學習」兩大核心：
1、程式合成（邏輯規劃層）：利用程式碼清晰寫下邏輯判斷。例如在複雜的物件移動任務中，系統會自動生成明確的邏輯判定（如：判定物件重量、距離、規劃操作順序），使機器人的思考路徑完全透明、可被人類工程師理解且易於偵錯。
2、強化學習（動作執行層）：在清晰的程式邏輯引導下，機器人再透過強化學習去自主收集經驗，在物理環境中練習連續且複雜的馬達關節控制，進而高效完成高難度的物理互動任務。

孫紹華強調，這項研究的核心價值，在於讓機器人不只是記住單一任務，而是具備面對新場景、新物件時的適應能力。若未來機器人能在更高安全性與更強泛化能力下進入真實世界，將有望進一步帶動馬達、感測器、邊緣運算與控制系統等硬體供應鏈需求，也讓台灣在全球實體 AI 與智慧機器人浪潮中，掌握更關鍵的位置。

想看更多關於精彩內容，請鎖定「緯來財經YouTube」《投資聊一SHOT》，於每周二、四準時上新片！