产业焦点的位移

投资集中于软件与算力，实体化尚未形成对应的产业能力

过去三年，AI 领域的资本与人才高度集中于三个方向：模型与软件框架、半导体工艺与芯片架构、数据中心与算力基础设施。三者的产业链已相对成熟，投资逻辑与评价方式也已建立。

Physical AI 的定义则要求另一种能力。当人工智能的输出必须以实体形式存在——机器人本体、机构件、末端执行器、传感器承载结构——其产出速度即受限于制造端的可制造性、迭代周期与供应链成熟度。这三项限制目前尚未获得与软件端相称的产业投入。

限制一 · 可制造性

生成式设计输出的几何，多数超出减材工艺的加工范围

拓扑优化与生成式设计已进入量产工程流程。其算法结果的共同特征，是以材料分布效率为目标所产生的非直觉几何：连续曲面、内部点阵结构、封闭于零件内部的流道。这类几何的力学效率来自于它并不遵循减材制造的成形逻辑。

减材工艺存在刀具可及性的物理限制。当算法结果无法以既有工艺成形，工程单位通常回退至可加工版本，于是设计效益在工艺阶段被折减。此一折减多数未被量化记录，亦未反映于 AI 导入的效益评估中。

对机器人应用而言，此一折减直接反映于性能。机构件质量经力臂放大后转为驱动负载，并影响续航与定位精度。轻量化在此并非设计偏好，而是规格条件。

限制二 · 迭代周期

软硬件迭代节奏不对称，决定年度可验证的技术路线数量

软件迭代的边际成本趋近于零，版本周期以日计。硬件则不然：机构件的每一次修改均需重新设计、重新发包、重新验证，周期以周或月计。此一节奏差异在原型阶段影响有限，进入场景验证阶段后则成为主要瓶颈。

以深圳方案设定的目标为例，2026 年底前需开放至少十个真实场景进入常态运行。每一个场景的环境条件不同，对应的机构调整即构成一轮硬件反馈。十个场景意味着至少十轮机构迭代，其总时程直接取决于实体件的交付周期。

美国机器人公司 Haddington Dynamics 的公开案例提供了量化参照。该公司将 Dexter 机械臂之多数结构件改以增材制造生产，零件数自 800 件降至 70 件以下，整机装配时程缩短至一日内完成。该机械臂之运动精度要求为 50 微米。依原厂公开资料，设备导入后约三周即完成整机碳纤维结构之重新设计。

限制三 · 供应链成熟度

样机成熟度与量产成熟度属于不同的工程问题

2026 世界机器人大会后，产业界普遍形成一项评估：人形机器人的硬件已趋成熟，后续瓶颈在于泛化能力不足。此一判断在算法层面成立，但在制造层面需要区分。

Markforged 的观察是，目前达到成熟的是展示样机，而非量产供应链。单台可由工程团队以手工方式完成的机构，与年产万台、须逐台维持运动精度并支持改款的机构，属于两种不同性质的工程问题：前者取决于设计与装配能力，后者取决于供应链的一致性与响应速度。

深圳方案的技术攻关方向可作为对照。该方案将人形机器人本体与核心零部件自主化列为重点，其资源配置指向的是实体制造能力，而非模型能力。

区域产业定位

精密机械与工装供应能力，是实体化最直接的产业基础

2026 年 8 月，台湾全国工业总会发布年度白皮书，主题为“转折”。该白皮书调查 161 个产业公会，缺工以 76.6% 之关切度连续三年居首，产业转型以 75.7% 居次，并建议当局检讨“重科技、轻传产”之政策配置。

陈中欣认为，两项数据与 Physical AI 的产业需求存在直接对应。实体化所需的能力——精密机械加工、结构件制造、工装夹具供应、快速换线——正是区域内机械产业长期积累的基础。就产业定位而言，机械业并非人工智能的替代对象，而是 Physical AI 量产化过程中的必要环节。

他同时指出此一定位的前提条件：交付周期需自以周计缩短至以日计，非标件供应需自外部委外转为现场自主。前提未达成之前，机器人企业将转向具备该能力的供应者。

就人力短缺而言，其解方亦不在人力供给端。当既有人力的单位产出需提升，前提是工装与夹具能于当日到位，而非排入外部产能队列。

结语

实体化是目前 AI 产业最大的未解挑战

“现阶段的产业讨论高度集中于 AI 辅助设计、协助设计及各类延伸应用。但真正最大的挑战是 AI 实体化——把软件变成硬件，把虚拟的东西变成实体。”陈中欣表示。

解决方向

将结构件供应能力配置于产线端

Markforged 之工业级增材制造系统以连续纤维复合材料为核心，供制造企业于生产现场自主生产具结构性能之机构件、工装夹具、末端执行器与产线辅具。FX10 与 FX20 定位于产线级应用，X7 与 X7 FE 定位于设计验证与高频迭代；FX10 可加装 Metal Kit，于同一设备平台切换复合材料与金属打印。

此一配置改变的并非单一零件的取得方式，而是设计变更与实体交付之间的时间差。当该时间差自以周计压缩至以日计，硬件迭代周期方能与软件周期对齐。