機器人在虛擬環境中學習需要龐大的運算力。同時，機器內部也需要快速且可靠的晶片，才能在不依賴雲端的情況下，即時進行視覺辨識、判斷與行動。
踏入2026年，市場焦點正從人工智慧的「建築師」（模型實驗室與超大規模雲供應商），轉向「賦能者」（基礎設施）及「採用者」（應用層）。今年以來的領漲類股正好反映這一趨勢：資金持續從「美股七雄」輪動至市場其他領域，投資者正尋覓新一層的機遇。
機器人技術或許成為人工智慧的下一個前沿領域，讓智慧走出網頁，走進現實世界，從而催生出具顛覆性的全新應用場景。不過，對投資者而言，關鍵問題主要在於這種技術能否具備商業可行性，以及何時能夠實現。
技術上的突破
從歷史角度來看，機器人技術的主要瓶頸並不在於硬件，而是在於數據。
與可以從互聯網吸收海量數據的大型語言模型不同，機器人無法單靠龐大的數據庫就學會摺疊衣服或轉動門把。過去，機器人必須透過人類反覆示範，一次只能學習一項任務1，但這個瓶頸終於被打破：
透過人工智慧推動的模擬訓練，機器人如今可在接觸實物之前，先在虛擬環境中進行數以百萬次的「練習」。
我們已從「為特定動作編寫程式」轉向「訓練通用動作」。模型在學會抹枱之後，已經可以將這項技能融會貫通，運用到擦窗動作上。
代理型人工智慧讓機器人能以更高的自主性，在繁忙的倉庫或凌亂的廚房裡靈活應變和適應全新的環境。
經濟效益也在持續改善。據估計，人形機器人的成本在2023年至2024年間下降約40%2。在勞動力短缺以及製造業回流美國的壓力下，機器人技術有助提升效率並捍衛利潤率，尤其考慮到美國製造業的工資水準約為中國的4倍3。
商業化的挑戰
雖然技術取得明顯進展，但是由人工智慧推動的機器人要產生實質性收入，恐怕仍需數年時間。能否實現產能規模化，較大程度取決於脆弱的供應鏈、製造產能、安全考量，以及在部署與維護上的經濟效益。
以特斯拉（Tesla）為例，其Optimus人形機器人的生產進度便未達公司先前訂下的進取目標4。此外，自動駕駛車輛儘管近期在商業上取得進展，但仍受制於車輛供應與整合物流等實際瓶頸。
目前的投資機遇
目前，「物理人工智慧」領域中具備投資價值的部分，仍主要集中在基礎設施層。機器人在虛擬環境中學習需要龐大的運算力。同時，機器內部也需要快速且可靠的晶片，才能在不依賴雲端的情況下，即時進行視覺辨識、判斷與行動。此外，支持物理人工智慧訓練的軟件亦在迅速擴張，而製造業與健康護理企業則是目前最強大的早期採用者。
在其他領域，雖然越來越多美國科技企業與新創企業投入人工智慧機器人的研發，但是由於研發時程、單位經濟效益，以及商業可行性仍存在不確定性，現階段將其視為投資組合中的獨立主題仍然是為時尚早。然而，這也為投資者提供了另一個布局於國際市場的理由，因為亞洲憑藉其製造實力與先發優勢，依然是該領域的主要領導者5。
機器人的前景也突顯出人工智慧的部署仍處於極早期階段，該領域最具顛覆性的商業模式甚至可能尚未出現。隨著產業格局不斷演變，投資者今年宜維持對賦能者與採用者的廣泛配置，而非過早嘗試押注最終贏家。