從大型語言模型到 AI Agent，人工智慧正逐漸從回答問題走向執行任務，而下一階段的競爭焦點，更可能進一步延伸至真實世界。此篇文章以 Agentic AI 與 Physical AI 的融合為核心，介紹 Embodied Agent（具身代理）的發展趨勢，以及 Vision-Language-Action（VLA）、世界模型、Robot Foundation Model、多 Agent 協作與 Sim2Real 等關鍵技術，說明 AI 如何從數位世界中的軟體代理，逐步發展為能夠感知環境、進行推理並實際控制機器人的智慧系統。
文章首先回顧近年 AI 技術的發展脈絡。2023 年大型語言模型帶動生成式 AI 浪潮，2024 年市場則進一步聚焦 Agentic AI，使 AI 具備自主規劃、推理、工具調用與執行工作流程的能力。然而，目前多數 AI Agent 仍主要活動於數位環境，例如搜尋網頁、操作 API、處理文件及撰寫程式。另一方面，Physical AI 則讓人工智慧進一步具備感知環境、操作工具與控制實體設備的能力。當兩者開始融合，也意味著 AI 正從會思考的 Thinking AI，逐步走向真正會行動的 Acting AI。在技術層面，此篇文章特別介紹 VLA 模型如何整合視覺、語言與動作，使機器人能根據相機畫面與自然語言指令直接產生行動，降低傳統機器人系統需要串接多個獨立模組的複雜度。同時，世界模型則讓 AI 在真正採取行動之前，先建立對環境的內部表示並模擬可能結果，例如預測物體是否容易傾倒、搬運過程是否可能發生碰撞，再選擇較安全的執行方式，讓模擬逐漸成為實體 AI 系統的重要推理能力。
此外，此篇文章也探討 Robot Foundation Model 的發展，希望建立能跨任務、硬體與應用場景使用的通用機器人模型。未來開發者可能不必從零撰寫每項控制程式，而是利用既有基礎模型，再針對物流、製造、餐飲或醫療等情境進行微調。搭配多 Agent 協作後，不同機器人更可分別負責盤點、搬運、品檢與生產等工作，形成彼此共享任務與環境資訊的智慧團隊。面對真實世界訓練資料昂貴且難以大量取得的問題，此篇文章也介紹 Sim2Real 與 Digital Twin（數位分身）的重要性。AI 可先在虛擬工廠、倉庫或家庭環境中進行大量模擬訓練，再將學習成果部署到實體設備，以降低實際測試的成本與風險。
最後，此篇文章整理具身智慧目前仍待突破的五項挑戰，包括長鏈任務的規劃與錯誤恢復、高品質機器人資料不足、跨場景泛化能力、安全與可信賴性，以及邊緣裝置的算力與功耗限制。整體而言，文章描繪的 AI 發展方向已不再只是追求更大的模型，而是如何整合 Agent、VLA、世界模型、Robot Foundation Model、Sim2Real 與 Edge AI，讓人工智慧真正具備理解任務、規劃流程、預測結果並完成實體工作的能力，進一步從 Software Agent 邁向能與真實世界互動的 Embodied Agent。
閱讀完整文章：https://makerpro.cc/when-physical-ai-meets-agentic-ai/
