普渡機器人走向“操作”，一場數據遷移實驗

在2026年世界人工智慧大會上，普渡機器人正式對外發表了全新的「本體+系統+技能」Physical Agent 架構。這項設計的核心目標，是讓不同型號的機器人能共用同一套大腦與軟體架構，從而打破過去各機型各自為政的開發模式，為機器人產業帶來一次基礎性的技術重構。在此之前，服務型機器人市場長期面臨一個結構性問題：每一款機器人幾乎都擁有獨立的控制系統、感知模組與行為邏輯，開發團隊必須針對不同硬體重複打造軟體，導致研發資源分散、維護成本居高不下，也限制了機器人跨場景的適應能力。普渡機器人提出的 Physical Agent 架構，試圖從底層改變這個局面。

透過統一的作業系統與可組合的技能模組，機器人不再只是執行固定路線的載運工具，而是能根據環境與任務需求，動態調配行為邏輯，從單純的「移動」跨入「操作」的全新階段。所謂「操作」，意味著機器人必須具備與環境互動的能力，而不只是被動移動。傳統的服務機器人大多扮演物流搬運的角色，沿著預設路徑配送物品、清掃地面或引導來賓。但隨著零售、製造、餐飲等場域對自動化需求日益複雜，單純的移動已無法滿足實際營運痛點。機器人需要學會開關門、取放貨架上的物品、調整陳列位置，甚至處理臨時性的障礙物。這些動作不僅要求更高的感知精度與運動控制能力，更需要在不同機型之間實現技能的快速遷移。

普渡機器人目前在全球累計出貨超過13萬台，每年從真實場域中收集的運行數據超過5000萬小時。這些大量且長期的實際運作資料，正是訓練與驗證新架構的關鍵基礎。相較於實驗室中的模擬環境，真實場域的數據包含無數邊界案例——光線變化、人群干擾、地板材質差異、設備老化等——這些都是機器人學習泛化技能的寶貴素材。普渡機器人希望利用這些數據，讓不同型號的機器人透過共享的數據湖，快速學會新的操作技能。這項數據遷移實驗的技術路徑，與大型語言模型的預訓練—微調範式有相似之處。先以海量跨場景數據訓練一個通用的「操作基礎模型」，再針對特定任務或特定機型進行少量微調，從而讓機器人能快速部署到新場域。

如果這套方法驗證成功，將大幅縮短機器人從研發到落地的時間，並降低開發成本，讓服務機器人有機會像智慧手機一樣，透過軟體更新獲得新的能力。普渡機器人下一步將把這套 Physical Agent 架構導入零售商超與工業製造等場景，嘗試讓機器人執行更複雜的操作類任務。在零售環境中，機器人可能需要自主補貨、調整商品陳列、協助庫存盤點；在工廠內，則可能承擔零件取放、開關料箱、輔助裝配等環節。這些任務的共同特色是，動作本身並不極端複雜，但對環境變化的適應性要求極高。例如，一張貨架上商品的擺放位置可能每天不同，機器人必須能即時辨識並做出正確的抓取決策。

從產業發展的角度來看，普渡機器人的這一步，反映了整個服務機器人行業正在從「移動能力」的競賽，轉向「操作能力」的深水區。過去幾年，各家廠商在導航、避障、定位等移動技術上已經取得長足進步，但操作層面的突破相對緩慢。主要原因在於，操作任務涉及視覺辨識、力控制、路徑規劃與任務排程的多重耦合，且對即時性要求極高。普渡機器人選擇以數據驅動的方式，嘗試建立可複用的操作技能庫，實際上是在為行業摸索一條規模化的路徑。值得注意的是，這項實驗的成敗，很大程度上取決於數據的品質與多樣性。

普渡機器人雖然擁有超過13萬台部署量與每年5000萬小時的運行數據，但這些數據主要來自餐飲、飯店、辦公室等既有場景，對於零售商超與工業製造的操作場景，數據覆蓋仍需時間累積。因此，公司預計會先以部分場域進行試點，透過邊跑邊蒐集的方式，逐步擴充操作數據集，並反饋回基礎模型。從更宏觀的視角來看，Physical Agent 架構的提出，也呼應了業界對「具身智能」的探索。當機器人不僅能移動，還能操作，才能真正具備在人類環境中執行服務的潛力。普渡機器人這一步，並非單純的產品升級，而是一次試圖將數據紅利轉化為操作智能的系統性實驗。未來是否能在零售、製造等領域順利落地，將是檢驗這套架構價值的關鍵指標。