機器如何在未知世界裡，決定自己該往哪裡看？
想像你第一次走進一間停電的倉庫。
門只開了一條縫。裡面沒有完整地圖，貨架高低不一，地上可能散落著紙箱、推車與纏繞的電線。你不會閉著眼睛直線往前，也不會把視線固定在正中央，等待世界主動把答案送到面前。
你會停一下。
先往左右看，再抬頭確認燈架與貨架的位置；聽見某個方向有聲音，便把身體轉過去；看不清楚紙箱後方是否有路，就往旁邊移半步，換一個角度。你不是只在收集影像，而是在主動製造更有用的影像。
人類把這種能力使用得太自然，以至於很少意識到它是一種智能。
我們不只會看見，也會判斷「現在應該看哪裡」；不只辨識物體，也會透過移動頭部、眼睛與身體，減少不確定性。當環境陌生時，我們先觀測，再行動；行動之後，又利用新的視角修正原本的理解。
對機器人而言，這是一道比物件辨識更深的難題。
攝影機可以拍到畫面，模型也能說出畫面裡有桌子、杯子和門。但一台真正要在未知環境裡工作的機器，必須進一步回答：
- 哪一個物體與任務有關？
- 哪一個角度能看見被遮住的部分？
- 我目前的位置與方向是否判斷正確？
- 眼前的變化只是光影，還是物體真的移動了？
- 我做完這個動作後，世界可能會變成什麼樣子？
因此，機器人視覺真正的前沿，不只是把相機做得更清楚，而是讓機器學會主動觀測、建立世界模型，並知道自己還不知道什麼。
一、攝影機取得的是畫面，不是世界
一張照片只是某個位置、某個時間、某個角度的投影。
它沒有告訴機器，桌子後面是否還有另一個箱子；也沒有保證看起來像平面的地板真的沒有高低差。物體可能被遮擋，透明與反光材質可能欺騙深度估計，陰影也可能被誤認成障礙。
人類之所以能在不完整畫面中行動，是因為我們會把眼前訊號，和過去經驗、身體運動以及對物理世界的預期結合起來。
當一顆球滾到桌子後方，我們通常不會認為它消失了；當一個人從門邊露出半個身體，我們知道門後可能還有完整的人；當杯子開始傾斜，我們會預期裡面的水可能流出來。
這些判斷都超出了像素本身。
機器人的世界理解也需要相似的層次：
- 偵測與辨識：畫面裡有什麼。
- 空間理解：它在哪裡、彼此如何排列。
- 狀態理解：物體是開著、關著、滿的、空的，還是正在移動。
- 因果預測：如果我推、拉、拿起或鬆手，接下來可能發生什麼。
- 任務相關性：在目前目標下，哪些資訊值得優先處理。
因此，「看見杯子」與「知道怎麼處理杯子」之間，隔著一整套空間、狀態、物理與任務推理。
這也是為什麼，不能用「人類判斷有百分之八十依賴視覺，而機器視覺不到人類百分之一」這類醒目的比例來概括差距。感官權重會隨任務改變，也沒有一個公認指標能把人類與機器視覺壓成單一百分比。
比較準確的說法是：機器在受控條件下的辨識已非常強，但在開放環境裡，對遮擋、物理狀態、視角選擇、長時間變化與任務關聯的理解，仍然遠不如人類穩定。
二、真正的觀測，是機器主動移動自己的視角
假設桌上有一只袋子，袋口朝向另一邊。
一個被動視覺系統只能分析現有畫面，猜測袋子裡是否有東西；一個具有主動觀測能力的機器，則會理解：目前視角不足以做出可靠判斷，因此應該向左移動、彎低身體，或把袋口輕輕轉過來。
這種能力在研究中常被稱為主動感知或主動視覺。
它的核心不是「多拍幾張照片」，而是把觀測本身納入決策：
下一個動作不一定直接完成任務，也可能只是為了得到更好的資訊。
人類在陌生地方四處觀看，就是最日常的例子。
我們轉頭，不是因為轉頭本身有價值，而是因為新的視角能降低不確定性。機器若要進入倉庫、災區、家庭與戶外，也必須學會這種「先看清楚一點，再決定」的節奏。
截至 2026 年，主動感知已成為具身智能的重要研究方向。新的基準不只測試模型能否回答影像問題，也開始要求它規劃觀測行為：為了找到答案，應該轉向哪裡、靠近什麼、改變什麼視角。2026 年出現的空中具身感知基準甚至把任務拆成高層問題理解、觀測行為規劃與低層飛行控制，結果顯示，即使先進視覺語言模型能描述畫面，對視角調整與閉環任務完成仍然容易失敗。
這個差距很關鍵。
一個模型能對著照片說出「門在左邊」，不等於一台機器能在被貨架遮擋、光線變化與自身晃動的情況下，主動找到那扇門。
三、位置不是一次算出來的，而是持續被修正的
機器人在未知空間裡移動，首先要知道自己在哪裡。
這聽起來簡單，實際上是一個持續修正的問題。輪子可能打滑，雙足行走會產生晃動，相機會因震動模糊，環境裡的物體也可能被人移動。機器若只相信一開始建立的地圖，很快就會在真實世界中迷路。
因此，移動機器人長期使用定位與建圖技術，把攝影機、雷射雷達、慣性測量單元、輪速計或關節狀態融合在一起，一邊移動，一邊估計自身位置並更新地圖。
對具身機器人來說，地圖還不能只是一張幾何平面圖。
它最好同時知道：
- 哪裡可以走；
- 哪裡可能碰撞；
- 哪些物體可以移動；
- 哪個抽屜可以打開；
- 哪扇門目前關著；
- 哪個工作區有人；
- 哪些區域在任務中具有特殊意義。
這種地圖更接近「可行動的世界模型」。
它不只描述空間，也描述機器與空間之間的關係。桌面不是一片平面，而是可以放置物體的表面；把手不是一個凸起，而是可以拉動門的操作點；雨棚不只是一塊板子，而是在下雨時可能成為避雨位置。
所以當我們說機器能在下雨時主動躲雨，真正涉及的並不是簡單加上一條「偵測到雨就找屋簷」的規則，而是一整串能力：感知環境變化、理解雨水對自身與任務的影響、找出可用遮蔽物、重新規劃路徑，並在不中斷重要任務的情況下做出權衡。
今天的機器在特定場景下可以被設計成做到其中一部分，但距離像人一樣在任意未知環境中自然推理，仍有很大差距。
四、世界模型：在行動以前，先讓未來在內部發生一次
人類端著一杯水經過狹窄走道時，會預先想像某些可能性。
如果轉身太快，水會灑出；如果門正在關閉，手臂可能被夾到；如果前方有人突然停下，必須留出煞車空間。
這種能力不一定以完整畫面出現在意識裡，但我們會對「接下來可能發生什麼」保持某種內部預期。
機器人的世界模型，試圖建立類似能力。
它不是只從目前影像直接輸出動作，而是學習環境的變化規律：物體如何移動、接觸會產生什麼結果、動作是否接近成功，以及失敗之後應該重試還是改變策略。
2025 至 2026 年，多家研究機構開始把世界模型放進機器人資料生成與策略學習。NVIDIA 的 Cosmos 系列利用影片世界模型生成具有物理連續性的合成資料，GR00T 系統則把高層推理與低層動作分開；Google DeepMind 的 Gemini Robotics-ER 1.5 與 1.6，則專門處理空間理解、任務規劃、進度估計與成功偵測，再呼叫 VLA 或其他工具完成動作。
這些架構代表一個重要轉變：
機器人不應只知道下一個動作，還要能判斷任務是否正在朝正確方向前進。
成功偵測尤其重要。
一台機器若把杯子推到桌邊，卻因視角遮擋誤以為已經放好，就可能直接結束任務。更成熟的系統會重新觀察、從其他角度確認，必要時重試。
換句話說，世界模型不只是預測未來，也讓機器有機會檢查自己對現在的理解是否錯了。
五、壓縮感知的真正問題，是「什麼值得看」
原始筆記中把壓縮感知描述成更強的專注視覺，並連結到雙光子顯微成像。這裡需要把兩個概念拆開。
數學與訊號處理中的壓縮感知，是利用訊號的稀疏結構，用少量量測重建資訊；雙光子顯微成像則主要用於生物組織深層成像。它們可以提供技術靈感，卻不是今天機器人主動視覺的直接等同物。
對機器人更實際的問題是：在有限算力、頻寬與時間下，哪些資訊值得被高解析度處理？
一台機器不必對整個房間的每個像素都保持同樣注意力。
當它要插入插頭時，插孔附近的幾毫米最重要；當它在走廊移動時，前方人群與地面障礙比牆上的海報重要；當它聽見異常聲響時，聲音方向可能比原本注視的物體更值得重新觀測。
因此，機器視覺正在從「把所有東西都看得更清楚」，走向「依任務調整注意力、視角與感測精度」。
這和人類仔細觀看的方式相似，但不能被浪漫化為機器已經擁有人類式注意力。今天的注意力機制多半仍由任務目標、模型權重、規則或獎勵函數驅動；它能選擇資訊，不代表它具有主觀關心。
六、不是所有思考都應該送到雲端
早期的具身智能敘事很容易想像一個「雲腦」：機器把感測資料上傳到遠端大型模型，取得指令後再執行。
雲端確實有優勢。它能提供更大的模型、跨機器共享的知識、集中更新與複雜規劃，也適合處理不需要毫秒級反應的任務。
但把所有控制都交給雲端，在現場並不可靠。
網路會延遲，也可能中斷；影像與觸覺資料量巨大；工廠、醫院與家庭還涉及隱私和資安。一個即將跌倒的機器人，不能等待資料送到遠端機房再取得平衡指令；手中的玻璃杯開始滑動時，也不能把高頻觸覺全部上傳後再決定握力。
截至 2026 年，更合理的方向是混合架構：
- 關節、平衡、碰撞避免與高頻觸覺在機器本地處理；
- 中階技能由邊緣運算或本地模型執行；
- 複雜知識查詢、跨任務規劃與群體協調，才視情況使用雲端。
Google DeepMind 在 2025 年推出的 Gemini Robotics On-Device，就是把一般性靈巧操作與快速適應能力放到機器本地執行；2026 年 NVIDIA 的開放參考機器也以 Jetson Thor 提供機上推理與控制。
6G、非地面網路與低軌衛星未來可能支援遠端操作、跨區域協調和偏遠場景連線，但不能因此說大規模衛星建設「主要就是為機器人與自駕車準備」。通訊網路服務的對象遠比機器人廣泛，而安全關鍵控制仍必須具備斷網後的本地能力。
真正成熟的機器，不是擁有一顆無限遙遠的雲腦，而是知道哪些事必須立刻在身體裡完成，哪些事值得向外求助。
七、觀測能力的成熟，會表現在它敢於承認「我還不知道」
人類面對陌生物體時，會靠近、轉動、觸摸，甚至向別人詢問。
這些行為背後有一個共同前提：我們知道目前資訊不夠。
機器人若只會在每個時刻輸出一個看似確定的答案，反而很危險。它可能在看不清楚時仍然伸手，在定位失準時繼續前進，在任務失敗後假裝已經完成。
更可靠的具身系統需要估計不確定性，並把不確定性轉成行動：
- 換一個角度再看；
- 靠近一點；
- 用手輕觸確認；
- 呼叫其他感測器；
- 向人詢問；
- 暫停任務，而不是冒險猜測。
這種能力不像後空翻那樣醒目，卻是機器進入人類空間的基本禮貌。
因為在物理世界裡，錯誤不是一句可以刪除的文字。它可能是一個摔碎的杯子、一件受損零件，甚至是一個被撞傷的人。
會看，只是取得資料。
知道哪裡看不清楚、何時應該停下來，以及下一個觀測如何降低風險，才開始接近理解。
而一旦機器能夠主動觀測、建立世界模型並檢查自身進度，下一個問題自然出現：眼睛、皮膚、地圖、語言和任務規劃產生了這麼多訊號，誰來決定它們之間的優先順序？
那不是一顆更大的單一大腦就能輕易解決的問題。
它需要的是分工。
本章判讀
- 已驗證事實：主動感知、語意建圖、世界模型、成功偵測與本地推理，都是 2025–2026 年具身智能的重要研究與產品方向。
- 產業趨勢：機器將採取本地、邊緣與雲端混合運算，而不是所有資料都依賴遠端「雲腦」。
- 思想框架：「承認不知道」是對可靠具身系統的設計要求，不表示機器具有人的自我反省經驗。
本章參考資料
- Google DeepMind, “Gemini Robotics brings AI into the physical world,” 2025. https://deepmind.google/blog/gemini-robotics-brings-ai-into-the-physical-world/
- Google DeepMind, “Gemini Robotics 1.5 brings AI agents into the physical world,” 2025. https://deepmind.google/blog/gemini-robotics-15-brings-ai-agents-into-the-physical-world/
- Google DeepMind, “Gemini Robotics-ER 1.6,” 2026. https://deepmind.google/blog/gemini-robotics-er-1-6/
- Google DeepMind, “Gemini Robotics On-Device brings AI to local robotic devices,” 2025. https://deepmind.google/blog/gemini-robotics-on-device-brings-ai-to-local-robotic-devices/
- NVIDIA, “NVIDIA Releases New Physical AI Models,” 2026. https://investor.nvidia.com/news/press-release-details/2026/NVIDIA-Releases-New-Physical-AI-Models-as-Global-Partners-Unveil-Next-Generation-Robots/default.aspx
- Zhang 等，〈ActiveFly-Bench〉，2026 預印本。 https://arxiv.org/abs/2607.10180
