南韓人工智慧新創 RLWRLD 最近受到業界的關注，主要原因是因為它把攝影機綁在真實工作者身上。根據美聯社報導，首爾樂天飯店（Lotte Hotel Seoul）的餐飲主管 David Park，在頭部、胸前與手部配戴攝影機，示範他多年來反覆做過的宴會餐巾摺疊、擦拭酒杯與整理餐具等動作；而 RLWRLD 也從 CJ 物流倉儲員工、日本便利商店 Lawson 員工身上蒐集類似資料，目標是建立一套可以訓練機器人「大腦」的人類專業動作資料庫。
這個事件值得新創與台灣產業思考的是：Physical AI 的競爭，正在從誰有比較炫目的機器人外型，轉向誰能掌握更多真實場域裡的工作知識。這些知識過去都藏在老師傅的手感、節奏、判斷與臨場調整裡，很少被寫成 SOP，更少被轉成可訓練模型的資料。而 RLWRLD 的案例正好提醒我們，下一階段的機器人競爭，可能不只是硬體、感測器與模型架構之爭，還有「現場知識能不能被資料化」的競爭。
真正被記錄的是工作裡的隱性判斷
摺一張餐巾，看起來是簡單動作，但對機器人來說並不容易。人類手指會自然判斷布料厚度、摺痕位置、力道大小與下一步順序；擦拭酒杯時，也會根據材質、角度、接觸力與清潔狀態做微調。這些動作不只是「手往哪裡移動」，而是眼睛、手部、身體姿勢、記憶與力覺共同完成的結果。
RLWRLD 的方法，是把這些過去難以描述的細節變成機器可以讀取的資料。首先是把工作者影像轉成機器可讀資料，再由工程師配戴攝影機、VR 頭戴裝置與動作追蹤手套重複任務，捕捉關節角度、施力大小等細節。這些資料包含手指位置、關節角度與施力方式，並被用來訓練配備類人金屬手與攝影機的機器人。
因此，這裡的關鍵並不是「把人拍下來」，而是把現場經驗切成模型可學習的訊號。對 AI 產業而言，這很像大型語言模型需要文字、圖片與程式碼資料；對機器人而言，真正稀缺的是可代表真實工作情境的身體動作資料。
Physical AI 的資料來源，正在從網路走向現場
過去幾年，生成式 AI 的競爭很大一部分建立在網路資料上。文字、圖片、影片、程式碼，這些都是可規模化蒐集的訓練材料。但 Physical AI 面對的則是另一個問題：機器人不只要「看懂」世界，還要在真實世界裡移動、接觸、抓取、放下、避開障礙，並承受錯誤帶來的實體後果。
所謂的 Physical AI 我們指的是：機器結合 AI 與感測器，能在真實環境中感知、決策與行動，並且超越傳統工廠機器人只做重複任務的模式。這也解釋了為什麼南韓會把製造業、半導體、服務業與熟練技術工人的經驗視為戰略資產。例如，南韓政府近期宣佈一項 3,300 萬美元計畫，希望把「老師傅」的直覺知識與技能建立成 AI 製造資料庫，用來提升生產力並因應高齡化與勞動力縮減。
這對台灣很有啟發。台灣同樣有大量現場知識存在於製造、物流、醫療照護、餐飲、維修、精密加工與中小企業營運之中，而這些知識未必都寫在系統裡。當 Physical AI 開始需要真實場域資料時，台灣的價值不只在硬體供應鏈，也可能在把現場流程與專業手感轉成資料資產。
從 demo 到部署，差距往往藏在手部細節
人形機器人的 Demo 影片很容易吸引注意，尤其是跑步、翻跟斗、搬箱子或模仿人類動作。但產業真正關心的是，機器人能不能穩定完成重複但多變的工作。
RLWRLD 近期也發佈 RLDX-1 技術報告，將其描述為一個面向靈巧操作的 Vision-Language-Action 模型，嘗試整合動作感知、長期記憶與物理感測訊號，例如觸覺與扭矩。據報告指出，許多既有 VLA 模型雖然在視覺理解與語言指令泛化上有進展，但在動態環境、接觸力判斷、長流程記憶等真實操作能力上仍有侷限。
這正是「Physical AI」與一般生成式 AI 最大的不同。聊天機器人回答錯誤，通常造成資訊風險；機器人動作錯誤，可能打翻物品、撞到設備、損壞商品，甚至造成安全問題。因此，機器人的競爭不只是模型能不能理解指令，還要把感知、記憶、施力與動作控制整合在足夠穩定的系統裡。
所以，RLWRLD 把飯店、物流與零售現場納入資料蒐集範圍，其目的不只是為了讓機器人學幾個動作，而是要建立一種跨場域的技能資料層。也就是說，未來的機器人公司很可能不只販售機器本體，還會販售「能在特定場域工作的大腦」。
台灣新創的機會，未必是在做出令人驚豔的人形機器人
人形機器人是資本、硬體、供應鏈、控制系統與安全驗證高度密集的領域，不是所有團隊都適合正面切入。Physical AI 的落地，不只是需要機器人本體，還需要有資料、工具、流程、驗證、場域整合與營運服務。
因此，台灣比較有機會的位置，可能是在協助企業盤點哪些工作流程具有資料化價值。因為，很多現場任務看似例行，但實際上包含大量判斷與手感，若能被拆解成可記錄、可標註、可驗證的資料，未來就可能成為 AI 導入的基礎。
再來就是建立垂直場域的動作資料蒐集與標註工具。製造業、醫療照護、倉儲、維修、餐飲後場，每個場域的攝影角度、隱私要求、安全規則與標註方式都不同。這不是單靠通用模型可以解決的問題，還需要懂場域的人參與。
最後是發展「人機共工」的流程設計。首爾樂天飯店認為，目前人形機器人清潔一間客房可能需要數小時，而人類約 40 分鐘可完成；飯店期待 2029 年後機器人可投入清潔與後場任務，但涉及人與人互動的部分仍難以取代。這代表短期內更合理的方向，並不是完全自動化，而是重新分工：哪些任務交給機器？哪些保留人類來做？以及需要人類監督、修正與接手？
現場知識變成資料，也會帶來新的治理問題
但是，把老師傅的動作變成資料，除了技術問題外，還會涉及勞動、權益與治理。勞動者的經驗被蒐集後，資料屬於誰？是否能被重複用於其他場域？若未來機器人學會這些技能，原本提供資料的人是否得到合理回饋？企業是否應該揭露資料用途、保存期限與再利用範圍？這些問題都需要逐一釐清。
對此，南韓工會已經對擔心機器人可能掏空熟練勞動力，而這些熟練勞動力原本正是南韓產業競爭力的一部分。這個矛盾也值得台灣提前思考：企業把員工經驗轉成 AI 訓練資料，不能只把它視為效率工具，還要重視資料授權、工作重新設計、教育訓練與利益分配等議題。
這也是 Physical AI 與一般數位工具不同之處。它會進入工廠、倉儲、飯店、照護機構與公共空間，直接影響工作安全與勞動力的安排。導入前如果只看技術展示，很容易低估了現場阻力；但如果只看取代風險，又有可能忽略它在缺工、危險作業與重複性任務上的實際價值。
不必神話但不能低估指標意義
RLWRLD 還是一家年輕的公司，技術能否大規模部署，需要時間驗證。外媒曾報導 RLWRLD 取得約 1,480 萬美元種子輪資金，目標是建立面向機器人的基礎模型，並與策略投資人推動概念驗證；這代表它仍處於早期商業化階段，而非已經證明大規模替代人力。
但它的指標性在於：AI 產業正在把「資料」的概念推進到更深的現場層次。過去企業談 AI 導入，常把資料理解為 ERP、CRM、文件、報表與影像；但是 Physical AI 讓我們看見另一種資料：人怎麼拿、怎麼折、怎麼擦、怎麼判斷力道、怎麼在不完美的環境中完成工作。
對台灣來說，很多企業最有價值的資產，可能不是系統裡已經結構化的資料，而是資深員工每天用身體與判斷所完成的細節。當 AI 開始進入實體世界，誰能把這些現場知識轉成可學習、可驗證、可部署的資料，誰就有機會在下一波 Physical AI 競爭中取得位置。
本文依 CC 創用姓名標示 - 非商業性 - 相同方式分享 4.0 國際釋出