先搞懂：什麼是物理 AI？

物理 AI 是在真實世界動手做事的 AI，例如自駕車、工廠機器人、人形機器人或設備故障預測。它處理的是感測器、相機、測試台和遙測資料，判斷錯誤可能造成撞車、停機或設備損壞。

只有正常運轉的資料，模型無法預測故障

AI 算力雲端公司 CoreWeave 於 2026 年 9 月 10 日推出「Physical AI Field Engineering」服務，派汽車、航太、機械背景的工程師進駐客戶團隊，以客戶的測試台結果、模擬輸出、產線感測器和即時遙測資料建模。團隊與方法來自 CoreWeave 2025 年收購的工程 AI 公司 Monolith。

Monolith 創辦人、現任 CoreWeave 物理 AI 資深副總裁 Richard Ahlfeld，在 Superintelligence 的書面訪談裡講得很直白：最常見的失敗，是「訓練集裡從來沒有真正重要的時刻」。要他預測車子什麼時候故障，卻只給他十萬小時一切正常的行駛資料，模型等於是瞎的。

NEURA Gym：每天跑一輪的資料迴圈

他以客戶 NEURA Robotics 為例。NEURA Gym 約有 100 個工作站，機器人在裡面試做客戶的真實任務，每天跑一輪：評估結果、決定要收什麼資料、收集、訓練、在模擬中驗證，再回到實體機器人上測試。

結論是：找到對的資料比資料量更重要。現場工程師要依領域知識判斷哪些「邊緣案例」（很少發生、但一發生就出事的狀況）值得用合成資料補，哪些異常是有意義的訊號。

NEURA Gym每日資料迴圈示意圖
每天一輪的資料迴圈

75 次迭代，換來 30 秒內的決策

另一個例子是 Aston Martin Aramco F1 車隊的無線電辨識系統：以 7 小時標註音訊為基礎迭代 75 次，讓模型適應引擎噪音、時速 300 公里的風切、多語言車手和車隊行話。

每一版都用 Weights & Biases Weave 以字詞錯誤率和大型語言模型品質評分檢驗，先在卡達、阿布達比正式賽事試跑才全面上線。過去要花好幾分鐘處理的問題，現在能在不到 30 秒的進站時間窗內解決。訪談沒有公布錯誤率，「75 次」和「30 秒」描述的是流程和結果，不是準確度。

先驗證模擬，再談合成資料

真實世界的關鍵時刻不常出現、也不易錄到，業界常用模擬器或能生成逼真場景的「世界模型」產生合成資料補充。Ahlfeld 的第一條規則是：模擬要先用受控的實測資料大量驗證。他把合成資料分成兩類：

  • 可以用合成資料補的：光照、幾何、運動這類物理模型擅長的落差。

  • 還是得靠實體測試的：顆粒、液體、柔性材料、人類的隨機行為，以及硬體本身和模擬之間的差異。

合成資料可補與需實測的項目對比圖
合成資料與實測的分工

他舉一台訓練中的人形機器人為例：原始資料只有少數低光源片段、沒有陽光直射畫面，任務失敗。團隊用 NVIDIA Cosmos 世界模型補上這些光線條件，重新訓練後兩種情境都能處理。他強調這次成功是因為光照正是世界模型擅長的；接觸、材料行為或磨損問題仍要回到真實測試。

對臺灣的意義

能源示範場工程師記錄試車異常示意圖
試車異常資料

臺灣的能源轉型正處於示範和試車階段，碳捕捉與封存、氫能和新型發電設備都在累積現場資料。可參考三項做法：

  • 保留異常資料：試車期間的異常、停機和邊界工況應有系統地記錄，不要只留穩態資料。

  • 先驗證模擬，再拿模擬補資料：先用實測確認模擬可信的範圍；地下流體、材料腐蝕這類模擬精度較低的領域，仍需現場測試。

  • AI 的建議要有人把關：Ahlfeld 主張，AI 對實體系統的建議都要經人審核並留下可追溯紀錄，電廠和示範場也適用。

來源