剛結束 2026 世界人工智能大會（WAIC）的參訪行程。這次展會給我最深的震撼是：AI 終於從螢幕裡的「對話框」，徹底走向了物理世界的「真幹活」。

作為一名邊緣運算與局部自動化架構師，同時兼任 AI 行為校準專家，我過去的工作多半在處理「如何讓 AI 在本地端低延遲且精準地執行動作」，以及「如何校準 AI 的預期行為與現實物理反饋的落差」。在今年的 WAIC 上，我看到了令人驚豔的技術突破，但也聽到了許多值得深思的產業警鐘。以下是我從專業視角出發，為大家梳理的前線觀察。

1. 邊緣運算視角：會思考的「中風患者」與完美的「系統 0」

過去我們總以為只要把大語言模型（LLM）塞進機器人裡，它就能像人一樣行動。但在展會現場，逐際動力（LimX Dynamics）的一句標語完美總結了架構師的痛點：「大語言模型 = 大腦；模型 = 能力，大腦 = 系統」。

逐際動力將這套系統分為三層，其中對於「系統 2（大腦/前額葉）」的描述非常貼切。他們在簡報上直言，僅有 LLM 驅動的系統就像是「躺在病床上的聰明殘疾人」。這跟我常說的**「中風患者」**比喻如出一轍——有腦、聽得懂、會思考複雜的任務，但神經傳導與肌肉（邊緣運算與硬體控制）跟不上，根本動不了。

但在硬體執行的最底層「系統 0（小腦/全身運控）」，今年的進步令人咋舌。我在現場看到了 Unitree 以及逐際動力的實機展示，展現出了堪稱完美的系統 0 技術。不管是雙足還是雙輪形態，它們在沒有外部輔助的情況下，都能實現極度流暢的自主平衡。對於局部自動化而言，這種完全在本地端進行毫秒級反饋的極低延遲硬體控制，正是上層 AI 能夠順利落地的穩固地基。

2. AI 行為校準專家視角：跳舞很簡單，VLA 與 lerobot 才是「真幹活」

展會上有很多機器人在跳舞，看起來很炫酷，但從行為校準專家的角度來看，「跳舞」這類沒有跟外界產生動態互動的行為，其實是相對簡單的。它更多是預設軌跡的重播，缺乏對未知環境的實時反饋。

具身智能要真正好用，關鍵在於「精準的物理交互」。我在現場看到了大量導入 VLA（視覺-語言-動作）模型的技術，讓機器人不僅聽得懂人話，還能直接將語言轉化為肢體動作。例如 Futuring（未來不達）機器人等展示了幫忙收衣服、洗衣服、摺衣服，甚至是精準拿水給你的 Demo。

要做到這點，背後的訓練技能尤為關鍵。我注意到許多開發者開始大量使用類似 lerobot 的開源技術與框架，來訓練機器人的抓取等細部技能。這正是我在做「行為校準」時最關注的領域：透過大量的數據餵養與模仿學習，校準機器人的關節偏差與力度，解決它們過去「不知輕重」的痛點。

3. B2 展區的生機與警鐘：新創活力 vs. 為做而做的「工業垃圾」

除了成熟大廠，這次在 B2 展區的見聞也讓我印象深刻。這裡充滿了各種新創團隊，帶來了許多新奇古怪的 Idea，你可以強烈感受到這波 AI 浪潮帶給新創者的巨大活力。

但與此同時，我也在現場聽到了一些非常犀利卻中肯的批評：目前市場上有太多的「工業垃圾」。許多產品純粹是「為做而做」，為了蹭人形機器人或大模型的熱度，硬是把一個平板鎖在一個沒有實際應用場景的機器人軀殼上。沒有深入探討邊緣運算架構的合理性，也沒有解決任何局部自動化的痛點。

結語：回歸解決真實問題

2026 年的 WAIC 傳遞了一個明確的訊號：技術框架已經確立，接下來是算力下沉到邊緣、行為在物理世界精細校準的落地戰。未來的自動化與具身智能，需要的不是空有大腦的「中風患者」，也不是沒有實用價值的「工業垃圾」，而是能真正在工廠、藥房或你家客廳裡，精準執行每一次抓取與移動的可靠夥伴。

（更多關於 AI 行為校準與邊緣架構的深度探討，歡迎持續關注 rishenlu.com 的後續技術解析文章！）