實體 AI 的未來不是更聰明的機器人，而是更聰明的介面

This sponsored article is brought to you by Wetour Robotics.

一位風力發電機上的現場技術人員，安全帶扣緊，雙手握著扳手，卻需要向掛在腰帶上的診斷裝置發送指令。一位物流工作者站在裝卸碼頭，戴著手套，目光緊盯貨板，卻需要重新導向一台已連線的升降機。一位在擁擠街道上使用輔助行動裝置的使用者，想要在不拿出手機或出聲的情況下，讓裝置往前移動。這些情境都不需要更聰明的機器人，它們需要的是更聰明的方式，讓現有機器能聽見人類。

產業一直只從單一面向建構

過去三年實體 AI 的發展，主要聚焦在機器人端迴路的顯著進展。像 Boston Dynamics、Figure 以及 Unitree 這類公司，已將致動器、移動能力和靈巧度推進到十年前難以想像的水準。Google DeepMind 的 Gemini Robotics 重新定義了視覺-語言-動作模型在非結構化環境中的表現。硬體與基礎模型的發展軌跡真實存在，且持續加速。

然而這個迴路還有另一端，長久以來被視為已解決的問題。人機介面四十多年來預設為三種輸入模式：螢幕、按鈕與語音。每種模式都假設使用者能停下來、低頭，並將意圖轉換為結構化指令。當工作進入真實環境時，這項假設便失效了。在風力發電機上、在碼頭、在人行道，任何雙手忙碌、目光專注或不適合出聲的場景，傳統介面堆疊都會悄然失靈。

Spatial Intent Fusion 是同時處理三種以人類為中心的資訊串流，即空間位置、視覺脈絡與手勢意圖：你的身體就是介面。

人類端迴路的瓶頸正變得與機器端同等重要。解決之道需要提出不同的問題：不是如何讓機器人更具能力，而是如何讓人類能像機器人一樣自然地參與運算系統。

Wetour Robotics 的賭注：將人類重新帶回運算迴路

Wetour Robotics 認為實體 AI 下一個架構上的躍進，並非讓機器人更強大，而是讓人類成為運算網路中的一等節點，享有與已連線裝置相同的低延遲、高保真度參與度。

Wetour Robotics 的工程師如此定義問題：一個能辨識手勢的手環並不足夠，一個能辨識場景的攝影機也不夠。人類所攜帶的、關於接下來要做什麼的資訊，分散在多個通道中，包括身體在空間中的位置、眼睛正在注視的目標，以及肌肉正準備執行的動作，任何單一通道若被獨立觀察，都會產生歧義。要可靠地重建意圖，必須在作業系統層級融合這些通道，並將延遲壓低到讓迴路感覺已閉合而非被中介。

這種方法有個名稱。Wetour Robotics 稱之為 Spatial Intent Fusion：同時處理三種以人類為中心的資訊串流，即空間位置、視覺脈絡與手勢意圖，並將其融合成單一即時指令，傳送給任何已連線的實體裝置。這是公司對外所使用的簡化定位陳述背後的技術實作：你的身體就是介面。

Orchestra 是一台可攜式智慧中樞，執行處理 sensor fusion、意圖推論、指令轉譯與安全仲裁的作業系統。參考運算平台為 NVIDIA Jetson Orin Nano Super，其提供的裝置端推論能力足以讓整個控制迴路留在邊緣，關鍵路徑上無需仰賴雲端。Wetour Robotics

架構：三層、四引擎、一個迴路

Orchestra 不是單一裝置，而是一個從一開始就設計為感測器彈性且致動器無關的層級化平台。架構可拆解為三個感知層與四個協調引擎。

Orchestra 本身是本地的運算與協調核心：一台可攜式智慧中樞，執行處理感測器融合、意圖推論、指令轉譯與安全仲裁的作業系統。參考運算平台為 NVIDIA Jetson Orin Nano Super，其提供的裝置端推論能力足以讓整個控制迴路留在邊緣，關鍵路徑上無需仰賴雲端。邊緣推論對此應用而言是不可妥協的。從生物訊號擷取到致動器指令的完整鏈路延遲維持在 100 毫秒以下，這是讓閉迴路控制感覺自然而非延遲的範圍。

VisionLink 負責視覺與空間感知。攝影機將影像送入視覺模型，以辨識物體、估算距離並追蹤環境脈絡。VisionLink 的設計不是被動的辨識層，而是即時指令產生器：其輸出會直接送入 Orchestra OS，與生物訊號資料融合。

Conductor 是生物訊號管線。它從腕戴式裝置擷取原始表面肌電圖（sEMG）資料，將時間模式分類為離散手勢或連續控制訊號，並輸出致動器指令。sEMG 在此使用情境中技術上值得注意的特性是，訊號會先於可見動作出現。運動單元動作電位出現在皮膚表面，大約比手指完成對應手勢早 50 至 80 毫秒。Wetour Robotics 將此特性稱為 pre-motion intent sensing，這也是 Orchestra 能預測使用者意圖而非僅作出反應的原因。

在三個感知層之上，Orchestra OS 執行四個協調引擎。Perception Engine 負責擷取並正規化原始感測器串流。Intent Engine 跨模態執行 Spatial Intent Fusion，根據使用者所在位置、注視目標以及手部訊號，解析使用者試圖執行的動作。Orchestration Engine 將意圖轉譯為任何已連線致動器的裝置專屬指令序列。Safety Engine 則負責仲裁衝突指令、執行操作範圍，並根據執行時的安全條件對執行進行閘控。

我們誠實面對的權衡

任何連接人體與數位世界的系統都不可能完美。仍有三項工程挑戰待解，公司對每一項都採取刻意的權衡，而非宣稱已完全解決。

運動狀態下 sEMG 的基線穩定性。 在靜止使用者身上，sEMG 的連續手勢辨識相當可靠。一旦使用者開始行走、攀爬或其他移動，運動偽影與電極偏移會以難以完全補償的方式降低訊號品質。因此，Orchestra 在複雜操作環境中預設使用較少但更穩健的離散手勢，而將連續控制模式保留在訊號雜訊比支援的脈絡中使用。

邊緣 AI 運算的小型化。 將 Orchestra 控制迴路完全運行在邊緣，需要真正的裝置端推論，這在過去意味著要在運算能力、電池續航與外型尺寸之間進行取捨。Wetour Robotics 的做法是搭配緊湊的載板、熱設計，以及足以全天穿戴的電池模組。結果是一個能跟隨使用者移動，而非將使用者綁在桌邊的中樞，並能在不將資料卸載至雲端的情況下，執行完整的感知至致動迴路。

第三方裝置協定異質性。 迴路的致動器端是一個碎片化的環境。不同製造商提供不同的指令介面、不同的通訊堆疊與不同的安全慣例，而實體 AI 作業系統必須與所有這些整合。Wetour Robotics 使用 AI 代理層來適應性地協商連線與協定轉譯，讓 Orchestra OS 能從廣泛的裝置擷取資料，透過神經網路模型推論人類意圖，並以正確的協定向另一端的裝置發出正確指令。

為什麼這很重要，以及它如何幫助整個領域

運算的歷史就是介面革命的歷史。指令列讓位給圖形使用者介面，再讓位給觸控，再讓位給語音。每次轉變都擴大了能參與系統的人群，以及他們能用它做的事。下一次轉變並非關於新螢幕或新麥克風，而是將人體本身視為運算網路中的參與者，能以與其他任何已連線節點相同的速度與保真度貢獻意圖。

運算的歷史就是介面革命的歷史。下一次轉變並非關於新螢幕或新麥克風——而是將人體本身視為運算網路中的參與者。

這條路徑並非與 人形機器人、具身 AI 基礎模型以及靈巧操作相關工作的競爭者，而是對這些工作的必要補充。人形系統最困難的開放性問題在於資料：人類與物理世界之間的每一次自然互動，都可能是潛在的訓練訊號，而目前大多數這些互動對任何運算系統而言都是不可見的。當更多人類成為迴路中的一等節點時，這些互動就會變得可觀察、可結構化，並最終成為訓練下一代具身 AI（包括目前正在開發的人形機器人）的有用資料。

換句話說：將人類重新帶回運算迴路，不僅是為了個別使用者獲得更好的介面，也是為了產生更廣泛實體 AI 生態系持續前進所需的、扎根於真實世界的 grounding 人機互動資料。機器人端與人類端的迴路並非兩個競爭的未來，而是同一個未來的兩個半邊。

這就是 Wetour Robotics 所說的：你的身體就是介面。

Learn more at wetourrobotics.com.