機器經濟的興起：Web3 如何促使機器人從單純工具轉型為自主系統

簡介

近年來，機器人產業迎來技術與商業模式的雙重轉捩點。以往機器人多被視為「工具」，仰賴企業後台調度，難以自主協作，也不具備獨立經濟行為能力。但隨著 AI Agent、鏈上支付（x402）、Machine Economy 等新興技術融合，機器人生態正從單一硬體競爭，轉型為由「身體—智能—支付—組織」構成的多層次複雜系統。

全球資本市場也正迅速反映這一趨勢。摩根士丹利預測，到 2050 年，人形機器人市場規模可能高達 5 兆美元，並帶動供應鏈、運維、服務等相關產業同步成長。同年，投入使用的人形機器人有望突破 10 億台。這代表機器人將從工業設備，真正邁向「規模化社會參與者」。(1)

為掌握機器人產業未來發展方向，可將整體生態理解為四個明確層次結構：

Source: Gate Ventures

第一層為物理基座（Physical Layer）：涵蓋 humanoid、機械臂、無人機、EV 充電樁等所有具身載體。此層解決基礎行動與作業能力問題，如行走、抓取、機械可靠性及成本。但這一層的機器仍屬「無經濟行為能力」，無法自主完成收費、支付或服務採購等行為。

第二層為控制與感知層（Control & Perception Layer）：涵蓋傳統機器人控制論、SLAM、感知系統、語音視覺識別，到現今的 LLM+Agent，以及愈來愈多具備抽象規劃能力的機器人操作系統（如 ROS、OpenMind OS）。此層讓機器「聽得懂、看得見、能執行任務」，但支付、合約、身份等經濟活動仍需由人類後台處理。

第三層為經濟結算層（Machine Economy Layer）：真正的變革由此展開。機器開始擁有錢包、數位身份、信譽體系（如 ERC-8004），並透過 x402、鏈上結算、Onchain Callback 等機制直接為算力、資料、能源、路權付費；同時也能因執行任務而自主收款、託管資金、發起結果導向支付（result-based pay）。此層讓機器人從「企業資產」躍升為「經濟主體」，具備參與市場的能力。

第四層為協調與治理層（Machine Coordination Layer）：當大量機器人具備自主支付與身份後，便能組織成機隊與網絡—如無人機集群、清潔機器人網絡、EV 能源網等。可自動調價、排班、競價任務、共享收益，甚至以 DAO 形式形成自治經濟體。

綜觀上述四層結構可見：

未來機器人生態不只是硬體革命，而是「物理 + 智能 + 金融 + 組織」的系統性重塑。

這不僅重新定義機器能力邊界，也重塑價值捕捉方式。無論機器人公司、AI 開發者、基礎設施供應商，或加密原生的支付與身份協議，都將於新機器人經濟體系中找到自身定位。

為何機器人產業會在此刻爆發？

過去數十年，機器人產業始終在實驗室、展台及特定工業場域徘徊，距離真正規模化商用與社會化部署始終差一步。2025 年後，這一步驟開始被跨越。無論資本市場、技術成熟度，或產業觀察者如 NVIDIA 執行長 Jensen Huang 的判斷，皆傳遞出同一訊號：

“The ChatGPT moment for general robotics is just around the corner”

此判斷並非誇大宣傳，而是基於三大關鍵產業訊號：

1. 算力、模型、仿真、感知控制等基礎能力同步成熟
2. 機器人智能由封閉式控制 → LLM/Agent 驅動的開放式決策
3. 由單機能力躍升至系統能力：機器人將從「能動」進化為「能協作、能理解、能經濟運作」

黃仁勳甚至預測，人形機器人未來 5 年內將廣泛商用，與 2025 年資本市場及產業落地趨勢高度一致。

資本層面：巨額融資證明「機器人拐點」已獲市場定價

2024–2025 年，機器人產業出現前所未有的融資密度與規模，僅 2025 年即有多筆超過 5 億美元級融資，典型事件包括：

Source: Gate Ventures

資本明確表態：機器人產業已進入投資可驗證階段。

這些融資具備共同特徵：

• 非「概念融資」，而是生產線、供應鏈、通用智能、商業化部署方向
• 非零散專案，而是軟硬體整合、全堆疊架構、機器人全生命週期服務體系

資本不會無故押注百億規模，背後是對產業成熟度的確認。

技術層面：決定性突破同步出現

機器人產業於 2025 年迎來歷史罕見的「多技術匯聚」。AI Agent 與大型語言模型突破，讓機器人從僅能執行指令的「可操作機器」，升級為可理解語言、分解任務、結合視覺與觸覺推理的「可理解智能體」。多模態感知與新世代控制模型（如 RT-X、Diffusion Policy）首次賦予機器人接近通用智能的基礎能力。

Source: Nvidia

同時，仿真與遷移技術快速成熟。Isaac、Rosie 等高保真模擬環境大幅縮小仿真與現實差距，使機器人在虛擬環境中以極低成本進行大規模訓練，並可靠遷移至現實世界。此舉解決了機器人學習速度慢、資料採集昂貴、真實環境風險高的根本瓶頸。

硬體端演進亦至關重要。力矩馬達、關節模組、感測器等核心零組件因供應鏈規模化持續降本，中國於全球機器人供應鏈加速崛起進一步提升產業生產力。隨多家企業啟動量產計畫，機器人首次具備「可複製、可規模部署」的工業基礎。

最後，可靠性與能耗結構改善，讓機器人真正符合商業應用最低門檻。更佳馬達控制、冗餘安全系統及即時作業系統，使機器人能於企業級場域長時間穩定運作。

上述因素使機器人產業首度具備從「實驗室 Demo 階段」邁向「規模化真實部署」的完整條件，這正是機器人爆發於當下的核心原因。

商業化層面：從原型機 → 量產機 → 真實世界部署

2025 年亦是機器人商業化路徑首度明朗的一年。Apptronik、Figure、Tesla Optimus 等領導品牌陸續公布量產計畫，標誌人形機器人由原型機進入可複製工業化階段。同時，多家企業於倉儲物流、工廠自動化等高需求場域展開試點部署，驗證機器人在真實環境下的效率與可靠性。

隨硬體量產能力提升，「Operation-as-a-Service（OaaS）」模式獲市場驗證。企業無需一次性支付高額購置成本，而以月訂閱方式取得機器人服務，顯著改善 ROI 結構，成為推動機器人規模化應用的關鍵商業創新。

此外，產業正迅速補齊先前缺乏的服務體系，包括維修網絡、備件供應、遠端監控與運維平台等基礎設施。隨此等能力成型，機器人開始具備持續營運與商業閉環所需完整條件。

整體而言，2025 年是機器人由「能不能做」轉向「能不能賣、能不能用、用得起」的里程碑，商業化路徑首度出現可持續正向循環。

Web3 X 機器人生態

隨著 2025 年機器人產業全面爆發，區塊鏈技術也在其中找到明確定位，為機器人系統補足多項關鍵能力。其核心價值可歸納為三大方向：i.)機器人技術資料收集，ii.)跨設備機器協調網絡，以及 iii.)支援機器自主參與市場的機器經濟網絡。

去中心化 + 代幣激勵機制，為機器人訓練打造新型資料來源，但資料品質需仰賴後端 Data Engine 強化

訓練 Physical-AI 模型的核心瓶頸在於真實世界資料的規模、場景覆蓋及高品質物理互動資料的稀缺。DePIN/DePAI 的出現，使 Web3 能於「誰來貢獻資料、如何持續貢獻」層面帶來新解方。

然而，學術研究顯示，去中心化資料雖具規模與覆蓋潛力，但本身不必然等同高品質訓練資料，仍須後端 data engine 篩選、清洗與偏差控制，方能真正用於大模型訓練。

Web3 首先解決的是「資料供給動能」問題，而非直接保證「資料品質」。

傳統機器人訓練資料多來自實驗室、小規模車隊或企業內部採集，規模遠遠不足。

Web3 的 DePIN/DePAI 模式透過代幣激勵讓一般用戶、設備營運者或遠端操作者成為資料貢獻者，顯著提升資料來源的規模與多樣性。

相關專案包括：

Source: Gate Ventures

• NATIX Network：透過 Drive& App 和 VX360 將大眾車輛轉為移動資料節點，採集影像、地理及環境資料。
• PrismaX：透過遠端操控市場收集高品質機器人物理互動資料（抓取、整理、移動物品）。
• BitRobot Network：讓機器人節點執行可驗證任務（VRT），產生真實操作、導航、協作行為資料。

這些專案證明 Web3 能有效擴大資料供應側，補足傳統體系難以覆蓋的現實場景與長尾情境。

但根據學術研究，眾包/去中心化資料通常存在「精確度不足、雜訊高、偏差大」的結構性問題。學界針對 crowdsourcing 與 mobile crowdsensing 的大量研究指出：

1. 資料品質波動大，雜訊與格式差異顯著
不同貢獻者設備、操作方式及理解差異導致大量不一致資料，需偵測與過濾。

2. 結構性偏差（bias）普遍存在
參與者通常集中於特定區域或群體，致使取樣分布與真實世界分布不一致。

3. 原始眾包資料無法直接用於模型訓練
自動駕駛、具身 AI、機器人學研究廣泛強調：高品質訓練集需經採集 → 品質審查 → 冗餘對齊 → 資料增強 → 長尾補全 → 標籤一致性校正等完整流程，非「採集即用」。 (7)

因此，Web3 資料網絡提供更廣泛資料來源，但「能否直接成為訓練資料」取決於後端資料工程。

DePIN 真正價值在於為 Physical AI 提供「持續、可擴展、低成本」資料基礎

與其說 Web3 立即解決資料精度問題，不如說它解決：

• 「誰願長期貢獻資料？」
• 「如何鼓勵更多真實設備接入？」
• 「如何讓資料採集模式由集中化轉向可持續開放網絡？」

換言之，DePIN/DePAI 為資料規模與覆蓋提供基礎，使 Web3 成為 Physical AI 時代「資料來源層」的重要拼圖，但並非資料品質唯一保證者。

跨設備機器協調網絡：通用 OS 為機器人協作提供基礎通訊層

現今機器人產業正由單機智能邁向群體協作，但關鍵瓶頸始終存在：不同品牌、型態、技術堆疊的機器人無法共享資訊、互操作，也缺乏統一溝通媒介，致使多機協作僅能依賴廠商自建封閉系統，極大限制規模化部署。

近年興起的通用機器人操作系統層（Robot OS Layer），以 OpenMind 為代表，正為此問題帶來新解。此類系統並非傳統「控制軟體」，而是跨機體智能操作系統，猶如 Android 之於手機產業，為機器人間通訊、認知、理解與協作提供共同語言和公共基礎設施。(8)

傳統架構下，每台機器人內部感測器、控制器、推理模組彼此割裂，跨設備間完全無法共享語意資訊。通用操作系統層透過統一感知介面、決策格式及任務規劃方式，讓機器人首度具備：

• 對外界抽象描述（vision / sound / tactile → structured semantic events）
• 對指令統一理解（自然語言 → 動作規劃）
• 可共享多模態狀態表達

等同於為機器人基座加裝能理解、表達、學習的認知層。

機器人因此不再是「孤立執行器」，而具備統一語意介面，可納入更大規模的機器協作網絡。

通用 OS 最大突破在於「跨機體相容性」，不同品牌、型態機器人首度能「說同一種語言」。各類機器人皆可透過同一 OS 接入統一資料總線及控制介面。

Source: Openmind

此種跨品牌互操作能力，讓產業首次能真正討論：

• 多機器人協作
• 任務競價與調度
• 共享感知 / 共享地圖
• 跨空間聯合執行任務

協作前提為「理解相同資訊格式」，通用 OS 正在解決此底層語言問題。

於跨設備機器協作體系中，peaq 代表另一類關鍵基礎設施方向：為機器提供可驗證身份、經濟激勵及網絡級協調能力的底層協議層。(9)

其解決的非機器人「如何理解世界」，而是「如何於網絡中作為個體參與協作」。

核心設計包括：

1. 機器身份

peaq 為機器人、設備、感測器提供去中心化身份註冊，使其得以：

• 以獨立個體接入任何網絡
• 參與可信任務分配及信譽體系

這是機器成為「網絡節點」的前提。

2. 自主經濟帳戶

Source: Peaq

機器人被賦予經濟自主性。透過原生支援的穩定幣支付及自動計費邏輯，機器人可在無需人為介入下自動對帳與付款，包括：

• 感測器資料按量結算
• 算力及模型推理按次付費
• 機器人間服務即時結算（搬運、配送、檢測）
• 自主充電、租賃空間等基礎設施調用

此外，機器人可採條件支付：

• 任務完成 → 自動支付
• 結果不達標 → 資金自動凍結或回退

讓機器人協作具備可稽核、自動仲裁能力，是規模化商業部署的關鍵。

此外，機器人在現實世界提供服務及資源所得收入，得以代幣化並映射至鏈上，使其價值及現金流以透明、可追蹤、可交易且可編程形式呈現，進而構建以機器為主體的資產表示方式。

隨 AI 與鏈上系統成熟，目標是讓機器自主賺取、支付、借貸及投資，直接進行 M2M 交易，形成自組織機器經濟網絡，並以 DAO 形式實現協作及治理。

3. 多設備任務協調

於更高層級，peaq 提供機器間協調框架，使其得以：

• 共享狀態及可用性資訊
• 參與任務競標與匹配
• 資源調度（算力、移動能力、感測能力）

使機器人如節點網絡般協同運作，而非孤立運行。語言及介面統一後，機器人方能真正進入協作網絡，而非停留於各自封閉生態。

OpenMind 類跨機體智能 OS 旨在標準化機器人「理解世界與指令」方式；Peaq 類 Web3 協調網絡則探索如何讓不同設備於更大網絡獲得可驗證組織化協作能力。兩者僅為眾多嘗試代表，反映產業正加速邁向統一通訊層及開放互操作體系。

支援機器自主參與市場的機器經濟網絡

若跨設備操作系統解決機器人「如何溝通」、協調網絡解決「如何合作」，則機器經濟網絡本質在於將機器人生產力轉化為可持續資本流，讓機器人能為自身運作買單並形成閉環。

機器人產業長期缺乏「自主經濟能力」這一關鍵拼圖。傳統機器人僅能執行預設指令，無法獨立調度外部資源、為自身服務定價或結算成本。進入複雜場景後，必須仰賴人類後台做帳、審批與調度，協作效率受限，規模化部署更難實現。

x402：為機器人補足「經濟主體資格」

Source: X@ CPPP2443_

x402 作為新世代 Agentic Payment 標準，為機器人補足此核心能力。機器人可直接透過 HTTP 層發起支付請求，並以 USDC 等可編程穩定幣完成原子化結算。代表機器人不僅能完成任務，亦能為所需資源自主購買：

• 算力調用（LLM 推理 / 控制模型推理）
• 場景通行及設備租用
• 其他機器人勞務服務

機器人首度能如經濟主體般自主消費與生產。

近年來，機器人廠商與加密基礎設施合作已出現具代表性案例，機器經濟網絡正由概念走向落地。

OpenMind × Circle：讓機器人原生支援穩定幣支付

Source: Openmind

OpenMind 將其跨設備機器人 OS 與 Circle 的 USDC 整合，讓機器人可直接於任務執行鏈路使用穩定幣完成支付及結算。

此舉帶來兩大突破：

1. 機器人任務執行鏈路可原生接入金融結算，無須依賴後台系統
2. 機器人可於跨平台、跨品牌環境實現「無國界支付」

對機器協作而言，這是邁向自治經濟體的基礎能力。

Kite AI：為機器經濟打造 Agent-Native 區塊鏈基礎

Source: Kite AI

Kite AI 進一步推動機器經濟底層架構：專為 AI agents 設計鏈上身份、可組合錢包、自動化支付及結算系統，讓 agent 能於鏈上自主執行各類交易。 (10)

它提供完整「自治 agent 經濟運行環境」，與機器人自主參與市場目標高度契合。

1. Agent / 機器身份層（Kite Passport）：為每個 AI Agent（未來亦可映射至具體機器人）發放加密身份及多層密鑰體系，可精細控管「誰在花錢」「代表誰行動」，並支援隨時撤銷與追責，是將 Agent 視為獨立經濟行為主體的基礎。
2. 穩定幣原生 + x402 原語內建：Kite 在鏈級整合 x402 支付標準，將 USDC 等穩定幣作為預設結算資產，使 Agent 能透過標準化 intent 授權完成發送、接收及對帳，針對高頻、小額、機器對機器支付場景進行底層優化（亞秒級確認、低手續費、可稽核）。
3. 可編程約束與治理：透過鏈上策略，為 Agent 設定支出上限、允許商戶 / 合約白名單、風控規則及稽核軌跡，讓「給機器開錢包」在安全與自主間取得平衡。

換言之，OpenMind 的 OS 讓機器人「能理解世界、能協作」，Kite AI 的區塊鏈基礎則讓機器人「能於經濟系統生存」。

藉由上述技術，機器經濟網絡建立「協作激勵」及「價值閉環」，不僅讓機器人「能付錢」，更關鍵的是讓機器人能：

• 按績效獲得收入（result-based settlement）
• 按需購買資源（自主成本結構）
• 以鏈上聲譽參與市場競爭（可驗證履約）

這意味機器人首度可參與完整經濟激勵體系：能工作 → 能賺錢 → 能花錢 → 能獨立優化行為。

總結

展望

綜觀以上三大方向，Web3 在機器人產業中的角色已逐漸明朗：

• 資料層：提供規模化、多元化資料採集動能，並改善長尾場景覆蓋；
• 協作層：為跨設備協作導入統一身份、互操作性及任務治理機制；
• 經濟層：透過鏈上支付及可驗證結算，為機器人建立可編程經濟行為框架。

這些能力共同奠定未來機器人網際網路基礎，使機器人能於更開放、可稽核的技術環境中協作與運作。

不確定性

儘管機器人生態於 2025 年迎來突破，但其由「技術可行」邁向「規模化、可持續」過程，仍面臨多重不確定性。這些挑戰並非源自單一技術瓶頸，而是工程、經濟、市場及制度層面複雜耦合。

經濟可行性是否真正成立

雖機器人在感知、控制及智能層面取得突破，規模化部署終究取決於實際商業需求及經濟回報是否成立。現階段多數人形及通用機器人仍停留於試點及驗證階段，企業是否願長期為機器人服務付費、OaaS/RaaS 模式能否於各產業穩定實現 ROI，尚缺乏足夠長期數據佐證。

同時，機器人在複雜、非結構化環境下性價比優勢尚未完全確立。許多場景中，傳統自動化或人工替代方案更便宜且可靠。換言之，技術可行不必然轉化為經濟必然性，商業化步調的不確定性將直接影響產業擴張速度。

工程可靠性及運維複雜度的系統性挑戰

機器人產業最大現實挑戰，常非「能否完成任務」，而在於能否長期、穩定、低成本運作。於規模化部署中，硬體故障率、維護成本、軟體升級、能耗管理及安全與責任問題，皆會迅速擴大為系統性風險。

即便 OaaS 模式降低前期資本支出，運維、保險、責任及合規等隱性成本仍可能侵蝕整體商業模型。若可靠性無法跨越商業場景最低門檻，機器人網絡及機器經濟構想將難以落地。

生態協同、標準收斂與制度適配

機器人生態正同步經歷 OS、Agent 架構、區塊鏈協議、支付標準快速演化，現階段仍高度碎片化。跨設備、跨廠商、跨系統協作成本高昂，通用標準尚未完全收斂，恐致生態割裂、重複建設及效率損失。

同時，具備自主決策及經濟行為能力的機器人正挑戰現行監管與法律框架：責任歸屬、支付合規、資料及安全邊界仍不明確。若制度與標準無法與技術同步演進，機器經濟網絡將面臨合規及落地層面不確定性。

整體而言，機器人規模化應用條件正逐步成形，機器經濟體系雛型亦於產業實踐中浮現。Web3 × Robotics 雖仍處早期階段，但已展現長期發展潛力，值得持續關注。

1. https://www.morganstanley.com/insights/articles/humanoid-robot-market-5-trillion-by-2050
2. https://techfundingnews.com/figure-ai-to-grab-1-5b-funding-at-39-5b-valuation-eyes-to-produce-100000-robots-what-about-competition/
3. https://www.bloomberg.com/news/articles/2025-11-20/robotics-startup-physical-intelligence-valued-at-5-6-billion-in-new-funding
4. https://www.theinformation.com/articles/google-backed-apptronik-talks-raise-funding-5-billion-valuation
5. http://www.xinhuanet.com/tech/20250908/89cc1111e729403ca5af4a397ebd01ce/c.html
6. https://techcrunch.com/2025/09/12/we-are-entering-a-golden-age-of-robotics-startups-and-not-just-because-of-ai/
7. https://orbilu.uni.lu/bitstream/10993/39438/1/comst-preprint.pdf?
8. https://docs.openmind.org/mintlify_splash
9. https://docs.peaq.xyz/home
10. https://gokite.ai/kite-whitepaper