施密特：美國正在重蹈電動車覆轍，這次輸的是機器人

本文整理自《Moonshots with Peter Diamandis》2026 年 3 月播出的單集。

{{< youtube DpwmmXmzvfo >}}

{{< spotify "episode/4Rpfu3pEMDN30V4qU1aIMd" >}}

{{< apple-podcast "tw/podcast/eric-schmidt-the-superintelligence-countdown-rl/id1648228034?i=1000757064420" >}}

---

一個戰略性的錯誤

前 Google 執行長施密特（Eric Schmidt）三月初在 TIME 發了一篇專欄，標題是〈China Could Dominate the Physical AI Future〉，和他的中國研究顧問許佳驊（Selina Xu）聯名。三週後他登上 Moonshots with Peter Diamandis 節目，用更直白的語言把同一個警告再講了一遍：美國正在輸掉機器人革命，而且輸的方式和電動車一模一樣。

施密特的起手式是承認一個錯誤。「我們不知道為什麼決定讓中國主宰電動車產業。這是一個錯誤。要說清楚，這是一個錯誤。」他接著說，如果你覺得這不是錯誤，那是因為你沒去國外坐過中國的電動車。「出了美國，去坐坐他們的車。相信我，他們是真正的競爭者。他們做得非常好。」在美國看不見中國電動車的競爭力，是因為關稅擋住了它們。但市場不是只有美國，全球其他地方的消費者正在用腳投票。

施密特刻意使用「競爭者」而非「敵人」來定義中國。他在節目中反覆強調這個區分：「美國的對手，注意我說的是對手，不是敵人，是中國。」但他描述這個對手的方式，比大多數鷹派人士更具體也更警惕。中國有大量資金、高度聰明的人才、和美國相當甚至更強的工作倫理，而且在關鍵產業擁有主導地位。問題不只是他們在追趕，而是在某些領域他們已經跑在前面了。

電動車的馬達，就是機器人的關節

施密特在 TIME 專欄中用了一組數字：2025 年，中國佔了全球人形機器人裝機量的 80% 以上，全球工業機器人裝機量的一半以上。光達（LiDAR）感測器市場，中國佔了約 70% 的全球份額。驅動機器人關節的諧波減速機，中國企業已經把價格打到國際競爭對手招架不住的水平。

在節目上，施密特解釋了為什麼電動車產業的優勢能直接轉移到機器人。機器人的核心可以拆解成兩個部分：致動器（actuator），也就是那些讓關節一格一格轉動的步進馬達；以及大腦，也就是控制軟體。忽略外觀和那對會轉的大眼睛，底層的馬達和系統跟電動車用的是同一種技術。中國的電動車產業鏈花了十年建起來的製造能力，現在可以幾乎無縫地轉用到機器人生產上。這不是偶然的技術重疊，而是工業基礎的自然延伸。

中國在這個領域的垂直整合能力也讓施密特印象深刻。他提到中國能以美國難以企及的規模建造巨型工廠。這種能力不是靠單一公司的努力，而是整條供應鏈的協同效應。從馬達到減速機到感測器到控制器，每個環節都有大量中國供應商在激烈競爭中把價格壓低、把品質拉高。施密特在 TIME 專欄中具體點名了幾家公司：Noetix 的 Bumi 人形機器人起售價只有 1,400 美元，Leaderdrive 做諧波減速機，埃斯頓和匯川做控制器。這不是一家公司的故事，是一整個產業生態系統的故事。

宇樹和中國的殘酷競爭

宇樹科技（Unitree Robotics）是施密特在節目上反覆點名的例子。他告訴在場觀眾：「如果你還搞不清楚狀況，去看宇樹機器人跟人類一起跳舞的那支影片，大概一個月前出來的。」他指的是 2026 年春節聯歡晚會上，宇樹的 G1 人形機器人在數億觀眾面前表演功夫、耍雙節棍、做後空翻。而就在一年前的 2025 年春晚，同一家公司的機器人還在笨拙地跳秧歌。一年之內，從搖搖晃晃到自主後空翻，這個進步速度本身就是一種訊號。

施密特也提到他上次去中國時和宇樹的人碰過面，強調「他們是很多家之一」。中國的機器人產業不是一家獨大，而是大量公司在殘酷競爭中快速迭代。他用一位同在史丹佛教書的朋友的話來形容中國的工作文化：「在中國，我們不吃董事晚宴。我們開兩小時的會，然後回去工作。沒有寒暄，不問你家人好不好。直接幹。」這種描述或許簡化了，但它指向一個真實的現象：中國企業在產品迭代速度上的競爭強度，是多數美國公司不習慣的。

節目主持人 Peter Diamandis 補充說，宇樹的共同創辦人稍後會在同一場活動的舞台上登場。施密特的反應是：「注意他們，他們非常、非常厲害。」他對低階機器人市場的判斷很明確：「目前看來，中國在低階端的機器人硬體是贏家。我不是說高階的，不是說昂貴的，不是說工業機器人。」他區分得很仔細。他擔心的不是波士頓動力（Boston Dynamics）等級的頂尖研究機器人，而是大量、低價、可以進入日常生活的消費級機器人。這正是中國最擅長的價格帶。

兩條分岔的 AI 路線

施密特觀察到，中美兩國的 AI 策略正在往不同方向走，這個分歧比多數人意識到的更深。

美國的路線集中在通用人工智慧（AGI）和超級智慧（ASI）。大模型、大算力、大資料中心，核心邏輯是把智慧「堆」到集中式的系統裡。微軟和 Google 靠企業端的現金流養得起這條路線。Anthropic 利用 Google 的 TPU，在企業級 AI 代理人市場站穩了腳跟。OpenAI 正在調整策略方向。這些公司之間的差異不小，但它們共享同一個底層假設：規模越大越好。施密特預估全球最終會有大約十家這個規模的 AI 公司，大部分在美國，幾家在中國，歐洲和印度各可能有一家。

中國走的完全是另一條路。施密特列出了幾個名字：DeepSeek v4、通義千問（Qwen）、Kimi v3，全部都是開源或開放權重。在美國晶片出口管制的壓力下，中國被迫發展出不依賴頂級 GPU 的技術路線，結果反而培養出更高的演算法效率。更根本的差異在於部署哲學：中國的策略不是把 AI 集中在巨型資料中心裡，而是用邊緣運算把 AI 推到使用者身邊，「用 AI 包圍中國消費者的日常生活」。

這兩條路線各有利弊。美國的路線如果 scaling laws 持續有效，可能率先觸及超級智慧。中國的路線則是在實際應用場景中收集海量資料，形成資料飛輪效應，特別是在機器人領域。施密特在 TIME 專欄中點出了這個邏輯：誰先部署更多機器人，誰就收集到更多真實世界的資料；更多資料帶來更好的模型；更好的模型帶來更多部署。這個迴圈一旦啟動，後進者會越來越難追趕。北京、武漢、上海等城市已經開設了機器人訓練場，讓機器人在標準化環境中收集資料，這正是資料飛輪的起點。

垂直整合和高技術勞動的邊界

共同主持人 Blundin 提出了一個觀察：中國模式靠的是成熟的供應鏈，每個環節都有大量供應商競爭。美國的機器人公司走的是垂直整合路線，像 Tesla 或 Figure AI 的 Brett Adcock，什麼都自己做。不是因為他們想控制一切，而是因為沒有供應商可用。

施密特認為垂直整合是通往「豐盛」（abundance）的必要路徑。他把馬斯克（Elon Musk）當作範本：「以前我們開玩笑說 Google 什麼都自己蓋，包括辦公大樓。馬斯克是真的在這樣做。不是因為他瘋了，而是因為這是壓低成本的唯一方法。」垂直整合的目的不是控制，而是降價。價格降下來，產品才能普及，普及才有豐盛。

馬斯克相信「機器人造機器人」的時代即將到來。Blundin 參觀完 Gigafactory 之後才理解這句話的意思：工廠裡幾乎所有環節都已經自動化了，差的只是最後那幾個需要人手的步驟。但施密特在這裡劃了一條重要的界線。電池這種東西適合巨型工廠，因為製程可預測、規模化直接帶來成本下降。但高技術的機械組裝，例如火箭製造，目前還超出機器人的能力範圍。

施密特用他自己的火箭公司 Relativity Space 舉例。公司裡有一群極其出色的組裝人員，「不只是焊工，不只是機械師。他們精確地知道那些細小的管路如何組合在一起，用精密的公差工作。」這些人能鑽進火箭內部，用肉眼判斷哪裡有問題，用人類直覺做出即時修正。Diamandis 補充了一個常被忽略的事實：火箭最大的成本不是材料，是人工。燃料只佔 2%。施密特因此得出一個分類：低技術勞動「全面被掃走」，高技術的機械勞動目前安全，但長期也逃不掉自動化壓力。

他同時提出了一個他稱之為「學習迴圈」的框架：在任何商業體系中，找出所有的學習循環，然後想辦法加速它們。「最快的學習者贏。」不只是研發要快，是每一個環節的回饋迴圈都要快。這呼應了他對中國機器人產業的觀察：那裡的學習迴圈轉速，比美國快得多。

我的觀察

施密特在這集節目裡對中國的描述，跟多數美國政策圈的中國論述有一個根本差異。他不是在說「中國偷了我們的技術」，也不是在說「中國靠不公平的補貼」。他說的是：中國在某些領域靠著真本事、真競爭力跑到前面了，而美國甚至沒意識到自己在輸。

這個判斷對臺灣有直接的含義。臺灣在半導體領域有全球不可取代的地位，這點不需要多解釋。但臺灣在終端硬體製造上從來不是強項。機器人的零組件，馬達、減速機、感測器，這些是中國和日本的主場。宇樹 G1 的基礎款售價大約 1.6 萬美元，這個價格帶的產品，臺灣企業幾乎沒有能力正面競爭。

但施密特在 TIME 專欄裡提出的政策建議，有一條對臺灣特別值得關注：他呼籲美國扶植開源的機器人開發模型，讓盟友國家也能參與。如果這個方向成真，臺灣的軟體和半導體能力有機會切入機器人的「大腦」端，也就是控制軟體和 AI 推理晶片，而不是在「肢體」端跟中國正面對決。臺灣已經有的台積電代工能力、IC 設計經驗、以及相對成熟的 AI 應用開發社群，在這個分工邏輯下是有位置的。

施密特說的「學習迴圈」概念也值得臺灣企業記住。在機器人和 AI 的競賽中，不是最有錢的人贏，也不是最聰明的人贏，而是學得最快的人贏。中國在這方面的速度，從宇樹一年之內從秧歌到後空翻的進步就能看出來，確實讓人警覺。但反過來說，學習迴圈不只存在於硬體製造。在 AI 應用開發、在晶片設計、在系統整合上，臺灣也有自己的迴圈可以加速。問題是，我們轉得夠快嗎？