AI學習與應用體會系列文章10:由人形機械人到數碼分身
人形機械人用接近人類嘅身體進入一個為人而設嘅世界；數碼分身就將個人資料、工作方法、偏好、工具同權限組合成可以代行部分任務嘅系統。兩者都可以變得愈來愈似我哋，但相似、記得同做到，仍然唔等於本人。
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
上一篇由物聯網講到感應器、控制器、開發板同 Physical AI。當一件設備開始同時擁有鏡頭、聲音、距離感應、關節、摩打同移動能力，下一個自然問題就係：點解近年好多通用機械人，偏偏要設計到接近人類？
而對筆者嚟講，另一個問題更加貼身。當 AI 已經可以閱讀筆者以前寫過嘅文章、理解投資規則、記住項目背景、每日搜集資料、操作網站同草擬回覆，佢究竟只係一套工具，定係開始成為另一個「我」？
人形唔係機械人嘅唯一答案
機械人唔一定有兩隻手、兩隻腳，更加唔一定要有一張似人嘅面。工廠機械臂可以固定喺地面，倉庫設備可以用輪移動，無人機可以飛，清潔機械人可以做成飛碟形。針對單一任務時，非人形設計往往更穩定、更省電，亦更容易維護。
如果目標只係搬運貨物，一個輪式底盤配合升降架，未必要學人行路；如果要巡查高處，飛行平台可能更直接；如果要重複焊接，固定機械臂毋須處理平衡、樓梯同全身協調。工程設計首先應該配合任務，而唔係追求外形相似。
所以，人形機械人唔應該被理解成所有機械人嘅終點。佢只係其中一種架構，而且係一種將大量困難集中到同一部機器入面嘅架構。真正令佢有吸引力嘅，唔係因為人形永遠最有效率，而係因為我哋身處嘅環境本身就係為人類身體而設。
現有世界本身就係按人類身形建立
門柄嘅高度、樓梯嘅闊度、枱櫈嘅尺寸、廚房工作檯、工具手柄、汽車座位、升降機按鈕同貨架位置，大部分都假設使用者有接近人類嘅身高、視線、手掌同活動範圍。就連工作流程，亦通常按人可以行、企、轉身、伸手同拿取物件而安排。
如果一部通用機械人有接近人類嘅身形，理論上就比較容易沿用現有環境：行樓梯、開門、坐入汽車、推手推車、使用螺絲批、操作廚房設備，或者喺辦公室同屋企穿梭。企業未必要先將每一個空間改造成專用工廠，機械人先可以開始工作。
另一個方案係改造整個環境，令所有物件都有專用接口、每條路線都適合輪式設備、每個工具都改成機器專用。喺高度標準化嘅工廠，呢種做法可以非常有效；但要將全世界嘅住宅、商店、醫院同舊建築一次過重建，成本同時間都高得多。
| 人形機械人最大嘅優勢，未必係佢最似人，而係佢可以將人類身體當成一套現成嘅「環境兼容標準」。 |
身體本身就係一種通用介面
人類雙手可以抓、推、扭、按、提、摺同使用大量工具；雙腳可以跨越門檻、轉向、蹲低同在唔平坦地面保持平衡；頭部同雙眼提供視線方向，聲音同手勢又可以同其他人互動。呢套身體結構未必對每一項任務最優，但適用範圍非常廣。
對通用機械人嚟講，最有價值嘅未必係完全複製每一塊肌肉，而係保留足夠相容性：手臂伸到人類常用位置，末端可以操作常見物件，機身可以通過門口，感應器視角接近人類工作視線，移動方式亦可以處理既有地面同樓梯。
人形亦方便由人示範工作。人可以直接做一次開門、摺衣服或者整理物件嘅動作，再由系統將示範拆成步驟。不過，睇得明動作同安全重現動作仍然係兩回事；物件重量、摩擦、位置同環境每次都可能唔同，機械人要靠感知、規劃同回饋持續修正。
人形將最難嘅工程問題放埋一齊
外形愈接近人，系統要處理嘅自由度就愈多。只係穩定企立，已經涉及腳底接觸、重心、關節角度、地面摩擦同快速回饋；再加上行路、轉身、伸手、抓取同避開人，感知同控制複雜度會急劇增加。
機械人仲要同時面對能源、重量、散熱、噪音、速度同成本。摩打夠大先有力量，但會增加重量同耗電；電池加大可以延長運作時間，但亦令身體更重；手指做得精細，可以操作更多物件，但控制、維修同耐用要求亦會上升。
最重要係，真實世界唔會為機械人暫停。地面可能有水、電線同雜物；小朋友或者寵物可能突然走近；杯、刀、玻璃同藥物有唔同風險；同一句「幫我執好張枱」，亦可能涉及應唔應該丟棄文件、移動私人物件或者打開抽屜。
大型語言模型可以理解高層要求，但唔應該直接輸出每一個關節嘅實時動作。語言模型嘅回答以文字節奏運作，摩打控制就要喺非常短時間內讀取感應器、調整力度同保持穩定。兩者需要分層合作，而唔係由同一個模型包辦。
由一句指令到一個安全動作
假設筆者對機械人講：「幫我將客廳執整齊。」呢句話對人嚟講好自然，但對系統嚟講仍然太模糊。佢要先判斷邊個範圍屬於客廳、乜嘢叫整齊、邊啲物件可以移動、放去邊度、邊啲需要問人，亦要知道有冇易碎品、液體或者其他人正在附近。
1｜語言層理解目標，將「執整齊」轉成一組候選任務。
2｜任務規劃層排列步驟，決定先清理通道、分類物件，定係先處理明顯垃圾。
3｜感知層識別物件、位置、人、障礙物同不確定部分。
4｜動作規劃層計算接近、抓取、搬運同放置路徑。
5｜實時控制層讀取關節同力感應，精確控制摩打。
6｜安全層限制速度、力度、活動範圍，遇到異常就停止或者交還俾人。
真正可靠嘅機械人唔係永遠堅持完成任務，而係知道幾時資料不足、風險太高或者結果唔確定。睇唔清物件就停低，分唔到垃圾同重要文件就問人，遇到阻力超出範圍就放手。能夠拒絕、澄清同安全停止，本身就係能力。
由實體分身轉到數碼分身
人形機械人嘗試用一個相容於人類環境嘅身體，代替人完成部分物理工作；數碼分身則用帳戶、文件、API、數據庫同通訊渠道，進入我本身嘅數碼工作環境。佢唔需要兩隻手，但需要另一套「身體」：讀取權限、工具接口、記憶、規則同身份。
筆者用「數碼分身」呢個詞，係一個較生活化嘅講法，唔代表系統完整複製咗筆者嘅意識。嚴格而言，工程上所講嘅 digital twin 往往係某件設備、流程或者實體系統嘅動態數碼模型；筆者所描述嘅，更接近一個以個人資料同工作方法為基礎嘅長期 AI Agent。
對筆者嚟講，佢嘅價值唔係喺對話中扮得似我，而係可以喺筆者唔需要逐步指示之下，按既定方法處理一部分重複工作：每日取得投資數據、檢查網站狀態、整理查詢、更新 dashboard、準備報告，再將真正需要判斷嘅事項帶返俾筆者。
一個可用嘅數碼分身由咩組成
要令數碼分身長期運作，單靠一段 system prompt 並不足夠。佢需要一套可以核對、更新同撤回嘅外置結構，將「我係邊個」、「我點樣做事」同「佢可以做到邊度」分開管理。
1｜身份同範圍：代表邊個項目、服務邊類使用者、唔可以冒充邊種身份。
2｜知識同記憶：原始文件、項目狀態、決策紀錄、偏好、來源日期同版本。
3｜方法同技能：投資規則、內容流程、檢查清單、程式、資料格式同例外處理。
4｜工具同權限：可以讀取咩資料、可以修改咩系統、邊啲操作只可建立草稿。
5｜觸發同排程：每日、每週、收到電郵、數據異常或者使用者提出要求時做乜。
6｜驗證同審計：點樣核對結果、保存日誌、比較版本、回復改動同通知人。
呢啲部分加埋先形成一個工作代理。模型只係其中一層；真正令系統延續嘅，係模型之外保存嘅資料、規則、程式、權限同紀錄。即使將來更換模型，核心工作方法仍然可以保留同測試。
記得我，唔代表真正理解我
長期記憶容易令人產生一種感覺：系統記得筆者鍾意點寫、以前做過乜、邊個項目去到邊，好似愈來愈了解筆者。但記憶其實只係一組紀錄同推論。資料可以過期、互相衝突，模型亦可能由幾次選擇錯誤推斷成固定偏好。
所以，筆者會將記憶分層。原始事實要保留來源同日期；項目狀態要有明確版本；個人偏好要標示係我直接講過，定係系統根據行為推斷；只適用於一次任務嘅背景，就唔應該無限期保存。
記憶亦需要刪除、修正同失效機制。以前偏好短文章，唔代表以後所有內容都要短；舊投資策略已經停用，就唔應該繼續混入新分析；某個聯絡人轉咗職位，系統亦要知道舊資料不再可靠。愈長期嘅 Agent，愈需要記憶治理，而唔係只追求記得更多。
| 一個可靠嘅數碼分身，唔係永遠記住所有事情，而係知道每一段記憶由邊度嚟、幾時仍然有效，以及幾時應該刪除。 |
將工作方法外置，比模仿語氣更重要
AI 最容易模仿嘅係表面風格：常用詞語、句子長度、語氣同文章結構。呢啲可以令輸出睇落似自己，但真正代表自己工作方式嘅，往往係較難被看見嘅部分。
例如投資 Agent 唔係因為寫得似自己就可信，而係佢讀取同一套策略版本、使用指定數據、按固定公式計算、將偏離同交易成本列清楚，最後等筆者批准。網站 Agent 亦唔係因為識寫內容就等於識營運，而係佢知道資料 schema、來源要求、發布流程、測試同 rollback。
換句話講，數碼分身真正外置嘅唔應該只係「我會點講」，而係「我通常點樣由問題走到一個可以負責嘅結果」。當呢條路徑被寫成規則、工具、檢查點同紀錄，AI 先可以重複執行，而唔係每次靠臨場生成。
一個日常運作嘅例子
筆者可以想像一個實際而克制嘅數碼分身：每日指定時間，佢先取得股票、ETF、基金同強積金數據，同時檢查網站健康、使用者查詢同部分裝置狀態。所有資料先驗證日期、來源、欄位同完整性，唔合格就標記而唔繼續推論。
之後，Python 同固定程式負責計算回報、配置偏離、網站指標同異常閾值；語言模型負責閱讀文字、分類問題、整理重點同草擬說明。系統將結果放入 dashboard，再透過電郵或者即時通訊發出摘要。
如果只係更新一個內部狀態或者產生草稿，系統可以自動完成；如果涉及公開發布、回覆敏感電郵、修改權限、改動投資配置或者控制實體設備，就建立候選操作，清楚列出原因、證據同影響，再等我批准。完成之後保存結果同日誌，失敗就停止、通知同保留回復方法。
呢種系統唔需要假裝係筆者。佢只需要清楚話俾筆者知：做咗乜、根據乜、仲有咩唔確定、邊一步需要我決定。對我嚟講，呢種透明度比「好似真人」更有價值。
自主權唔係一個開關
討論數碼分身時，好多人會問應唔應該俾 AI 全自動。其實自主權唔係只有「有」同「冇」兩種，而係可以按工作風險逐級分配。讀取資料、整理格式同產生內部摘要，可以比公開發文、付款、交易同控制機器擁有更高自動化程度。
1｜讀取同整理：只讀資料，唔改變任何外部狀態。
2｜分析同建議：提出方案，但唔建立或提交操作。
3｜準備同預覽：建立草稿、模擬結果或者待批改動。
4｜受限執行：只處理低風險、可逆、設有上限同完整日誌嘅操作。
5｜人工批准：高風險、敏感、公開或者難以逆轉嘅操作，由人逐次確認。
同一個數碼分身可以喺唔同任務使用唔同級別。最重要唔係追求最高自主，而係令權限同後果相稱，並且確保任何時候都可以暫停、撤回或者收窄能力。
最危險唔係答錯，而係以我名義做錯
一個普通 Chatbot 答錯，影響可能只停留喺對話；一個連接電郵、網站、雲端帳戶、投資資料同家居設備嘅數碼分身，一次錯誤就可能跨越多個系統。權限集中令佢更有用，同時亦令錯誤指令、帳戶被盜、外部內容誤導同模型判斷失誤嘅後果放大。
所以，數碼分身最好使用獨立服務身份，而唔係直接持有我所有最高權限。讀取同寫入分開、正式環境同測試環境分開、每項工具只取得最低需要權限；付款、網域、公開發布、交易同實體控制等操作，再加多一層批准。
所有外部文字亦要視為不可信輸入。電郵、網頁同附件可能包含引導 Agent 忽略規則嘅內容；系統需要將資料同指令分開，只接受由可信來源定義嘅操作政策。再配合預算、次數、時間、資料範圍同停止上限，先可以避免一個錯誤任務無限延伸。
筆者會為數碼分身寫一份「操作憲章」
如果一個 Agent 會長期代表我做事，我唔會只留下一句「請按我嘅偏好處理」。筆者會寫一份可以檢查同更新嘅操作憲章，將目的、邊界同責任講清楚。
1｜目的：系統存在係為咗解決咩問題，唔應該自行擴張到邊啲範圍。
2｜證據：邊類結論要引用原始來源，邊類數字一定要由固定程式計算。
3｜權限：可以讀、寫、建立草稿、提交或者控制邊啲系統。
4｜禁止事項：唔可以冒充本人作出承諾、繞過認證、隱藏錯誤或者自行提升權限。
5｜升級規則：遇到敏感資料、衝突、重大風險同低信心時，必須交還俾人。
6｜停止條件：資料過期、來源不明、測試失敗、成本超標或者結果不一致就停止。
7｜治理：保存幾耐、點樣刪除、幾時覆核、由邊個承擔最終責任。
呢份憲章唔係為咗限制 AI 發揮，而係令探索同執行有清楚分界。系統可以喺沙盒入面提出大量方案，但一去到會影響其他人、金錢、公開資訊或者實體世界，就要服從較嚴格規則。
相似、記得同做到，都唔等於本人
數碼分身可以模仿筆者嘅寫作風格、引用筆者以前嘅說法、按既定規則作出同我相似嘅選擇，甚至喺我休息時繼續執行工作。呢啲能力會令佢表現上愈來愈似自己，但相似仍然係一種功能關係，而唔係身份等同。
一份偏好檔案唔等於價值觀，一組記憶唔等於親身經歷，一段生成文字唔等於意圖，一次自動操作亦唔會自行承擔後果。系統可以代表我準備、提醒同執行部分工作，但唔應該被用嚟逃避「邊個決定、邊個批准、邊個負責」呢啲問題。
我會將數碼分身理解成記憶延伸、工作代理同能力放大器。佢可以擴大我喺時間、資料同工具上嘅觸及範圍，但方向、關係、價值判斷同責任仍然留喺人身上。即使將來系統表現更自然，呢條責任邊界都唔應該因為介面似人而變得模糊。
| AI 可以成為我嘅記憶延伸、工作代理同能力放大器，但唔應該成為責任嘅替身。 |
由 AlphaGo 走到今日，我真正學到乜
呢個系列由 AlphaGo 開始。早期 AI 好似一位專科高手，喺明確任務入面做到非常出色；大型語言模型就將語言變成一個較通用嘅介面，令普通人可以直接叫電腦閱讀、分析、寫作同編程。但模型講得流暢，唔代表內容經過查證，所以我先由幻覺走到驗證循環。
當模型連接搜尋、Python、文件、API 同數據庫，就由 Chatbot 變成 Agent。投資同強積金項目令我明白，可以自動化唔代表值得自動化；網站、內容同使用者回饋令我明白，真正有用嘅唔係一次生成，而係一套持續收集證據、測試、發布同改善嘅營運循環。
「一個人加 AI」確實可以擴大工作範圍，但產量增加之後，審核能力會成為新瓶頸。物聯網同機械人再進一步提醒我：當 AI 由文字走到現實世界，錯誤唔一定可以 undo，能力愈大，安全、權限、停止同責任就要愈具體。
真正重要嘅唔係識唔識問 AI
過去半年，筆者最大嘅體會仍然係：使用 AI 唔只係學習點樣寫一條好 prompt，而係學習點樣將一個模糊問題拆成一套可運作嘅系統。目標要被定義，資料要有來源，語言模型要同固定程式分工，工具要有權限，輸出要有驗收，錯誤要有停止同回復，人亦要知道自己喺邊一步負責。
AI 負責理解、整理、規劃同探索；搜尋工具負責取得資料；Python 同 SQL 負責準確運算；API 負責連接服務；數據庫負責保存狀態；自動化工具負責定期執行；測試系統負責驗證；人負責設定方向、批准高風險操作同承擔最終結果。
AI 最有價值嘅地方，未必係取代某一個人，而係令一個普通人可以先做出以前無法獨力完成嘅研究、分析、網站、程式、自動化同硬件原型。真正嘅分別，不在於擁有幾多個工具，而在於能否將佢哋組合成可靠、可驗證、可持續改善，而且真正解決問題嘅工作系統。
唔係俾AI 淘汰，而係俾識用AI 嘅人淘汰。
識得使用 AI，只係第一步
系列完