日本實體 AI 產業政策在 2026 年進入執行期，開發計畫一路排到 2030 年。經濟產業省把工廠資料、國產多模態模型與機器人基礎模型放進同一套政策。NVIDIA 則把運算、網路、模型與模擬工具接進日本企業的部署現場。

這波行動最容易被看成一連串合作消息。7 月中旬，NVIDIA 執行長黃仁勳在東京見了製造、機器人、電信、金融、醫療與科研機構。一次聚會就有 16 家供應鏈公司的 30 多位高階主管。真正重要的變化卻發生在會場之外：日本政府開始用產業政策處理實體 AI，各家公司也從模型試驗轉向基礎設施。

對企業決策者而言，新的門檻很具體。模型能力仍然重要，但現場資料能否合法流動、系統能否貼近設備運作、投資能否跨過試辦階段，已經決定專案是否能進入日常營運。

日本實體 AI 政策把現場資料、運算與部署接成產業基礎設施

日本的政策重心移到現場資料

日本經濟產業省在 2026 年 6 月 30 日啟動多模態基礎模型開發計畫。計畫期為 2026 至 2030 年，由 Noetra 與產業技術綜合研究所承接。政策文件直接點出兩個限制：企業現場資料必須受到保護，日本的低能源自給率也讓省電成為必要條件。

更早之前，經濟產業省與新能源產業技術綜合開發機構已公布 GENIAC 研究案。2026 年 5 月選出的專案包括 9 個製造資料 AI 化主題，以及 2 個機器人基礎模型主題。這些計畫把資料整理、模型訓練與機械控制連成一條開發鏈。

人口壓力讓政策有了時限。日本總務省統計局的 2025 年人口普查初步結果顯示，日本人口為 1 億 2,305 萬人，比 2020 年少 309.7 萬人，降幅為 2.5%。全國 1,719 個市町村裡，有 1,558 個人口減少。當勞動供給縮小，工廠自動化的價值就從節省成本轉為維持產能。

因果鏈很清楚：人口下降壓縮勞動供給，政府因此投入現場資料與機器人模型，企業接著需要可運作的 GPU、網路與部署軟體。日本擅長的製造技術提供場域，NVIDIA 的角色則是供應共用技術棧。

同一套技術棧，進入不同產業

日本的實體 AI 行動沒有停在機器人。它同時向科研、電信、金融與醫療延伸。下表整理 2026 年已公開的幾個部署尺度。

領域 2026 年公開進度 可驗證尺度 決策含義
政府研發 多模態模型計畫與 GENIAC 2026–2030 年；9 個資料主題、2 個機器人模型主題 政策開始處理資料與控制問題
AI 科研 理研 RIKYU 超級電腦 400 個節點、1,600 顆 Blackwell GPU 國家級模型訓練有專用運算資源
量子混合運算 理研 ROQUO 135 個節點、540 顆 GPU、最高 3.2 Tbps 互連 GPU 成為量子與高效能運算的橋梁
電信 SoftBank 大型電信模型 Sarashina 搭配 Nemotron 開放模型 本土模型與全球運算平台並存
金融 樂天銀行交易基礎模型 1,846.2 萬個銀行帳戶；約 3,300 萬張卡、1,400 萬個證券帳戶 專業模型可從大規模交易資料起步
視覺 AI Metropolis 開發工具 超過 80 項技能；NVIDIA 宣稱至少加速 6 倍 建置成本開始轉向可重複的工程流程
日本 2026 年實體 AI 部署的政策、科研、電信、金融與視覺 AI 證據

理研的兩套系統特別能說明規模。RIKYU 配有 1,600 顆 Blackwell GPU，預定在 2026 年 7 月全面運作。ROQUO 則用 540 顆 GPU 連接量子處理器，HPL 實測達 19.80 PFLOPS。這是科研基礎設施，不是示範用工作站。

電信業走的是另一條路。SoftBank 以自研的 Sarashina 處理日本語言與在地需求，再引入 Nemotron 開放模型。公司把 GPU 雲、AI-RAN 與資料中心軟體整合成分散式基礎設施。這種做法讓企業保留資料控制權，同時吸收外部模型進展。

金融業也在靠近正式營運。NVIDIA 表示，瑞穗銀行計畫以 DGX B200 建置內部 AI 工廠。日本總研已為三井住友金融集團部署 AI 運算基礎設施。樂天銀行則準備用逾 1,800 萬個帳戶的交易規模訓練專業模型。銀行選擇內部部署，主因是稽核、治理與敏感資料距離，而非追求聊天機器人數量。

日本實體 AI 的分層治理涵蓋資料、模型、運算與現場控制

主權 AI 並不等於供應鏈獨立

日本政策強調國產模型、現場資料與資料主權。這不代表底層硬體已經本土化。現況比較像分層治理：日本機構控制資料、用途與專業模型，NVIDIA 提供 GPU、互連、函式庫與開發工具。

這種結構有實際好處。企業可以避免把敏感資料送到境外服務，也能用開放模型縮短研究時間。代價是技術路線會受到單一平台的硬體週期、軟體介面與供應能力影響。

SoftBank 的做法把這個張力說得很明白。Sarashina 保留日本語言能力，Nemotron 提供可檢查的外部模型基礎，GPU 與網路再承接訓練及推論。主權的重點因此落在治理權，而非每一層都由本國供應商製造。

NVIDIA 的商業利益在資料中心

NVIDIA 2026 會計年度營收為 USD 2,159 億，其中資料中心營收為 USD 1,937 億，占約 89.7%。汽車與機器人營收為 USD 23 億，占比約 1.1%。這組數字能修正一個常見誤解：實體 AI 的短期商業價值，仍會先反映在資料中心運算、網路與軟體需求。

日本的合作案正好擴張這條收入路徑。理研需要大規模運算與高速互連，銀行需要內部 AI 工廠，電信商需要從資料中心延伸到邊緣的推論能力，製造商則需要模擬與機器人開發工具。每個產業的應用不同，底層採購卻可能回到同一平台。

這也解釋 NVIDIA 為何同時邀請供應鏈公司、機器人製造商與政府部門。硬體銷售只是起點。當開發流程綁定 CUDA、Omniverse、Isaac、Metropolis 或 Agent Toolkit，後續模型更新與部署規模會持續產生運算需求。

目前沒有公開資料能證明這些日本計畫已為 NVIDIA 帶來多少新增營收。較穩健的判斷是，它們擴大了 NVIDIA 技術棧可服務的工作負載，也讓公司更早進入國家級採購與產業標準的討論。

企業應先回答四個部署問題

實體 AI 專案的採購順序應從場域限制開始。先買 GPU，再尋找用途，通常會留下昂貴的閒置設備。

第一個問題是資料。企業是否擁有足夠的影像、感測器與操作紀錄？資料能否跨廠區使用？權限與保存期限由誰決定？METI 將資料 AI 化列為獨立研發專案，正因為原始現場資料很少能直接訓練模型。

第二個問題是模擬與實機差距。數位分身可以重現多少異常狀態？模型在模擬環境通過後，還要經過哪些安全驗證才能控制設備？這部分會決定專案的驗證期。

第三個問題是基礎設施位置。即時控制需要邊緣運算，模型訓練需要資料中心，敏感資料可能要求內部部署。三種需求若沒有分開估算，網路延遲與治理成本會在上線前才浮現。

最後是平台風險。企業要記錄模型、函式庫、硬體與資料格式的替換成本。採用單一技術棧可以加快初期開發，但合約與架構仍應保留資料可攜性、模型匯出與效能驗證條款。

常見問題

日本的實體 AI 政策從何時開始執行？

經濟產業省在 2026 年啟動多項相關計畫。GENIAC 的製造資料與機器人基礎模型研究在 5 月公布採選結果，多模態基礎模型計畫則在 6 月 30 日啟動，計畫期到 2030 年。

NVIDIA 在日本扮演什麼角色？

NVIDIA 提供 GPU、網路、開發函式庫、開放模型與模擬工具。日本政府與企業掌握場域資料、政策目標及專業模型。雙方形成分層合作，但底層平台依賴仍需管理。

為什麼銀行也需要實體 AI 相關基礎設施？

銀行的應用未必直接控制機器人，卻使用相同的內部 AI 工廠、開放模型與代理工具。交易資料敏感，稽核要求高，因此內部部署與治理能力比一般聊天介面更重要。

臺灣企業可以從日本案例學到什麼？

先盤點現場資料、延遲、安全與設備介面，再選模型及硬體。日本案例顯示，實體 AI 的瓶頸常在資料治理與工程部署。採購規格應把可攜性與替換成本寫進去。

權威引用

Author Insight

日本一次宣布多少合作並非我的關注重點。政策把資料整理與機器人控制拆成獨立工程，才是值得追蹤的訊號。這代表政府已經承認，模型能力不會自動變成生產力。企業若無法量測部署成本，實體 AI 很容易停在展示階段。

Tenten 長期協助企業把 AI 構想拆成資料、系統與營運條件，並在採購前確認驗證方式。若你正在評估工廠 AI、智慧空間或企業 AI 工廠，可以和 Tenten 團隊討論部署路徑。

術語表

  • 實體 AI（physical AI）：能感知環境、推理並控制機器或設備的 AI 系統。
  • 多模態基礎模型：同時處理文字、影像、聲音、影片或感測資料的通用模型。
  • AI 工廠：用於訓練、微調及執行 AI 模型的運算與資料基礎設施。
  • 資料主權：組織依所在地法規控制資料儲存、處理與存取的能力。
  • AI-RAN：在無線接取網路基礎設施上整合 AI 運算的架構。
Share this post
Erik (EKC)

With over 20 years of experience in technology, and the startup industry, I am passionate about AI and driving innovation. Keeping the engine running

Loading...