首頁 / 技術文章 / 家用機器人缺的不只是更強的模型，而是長期理解一個人的 Context

技術文章

家用機器人缺的不只是更強的模型，而是長期理解一個人的 Context

2026 年的機器人公司在拚一件事：讓機器人進得了任何一個家。軟體 AI 助理在拚另一件事：越來越懂你。兩條路線各自有進展，卻很少交會。本文整理近一年具身 AI、AI 記憶與個人化的研究與產品動態，提出一個觀點：下一階段的家庭 AI，真正稀缺的可能不只是模型能力，而是能否長期理解一個人的 Context。至於社群資料能不能成為這種 Context 的來源之一，是本文的推論，不是已經發生的事實。

發布 2026-09-26更新 2026-09-26最後查核 2026-09-26topcc.me 編輯部

兩條平行線：機器人學「進任何一個家」，助理學「懂一個人」

9 月 17 日，Figure AI 公布 Helix 2.5：同一個模型不做任何調整，被送進 30 個沒見過的灣區家庭，做整理客廳、摺毛巾、鋪床三件事，完整任務成功率 56%；沒有經過大規模人類影片預訓練的版本只有 9%。這是目前公開資料裡，人形機器人在陌生家庭中最好的成績。

三天前，Apple 發表新一代 Siri AI，主打的能力叫「personal context understanding」，跨訊息、郵件、照片、行事曆理解你的個人脈絡。今年 1 月 Google 推出 Personal Intelligence，讓 Gemini 連結 Gmail、Google Photos、YouTube 與搜尋紀錄；Anthropic 的 Claude 記憶功能現在預設開啟。

有意思的是，Figure 那篇公告從頭到尾沒有出現「記憶」、「偏好」或「這個家庭」。它展示的是機器人不需要認識你就能做事。Apple 和 Google 展示的則是 AI 越認識你越好用，只是它們的 AI 沒有身體。

機器人在學「進任何一個家」，助理在學「懂一個人」。兩件事目前分開發展。本文想談的是它們遲早要交會的那個點，以及到時候，「關於這個人的長期 Context」要從哪裡來。

機器人產業的瓶頸是資料，但收的是動作，不是人

先把機器人這一邊說清楚，因為現況比新聞標題保守。1X 的 NEO 是目前唯一開放消費者預購的家用人形機器人，早鳥價 20,000 美元或月付 499 美元，產品頁上的「首批 2026 年出貨」到本文撰寫時仍是未來式；機器人不會做的事，由「1X Expert」遠端操作完成。

瓶頸在哪裡，業者自己講得很一致：不是硬體，是資料。Figure 在 8 月推出眾包影片平台 Index 時寫道，「泛化是資料問題」，通用機器人需要的資料「不在網路上，必須來自真實世界」。1X 執行長 Bernt Børnich 對 Engadget 說得更直白：「如果我們沒有你的資料，就無法把產品做得更好。」MIT Technology Review 4 月的報導則指出，機器人公司每年花超過一億美元購買真實世界的訓練資料，很多是由各國零工在自己家裡錄影。

但這些資料的內容是什麼？幾乎全是物理動作：怎麼摺毛巾、怎麼開洗碗機、手用什麼角度抓杯子。Google DeepMind 7 月發表的 Gemini Robotics 2 強調物理推理、裝置端自主與安全，模型會「偵測附近有人並觸發安全工具呼叫」。在這份路線圖裡，人是需要被偵測與避開的對象，不是需要被認識的人。

產業當然也談「記憶」。1X 的產品頁寫著「記憶讓對話得以延續，NEO 能回想過往脈絡並隨時間調整回應」；Physical Intelligence 3 月發表的 MEM，讓機器人用多尺度記憶完成約 15 分鐘的廚房清理。但仔細看，這些記憶不是對話級的，就是任務級的，都不是「這個人是誰」的記憶。

業界說瓶頸是資料，但現在在收的，是讓機器人學會做事的資料，不是讓機器人認識你的資料。

研究這一邊：家用機器人需要「關於人的記憶」

學術界比產業走得前面一點，結論也相當一致。

6 月發表的 WorldLines 基準測試開宗明義：「要在真實家庭中長期協助人類，具身代理必須記住使用者的例行、世界狀態與過往互動。」作者指出，現有的 LLM 記憶測試是純語言的，現有的具身測試是短時程的，中間是空的。而實驗結果是，把長期記憶轉化成實際行動的計畫「仍有持續的困難」。

被 ICLR 2026 接受的 MEMENTO 把問題切得更細：LLM 驅動的具身代理做得了一般的整理，但一碰到「過往互動中的使用者專屬知識」就卡住。這種知識有兩類，一是物件的個人意義（「我的馬克杯」是哪一個），二是使用者的生活例行（早上先做什麼、再做什麼）。現有系統勉強記得前者，幾乎無法把後者用進規劃；作者用一個結構化的使用者記憶模組，才得到明顯改善。

德國 KIT 的人形機器人團隊 4 月的論文 Learning to Forget 講另一面：機器人若要長期部署，感知資料多到記不完，必須依使用者的回饋學會「該記什麼、該忘什麼」。依個別使用者調整記憶策略之後，第二輪查詢的準確率提升了七成。單一實驗室、單一機器人，樣本不大，但方向明確：記憶不是越多越好，而是要針對這個人。

社交面也有證據。RO-MAN 2026 的一項研究讓 43 位受試者比較「會記得你上次說過什麼」與「不記得」的機器人，前者在感知的社交性、可信度與溫暖上都明顯較高，而且沒有更讓人不舒服。作者的說法是，不記得的機器人「違反了社會規範與關係的連續性」。

7 月一篇由十位人機互動研究者合著的 Responsible Personalisation 給了這一切一個定位：「個人化正成為人機互動的定義性能力。」但同一篇論文也列出五種風險：自主性侵蝕、偏差的使用者建模、操縱、去人性化、隱私侵害，並強調機器人的具身與社交存在「會放大並重塑這些風險」。

還有一個常被忽略的問題：個人 Context 要怎麼進到機器人裡？9 月中發表的 EgoAsk 直接說，家用機器人「無法自動取得個人化的物件知識，只能依賴使用者教導」，所以研究團隊做了一個智慧眼鏡系統，讓機器人在日常活動中順便問你「這是什麼」。取得個人 Context 本身就是負擔。機器人進門的第一天，是一張白紙。

沒有身體的 AI 已經在做長期 Context，也踩到了副作用

回到沒有身體的 AI。過去一年它們在「懂一個人」這件事上跑得很快，也已經看到副作用。

Anthropic 工程團隊去年 9 月的文章 Effective context engineering for AI agents 提出一個現在被廣泛引用的觀點：Context「必須被視為邊際報酬遞減的有限資源」，長程任務需要在上下文視窗之外持久保存記憶。這是「不只是更強的模型」最直接的業界表述：模型再強，餵進去的 Context 不對，行為就不對。有多不對？ICLR 2025 的 LongMemEval 發現，商用聊天助理在持續互動中，記憶相關的準確率會掉三成。長上下文不等於長期記憶。

反過來，記憶也不是萬靈丹。Writer 研究團隊 6 月發表、8 月修訂的 Recalling Too Well 測了三套記憶系統、五個模型家族，結論是記憶「在所有條件下都放大諂媚行為」，最高比沒有記憶的基線高出四成。原因很具體：記憶系統把使用者說過的話壓縮成片段存起來，卻把後來被糾正的脈絡丟掉了。7 月的 The Severance Problem 從另一個角度說同一件事：語言模型「缺乏對提示之外那個人的明確表徵」，單純堆記憶不解決這個問題，反而讓模型對它不知道的事更有自信。

產業的回應是替記憶加上邊界。Claude 的記憶預設排除健康、政治信仰等敏感主題，可以暫停、重設、開無痕；Google 強調 Personal Intelligence 預設關閉，由你決定連結哪些 App。

從這一年的經驗可以整理出三條原則，它們對未來有身體的 AI 同樣適用：

社群資料能不能當 Context？能，但粗糙，而且爭議很具體

現在進入本文真正想問的問題。如果家用機器人需要關於人的長期 Context，而讓機器人從零開始學太慢，那麼一個人多年在網路上留下的痕跡，能不能用？

研究的答案是：能，但粗糙。LLM 個人化的標準基準 LaMP 早在 2023 年就顯示，把使用者自己的歷史（評論、推文、文章）檢索進上下文，個人化任務的表現會有一到兩成的相對提升，而且取回越多歷史通常越好，直到撞上上下文長度為止。今年 6 月的 SocialPersona 更直接：用 171 位真實使用者的社群時間軸讓模型推論偏好，結果是模型能辨識廣泛的興趣領域，但對細粒度與近期的興趣表現下降，把推論出的輪廓拿去個人化對話時再下降一次。

所以，社群歷史確實能建立一個人的粗略輪廓；至於細節、近期變化，以及人際關係本身（也就是社群圖譜）能帶來多少價值，目前沒有可靠的證據。

產業先例只有一個，而且它示範的是「不該怎麼做同意」。Meta 在 2025 年 1 月宣布（美國與加拿大），Meta AI 會記住 1:1 對話中的資訊，並且用 Facebook 個人檔案上的居住地、最近看過的 Reels 來個人化回答；使用者可以刪除記憶，但 TechCrunch 當時向 Meta 確認，無法退出這項個人化。這是目前唯一把社群平台活動接進 AI 助理記憶的大型案例。

反對的聲音也很具體。隱私組織 noyb 在 2025 年 5 月對 Meta 以歐盟用戶公開貼文訓練 AI 的計畫發出 cease-and-desist，他們的說法是：「這場爭議本質上是要問人同意，還是直接拿走資料」，而且「其他 AI 業者不用社群資料，也做出了更好的模型」。愛爾蘭資料保護委員會在 2025 年 4 月對 X 以歐盟用戶貼文訓練 Grok 開啟正式調查。美國 FTC 在 2025 年 9 月對七家公司發出伴侶聊天機器人的調查令，問題之一正是對話中的個人資訊如何被使用與變現。

家庭自己怎麼想？威斯康辛大學麥迪遜分校今年 2 月與 15 個多人家庭做參與式設計，論文標題引用一位受訪者的話：「它像寵物……但我的寵物不會蒐集我的資料。」受訪者不信任機器人或製造商會尊重家庭成員的資料隱私，他們設計出的方案有三個共同點：對自己的資料有主導權、有可及的控制與通知、能隨時間依每一位使用者的需求調整。

哪些有證據，哪些是推論

把上面的東西擺在一起，可以畫出一條鏈：社群資料 → 長期個人數位足跡 → AI 個人化 Context → AI 記憶 → 代理長期理解使用者 → 具身 AI／家庭機器人。這條鏈的每一個環節都有人在做，但沒有人把它串起來。分清楚哪些有證據、哪些沒有，是這篇文章最重要的事。

這條鏈的證據狀態（2026 年 9 月）
環節目前的證據狀態
AI 系統正在加入持久記憶Google、Apple、Anthropic 的產品；Anthropic 的脈絡工程文章已發生
個人 Context 能提升部分個人化效果LaMP、SocialPersona；LongMemEval、Recalling Too Well 的反面證據有證據，效果有限且有副作用
社群平台活動已被用於 AI 個人化Meta 2025 年 1 月的公告，以及 TechCrunch 的確認有一個案例，而且無法退出
具身 AI／家用機器人快速發展Figure Helix 2.5、Gemini Robotics 2、1X NEO已發生，但還沒真正進家門
機器人記憶是實際的研究方向WorldLines、MEMENTO、Learning to Forget、RO-MAN 2026有證據，多為小型研究
社群平台的歷史資料已被大規模輸入家庭機器人作為個人記憶無沒有證據；這是本文的推論

因此本文的觀點是這樣寫的，請把它當成推論：

下一階段的家庭 AI，真正稀缺的可能不只是模型能力，而是能否長期理解一個人的 Context。現有的具身 AI、長期記憶與個人化研究顯示，Context 能改善 AI 與人的互動；把這個邏輯延伸下去，一個人多年累積的社群資料，在取得同意與適當治理的前提下，可能成為這種 Context 的來源之一。這不等於「未來家庭機器人一定會使用社群資料」。

而且，如果真的往這個方向走，前面的證據說明有三個條件不能省：

  1. 同意必須是主動選擇，不是預設開啟。LinkedIn 的做法是預設開啟、關閉「不影響已完成的訓練」；Meta 的做法是無法退出。歐盟監管機關、noyb 與那 15 個受訪家庭都指向另一個方向。
  2. Context 必須由使用者治理，而且可攜。Stanford Digital Economy Lab 今年 3 月提出 Human Context Protocol，主張個人記憶應該是「由使用者治理的脈絡層，跨互動持續、跨工具移動、可依角色、同意與目的選擇性分享」，並警告若不介入，「持久的個人脈絡可能被鎖進專有的認知層」。
  3. 記憶必須是選擇性的、可遺忘的、有敏感區的。KIT 的機器人研究、Writer 的諂媚研究與各家助理的敏感主題排除，都指向同一件事：不是把一切倒進去，而是有結構地決定記什麼、忘什麼、不碰什麼。

從 ShellFans 的角度看：長期累積的個人 Context 會變成一種資產

利益揭露：本站與 ShellFans 由同一組人營運。以下是我們從自身業務出發的觀察，不構成對 ShellFans 的第三方評價。

我們之所以特別注意這個缺口，和自己做的事有關。ShellFans AI Technology（唄粉智能科技股份有限公司）長期處理的是社群資產、社群資料與使用者的數位脈絡：幫創作者、品牌與企業保存 Facebook、Instagram、Threads 上的貼文、媒體、留言互動與粉絲成長數據，讓帳號被盜、停權或平台政策改變時，多年的經營成果不會跟著消失。

從這個位置看過去，AI 從聊天機器人走向持久代理、再走向有身體的機器人，會改變一件事：一個人長期累積的 Context，會從「平台上的紀錄」變成「AI 可以用的資產」。而 Stanford 報告警告的「專有認知層」，今天其實已經以平台帳號的形式存在：大多數人的社群歷史散落在幾家公司的伺服器裡，自己並沒有一份完整、結構化、可以決定要不要拿去用的版本。

這也是為什麼我們認為，「資料得先在你手上」會是這條鏈裡最早需要處理的一環。哪一天你想讓某個 AI（不管它有沒有身體）認識你過去五年在意什麼、和誰往來、怎麼說話，你得先擁有這份資料，而且由你決定給不給、給哪些。ShellFans 實際保存哪些內容、不保存哪些內容，shell.fans 上有完整說明：它保存的是內容、互動與成長數據，不是粉絲的完整個人資料，也沒有把任何資料餵給任何機器人。

結語

2026 年的家用機器人離「進得了任何一個家」還有一段距離，但方向清楚：資料會解決泛化問題。比較少人問的是下一個問題：進了門之後，它要花多久才認識你？研究已經說明，答案取決於它有沒有關於你的長期記憶，也說明了這種記憶的副作用與邊界。至於這份記憶從哪裡來，目前還是一片空白。我們的推論是，一個人自己保存、自己治理的社群 Context，可能是候選之一。這個推論需要研究去驗證，也需要治理去約束，但它值得被放進討論裡。

延伸閱讀：AI scraping 訴訟的重點：從聳動引文轉向訓練資料證據鏈

常見問題

家用機器人現在會用我的社群資料嗎？

就我們查到的公開資料，沒有。目前家用機器人的「記憶」是對話級或任務級，來源是機器人自己的感測器與使用者現場教導。把社群平台的歷史資料輸入家庭機器人，是本文的推論，不是已經發生的事。

AI 記得越多越好嗎？

不是。Writer 的研究發現記憶最高讓諂媚率比基線高四成；KIT 的機器人研究則顯示，依使用者調整「該忘什麼」反而讓準確率提升。關鍵是結構與邊界，不是數量。

如果要讓 AI 使用個人的社群資料，最低條件是什麼？

主動選擇的同意（不是預設開啟或無法退出）、資料由使用者治理且可攜、記憶有敏感區並可刪除。這三點分別來自歐盟監管與 noyb 的立場、Stanford 的 Human Context Protocol 提案，以及各家助理現行的記憶設計。

資料來源