Meta將人工智能（AI）基礎設施的自動化，從軟件層面推向數據中心現場。據了解，公司正測試機械人處理插拔網絡線、重啟伺服器等重複性工作；另一方面，Meta亦曾研究一套更大規模的「AI 原生」企業計劃，讓AI代理接手數以千計員工目前負責的工作。

背後的財務誘因相當直接：Meta預計2026年單是AI基礎設施及晶片開支，便至少達1,300億美元，亦有報道估算全年金額可能高達1,450億美元。2 9 不過，機械人早期測試亦揭示一個現實限制：要在短期內完全取代熟悉數據中心運作的專業技術員，仍然談何容易。

機械人在數據中心測試甚麼工作？

根據熟悉相關項目的現任及前任員工向媒體透露的資料，Meta曾在愛荷華州 Altoona 及俄亥俄州 New Albany 等設施，測試來自 Watney Robotics、Kinova 及 ABB 等公司的機械人和相關硬件。

目前被評估的工作包括：

• 插入及更換網絡線
• 對伺服器進行斷電再重啟
• 切斷設備電源
• 按下實體重啟按鈕
• 執行數據中心技術員日常處理的其他重複性硬件操作9

這些工作步驟固定、環境相對可預測，因此比起故障診斷、複雜安裝及維修，更適合作為機械人早期自動化目標。

有一名員工估計，如果換線機械人最終發展成功，或可處理部分技術員高達八成的工作量。不過，這個數字只是對未來潛力的估算，並不代表機械人目前已經實際完成八成工作。9

仍然未到「無人數據中心」

現時的測試並不代表Meta已經擁有完全自主運作的數據中心。據報，這些機械人的速度比人類技術員慢，需要人手監督及定期充電，使用的亦是功能相對有限的灰階鏡頭系統。

它們同樣未能處理較精細的安裝工序，例如為 Nvidia GB300 系統鋪設所需的大量密集線纜。換句話說，一部機械人可以重複執行標準化的插線或重啟程序，卻未必能夠在設備出現異常時判斷下一步應怎樣做，更未必能獨立應付複雜部署或高功率電力設備附近的安全風險。

Meta的長遠機械人構想也不止於「按掣」和「插線」。公司機械人部門主管曾提到，未來可能應用於加快事故應變、環境監測及預防性維護等工作。 這反映出一條較循序漸進的路線：由機械人負責更多標準化操作，人類則處理監督、例外情況及需要判斷力的工作。

Meta仍然需要數據中心專才

機械人測試，與Meta繼續培訓及招聘數據中心人員的做法，其實未必互相矛盾。公司曾表示，AI基礎設施急速擴張正造成具相關技能的人手短缺，需要的是「更多人，而不是更少人」。15

一方面，招聘專才可以應付眼前的勞動力瓶頸；另一方面，機械人若能可靠地處理重複工序，便有機會讓每名技術員監督更多設備。如此一來，機械人較像是延伸技術員工作能力的工具，而不是一次過全面取代他們。

與 Project OT 有甚麼關係？

數據中心的實體自動化，與Meta內部名為 Project OT 的「Organization Transformation」（組織轉型）計劃，背後其實有相同問題：究竟AI能否將大量工作交給自動化系統，再由規模更小但技能更集中的人手負責監督？

Meta曾研究把公司轉型成「AI 原生」企業，讓AI代理接手數以千計員工的工作。在部分情境規劃中，一些團隊的規模甚至可能削減最多六成。1 6

計劃最終沒有按原來形式推行。Meta其後裁減約8,000人，而原定11月進行的第二輪全公司裁員，則在第一輪裁員開始前不久取消。7

報道指，員工反彈，以及AI未能帶來預期生產力提升，都是計劃收縮的原因之一。1 3 Meta則形容 Project OT 是情境規劃，而非適用於所有團隊的最終方案。2

這段經歷，正好為數據中心機械人計劃提供參照。問題從來不是Meta想不想自動化——答案顯然是想。真正困難的是，相關技術能否在現實營運環境中穩定產生生產力增益；在數據中心，罕見故障、安全要求和複雜硬件部署，往往與日常速度同樣重要。

巨額基建開支，令自動化變得更有吸引力

Meta在2026年第二季的資本開支達311億美元，主要投向伺服器、數據中心及網絡基礎設施。14 公司亦表示，全年AI基礎設施及晶片投資至少達1,300億美元，其他報道則將全年開支區間估算為1,300億至1,450億美元。2 9

當數據中心網絡不斷擴大，勞動力只是整體營運成本及管理難題的一部分。若技術成熟，機械人理論上可以：

• 持續而一致地執行重複操作
• 減少專才花在例行工序上的時間
• 加快部分事故應變工作
• 讓有限數目的技術員監察更多設備
• 在系統可靠及成本合理的前提下，降低長期營運開支

但基建投資越大，對自動化系統的要求也越高。一部昂貴、速度慢、難以監督，或無法處理例外情況的機械人，可能反而增加系統複雜度。當設備支援大規模AI運算時，一次錯誤的代價亦可能相當高。

短期最可能是「混合團隊」

現有資料支持的結論，比「機械人即將取代數據中心技術員」更加有限。Meta正在測試機械人能否接手標準化實體工作，同時以更廣泛的AI策略重新設計知識型工作的流程。

然而，機械人現時仍需人手監督，亦未能處理最複雜的佈線工作；Project OT則在預期生產力提升未達要求後收縮。1 3

因此，短期內最合理的模式，是機械人處理重複工序、AI軟件協助協調或執行工作流程，再由專業技術員負責複雜安裝、安全、故障診斷及突發情況。Meta不斷增加的基建開支，會繼續推動公司探索這條路；但 Project OT 的經驗亦提醒市場，任何自動化藍圖，最終都要在真實營運中證明成效，而不只是停留在文件上的規劃。

Meta將人工智能（AI）基礎設施的自動化，從軟件層面推向數據中心現場。據了解，公司正測試機械人處理插拔網絡線、重啟伺服器等重複性工作；另一方面，Meta亦曾研究一套更大規模的「AI 原生」企業計劃，讓AI代理接手數以千計員工目前負責的工作。

背後的財務誘因相當直接：Meta預計2026年單是AI基礎設施及晶片開支，便至少達1,300億美元，亦有報道估算全年金額可能高達1,450億美元。2 9 不過，機械人早期測試亦揭示一個現實限制：要在短期內完全取代熟悉數據中心運作的專業技術員，仍然談何容易。

機械人在數據中心測試甚麼工作？

根據熟悉相關項目的現任及前任員工向媒體透露的資料，Meta曾在愛荷華州 Altoona 及俄亥俄州 New Albany 等設施，測試來自 Watney Robotics、Kinova 及 ABB 等公司的機械人和相關硬件。

目前被評估的工作包括：

• 插入及更換網絡線
• 對伺服器進行斷電再重啟
• 切斷設備電源
• 按下實體重啟按鈕
• 執行數據中心技術員日常處理的其他重複性硬件操作9

這些工作步驟固定、環境相對可預測，因此比起故障診斷、複雜安裝及維修，更適合作為機械人早期自動化目標。

有一名員工估計，如果換線機械人最終發展成功，或可處理部分技術員高達八成的工作量。不過，這個數字只是對未來潛力的估算，並不代表機械人目前已經實際完成八成工作。9

仍然未到「無人數據中心」

現時的測試並不代表Meta已經擁有完全自主運作的數據中心。據報，這些機械人的速度比人類技術員慢，需要人手監督及定期充電，使用的亦是功能相對有限的灰階鏡頭系統。

它們同樣未能處理較精細的安裝工序，例如為 Nvidia GB300 系統鋪設所需的大量密集線纜。換句話說，一部機械人可以重複執行標準化的插線或重啟程序，卻未必能夠在設備出現異常時判斷下一步應怎樣做，更未必能獨立應付複雜部署或高功率電力設備附近的安全風險。

Meta的長遠機械人構想也不止於「按掣」和「插線」。公司機械人部門主管曾提到，未來可能應用於加快事故應變、環境監測及預防性維護等工作。 這反映出一條較循序漸進的路線：由機械人負責更多標準化操作，人類則處理監督、例外情況及需要判斷力的工作。

Meta仍然需要數據中心專才

機械人測試，與Meta繼續培訓及招聘數據中心人員的做法，其實未必互相矛盾。公司曾表示，AI基礎設施急速擴張正造成具相關技能的人手短缺，需要的是「更多人，而不是更少人」。15

一方面，招聘專才可以應付眼前的勞動力瓶頸；另一方面，機械人若能可靠地處理重複工序，便有機會讓每名技術員監督更多設備。如此一來，機械人較像是延伸技術員工作能力的工具，而不是一次過全面取代他們。

與 Project OT 有甚麼關係？

數據中心的實體自動化，與Meta內部名為 Project OT 的「Organization Transformation」（組織轉型）計劃，背後其實有相同問題：究竟AI能否將大量工作交給自動化系統，再由規模更小但技能更集中的人手負責監督？

Meta曾研究把公司轉型成「AI 原生」企業，讓AI代理接手數以千計員工的工作。在部分情境規劃中，一些團隊的規模甚至可能削減最多六成。1 6

計劃最終沒有按原來形式推行。Meta其後裁減約8,000人，而原定11月進行的第二輪全公司裁員，則在第一輪裁員開始前不久取消。7

報道指，員工反彈，以及AI未能帶來預期生產力提升，都是計劃收縮的原因之一。1 3 Meta則形容 Project OT 是情境規劃，而非適用於所有團隊的最終方案。2

這段經歷，正好為數據中心機械人計劃提供參照。問題從來不是Meta想不想自動化——答案顯然是想。真正困難的是，相關技術能否在現實營運環境中穩定產生生產力增益；在數據中心，罕見故障、安全要求和複雜硬件部署，往往與日常速度同樣重要。

巨額基建開支，令自動化變得更有吸引力

Meta在2026年第二季的資本開支達311億美元，主要投向伺服器、數據中心及網絡基礎設施。14 公司亦表示，全年AI基礎設施及晶片投資至少達1,300億美元，其他報道則將全年開支區間估算為1,300億至1,450億美元。2 9

當數據中心網絡不斷擴大，勞動力只是整體營運成本及管理難題的一部分。若技術成熟，機械人理論上可以：

• 持續而一致地執行重複操作
• 減少專才花在例行工序上的時間
• 加快部分事故應變工作
• 讓有限數目的技術員監察更多設備
• 在系統可靠及成本合理的前提下，降低長期營運開支

但基建投資越大，對自動化系統的要求也越高。一部昂貴、速度慢、難以監督，或無法處理例外情況的機械人，可能反而增加系統複雜度。當設備支援大規模AI運算時，一次錯誤的代價亦可能相當高。

短期最可能是「混合團隊」

現有資料支持的結論，比「機械人即將取代數據中心技術員」更加有限。Meta正在測試機械人能否接手標準化實體工作，同時以更廣泛的AI策略重新設計知識型工作的流程。

然而，機械人現時仍需人手監督，亦未能處理最複雜的佈線工作；Project OT則在預期生產力提升未達要求後收縮。1 3

因此，短期內最合理的模式，是機械人處理重複工序、AI軟件協助協調或執行工作流程，再由專業技術員負責複雜安裝、安全、故障診斷及突發情況。Meta不斷增加的基建開支，會繼續推動公司探索這條路；但 Project OT 的經驗亦提醒市場，任何自動化藍圖，最終都要在真實營運中證明成效，而不只是停留在文件上的規劃。