Meta 對 AI 基礎設施的自動化布局，已經從軟體延伸到資料中心內的實體工作。據報導，公司正在測試機器人處理插接網路線、重啟伺服器等例行任務；另一方面，Meta 也在推動更宏大的目標，試圖讓整家公司成為「AI 原生」（AI native）組織。

背後的經濟誘因十分明確：Meta 預計在 2026 年至少投入 1,300 億美元於 AI 基礎設施與晶片，相關報導估計全年支出可能高達 1,450 億美元。2 9 但機器人早期測試也說明，短期內要完全取代受過專業訓練的資料中心技術員，仍有很大距離。

機器人在資料中心測試哪些工作？

根據掌握相關計畫的現任與前任員工說法，Meta 已在愛荷華州 Altoona、俄亥俄州 New Albany 等設施，測試 Watney Robotics、Kinova 與 ABB 等公司的機器人及相關硬體。

目前傳出的工作包括：

• 插接與更換網路線
• 讓伺服器斷電再重新啟動（power-cycle）
• 切斷設備電源
• 按下實體重新啟動按鈕
• 執行資料中心技術員平時負責的其他重複性硬體操作 9

這些任務的共同點，是步驟明確、環境相對可預測，因此比大型 AI 資料中心中的複雜安裝、診斷與維修，更適合作為機器人自動化的早期目標。

一名員工估計，如果更換電纜的機器人能成功運作，未來可能處理某些技術員最多 80% 的工作量。不過，這是對潛在涵蓋範圍的估算，並不代表機器人目前已經完成 80% 的相關工作。9

機器人仍不是「無人資料中心」

目前的測試並未顯示 Meta 已經打造出完全自主運作的資料中心。據報導，這些機器人的速度比人類技術員慢，需要人員監督與充電，使用的也是功能相對有限的灰階攝影機系統。

它們還無法處理精密的安裝工作，例如為 Nvidia GB300 系統鋪設密集而複雜的線纜。這個差異相當關鍵：能夠反覆執行標準化插線或重啟程序的機器人，或許可以減少技術員花在例行工作的時間；但這不等於它們能取代判斷設備異常原因、協調複雜部署，或在高功率電力與運算設備旁安全作業的人員。

Meta 的長期機器人構想也不只限於「按按鈕」。公司機器人部門主管曾提到，未來可能將機器人用於加快事故回應、環境監測與預防性維護。 這指向一種逐步擴張的模式：機器人負責更多標準化操作，人類則處理監督、例外狀況與複雜工作。

Meta 仍表示需要專業資料中心人才

機器人測試與 Meta 培訓、招聘資料中心建置及營運人才的計畫同時進行。公司曾表示，AI 基礎設施快速擴張造成了熟練勞工短缺，所需要的是具備相關專業的人員，而不只是更少的人。15

表面上看，招聘專業人員與推動自動化似乎互相矛盾，但兩者可以並存。招聘能處理眼前的人力瓶頸；機器人則可能逐步提高每名專業人員能夠監督的基礎設施規模。

在這種情況下，機器人更像是延伸技術員能力的工具，而不是一次性全面取代技術員。它們尤其適合接手耗時、但不太需要判斷力的重複工作。

機器人測試如何連到 Project OT？

這項實體自動化工作，反映了 Project OT 背後的同一個問題。Project OT 是「Organization Transformation」（組織轉型）的縮寫；Meta 的內部規劃曾探討如何把公司改造成「AI 原生」組織，讓 AI 代理接手數千名員工原本負責的工作，再由規模更小的人類團隊監督自動化流程。部分團隊曾被評估是否可能縮減最多 60%。1 6

但計畫並未按原本形式推進。Meta 最終裁減約 8,000 名員工，而原定 11 月進行的第二波全公司裁員，則在第一波裁員開始前不久被取消。7

相關報導將這次退縮歸因於員工反彈，以及 AI 系統未能帶來預期生產力提升的結果。1 3 Meta 則表示，Project OT 屬於情境規劃，並非會影響公司所有團隊的定案計畫。2

這段經歷為機器人計畫提供了重要參照。問題並不是 Meta 是否想要自動化——答案顯然是肯定的；真正困難的是，這些技術能否在真實營運環境中帶來穩定的生產力提升。資料中心的非預期故障與安全要求，往往和例行工作速度同樣重要。

AI 基礎設施越龐大，自動化誘因越強

Meta 的基礎設施支出，使即使幅度不大的效率改善也具有策略價值。公司在 2026 年第二季的資本支出達 311 億美元，主要投入伺服器、資料中心與網路基礎設施。14 Meta 也表示，全年預計至少投入 1,300 億美元於 AI 基礎設施與晶片；其他報導則估計全年支出介於 1,300 億至 1,450 億美元。2 9

隨著實體設施持續擴張，人力只是整體營運挑戰的一部分。若技術成熟且成本合理，機器人可能帶來幾項好處：

• 更一致地執行例行操作
• 減少專業人員花在重複任務上的時間
• 協助更快回應設備事故
• 讓有限數量的技術員監督更多設備
• 在系統可靠且具經濟效益後，降低部分長期營運成本

但資本密集型基礎設施也提高了自動化成功的門檻。若機器人價格高昂、速度緩慢、難以監督，或無法處理例外狀況，最終可能增加系統複雜度，而非降低複雜度。當設備支撐大規模 AI 工作負載時，一次錯誤的代價也可能相當高。

短期最可能出現的是「人機混合」

現有證據支持的結論，比「機器人正在取代資料中心技術員」更有限。Meta 正在測試機器人能否自動完成標準化實體操作；同時，公司更廣泛的 AI 策略則希望以較小團隊與自動化代理，重新設計知識工作的分工。

但目前兩條路線都受到實際效能限制。據報導，機器人仍需要人類監督，無法處理最複雜的線纜安裝；Project OT 則在預期生產力提升未達所需程度後縮減規模。1 3

因此，短期內最合理的營運模式是人機混合：機器人處理重複任務，AI 軟體協調或協助工作流程，專業技術員則負責複雜安裝、安全、故障診斷與例外狀況。Meta 不斷增加的支出，確實提供了持續探索這種模式的強大誘因；但 Project OT 的經驗也提醒外界，自動化藍圖最終必須在實際營運中驗證，而不能只停留在規劃文件上。

Meta 對 AI 基礎設施的自動化布局，已經從軟體延伸到資料中心內的實體工作。據報導，公司正在測試機器人處理插接網路線、重啟伺服器等例行任務；另一方面，Meta 也在推動更宏大的目標，試圖讓整家公司成為「AI 原生」（AI native）組織。

背後的經濟誘因十分明確：Meta 預計在 2026 年至少投入 1,300 億美元於 AI 基礎設施與晶片，相關報導估計全年支出可能高達 1,450 億美元。2 9 但機器人早期測試也說明，短期內要完全取代受過專業訓練的資料中心技術員，仍有很大距離。

機器人在資料中心測試哪些工作？

根據掌握相關計畫的現任與前任員工說法，Meta 已在愛荷華州 Altoona、俄亥俄州 New Albany 等設施，測試 Watney Robotics、Kinova 與 ABB 等公司的機器人及相關硬體。

目前傳出的工作包括：

• 插接與更換網路線
• 讓伺服器斷電再重新啟動（power-cycle）
• 切斷設備電源
• 按下實體重新啟動按鈕
• 執行資料中心技術員平時負責的其他重複性硬體操作 9

這些任務的共同點，是步驟明確、環境相對可預測，因此比大型 AI 資料中心中的複雜安裝、診斷與維修，更適合作為機器人自動化的早期目標。

一名員工估計，如果更換電纜的機器人能成功運作，未來可能處理某些技術員最多 80% 的工作量。不過，這是對潛在涵蓋範圍的估算，並不代表機器人目前已經完成 80% 的相關工作。9

機器人仍不是「無人資料中心」

目前的測試並未顯示 Meta 已經打造出完全自主運作的資料中心。據報導，這些機器人的速度比人類技術員慢，需要人員監督與充電，使用的也是功能相對有限的灰階攝影機系統。

它們還無法處理精密的安裝工作，例如為 Nvidia GB300 系統鋪設密集而複雜的線纜。這個差異相當關鍵：能夠反覆執行標準化插線或重啟程序的機器人，或許可以減少技術員花在例行工作的時間；但這不等於它們能取代判斷設備異常原因、協調複雜部署，或在高功率電力與運算設備旁安全作業的人員。

Meta 的長期機器人構想也不只限於「按按鈕」。公司機器人部門主管曾提到，未來可能將機器人用於加快事故回應、環境監測與預防性維護。 這指向一種逐步擴張的模式：機器人負責更多標準化操作，人類則處理監督、例外狀況與複雜工作。

Meta 仍表示需要專業資料中心人才

機器人測試與 Meta 培訓、招聘資料中心建置及營運人才的計畫同時進行。公司曾表示，AI 基礎設施快速擴張造成了熟練勞工短缺，所需要的是具備相關專業的人員，而不只是更少的人。15

表面上看，招聘專業人員與推動自動化似乎互相矛盾，但兩者可以並存。招聘能處理眼前的人力瓶頸；機器人則可能逐步提高每名專業人員能夠監督的基礎設施規模。

在這種情況下，機器人更像是延伸技術員能力的工具，而不是一次性全面取代技術員。它們尤其適合接手耗時、但不太需要判斷力的重複工作。

機器人測試如何連到 Project OT？

這項實體自動化工作，反映了 Project OT 背後的同一個問題。Project OT 是「Organization Transformation」（組織轉型）的縮寫；Meta 的內部規劃曾探討如何把公司改造成「AI 原生」組織，讓 AI 代理接手數千名員工原本負責的工作，再由規模更小的人類團隊監督自動化流程。部分團隊曾被評估是否可能縮減最多 60%。1 6

但計畫並未按原本形式推進。Meta 最終裁減約 8,000 名員工，而原定 11 月進行的第二波全公司裁員，則在第一波裁員開始前不久被取消。7

相關報導將這次退縮歸因於員工反彈，以及 AI 系統未能帶來預期生產力提升的結果。1 3 Meta 則表示，Project OT 屬於情境規劃，並非會影響公司所有團隊的定案計畫。2

這段經歷為機器人計畫提供了重要參照。問題並不是 Meta 是否想要自動化——答案顯然是肯定的；真正困難的是，這些技術能否在真實營運環境中帶來穩定的生產力提升。資料中心的非預期故障與安全要求，往往和例行工作速度同樣重要。

AI 基礎設施越龐大，自動化誘因越強

Meta 的基礎設施支出，使即使幅度不大的效率改善也具有策略價值。公司在 2026 年第二季的資本支出達 311 億美元，主要投入伺服器、資料中心與網路基礎設施。14 Meta 也表示，全年預計至少投入 1,300 億美元於 AI 基礎設施與晶片；其他報導則估計全年支出介於 1,300 億至 1,450 億美元。2 9

隨著實體設施持續擴張，人力只是整體營運挑戰的一部分。若技術成熟且成本合理，機器人可能帶來幾項好處：

• 更一致地執行例行操作
• 減少專業人員花在重複任務上的時間
• 協助更快回應設備事故
• 讓有限數量的技術員監督更多設備
• 在系統可靠且具經濟效益後，降低部分長期營運成本

但資本密集型基礎設施也提高了自動化成功的門檻。若機器人價格高昂、速度緩慢、難以監督，或無法處理例外狀況，最終可能增加系統複雜度，而非降低複雜度。當設備支撐大規模 AI 工作負載時，一次錯誤的代價也可能相當高。

短期最可能出現的是「人機混合」

現有證據支持的結論，比「機器人正在取代資料中心技術員」更有限。Meta 正在測試機器人能否自動完成標準化實體操作；同時，公司更廣泛的 AI 策略則希望以較小團隊與自動化代理，重新設計知識工作的分工。

但目前兩條路線都受到實際效能限制。據報導，機器人仍需要人類監督，無法處理最複雜的線纜安裝；Project OT 則在預期生產力提升未達所需程度後縮減規模。1 3

因此，短期內最合理的營運模式是人機混合：機器人處理重複任務，AI 軟體協調或協助工作流程，專業技術員則負責複雜安裝、安全、故障診斷與例外狀況。Meta 不斷增加的支出，確實提供了持續探索這種模式的強大誘因；但 Project OT 的經驗也提醒外界，自動化藍圖最終必須在實際營運中驗證，而不能只停留在規劃文件上。