姬十三：浪漫的溫度

本文與 研華科技 合作，泛科學企劃執行

我們都看過那種影片，對吧？網路上從不缺乏讓人驚嘆的機器人表演：數十台人形機器人像軍隊一樣整齊劃一地耍雜技 ，或是波士頓動力的機器狗，用一種幾乎違反物理定律的姿態後空翻、玩跑酷 。每一次，社群媒體總會掀起一陣「未來已來」、「人類要被取代了」的驚呼 。

但當你關掉螢幕，看看四周，一個巨大的落差感就來了：說好的機器人呢？為什麼大街上沒有他們的身影，為什麼我家連一件衣服都還沒人幫我摺？

這份存在於數位螢幕與物理現實之間的巨大鴻溝，源於一個根本性的矛盾：當代AI在數位世界裡聰明絕頂，卻在物理世界中笨拙不堪。它可以寫詩、可以畫畫，但它沒辦法為你端一杯水。

這個矛盾，在我們常見的兩種機器人展示中體現得淋漓盡致。第一種，是動作精準、甚至會跳舞的類型，這本質上是一場由工程師預先寫好劇本的「戲」，機器人對它所處的世界一無所知 。第二種，則是嘗試執行日常任務（如開冰箱、拿蘋果）的類型，但其動作緩慢不穩，彷彿正在復健的病人 。

這兩種極端的對比，恰恰點出了機器人技術的真正瓶頸：它們的「大腦」還不夠強大，無法即時處理與學習真實世界的突發狀況 。

這也引出了本文試圖探索的核心問題：新一代AI晶片NVIDIA® Jetson Thor™ ，這顆號稱能驅動「物理AI」的超級大腦，真的能終結機器人的「復健時代」，開啟一個它們能真正理解、並與我們共同生活的全新紀元嗎？

為何我們看到的機器人，總像在演戲或復健？

那我們怎麼理解這個看似矛盾的現象？為什麼有些機器人靈活得像舞者，有些卻笨拙得像病人？答案，就藏在它們的「大腦」運作方式裡。

那些動作極其精準、甚至會後空翻的機器人，秀的其實是卓越的硬體性能——關節、馬達、減速器的完美配合。但它的本質，是一場由工程師預先寫好劇本的舞台劇 。每一個角度、每一分力道，都是事先算好的，機器人本身並不知道自己為何要這麼做，它只是在「執行」指令，而不是在「理解」環境。

而另一種，那個開冰箱慢吞吞的機器人，雖然看起來笨，卻是在做一件革命性的事：它正在試圖由 AI 驅動，真正開始「理解」這個世界 。它在學習什麼是冰箱、什麼是蘋果、以及如何控制自己的力量才能順利拿起它。這個過程之所以緩慢，正是因為過去驅動它的「大腦」，也就是 AI 晶片的算力還不夠強，無法即時處理與學習現實世界中無窮的變數 。

這就像教一個小孩走路，你可以抱著他，幫他擺動雙腿，看起來走得又快又穩，但那不是他自己在走。真正的學習，是他自己搖搖晃晃、不斷跌倒、然後慢慢找到平衡的過程。過去的機器人，大多是前者；而我們真正期待的，是後者。

所以，問題的核心浮現了：我們需要為機器人裝上一個強大的大腦！但這個大腦，為什麼不能像ChatGPT一樣，放在遙遠的雲端伺服器上就好？

機器人的大腦，為什麼不能放在雲端？

聽起來好像很合理，對吧？把所有複雜的運算都交給雲端最強大的伺服器，機器人本身只要負責接收指令就好了。但……真的嗎？

想像一下，如果你的大腦在雲端，你看到一個球朝你飛過來，視覺訊號要先上傳到雲端，雲端分析完，再把「快閃開」的指令傳回你的身體。這中間只要有零點幾秒的網路延遲，你大概就已經鼻青臉腫了。

現實世界的互動，需要的是「即時反應」。任何網路延遲，在物理世界中都可能造成無法彌補的失誤 。因此，運算必須在機器人本體上完成，這就是「邊緣 AI」（Edge AI）的核心概念 。而 NVIDIA  Jetson 平台，正是為了解決這種在裝置端進行高運算、又要兼顧低功耗的需求，而誕生的關鍵解決方案 。

NVIDIA Jetson 就像一個緊湊、節能卻效能強大的微型電腦，專為在各種裝置上運行 AI 任務設計 。回顧它的演進，早期的 Jetson 系統主要用於視覺辨識搭配AI推論，像是車牌辨識、工廠瑕疵檢測，或者在相機裡分辨貓狗，扮演著「眼睛」的角色，看得懂眼前的事物 。但隨著算力提升，NVIDIA Jetson 的角色也逐漸從單純的「眼睛」，演化為能夠控制手腳的「大腦」，開始驅動更複雜的自主機器，無論是地上跑的、天上飛的，都將NVIDIA Jetson 視為核心運算中樞 。

但再強大的晶片，如果沒有能適應現場環境的「容器」，也無法真正落地。這正是研華（Advantech）的角色，我們將 NVIDIA Jetson 平台整合進各式工業級主機與邊緣運算設備，確保它能在高熱、灰塵、潮濕或震動的現場穩定運行，滿足從工廠到農場到礦場、從公車到貨車到貨輪等各種使用環境。換句話說，NVIDIA 提供「大腦」，而研華則是讓這顆大腦能在真實世界中呼吸的「生命支持系統」。

這個平台聽起來很工業、很遙遠，但它其實早就以一種你意想不到的方式，進入了我們的生活。

從Switch到雞蛋分揀員，NVIDIA Jetson如何悄悄改變世界？

如果我告訴你，第一代的任天堂Switch遊戲機與Jetson有相同血緣，你會不會很驚訝？它的核心處理器X1晶片，與Jetson TX1模組共享相同架構。這款遊戲機對高效能運算和低功耗的嚴苛要求，正好與 Jetson 的設計理念不謀而合 。

而在更專業的領域，研華透過 NVIDIA Jetson 更是解決了許多真實世界的難題 。例如

• 在北美，有客戶利用 AI 進行雞蛋品質檢測，研華的工業電腦搭載NVIDIA Jetson 模組與相機介面，能精準辨識並挑出髒污、雙黃蛋到血蛋 
• 在日本，為避免鏟雪車在移動時發生意外，導入了環繞視覺系統，當 AI 偵測到周圍有人時便會立刻停止 ；
• 在水資源珍貴的以色列，研華的邊緣運算平台搭載NVIDIA Jetson模組置入無人機內，24 小時在果園巡航，一旦發現成熟的果實就直接凌空採摘，實現了「無落果」的終極目標 。

這些應用，代表著 NVIDIA Jetson Orin™ 世代的成功，它讓「自動化」設備變得更聰明 。然而，隨著大型語言模型（LLM）的浪潮來襲，人們的期待也從「自動化」轉向了「自主化」 。我們希望機器人不僅能執行命令，更能理解、推理。

Orin世代的算力在執行人形機器人AI推論時的效能約為每秒5到10次的推論頻率，若要機器人更快速完成動作，需要更強大的算力。業界迫切需要一個更強大的大腦。這也引出了一個革命性的問題：AI到底該如何學會「動手」，而不只是「動口」？

革命性的一步：AI如何學會「動手」而不只是「動口」？

面對 Orin 世代的瓶頸，NVIDIA 給出的答案，不是溫和升級，而是一次徹底的世代跨越— NVIDIA Jetson Thor 。這款基於最新 Blackwell 架構的新模組，峰值性能是前代的 7.5 倍，記憶體也翻倍 。如此巨大的效能提升，目標只有一個：將過去只能在雲端資料中心運行的、以 Transformer 為基礎的大型 AI 模型，成功部署到終端的機器上 。

NVIDIA Jetson Thor 的誕生，將驅動機器人控制典範的根本轉變。這要從 AI 模型的演進說起：

1. 第一階段是 LLM（Large Language Model，大型語言模型）：
   我們最熟悉的 ChatGPT 就屬此類，它接收文字、輸出文字，實現了流暢的人機對話 。
2. 第二階段是 VLM（Vision-Language Model，視覺語言模型）：
   AI 學會了看，可以上傳圖片，它能用文字描述所見之物，但輸出結果仍然是給人類看的自然語言 。
3. 第三階段則是 VLA（Vision-Language-Action Model，視覺語言行動模型）：
   這是革命性的一步。VLA 模型的輸出不再是文字，而是「行動指令（Action Token）」 。它能將視覺與語言的理解，直接轉化為控制機器人關節力矩、速度等物理行為的具體參數 。

這就是關鍵！ 過去以NVIDIA Jetson Orin™作為大腦的機器人，僅能以有限的速度運行VLA模型。而由 VLA 模型驅動，讓 AI 能夠感知、理解並直接與物理世界互動的全新形態，正是「物理 AI」（Physical AI）的開端 。NVIDIA Jetson Thor 的強大算力，就是為了滿足物理 AI 的嚴苛需求而生，要讓機器人擺脫「復健」，迎來真正自主、流暢的行動時代 。

其中，物理 AI 強調的 vision to action，就需要研華設計對應的硬體來實現；譬如視覺可能來自於一般相機、深度相機、紅外線相機甚至光達，你的系統就要有對應的介面來整合視覺；你也會需要控制介面去控制馬達伸長手臂或控制夾具拿取物品；你也要有 WIFI、4G 或 5G 來傳輸資料或和別的 AI 溝通，這些都需要具體化到一個系統上，這個系統的集大成就是機器人。

好，我們有了史上最強的大腦。但一個再聰明的大腦，也需要一副強韌的身體。而這副身體，為什麼非得是「人形」？這不是一種很沒效率的執念嗎？

為什麼機器人非得是「人形」？這不是一種低效的執念嗎？

這是我一直在思考的問題。為什麼業界的主流目標，是充滿挑戰的「人形」機器人？為何不設計成效率更高的輪式，或是功能更多元的章魚型態？

答案，簡單到令人無法反駁：因為我們所處的世界，是徹底為人形生物所打造的。

從樓梯的階高、門把的設計，到桌椅的高度，無一不是為了適應人類的雙足、雙手與身高而存在 。對 AI 而言，採用人形的軀體，意味著它能用與我們最相似的視角與方式去感知和學習這個世界，進而最快地理解並融入人類環境 。這背後的邏輯是，與其讓 AI 去適應千奇百怪的非人形設計，不如讓它直接採用這個已經被數千年人類文明「驗證」過的最優解 。

這也區分了「通用型 AI 人形機器人」與「專用型 AI 工業自動化設備」的本質不同 。後者像高度特化的工具，產線上的機械手臂能高效重複鎖螺絲，但它無法處理安裝柔軟水管這種預設外的任務 。而通用型人形機器人的目標，是成為一個「多面手」，它能在廣泛學習後，理解物理世界的運作規律 。理論上，今天它在產線上組裝伺服器，明天就能在廚房裡學會煮菜 。

但要讓一個「多面手」真正活起來，光有骨架還不夠。它必須同時擁有強大的大腦平台與遍布全身的感知神經，才能理解並回應外在環境。人形機器人的手、腳、眼睛、甚至背部，都需要大量感測器去理解環境就像神經末梢一樣，隨時傳回方位、力量與外界狀態。但這些訊號若沒有通過一個穩定的「大腦平台」，就無法匯聚成有意義的行動。

這正是研華的角色：我們不僅把 NVIDIA Jetson Thor 這顆核心晶片包載在工業級電腦中，讓它成為能真正思考與反應的「完整大腦」，同時也提供神經系統的骨幹，將感測器、I/O 介面與通訊模組可靠地連結起來，把訊號傳導進大腦。你或許看不見研華的存在，但它實際上遍布在機器人全身，像隱藏在皮膚之下的神經網絡，讓整個身體真正活過來。

但有了大腦、有了身體，接下來的挑戰是「教育」。你要怎麼教一個物理 AI？總不能讓它在現實世界裡一直摔跤，把一台幾百萬的機器人摔壞吧？

打造一個「精神時光屋」，AI的學習速度能有多快？

這個問題非常關鍵。大型語言模型可以閱讀網際網路上浩瀚的文本資料，但物理世界中用於訓練的互動資料卻極其稀缺，而且在現實中反覆試錯的成本與風險實在太高 。

答案，就在虛擬世界之中。

NVIDIA Isaac Sim™等模擬平台，為這個問題提供了完美的解決方案 。它能創造出一個物理規則高度擬真的數位孿生（Digital Twin）世界，讓 AI 在其中進行訓練 。

這就像是為機器人打造了一個「精神時光屋」 。它可以在一天之內，經歷相當於現實世界千百日的學習與演練，從而在絕對安全的環境中，窮盡各種可能性，深刻領悟物理世界的定律 。透過這種「模擬-訓練-推論」的 3 Computers 閉環，Physical AI (物理AI) 的學習曲線得以指數級加速 。

我原本以為模擬只是為了節省成本，但後來發現，它的意義遠不止於此。它是在為 AI 建立一種關於物理世界的「直覺」。這種直覺，是在現實世界中難以透過有限次的試錯來建立的。

所以你看，這趟從 Switch 到人形機器人的旅程，一幅清晰的未來藍圖已經浮現了。實現物理 AI 的三大支柱已然齊備：一個劃時代的「AI 大腦」（NVIDIA Jetson Thor）、讓核心延展為「完整大腦與神經系統」的工業級骨幹（由研華 Advantech 提供），以及一個不可或缺的「教育環境」（NVIDIA Isaac Sim 模擬平台） 。

結語

我們拆解了那些酷炫機器人影片背後的真相，看見了從「自動化」走向「自主化」的巨大技術鴻溝，也見證了「物理 AI」時代的三大支柱——大腦、身軀、與教育——如何逐一到位 。

專家預測，未來 3 到 5 年內，人形機器人領域將迎來一場顯著的革命 。過去我們只能在科幻電影中想像的場景，如今正以前所未有的速度成為現實 。

這不再只是一個關於效率和生產力的問題。當一台機器，能夠觀察我們的世界，理解我們的語言，並開始以物理實體的方式與我們互動，這將從根本上改變我們與科技的關係。

所以，最後我想留給你的思想實驗是：當一個「物理 AI」真的走進你的生活，它不只是個工具，而是一個能學習、能適應、能與你共同存在於同一個空間的「非人智慧體」，你最先感受到的，會是興奮、是便利，還是……一絲不安？

這個問題，不再是「我們能否做到」，而是「當它發生時，我們準備好了嗎？」

研華已經整裝待發，現在，我們與您一起推動下一代物理 AI 與智慧設備的誕生。
https://bit.ly/4n78dR4

作者／Isa-Dietitian 

味道（taste）是我們品嚐到食物中的「非揮發性」化學物質。我們熟悉的味道都有哪些？幾百年來，我們熟悉的4種味道是酸、甜、苦、鹹；而第五種味道——鮮味（Umami）也在1908年被日本科學家發現，並廣泛應用於食品工業和我們的日常生活中。現在，美國普渡大學的理查德·馬特（Richard D. Mattes）教授認為，除了上述五種味道，還有一種神秘的「第六味道」，它隱藏在已知的五種味道之中，卻在潛移默化地影響著我們對某一道菜的喜愛和胃口，且這種味道的發現和應用甚至可以影響我們的飲食和健康。

這味道是什麼？其實，當你吃蛋糕、大嚼披薩、啃牛排、吸大骨骨髓的時候，你可能已經嚐到它了，科學家們將「第六味覺」命名為 Oleogustus ——這是一個拉丁語詞彙，指油或脂肪的味道，它還沒有對應的中文名，但你可以近似地把它理解為「油脂味」。早在公元前330年，亞里士多德就總結出了「油脂味」，但現代科學一直將其與食物的口感、質地、熱學性能及風味釋放聯繫到一起，並沒有過多關注它的味道本身。

「油脂味」並沒有聽起來那麼美味

油脂味聽起來似乎十分可口誘人，但其實不然，有興趣的各位可以去喝一口植物油嚐一嘗，看看味道好不好。真正的油脂味並不是我們品嚐美食時的愉悅感​​受，它嘗起來其實挺噁心的。而我們品嚐美味的蛋糕、漢堡、薯條、比薩以及牛排時那種滑膩的乳脂感、黏稠度等濃郁複雜的味道並非真正的油脂味，而是源自於三酸甘油酯——甘油和脂肪酸（即產生油脂味的真正物質）酯化後產生的產物。它也有脂溶性味道，但它並不是真正的油脂味。真正產生「油脂味」的化學源頭是未酯化脂肪酸（NEFA），而它嘗起來一點兒都不好吃。

不同的化合物代表不同味道，它們都能發出營養信號：

• 甜味——自由羥基和碳水化合物
• 酸味——氫離子和酸性物質
• 苦味、過酸——食物腐壞產生的化合物
• 鹹味——鈉離子及其他人體必須的礦物質
• 鮮味——蛋白質及胺基酸

那麼油脂味呢？科學家們認為，過多的脂肪酸意味著腐壞的食物。所以當未酯化脂肪酸的濃度超過某一個數值時（因人而異），就會讓人明顯產生噁心反感的感覺。且當濃度更高時，人口腔對質地的感受及嗅覺也參與其中。食品工業很早就意識到人們對脂肪酸本身味道的抵觸，將加工食品中油脂的味道刻意降低到0.1-3%，低於人類感知的水平，或通過特殊方法將它們酯化。

我們的舌頭是味覺接收器（taste receptors）聚集地，不同的味覺化學物質被接收後，產生信號傳遞到大腦。這條通路的前提是：味道分子激活味覺細胞上的味道接收器。油脂分子也由它的特殊接收器（CD36, GPCR和DRK）處理和加工。有研究證明，油脂分子能迅速被舌頭上的接受器捕捉並迅速通知大腦準備吸收和消化脂肪。還有研究認為，我們的舌頭上有一種酶，叫做舌脂酶（Lingual lipase），它將三酸甘油酯分解成脂肪酸，而後者更容易被味覺細胞捕捉。但舌脂酶的濃度和活性到底如何，能否迅速將我們咀嚼食物中的脂肪酸釋放出來，及其脂肪酶抑制劑（Orlistat）對其味覺閾的營養還有待進一步的研究。

如何確定一種味道？

我們吃食物時可以有各種各樣的感覺，到底需要滿足什麼條件，才能將它稱之為一種味道？馬特做了一個總結：

• 這一類刺激物本身有特殊的化學結構；
• 人體針對這一刺激物，存在不同於其他味覺的、特殊的接受機制；
• 它由味覺神經傳遞給中央神經系統並能被解析；
• 它對人體有特殊的功能；
• 它能影響人類的生理和行為，且有一定的社會生態學意義。

馬特教授和他的同事們將受試者們的鼻子用夾子夾住（防止嗅覺干擾味覺），然後將代表不同味道的化合物給他們品嚐：果糖和葡萄糖代表甜味；醋酸和檸檬酸代表酸味；尿素和奎寧代表苦味；氯化鈉代表鹹味；谷胺酸鈉代表鮮味；油酸和亞油酸代表「油脂味」。品嚐之後，馬特教授讓他們將所嚐到的味道分類。

馬特教授發現，當所有味道混合在一起時，人們對甜味、鹹味和酸味很敏感，卻總會將鮮味、苦味和「油脂味」混為一談，並將它們歸為一類。隨後，馬特教授將區別明顯的甜、鹹、酸三種味道去掉，只給被試者們呈現鮮味、苦味和「油脂味」。這一次，他明顯地觀察到，即使人們連「第六味道」的感覺都形容不出來，人們仍然將它區別於鮮味和苦味，單獨劃分為「另一種味道」。

「想要確定人們到底能不能區分出『油脂味』實在太難了，因為它連個名字都沒有。」馬特教授說，「但確鑿的證據和受試者鮮明的感知區分都證明它真的存在。」

越敏感，越不容易胖

在「第六味覺」被發現之後，味覺與營養、肥胖也建立了新的聯繫。長期高脂肪飲食容易導致「脂肪味」的主要味覺接受器CD36減少，而CD36恰恰能夠讓人們對脂肪產生滿足感。換句話說，CD36的減少讓人們對脂肪變得「反應遲鈍」，吃得就會越來越多。不論是動物實驗還是人群試驗，科學家都發現，對油脂味感覺越敏感的個體越瘦，而對它的味道較為遲鈍的個體則容易進食更多的脂肪，脂肪積累得更多。

現在，人們可以更清晰地了解味道和食物本身帶給人們的感覺，也能利用這些知識改變人們的飲食習慣和健康：它可以應用於提高加工食品的質量，減少心血管疾病，治療味覺障礙等等。在「第六味」被發掘之後，還有更多的可能等待我們去嘗試。

參考文獻：

1. Cordelia A. Running, Bruce A. Craig, and Richard D. Mattes. Oleogustus: The Unique Taste of Fat. Chemical Senses, 2015, 1–10. doi:10.1093/chemse/bjv036
2. Angela Chale´-Rush, John R. Burgess and Richard D. Mattes. Evidence for Human Orosensory (Taste?) Sensitivity to Free Fatty Acids. Chem. Senses 32: 423–431, 2007 doi:10.1093/chemse/bjm007. Advance Access publication March 14, 2007
3. Stewart J, Newman LP, Keast RS: Oral Sensitivity To Oleic Acid Is Associated With Fat Intake And Body Mass Index. Clin Nutr 2011, 30:838–844.
4. Russell SJ Keast and Andrew Costanzo. Is fat the sixth taste primary? Evidence and implications. Keast and Costanzo Flavour 2015, 4:5
5. Keller KL, Liang LC, Sakimura J, May D, van Belle C, Breen C, Driggin E, Tepper BJ, Lanzano PC, Deng L, Chung WK​​: Common variants in the CD36 gene are associated with oral fat perception, fat preferences, and obesity in African Americans. Obesity (Silver Spring) 2012, 20(5):1066–1073.
6. Pepino MY, Love-Gregory L, Klein S, Abumrad NA: The Fatty Acid Translocase Gene CD36 And Lingual Lipase Influence Oral Sensitivity To Fat In Obese Subjects. J Lipid Res 2012, 53(3):561–566.

本文轉載自果殼網

文 / 羅佩琪

「喂？」（現場靜默……）

「喂？」（現場持續靜默……OS：講者都還沒開口，是誰就大喇喇地講電話干擾活動……）

觀眾們面面相覷、騷動著找尋這位失禮的觀眾之際，台上的壓軸講者張語涵俏皮地道了歉：「不好意思，麥克風到了我手中 ── 就會變成這樣。」

可說是人們最喜歡的聊天對象之一，「腹語師」的身分讓原本平凡的獸醫系學生張語涵開啟了豐富精采的生活新頁。大三時在youtube看到美國腹語大師Jeff Dunham的表演影片，抱持著「想知道怎麼讓玩偶說話」的單純動機，小強開始蒐集腹語術的學習方式、下苦功練習，一年後，終於成功讓自己的玩偶（花名大呆）成為一隻「會說話的玩偶」。

與坊間的說法不同，腹語其實不是用肚子說話，依然是以聲帶發聲，腹語與一般說話真正的差別在於：人類平時是在嘴型、舌頭的共同協作下完成咬字；使用腹語時嘴唇則不能移動，僅保留上下唇一絲縫隙流通氣流，並讓舌頭辛苦地完成所有咬字工作──這也是腹語訓練被稱作「舌頭重訓」的原因。

在與夥伴大呆的一搭一唱中，小強用她的科仔七分鐘展示了腹語的迷人與可親，也為PanSci年會畫上充滿驚嘆的壓軸句點。

https://www.youtube.com/watch?v=X_KwOMf8QgU&feature=youtu.be