發現沒有粒線體的真核生物？——《科學月刊》

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

恢復初始體重與延長健康壽命

身體的能量大多由細胞裡的能量工廠產生，也就是粒線體。這種能量以 ATP 的形式存在，用來驅動體內種種的生物過程，維持新陳代謝。攝取果糖後，身體會產生尿酸，對能量工廠造成氧化壓力，導致 ATP 產量減少，最後果糖所含的熱量會以脂肪和肝醣的形式儲存在體內。這個過程能幫助我們儲備能量，以因應食物不足的狀況。

生存開關活化所產生的氧化壓力，可能對細胞內的能量工廠和身體其他部位造成損害。在自然界中，這種氧化壓力通常為時短暫，能量工廠很快就會恢復正常運作。相對之下，現代人體內的生存開關卻是全年無休、火力全開。原本是為了生存而暫時抑制粒線體的能量產生，沒想到卻變成一種永久的枷鎖，並帶來嚴重的後果。

長期暴露在慢性氧化壓力中，會使能量工廠的結構發生變化。粒線體會變小，功能下降。即使在生存開關並未活化的狀況下，粒線體產生的能量也不復以往。這等於重新設定了新陳代謝的基礎值，降低能量的產生和使用，隨之而來的便是體重增加。因為身體現在認定減重前的體重才是正常，所以將體重減輕視為生存威脅，於是調整新陳代謝速率做為因應。這時，你的新陳代謝就成為你的敵人！

生存開關長期處於活化狀態，不只會影響體重和能量。現在更有證據指出，慢性或反覆出現氧化壓力，也會導致人體老化，於是皮膚出現皺紋，內臟器官緩慢磨損。所有的食物攝取，多少都會對能量工廠造成氧化壓力（第一章曾說過，減少熱量攝取可能延長壽命，原因可能正是在此）。然而，與其他營養相比，攝取果糖對粒線體造成的氧化壓力要大得多。

在我看來，若能在粒線體受到永久損傷之前，及早對肥胖症展開治療，效果最好。的確，我個人的經驗是，兒童和青少年的肥胖症比較容易治療，只需要改變飲食，減少攝取會活化生存開關的食物，因為年輕人仍然擁有大量功能正常的粒線體。相較之下，要治療肥胖症的長期患者挑戰就高得多，因為他們的能量工廠長期承受慢性的氧化壓力。然而，任務仍然可能達成，關鍵在於恢復粒線體。

要治療肥胖症，就得增加粒線體的產能

我們被「鎖定」在高體重和低能量的狀態，這聽來真是令人沮喪，但這種狀態並非不能改變，能量工廠是可復原的。基本上有兩大方法，首先，盡量減少對能量工廠的損害，讓它們有時間自然恢復。這種方法主要著重在中止生存開關持續活化。其次是積極修復能量工廠，甚或是增加生產粒線體，以彌補失去的數量。

在討論如何達成這兩項目標之前，我想先提供簡單的方法，讓你評估自己能量工廠的健康狀況：觀察自己的自然步態，也就是平時的行走速度。你可以記錄自己繞行附近一個街區的時間，同時佩戴計步器計算步數，然後算出每秒行走的步數和距離。另一種方法更簡單，只要記錄繞行街區的時間，將現在的時間與之後的時間進行比較，就能判斷粒線體的健康狀況是否改變。重點在於測量時要採行自然步態；換句話說，行走時請勿故意加快腳步。正常的步行速度約為每秒 1.2 公尺，但每秒 0.6 至 1.8 公尺都算正常範圍。我建議把目標設定為每秒 1.2 公尺以上。長期超重的人步行速度通常較慢，平均約為每秒 0.9 公尺。

研究顯示，自然步行速度與粒線體的品質呈現正相關，步行速度較快的人壽命較長，整體健康狀況也較好。步行速度減慢可能是因為骨骼肌疲勞增加，或 ATP 濃度低。值得注意的是，年輕超重者的步行速度往往與其他年輕人相似，但隨著年齡增長，超重者和正常體重者之間的步行速度差異會愈來愈大。

我鼓勵你去散步，評估你的自然步行節奏。這可幫助你深入了解減肥和維持體重的難易程度，不僅如此，長期監控自己的自然步行速度，還有助於評估體重控制的整體進展。

——本文摘自《大自然就是要你胖！》，2024 年 06 月，天下文化出版，未經同意請勿轉載。

約在 3,000 萬年前，地球上出現了人猿總科，我們和其他猿類共同的老老老老老祖宗，從此與猴子們踏上了不同的道路。

又過了 1,000 多萬年，那些在樹梢中討生活的表祖宗逐漸演化成了如今的長臂猿，而我們的老老老祖宗，儘管還距離我們現在的樣子甚遠，但終於開始沾上了「人」字，在分類上進入了「人科」的範圍。

然而從人科到「人」還有著漫漫長路，1,600 萬年前，我們的老老老祖宗和紅毛猩猩的老老老祖宗形成了兩條不同的分支；又過了 600 萬年到 800 萬年，大猩猩的祖先進入了另一個車道。

至此，我們的老祖宗「人」的成分進一步增加，終於在分類上進入了「人族」。

現代智人的祖先——露西

500 萬年前，我們的老祖宗與黑猩猩的祖先終於分離，開啟了屬於「現代人」的傳奇。

1974 年 11 月 24 日，美國古人類學家唐納德．喬納森（Donald Johanson）和他的同事在衣索比亞的阿瓦什河谷進行調查時，發現了一根暴露在沙土表面的人骨殘段。經過搜尋，他們又在周圍發現了其他骨骼碎片，還包括一塊下頜骨碎片。最終，他們花了三週時間搜尋到了 100 多件骨骼標本，在進行分析研究之後，他們得出結論，這些骨骼屬於同一個個體，他們給予了這個個體一個編號「AL288-1」。

這是一個足以震驚古人類學界的發現，喬納森和同事們為此在營地舉辦了慶祝晚宴。在晚宴的背景音樂，披頭四〈Lucy in the sky with diamonds〉的歌聲中，他們又為「AL288-1」取了一個更為大家所熟知的名字——露西。

經過進一步的研究，喬納森披露了更多關於露西的細節：

露西是生活在 320 萬年前，20 歲左右的女性南方古猿，屬於南方古猿阿爾法種（Australopithecus afarensis）。

她的腦容量不大，只有現代人類的 1/3 到 1/2。但是她已經出現了與黑猩猩明顯不同的特徵：露西已經習慣直立行走了。直立行走，一直被看作「猿向人類進化」過程中的重大事件。也正因此，露西所屬的南方古猿阿爾法種以前經常被稱為人屬物種的祖先，也就是我們現代人智人的祖先。

不過基於化石證據進行的古人類研究經常會因為新發現的化石而顛覆。2011 年 5 月，美國克里夫蘭大學的古人類學教授約翰尼斯．海爾—塞拉西（Yohannes Haile-Selassie）在南方古猿阿爾法的分布區，又發現了一個生活在距今 330 萬年到 350 萬年的南方古猿近親種（Australopithecus deyiremeda）。這個新種類的原始人挑戰了「露西是人類的祖先」以及「在這個時期這個區域僅有一種人」的觀點。

這樣一來，曾被稱為「人類的非洲老祖母」的露西可能要地位不保，不過科學家為我們找來的那位「共同的母親」——「線粒體夏娃」的證據倒是愈發明確了。

媽媽的媽媽的媽媽⋯⋯ 粒線體的母系遺傳

每個人的細胞中都有來自母親和父親的 46 條 DNA。除此之外，我們的線粒體中還攜帶著線粒體 DNA，線粒體是為細胞提供能量的細胞器。與父母雙方各提供 23 條染色體不同，精子中沒有線粒體，因此受精卵中的線粒體全部來自卵細胞的細胞質，也就是線粒體 DNA 全部是由媽媽傳給孩子的。

媽媽生了女兒，女兒再生孩子的時候，會繼續將母親的線粒體 DNA 傳遞下去；但是如果某位女性的所有後代都是男孩，因為男性不能傳遞線粒體DNA，她的線粒體 DNA 就丟失了。

粒線體夏娃 共同的母親

1987 年美國加州大學的瑞貝卡·卡恩（Rebecca Cann）和艾倫·威爾遜（Allan Wilson）帶領研究小組做了全球性的實驗。他們提取了不同人種 148 個胎盤中的線粒體 DNA，並對其進行研究。

結果顯示，這些線粒體 DNA 有高度的相似性。經由計算，他們得出了一個令人震驚的結論：現代人類應該有一位共同的母親，她是生活在約 15 萬年至 20 萬年前的一位非洲女性。對此進行報導的記者羅傑·勒溫（Roger Lewin）為這位「共同的母親」取了個眾所皆知的名字——「線粒體夏娃」。

其實「夏娃」這個稱謂並不準確，「她」應該不是一個人，而是這個遺傳位點的共同祖先。牛津大學的人類遺傳學教授布萊恩·賽克斯（Bryan Sykes）是世界上第一個證明可以從古人類的遺骸中提取 DNA 的學者。1999 年，他帶領小組，在研究分析了 6,000 多份歐洲人的線粒體 DNA 後，將他們分類歸屬於七個「母系氏族」，也就是七個「夏娃」。

她們是所有歐洲人的先祖，每個歐洲人的 DNA 都可以追溯到這七位「夏娃」的身上。他為她們取了名字，並根據考古學、地質學等知識，構築出了她們的生活，寫出了一本像小說一樣的科普書《夏娃和她的七個女兒》。

——本文摘自《真的假的！奇怪知識又增加了：自說自話的總裁顛覆認知的科學奇想》，2023 年 7 月，晴好出版，未經同意請勿轉載。