桑格：唯一得了兩次諾貝爾化學獎的人│科學史上的今天：10/15

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

本文轉載自顯微觀點

科學：一場每天進行的淘汰賽

在以錦標賽理論（tournament theory）運作的專門領域中，贏家獲得的獎勵將遠超出輸家，即使兩者的實際表現、累積貢獻僅有毫釐之差。就像奧運百米賽跑，0.005 秒決定了金牌與銀牌，只慢了 0.01 秒的第四名沒有資格出現在頒獎台。

諾貝爾獎、終身職制度、學術獎金、研究計畫的經費審核，也依照近乎贏者全拿的錦標賽理論運作。錦標賽制度在運動賽事中可以促進選手與隊伍不斷提高表現水準，但在科學領域呢？

諾貝爾獎作為額外的最高榮譽，嚴格維持其傳統限制（獎項最多由 3 人共享、僅頒發給在世者），許多傑出科學家成為遺珠，但這不阻礙他們在專業領域得到足以安心的資源，作出重要貢獻。

但是，目標包含鼓勵尖端學術研究、探索重要問題的學術終身職制度與計畫審查系統，它們的錦標賽特質卻在普拉修身上呈現負面效果。

若說錦標賽模式的獎勵機制可以鼓勵科學家投入潛力豐厚的研究題材，以及努力實踐靈感的能力。那麼普拉修和查菲一樣，及早意識到能夠獨立發光的 GFP 是生物學研究的金礦，可以用來追蹤活體細胞中的基因與蛋白質表現。而且普拉修更早著手研究，優先踏上 GFP 基因轉殖的跑道。

「要是我們在普拉修完成 GFP 序列後馬上展開合作，他應該不需要離開伍茲霍爾。」
說起自己與普拉修在 1989 年到 1992 年之間的失聯，查菲如此猜測

查菲和錢永健之所以能夠找到普拉修，搶先實現 GFP 應用（當時有其他競爭團隊在研發細胞內的螢光標記），是因為當時網路快速發展，使美國國家醫學圖書館（NLM）的線上文獻查詢系統 Medline 在 1992 年進入大學圖書資訊系統，他們才能起身實踐靈感，唾手找到普拉修的最新研究。

就普拉修的運氣來說，網路卻發展得不夠快。在 1990 年代中期開始流行的電子郵件若早個幾年普及化，普拉修更可能維繫與查菲的合作，及時得到經費與GFP轉殖成果，並晉升終身職。

當年普拉修的電話留言渺無回音，他以為查菲退出學術圈（查菲年輕時確實曾刻意遠離科學）。而查菲則猜測普拉修挫敗於GFP基因選殖，連個通知都沒有。在網路、電子郵件還不普及的 1990 年，要維持與合作者的聯繫需要付出更多心力與時間。通訊的困難與少許不足的人際積極性，導致兩年的延遲發表，讓普拉修耗盡研究經費與終身職的機會。

查菲團隊實現 GFP 基因轉殖的時候，實驗室裡甚至連一台螢光顯微鏡都還沒添購，他們必須和其他學者借用、排隊等候系所共用的共軛焦顯微鏡，才能觀察大腸桿菌與線蟲體內新生的螢光。後來，查菲多次要求顯微鏡供應商帶螢光顯微鏡來提供「試用」，團隊才得以更便利地檢驗轉殖成果。

GFP 的應用需求，大力刺激光學顯微技術的進展。它最早期的轉殖實驗成果，竟是由免費試用的螢光顯微鏡呈現。這聽起來是令人莞爾的科學史軼聞，但能夠靈活周轉的人脈、儀器，也是孤立的普拉修和著名大學教授查菲的學術資本落差之一。

透過改變訓練技巧與累積訓練量、最大化優勢、競賽當下的意志與觀察力，運動員偶有逆轉資本落差的機會，以黑馬之姿獲勝。但是在學術領域，研究題材的重要性與個人的才華、執行能力卻不像跑道上的衝刺秒數一樣清晰。

「他們大可以把我從諾貝爾獎名單去掉，換上普拉修。」
查菲總是對媒體表示，普拉修的貢獻不可忽視

在科學這個由同儕評價定勝負的錦標賽中，多數科學家難以逆轉經費、人脈等資本差距，也很難讓不同領域的專家了解自己的研究重要性，只能努力支撐、累積資本，期待自己贏得經費與知名度的時刻。等待運氣與環境好轉的餘裕，得以截長補短的經濟與社會資本，卻正是學術領域錦標賽中多數年輕科學家所缺乏的。

落敗的運動員至少獲得在競賽中表現的機會，以及某個程度的肯定。論文發表日期稍微落後競爭對手的科學家，則連努力被看見的機會都非常稀少。

普拉修與諾貝爾化學獎失之交臂、鬱鬱不得志的職涯是段引人喟嘆的個人史，並非科學體系的挫敗。他只是科學錦標賽持續依照慣例淘汰的諸多優秀人才中，有幸被贏家們提及的一位。

比普拉修年輕一歲，學術晉升之路卻順暢許多的錢永健曾說，「下村脩和普拉修對 GFP 研究的貢獻是無可取代的。」而且在普拉修 1992 年發表 GFP 基因的純化與定序，並且樂意對任何人分享之後，

「後面那些以研發 GFP 獲得榮譽的人，與其他人的不同可能只有些微的進度落差。」

錢永健在 2004 年至 2008 年之間，積極地建議諾貝爾獎委員會頒獎給下村脩與普拉修，但結果並非如此。

後續發展

普拉修從斯德哥爾摩回到亨茨維之後，受到包括國家公共廣播電台（National Public Radio）、《科學》期刊、亨茨維時報等美國媒體關注。但在訪談與報導的熱潮過後，普拉修依然坐困時薪 8.5 美元的豐田接駁車裏頭。

從諾貝爾頒獎典禮的輝煌榮譽，回到乏味、有時不受尊重的駕駛座上，失落的普拉修不敢相信自己依然找不到科學研發相關的工作。他喪氣地想，「經歷了這一切，我竟然還是沒有辦法回到科學領域。這中間一定出了什麼錯。」

在最憂鬱的那天，普拉修一度把接駁車停在路邊，撥號向亨茨維自殺防治熱線求助。過不多時，他在 2010 年找到科技研發的職位，2012 年他接受錢永健的提議，進入他的實驗團隊擔任研究員。重新在一個充滿支持與資源的環境投入科學研究，讓普拉修再度感到生活的動力與快樂。

2016 年錢永健逝世，實驗團隊解散，而普拉修在前一年就已離開 UCSD，從此沒有留下任何公開痕跡。曾被自殺防治熱線的機械式留言激怒到啞然失笑，決定繼續活下去的普拉修今年已經 73 歲，科學錦標賽的勝負再也不能困擾他，但科學思考帶給他的樂趣或許能夠不斷更新。

延伸閱讀：

• 缺席的普拉修，2008 年諾貝爾化學獎第 4 位得主 (1)
• 缺席的普拉修，2008 年諾貝爾化學獎第 4 位得主 (2)

• Scientist turned shuttle van driver is back in the lab The San Diego Tribune
• How Bad Luck & Bad Networking Cost Douglas Prasher a Nobel Prize Discover Megazine
• What Ever Happened to Douglas Prasher? The Scientist
• The Man Who Wasn’t There Science Adviser

本文轉載自顯微觀點

科學遠見的現實基礎

儘管 GFP 基因定序研究在 1992 年受到查菲和錢永健重視，普拉修卻已經決定轉換跑道，停止在伍茲霍爾海洋研究所的苦悶掙扎。他向所內評審委員會提出中止審核，放棄晉升，並將在一年內離職。

延伸閱讀：缺席的普拉修，2008年諾貝爾化學獎第4位得主(1)

當普拉修把查菲和錢永健要求的 GFP 基因樣本送到，他一面感到終結的哀傷，一面認知到「不問報酬地把 GFP 基因交棒給其他人，是當下最合理的選擇。」尤其是像自己這樣使用公共經費進行研究的學者。

除了對社會的責任感，普拉修也意識到學術現實面，研究資源充沛的成功學者，更有機會實現GFP的潛力。在知名大學任教的查菲和錢永健已在各自領域中奠定名聲，更容易申請經費。而且他們可以用既有經費支應 GFP 轉殖實驗的開銷，不需要特意申請高門檻的 GFP 獨立經費，更不會落到像普拉修一樣，經費耗盡還慘澹經營 GFP 基因選殖一整年。

此外，查菲和錢永健還有研究生和博士後研究員的充沛學術勞動力，而普拉修則總是獨力進行所有研究勞動。孤立、勞累而缺乏成就感，普拉修沒能成功以綠色螢光照亮細胞生理，也無法驅散他自己周遭的職業陰霾。

查菲能在 1992 年重新連繫上普拉修，是因為查菲向研究生尤斯克亨（Ghia Euskirchen）感嘆，普拉修從未回報 GFP 的基因選殖成果，或許是個難以成功的任務。

尤斯克亨當下便和查菲一起打開實驗室電腦，用剛安裝的線上論文資料庫 Medline 搜尋相關文獻。他們不可置信地在搜尋結果第一位看見普拉修的 GFP 基因選殖論文，接著飛奔到圖書館尋找實體期刊，在上面找到普拉修的電話，重新建立聯繫。

在查菲的指導下，尤斯克亨只花一個月就完成了大腸桿菌的 GFP 轉殖，成為第一個螢光轉殖生物的拍攝者。接著，查菲團隊順利地讓線蟲的神經細胞表現綠色螢光，證明 GFP 可以在不同生物體內獨立發光，無須其他來自水母的分子。微觀生物學的未來一片光明。

錢永健則是透過與同儕的討論，知道生命科學仍然缺乏合適的螢光標記蛋白，進而在 UCSD（加州大學聖地牙哥分校）新安裝的 Medline 資料庫上搜尋「綠色螢光蛋白」，驚訝地發現普拉修的論文摘要。和查菲一樣，錢永健衝進圖書館影印實體論文，並馬上連繫普拉修，比查菲更早確保 GFP 基因序列的樣本。

查菲團隊轉殖 GFP 的同時，錢永健團隊建構出多種 GFP 變異體，人類開始以不同螢光蛋白觀察細胞內部運作。兩個團隊的成果啟動了學術界和生技產業洪流般的關注與需求，錢永健團隊甚至設立了自動化的樣本供應網頁，只要填寫線上申請書，錢永健實驗室就會無償將螢光蛋白基因載體寄送到府。

值得一份晚餐，或是更多

接下來的十多年，GFP 相關蛋白照亮細胞內的奧秘，成為「生化研究的領航星」，並帶領研發者邁向諾貝爾化學獎。而捨棄 GFP 研究的普拉修，則像是失去指引一般，不僅沒能獲獎，更經歷了顛簸困頓的人生苦旅。

離開伍茲霍爾海洋研究所，普拉修在美國農業部轄下獲得分子生物學技師職位。在政府機構經歷職場摩擦、調職搬遷，使緊繃難熬的氣氛瀰漫普拉修全家之後，他前往亨茨維應徵 NASA 承包商的工程師職缺。在火箭城研發太空診斷器是讓普拉修覺得相對有趣的任務，經費短缺卻再次扼殺了他的期待。

NASA 在 2006 年裁減生命科學研究經費，普拉修因此被裁員，轉而成為接駁車司機。他在駕駛座上友善健談，意外發現自己其實喜歡工作中和陌生人互動的部分。但是 8.5 美元的時薪讓他入不敷出，連他和查菲共享的 GFP 專利金都在幾年內消耗殆盡。

儘管事業成果的對比相當符合美國媒體對「不公平」題材的嗜好，普拉修不曾在訪談間表現對查菲和錢永健的嫉妒。

2008 年 10 月 8 號早餐之前，普拉修聽到三位科學家因為 GFP 獲得諾貝爾化學獎，他若無其事地換上灰色制服前往公司開車。不過，上班前他打了通電話到當地電台，糾正他們對錢永健姓氏的發音。

查菲和錢永健在諾貝爾獎致詞與回憶錄中，不約而同地感謝普拉修的研究貢獻，錢永健更經常提供普拉修回到學術領域的工作機會。不願接受研究職位作為恩惠、從斯德哥爾摩回到亨茨維開接駁車的普拉修則笑說「如果他們來到亨茨維，該請我吃頓晚餐。」

「他們總是有提到我的功勞，而且他們有傑出的科學事業，完成重大貢獻之後，繼續發展他們傑出的科學事業。」普拉修一向對媒體表示，查菲和錢永健是更值得諾貝爾獎的人選，而非中輟離開科學領域的自己。

但是，普拉修並非真正「離開」科學領域。他結束 GFP 研究後，不論在政府機構或私人企業，依然從事超過十年的科學相關工作，並作出實際貢獻。相對於逃離科學，他其實是被不理解 GFP 潛力的終身職審查委員會給排除，被迫離開「高賭注的尖端學術領域」（high-stakes academic science）。