量子電腦為何比傳統電腦強大？量子運算的發展又有哪些挑戰呢？

本文與 TRPMA 台灣研發型生技新藥發展協會合作，泛科學企劃執行

我們知道癌症是台灣人健康的頭號公敵。 為此，我們花了很多時間介紹最新、最有效的抗癌方法之一：免疫療法。

免疫療法中最重要的技術就是抗體藥物。科學家會人工製造一批抗體去標記癌細胞。它們就像戰場上的偵察無人機，能精準鎖定你體內的敵人——癌細胞，為它們打上標記，然後引導你的免疫系統展開攻擊。

這跟化療、放射線治療那種閉著眼睛拿機槍亂掃不同。免疫療法是重新叫醒你的免疫系統，為身體「上buff (增益) 」來抗癌，副作用較低，因此備受好評。

但尷尬的是，經過幾年的臨床考驗，科學家發現：光靠抗體對抗癌症，竟然已經不夠用了。

事情是這樣的，臨床上醫生與科學家逐漸發現：這個抗體標記，不是容易損壞，就是癌細胞同時設有多個陷阱關卡，只靠叫醒免疫細胞，還是難以發揮戰力。

但好消息是，我們的生技工程也大幅進步了。科學家開始思考：如果這台偵察無人機只有「標記」這一招不夠用，為什麼不幫它升級，讓它多學幾招呢？

這個能讓免疫藥物（偵察無人機）大進化的訓練器，就是今天的主角—融合蛋白（fusion protein）。

融合蛋白是什麼？

免疫療法遇到的問題，我們可以這樣理解：想像你的身體是一座國家，病毒、細菌、腫瘤就是入侵者；而抗體，就是我們派出的「偵察無人機」。

當我們透過注射放出這支無人機群進到體內，它能迅速辨識敵人、緊抓不放，並呼叫其他免疫單位（友軍）一同解決威脅。過去 20 年，最強的偵查機型叫做「單株抗體」。1998年，生技公司基因泰克（Genentech）推出的藥物赫賽汀（Herceptin），就是一款針對 HER2 蛋白的單株抗體，目標是治療乳癌。

這支無人機群為什麼能對抗癌症？這要歸功於它「Y」字形的小小抗體分子，構造看似簡單，卻蘊藏巧思：

• 「Y」 字形上面的兩隻「叉叉」是敵人偵測器，能找到敵人身上的抗原特徵，並黏上去，稱為抗體結合區「Fab 區域」。
  
• 「Y」 字形的「尾巴」就是我們說的「標籤」，它能通知免疫系統啟動攻擊，稱為結晶區域片段「Fc 區域」。具體來說，當免疫細胞在體內巡邏，免疫細胞上的 Fc 受體 (FcR) 會和 Fc區域結合，進而認出病原體或感染細胞，接著展開清除。

更厲害的是，這個 Fc 區域標籤還能加裝不同功能。一般來說，人體內多餘的分子，會被定期清除。例如，細胞內會有溶酶體不斷分解多餘的物質，或是血液經過肝臟時會被代謝、分解。那麼，人造抗體對身體來說，屬於外來的東西，自然也會被清除。

而 Fc區域會與細胞內體上的Fc受體結合，告訴細胞「別分解我」的訊號，阻止溶酶體的作用。又或是單純把標籤做的超大，例如接上一段長長的蛋白質，或是聚乙二醇鏈，讓整個抗體分子的大小，大於腎臟過濾孔的大小，難以被腎臟過濾，進而延長抗體在體內的存活時間。

偵測器（Fab）加上標籤（Fc）的結構，使抗體成為最早、也最成功的「天然設計藥物」。然而，當抗體在臨床上逐漸普及，一個又一個的問題開始浮現。抗體的強項在於「精準鎖定」，但這同時也是它的限制。

第一個問題：抗體只能打「魔王」，無法毀掉「魔窟」。 

抗體一定要有一個明確的「標的物」才能發揮作用。這讓它在針對「腫瘤」或「癌細胞本身」時非常有效，因為敵人身上有明顯標記。但癌細胞的形成與惡化，是細胞在「生長、分裂、死亡、免疫逃脫」這些訊號通路上被長期誤導的結果。抗體雖然勇猛，卻只能針對已經帶有特定分子的癌細胞魔王，無法摧毀那個孕育魔王的系統魔窟。這時，我們真正欠缺的是能「調整」、「模擬」或「干擾」這些錯誤訊號的藥物。

第二個問題：開發產線的限制。

抗體的開發，得經過複雜的細胞培養與純化程序。每次改變結構或目標，幾乎都要重新開發整個系統。這就像你無法要求一台偵測紅外線的無人機，明天立刻改去偵測核輻射。高昂的成本與漫長的開發時間，讓新產線難以靈活創新。

為了讓免疫藥物能走向多功能與容易快速製造、測試的道路，科學家急需一個更工業化的藥物設計方式。雖然我們追求的是工業化的設計，巧合的是，真正的突破靈感，仍然來自大自然。

在自然界中，基因有時會彼此「融合」成全新的組合，讓生物獲得額外功能。例如細菌，它們常仰賴一連串的酶來完成代謝，中間產物要在細胞裡來回傳遞。但後來，其中幾個酶的基因彼此融合，而且不只是基因層級的合併，產出的酶本身也變成同一條長長的蛋白質。

結果，反應效率大幅提升。因為中間產物不必再「跑出去找下一個酶」，而是直接在同一條生產線上完成。對細菌來說，能更快處理養分、用更少能量維持生存，自然形成適應上的優勢，這樣的融合基因也就被演化保留下來。

科學家從中得到關鍵啟發：如果我們也能把兩種有用的蛋白質，「人工融合」在一起，是否就能創造出更強大的新分子？於是，融合蛋白（fusion protein）就出現了。

以假亂真：融合蛋白的HIV反制戰

融合蛋白的概念其實很直覺：把兩種以上、功能不同的蛋白質，用基因工程的方式「接起來」，讓它們成為同一個分子。 

1990 年，融合蛋白 CD4 免疫黏附素（CD4 immunoadhesin）誕生。這項設計，是為了對付令人類聞風喪膽的 HIV 病毒。

我們知道 T 細胞是人體中一種非常重要的白血球。在這些 T 細胞中，大約有六到七成表面帶有一個叫做「CD4」的輔助受體。CD4 會和另一個受體 TCR 一起合作，幫助 T 細胞辨識其他細胞表面的抗原片段，等於是 T 細胞用來辨認壞人的「探測器」。表面擁有 CD4 受體的淋巴球，就稱為 CD4 淋巴球。

麻煩的來了。 HIV 病毒反將一軍，竟然把 T 細胞的 CD4 探測器，當成了自己辨識獵物的「標記」。沒錯，對 HIV 病毒來說，免疫細胞就是它的獵物。HIV 的表面有一種叫做 gp120 的蛋白，會主動去抓住 T 細胞上的 CD4 受體。

一旦成功結合，就會啟動一連串反應，讓病毒外殼與細胞膜融合。HIV 進入細胞內後會不斷複製並破壞免疫細胞，導致免疫系統逐漸崩潰。

為了逆轉這場悲劇，融合蛋白 CD4 免疫黏附素登場了。它的結構跟抗體類似，由由兩個不同段落所組成：一端是 CD4 假受體，另一端則是剛才提到、抗體上常見的 Fc 區域。當 CD4 免疫黏附素進入體內，它表面的 CD4 假受體會主動和 HIV 的 gp120 結合。

厲害了吧。 病毒以為自己抓到了目標細胞，其實只是被騙去抓了一個假的 CD4。這樣 gp120 抓不到 CD4 淋巴球上的真 CD4，自然就無法傷害身體。

而另一端的 Fc 區域則有兩個重要作用：一是延長融合蛋白在體內的存活時間；二是理論上能掛上「這裡有敵人！」的標籤，這種機制稱為抗體依賴性細胞毒殺（ADCC）或免疫吞噬作用（ADCP）。當免疫細胞的 Fc 受體與 Fc 區域結合，就能促使免疫細胞清除被黏住的病毒顆粒。

不過，這裡有個關鍵細節。

在實際設計中，CD4免疫黏附素的 Fc 片段通常會關閉「吸引免疫細胞」的這個技能。原因是：HIV 專門攻擊的就是免疫細胞本身，許多病毒甚至已經藏在 CD4 細胞裡。若 Fc 區域過於活躍，反而可能引發強烈的發炎反應，甚至讓免疫系統錯把帶有病毒碎片的健康細胞也一併攻擊，這樣副作用太大。因此，CD4 免疫黏附素的 Fc 區域會加入特定突變，讓它只保留延長藥物壽命的功能，而不會與淋巴球的 Fc 受體結合，以避免誘發免疫反應。

從 DNA 藍圖到生物積木：融合蛋白的設計巧思

融合蛋白雖然潛力強大，但要製造出來可一點都不簡單。它並不是用膠水把兩段蛋白質黏在一起就好。「融合」這件事，得從最根本的設計圖，也就是 DNA 序列就開始規劃。

我們體內的大部分蛋白質，都是細胞照著 DNA 上的指令一步步合成的。所以，如果科學家想把蛋白 A 和蛋白 B 接在一起，就得先把這兩段基因找出來，然後再「拼」成一段新的 DNA。

不過，如果你只是單純把兩段基因硬接起來，那失敗就是必然的。因為兩個蛋白會互相「打架」，導致摺疊錯亂、功能全毀。

這時就需要一個小幫手：連接子（linker）。它的作用就像中間的彈性膠帶，讓兩邊的蛋白質能自由轉動、互不干擾。最常見的設計，是用多個甘胺酸（G）和絲胺酸（S）組成的柔性小蛋白鏈。

設計好這段 DNA 之後，就能把它放進細胞裡，讓細胞幫忙「代工」製造出這個融合蛋白。接著，科學家會用層析、電泳等方法把它純化出來，再一一檢查它有沒有摺疊正確、功能是否完整。

如果一切順利，這個人工設計的融合分子，就能像自然界的蛋白一樣穩定運作，一個全新的「人造分子兵器」就此誕生。

CD4免疫黏附素問世之後，融合蛋白逐漸成為生物製藥的重要平台之一。而且現在的融合蛋白，早就不只是「假受體＋Fc 區域」這麼單純。它已經跳脫模仿抗體，成為真正能自由組裝、自由設計的生物積木。

融合蛋白的強項，就在於它能「自由組裝」。

以抗體為骨架，科學家可以接上任何想要的功能模組，創造出全新的藥物型態。一般的抗體只能「抓」（標記特定靶點）；但融合蛋白不只會抓，還能「阻斷」、「傳遞」、甚至「調控」訊號。在功能模組的加持下，它在藥物設計上，幾乎像是一個分子級的鋼鐵蜘蛛人裝甲。

一般來說，當我們選擇使用融合蛋白時，通常會期待它能發揮幾種關鍵效果：

1. 療效協同： 一款藥上面就能同時針對多個靶點作用，有機會提升治療反應率與持續時間，達到「一藥多效」的臨床價值。
2. 減少用藥： 原本需要兩到三種單株抗體聯合使用的療法，也許只要一種融合蛋白就能搞定。這不僅能減少給藥次數，對病人來說，也有機會因為用藥減少而降低治療成本。
3. 降低毒性風險： 經過良好設計的融合蛋白，可以做到更精準的「局部活化」，讓藥物只在目標區域發揮作用，減少副作用。

到目前為止，我們了解了融合蛋白是如何製造的，也知道它的潛力有多大。

那麼，目前實際成效到底如何呢？

一箭雙鵰：拆解癌細胞的「偽裝」與「內奸」

2016 年，德國默克（Merck KGaA）展開了一項全新的臨床試驗。 主角是一款突破性的雙功能融合蛋白──Bintrafusp Alfa。這款藥物的厲害之處在於，它能同時封鎖 PD-L1 和 TGF-β 兩條免疫抑制路徑。等於一邊拆掉癌細胞的偽裝，一邊解除它的防護罩。

PD-L1，我們或許不陌生，它就像是癌細胞身上的「偽裝良民證」。當 PD-L1 和免疫細胞上的 PD-1 受體結合時，就會讓免疫系統誤以為「這細胞是自己人」，於是放過它。我們的策略，就是用一個抗體或抗體樣蛋白黏上去，把這張「偽裝良民證」封住，讓免疫系統能重新啟動。

但光拆掉偽裝還不夠，因為癌細胞還有另一位強大的盟友—一個起初是我軍，後來卻被癌細胞收買、滲透的「內奸」。它就是，轉化生長因子-β，縮寫 TGF-β。

先說清楚，TGF-β 原本是體內的秩序管理者，掌管著細胞的生長、分化、凋亡，還負責調節免疫反應。在正常細胞或癌症早期，它會和細胞表面的 TGFBR2 受體結合，啟動一連串訊號，抑制細胞分裂、減緩腫瘤生長。

但當癌症發展到後期，TGF-β 跟 TGFBR2 受體之間的合作開始出問題。癌細胞表面的 TGFBR2 受體可能突變或消失，導致 TGF-β 不但失去了原本的抑制作用，反而轉向幫癌細胞做事。

它會讓細胞骨架（actin cytoskeleton）重新排列，讓細胞變長、變軟、更有彈性，還能長出像觸手的「偽足」（lamellipodia、filopodia），一步步往外移動、鑽進組織，甚至進入血管、展開全身轉移。

更糟的是，這時「黑化」的 TGF-β 還會壓抑免疫系統，讓 T 細胞和自然殺手細胞變得不再有攻擊力，同時刺激新血管生成，幫腫瘤打通營養補給線。

為了對抗這個內奸，默克在 Bintrafusp Alfa 的結構裡，加上了一個「TGF-β 陷阱（trap）」。就像 1989 年的 CD4 免疫黏附素用「假受體」去騙 HIV 一樣，這個融合蛋白在體內循環時，會用它身上的「陷阱」去捕捉並中和游離的 TGF-β。這讓 TGF-β 無法再跟腫瘤細胞或免疫細胞表面的天然受體結合，從而鬆開了那副壓抑免疫系統的腳鐐。

告別單一解方：融合蛋白的「全方位圍剿」戰

但，故事還沒完。我們之前提過，癌細胞之所以難纏，在於它會發展出各種「免疫逃脫」策略。

而近年我們發現，癌細胞的「偽良民證」至少就有兩張：一張是 PD-L1；另一張是 CD-47。CD47 是癌細胞向巨噬細胞展示的「別吃我」訊號，當它與免疫細胞上的 SIRPα 結合時，就會抑制吞噬反應。

為此，總部位於台北的漢康生技，決定打造能同時對付 PD-L1、CD-47，乃至 TGF-β 的三功能生物藥 HCB301。

雖然三功能融合蛋白聽起來只是「再接一段蛋白」而已，但實際上極不簡單。截至目前，全球都還沒有任何三功能抗體或融合蛋白批准上市，在臨床階段的生物候選藥，也只佔了整個生物藥市場的 1.6%。

漢康生技透過自己開發的 FBDB 平台技術，製作出了三功能的生物藥 HCB301，目前第一期臨床試驗已經在美國、中國批准執行。

免疫療法絕對是幫我們突破癌症的關鍵。但我們也知道癌症非常頑強，還有好幾道關卡我們無法攻克。既然單株抗體在戰場上顯得單薄，我們就透過融合蛋白，創造出擁有多種功能模組的「升級版無人機」。

融合蛋白強的不是個別的偵查或阻敵能力，而是一組可以「客製化組裝」的平台，用以應付癌細胞所有的逃脫策略。

Catch Me If You Can？融合蛋白的回答是：「We Can.」

未來癌症的治療戰場，也將從尋找「唯一解」，轉變成如何「全方位圍剿」癌細胞，避免任何的逃脫。

本文與 Perplexity 合作，泛科學企劃執行

「Hello. I am… a robot.」

在我們的記憶裡，機器人的聲音就該是冰冷、單調，不帶一絲情感 。它們的動作僵硬，肢體不協調，像一個沒有靈魂的傀儡，甚至啟發我們創造了機械舞來模仿那獨特的笨拙可愛。但是，現今的機器人發展不再只會跳舞或模仿人聲，而是已經能獨立完成一場膽囊切除手術。

就在2025年，美國一間實驗室發表了一項成果：一台名為「SRT-H」的機器人（階層式手術機器人Transformer），在沒有人類醫師介入的情況下，成功自主完成了一場完整的豬膽囊切除手術。SRT-H 正是靠著從錯誤中學習的能力，最終在八個不同的離體膽囊上，達成了 100% 的自主手術成功率。

這項成就的意義重大，因為過去機器人手術的自動化，大多集中在像是縫合這樣的單一「任務」上。然而，這一場完整的手術，是一個包含數十個步驟、需要連貫策略與動態調整的複雜「程序」。這是機器人首次在包含 17 個步驟的完整膽囊切除術中，實現了「步驟層次的自主性」。

這就引出了一個讓我們既興奮又不安的核心問題：我們究竟錯過了什麼？機器人是如何在我們看不見的角落，悄悄完成了從「機械傀儡」到「外科醫生」的驚人演化？

這趟思想探險，將為你解密 SRT-H 以及其他五款同樣具備革命性突破的機器人。你將看到，它們正以前所未有的方式，發展出生物般的觸覺、理解複雜指令、學會團隊合作，甚至開始自我修復與演化，成為一種真正的「準生命體」 。

所以，你準備好迎接這個機器人的新紀元了嗎？

只靠模仿還不夠？手術機器人還需要學會「犯錯」與「糾正」

那麼，SRT-H 這位機器人的外科大腦，究竟藏著什麼秘密？答案就在它創新的「階層式框架」設計裡 。

你可以想像，SRT-H 的腦中，住著一個分工明確的兩人團隊，就像是漫畫界的傳奇師徒—黑傑克與皮諾可 。

• 第一位，是動口不動手的總指揮「黑傑克」： 它不下達具體的動作指令，而是在更高維度的「語言空間」中進行策略規劃 。它發出的命令，是像「抓住膽管」或「放置止血夾」這樣的高層次任務指令 。
• 第二位，是靈巧的助手「皮諾可」： 它負責接收黑傑克的語言指令，並將這些抽象的命令，轉化為機器手臂毫釐不差的精準運動軌跡 。

但最厲害的還不是這個分工，而是它們的學習方式。SRT-H 研究團隊收集了 17 個小時、共 16,000 條由人類專家操作示範的軌跡數據來訓練它 。但這還只是開始，研究人員在訓練過程中，會刻意讓它犯錯，並向它示範如何從抓取失敗、角度不佳等糟糕的狀態中恢復過來 。這種獨特的訓練方法，被稱為「糾正性示範」 。

這項訓練，讓 SRT-H 學會了一項外科手術中最關鍵的技能：當它發現執行搞砸了，它能即時識別偏差，並發出如「重試抓取」或「向左調整」等「糾正性指令」 。這套內建的錯誤恢復機制至關重要。當研究人員拿掉這個糾正能力後，機器人在遇到困難時，要不是完全失敗，就是陷入無效的重複行為中 。

正是靠著這種從錯誤中學習、自我修正的能力，SRT-H 最終在八次不同的手術中，達成了 100% 的自主手術成功率 。

SRT-H 證明了機器人開始學會「思考」與「糾錯」。但一個聰明的大腦，足以應付更混亂、更無法預測的真實世界嗎？例如在亞馬遜的倉庫裡，機器人不只需要思考，更需要實際「會做事」。

要能精準地與環境互動，光靠視覺或聽覺是不夠的。為了讓機器人能直接接觸並處理日常生活中各式各樣的物體，它就必須擁有生物般的「觸覺」能力。

解密 Vulcan 如何學會「觸摸」

讓我們把場景切換到亞馬遜的物流中心。過去，這裡的倉儲機器人（如 Kiva 系統）就像放大版的掃地機器人，核心行動邏輯是極力「避免」與周遭環境發生任何物理接觸，只負責搬運整個貨架，再由人類員工挑出包裹。

但 2025 年5月，亞馬遜展示了他們最新的觸覺機器人 Vulcan。在亞馬遜的物流中心裡，商品被存放在由彈性帶固定的織物儲物格中，而 Vulcan 的任務是必須主動接觸、甚至「撥開」彈性織網，再從堆放雜亂的儲物格中，精準取出單一包裹，且不能造成任何損壞。

Vulcan 的核心突破，就在於它在「拿取」這個動作上，學會了生物般的「觸覺」。它靈活的機械手臂末端工具（EOAT, End-Of-Arm Tool），不僅配備了攝影機，還搭載了能測量六個自由度的力與力矩感測器。六個自由度包含上下、左右、前後的推力，和三個維度的旋轉力矩。這就像你的手指，裡頭分布著非常多的受器，不只能感測壓力、還能感受物體橫向拉扯、運動等感觸。

EOAT 也擁有相同精確的「觸覺」，能夠在用力過大之前即時調整力道。這讓 Vulcan 能感知推動一個枕頭和一個硬紙盒所需的力量不同，從而動態調整行為，避免損壞貨物。

其實，這更接近我們人類與世界互動的真實方式。當你想拿起桌上的一枚硬幣時，你的大腦並不會先計算出精準的空間座標。實際上，你會先把手伸到大概的位置，讓指尖輕觸桌面，再沿著桌面滑動，直到「感覺」到硬幣的邊緣，最後才根據觸覺決定何時彎曲手指、要用多大的力量抓起這枚硬幣。Vulcan 正是在學習這種「視覺＋觸覺」的混合策略，先用攝影機判斷大致的空間，再用觸覺回饋完成最後精細的操作。

靠著這項能力，Vulcan 已經能處理亞馬遜倉庫中約 75% 的品項，並被優先部署來處理最高和最低層的貨架——這些位置是最容易導致人類員工職業傷害的位置。這也讓自動化的意義，從單純的「替代人力」，轉向了更具建設性的「增強人力」。

SRT-H 在手術室中展現了「專家級的腦」，Vulcan 在倉庫中演化出「專家級的手」。但你發現了嗎？它們都還是「專家」，一個只會開刀，一個只會揀貨。雖然這種「專家型」設計能有效規模化、解決痛點並降低成本，但機器人的終極目標，是像人類一樣成為「通才」，讓單一機器人，能在人類環境中執行多種不同任務。

如何教一台機器人「舉一反三」？

你問，機器人能成為像我們一樣的「通才」嗎？過去不行，但現在，這個目標可能很快就會實現了。這正是 NVIDIA 的 GR00T 和 Google DeepMind 的 RT-X 等專案的核心目標。

過去，我們教機器人只會一個指令、一個動作。但現在，科學家們換了一種全新的教學思路：停止教機器人完整的「任務」，而是開始教它們基礎的「技能基元」（skill primitives），這就像是動作的模組。

例如，有負責走路的「移動」(Locomotion) 基元，和負責抓取的「操作」(Manipulation) 基元。AI 模型會透過強化學習 (Reinforcement Learning) 等方法，學習如何組合這些「技能基元」來達成新目標。

舉個例子，當 AI 接收到「從冰箱拿一罐汽水給我」這個新任務時，它會自動將其拆解為一系列已知技能的組合：首先「移動」到冰箱前、接著「操作」抓住把手、拉開門、掃描罐子、抓住罐子、取出罐子。AI T 正在學會如何將這些單一的技能「融合」在一起。有了這樣的基礎後，就可以開始來大量訓練。

當多重宇宙的機器人合體練功：通用 AI 的誕生

好，既然要學，那就要練習。但這些機器人要去哪裡獲得足夠的練習機會？總不能直接去你家廚房實習吧。答案是：它們在數位世界裡練習。

NVIDIA 的 Isaac Sim 等平台，能創造出照片級真實感、物理上精確的模擬環境，讓 AI 可以在一天之內，進行相當於數千小時的練習，獨自刷副本升級。這種從「模擬到現實」（sim-to-real）的訓練管線，正是讓訓練這些複雜的通用模型變得可行的關鍵。

DeepMind 的 RT-X 計畫還發現了一個驚人的現象：用來自多種「不同類型」機器人的數據，去訓練一個單一的 AI 模型，會讓這個模型在「所有」機器人上表現得更好。這被稱為「正向轉移」(positive transfer)。當 RT-1-X 模型用混合數據訓練後，它在任何單一機器人上的成功率，比只用該機器人自身數據訓練的模型平均提高了 50%。

這就像是多重宇宙的自己各自練功後，經驗值合併，讓本體瞬間變強了。這意味著 AI 正在學習關於物理、物體特性和任務結構的抽象概念，這些概念獨立於它所控制的特定身體。

不再是工程師，而是「父母」： AI 的新學習模式

這也導向了一個科幻的未來：或許未來可能存在一個中央「機器人大腦」，它可以下載到各種不同的身體裡，並即時適應新硬體。

這種學習方式，也從根本上改變了我們與機器人的互動模式。我們不再是逐行編寫程式碼的工程師，而是更像透過「示範」與「糾正」來教導孩子的父母。

NVIDIA 的 GR00T 模型，正是透過一個「數據金字塔」來進行訓練的：

• 金字塔底層： 是大量的人類影片。
• 金字塔中層： 是海量的模擬數據（即我們提過的「數位世界」練習）。
• 金字塔頂層： 才是最珍貴、真實的機器人操作數據。

這種模式，大大降低了「教導」機器人新技能的門檻，讓機器人技術變得更容易規模化與客製化。

當機器人不再是「一個」物體，而是「任何」物體？

我們一路看到了機器人如何學會思考、觸摸，甚至舉一反三。但這一切，都建立在一個前提上：它們的物理形態是固定的。

但，如果連這個前提都可以被打破呢？這代表機器人的定義不再是固定的形態，而是可變的功能：它能改變身體來適應任何挑戰，不再是一台單一的機器，而是一個能根據任務隨選變化的物理有機體。

有不少團隊在爭奪這個機器人領域的聖杯，其中瑞士洛桑聯邦理工學院特別具有代表性，該學院的仿生機器人實驗室（Bioinspired Robotics Group, BIRG）2007 年就打造模組化自重構機器人 Roombots。

有不少團隊在爭奪這個機器人領域的聖杯，其中瑞士洛桑聯邦理工學院（EPFL）特別具有代表性。該學院的仿生機器人實驗室（BIRG）在 2007 年就已打造出模組化自重構機器人 Roombots。而 2023 年，來自 EPFL 的另一個實驗室——可重組機器人工程實驗室（RRL），更進一步推出了 Mori3，這是一套把摺紙藝術和電腦圖學巧妙融合的模組化機器人系統。

Mori3 的核心，是一個個小小的三角形模組。別看它簡單，每個模組都是一個獨立的機器人，有自己的電源、馬達、感測器和處理器，能獨立行動，也能和其他模組合作。最厲害的是，它的三條邊可以自由伸縮，讓這個小模組本身就具備「變形」能力。

當許多 Mori3 模組連接在一起時，就能像一群活的拼圖一樣，從平面展開，組合成各種三維結構。研究團隊將這種設計稱為「物理多邊形網格化」。在電腦圖學裡，我們熟悉的 3D 模型，其實就是由許多多邊形（通常是三角形）拼湊成的網格。Mori3 的創新之處，就是把這種純粹的數位抽象，真正搬到了現實世界，讓模組們化身成能活動的「實體網格」。

這代表什麼？團隊已經展示了三種能力：

• 移動：他們用十個模組能組合成一個四足結構，它能從平坦的二維狀態站立起來，並開始行走。這不只是結構變形，而是真正的協調運動。
• 操縱： 五個模組組合成一條機械臂，撿起物體，甚至透過末端模組的伸縮來擴大工作範圍。
• 互動： 模組們能形成一個可隨時變形的三維曲面，即時追蹤使用者的手勢，把手的動作轉換成實體表面的起伏，等於做出了一個會「活」的觸控介面。

這些展示，不只是實驗室裡的炫技，而是真實證明了「物理多邊形網格化」的潛力：它不僅能構建靜態的結構，還能創造具備複雜動作的動態系統。而且，同一批模組就能在不同情境下切換角色。

想像一個地震後的救援場景：救援隊帶來的不是一台笨重的挖土機，而是一群這樣的模組。它們首先組合成一條長長的「蛇」形機器人，鑽入瓦礫縫隙；一旦進入開闊地後，再重組成一隻多足的「蜘蛛」，以便在不平的地面上穩定行走；發現受困者時，一部分模組分離出來形成「支架」撐住搖搖欲墜的橫樑，另一部分則組合成「夾爪」遞送飲水。這就是以任務為導向的自我演化。

這項技術的終極願景，正是科幻中的概念：可程式化物質（Programmable Matter），或稱「黏土電子學」（Claytronics）。想像一桶「東西」，你可以命令它變成任何你需要的工具：一支扳手、一張椅子，或是一座臨時的橋樑。

未來，我們只需設計一個通用的、可重構的「系統」，它就能即時創造出任務所需的特定機器人。這將複雜性從實體硬體轉移到了規劃重構的軟體上，是一個從硬體定義的世界，走向軟體定義的物理世界的轉變。

更重要的是，因為模組可以隨意分開與聚集，損壞時也只要替換掉部分零件就好。足以展現出未來機器人的適應性、自我修復與集體行為。當一群模組協作時，它就像一個超個體，如同蟻群築橋。至此，「機器」與「有機體」的定義，也將開始動搖。

從「實體探索」到「數位代理」

我們一路見證了機器人如何從單一的傀儡，演化為學會思考的外科醫生 (SRT-H)、學會觸摸的倉儲專家 (Vulcan)、學會舉一反三的通才 (GR00T)，甚至是能自我重構成任何形態的「可程式化物質」(Mori3)。

但隨著機器人技術的飛速發展，一個全新的挑戰也隨之而來：在一個 AI 也能生成影像的時代，我們如何分辨「真實的突破」與「虛假的奇觀」？

舉一個近期的案例：2025 年 2 月，一則影片在網路上流傳，顯示一台人形機器人與兩名人類選手進行羽毛球比賽，並且輕鬆擊敗了人類。我的第一反應是懷疑：這太誇張了，一定是 AI 合成的影片吧？但，該怎麼驗證呢？答案是：用魔法打敗魔法。

在眾多 AI 工具中，Perplexity 特別擅長資料驗證。例如這則羽球影片的內容貼給 Perplexity，它馬上就告訴我：該影片已被查證為數位合成或剪輯。但它並未就此打住，而是進一步提供了「真正」在羽球場上有所突破的機器人—來自瑞士 ETH Zurich 團隊的 ANYmal-D。

接著，選擇「研究模式」，就能深入了解 ANYmal-D 的詳細原理。原來，真正的羽球機器人根本不是「人形」，而是一台具備三自由度關節的「四足」機器人。

如果你想更深入了解，Perplexity 的「實驗室」功能，還能直接生成一份包含圖表、照片與引用來源的完整圖文報告。它不只介紹了 ANYmal-D 在羽球上的應用，更詳細介紹了瑞士聯邦理工學院發展四足機器人的完整歷史：為何選擇四足？如何精進硬體與感測器結構？以及除了運動領域外，四足機器人如何在關鍵的工業領域中真正創造價值。

AI 代理人：數位世界的新物種

從開刀、揀貨、打球，到虛擬練功，這些都是機器人正在學習「幫我們做」的事。但接下來，機器人將獲得更強的「探索」能力，幫我們做那些我們自己做不到的事。

這就像是，傳統網路瀏覽器與 Perplexity 的 Comet 瀏覽器之間的差別。Comet 瀏覽器擁有自主探索跟決策能力，它就像是數位世界裡的機器人，能成為我們的「代理人」（Agent）。

它的核心功能，就是拆解過去需要我們手動完成的多步驟工作流，提供「專業代工」，並直接交付成果。

例如，你可以直接對它說：「閱讀這封會議郵件，檢查我的行事曆跟代辦事項，然後草擬一封回信。」或是直接下達一個複雜的指令：「幫我訂 Blue Origin 的太空旅遊座位，記得要來回票。」

接著，你只要兩手一攤，Perplexity 就會接管你的瀏覽器，分析需求、執行步驟、最後給你結果。你再也不用自己一步步手動搜尋，或是在不同網站上重複操作。

AI 代理人正在幫我們探索險惡的數位網路，而實體機器人，則在幫我們前往真實的物理絕境。

立即點擊專屬連結 https://perplexity.sng.link/A6awk/k74… 試用 Perplexity吧！ 現在申辦台灣大哥大月付 599(以上) 方案，還可以獲得 1 年免費 Perplexity Pro plan 喔！(價值 新台幣6,750)

◆Perplexity 使用實驗室功能對 ANYmal-D 與團隊的全面分析 https://drive.google.com/file/d/1NM97…

• 作者 / 賴昭正 前清大化學系教授、系主任、所長，IBM 研究顧問化學家；合創科學月刊

因為我們確信量子系統一般無法在傳統電腦上有效模擬，量子運算未來最重要的應用可能是量子系統的電腦模擬。——David Deutsch「量子計算之父」

量子物理學誕生於 1900 年初期，源自普朗克（Max Planck）及愛因斯坦（Albert Einstein）等人為了解釋古典物理學無法解釋的黑體輻射和光電效應，提出能量「量化」的奇怪觀念。1920 年代，玻爾（Niels Bohr）、薛定諤 (Erwin Schrödinger)、海森堡（ Werner Heisenberg）、玻恩（Max Born）和狄拉克（Paul Dirac）等物理學家為量子力學建立了更完整的數學框架，從而形成了微觀世界的物理理論。最近由於以它為基礎的計算技術不斷有「突破」性的進展，聯合國便迫不及待宣布 2025 年為國際量子科學技術
年。

筆者在芝加哥大學攻讀的是量子化學，博士班資格考試選的是物理化學、無機化學、及物理系的物理數學，論文用的理論工具是「量子」物理，實驗工具是「計算機」，因此應該是位「量子計算機」專家了，但慚愧的是：儘管市面上已經出現許多有關量子計算機的報導，但筆者除了知道其所用的物理原理（參看「延伸閱讀」）外，卻完全不知所云！

查了一下台灣兩大科普雜誌，發現《科學月刊》與《泛科學》都沒報導過！顯然這不是一篇容易寫的科普文章。但因其重要性，及對科普的喜好，在猛 K 一個月後，筆者謹在此先野人獻曝，報導點心得，望能拋磚引玉將來有專家為我們寫一篇更詳細及深入的介紹。在進入本文之前，得預先警告：筆者深深了解數學公式會嚇跑讀者，但是幾經考慮後，覺得不用點數學顯然不能點出量子計算機的骨髓。對數學不感興趣的讀者事實上不需要深入了解：只要從那些數學中看出量子計算機的運算不是確定性的「加減乘除」、而是操縱或然率的「量子物質狀態」改變（「量子位元」一節）即可。如果真的不想看到數學公式，可以跳過「量子閘」及「量子計算機」二節。

量子計算機的起源

20 世紀 80 年代初，美國阿貢國家實驗室（Argonne National Laboratory）貝尼奧夫（Paul Benioff）發表四篇量子計算基礎的開創性論文，證明計算機可以按照量子力學定律運行；費曼（Richard Feynman）獨立提出了量子計算的想法，認為基於量子原理的計算機可以高效地模擬量子系統，克服對於一般電腦來說難度呈指數級增長的計算任務。1985 年牛津大學物理學家德意志（David Deutsch）以費曼和貝尼奧夫的思想為基礎，提出了通用量子計算的概念，並設計出一個適用於量子計算機的演算法。

要了解這些量子計算想法之前，我們得先了解一下現行的（傳統）計算機。

傳統計算機

人類因為有 10 個指頭，所以採用十位元的運算方法，即 0,1,…9；9 再加 1 就進位成 10（借用別人的手指）。當初設計計算機的人也許因為只有兩根手指的關係，卻採用「二位元」（bit）的運算方法，即 0 與 1；1 再加 1 就進位成 10（= 十位元的 2）。事實上這樣的計算法在電路設計上是比較容易的：接近 0 伏特的電壓（通常稱為「低」）表示邏輯 0，而較高的電壓（通常稱為「高」）表示邏輯 1。計算機就是靠這樣的線路及所謂「邏輯閘」（logic gate）來達成計算的任務，如圖一：2 個「二位元」數 A₂A₁ 及 B₂B₁ 相加的計算機線路圖。

「邏輯閘」的目的是將輸入（input）依照所設計的邏輯改成單一的輸出（output）。例如將（0,1）輸入「AND 閘」，圖一的邏輯表告訴我們它將輸出 0；（1,1）將輸出 1,…。又如將（0,1）輸入「XOR 閘」，它將輸出 1；（1,1）將輸出 0，…。讀者應該不難用圖一的線路計算出 10+11=101（O₃O₂O₁）；10+01=011；11+11=110；…。

如果要增加「二位元」的數目［如 3 個「二位元」、4 個「二位元」…，或 8 個「二位元」的「位元組」(byte)］，只要重複複製圖一 a 及 a′ 之間的線路，將它連在最後一個 a′ 上即可。所以（傳統）計算機的設計是透過「邏輯閘」操縱「二位元」來達到計算的目的。

所以要使用傳統計算機來「解決問題」如微積分方程式或製定更好投資策略時，必須先將它們「改寫成」加減乘除及簡單邏輯（如 x 則 y）的「運算問題」。

量子位元

量子計算機也是採用「二位元」的運作，但其「二位元」非常不同於上面所提到之「二位元」：

（1）它的 0 與 1 不是電壓的不同，而是物質狀態的不同，稱為 |0> 與 |1>；

（2）它可以有同時存在於 |0> 與 |1> 的「量子疊加」狀態（quantum superposition state，註一），例如 |x>=α|0>+β|1>（|α|²+|β|²=1）；

（3）當你去測量時，因「波函數坍縮」（wave function collapse）只能得到或然率分別為 |α|² 及 |β|² 的 |0>或 |1> 狀態而已，不能有中間的混合態！

這樣的「二位元」因為具有量子物理的特性，因此稱之為「量子位元」（qubit）。原子的自旋（spin）就是具有這樣的特性，因此可作為量子計算機的「量子位元」。

等一等，電壓不是也可以模擬（1）及（2）嗎？例如 0 代表 0 伏特電壓，1 代表 5 伏特電壓，那麼 0.8（4伏特電壓）不是代表由 80% 的 5 伏特電壓和 20% 的 0 伏特電壓組成的嗎？原則上不錯，但就出現了一個實際設計上的問題：電壓一定要很穩定（註二）。這事實上正也是量子計算機設計上的最大挑戰之一：如何保持「量子位元」的穩定？設計高品質的「量子位元」極具挑戰性：如果「量子位元」與其環境沒有充分隔離，它就會遭受「量子退相干擾」（quantum decoherence），在計算中引入雜訊、錯誤、或崩潰。當然，電壓是沒辦法模擬（3）的：如果允許「疊加」態，測量電壓只能得到「疊加」電壓 4 伏特，不可能量到 0 伏特或 5 伏特。但事實上更嚴重的問題是：電壓沒辦法模仿兩個「量子位元」的「量子糾纏」（quantum entanglement）態：

這狀態是由兩個「量子位元」組成的，而每個「量子位元」是由兩個狀態組成，因此理論上應該共有四個狀態（00, 01, 10, 11）才對；但上式中卻缺少了 |01> 及 |10> 兩個狀態！

量子（邏輯）閘

量子計算機的設計與傳統計算機類似，不同的是它用「量子邏輯閘」（quantum logic gate）來操縱「量子位元」。在量子電路模型中，「量子邏輯閘」（或簡稱「量子閘」）是在某些量子位元上運行的基本量子電路，它們是量子電路的組成部分，就像傳統邏輯閘是傳統數位電路的組成部分一樣。在介紹「量子閘」之前，因為「量子位元」可以同時存在於 |0> 與 |1> 之間的狀態，因此用向量（vector）及矩陣（matrix）來表示將比較方便。例如以 |0> 及 |1> 為基底向量（basis vector，可以想成傳統上的 XY 座標軸），「量子位元」|0>、|1>、|x>=α|0>+β|1>將分別為：

如果用向量來表示量子位元，那麼「量子閘」將是一矩陣。

傳統計算機中的「NOT 閘」將 1 改成 0 輸出、0 改成 1 輸出，量子計算機中也有類似的「NOT 量子閘」能將 |0> 改成 |1> 輸出、|1> 改成 |0> 輸出、上面的 |x> 改成：

輸出。

「阿達瑪閘」（Hadamard gate） 是一基本量子閘，它能將量子位元從單一的確定狀態（|0⟩ 或 |1⟩）轉換為測量任一結果均為 50% 機率的量子疊加態（參見圖二）。「CNOT 閘」是一雙量子位元操作閘：

作用於 H|0> 及另一 |0> 結合的雙量子位元可以得到一量子糾纏態，其電路圖為

量子計算機

在結論前讓我們在此以一實際的例子來說明量子計算機可能提供的優勢。為了避免難懂的數學，我們在這裡只能用一最簡單的、不實用、但在開發量子演算法技術上佔有很重要歷史地位的例子：1985 年「量子計算之父」所提出的德意志演算法。德意志演算法用量子計算機解決了一個簡單的問題：給一只能輸入 0 或 1、只能傳回 0 或 1 的函數 f(x)，我們如何知道 f(0) 是否等於 f(1)？

圖三告訴我們如果用傳統的計算機，我們必須用 0 及 1 分別詢問這個函數兩次才可能得到答案：0 表示 f(0)=f(1);1 表示 f(0)≠f(1)。但因為量子位元可以有疊加狀態，我們可以先透過「阿達瑪閘」將 |0> 轉變成 |0> 及 |1> 疊加態後再詢問

得到答案後再透過一次「阿達瑪閘」，我們就可以測量結果：如果測得 |0> 則表示 f(0)=f(1); 測得 |1> 則表示 f(0)≠f(1)。有興趣的讀者不妨親自演算一下，驗證筆者沒有算錯（註三）。

德意志演算法利用了量子力學的疊加性及波函數的干涉性，成功地只詢問一次就得到了答案，所以我們可以在這裡吹噓：量子計算機只要用傳統計算機一半的時間就可以解決問題。事實上 Lov Grover 1996 年提出一個搜尋（註四）演算法證明了：當傳統計算機需要使用 ~N 次詢問才能得到答案，量子計算卻只要使用 次求值，就能以高機率找到產生特定輸出值之黑盒函數的唯一輸入（註五）：也就是說如果傳統計算機需要 100 年，量子計算機只需要 10 年！所以量子計算機將全面改變我們的…（請讀者填空）。但這不是好像看到一隻黑烏鴉，就說全世界烏鴉都是黑的一樣嗎？

結論

希望在瞰完本文後，讀者對量子計算機有初步的了解，不再只是個空洞的名詞而已。像其它新興科技一樣，我們將時常看到充滿著樂觀、承諾、與「突破」的報導，如去年底谷歌（Google）宣稱「（新的量子晶片）在不到五分鐘的時間內完成了一個「標準基準計算」（standard benchmark computation），而當今最快的超級電腦則需要 10²⁵ 年―這個數字遠遠超過了宇宙的年齡」，及最近微軟（Microsoft）發布了全球首款採用拓撲核心架構的量子晶片，謂創建了更穩定、可擴展的量子位元，「有望」讓量子計算機「更接近」解決複雜問題。

但我們都知道量子物理已經有百年的歷史，這知識為我們創造了空前的社會繁榮，因此我們不免要問：以它為基礎的量子計算機科技，為什麼經過了 40 年還是只停留在完成「標準基準計算」、「有望」、「更接近」、…等等「空談」的階段，交不出一張實用的成績單（註六）？…什麼時候它才能真正為我們解決一有「突破」就被提到的複雜問題，如增強網路安全，徹底改變材料科學、新藥、和醫學的研發，優化財務模型、製定更好的投資策略等等承諾？

量子計算之父德意志說：「因為我們確信量子系統一般無法在傳統電腦上有效模擬，量子運算未來最重要的應用可能是量子系統的電腦模擬。」諾貝爾物理獎得主費曼也持相同的看法。現在報章雜誌的報導都是渉及量子計算機所面臨的硬件設計挑戰；但翻閱證明其可行性的演算法後，筆者覺得如何將上面所提到之巨觀世界的實用問題，「改寫成」能利用量子運算獨特功能來解決之微觀世界的量子系統，可能才是一項更重大千萬倍的挑戰！

這使筆者想起了核融發電的問題。第一顆使用核子分裂的原子彈於 1945 年 8 月在日本廣島爆炸，6 年後年美國愛達荷州的實驗增殖反應器用核分裂產生可用電力，又三年後蘇聯的奧布寧斯克核電廠將核能所產生的電連結到電網。1952 年 11 月 1 日美國在馬紹爾群島引爆了第一顆氫彈。氫同位素核融反應除了比核分裂釋放更多的能量外，不會產生有害的長期放射性廢物；加上氫或氘在自然界中既便宜又豐富，為一種長期、可持續、經濟和安全的發電能源燃料，因此核融發電成為 1950 年代後期全世界先進國家追求的目標；報張雜誌三不五時便有「突破」的報導；但 1960 年到現在，65 年過去了，我們還是「祇聞樓梯響，不見人下來」，甭說看不到一座實用的核融發電廠，能勉強收支平衡的實驗就算是「突破」了。筆者認為量子計算機很可能將步其後塵：雷聲大雨點小、或根本不下雨（註七）！

註解：

• （註一）許多科普文章多用「丟擲硬幣來比喻」，謂在空中旋轉之硬幣就是同時存在於正、反兩面的狀態。這顯然完全不懂量子物理：在空中旋轉之硬幣從來沒有同時存在於兩種狀態，它只是很快地在兩種狀態中轉來轉去而已！
• （註二）正是因為要避免這一問題，所以傳統計算機設計採用「有」與「沒有」的二元電壓。不只如此，早期的計算機為了偵測錯誤，8 位元的位元組還多加了一位冗餘位元（詳閱「錯誤訊息的偵測與修正」，科學月刊 2009 年 3 月號或《我愛科學》）。
• （註三）先謝了。但請注意：筆者忽略了要求或然率等於 1 的常數如 1/2。
• （註四）在未以任何特定方式排序或組織的N項資料庫中尋找特定項目。
• （註五）因為傳統計算機每次只能問一項，所以大約要問 N 次才能得到答案；量子計算機可以「疊加」態一次詢問所有的項目，但因天下沒有白吃的飯，所以每次詢問只能得到或然率的答案，需要重複詢問 ~N 才能將或然率提高到相當肯定的地步。
• （註六）寫到這裡筆者突然了解為什麼一直對量子計算機「突破」的報導不感興趣：一則沒有新理論，再則好像全是空談，沒有解決實際問題的內容。
• （註七）2023 年 5 月，領導微軟量子運算工作的副總裁、「技術院士」 Matthias Troyer 在《ACM 通訊》上撰寫了一篇題為「擺脫炒作與實用性：切實實現量子優勢」（Disentangling Hype from Practicality: On Realistically Achieving Quantum Advantage）的論文，指出量子電腦能夠提供有意義優勢的應用數量比某些人認為的要有限；謂量子電腦只有在解決小數據問題時才能真正發揮其指數級加速的作用。他補充說：「其餘的都是美麗的理論，但不會付諸實踐」。

延伸閱讀：

• 黑體輻射光譜與量子革命，《科學月刊》，2022 年 7 月號。
• 思考別人沒有想到的東西―誰發現量子力學？，《泛科學》，2022/06/01 。
• 愛因斯坦的最後一搏－EPR悖論，《科學月刊》2016 年 5 月號；《我愛科學》，華騰文化有限公司，2017 年 12 月出版。
• 量子糾纏態的研發: 再談「愛因斯坦的最後一搏－EPR 悖論，《科學月刊》，2022 年 12 月號。
• 量子糾纏態的物理，《泛科學》，2024/4/24。
• 核融合發電的文字遊戲 ，《科技報導》，2003 年 5 月 6 日。