0

0
1

文字

分享

0
0
1

數學界的聖杯「黎曼猜想證明」,是否已被人類得手?

科學大抖宅_96
・2018/09/24 ・3355字 ・閱讀時間約 6 分鐘 ・SR值 530 ・七年級

2018年9月24日,台灣時間下午3點45分,全球的數學家和數學迷們,都將目光聚焦於德國的海德堡桂冠論壇(Heidelberg Laureate Forum);世界各地的數學家和電腦科學家每年一度聚集於此,和獲邀的學界大師進行交流。演講台上,英國頂尖數學家麥可.阿蒂亞(Michael Atiyah)正準備發表黎曼猜想(Riemann hypothesis)的證明。

阿蒂亞無疑是第一流的數學家,獲獎無數,包括數學界的最高榮譽──費爾茲獎(Fields Medal)和阿貝爾獎(Abel Prize)。1929年出生、89歲高齡的他,於數天前宣佈,用「基進的新途徑」(radically new approach)解決了困擾數學家達 159年的黎曼猜想,並會在海德堡桂冠論壇發表。

什麼是「黎曼猜想」?

1859年,德國數學家黎曼(Georg Friedrich Bernhard Riemann,1826-1866)在他的論文〈論小於給定數值的質數數目〉中,首次提及這個猜想。

德國數學家黎曼(Georg Friedrich Bernhard Riemann)source:Wikimedia

如我們國中所學,像2、3、5、7、11、13…等等,這些除了 1 跟自己本身以外,不能被其他正整數整除的數,稱為質數;而所有大於1的正整數,都能夠以質數的乘積來表示,例如 66=11×3×2。質數的概念很簡單,但是,如果我們問:「比某個特定數值要小的質數有多少個呢?質數在整個數列中的分布情況又是如何?」那就不是容易的問題、甚至是讓數學家們頭痛不已的問題。

-----廣告,請繼續往下閱讀-----

黎曼在該篇論文中發現,質數的分布跟某個函數有著密切關係──該函數現被稱為黎曼ζ函數(Riemann zeta function);它的長相如下:


這看起來並不嚇人,起碼跟國中學過的無窮級數並沒有太大差別。上述式子裡,s是複數,可以寫成s=a+bi這樣的形式;a稱為s的實部、b是s的虛部、i則是根號負一。數學家們可以輕易證明,只要 s的實部大於1,那麼整個無窮級數裡,把每一項的絕對值相加後,會得到收斂並趨近於某個定值的結果。

不過,對於s的實部小於1的狀況,事情就沒那麼簡單了:整個級數和可能會發散──但是我們又想要擴充函數的定義,讓它適用更廣泛的範圍,那該怎麼辦呢?

運用一些數學技巧(很恐怖,不要問),針對s的實部小於1的狀況,可以將黎曼ζ函數表示為

-----廣告,請繼續往下閱讀-----


當中的 Г 稱為伽瑪函數(gamma function)。藉由這個新的定義,我們發現,當s為負偶數(s= -2, -4, -6…)時,黎曼ζ函數為零──這些s的值,我們稱為平凡零點。

但是,除了平凡零點之外,還有其他一些s的值,能夠讓黎曼ζ函數為零──稱為非平凡零點;它們不但對質數的分布有著決定性影響,實數部份還全都位於零和一之間。針對這一點,雖然黎曼本人無法證明,但他進一步猜測這些非平凡零點有著共同的特性:

黎曼ζ函數所有非平凡零點的實部都是二分之一

這就是赫赫有名的黎曼猜想。沒想到,這一猜想從 1859年被提出,至今已 159年,期間有數不清的數學家向其挑戰,卻無人能給出信服的證明。

-----廣告,請繼續往下閱讀-----

黎曼猜想真的這麼難證明嗎?為何它讓數學家魂牽夢縈?

十九世紀末至二十世紀初最重要的數學家之一希爾伯特(David Hilbert,1862-1943),於1900年提出了23個他認為最重要的數學問題(其中有好些對二十世紀的數學發展起了莫大影響),當中就包含黎曼猜想。他曾表示:「如果我能在沉睡一千年後醒來,我的第一個問題將會是:『黎曼猜想被證明了嗎?』」

無獨有偶,一百年後,美國克雷數學研究所[1](Clay Mathematics Institute, CMI)選了當今數學界的七大問題(稱為「千禧年大獎難題Millennium Prize Problems)」),並懸賞一百萬美金,給予能解決任何一個問題的數學家──其中也包含了黎曼猜想。事實上,黎曼猜想是唯一同時列於希爾伯特和克雷數學研究所名單上的問題,屹立不搖地等待數學家挑戰。

因為黎曼猜想與質數分布具有密切的關係,一旦被證明,數學家們將對質數的分布位置有更確切的認知,此無疑是數論(number theory)這一數學分支的重要突破。不僅如此,黎曼ζ函數的非平凡零點,也被發現跟某些物理系統具有相似的分布規律,至今無人能給出滿意的解釋。再者,數學文獻裡,許多數學命題都以黎曼猜想或其推廣的成立為前提;換言之,如果黎曼猜想(及其推廣)被證明,這些基於黎曼猜想的數學命題便能被一舉確認為真──可謂一人得道,雞犬升天。這樣的數學命題粗略估計至少有上千條。毋怪乎,有些數學家將黎曼猜想的證明形容為「數學的聖杯」。

有些數學家將黎曼猜想的證明形容為「數學的聖杯」,還好得到這個聖杯不用打聖杯戰爭(誤),卻也不是那麼容易。source:CucombreLibre @Flickr

黎曼猜想研究於歷史上的進展

在解決黎曼猜想這個終極對手的旅途中,人類是否曾碰上一些小頭目,得以賺取經驗值升級呢?

-----廣告,請繼續往下閱讀-----

答案是肯定的。

如同角色扮演遊戲(role-playing video game, RPG)裡,我們大致可將攻擊手段區分為遠距攻擊和近距攻擊兩種,數學家在面對黎曼猜想這個強敵時,也主要從兩方面來著手。

數學家在面對黎曼猜想這個強敵時,就像在RPG遊戲裡我們從遠距和近距離攻擊同時著手。source:BagoGames @Flicr

一是去實際計算非平凡零點的數值,看看它們的實數部份是否符合黎曼猜想的二分之一;雖然這樣做並無法窮舉所有(也就是無限多)的非平凡零點,而證明黎曼猜想,卻能間接增強我們對黎曼猜想的信心──運氣好找到反例的話,更能一舉否證黎曼猜想。第二種方式則是直接對黎曼ζ函數下手,利用解析的方式證明黎曼猜想。

在非平凡零點的數值計算上,雖然黎曼自己有算過,卻並沒有發表;到1903年,才終於有數學家給出15個非平凡零點的數值──它們的實部都是二分之一。1932年,西格爾(Carl Ludwig Siegel,1896-1981)從已去世的黎曼的手稿中,挖掘出黎曼計算非平凡零點的方法,大舉推進了此一方向的研究。到了二十世紀中期,因為電腦的發明,計算零點的工作突飛猛進,有一萬個以上的非平凡零點都被確認實部為二分之一。至2004年,憑藉著更嶄新的計算法,已經有10000000000000(十萬億)個非平凡零點被確認符合黎曼猜想,而且沒有任何反例。

-----廣告,請繼續往下閱讀-----

另一方面,也有人利用解析的方式嘗試證明黎曼猜想。1896年,兩位數學家分別獨立證明了,在複數平面、實數為一的線上沒有零點;換言之,非平凡零點的實部絕不可能為一。1914年,數學家哈代(Godfrey Harold Hardy,1877-1947)發現,在實數為二分之一的線上,有無限個非平凡零點──即使如此,這並無法保證「所有」非平凡零點的實部均為二分之一;更糟的是,根據哈代和李特爾伍德[2](John Edensor Littlewood,1885-1977)於1921年的估計,這些實部為二分之一的非平凡零點,只佔了全部非平凡零點的一小部份比例,趨近於零。

關於上述比例的研究,在1942年,才被塞爾伯格(Atle Selberg,1917-2007)證明其大於零;到了近期的2011年,這個數字被數學家推進到 41.05%──當然,距離 100%還很遠……

就在黎曼猜想的證明似乎還遙不可及的現今,事情突然有了戲劇性的變化:當代最出名、也最重要的數學家之一,麥可.阿蒂亞,將於本屆的海德堡桂冠論壇發表他對黎曼猜想的證明!

這次的黎曼猜想證明值得期待嗎?

就如同網路上一堆神人自稱推翻了相對論跟量子力學一樣,也有數不清的人,包括數學家,宣稱證明了黎曼猜想;然而,到目前為止,並沒有任何讓學界信服的說法。

-----廣告,請繼續往下閱讀-----

這次宣佈證明了黎曼猜想的阿蒂亞,是第一流的數學家,所以確實讓不少人引頸期盼他的成果;只不過,因著阿蒂亞的89歲高齡,也讓一些人懷疑他是否真能提出說服所有人的證明。

無論如何,隨著在海德堡桂冠論壇的發表,數學家們將忙碌好一段時間,仔細檢視阿蒂亞的證明是否存有任何漏洞。最終結論,要之後才會知道了。

具有「數學王子」美譽的數學家高斯(Johann Carl Friedrich Gauss,1777-1855)曾表示:「數學是科學的皇后──而數論是數學的皇后」。黎曼猜想作為數論領域最重要的猜想、數學的聖杯,一旦被證明,將會是二十一世紀最重要的科學成就之一──讓我們拭目以待!

參考資料

-----廣告,請繼續往下閱讀-----
  • E. Bombieri (2000), Problems of the Millennium: the Riemann Hypothesis, Clay Mathematics Institute.
  • D. Allen, K. Bonetta-Martin, E. Codling and S. Jefferies, The Riemann Hypothesis, The Plymouth Student Scientist, 2016, 9, (2), 249-257.
  • Riemann hypothesis, Wikipedia.
  • 盧昌海(2015),《黎曼猜想漫談》,五南。

註釋

  • [1] 克雷數學研究所是總部設在美國新罕布夏州的非營利私人機構;機構目的在於促進和傳播數學知識。
  • [2] 如果讀者還有印象,2016年台灣上映了介紹數學家拉馬努金生平的電影《天才無限家》;拉馬努金在英國的恩人兼研究夥伴就是哈代和李特爾伍德。
-----廣告,請繼續往下閱讀-----
文章難易度
科學大抖宅_96
36 篇文章 ・ 1947 位粉絲
在此先聲明,這是本名。小時動漫宅,長大科學宅,故稱大抖宅。物理系博士後研究員,大學兼任助理教授。人文社會議題鍵盤鄉民。人生格言:「我要成為阿宅王!」科普工作相關邀約請至 https://otakuphysics.blogspot.com/

0

2
1

文字

分享

0
2
1
「融合蛋白」如何全方位圍剿狡猾癌細胞
鳥苷三磷酸 (PanSci Promo)_96
・2025/11/07 ・5944字 ・閱讀時間約 12 分鐘

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。

-----廣告,請繼續往下閱讀-----

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)

-----廣告,請繼續往下閱讀-----
融合蛋白(fusion protein)/ 圖片來源:wikipedia

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。

-----廣告,請繼續往下閱讀-----

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。

「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」/ 圖片來源:shutterstock

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

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 / 圖片來源:wikipedia

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。

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)」/ 情境圖來源:shutterstock

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。

-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

1
0

文字

分享

0
1
0
解密機器人如何學會思考、觸摸與變形
鳥苷三磷酸 (PanSci Promo)_96
・2025/09/09 ・6820字 ・閱讀時間約 14 分鐘

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。

-----廣告,請繼續往下閱讀-----

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?

-----廣告,請繼續往下閱讀-----

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」 。

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 。 / 圖片來源:shutterstock

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 。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

2025 年5月,亞馬遜展示了他們最新的觸覺機器人 Vulcan / 圖片引用:https://www.aboutamazon.com/news

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:shutterstock

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。

2023 年來自 EPFL 的另一個實驗室—可重組機器人工程實驗室(RRL)推出了 Mori3 © 2023 Christoph Belke, EPFL RRL

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…

-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

0
0

文字

分享

0
0
0
擁有水電工執照與人文精神的電腦科學家:希維塔克·帕特爾
Sharkie Lin_96
・2020/03/18 ・4434字 ・閱讀時間約 9 分鐘 ・SR值 519 ・六年級

希維塔克·帕特爾(Shwetak Patel)為電腦協會計算大獎(ACM Prize in Computing)2018 年的得主,該獎項為電腦科學界僅次於圖靈獎的獎項,與費爾茲獎相同都有 40 歲以下的年齡限制,帕特爾獲獎時僅 37 歲。獲獎原因是帕特爾對於人類健康與永續生活,發展出創意與實用性兼具的感測系統

帕特爾不僅擁有大學教授與創業家等多重身份,他還擁有合格的水工與電工執照。現為華盛頓大學計算機科學與工程和電氣工程的特聘教授,同時也是 Google 健康科技部門的執行長(Director of Health Technologies, Google)。他曾經創立過 Zensi家居能源監測公司(2010 年被 Belkin 公司收購),以及 Senosis Health 健康檢測公司(2017 年被 Google 收購)等。

希維塔克·帕特爾 Shwetak Patel。圖/wikimedia

接下來,就來介紹帕特爾改變世界並且獲得電腦協會計算大獎的研究!

-----廣告,請繼續往下閱讀-----

智慧家居能源監測系統

家家戶戶每個月收到帳單時,都知道家裡的用電量以及對應的費用,然而我們並不清楚是用在哪些方面。若是能收到每個月使用能源與用水的效率報告,就能夠讓人們了解自己的行為模式,進而採取行動增加能源效率與節省荷包。但是,要即時監控家居的能源消耗,一般來說需要裝設非常多感測器才可能辦到。

帕特爾成功發展出一套智慧家居能源監測系統,透過行動裝置就可以監控即時的耗電量與用水量。他發展的 ElectriSense 系統(用水則是 HydroSense 系統),利用既有的電路加上一個感測器(single plug-in device),就能把各種電器發出的高頻電磁干擾雜訊(high frequency EMI noise)當作訊號辨識對應的來源。

以iPad呈現建築物中每個電器即時的用電百分比

這套系統的發展,源自於複雜的電子交換特性與不同電器都會產生的雜訊,帕特爾藉此建立一套理論模型分析電器開關(稱為事件)的雜訊,並由使用者協助機器學習的程式訓練,最終發展出一套精確的預測系統。這套系統的精確度,甚至可以藉由輕微的公差來區分型號相同的電子產品。

-----廣告,請繼續往下閱讀-----

考慮到感測器的易用性與持久性,帕特爾發展出可以維持 25 年、低耗電的無線感測系統與晶片(Sensor Nodes Utilizing Powerline Infrastructure, SNUPI),不需要經常替換非常方便。

更棒的是,一般人都可自行安裝,不需要專業的電工協助。未來這整套產品也可能推行至美國以外的地區,讓全球的家庭了解他們的詳細用電情況,進而改變人們的認知與行為,達成節約能源的永續目標。

家居能源消耗報告範例。圖/UW Ubicomp Lab

用手機監測個人健康

人們通常要等到不舒服才會去醫院看病與檢查,過一陣子才會收到檢測報告,才被迫了解自己的身體狀況。現代的穿戴型裝置讓人們開始主動了解自己的健康狀態,除此之外,我們還有其他更好更深入的方法嗎?

-----廣告,請繼續往下閱讀-----

帕特爾這幾年的研究領域包括了行動裝置於醫療上的應用。利用手機的 APP 與各種感測器監測個人健康狀態(personal health monitoring),在螢幕上就能立即看到結果,要進行定期與連續的監測也十分方便。

以 SpiroSmart 這個APP來說,它的操作非常簡單,不需要額外的硬體設施,只要對著手機裡的麥克風吹氣,手機會偵測受測者聲音裡的壓力波,自動轉換成即時圖形,就可以監控肺部功能是否衰退以預防慢性疾病。

像這類的檢測,傳統上一定要到醫院才能完成:受測者要對著肺量計 (spirometer)用力吹氣,以呼出的流速與容積(flow-volume)進行肺功能指標判讀。若偏離下圖的白色線段,便可能是這三種疾病的前兆,分別為哮喘 (Asthma)、囊腫性纖維化 (Cystic Fibrosis,CF)、慢性阻塞性肺病 (Chronic Obstructive Pulmonary Disease,COPD)。

肺量計的流速─容積曲線
圖/帕特爾於海德堡桂冠論壇講座的投影片截圖

-----廣告,請繼續往下閱讀-----

那麼,SpiroSmart 是怎麼做到類似的功能的呢?這跟一個「雜訊」有關:講話時會產生的聲道共振(vocal tract resonances)。過去數十年開發語音辨識演算法(speech recognition algorithms),都將聲道共振視為雜訊,希望盡量排除。但關鍵的地方就在這裡:聲道共振實際上與受測者呼出的氣流成比例關係。因此藉由聲帶的物理模型加上深度學習聲道共振的資訊,就能夠反推回受測者呼出氣體的流速─容積曲線。也就因此,用手機與麥克風就可以模擬肺量計了。

面對有人質疑手機APP的準確率,帕特爾表示 SpiroSmart 與原本價格 10 萬美金的肺量計相比的誤差為 5-10%,與美國食品與藥物管理署(FDA)對肺量儀的誤差容忍相同。表示技術上完全可以用手機 APP 取代醫院的儀器;然而要說服民眾相信一個 APP 可以是個醫療裝置,需要透過更多的科學教育與科學普及才有可能達成。

除了以上的案例,帕特爾的普及運算研究室還開發了許多醫療相關的手機 APP,像是以深度學習辨識咳嗽的CoughSense、把手指放在鏡頭前方檢測紅血蛋白(HemaApp)、在新生兒皮膚上放上色卡搭配鏡頭檢測黃疸(BiliCam)、利用陀螺儀檢測骨質疏鬆症(OsteoApp)等實用又創意的專案。

「你的雜訊就是我的訊號」 Your noise is my signal.

這句話貫穿了帕特爾的整個研究生涯,無論是從早期的智慧家居能源感測到近來的個人健康監測。這樣的創意是源自就讀喬治亞理工學院博士班時期,他花了許多時間進行許多跨領域的研究,當某個研究方法行不通的時候,卻有可能作為另一個研究的靈感來源與解決方案。因此把一般研究者亟欲排除的「雜訊」成為可辨識的「訊號」,突破既有知識的框架。

-----廣告,請繼續往下閱讀-----

海德堡桂冠論壇記者會。圖/Heidelberg Laureate Forum

海德堡桂冠論壇小記與場邊觀察

帕特爾以電腦協會計算大獎得主的身份,於 2019 年首次參加海德堡桂冠論壇(Heidelberg Laureate Forum, HLF),也是論壇史上最年輕的得主,非常受到歡迎。每天都忙著接受採訪與分享自己的經驗,幾乎無時無刻不被一群學生包圍發問。

對帕特爾而言,海德堡桂冠論壇是個非常獨特的盛會,在這裡能夠一次見到背負盛名因此平時難以見到的大師,以及從前輩的身上了解到得主如何對世界產生長期影響,是個前所未有的經驗。

即使已經身為得主,帕特爾認為如果他年輕的時候有機會參與論壇,會對早期的學術生涯更有幫助,同時也希望讓更多年輕研究者知道這個世界級的活動,讓與會者覺得能夠脫穎而出參與論壇是個殊榮。(註:2019年海德堡桂冠論壇有800名年輕研究者報名,最終錄取200名)

-----廣告,請繼續往下閱讀-----

海德堡桂冠論壇會場。
圖/Heidelberg Laureate Forum

從小時候動手作到學術遊樂場

帕特爾出生於美國阿拉巴馬州的塞爾瑪(Selma, Alabama),擁有高學歷的父母自印度移民至美國,經營一間含有數十個房間的汽車旅館。因此,帕特爾從小是在汽車旅館旁的公寓長大,就像是旅館的管理人員,必須做一些庶務像是整理床位以及修理壞掉的燈泡,甚至是維修自動販賣機,自然而然對於動手作(tinkering)十分熟悉。

習慣動手作,也讓他的學術研究變得與眾不同。帕特爾在博士班就發表了很多篇與感測器有關的論文,包括機器學習、永續、醫療等領域,並開始創立自己的公司。他同時是實踐家、發明家、會寫論文。思考未來的職涯發展時,認為大學教職可以是個自由研究的遊樂場,可以讓電腦科學變得有影響力,因此選擇成為大學教授。

與一般教授不同的是,與其研究如何增進 1% 演算法效率,他認為不如去思考如何動手開發出一個對人類有直接影響的產品,能夠正向影響數百萬人的想法甚至行為,其意義會超過發表許多論文與獲得終身教職。

-----廣告,請繼續往下閱讀-----

對一個應用導向的研究者來說,開發產品才能夠真正到影響一般民眾。帕特爾與其團隊通常把產品開發到一個程度,就讓其他人收購公司去加速產品的開發,接著投入下一個研究。

即使從研究生時期就被其他人開始質問是否不務正業,例如:「你不是個電腦科學家、你沒有一個專精的領域、你不會拿到教職」,然而擁有自由探索的學術遊樂場對他來說是最自在的。

海德堡桂冠論壇會場門口。
圖/Heidelberg Laureate Forum

選擇學生條件與社會服務

要怎樣才能進入帕特爾的學術遊樂場一起玩呢?帕特爾強調,選擇學生的時候他最重視的是善良(kindness)與否,一方面是若對人不友善就會很難找到合作對象,尤其研究室關注的領域與醫療保健與永續相關,關注其他人是必要條件。畢竟技術可以透過學習而來,然而人格特質不容易改變。

那麼,帕特爾是如何指導學生的呢?在研究室裡,有很多不同領域的人,像是電腦科學、電子工程以及醫療背景,帕特爾會試著創造出每個人都貢獻己力才能解決的專案,讓跨領域合作自然而然發生。另外,與其安排好研究方向與每一個細節,帕特爾傾向激勵學生、與學生討論研究的大方向、留給學生探索的空間。

帕特爾從高中時期就有機會接觸研究,因此大學時期也較同儕來得早開始寫論文,而這徹底改變了他的研究生涯,他自認非常幸運。因此,他希望現在的高中生能早點接觸研究,因此特別為高中生開放了 8-10週的暑期研究室實習,期待能夠開啟學生對於程式與科技的想像。

值得一提的是,帕特爾近來婉拒至知名大學演說,他傾向把時間留給郊區的學校,接觸更多高中以下的學生;此外,他認為傳遞科學知識最有效率的是為第一線的教師上課,讓教師在課堂分享電腦科學是個很強大的工具,能夠對社會有正面影響,電腦科學不是只有電玩遊戲。

海德堡桂冠論壇講座。圖/Heidelberg Laureate Forum

讓世界變得更好的人文精神:給年輕研究者的建議

「我的研究社群是整個世界與人類。」

帕特爾在海德堡桂冠論壇的演說,除了介紹行動裝置於健康的應用之外,還提供建議給年輕研究者。他提到這是個特別的時代,人類史上擁有最多工具(如人工智慧、資料分析與視覺化)、跨領域研究非常興盛;最好的提問與答案,都在不同領域的交會之處。

當帕特爾還是個年輕教授時,常常被問到「你是什麼領域?是網路、系統或資料庫?」同樣地,許多年輕研究者內心假設「我必須成為一個數學家,必須是個電腦科學家,必須研究某個單一領域」。

然而這並不是世界運作的方式,年輕研究者當然可以在某個領域創新,但是別忘了跳出領域的框架,思考像是政治與政策等更廣的層面,以及自己在做的事對於人類與世界是否有深切的影響。

假使年輕研究者只是想著要拿諾貝爾獎、圖靈獎等大獎,這樣的心態(mindset)本身就是個災難,若是找到自己有熱情的事物,而且每天醒來都為此感到興奮,並且奮力地驅策自己前進,將有最佳的機會能夠邁向成功。

希維塔克·帕特爾在他的研究生涯,實踐了科學與工程最重要的價值──人文精神。

延伸閱讀:

  1. 華盛頓大學普及運算研究室:Ubicomp Lab – Ubiquitous Computing Lab at the University of Washington
  2. 海德堡桂冠論壇專訪影片:The Heidelberg Laureate Forum Foundation presents the HLF Portraits: Shwetak N. Patel
  3. 海德堡桂冠論壇講座影片:New Ways of Thinking the Mobile Phone for Healthcare (52 mins)與投影片
  4. 屬於數學與電腦科學的榮耀,聚集大師的海德堡桂冠論壇

想親炙海德堡桂冠論壇,與大師們面對面交流嗎?

每年11-隔年2月開放來自全球的年輕研究者報名

詳情可上官網: https://www.heidelberg-laureate-forum.org/

-----廣告,請繼續往下閱讀-----
Sharkie Lin_96
24 篇文章 ・ 6 位粉絲
在國二無聊的早自習意外發現數學的趣味,因此近來體驗到數學研究、藝術創作、採訪寫作、展覽策劃、資優教育等工作。不是念數學也不是學藝術,但樂於從多元視角聊聊數學的各種姿態,以及進行數學藝術創作,希望能為世界帶來一點樂趣。科普部落格〈鯊奇事務所〉https://medium.com/sharkie-studio,聯絡信箱 sharkgallium@gmail.com