實驗動物與牠們的產地，恆溫恆濕還有乾淨空氣

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

輾轉反側，徹夜難眠的時候，您幾點起床？就算醒了，工作效率是否異常低落？
在此，請您非但別只想到自己，還要拿出一點同理心：因為被剝奪睡眠的澳洲喜鵲，也深受困擾。

捉野生喜鵲來做失眠相關的實驗

2022 年 4 月的《科學報告》期刊，有一篇標題冗長的論文，叫做〈失眠削弱澳洲喜鵲的認知表現並改變其歌曲產出〉^[1]。其第一作者澳洲 La Trobe 大學博士候選人 Robin Johnsson，認為歌唱的時辰與類型，對於喜鵲的社交生活相當重要，並以此做為研究主題^[2]。且不論在 COVID-19 疫情之前，有些人就已經沒什麼社交生活，更不要談呼朋引伴一起歡唱 KTV，人家喜鵲可是隨時都過得多采多姿。

於是，牠們就被科學家抓去做實驗了。

首先，研究團隊架設陷阱，用起士誘捕野生喜鵲。為牠們戴上標有序號的腳環之後，再關進裝有監視器的房間裡。接著，為了測量腦電波圖（electroencephalogram, EEG）與肌肉電位圖（electromyogram, EMG），科學家把無辜的喜鵲抓來開刀。於其腦部表面和頸部肌肉，植入電極貼片（electrodes），方便之後記錄睡眠狀態^[1]。

然後，喜鵲們就去接受特訓。

反覆訓練後篩選符合資格的喜鵲來做失眠實驗

研究團隊準備了一種木製食器，左右各挖一個淺槽。其中一個槽裡，盛裝少量起士和麵包蟲。第一次食物直接攤在眼前，不加以掩飾；第二次猶抱琵琶半遮面；第三次開始蓋子完全擋住凹槽，令喜鵲啥也看不見。在訓練的初期，全部的食器都採用灰色蓋子。直到最後的「聯想學習」（associative learning），蓋子被換成黑色或白色。喜鵲掀開特定顏色的蓋子，發現下面藏有食物。這樣重複 15 次，讓牠們不把「食」、「色」的關係兜在一起也難^[1]。

結訓後，研究團隊把食器裡的獎勵換成「不會動的麵包蟲冷盤」（chilled, unmoving mealworms），為喜鵲舉辦驗收成果的模擬考。除了執行「聯想學習」的覓食活動，科學家也期望牠們展現「反轉學習」（reversal learning）的能力。將蓋子的顏色調換，要喜鵲嘗試選出有食物的凹槽。這個階段有一些評分要點^[1]，例如：

1. 喜鵲做出第一次選擇時，是否有延遲的行為。緩慢的反應，代表注意力不集中，或動機下降。
2. 喜鵲得經過幾回，才能達到連續 12 次嘗試中，有 10 次正確的及格分數。
3. 喜鵲選擇正確瓶蓋的比率。

凡是順利通過模擬考的喜鵲們，便能晉升至下一關。

在實驗的主要階段，喜鵲們被劃為三組，分別體驗下列三種睡眠模式之一：無干擾睡眠、6 小時睡眠剝奪，以及 12 小時睡眠剝奪。研究人員防止喜鵲睡著的花招，包括：迫近或拍打鳥舍、發出噪音，或是輕撫充滿睡意的喜鵲^[1]。如同可憐的臺灣中學生，明明前晚都沒睡飽，隔天還得參加考試。研究人員存心要看失眠的喜鵲，怎麼失常。

人類跟喜鵲一樣會被睡眠影響行為

正式測驗的結果不出所料，沒睡飽的喜鵲容易犯錯，而且要花較長的時間，才能選出正確答案。有些喜鵲甚至失去參與測驗的動機，傾向找機會補眠。其實以前的研究便顯示，失眠也會降低人類的認知表現。諸如參與動機、清醒程度（alertness）、注意力、警戒等級（vigilance）等，都會受到負面影響^[1]。

除了喜鵲考試的成績，科學家也記錄了牠們社交行為的變化。失眠的喜鵲寧可睡覺，也不要唱歌。最後就算唱了，單曲的長度卻意外地延展。原本的晨曲改在中午演出，頻寬變得狹窄，內容相較貧乏，顫音也明顯減少。這與人類的口語溝通，大同小異。當一個人睡眠不足，說話的速度會緩慢下來，咬字不如平常清晰，語句重覆的機率提高，甚至可能妨礙聽眾理解講者所要傳達的訊息^[1]。

澳洲喜鵲有複雜的家族。牠們用歌聲來劃定疆域，分辨敵友，並建立「鳥」際關係。失眠不僅會害喜鵲把歌唱得七零八落，也會進一步危及其社交生活。既然以往的人類睡眠實驗結果，與喜鵲有那麼多的相似處，下次在抱怨疫情害自己沒朋友之前，我們是不是應該先睡飽，再來思考怎麼社交呢？

備註：此實驗結束後，參與受試的澳洲喜鵲，均在 2019 年 7 月被野放。

參考資料：

1. Sleep loss impairs cognitive performance and alters song output in Australian magpies (Scientific Reports, 2022)
2. Researchers find what magpies lose from hitting snooze (Brisbane Times, 2022)

你聽過科學研究的「再現性」（reproducibility）嗎？如果一個科學研究結果具有再現性，代表它可以被另一個研究團隊，以同樣的控制條件、操作步驟進行重複測量，並獲得與前人相近的結果。這也代表著這項實驗是可以被驗證的，該研究的可信度也越高。

近年來，許多領域都開始重視科學研究的再現性問題，例如 2015 年由科學開放平台（Open Science Framework, OSF）發表在《科學》（Science）的一篇心理學實驗再現性的研究，就重複了三個重要的心理學期刊，包括 Psychological Science、Journal of Personality and Social Psychology、Journal of Experimental Psychology: Learning, Memory, and Cognition 在 2008 年間發表的 100 個研究，結果顯示僅有 36％的研究具有統計顯著性^[1]。

而在 2016 年刊載於《自然》（Nature）的一篇報導中，團隊以線上問卷調查了 1576 位研究者，發現有超過 70％ 的研究者，無法重現其他科學家曾經做過的研究結果；更有超過 50％ 研究者無法重現「自己的」研究結果^[2]。

再現研究論文時，會遇到哪些困難？

同樣的科學研究再現性驗證也出現在生醫領域。一項由 RPCB（Reproducibility Project: Cancer Biology）團隊耗資 200 萬美元、歷時 8 年，嘗試複製各大具影響力的臨床前癌症研究，其結果於去年（2021）12 月發表於 eLife^[3]。

在看這項研究結果之前，或許我們可以先了解 RPCB 究竟是何方神聖？RPCB 是一個由非營利組織「開放科學中心」（Center for Open Science）與學術平台「科學交流」（Science Exchange），在 2013 年開始合作執行的一項計畫。團隊期望能系統性地重現出 53 篇於 2010～2012 年間，刊登在知名期刊《自然》、《科學》、《細胞》（Cell）中的臨床前癌症相關研究。

即使一開始團隊預計重複 53 篇論文中共 193 項實驗，但最終能成功執行的僅有來自 23 篇論文裡的 50 個實驗，且仍使該計畫延宕了五年才完成。為什麼理想這麼豐滿，現實卻如此骨感？研究團隊在論文中提到了幾項實驗再現的困難與挑戰，例如：

1. 許多原始論文缺少敘述統計（descriptive statistics）和推論統計（inferential statistics）的關鍵數據，像是效果量（effect size)、統計檢定力（power）等資訊，儘管團隊聯繫了原始論文的作者，仍有 68％ 的數據無法取得。
2. 在這 193 項實驗中，沒有一個具有足夠詳細的說明，令團隊能設計出重複的實驗步驟。這使得他們不得不轉向論文原始作者，以尋求更進一步的實驗建議，而在詢問的過程中，約 26％ 作者給了極大的幫助，而有約 32％ 作者對實驗完全沒幫助（或是無任何回應）。

癌症研究實驗的再現性僅 46％？

在缺乏合作、需要詳細檢查並調整實驗步驟的情況下，研究團隊平均需要花費 197 週的時間才能複製出一項實驗。此外，每複製一次實驗的成本高達 5 萬 3000 美元——大約是原先預估花費的兩倍，因此再現 193 項實驗的雄心壯志終究無法達成。

那麼這項耗時 8 年、斥資百萬的實驗再現性研究，給了我們什麼結果呢？

根據團隊在 eLife 發布的第二篇論文顯示，這些臨床前癌症相關研究的實驗再現性僅有 46％，且平均的統計效果量也比原始論文低了 85％^[4]。

在這些被再現的實驗中，原始研究效果量大的往往更容易被複製，而動物實驗則是再現性最差的，這可能是因為在生物體內（in vivo）實驗的效果量，大多低於體外（in vitro）實驗。

只做一次的再現實驗，公信力足夠嗎？

發表在知名期刊上的臨床前癌症研究論文，其實驗再現性居然不到一半，這對於生物醫學相關領域的研究者來說，無疑是一項沉重的打擊。

不過僅憑一次的再現實驗，就評斷一項研究的公信力，對這些研究者來說公平嗎？其中一位研究無法被 RPCB 再現的學者就表示：「他無法確定這些一次性實驗有多少價值。」而那些被選中重現的實驗，當中也不乏已經開始進行第二期藥物臨床試驗的研究。同時也有研究者指出，RPCB 在複製實驗時使用了與原研究不同的細胞株（cell line），也並未在實驗中進行三重複確認最終結果^[5]。

針對這些指控，RPCB 說明這項計畫的目的，並非藉此斷言某些特定研究是無用，或需要被停止的，而是為了點出現今研究的再現性危機（reproducibility crisis），以期望找出相對應的解方。目前也有一些提升研究再現性的方法被提出，像是以盲性研究（blinding）進行體外實驗或動物實驗、採用更大的樣本量、更嚴謹的統計分析方法，以及研究計畫的預先註冊制度（preregistration）^{[註 1]}。

雖然這項大型研究充滿著許多爭議，但也提醒了各領域的研究人員：對於自身研究的每個步驟、統計方法等，都應更加詳盡、仔細的記錄。除了能使後人有辦法針對已發表的內容，進行深入探討外，亦可以提升該實驗被再現的可能性，增加研究的公信力。

而看完文章的你，對於科學研究的再現性又有什麼看法呢？

註解

• 註 1：研究計畫的預註冊是指研究者在進行科學研究之前，先對他提出的假設、方法、分析方式上傳到註冊機構，經由該單位的期刊編輯、同儕審查通過後，再進行研究的一種做法。

參考資料

1. Open Science Collaboration, Estimating the reproducibility of psychological science, Science, Vol 349, Issue 6251, 2015. https://www.science.org/doi/10.1126/science.aac4716
2. Monya Baker, 1,500 scientists lift the lid on reproducibility, Nature, volume 533, pages452–454, 2016. https://www.nature.com/articles/533452a
3. Timothy M Errington et al., Reproducibility in Cancer Biology: Challenges for assessing replicability in preclinical cancer biology, eLife, 2021. https://elifesciences.org/articles/67995
4. Timothy M Errington et al.,Investigating the replicability of preclinical cancer biology, eLife, 2021. https://elifesciences.org/articles/71601
5. Asher Mullard, Half of top cancer studies fail high-profile reproducibility effort, Nature, 09 December 2021. https://www.nature.com/articles/d41586-021-03691-0