獨自搞定電腦與通訊的理論基礎，卻罕為人知的天才——夏農│《電腦簡史》數位時代（四）

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

想像一下，你和朋友在咖啡廳聊天。這看似簡單的互動，其實包含一個基本的通信模型喔。你是傳輸端（transmitter），朋友是接收端（receiver），而環境中的其他聲音則構成了通道（channel）。這三者共同組成了基本的通信模型。在接下來的文章中，我們將深入探討這個模型的每一個部分，並了解它們如何影響我們日常的通信體驗。

以上就是數位通信系統的三大支柱：傳輸端、通道和接收端的簡單介紹。實際上，它們的功能遠不止於此，整個通信系統的複雜程度超乎想像。除了數位物理層的演算法和電路設計外，還涉及類比電路、網路層等不同面向，真的是一門博大精深的領域。

通信技術致力於解決全球數十億人每天遇到的實際問題。如果你對於挑戰高難度的數學、物理、演算法問題感興趣，這將是一個充滿寶藏的領域。成功解決這些挑戰，不僅具備巨大的商業價值，更能推動通信科技的進步，提升全人類的通信體驗。你是否已經躍躍欲試了呢？

更多、更完整的內容，歡迎上數感實驗室 Numeracy Lab 的 YouTube 頻道觀看完整影片，並開啟訂閱獲得更多有趣的資訊！

參考資料

• Elements of a communication system
• Noisy and Noiseless Channel

在【齒輪時代】的最後一章提到，MIT 教授凡納爾．布希除了發明微分分析儀之外，也直接或間接地對電腦發展做出重要貢獻。其中一項間接貢獻就是來自他所指導的學生夏農 (Claude E. Shannon)。這位不世出的天才雖然大眾知名度不高，但事實上，現代電腦與通訊的發展，都始於他憑一己之力提出的理論基礎。

本文為系列文章，上一篇請見：電腦運算的基礎——布林代數，是麼搞出來的？│《電腦簡史》數位時代（三）

擔任布希助理，操作微分分析儀，奠定電路基本功

夏農自小就喜歡搞電子實驗，他還曾利用鐵圍籬和八百公尺外的鄰居互傳電報。1936 年，夏農以數學和電機雙學位自密西根大學畢業後，進入 MIT 電機研究所就讀，同時在布希的實驗室當研究助理。

當時微分分析儀是唯一能算高階微分的計算機，所以實驗室不時會接受教授或其它研究單位的委託，為他們計算微分方程式。夏農的工作便是針對他們的問題，調整微分分析儀的設定，包括大大小小的連桿、滑輪等機械零件，以及近百個控制電動馬達的繼電器。

夏農相當樂在其中，看著微分分析儀按照自己的設定運轉，最後自動畫出答案，總令他心情愉悅。而最令他著迷的，就是在背後控制所有動作的繼電器。繼電器就像閘門，掌控電流的進出，雖然只有開與關兩種狀態，但串成迴路後，就能以特定的順序開開關關，就能讓微分分析儀解出各種微分方程式。

於貝爾實驗室實習，悟出電子迴路與布林代數的關聯性

第二年暑假，夏農到美國電話電報公司 (AT&T) 的貝爾實驗室實習。當時貝爾實驗室正在開發縱橫式自動交換機，也是利用繼電器來控制電話線路的搭接。夏農操作了一學年的微分分析儀，對繼電器的運作已了然於胸，儘管電話交換機是截然不同的機器，其中的迴路也更密集複雜，他卻能看出兩者在運作上有共通之處。

無論迴路大小，都是由許多繼電器與電路所組成，不同的連接方式決定電流如何流動，進而讓機器做出不同動作。如果兩個繼電器在一條電路上前後串聯，就必須兩個繼電器都打開，電流才能通過。如果電路一分為二，各自經過一個繼電器再合而為一（這稱為並聯），就只要有一個是開的，電流就能繼續往前了。

這只是電路的基本常識，每個工程師都知道，但就是沒有人像夏農那樣，看出電子迴路與布林代數的關聯。

夏農是以數學和電機雙學位畢業，對布林代數自然不陌生，但要從實體的電路聯想到抽象的邏輯關係，真的要有超乎常人的洞見。在他眼中，繼電器只有開、關兩種狀態，恰可用布林代數中的 1 與 0 兩種數字表示。繼電器串聯相當於邏輯運算的「且」(AND)，並聯則是相當於「或」(OR)，不管是什麼迴路，都可以用布爾代數描述。

暑期實習結束後，夏農回到學校，立即向導師布希提及自己的想法。布希深感興趣，鼓勵他以此做為碩士論文的題目。

史上最重要的碩士論文，堪稱資訊時代的大憲章

沒幾個月，夏農就在 1937 這一年完成劃時代的論文，題為〈繼電器與交換電路的符號分析〉(A Symbol Analysis of Relay and Switching Circuits)，開宗明義即宣告：「任何電路都可以用一組方程式表示，……。事實證明，其計算方式完全等同於符號邏輯所用的命題運算。」

夏農先以簡單的雙開關電路為例，說明如何用布林代數標示串聯與並聯的接法，並列出基本公理與交換律、結合律、……等運算法則。接著他再進一步分析不同型式的複雜電路，證明也都可以用布林代數表示。最後夏農強調這套方法不只可以用於現有的機器，還可以解決各種問題。

他寫道：「事實上，任何運算只要是用『若』、『或』、『且』等字眼在有限的步驟內描述，都可以用繼電器自動算出來。」

為了佐證這項主張，他提出三種全新的應用，並附上自己設計的電路圖。第一個是電路的簡化；原本使用二十個元件的電路，經由邏輯演算找出等效的表達式後，可以將元件減少為十四個。第二個與第三個應用都是他的創新發明，分別是使用五個按鍵開關的電子密碼鎖，以及二進位的電子加法器（嚴格來說仍不算電子式，因為繼電器的開關仍是利用電磁鐵的機械動作）。

這篇論文於第二年公開發表後，立即引起巨大的迴響，甚至被譽為「應該是本世紀最重要、最值得注意的碩士論文」，後來《科學美國人》雜誌也稱它是「資訊時代的大憲章」。

電路設計化繁為簡，電腦從此邁向數位時代

的確，夏農這篇論文影響深遠。原本錯綜複雜的電路圖改用布林代數表示後，就可以在實際建造機器之前，清楚計算出執行的結果，大幅減少嘗試錯誤所耗費的時間與成本。除此之外，還能如夏農所示範的，找出更精簡的電路方案。科技產品因為設計效率提升、製造成本下降，才得以更加迅速地推陳出新。

計算機的發展也受惠於夏農的創見，才開啟了數位時代（他革命性的通訊理論會在第三部另外介紹）。

夏農所提出的邏輯電路雖然以繼電器為範例，但其實這套抽象法則具有普遍性，任何有開關兩種狀態的元件皆可套用。因此即使後來繼電器被真空管取代，然後真空管又被電晶體淘汰，無論電腦的硬體零件怎麼換、電路圖多複雜，都還是基於夏農所提出的邏輯閘。

夏農已經指出一條通往未來之路，很快地，這條路上就將出現打造現代電腦的各路好漢……。

本文由 國立臺灣師範大學 委託，泛科學企劃執行。 

煮湯時看到調理包背面寫著「加水且加入鹽巴或味精，就大功告成了」。

這句話該怎麼解讀呢？邏輯思維好的人可能很快就能反應過來，意思是加水是必須的，鹽巴和味精至少要加一個。當然，兩者都加也行，但似乎不太健康。

你可能會說：「煮湯時誰會想那麼多？這太哲學了！」其實，19 世紀有位數學家將邏輯建立在數學而非哲學之上，他的貢獻深深影響了現代電腦的運算。他就是我們今天的主角——喬治．布爾（George Boole）。

在工作會議中，清晰的邏輯思維能幫助我們有條理地表達觀點，並迅速理解他人的意見；程式設計中，邏輯是核心，透過布林代數和邏輯運算，電腦能根據條件執行不同的任務，在智慧家電中利用邏輯閘判斷多個輸入條件來控制輸出結果。

因此，布爾提出的這一套邏輯思維與布林代數，不僅在學術領域至關重要，更是日常生活中不可或缺的工具。

更多、更完整的內容，歡迎上數感實驗室 Numeracy Lab 的 youtube 頻道觀看完整影片，並開啟訂閱獲得更多有趣的資訊！