天文影像工具也能找腫瘤？——臺灣首創 3D 數位病理影像暨 AI 分析平臺

在發現的道路上，智慧（intellect）作用不大。意識（consciousness）━你可以稱之為直覺或其它任何你想用的詞━會發生一次飛躍，答案會突然出現在你面前，而你卻不知道它是如何或為什麼出現的。

-愛因斯坦（1879-1955），1921年諾貝爾物理獎

2025 年 10 月 13 日在參加建國中學高三 6 班畢業 66 週年的同學旅遊後，希望能瞭解一下投稿多年、從未謀面之《泛科學》的作業情形及發展計畫等，我決定到「泛科創新股份有限公司」參觀一下：沒想到知識長鄭國威竟然邀請我錄了一集「思想實驗室」。當被問及有關人工智慧（artificial intelligence，AI）的看法時，我突然冒出「因為科學的發現很多都是意外的，因此AI無法像人類一樣具有創造性」。沒想到這句話似乎成為這次訪問的主題，也引起比較熱烈的討論，因此我想在這裡補充一下。

AI（人工智慧）是否能青出於藍、更勝於藍地超越我們？這事實上也是專家爭論最多的話題。我不是專家，雖然知道「我思故我在」，但完全不知人類如何思想、大腦如何運作，更不瞭解上面愛因斯坦所提到之意識（consciousness）如何飛躍！但是已經被國威推上了這個平台，因此只好在這裡野人獻曝，依我所知的科學史提出懷疑。

回歸正題，上面問題的直覺反應答案是：人製造出來的怎麼可能比人聰明呢？但相信很多人都知道：人類所製造出來的圍棋軟體 AlphaGo 已經戰勝了所有的人類！其主人谷歌（Google）謂：它能戰勝人類是因為它利用策略網絡來推薦有希望的走法，並利用價值網絡來評估在給定局面下獲勝的機率，從而大幅縮小搜尋空間，使得它能夠「預想」數百萬步棋，並透過自身的對弈不斷學習，最終超越人類的層次。從這段話看來，我覺得 AlphaGo 能戰勝人類是基於高速地使用人類所設計出來之有路可循、亦有跡可尋的「邏輯策略」！

同樣地，如果我們給 AI 一含所有物質之性質的資料庫，然後告訴它如何尋找「規律」（pattern），相信它會非常勝任地發現許多具有某種特性的「新物質」、「新藥物」、甚或告訴我們如何製造它們（有機合成的資料庫）。但是 AI 雖然知道哈密瓜的所有性質（資料庫），可是它會想到哈密瓜含有能大量分泌青黴素的菌株、即時在第二次世界大戰中拯救了上百萬士兵的生命嗎（見後）？我覺得後者不是邏輯的問題，是沒辦法訓練的，因此 AI 不能「真正創造」不是依靠邏輯的發現。這正是本文所要談的：許多科學大突破都不是靠訓練或邏輯分析的！

視眾人所見視，思眾人所未思

牛頓的傳記《艾薩克·牛頓爵士生平回憶錄》（Memoirs of Sir Isaac Newton’s Life）於1752年出版；作者斯圖克利（William Stukeley）在書中轉述：「晚餐後，天氣溫暖，我們去了花園，在幾棵蘋果樹的樹蔭下喝茶……他（牛頓）告訴我，他當時的處境和以前一樣，剛剛想到萬有引力的概念。當他正沉思時，一個蘋果掉了下來。他心想：『為什麼蘋果總是垂直落到地上，永遠不會向上或向一側掉落呢？……』，這使他得出結論：地球一定具有『引力』，從而發展出他的萬有引力理論。」

早在西元前 4 世紀左右，亞里斯多德（Aristotle）及歐幾里德（Euclid）等希臘哲學家就為自然哲學和邏輯奠定了基礎。樹上的水果都是往地面掉，這是任何小孩都知道的「常識」，但為什麼卻等了 1700 年才引起牛頓的注意？我們不知道為何牛頓會想到這個問題，但 AI 也會注意到這個現象嗎？如果會，它會先想到萬有引力或是直接跳到更精確的愛因斯坦廣義相對論（見後）呢? 

發現世上第一個抗生素的弗萊明（Alexander Fleming）度假回來後發現培養皿因未加蓋而發霉（見後），一般的研究者大多會將這些被黴菌孢子污染的培養皿丟掉；但弗萊明這次卻心血來潮……。他回憶說：

「基於先前「溶菌酶」的經驗，也像許多細菌學家那樣，我應該會把污染的培養皿丟掉，……某些細菌學家也有可能（早就）注意到我（那時）看到的相似變化，……但是在對天然產生的抗菌物質沒有任何興趣的情況下，都會順手地將培養物丟棄。……但（這次）我沒有找個藉口丟掉受污染的培養液；相反地，我做了進一步的探討。」

如果AI也能做實驗，它會像許多細菌學家那樣「順手地」丟棄培養物嗎？機會總是降臨在那些做好準備的「人」身上。

幸運的靈感/直覺

一位正在自由下落的人不會感覺到自己的重量，那不是等於漂浮在沒有任何重力的外太空空間嗎？如果加速度可以抵消重力，那麼在沒有重力的情況下，加速度本身不是可以模擬重力，產生與真實重力沒有區別的人造重力嗎？愛因斯坦稱上面這一發現為「等效原理」（Equivalence Principle）：我們雖然不知道重力是什麼，但其現象可以用加速度來模擬！這一想法啟動了愛因斯坦嘗試改變牛頓重力論的八年艱苦抗戰，於 1915 年 11 月完成了人類有史以來最美麗的物理理論━「廣義相對論」（General Theory of Relativity）。100 多年後的今天，愛因斯坦這一透過想像力來推測的理論仍然在指引著物理學家們去瞭解宇宙的基本特徵！怪不得愛因斯坦後來大膽地稱它為「我一生中最幸運的靈感」。

德國理論物理學家普朗克 (Max Planck) 謂他是靠「幸運的直覺 (lucky intuition) 」而意外地敲響了量子力學革命之鐘聲！在 1918 年諾貝爾獎頒獎典禮上，普朗克回憶說：

「然而，即使（我推導出來的）輻射公式絕對準確，它仍然只是一個幸運猜測（lucky guess）了正確插值公式的結果，其價值是非常有限的。因為這個原因，從那時起，我就忙著… 想闡明此公式的真實物理特性，這導致我考慮連接熵和概率之間的波茲曼（Boltzmann）關係。在經過我生命中最艱苦的幾個星期之工作後，光明終於驅除了黑暗，一個新的、從未夢想到的的觀點在我面前展開了。」

這普朗克從未夢想到的觀點是什麼呢? 就是「能量量化」的觀念，違反了當時「能量是連續」的共識！因之此後的十幾年，普朗克便一直在努力地想使他的量子觀念能容於古典力學裡；可是每次嘗試的結果，似乎均使自己失望得想收回那革命性的「大膽假設」而已。

錯誤的假設

好吧，就假設 AI 像愛因斯坦一樣也有「最幸運的靈感」，發現了廣義相對論。可是後來物理學家瞭解到了愛因斯坦的「等效定理」事實上不完全正確，是有限制的，也就是說它只是一種近似的基本定律，只適用於一個局部、無限小的時空區域內。哈，如果AI比人類聰明，怎麼會在邏輯上犯下這個錯誤呢？如果不犯這個錯誤，它能發現廣義相對論呢？

又如 1905 年，愛因斯坦在題為「關於運動物體的電動力學」的（狹義相對論）論文引言裡，開宗明義地謂「不要爭辯」光速了：

「我們建議將「相對性原理」這個猜想（conjecture）提升到一個公設（postulate）的地位，並引入另一個表面上與前者不調和（irreconcilable）的公設，即光是在真空中的傳播速率為一與發射體運動狀態無關的定值 c。 這兩個假設足以（讓我們）透過適用於靜止物體（狀態）之馬克斯威（Maxwell）理論，導出一個簡單且不矛盾（consistent）的電動力學理論。」

愛因斯坦真大膽：一個可以用實驗來確定的光速，怎麼可以定為「公設」呢？光速與發射體運動狀態無關不是完全違反了我們日常生活的經驗（如聲速）嗎？愛因斯坦在其時鐘「同步程序」的假想實驗裡魔術般地導入了他的公設：光在任何方向的速度都是一樣的 c 值！完全忽略了當時幾乎所有物理學家都相信光是在「以太」中傳播的理論。

1924 年，一位名不見經傳，任教於東巴基斯坦的講師波思 (Styendra Bose) 在一篇 1500 字的論文裡做了一個誤打誤撞、連他自己本人都不知道、在整篇論文中隻字未提的重要及創新性假設：光量子是不可分辨的！在當時，所有的物理學家都認為光量子像銅板一樣是可以分辨的（我們可以分辨哪個是 A 銅板、哪個是 B 銅板、…），因此兩個銅板出現「一正及一反」的或然率是 2/4；但如果它們不能分辨呢？則出現「一正及一反」的或然率將變成 1/3。沒想到這一「錯誤」的假設後來竟成為打開量子統計力學的鑰匙！超強邏輯的AI會犯這種錯誤嗎？

愛因斯坦1915年完成他的廣義相對論後，發現他的方程式所預測的宇宙只能膨脹或收縮，與當時大部分科學家所認為的靜態宇宙觀相衝突！沒想到推翻了深植物理學家心中達兩百多年之牛頓時空觀念的革命壯士，竟然在這裡屈服了：為了符合當時的想法，愛因斯坦於1917年強行地於其廣義相對論導出之宇宙觀中加入一「常數」來平衡萬有引力，使他的宇宙能保持靜態！沒想到1929年後，新數據顯示宇宙不是靜態，而是在膨脹中；愛因斯坦因而後悔當初為何不相信自己的推論，稱那強行加入人為常數━「宇宙論常數」（cosmological constant）━為他一生中所犯之「最大錯誤」。AI會犯這種錯誤嗎？

只有萬有引力的宇宙膨脹速率在一段時間後應該慢慢減小；但90年代末期，新的發現顯示現在宇宙膨脹速率不是隨時間減小、而是在加大！沒想到那錯誤的「宇宙論常數」現在竟然成為提供瞭解釋膨脹速率加快所需之排斥力來源─雖然我們還不知道那是啥！當然，我們也不知道愛因斯坦在天之靈是否還認為「宇宙論常數」是他一生中所犯的最大錯誤？而AI如果當初未犯那「最大錯誤」，現在是否反而會後悔呢？

老天的幫忙

硝化甘油為液體，非常不穩定，一不小心就爆炸；因此諾貝爾 (Alfred Nobel)一直在尋找取代物，但久而不得。傳說有一天儲存的硝化甘油意外泄漏，與用來包裝儲存鐵桶之板狀矽藻土混合但未爆炸，使他想到了試用此板狀矽藻土。經實驗後，他發現兩者相混之固體不但安全可靠，而且還可保持原有之爆炸威力─這不正是他夢寐以求、研究甚久而未能找到的「穩定炸藥」嗎？他因此發了大財，設定了今日大家所知道的諾貝爾獎。

在「發現能治療糖尿病的胰島素—胰島素與生技產業的誕生（上）」一文裡，我提到了「….將狗的胰臟割除，發現這隻可憐狗整天口渴及隨地小便。數日後，一位助手覺得實驗室內的蒼蠅好像突然多了起來，尤其是在狗小便過的地板。分析狗尿及其血液後，梅倫（Joseph von Mering）及明考斯基（Oskar Minkowski）很驚奇地發現裡面充滿了糖份。」顯然地，胰腺具有調解體內糖代謝的功能，它一旦受損將導致糖尿病。就這樣，法國兩位外科手術醫生無意中發現了「困擾」人類三千多年之糖尿病的病源━胰臟分泌物「胰島素」失調！這不是透過邏輯分析得到的結果，AI能做到嗎？ 

前面所提到之蘇格蘭醫生兼微生物學家弗萊明是一位粗心的實驗室技術員。1928 年夏在研究葡萄球菌的某一天，他忘了將含有葡萄球菌培養物的培養皿放在培養箱中，留在實驗室工作台上就匆匆忙忙地離開實驗室去度假。命運就是這樣作弄人：那時室內的溫度及濕度均適合霉菌（mold，或譯「黴菌」）的生長；因此兩個禮拜回來後，弗萊明發現在敞開窗戶旁的培養皿因未加蓋而發霉。經細心觀察及研究後，弗萊明發現抑制或預防細菌生長的不是黴菌本身，而是黴菌產生的「黴汁」。就這樣，弗萊明發現了世上第一個抗生素「盤尼西林」（Penicillin，又稱為「青黴素」）！被《時代》雜誌評選為20世紀的100位最重要人物！

1943年的某一天，在伊利諾州皮奧里亞 (Peoria) 的農業部北部區域研究實驗室 (NRRL) 工作的亨特 (Mary Hunt) ，無意中在一雜貨店裡發現了一顆表皮長滿漂亮及金色青黴的哈密瓜。將它帶回實驗室，篩選出能大量分泌青黴素的菌株後，她發現該菌株產生的青黴素數量是notatum的200倍━她因之贏得「發霉瑪麗 (Moldy Mary)」的綽號。在許多研究團隊紛紛加入菌種及製造方法的改良後，青黴素產量由1943年只能醫治不到1000人，一下子跳到1944年時，已有足夠的青黴素來治療每位需要的士兵，為第二次世界大戰提供了功不可沒的貢獻！也啓動了尋找其它抗生素的研究，開創了醫學的新紀元。

結論

上面我們提到科學家意外地發現了穩定的炸藥、控制血糖的胰島素、及治療特定細菌感染的抗生素。這些化合物都已經存在自然界中，但絕對不是邏輯分析可以發現其功能的，因此如果不是「老天的幫忙」，我實在很難理解AI怎麼會想到？事實上靠「老天幫忙」所發現的化學物是非常之多的。不需要靠老天幫忙的理論物理呢？

在討論牛頓「思眾人所未思」地發現萬有引力、開創了古典物理後，我們其它的討論都是針對全面改變我們日常生活之近代物理━量子力學及相對論━的發現史。希望讀完本文後，讀者能體會到科學進步不但鮮少一帆風順，相反地是一條充滿了意想不到之彎路和迷茫時刻的曲折蜿蜒旅程：這正是我在訪談中所提到的要多看「課外書」，鑑古知今瞭解理論背後歷史有助於瞭解理論本身。也希望讀完本文後，讀者能感受到科學上的突破幾乎全不是源自邏輯分析，而是出自無法捕捉的「靈感」、「直覺」、「錯誤假設」，「老天幫忙」、以及挑戰既有認知的「勇氣」。AI具有這些人性「缺點」嗎？

最後讓我們在此以公認為最偉大之兩位物理學家的話來結束。牛頓說：「沒有大膽的猜測，就沒有偉大的發現」；愛因斯坦謂：「我從未通過理性思考的過程取得任何發現」。

致謝

謹在此感謝《泛科學》鄭國威、曹盛威、謝富丞、廖儀瑄、王喆宣等同仁的招待及讓我有機會當了一次近代科技 Podcast 的明星。Podcast 的出現造就了許多不需要經過好萊塢的影視明星以及網紅，是我首次接觸到之近代日常生活典範的另一個重大轉變，真是活到老學到老。

延伸閱讀

• 《我愛科學》，華騰文化有限公司，2017年12月出版（內含我2018年前出版之所有科普文章）。
• 愛因斯坦的光速魔術 《泛科學》，2024/10/05。
• 愛因斯坦的最大錯誤？ — 宇宙論常數 《泛科學》，2011/12/11（原載於《科學月刊》，2011年12月；此一轉載讓我與《泛科學》結了不了之緣）。
• 忘了收培養皿就去度假，回來後發現世上第一個抗生素！《泛科學》，2020/12/23。
• 愛因斯坦是第一個發現狹義相對論的物理學家嗎？《泛科學》，2022/10/21。 
• 思考別人沒有想到的東西──誰發現量子力學？《泛科學》，2022/06/01。
• 發現能治療糖尿病的胰島素－胰島素與生物科技產業的誕生（上） 《泛科學》，2017/02/15。
• 黑體輻射光譜與量子革命 《科學月刊》，2022年7月號。
• 愛因斯坦一生中最幸運的靈感-廣義相對論的助產士 《科學月刊》，2021年6月號。
• 歐氏幾何學的啟示《泛科學》，20253/12/9。
• 日常生活範式的轉變：從紙筆到 AI《泛科學》，2023/3/8。

本文轉載自顯微觀點

許多癌症患者在初期對藥物反應良好，腫瘤明顯縮小，但經過一段時間後因為癌細胞會適應治療，例如可能改變藥物的目標分子，使藥物無法再有效作用；或是繞過原本被切斷的「生存」路徑，變得對藥物不再敏感，使得原本的化療、標靶藥物失效。因此癌症治療的一大挑戰「抗藥性」。

為了解決這項難題，臨床治療上有些使用「雞尾酒療法」，也就是同時使用多種藥物攻擊癌細胞的不同弱點；有的則是積極開發新一代藥物，針對已知的抗藥性機制設計不同路徑；或是透過改變腫瘤微環境讓患者產生持久的免疫反應，延緩或克服抗藥性產生。

但癌症逐漸走向精準醫療，藥物是否能夠針對特定癌細胞甚至癌細胞的特定機轉、基因產生作用，是醫療界正努力研究的方向。而從中國醫藥大學生命科學院細胞生物學研究所助理教授徐昭業的觀點，細胞機械力便是一個可以切入的研究窗口。

微小機械力 左右細胞表現力

過去，生物學多注重在基因、化學對對細胞的影響，而力學生物學（或稱機械生物學，Mechanobiology）則在近二十年迅速興起。因為科學家發現，不論是細胞要維持形狀、移動，或是回應微環境的變化，都受到力學影響。

徐昭業解釋，其實細胞的機械力在生命活動中非常重要，例如大多數細胞都需要貼附在周圍的環境中，無論是與其他細胞形成組織，或是與細胞外基質（ECM, Extracellular Matrix）連結。而這個「貼附」的行為就是一種機械力的展現。

另外，當細胞在分化時，機械力的影響尤其顯著。例如，將幹細胞培養在柔軟如果凍的基材上時，它們傾向分化為脂肪細胞或神經細胞。然而若是培養在像桌子一樣硬的表面時，則更可能分化為骨細胞。這顯示細胞對外在物理環境具有高度的「機械感知」能力。

這些細胞從外部環境（例如黏附表面、周遭組織）感受到的「機械訊號」，會透過細胞膜上的蛋白傳遞進入細胞內部，影響基因表達並調整行為，例如分化或增生。

傳統上判定癌症藥效（或是是否出現抗藥性）多是透過測量細胞存活率，例如計算 IC50（半數抑制濃度）──也就是殺死 50% 細胞所需的藥物濃度。但徐昭業表示，這樣的測量方式存在著「非死即活」的二分法限制。例如：針對 100 顆細胞投藥，最後存活 50 顆，只知道存活率是 50%，但無法得知那剩下細胞的實際狀態；可能完全健康、也可能受到藥物影響變得半死不活。

不只管死活 力學訊號看抗藥性更精準

透過細胞機械力的偵測則可以彌補這樣的空缺。徐昭業和研究團隊開發出一套生物力學量測系統，結合微結構與光學反射，成功簡化細胞力學的觀察與量化方式。

他們將細胞培養於表面覆有密集奈米圓柱的結構裝置上，當細胞貼附並施力於這些奈米圓柱時會導致彎曲，進而改變表面反射鏡的反射角度，影響光訊號的強度。藉由觀察反射光的衰減量，便可快速推估細胞的力學變化。

這些奈米圓柱通常使用 PDMS（polydimethylsiloxane，聚二甲基矽氧烷）等彈性材料製成，直徑約為1至2微米，高度約 5 微米，排列間距也僅有 1 至 2 微米。

徐昭業表示，過去這類「micropost array」（微柱陣列）主要透過螢光標記位移來計算細胞所施加的力量，但這樣一來不但需要仰賴高倍率顯微鏡，影像分析也較為繁複。

因此，研究團隊改以反射訊號的變化來替代位移量測。他們將金屬反射層鍍於奈米圓柱頂端形成靈敏的反射面。當細胞攤開在表面時，張力會造成圓柱微幅形變，反射光因此產生角度偏移與散射。通常光強度會下降至原始強度的 20% 至 30%，藉此就能反推出細胞所施加的實際力值，依此分析細胞活力。不僅能大幅簡化操作流程，同時提升訊號讀取的效率與數量。

徐昭業說，當細胞死亡或停止活動時，力學（光學）訊號會完全消失，但「活力下降」的細胞則有部分訊號，但弱於「完全未受影響」的細胞。而這樣分群概念在癌症抗藥性研究的重要性在於：即使多數癌細胞對藥物反應良好，仍可能潛伏少數「對藥無感」或「苟延殘喘」的細胞。這些細胞若存活下來，將來就可能演化出抗藥性的癌細胞。

為了驗證設計出的平台在癌細胞檢測上有效果，徐昭業也和中國醫藥大學從事肺癌研究的老師合作，利用對方既有現成的抗藥性細胞株資料庫和相對應生物標記，與力學檢測平台的標記結合進行確認。

徐昭業表示，過去要確認癌細胞是否出現抗藥性需透過長時間持續給藥，並耗費三至六個月時間培養，看細胞是否出現變異。但一方面長時間持續投藥，訓練出的是「後天抗藥性」癌細胞，和在真實情境不同；人體中可能部分癌細胞一開始就有「先天抗藥性」，卻難以在一開始就揪出來。另一方面，長期、持續的投藥也不符合臨床投藥方式，且耗時過長。

團隊利用力學檢測平台比較抗藥細胞與敏感細胞，發現兩者之間存在顯著差異，且這些力學特徵與既有的生物標記完全對應，證明了這個檢測系統可以直接辨識抗藥性細胞。

研究到臨床 盼打造癌症抗藥性快篩

由於系統採用的是非螢光染色（label-free）設計，偵測的是光學訊號，大幅縮短樣本製備和觀察時間。一片約一平方公分的生物晶片能同時觀測十萬個細胞，儘管有些細胞會彼此黏連，無法進行單細胞分析，但通常仍能取得五萬筆單細胞的力學分布資料。團隊再把這些數據輸入AI模型進行辨識訓練，系統便能在活細胞上快速量測，約半天到一天即可完成分析。

徐昭業表示，癌症病人通常有幾種可選用的藥物，但每個人對藥物的反應不同，第一線有效的藥物不見得適合所有病人。臨床上，醫師通常根據經驗與基因表現推估藥物敏感性，仍難以預測抗藥性的發生；即使用單細胞基因定序也很昂貴且不容易操作。

「雖然一開始仍需仰賴傳統細胞株去建立模型，但當這一系列流程建構完成，後續就能成為精準醫療的重要輔助工具」，徐昭業說，若是透過此平台，就能以「快篩」的概念檢驗不同病人檢體暴露於不同藥物，哪些藥物最容易產生抗藥性表現型（phenotype），進而提供臨床醫師一份建議清單，選擇不易產生抗藥性、最合適的治療策略。

目前團隊也致力於讓系統更具備高度規律性與可重複性，並易於製作母模再複製，以大幅降低成本與技術門檻。徐昭業期待這套系統除了加速細胞力學研究的量測過程，也能為生醫材料、藥物開發與細胞品質檢測等領域提供實用的解決方案。

參考資料：

• 為什麼癌症治療會出現抗藥性？看懂 6 種抗藥性機轉
• Why Do Cancer Treatments Stop Working? Overcoming Treatment Resistance
• 漫談力學生物學

延伸閱讀：

從材料到癌症研究 徐昭業的跨界探索

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…