【2022 年搞笑諾貝爾獎】10 項怪奇獲獎研究出爐：你賺多少其實跟你的才華沒有關係？蠍子斷尾求生，反而讓自己從此便秘？

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

搞笑諾貝爾獎每年都是新的開始，2023 年也不例外。今年「第 33 次第一屆搞笑諾貝爾獎」頒發十個獎項，「化學與地質獎」以看似獵奇的舔石頭博取不少眼球，不過得主揚．扎拉謝維奇（ Jan Zalasiewicz）的文章中，其實還提到另一件知名的歷史公案。

1951 年晚宴真相，竟然是海龜湯？！圖／americanoceans

文學史上用味覺帶出情節，最知名的案例之一是普魯斯特的小說《追憶似水年華》開頭，由瑪德蓮的味道切入，接著進入意識的海洋游泳。扎拉謝維奇的文章開頭，也從品嚐岩石的味道切入，自由切換不同的題材。

地質學家為什麼要舔石頭？《舌頭、石頭，迸出新滋味？科學家為什麼要舔石頭？——2023 搞笑諾貝爾獎》一文有精簡介紹。最主要的理由是，缺乏現代儀器之際，舌頭可謂方便的化學感應器，能提供有用的資訊。

• 延伸閱讀：舌頭、石頭，迸出新滋味？科學家為什麼要舔石頭？——2023 搞笑諾貝爾獎

當然，即使有了現代儀器，舌頭還是很方便的工具。

處於意識流科學史中，扎拉謝維奇的文章從舌頭感應器，十分合理地切換到一場宴會。那場 1951 年的晚宴中，據說提供猛獁象肉製作的餐點。

這場晚宴由美國的「探險俱樂部（The Explorers Club）」舉行，主辦方宣稱當天有道菜，來自已經滅絕的動物大地懶（Megatherium）。但是幾天後有報紙披露，宴會中的奇珍異獸不是大地懶，而是來自阿留申群島，25 萬年久遠的猛獁象！

1951 年保存至今的晚餐。圖／取自 參考資料3

奇妙的是，當天的餐點竟然有少量樣本被保留至今。當時沒有參加的豪威斯（Paul Griswold Howes）寫信要到一份樣本，一直保存到他去世為止。後來樣本輾轉來到耶魯大學的皮博迪自然史博物館（Yale Peabody Museum）。

那一餐到底是大地懶，還是猛獁象呢？2014 年，耶魯大學的研究生葛拉斯（Jessica Glass）等人成功由樣本中取得 DNA，結果在 2016 年發表。比對之下相當明顯，答案是綠蠵龜。

現今綠蠵龜是保育類動物，合法的狀況下沒有機會吃到。然而 1951 年那個時候，綠蠵龜尚未面臨滅團威脅，仍然是普遍的食材。

區區綠蠵龜製成的海龜湯，當然無法彰顯晚宴的尊絕不凡。不過俱樂部宣稱的大地懶，怎麼又會變成猛獁象？

最可疑的是當天在場的俱樂部成員尼可斯（Herbert Bishop Nichols），他也是基督科學箴言報（The Christian Science Monitor）的科學編輯。可考的記錄中，他第一個對外提出相關描述，後來被視為吃猛獁象的證據。

海龜湯的幾位相關人猿。(A) 據說將食材從北極帶回的極區探險家 Father Bernard Rosecrans Hubbard。(B) 極區探險家 George Francis Kosco。(C) 晚宴主辦人 Wendell Phillips Dodge。(D) 保存樣本的 Paul Griswold Howes。圖／取自 參考資料3

如果真的是那道菜的材料，那麼狀況就是：俱樂部用綠蠵龜做菜，宣稱是大地懶，報紙以訛傳訛寫成猛獁象。

「吃猛獁象」之類的傳聞，雖然不是嚴謹的科學，卻因為有噱頭而容易引人注目。作為沒多少負面影響的玩笑，也沒有人想要特別澄清。使得這類事件的真相，往往不了了之。

儘管沒有特別獲得搞笑諾貝爾獎關注，對於這道海龜湯的追根究底，倒是相當符合搞笑諾貝爾獎的精神。

海龜湯以後，扎拉謝維奇的文章意識又跳躍到另一種已經滅團的生物：貨幣蟲（Nummulites）。許多古生物，當初也是其他古生物的食物。儘管擁有堅硬的外殼保護，貨幣蟲這種生物依然有機會成為美食。

1912 年的時候，英國古生物學家庫克派崔克（Randolph Kirkpatrick）提出一個觀點：地球有一段時間存在非常大量的貨幣蟲，後來它們變成稱為「貨幣球（Nummulosphere）」的地層，是地殼岩石的源頭。

看起來很搞笑，可是庫克派崔克是認真的。所以他即使生在現代，應該也沒有獲得搞笑諾貝爾獎的機會。

2023 年搞笑諾貝爾獎頒獎典禮影片（化學與地質獎從 10:18 開始）：

延伸閱讀

• 【2023 年搞笑諾貝爾獎快訊】10 項怪奇獲獎研究出爐
• 探險家到底吃了猛瑪象、大地懶，還是…？
• 猛獁旅行家，1.71萬年前旅行將近2圈地球

參考資料

1. The 33rd First Annual Ig Nobel Prizes
2. Eating fossils
3. Was Frozen Mammoth or Giant Ground Sloth Served for Dinner at The Explorers Club?
4. Mammoth meat was never served at 1950s New York dinner, says researcher

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。

一年一度、讓你廢到笑出來的搞笑諾貝爾獎，今年在美東時間 9 月 14 日下午 6 點準時直播。

今年的主題為「水」，這次 10 項獲獎都或多或少與「水」有關（但大部分是口水），現在就快讓我們一起來看看今年的得獎快訊，並一起期待後續的個別研究報導吧～

化學和地質獎：為什麼地質學家與古生物學家會舔化石

這是一封說明「過去」地質學家與古生物學家，為什麼會有舔化石習慣的「快訊」（發表在期刊上，但被歸類為快訊），這封快訊說了幾個故事，其中最讓我印象深刻的，是「義大利地質之父」的喬瓦尼·阿爾杜伊諾（Giovanni Arduino，1714-1795）用自己的舌頭「品嚐」這些化石，分類出可能是史上第一個「地質時期」

故事的亮點是引用了喬瓦尼·阿爾杜伊諾的研究紀錄，看起來就像是個美食家在品嚐化石。

• 原文研究： “Eating Fossils,” Jan Zalasiewicz, The Paleontological Association Newsletter, no. 96, November 2017.  palass.org/publications/newsletter/eating-fossils 

文學獎：重複寫字，直到感覺不對勁

A 編小學時，曾被老師罰抄生字 100 遍，寫到一半突然懷疑這個字是不是這樣寫，趕緊回頭看前面寫的字，還把課本翻出來看才確定自己沒有寫錯。

上述的情境，稱為「猶昧感」（Jamais Vu），「猶昧感」是「既視感」（Deja Vu）的反義詞，描述人們對熟悉的事物，突然感到陌生，也是這篇論文主要探討的主題。

這研究的笑點在於他的實驗，他們讓受試者一直重複寫同一個字，跟小學被老師罰抄生字一樣。

實驗中，約有三分之二的受試者體驗到「猶昧感」，這些受試者大約在重複 30 次或一分鐘後開始感到異狀。另外，研究也發現平常越容易發生「既視感」的人，也更容易發生「猶昧感」，未來「猶昧感」的相關研究，可能會加深我們對「既視感」的理解。

• 原文研究： “The The The The Induction of Jamais Vu in the Laboratory: Word Alienation and Semantic Satiation,” Chris J. A. Moulin, Nicole Bell, Merita Turunen, Arina Baharin, and Akira R. O’Connor, Memory, vol. 29, no. 7, 2021, pp. 933-942.  doi.org/10.1080/09658211.2020.1727519

機械工程獎：死靈機器蜘蛛

會招喚骷髏或操縱屍體的死靈法師稱為 Necromancer，而科學家再次中二病發作，把用液壓操控的蜘蛛屍體，稱作 Necrorobotics 死靈機器。

我跟同事討論這種死靈機器，算不算是一種仿生科技？他覺得是，我覺得不是，你們覺得呢？

• 原文研究：“Necrobotics: Biotic Materials as Ready-to-Use Actuators,” Te Faye Yap, Zhen Liu, Anoop Rajappan, Trevor J. Shimokusu, and Daniel J. Preston, Advanced Science, vol. 9, no. 29, 2022, article 2201174.  doi.org/10.1002/advs.202201174

公共醫學獎：斯坦福馬桶

恩，就是接上各種感應器的物聯網馬桶，能即時檢測使用者的糞便與尿液。這東西最酷的是能「肛門辨識」，只要坐到馬桶上，斯坦福馬桶就能透過肛門的型態，辨識出使用者！

因為這個獎項，我才知道原來每個人的肛門都長得不一樣……謝謝你，搞笑諾貝爾獎。

• 原文研究：
  •  “A Mountable Toilet System for Personalized Health Monitoring via the Analysis of Excreta,” Seung-min Park, Daeyoun D. Won, Brian J. Lee, Diego Escobedo, Andre Esteva, Amin Aalipour, T. Jessie Ge, et al., Nature Biomedical Engineering, vol. 4, no. 6, 2020, pp. 624-635.  doi.org/10.1038/s41551-020-0534-9
  • “Digital Biomarkers in Human Excreta,” Seung-min Park, T. Jessie Ge, Daeyoun D. Won, Jong Kyun Lee, and Joseph C. Liao, Nature Reviews Gastroenterology and Hepatology, vol. 18, no. 8, 2021, pp. 521-522.  doi.org/10.1038/s41575-021-00462-0
  • “Smart Toilets for Monitoring COVID-19 Surges: Passive Diagnostics and Public Health,” T. Jessie Ge, Carmel T. Chan, Brian J. Lee, Joseph C. Liao, and Seung-min Park, NPJ Digital Medicine, vol. 5, no. 1, 2022, article 39.  doi.org/10.1038/s41746-022-00582-0
  • “Passive Monitoring by Smart Toilets for Precision Health,” T. Jessie Ge, Vasiliki Nataly Rahimzadeh, Kevin Mintz, Walter G. Park, Nicole Martinez-Martin, Joseph C. Liao, and Seung-min Park, Science Translational Medicine, vol. 15, no. 681, 2023, article eabk3489.  doi.org/10.1126/scitranslmed.abk3489

傳播獎：嗎話說著倒能你？

趣有超也獎學播傳，心擔別，的常正是來過反來起看子句得覺在現你！

你有試過快速把彩虹的顏色順序倒著背，或是把你說話中的每個名詞都倒過來講嗎？大家都知道這超難，但這份研究中的兩位受試著確有著超強「顛倒單字或語句」的能力。

研究對象以西班牙語為母語，他們能在對話中輕鬆地將 banana 念成 ananab，或是將「 basket is fun」念成「nuf si teksab」。研究著重在這兩位有著特殊能力的人，推理、記憶能力是否優於常人，以及大腦灰質、白質比例與一般人（對照組）是否有差別。

大腦如何組織語言一直都是個有趣的研究題目，像是為什麼中文的序順不會響影到閱讀，這也是 A 編跟大家都一樣好奇的。而了解大腦語言是如何形成的，也能推進對於失語症、癡呆症的症狀研究。

• 原文研究：“Neurocognitive Signatures of Phonemic Sequencing in Expert Backward Speakers,” María José Torres-Prioris, Diana López-Barroso, Estela Càmara, Sol Fittipaldi, Lucas Sedeño, Agustín Ibáñez, Marcelo L. Berthier, and Adolfo M. García, Scientific Reports, vol. 10, no. 10621, 2020.  doi.org/10.1038/s41598-020-67551-z

醫學獎：屍體兩個鼻孔的鼻毛數量是否一致？

俗稱鬼剃頭的「圓禿」（Alopecia areata）不只會頭髮脫落，同時睫毛、眉毛與鼻毛也會脫落，其中，鼻毛脫落會增加得到過敏、呼吸道感染的機率。

由於鼻毛的相關研究非常少，為此，研究者調查 20 具「遺體」的鼻毛數量與長度，並收集相關病史、死往原因…等數據，來評估正常人的鼻毛數量與長度。研究結果顯示，平均每個鼻孔的鼻毛數量約為 120~122 根，左右鼻孔並沒有顯著差異，鼻毛平均長度大約是 1 公分。

• 原文研究：“The Quantification and Measurement of Nasal Hairs in a Cadaveric Population,” Christine Pham, Bobak Hedayati, Kiana Hashemi, Ella Csuka, Margit Juhasz, and Natasha Atanaskova Mesinkovska, Journal of The American Academy of Dermatology, vol. 83, no. 6, 2020, pp. AB202-AB202.  doi.org/10.1016/j.jaad.2020.06.902

營養獎：電流有一股「電味」

日本明治大學教授宮下芳明 （Homei Miyashita）與他的團隊，發現在筷子與吸管上附加微弱電流，會改變食物的味道。

他們發現微弱電流刺激舌頭時，會產生一股「電味」（論文上寫 Electric taste，你說我要怎麼翻比較好） 。這股「電味」味道如何呢？基本上沒有味道（不能啟動味覺細胞），但如果有其他味道存在，例如鹹味（氯化鈉）或鮮味（麩胺酸鈉），電味會讓食物吃起來更鹹或更鮮。

接著，他們發明了連著電線的通電筷子與吸管（看起像整人玩具），證明了通電筷子與吸管確實能在不改變食物味道的情況下，讓人們吃進更少的鹽跟味精。

• 原文研究：“Augmented Gustation Using Electricity,” Hiromi Nakamura and Homei Miyashita, Proceedings of the 2nd Augmented Human International Conference, March 2011, article 34.  doi.org/10.1145/1959826.1959860

教育獎：系統性研究課堂上感覺無聊的學生與老師

你覺得上課無聊嗎？多半人都會問答「是」，而這系列研究仔細分析了為什麼上課無聊，且越來越無聊的原因。

你可能會想：「那不就是老師上課很無聊啊，老師不有趣阿。」我只能說你們這樣太沒同理心了，搞不好老師也在想：「教你們真無聊！」

所以，研究者第一個想探討的問題是：「老師如果覺得無聊，會不會讓學生也覺得無聊。」先說結論，不會。

雖然學生不會刻意去了解老師的心情。但如果學生明確感受到老師很無聊，像是死氣沉沉地念課文，學生就會覺得這堂課更無聊，進而影響學習動機與學習成效。某種程度上，研究還是印證了「老師不有趣覺得無聊」這件事，但老師是否在強顏歡笑，這就不得而知了。

另一個問題則是：「是不是想著上課很無聊，就會覺得更無聊？」沒錯，的確是這樣！只要上課前預期這堂課很無聊，那這堂課就會比你預期的還要更無聊！

• 原文研究：
  • “Boredom Begets Boredom: An Experience Sampling Study on the Impact of Teacher Boredom on Student Boredom and Motivation,” Katy Y.Y. Tam, Cyanea Y. S. Poon, Victoria K.Y. Hui, Christy Y. F. Wong, Vivian W.Y. Kwong, Gigi W.C. Yuen, Christian S. Chan, British Journal of Educational Psychology, vol. 90, no. S1, June 2020, pp. 124-137.  https://pubmed.ncbi.nlm.nih.gov/31342514/
  • “Whatever Will Bore, Will Bore: The Mere Anticipation of Boredom Exacerbates its Occurrence in Lectures,” Katy Y.Y. Tam, Wijnand A.P. Van Tilburg, Christian S. Chan, British Journal of Educational Psychology, epub 2022.   doi.org/10.1111/bjep.12549

心理學獎：你會跟著抬頭看天空嗎？

他們到底在看什麼？眼前一群人停下腳步抬頭看著上方，你一定會跟著將視線移向相同的地方，看看他們到底在看什麼。

沒錯，這就是著名的從眾效應，或稱做群聚效應、羊群效應。這個1969年進行的經典實驗，應該很多人也聽說過。Stanley Milgram、Leonard Bickman、Lawrence Berkowitz 三人組，在紐約的街道上測試要有多少人同時往上看，才能吸引其他人也駐足湊熱鬧。

這個實驗能得獎感覺毫不意外，甚至覺得怎麼現在才得獎！

群聚效應引響甚遠，因為整個社會的運作都養類人與人之間的互動與連結。不管是跟風買東西、參與熱鬧的大型活動、政治意識型態的抉擇等等，都能看到群聚效應影響著人們的身影。

大家都有可能是羊群裡面的羊。

• 原文研究：“Note on the Drawing Power of Crowds of Different Size,” Stanley Milgram, Leonard Bickman, and Lawrence Berkowitz, Journal of Personality and Social Psychology, vol. 13, no. 2, 1969, pp. 79-82. psycnet.apa.org/doi/10.1037/h0028070

物理學獎：一群鯷魚能影響海流？

一隻拍翅膀的蝴蝶能讓海的對面產生颶風，那一群在海中游泳的鯷魚呢？他們可能直接影響了洋流與海面的大氣流動。

如果要計算颱風能量或是海洋鹽分的變化，我們通常會考慮海面風速與氣壓，要不然就是洋流、海溫和密度的垂直梯度等等。但這份研究發現，我們或許忽視了大海居民造成的影響。

研究發現只要到了鯷魚的產卵季，當天晚上海面附近海水的垂直混合程度會增加10~100倍。也就是這群游動的小魚們，像是攪拌棒一樣攪混了上層海洋，程度相當於地球物理現象造成的影響，對海溫與營養鹽分布的作用可能比我們想像的還大。

• 原文研究： “Intense Upper Ocean Mixing Due to Large Aggregations of Spawning Fish,” Bieito Fernández Castro, Marian Peña, Enrique Nogueira, Miguel Gilcoto, Esperanza Broullón, Antonio Comesaña, Damien Bouffard, Alberto C. Naveira Garabato, and Beatriz Mouriño-Carballido, Nature Geoscience, vol. 15, 2022, pp. 287–292.  doi.org/10.1038/s41561-022-00916-3