幸運之神總是跟我不熟

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。

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）。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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…

• 文／東海大學應用物理學系  施奇廷

天才是百分之一的靈感加上百分之九十九的努力。

——愛迪生（Thomas Alva Edison, 1872-1946），並不是第一個這麼說的人

上面這句話，一開始其實是一位女作家凱特‧桑伯恩（Kate Sanborn）說的，愛迪生引用之後變得廣為人知，不過愛迪生分配給「靈感」的趴數不太一定，有時候變兩趴，有時候不屑一顧：「天才才不是來自靈感，靈感其實也是努力來的啦！」，有就是：零趴。

不過「天才」並不代表「成功」。2022 年「第 32 次的第一屆」搞笑諾貝爾經濟獎，獲獎的研究告訴我們，「成功是百分之一的天才加上百分之九十九的運氣」。這下努力再也不是決定性的因素，只剩萬分之九十九；靈感更慘，只佔萬分之一。

運氣最重要啦！

（背景音樂：別人的身命，是框金又包銀，阮的身命不值錢……by 蔡秋鳳）

先說一下，為什麼「經濟獎」會是由物理學家（也就是我）來介紹呢？因為這次獲獎論文的三位來自義大利卡塔尼亞大學（University of Catania）的作者中，有兩位是物理學家（Alessandro Pluchino 以及 Andrea Rapisarda），只有一位是經濟學家（Alessio Emanuele Biondo），研究的方法也「很物理」，將「人生的成功」用一個簡單到令人髮指的模型來模擬，可說是「化約主義」（reductionism）的極致。所以正常的經濟學家可能會覺得「你們用這種方法來研究經濟學簡直是在搞笑」，因此才得獎的吧。

一般媒體的報導多半僅止於此，並不是！其實還有一個重點是如何扭轉這個「萬事天注定」的宿命論，讓具有才能的人出頭天。

他們的研究是利用「代理人模型」（agent-based model），也就是模型中的基本單元就是一個一個虛擬世界中的人，然後根據研究的問題「假設」來制訂行動規則，接著就讓這些「代理人」依照規則行動，看看結果如何。如果模擬出來的結果符合我們看到的社會現象，那麼上述的「假設」就可能為真。

在這個「TvL 模型」（Talent vs Luck, 天才對運氣）中有 1000 個代理人，他們被隨機灑在一個 201×201 的方格棋盤上面，每個人佔據一個空格，每個人身上帶著 10 塊錢——這裡我們姑且用金錢來衡量「成功的程度」，它也可以是在政治界官位的高度、學術界發表論文的數量與影響力……等其他面向量化後的「成就點數」。

接著同樣在這個棋盤上面隨機灑出一些綠色跟紅色的點，它們代表「人生中可能會遇到的事件」，綠色代表「幸運事件」，紅色代表「不幸事件」。事件的總數是人數的一半，也就是 500 個，其中紅綠各有 250 個。

假設每個人的「才能」是標準化後，介於 0 到 1 之間的常態分布，平均值為 0.6，標準差為 0.1。這裡用單一的變數 T 來代表才能，它包含了智商、個性、努力、教育……等出道前養成的所有個人屬性。

這個世界變化的規則如下：

1. 「人」不會動，從頭到尾待在原地。
2. 每一步中，每個「事件」會任選一個方向，移動兩格。
3. 如果某個人剛好在某個事件移動的路徑上（直接撞到）、或者是與路徑相鄰（擦身而過），表示他身上「出事了」。
   • 如果碰到的是綠點，表示「好事發生」。不過「運氣屬於準備好的人」，手裡錢（或成就點數）有機會翻倍，發生的機率就是才能值 T。所以才能較高的人，比較能掌握幸運的機會。
   • 如果碰到的是紅點，表示「發生不幸」，跟幸運不一樣的是：「不幸」是公平的，遇上的人金錢一律減半。這個設定的基礎是這樣：不管上智或下愚，路上被車撞就是得送醫、住院；被地震颱風直接命中就是會變成受災戶，你有再高的才能也無用武之地。
4. 沒有被事件撞到或擦到的人，金錢不變。
5. 回到 1。

假設每個人從菜鳥出道一直到退休一共奮鬥 40 年，而每半年就可能碰到一次重大的事件，所以整個模型需要模擬的就是每半年一次的變化，一共 80 步後，遊戲結束，來計算一下成績，最後大家手裡有多少錢呢？

結果顯示經過一生的努力後，財富分布滿足大家熟悉的「80－20」法則，前 20% 的人擁有整個社會 80% 的財富。雖然「80－20 法則」通常是拿來批評「貧富不均」這個社會現象，其實它有更深一層的涵意：如果只看前 20% 的有錢人，就會發現這裡面的 20% 也一樣會擁有其中 80% 的財富！也就是「有錢人之間」也是有「貧富不均」的現象。換算一下可以得知，前 4% 的有錢人（前 20% 的前 20%）擁有整個社會 64% 的財富（80% 的 80%）；然後再看最有錢的前 4% 的「超有錢俱樂部」中，同樣符合「80－20 法則」！

目前人類社會的財富分布，就符合這個奇妙的法則，在數學上，「財富數量」與「擁有這個數量的人數比例」會呈現「冪次律」（power law）特性，兩邊都取對數做成圖的話，會呈現一直線。

這個超級簡單的 TvL 模型到底能不能反應真實世界的狀況？由圖三看起來，它的確能重現財富分配「80－20 法則」的「冪次律」特性，所以模型雖然簡單，的確有抓到財富分布最重要的特性，也讓後面的結果具有說服力。

那麼，誰是這場遊戲的第一名？

因為人的位置跟事件的移動都是隨機、公平的，而才能高的人抓住幸運事件讓錢倍增的機率較高，所以最後的贏家應該是才能很高的傢伙吧？

很合理的想法，不過結果可能會讓你吃一驚：第一名的才能 T＝0.61，非常接近平均值，他最後手上有 2560 元，成長了 256 倍；而最慘的人居然擁有 T＝0.74 的才能，以常態分布來說，是排名在前 7%，或是 PR93 的強者。如果覺得只看第一名跟最後一名不準的話，就來看看所有人的成績分布吧！

從圖四可以看出來，以最高的 T＝0.61 那一點為中心，左右兩邊大體上是對稱的。看起來，才能高的人，真的好像不見得在這個「人生遊戲」終站到便宜！

那到底你將成為「人生勝利組」或是「魯蛇」，決定性的因素到底是什麼？答案是「運氣」。

就算資質平庸，抓住好運的機率稍微差一點，只要你在人生的過程中，碰上好事的機率比別人多很多，你還是可能出人頭地，成為頂尖人物。圖五清楚的顯示了這兩個人的運氣差多少：（a）第一名的人生，發生了八次幸運事件，而且雖然機率只有 61%，很幸運的也每次都掌握到了，而厄運則是一次也沒有！（b）反觀最後一名的人生，厄運連連高達 15 次，而且根據模型規則，毫無招架之力一次也躲不掉！好事只有發生一次，真想幫他寫個「慘」字……。

這只是一次的模擬，有可能只是湊巧出現這種令人意外的結果。別擔心，物理學家雖然頭腦簡單，做事情挺小心的，模擬個 100 次吧！然後看看每次的第一名的人的才能值的分布狀況，發現才能還是有差啦！但是並沒有很戲劇性的差別。拿到各次模擬第一名的人，平均才能值是 0.66，比起平均值 0.6 稍大一些，大概是「均標以上、前標未滿」的程度。100 次不夠，來個 10000 次吧！等於是 1000 萬個人生，得出來的結果差不多，10000 個「第一名」的平均才能是 0.667（圖六）。

看起來，才能高低對最後的結果是會有影響，但是頗為有限，運氣的影響大很多。而且，檢視才能比平均人高出一個標準差以上，也就是 T > 0.7，或是 PR84 以上的「秀才」，他們的成功率如何呢？這裡「成功」的定亦是，只要你在工作 40 年後，手上的錢不少於剛出道時（10 元）就可以了。天啊這標準也太低，不過在這種低標準之下，這些秀才的成功率也只有 32.05% 而已！人生真的好難！

看到這裡不禁覺得充滿負能量，大家都別再努力了，反正運氣決定一切……。

作者接著問，現實如此殘酷，政府能為我們做些什麼？

政府在挹注資源扶植科技研發、經濟產業等領域時，經常會有一種「菁英主義」思維：「我們如果把資源集中投給那些有才能的人，應該能夠得到更好的效果吧！」不過「才能」很難一下子看得出來，所以就變成「有才能的人應該本來就會表現得比一般人好，那就把資源給那些過去表現比較好的人吧！」

這樣的作法是正確的嗎？

於是研究者設計了一些補助辦法：每隔五年，就會有「政府資金」挹注給模型裡的 1000 個代理人，所以在整個模擬過程中，會有八次補助。補助的策略有幾種精神：

1. 齊頭主義：給所有的人相同金額的補助，皆大歡喜。實行方式：每次每人補助 1 塊錢、兩塊錢或 5 塊錢，三種方式補助 1000 人、八次的總預算分別為 8000、16000、40000。
2. 菁英主義：只補助表現較好（手中金額排名在前面特定比例）的人，表現差的人管你去死。實行方式：表現前 50% 的發 5 塊錢（總預算 20000）；表現前 25% 的發 5、10、15、20 元（總預算10000、20000、30000、40000）；表現前 10% 的發 5、10、20 元（總預算 4000、8000、16000），一共八種方式。
3. 折衷主義：前兩種極端方式的妥協，一部分的經費給表現名列前茅的人較多補助，剩下的給其他人平分。實行方式：前 25% 的人 5 或 10 元，其他人 1 元（總預算 16000、26000）；前 25% 的人 10 元，其他人 5 元（總預算 70000），共三種方式。
4. 亂槍打鳥主義：隨機抽取一個比例的人，塞錢給他們，用樂透來翻身的概念。實行方式：隨機選取 10% 的人給 5 元（總預算 4000）；隨機選取 25% 的人給 5、10 或 20 元（總預算 10000、20000、40000）；隨機選取 50% 的人給 5 元（總預算 20000），一共五種方式。

目標是「希望那些有能力的人（具體而言，就是 T > 0.7，比平均值高一個標準差），在政府的幫忙下，能夠好好發揮才能。」用來衡量這個目標的指標，就是經過了八個回合的補助，40 年後這些人「成功」（模擬結束後手上還超過 10 塊錢）的比率增加了多少。上面這些補助方式中，表現最好的方法是哪一個呢？

答案是前「25% 的人 10 元，其他人 5 元」，讓 T>0.7 的「高能力族群」的成功率，從沒有補助的 32.05% 一口氣提高到 94.82%，看起來很成功！幾乎全壘打！

不過總共要花 70000 塊，是所有方案中最貴的。相較之下，無腦式的每個人都發 5 元，也可以達到 94.40，幾乎不相上下，但是花費只需要 40000 元。也就是說，根本不用給名列前茅的人特別獎勵，成效也一樣好。

所以如果要看政府錢有沒有花在刀口上，要看的是「每花一塊錢，可以增加多少高能力族群的成功率？」也就是「效率＝（補助後成功率—補助前成功率）÷ 政府總預算」。用這個方式比的話，那個方案是第一名？

答案可能讓你跌破眼鏡，是最簡單的「每次每人補助 1 元」！總共花 8000 元，可以讓成功率提升到 69.48%，提升了 37.43%。剛剛拿第一名的方法，除以所花的錢後，績效也掉到後段班了，是 18 種方案的第 11 名。表現最差的是「表現前 10% 的發 20 元，其他人 0」這個極端的菁英主義方式，它的效率只有前者的 1／25，花了兩倍的 16000元，只提升了 2.93%，成為 34.98%。

事實上，所有的「菁英主義」式的補助，幾乎都是表現最差的。

如果政府經費充裕，總共要砸 80000 元下去，哪一種方法最好呢？模擬的結果顯示，還是「齊頭式平等」所有人均分表現最佳；第二、三名分別是「亂槍打鳥」隨機抽選 50% 的人平分、以及「折衷主義」表現前 25% 的人分掉一半的錢，其他 75% 的人分掉另一半。這三種方式的成績相當接近，都可以達到 96% 以上的成功率。

在這個極簡 TvL 模型下，齊頭式平等的補助方式表現最好，表示在「無法明確看出到底誰是高才能者」的前提下，「雨露均沾」才是讓才能高者出頭的最佳方式。不過作者也指出，在真實的世界中，拿到第三名的「折衷主義」方案，在人人有獎的前提下，給表現較好的人更多的鼓勵，可能產生激勵效果讓所有人更加努力，發揮更大的整體效果。未來若能將這個因素加進模型中，有可能會變成由折衷方案勝出。

這些結果，也呼應了本研究中的兩位物理學家在 2010 年獲得「搞笑諾貝爾管理獎」的題目（對，他們是第二次得獎了）：老闆要提拔下屬晉升主管時，不要挑之前表現好的，要亂槍打鳥隨機選人，團隊的運作會更有效率。

他們真的很喜歡亂槍打鳥……。

接下來要看的是「整體人口素質」的影響。如果由於完善的教育與職業訓練體制使得全體的才能值 T 都提高，平均值由 0.6 提升到 0.7 的話（標準差維持 0.1），這時候 100 次模擬的最強者的才能值，絕大多數都高於整體的平均值，而且金額也是也才能正相關，如圖八所示。也就是說，在整體人民素值較高的環境中，高才能者更有出頭的機會。

最後是「產業環境」，之前的模擬都是「好運」、「厄運」各佔一半，我們可以用較高的好運比率來代表高度成長的產業環境；而較高的厄運比率則是代表產業環境正在走下坡，才能平均值維持在 0.6。好運厄運的機率對所有的人都一樣，不過有趣的是，處在「高度成長環境」（80% 好運、20% 厄運）中時，對高才能者明顯有利（圖九（a）），但是在「產業江河日下」時，影響不太明顯（圖九（b））。

總結這次獲得「搞笑諾貝爾經濟獎」的研究，透過這個極度簡化的 TvL 模型模擬所告訴我們的訊息是：

1. 這個模型雖然簡單，但它能夠重現真實世界財富分布的「80－20 法則」，所以有抓到一些真實的經濟社會狀況的重點，不是來亂的。
2. 才能對生涯的表現有影響，但真正具有壓倒性力量的是運氣。
3. 政府如果想要鼓勵才能較好的人，期待他們有更好的表現的話，「想當然耳」的菁英主義（補助本來表現就比較好的人）是最糟糕的辦法，還不如齊頭式補助，或是亂槍打鳥式的補助。如果政府銀彈充裕的話，折衷式的補助成果也會不錯。
4. 整體人民素質提高，可以讓才能高的人表現更好，所以教育很重要。
5. 產業環境好，機會越多的話，也有助於高才能的人有好的表現。如果衰退的話，則是大家一起慘。

看到這裡，您應該也知道，作者雖然強調隨機事件、運氣的重要性，不過倒也不是就叫你跟阿姨說不努力了，以台灣的人民素質與產業活力來說，其實付出努力來充實自己的能力（提高你的 T 值），應該還是能夠讓你更有機會出人頭地的，還是多多加油吧！

更多有趣的研究，請到【2022 搞笑諾貝爾獎】