社會合作靠八卦？

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

間接互惠的要件之一：聊八卦

間接互惠（indirect reciprocity）的概念認為，受益者並不是直接回報給同一位利他的施恩者，而是會把恩惠轉給其他人。A 幫助 B，B 再幫助 C，C 再幫助 D，依此類推。於是，恩惠就能在社群裡傳出去，遲早也能回到 A 身上。種下的因，總有一天能得到最後的果。

而且這還能談到下一個層次：如果有個 Z，在 A 幫助 B 時，親眼見證了這件事，發現 A 是個慷慨的好人，他也會因為想和 A 建立關係，所以願意幫助 A。於是，就算這兩個人無法符合直接互惠所需要的「後會有期」條件，也能因為整個群體的利他行為而受益。樂於助人，自己就更可能得到幫助，至於那些不想幫助別人、只想貪小便宜的人，則是可能遭到懲罰或受到排擠。像這樣的間接互惠，是人類一種格外複雜的合作形式，需要兩項其他動物都辦不到的條件。

第一項條件是，不管互動雙方的行為是慷慨是自私，除了需要有目擊者親眼看到，還必須能把這項寶貴的資訊，分享到整個群體共有的資料池。也就是說，社群成員得愛聊八卦才行。如果大家都能知道某個人不值得信任、總是只接受別人幫助卻都不回報，等到下次這個人又碰上麻煩，社群成員就不會再伸出援手。

英文有句諺語說「騙子發不了財」（cheats never prosper），但不能說完全正確：騙子常常在短時間內還是能得逞，特別是在那些規模比較大、大家彼此比較不認識的社群；只是遲早仍然會東窗事發，讓自己名聲掃地。所以，想讓間接互惠的機制不被那些只想貪小便宜的人搞垮，聊八卦就是一個關鍵的必備條件，而且無論是營火旁、或是茶水間，人類實在是哪裡都能聊。事實上，相較於其他靈長類動物是用理毛之類的活動來建立關係，人類是以閒嗑牙、聊八卦取代了這些活動。

像這樣把個別成員的行為，拿來在社群裡大談特談（就像是一個由閒聊建立起的社群網路），就會打造出一套名聲系統，可用來判斷適不適合試著和某個人合作。某人對待他人慷慨大方，就能建立良好的名聲；老愛占別人便宜，也就會惡名遠揚，讓人知道以後可得敬而遠之。行為友善的人，其他人在未來幫助他們的機率也會比較高，於是在天擇的機制裡就能占點上風。所以說到頭來，仍是演化塑造了人類的心理，讓我們在意自己的名聲，聊八卦就成了確保大家別心存僥倖的機制。

在一個會聊八卦的社會裡，生活的第一守則就是要小心自己做的事；或者更重要的是，要小心自己做的事給別人的觀感。於是，人類社會也就成了一個人人都在猜測別人想法的社會——須推斷別人的動機與態度，評估自己的行為在他人眼中的樣貌，好維護自己在外的名聲。我們所謂的「良心」就是這樣的產物之一：內在的這股聲音，警告我們可能有人在看，要我們想想別人可能的觀感，好讓自己免受社會的制裁。

——本文摘自《人類文明：生物機制如何塑造世界史》，2024 年 05 月，天下文化出版，未經同意請勿轉載。

「欸欸你知道嗎隔壁班的雅婷又換一個男朋友了啦，而且看起來比她大很多歲耶！」

「我同事的弟弟的老公的姊姊的小孩，最近考上醫學系但又說他不想當醫生啦，現在的小孩吼⋯⋯」

你是個喜歡八卦的人嗎？根據維基百科上面的定義，八卦一般指的是閒言閒語、對他人說長道短，也常被用來代稱為演藝圈的小道消息、緋聞等。但如果讓我對八卦做名詞釋義的話，大概就是「關心身旁朋友身體健康感情糾葛工作學業順不順利」這種與朋朋間的正向交流（眨眼比心）。

身為一位喜歡與朋朋交流八卦的人，資訊的正確性就很重要了。但要怎麼知道這個八卦內容是真是假？今年（2022）搞笑諾貝爾和平獎用數學模型告訴你答案：人們傾向對想合作的人說真話，對不願為伍的人說假話。

講八卦到底有什麼幫助？

「我絕對不可能得到諾貝爾獎，這大概是我最接近諾貝爾獎的一次！」今年和平獎的得獎研究來自一個跨國合作團隊，成員之一的艾希特大學（University of Exeter）管理學教授 Kim Peters ，在接受澳洲科普媒體 COSMOS 訪問時說到。

在研究領域中，「八卦」的定義其實非常廣泛，只要我們跟他人聊到當事者，而那個當事者恰好不在現場的時候，就會被認定是在講八卦——這幾乎是我們每天都在做的事！但講八卦到底有什麼幫助？Kim Peters 說明，八卦其實可以幫助我們更了解社會環境。例如誰該相信、誰又是個騙子，這也對我們在社會互動中選擇跟哪些人合作、做出哪些行為而言相當重要，可以幫助人們更適應社會生活。

讓我們回到研究內容，雖然八卦對人們的社會生活來說很重要，但我們要怎麼在這個真真假假的花花世界中，知道八卦的內容是真、是假？為了分辨出八卦的真假、哪些人會對你說真話，研究團隊以經濟學中的訊號理論（signaling theory）、適應性相互依賴（fitness interdependence）為基礎設計了一個新的分析模型。

用訊號理論當基礎建立一個分析模型

先來談談什麼是訊號理論。假設今天有A、B兩個人要進行交易，A就會對B釋出一部分自己商品的內容，讓交易能夠順利完成；若是將交易的物品換成「資訊」的話，資訊提供者A就會對資訊接收者B說出這項資訊的一部分內容，以最大化自己最終能得到的效益。而「誠實訊號」（honest signaling）模型，則是用來分析在什麼條件下這種效益最大化可以導致誠實均衡（honest equilibrium），也就是B從A那邊獲取可靠的資訊後，可以反過來幫助A得到更多的效益。由於要完成一個八卦的最小單位是三個人——發出訊息的八掛者、接收者、被談論的目標，若是想分析真、假八卦與人際互動之間的關係，就不能直接挪用訊號理論。

為了建立分析模型，團隊還需要另一個理論基礎——適應性相互依賴，描述了生物體之間的相互影響。生物體之間適應性相互依賴的高低，能以利害關係指數（stake index, s）表示，這項指數能顯示一個人的適應度變化與另一個人適應度變化的相關程度。例如A、B兩個人共同工作以維持生計，那麼彼此之間的福祉就會取決於另一個人是否做得好。正適應性相互依賴（s>0）顯示個體對彼此的生存、繁衍有正面影響；負適應性相互依賴（s<0），則代表個體對彼此的生存、繁衍為負面影響；當然也可能有不存在適應性相互依賴（s=0）的情況產生，表示個體對彼此的生存、繁殖沒有任何影響。

結合訊號理論與適應性相互依賴，團隊假設八卦者會選擇一種八卦策略（說真話、說假話）以最大化他們的效益。而八卦者要選擇說真話、假話，又會取決於八卦者與接收者、目標之間之間的適應性相互依賴程度，這些原因共同組成了八卦三元組（gossip triad，圖一）。

在分析模型中套入四種不同的依賴關係

在模型建立好之後，團隊透過四種遊戲分析八卦者與目標、接收者之間不同的適應性相互依賴關係：

1. 獵鹿遊戲：共同合作，接收者與目標互利
2. 雪堆遊戲：共同合作，但只對接收者有利
3. 幫助遊戲：共同合作，但只對目標有利
4. 懲罰遊戲：有懲罰代價，以背叛為主的遊戲

實驗時，八卦者會決定對接收者說真／假八卦，接收者則會在遊戲中與目標互動。而透過模型分析，團隊發現八卦者能得到的效益以及他決定說真話／假話，將會取決於他與接收者、目標之間的相互依賴關係是正向或負向：

1. 當八卦者與接收者、目標的整體適應度相互依賴關係為正，這項合作對接收者、目標都有利時，八卦者會傳遞真的訊息（獵鹿遊戲）
2. 在對接收者有利的情況下，若八卦者與接收者的相互依賴關係比較高，那麼八卦者會傳遞真的消息（雪堆遊戲）
3. 在對目標有利的狀況中，當八卦者與目標的相互依賴關係比較高，則八卦者也會傳遞真的消息（幫助遊戲）
4. 由於懲罰會降低接收者與目標的效益，如果八卦者與接收者、目標的整體相互依賴關係為負，八卦者也會選擇誠實（懲罰遊戲）

若將上面的結果講得白話一點，你可以想成：

• 果果、千千、梅梅是好朋友（整體相互依賴關係高），如果千千跟果果說：「梅梅玩遊戲課金花了快十萬！」的八卦時，千千說的話大概是真的 ʕ •ᴥ•ʔ
• 可可跟安安很好（相互依賴關係高），但可可超討厭花花（相互依賴關係低），當可可跟安安說：「欸花花昨天上完廁所沒洗手！」的八卦時，就有可能是可可在說謊 ಠ_ಠ

所以說八卦真的有助於世界和平嗎？

Kim Peters 表示，人們「說謊」是為了幫助盟友、傷害競爭對手。當你是八卦訊息的接收者時，你跟八卦者的之間關係、八卦者與被談論者之間的關係是正向或負向，將決定他說的是真話還是假話。這項模型解釋了人們為什麼會選擇分享真／假八卦，而其實我們在生活中也常直覺性的應用這個概念去分辨話題內容的真假。

所以這項研究真的能幫助世界和平嗎？「我是覺得這有點誇大了啦！」Kim Peters 笑著說。雖然八卦有助於人們的社會生活、維持社會的良好運作，但畢竟也不是每個人都喜歡被他人在背後議論（尤其是那些假消息）。此外，我們也要注意談論八卦可能對他人帶來的影響。在未來，當有人跟你分享他人的負面訊息時更要記得採取保留態度，以避免自己被錯誤的訊息欺騙，而後又將假消息傳播出去！

參考資料

• Honesty and dishonesty in gossip strategies: a fitness interdependence analysis
• Gossiping for Peace: 2022 Ig Nobel prize winners, or losers?