8月中参观臺北国际自动化展。2026年参展活络，规模比2025年成长7%。走一圈下来，实体AI（Physical AI）、视觉语言动作模型（VLA）等字样充满会场，连展臺上的介绍都讲得一口流利的VLA。但是展示机器人仍在栅栏内以固定节拍重复同一个动作，引导对位的是贴在料架上的定位标签，组装线材前先用治具固定线端。展场的用词走在产品能力前，不难想像。但是眼前这些展示还在「自动化」（automation）范畴，离「自主性」（autonomy）还有多远？自动化的做法，是把不确定性从环境中移除。治具固定物件的位置，围篱隔开人的动线，逐点教导与离线程序编辑给定动作顺序，安全光栅与急停则用来降低异常状况下的风险。机器人因此能正确地重复工业动作。自主性的方向刚好相反。环境不动，改用系统本身去承受不确定性。剩下的意外，由备援人员介入。无人出租車（Robotaxi）算是自主性的先驱。Waymo在2026年2月揭露，约3,000辆车的车队，在線有数十位線上协助人员。车辆遇到状况，人员才介入。这不是盯著特定车辆，也不是線上代驾，但介入从常态变成例外处理，这一步花了十多年。數字世界的自动化是RPA（流程自动化軟件）。规则先订好，适合重复而固定的工作，没定义的状况就停下来。AI代理（AI Agent）则处理需要判断与例外的任务，自行拆解工作流程，在回馈机制下重新规划、重试或修正，那是數字版的自主性。这主要受惠于近来大型语言模型的技术突破，但是能在非结构化环境中通用操作的实体自主性，仍有相当距离。既然自动化做得好，为什么还要往自主性走？因为这可能是一次「典范转移」，不只机器人变聪明灵活，而且成本结构、竞争态势也可能改变。自动化的支出里，为单一场域做的工程往往占比高，每多一条产线就得多做一次。自主性把比重往系统本身移，前期重得多，包括导入与整合成本，但只要有一部分能跨场域重用，就有机会随规模摊掉。在少数场域，这样的转变已经开始浮现。送餐、仓储搬运与商用清洁的任务与环境高度相似，导入时的建图与流程设定免不了，规模通常远小于改造一条产线。同一款机器可以复制到下一家，按月订阅的方案也跟著出现，收费方式和SaaS类似。这几类还谈不上完全自主，虽然会自己避开走动的客人、重新规划路线，但让规模化成立的主要是任务相似。若跨场域重用的比重提高，以单一场域定制工程为主的价值可能被压缩。值钱的部分也可能往两端移动，一端是致动器、传动与力傳感，另一端是模型、數據与垂直应用的调校。自主性可以发挥的，比较可能是场域改造特别贵的地方。长期照护、医院物流、大型设施巡检、灾害现场，这些环境难以预先结构化，过去多半停在展示阶段。其中一些需求不是不存在，而是很难在传统自动化的成本结构下成立。自主机器人，还需要哪些技术突破？推论与长时序常被提到，专栏先前谈过。比较少被放在一起看的是接触、新硬件与评估。接触这一项的说法相当反主流。有研究团队在2026年提出，机器人操作之所以慢，是因为整套系统都为了「避开」接触而设计。方向应该倒过来，「Make contacts friends, not enemies」。这不只是加装力觉傳感器，可能要连硬件形态、规划重新考量。已经有团队初步实现。杂乱的环境里本来就不一定存在完全不碰的路径，于是让VLA先判断哪些东西可以碰、哪些碰不得，例如拨开布偶去拿遥控器可以，撞倒玻璃杯不行，再据此规划动作。灵巧手与触觉傳感这些新硬件发展较迟。视觉在模拟里已经可以做得很逼真，但一碰到东西就容易失准，形变、摩擦等物理特性较难掌握。电子皮肤与触觉模塊又是每一家一套规格，还没收敛。评估这一项问的是另一件事，怎么确认做对了，做错了又怎么改。Agent之所以成功，靠的很大一部分是评估验证。失败可以低成本记录、重播与复制，數字工作执行几千次也不会弄坏任何东西，错误看得见，也就修得动。实体世界没办法这样。机器人失败一次，坏的是真的东西，也可能伤到人，错在哪不见得留得下来。近年多数研究各自订一套评测流程、用自家的指标。能在真实场域中跨平臺收集、又被广泛采用的共同评测框架，仍然很少。既然实体失败成本高，确认就得挪到动手之前。世界模型受到期待，原因之一就在这里，先在模型里把动作预演一遍，可行再执行。回到展场。目前多数展示还落在自动化，这套做法仍在创造产值。接触、新硬件与评估不会同时被解决，「自主性」比较可能从某一个场域先突破。当某个场域被证实能以较少的定制工程规模化部署，生意的重心就有机会从逐案的定制与整合，转向可跨场域复制的产品。

物理学家闵可夫斯基（Hermann Minkowski, 1864~1909）曾以一句名言革新人类对宇宙的理解：「从现在起，空间本身和时间本身注定要变为阴影，只有两者的结合才能保持独立的实体。」他将时间与空间统一为四维时空连续体。尽管他于1909年逝世，未能见证人工智能的诞生，但他对高维几何与统一框架的洞察，对现代AI的数学基础与概念架构产生深远影响。闵可夫斯基启示我们，抽象集合可视为具内在结构与几何属性的实体。在机器学习中，數據往往存在于高维特征空间中，例如一张图片由数十万像素构成，可表示为数十万维的矢量。这些维度并非独立，而是共同形成一个连续且整体的几何空间。数据点在此空间中的位置与距离代表數據之间的关联性。这种观点促使研究者运用几何学、拓扑学与流形学习等方法，从高维空间中探索數據实际分布的低维结构。流形学习（Manifold Learning）的核心思想是：虽然数据存在于高维空间，但其本质结构往往嵌于低维非线性流形之中。AI的任务，正是揭露这些潜在流形，寻求数据的简洁几何表示。闵可夫斯基对距离度量的定义，也成为AI决策机制的数学基础。他提出的闵可夫斯基距离（Minkowski Distance），即p范数（p-norm），为衡量數據差异提供统一框架。当p=1时为曼哈顿距离，适用于特征维度独立的情境；p=2时为欧几里得距离，是聚类、分类与优化演算法的基础，用以计算两点间最短直线距离。在K近邻演算法中，AI便依此距离判断新數據点与已知样本的相似性。这种距离度量已成为AI中表达相似与差异的核心语言。在相对论的框架中，闵可夫斯基强调对不变量的追求，即在座标变换下保持不变的量，例如时空间隔。这一概念同样启发AI模型在面对旋转、平移或缩放等变化时仍能保持准确判断。例如，卷积神经網絡（Convolutional Neural Network）透过权重共享与池化层实现平移不变性，使模型能識別移动位置的特征；胶囊網絡（Capsule Network）则更进一步，尝试捕捉实体姿态，追求更强的视角不变性。闵可夫斯基开启物理学的几何化时代，也提醒我们：无论是物理的时空，或AI的特征空间，其深层真理皆隐藏于结构与几何之中。对当代人工智能研究者而言，他留下的不仅是数学工具，更是一种从代数思维转向几何思维的视野，用以理解高维复杂数据的本质。

最近一位在产业界的朋友跟我分享，这两年LLM崛起，对他们的产品研发帮助很大，团队还额外开发几个全新的代理人（Agent）。但他算了token花费之后很惊讶，一年下来的金额，已经比买下一整柜高端AI服務器还多。即将导入的大规模应用还会把用量再往上推，他也担心产业know-how送进外部模型。于是他们很认真地评估：是不是应该自己买（租）AI服務器？这不是单一公司的处境。一家美国叫车平臺业者原本鼓励各团队大量使用token开发，4个月后全年的AI预算就用完了。接下来就是设上限、个案申请，强制「配给」。配给不是因为变贵。同等能力的推论价格长期快速下滑，帐单却愈来愈大，这个机制本专栏〈Token帐单之后：AI运算架构的5层重组〉谈过。当时是推估，现在有实际的帐单可以看了。不过帐单变大本身不是买（租）机器的理由。先确认投资报酬率（ROI），再做工作分级与流程最佳化。剩下的工作如果用量持续稳定、數據不能离开公司、服务也不能中断，才值得自己拥有模型生产token。第一步是看ROI。所有变革都得先回答一件事，对企业改善哪些量化指标。常见效益是省下的人力与外包、缩短的交期，再往上是客户满意度、新营收与竞争力，最后都反映在毛利、甚至本益比上，本专栏〈AI改写的不是效率，也是毛利结构〉谈过这一层。第二步是把工作分级，依难度配上能力与价格相称的模型。可预测、量大、规格明确的任务可以不需要前沿模型，蒸馏出来的小模型、开放权重模型或较低端的API都能处理，单位成本可以差1~2个数量级，前沿模型留给真正需要深度思考的环节。第三步是工作流程的最佳化与迭代。工厂电气化初期，多数业主只是把蒸汽机换成一臺大马达，天花板上的传动轴照旧，产出的改善很有限。要等到每臺机器各配1颗马达、厂房不再绕著传动轴配置，生产力与弹性才提升。Agent接上现有流程，多半只是把原来的步骤做快一点，只有将工作流程重新规划过，效益才会显现。反过来说，帐单有相当一部分也是被流程设计出来的。几周前一位在美国AI原生（AI native）新创担任C-level角色的朋友分享，他们负责市场开发的只有个位数人力，年化营收（ARR）几个月内翻倍到数亿美元。这样的杠杆主要来自整套工作流程的改造，不全然靠买运算能力。有两类状况，值得付出溢价或是买保险。第一类是「敏感數據」：设计图、制程参数、客户规格等，本来就不宜离开公司。代理人能稳定接手的还是结构化程度最高的那一小块，其余得靠人帮补，工作切得愈长、步骤愈多，需要补的地方就愈密—规格、报价逻辑、内部know-how也就跟著提示词一起出去了。目前的折衷是先改写再送出，把敏感栏位换成代号，或用地端小模型把提示重写一遍。2026年一篇论文整理8种隐私保护方案，并实测其中4种可行方法及其组合。最严格的一组是地端分流加上遮罩与改写，可以把个资泄漏率降到0.6%，但程序码仍有31.3%外泄。个资有固定样式可以識別并置换，但是经验与判断散在整段叙述里，换掉几个名词隐匿不了。对产业界真正在意的那类數據，改写是减少损失（曝险），不是解方。第二类是「随时可用」。Token目前已逐渐成为产业的必需品，供应一中断，就不只是不方便。網絡断线、供应商停机、尖峰被限制用量，任何一项发生，产品研发就停摆。版本下架也是，供应商依自己的时程淘汰旧版模型，验证过的流程可能得重做。地端模型的能力比不上前沿，但它不会在某天早上突然不见。如果外部模型今天停3个小时，有多少工作会一起停，又有多少可以靠（较弱的）地端模型备援？到这里，才考虑自建。前面那家新创走的是租。买或租不是重点，重点是能不能取得自己调度的运算能力，让數據不必送进第三方前沿模型API，并由自己控制模型与版本。推论需求愈大、愈稳定，设备利用率愈高，自建的优势就愈明显。多数公司最后会是混用，量大又规格明确的留在地端，需要深度思考的仍然呼叫外部前沿模型。选择自建，机柜之外有不少overhead。机房、电力、散热还需要几组人：维运硬件的工程师、负责选型与微调的模型工程师、把服务接回既有系统的开发人力。这几种人现在都很抢手，养得起的中型企业不多。而且配置不是做一次就好，换一次模型就得重新部署、重新验证。硬件一买就是好几年，开放权重模型却几个月就出一批更好的，这个节奏落差是自建评估里特别容易被低估的一项。回到开头那位朋友。他们团队后来决定买了。在那之前，他已确认这两年的投入有可量测的ROI。帐单只是其中一个理由，真正让决定成立的，是有些产业know-how本来就不该送出去，有些工作一断线就停摆，加上他看得到未来2、3年的成长。换一家公司，同样一笔帐单很可能得出相反的答案。买贵了还算小事，难的是买完之后，需求长得跟当初评估的不一样。

HVDC （high voltage direct current；高压直流），是目前在AI數據中心当红的技术及产品开发的项目，不仅是NVIDIACEO黄仁勋所称的五层蛋糕的第一层，也是所谓电力即算力的具体实现。现今AI运算及信號交换的芯片，所需的电力是愈来愈可观。过去數據中心一个机柜，100 kw可以搞定。现在进展到至少300 kw起跳，可预见的将来会达到600 kw，甚至1 MW的机柜。所以过去由电力机房出来的240伏特（V）交流电（AC），可在机柜内做交流电力到直流电力的转换，然后供应低于1V的直流电压给吃电怪兽的芯片。由于每一机柜所需的电力急遽上升，这种架构已经无法提供足够的电力给这群怪兽，因为单一机柜无法提供足够的空间作此交流电到直流电的转换。因此云端數據中心的业者提出此高压直流（HVDC）系统概念，首先将电力转换部分，独立成为一机柜（称之为side car），与运算机柜拆开。这个电力机柜负责将240V的交流电力转换为800V直流高压电力，并输入到运算机柜。因为是800V的高压，可以大幅减少电流，因而降低电力传输的损耗。而之后在运算机柜内，只做高压直流电对低压直流电的转换，因此在空间上亦可大幅的缩减，所以HVDC达成數據中心内电力系统的最佳化。下一阶段在新设计的數據中心，就会开始将电力机房的输出直接采用800V直流高压电力，这样一来side car就可以进一步地省略了。然而在最近一次的功率半导体元件的国际研讨会上，一位知名的电力系统教授却大声疾呼说HVDC这个名词，在电力系统中已使用行之有年，指的是10万伏特以上的高压直流，800V的电压在电力系统只能算是低压（low voltage）。的确我查了一下，1,000V以下的电压在电力系统中，都是属于低压。有趣的是，这10万伏特以上的HVDC，在绿能的驱使下，展现另一波新应用。首先是离岸风力发电，风力涡轮机所产生的三相高压的交流电，是经由海底电缆送到岸上的电网。海底电缆的设计是三组同轴电缆线包覆在一起，在每一根同轴电缆本身，或是同轴电缆之间，都会形成电容效应，而电力在交流信號下（50~60 Hz），会因为此电容而产生充放电损耗，尤其对于长距离超过100公里以上的电力传输，此类的损耗加剧而造成实务上的不可行。因此长距离大电力的传输，HVDC使用超过十万伏特的直流电力成为具体可执行的方案，因为直流电力会因电容所造成的损耗极小。所以前任的经济部长曾提出，利用菲律宾吕宋岛所产生的太阳能电力，利用海底电缆传回臺湾，所使用的就是HVDC电缆的技术。同理HVDC亦可用于地下电缆长距离的电力传输。在陆地上的高压交流电塔，因为电缆都是金属裸露的，且电缆间有相当的距离，既使是使用交流电力，但因为电容效应极小，因此长距离的传输并不是问题。交流电网或是直流电网的传输，是一个已经争论上百年的议题，最初始是爱迪生拥护直流电而西屋主张使用交流电。但因为直流电不容易升压，使得每隔一段距离就得设立一个电厂；交流电的好处在于升降压都相对简单，使用变压器而且转换效率可以到达99%以上，所以才大量的普及。然而由于功率半导体技术的精进，包括使用GaN或SiC这类的宽能隙半导体，使得直流的升降压变为可行。基本上直流电力要经过半导体元件，转换为交流电力，经由变压器做交流的升降压，尔后再将交流整流为直流的输出。所以前后都比交流电多一道工序，因此电力转换效率上是差了一些。但是在100公里以上大电力的海底或是地下电力传输，HVDC已经具备商业价值。HVDC不论所使用的高压是800V或者10万V，都是在为提升电力传输效率做努力，受惠于半导体技术的发展，直流电力的传输，扮演愈来愈重要的角色。然而高压终究是相当危险的，我个人在当研究生时期，曾经瞬间地被400V的电压所电击过，那的确是个惊心动魄且毕生难忘的经验。

那口桶子其实一直都在，只是换了名字：办公室、部门、公司、产业。桶壁湿滑，桶口不高，理论上谁都爬得出去，但只要桶里不只一只，总有一只钳子会伸过来，把快要探出头的那只轻轻拉回原地。这不是谁的错，这是螃蟹的本能，也是人的本性。我在协助某些单位导入AI代理的时候应证这个道理。近期爆红的开源人工智能代理軟件（OpenClaw），官方标志是一只红色龙虾，中文社群常暱称它为龙虾或养龙虾。我借用这个意象，称我们导入的AI代理为小龙虾。牠不像螃蟹横著走、彼此牵制，而是纵向往前爬的生物，钳子不是用来拉人下来，而是抓住员工过去留下的痕迹：一份被遗忘的简报、一段藏在信件夹深处的谈判纪录，重新拼起来，让后面的人踩著前人的肩膀走得更快。照理说这应该皆大欢喜，前人心血被延续，后人的路被铺平。但抗拒的声音比想像中大得多。有人说工作会被取代，有人说不公平，也有人嘀咕自己辛苦累积十年的经验，凭什么让新人靠AI三天就学会。我一开始以为这是恐惧，后来才明白，恐惧底下藏著更古老的东西，那就是螃蟹效应（Crab Effect）。人们害怕的不是被取代，而是别人不须付出跟自己一样的代价，却能走到同样甚至更高的位置。那份我辛苦过、你不能轻松的心理，比任何技术风险都难处理，因为它不会写在需求文件里，只藏在会议室那句「这样真的好吗？」的语气中。娜塔莉波曼（Natalie Portman）在《黑天鹅》（Black Swan，2010）里饰演的妮娜，让我第一次在屏幕上看见螃蟹效应被拍得如此赤裸。这部电影里，芭蕾舞团的桶子比办公室更残酷，舞者的价值只能靠彼此的失败确认。竞争对手莉莉，由米拉库妮丝（Mila Kunis）饰演，既像镜子映照出妮娜渴望的自由，又像伸过来的钳子，让人分不清是帮助还是拉扯。电影呈现螃蟹效应最锋利的形式不是外敌，而是自己内心那只螃蟹，在快要蜕变成黑天鹅的那一刻，紧咬住原本的白色羽毛不放。回到那些抗拒小龙虾的员工，真正需要安抚的不是对技术的不信任，而是「我的努力」会不会被稀释的焦虑。于是我们换了说法，不说人工智能学习你的成果，而说它延续你的名字。每一份被抓取重组的數據都标注原作者，每次更快完成的专案都回溯致谢最初留下痕迹的人。桶子没变，但我们让爬出去的人愿意回头伸出龙虾之手，而非螃蟹钳子。我学到，桶子的高度可以改变。当一个人的成果能被看见、延续、感谢，他就不再需要靠拉别人下来证明自己爬得多辛苦。妮娜最后那句我感受到完美了，与其说是胜利，不如说是终于放下了那只缠斗一生的螃蟹。组织转型不是单纯技术问题，而是能不能让每一个人相信，桶子容得下所有人一起爬出去，不必把彼此拉下来，才能看见属于自己的那片天空。

2019年前后，一位在大型云端服务业者任职的朋友兴奋地分享：他们训练一个CNN模型处理单据文字識別，效果不错，但直接上线的运算成本太高，于是用「蒸馏」（distillation）训练出一个较小的模型来提供服务，发现还挺有效的。蒸馏一直是深度学习常用的策略之一，也称为师生架构（teacher-student）。用一个能力好的大模型当「老师」，训练另一个「学生」模型（不一定较小）。手上有没有原始标注數據，各有对应的做法。早期做法在2015年前后成形，最直接的是让学生去逼近老师的输出，不需要标注。后来加上「软目标」，或与原始标注數據一起用；也可以让学生模仿網絡中间层，不只看最后的输出。这套做法到今天仍在用，但搬的不只是模型大小，而是能力。我们近期的研究让老师看密集的3D点云、学生处理刻意稀疏化的点云，把两边的中间特征（理解能力）对起来，稀疏点云限制下的3D識別能力（机器人、自驾车）就被提升上来。到了大型语言模型，蒸馏的角色又不一样了。2025年初，一个开放权重的大型推论模型把自己的推论过程蒸馏进一系列小模型，有些的表现接近当时的闭源前沿模型。从那之后，能不能用前沿大模型训练出成本可接受的小模型，就成为大家瞩目的焦点。语言模型的训练，可以粗分成两大阶段。预训练（pre-training）吃的是海量文字，学的是语言结构与世界知识，可以说是让模型牙牙学语的阶段。后训练（post-training）教的是另一件事，模型怎么遵循指令、把话说得专业，把复杂问题抽丝剥茧处理好（推论）。需要的训练數據就是「一个专业的回答长什么样」，而前沿模型正好能生成这样的數據。所以蒸馏用在后训练特别直觉。蒸馏怎么做，开放权重的模型多半会披露在技术报告中。差别主要在老师给学生什么信號。最简单的一种是把老师生成的文字当教材。设定一批问题让老师（前沿模型）回答，收下来的问答就是训练數據，只要拿得到API，蒸馏就能启动。细一点的是让学生逼近老师在每个字上的机率分布，这需要模型权重。Google的Gemma连预训练都用蒸馏，后训练再从大型的指令模型蒸馏一次。近期较受关注的on-policy蒸馏又更进一步，让学生先用自己的方式作答、老师逐字批改。在数学竞赛题上，用约10分之1的运算量就能达到强化学习的水准。老师也不必只有一个或一定更大。已经有模型用上超过10个各自专精的领域老师，把不同专长蒸馏转移进同一个学生。把公司數據训进模型之后，原本的对话与指令能力常会退化，这时拿还没微调过的原始版本当老师，有机会把退化的部分教回来。但蒸馏并非总是有效：2026年的一项研究指出，老师与学生用同一批數據、量又足够大时，增益相当有限，數據稀少的领域任务才是它发挥空间较大的地方。前面谈的是狭义的蒸馏，老师与学生都是模型。把范围拉大，前沿模型也可以当成知识与數據的来源，协助标注甚至担任代理人（Agent）。过去要建數據集，得找标注人力、写规范、做品管，周期以月计。现在例行、量大的标注工作，部分前沿模型的输出品质已经堪用，单位成本也低得多，需要专家判断的领域当然还有难处。一种做法是让大模型直接提供监督信號。如低光源影像增强传统上需要成对的明暗影像当参考，训练影像不易取得。我们近期的做法是改用视觉语言模型（VLM）对影像内容的理解当引导，就能在没有参考影像的条件下训练，下游的分类与物件侦测都因此受惠。另一种是用大模型产生數據标注。我们建过一个电影理解的问答數據集，问的是角色动机与情节因果这类需要思考推论的问题，人工出题慢，也难维持一致品质。做法是让多个语言模型扮演不同的思考代理人，各自提问、互相检视与修正，再产出问答數據集。前沿模型直接担任數據标注的Agent。还有一种是把常识搬进训练系统。长时序的机器人操作任务难在中间没有回馈信號，我们的做法是先用语言模型把任务拆成不同阶段与所需动作，列出各阶段应有的物体状态，再让视觉模型依这套结构判断任务进度、建立奖励信號。这些过去要靠工程师逐条写进系统的常识，现在能从前沿模型（自动）取得。令人更期待的是，蒸馏有机会做出能力好的较小模型，把运算从云端往外移。对企业来说，较小的模型在部分推论任务上已逼近前沿，有机会在数张GPU的地端服務器部署。自建小模型也因此从构想变成可评估的选项：法务、财务、产业know-how这类信息密集又不宜外传的领域尤其明显。训练前沿模型的花费以数亿美元计，但能力一旦以API或开放权重现身，让小模型接近它的成本低了一到两个数量级。另一个方向是终端装置：手机、机械手臂、检测设备都可受惠于蒸馏。机器人的需求特别直接，它要在实体空间里實時执移動作，许多控制环节没有等待云端往返的余裕。高速产线的检测设备也一样，模型再准，跟不上产线节拍就用不上。使用大模型生成或标注數據再训练自己的模型，已经是研发的常态，前提是条款允许。前沿模型供应商的服务条款多半禁止拿模型输出去训练与他们竞争的模型，各家的界线并不一致。另一条路是改用可自行部署的开放权重模型，生成与训练都在自己手上，也避开數據外流。早年蒸馏搬的是識別模型的效率，现在搬的是语言、推论与常识。老师模型愈强，能搬的就愈多。

旅行来到了奥尔堡（Aalborg），一个位于丹麦北边的工业海港城市。在港口边矗立一座外表奇特的建筑物，地图上标示著Utzon Center。在好奇心的驱使下，进入馆内参观，才发现这是丹麦建筑大师约恩・乌松（Jørn Utzon），生平最后一件作品，与他的儿子Kim Utzon共同于2008年完成，而他本人也于当年11月过世，享寿90。奥尔堡是乌松成长的地方，直到18岁前往哥本哈根学习建筑。他最为大众所熟悉的是设计澳大利亞悉尼歌剧院，那座坐落于悉尼港口边，为世人所赞叹的多枚帆船造型的建筑物。然而在施工的中途，因为经费节节上升以及管理问题，地方政府暂停顾问费用支付，乌松愤而离去，终其一生他本人没有亲眼见过自己所设计的悉尼歌剧院。悉尼歌剧院是于1956年对国际征求设计图，共有两百多件设计图竞标。乌松以其独特的外型获得评审团青睐，当时他才38岁。然而对于几个巨大，对空开展的曲面屋顶结构，该如何施工却没有答案，所以评审团是押住在一个没有工程问题的解答，却是一个具有创意的建筑案上。获得了设计标，乌松的挑战才开始。首先是工程团队提出这些曲面是什么样的几何图形？因为这些曲面结构是需要在工厂内先预铸，然后再送到工地拼装完成，而预铸是得先设计模板。乌松本人是建筑设计师，而当时又没有先进的电脑辅助设计軟件，所以实际情况是建筑物地基已经打好，但还不知道屋顶该如何盖的窘境。直到1964年乌松与工程团队想出所谓的球面解法，就是在一个球形上，往下切出不同面积及深度大小的结构体，并将之立起来，就形成帆船布的预铸体。由于每一大小不一样结构体，都是在共一个球面上，有著相同的曲率，因此模板可以重复使用，同时也不必伤脑筋，去计算每一个曲面的几何图形。在Utzon Center内就有这种共球面的几何结构，供人们实际演练。据说这个方法是乌松在剥橘子的过程中想出来的，复杂的结构能够用简单的几何图形表现出来，是人类智能最优雅的极致。乌松的父亲是奥尔堡当地造船厂的工程师，所以他从小耳濡目染对于船舶的曲面造型，有著相当敏锐的直觉，这也表现在他其他的著名建筑物上。乌松于2003年获得普立兹克建筑奖（Pritzker Architecture Prize），这是相当于建筑界诺贝尔奖的荣誉。最近有2件建筑案吸引我的注意，一个是国内刚完工的淡江大桥，另一个是位于西班牙巴塞隆纳的圣家堂。淡江大桥是单塔不对称的斜张桥，桥墩的跨距又极大，也是个相当前卫大胆的设计。所幸在设计时，经由各式的工程模拟，已经证实在工程上是可行的，接下来是施工时所需面对，外在地质天候环境上的挑战。圣家堂是西班牙建筑大师高第（Antoni Gaudí），最为世人所关注的建筑物，高第非常善用不同的几何图形，因此施工难度相当地高。历经超过 140 年，2026年才完成最核心的耶稣基督塔外部。一个建筑物，若是谨守既有的工法来设计，将无法流传于世。Utzon Center内有一个房间，让访客使用乐高积木（Lego），来搭建自己想像中的建筑物。房间内并且陈列为数不少的创意作品。乐高也是丹麦所独特的设计产品，当我问AI，悉尼歌剧院与乐高积木的关联性，AI的回复令我非常的惊艳。它说，悉尼歌剧院是一个球面，创造出许多不同的帆；而乐高积木是，一个基本积木的接口，创造出无数不同的世界。

2026年入夏以来，台风与极端高温频繁进入新闻版面。放大到近几年，豪雨与干旱轮流上场，已逐渐成为常态。而理解、预报这些天气的技术，正逐渐转向AI。70年前，人类第一次用电脑做天气预报，把大气层切成格点，用物理方程序描述流体运动，交给超级电脑逐步求解。这套方法称为数值天气预报（Numerical Weather Prediction；NWP），至今仍是全球气象业的骨干。每次全球预报都要在数百万个网格上反复求解流体力学方程组。气象单位的标准作法还利用ensemble，同时跑多组条件略有差异的预报，用多个结果来改善预测品质。所以，运算是刚性需求，气象也长期是全球高效能运算（HPC）的大用户之一。AI挑战数值天气预报的成果，从2022年前后开始出现。Google DeepMind的GraphCast在标准评测的90%预测上，胜出欧洲中期天气预报中心（ECMWF）的主要数值模型。华为的盘古模型采用同样的數據驱动作法，论文估计其「推论」（实际预测时）速度比当时的营运数值系统快超过1万倍。2025年5月，微软（Microsoft）的Aurora再推进，在超过百万小时地球相关地球观测數據上预训练，再微调出空气品质、海浪、台风路径、高分辨率天气4个应用版本，在各自的评测项目上都优于现行的数值系统，其中5天台风路径预报胜过7个主要预报中心。2026年7月，Aurora的新版再加入能源、农业、交通等需要的预报项目，同时也公开释出模型权重（13亿参数）。ECMWF在2025年已陆续把自家AI预报系统AIFS的单一预报与ensemble版本，纳入每日例行预报的正式流程，与传统数值系统并行。美国国家海洋暨大气总署（NOAA）也在2025年12月部署AI全球预报系统，以开源的GraphCast为基础，再用NOAA自己的數據进行额外训练，其中传统物理模型与AI混合的ensemble，表现优于两者单独使用。70年来由超级电脑支撑的气象预报，目前是两套系统并行运作，而依NOAA的数字，AI版预报用的运算量不到传统系统的1%。但运算需求不会因此消失，AI预报每次起算，仍要靠传统系统把全球观测整合成一致的初始状态。成本差距这么大，是因为AI模型预报的方式与传统NWP大相迳庭。NWP的逻辑由物理定律出发，把已知的定律写成方程序，再用大量运算逐步推演大气状态。AI模型则从几十年的历史數據学状态之间怎么转变，不必在每次预报时重新求解完整的方程组，也不要求先理解背后的物理机制。作法上与语言模型从文本学结构、AlphaFold从序列与结构數據学规律相近。主要的运算成本落在预训练与微调，之后每次推论只要少量运算，秒级到分钟级就能完成。标的也不只有天气。传统地球系统预报由大气、海洋、海浪与空气化学等模塊串接而成，彼此交换信息，但各模塊有各自的數據、方程序与开发流程。Aurora则是同一个预训练模型微调出不同任务版本，学到的不只是天气，还包括地球系统其他层面的动态。有趣的是，原本集中在国家级气象机构的预测能力，正在往产业端扩散，变成可以自己部署、自己微调的一项基础能力。能源是最直接的例子。各主要市场的尖峰与离峰电价差正在拉大，數據中心与各类新增电气化用电的成长又推高尖峰，电网业者同时推动需量反应、时间电价与电网级储能，试著用各种手段把用电尖峰压下来。国际能源总署（IEA）估计，全球住宅空调贡献约600 GW的尖峰负载，但实际被调度的比例仍低。这些节能操作都得提前预备。需量反应得先通知用户，储能得决定何时充放，前提是知道什么时候缺、缺多少。而尖峰出现的时间与高度，相当程度由天气决定。空调只占全年用电约1成，却占了尖峰需求的3成；以印度为例，2024年气温每上升1度，尖峰需求就增加7 GW。太阳能与风电的出力同样取决于天候。我们多年来参与太阳能电厂的智能监控与发电量预测，与电力公司长期协作，台风前后那几天的发电量预测不确定性明显升高，也正是调度特别需要可靠信息的时候。NWP的维运要有超级电脑、實時观测數據整合与跨国观测站網絡，门槛一直很高。几个代表性模型的权重已经公开，推论的运算需求远低于传统NWP，用自有數據微调的作法也逐渐普及。能源、物流、农业、保险，原则上都有机会微调出贴近自身需求的预测系统。几个局限还待克服。目前已知效能仅限于评测基准上的统计结论，进入电网调度或供应链决策之前，仍需在具体场域验证极端事件下的稳定性。空间分辨率是另一个实际限制。以Aurora为例，分辨率较高的全球预报也只到约11公里，对初略天气型态已有参考价值，对太阳能光电场址层级的预测仍不足。臺湾多山地形往往需要公里级分辨率，还得再把粗网格的预报细化到局部地形，实务上这段差距目前多靠场址端的實時量测与在地數據来弥补。更根本的是，AI模型的训练數據来自历史气候，气候变迁正让极端事件的频率与型态偏离历史分布，这是所有靠數據学习的方法都会碰到的问题。同一套「基础模型」的想法正在往DNA序列、材料结构等领域扩散。地球系统不一样的地方在于，它的预测结果每天都得使用。语言模型出错，多半只是一段不可靠的文字。地球模型出错，影响的是明天的发电、用水与物流安排。其他领域的基础模型多半还在改变研究的方式，地球系统的模型已经进入营运现场，每天接受现实检验。

旅行到了丹麦首都哥本哈根，最想去的地方莫过于位于哥本哈根大学内的尼尔．波尔（Neils Bohr）研究所，这里是量子力学哥本哈根学派的发源地，也是量子力学奠基之所在。百年前全欧洲的理论物理菁英，汇聚于此架构出量子力学基本的假设及原理，除了波尔教授外还包括海森堡（Heisenberg）、包利（Pauli）、狄拉克（Dirac）、蓝道（Landau）等，每位都是诺贝尔奖得主。我曾在想，能够长时期汇集这些菁英，除了波尔教授本身的魅力外，一定还有来自其他方面的资助。果不其然，哥本哈根著名的啤酒制造商Carlsberg，就是波尔教授的长期赞助者，甚至在波尔求学时期就开始资助的活动。Carlsberg的創始人J. C. Jacobsen本身就是对于科学有强烈兴趣的人，他为了解决啤酒长期以来品质不稳定的问题，于1875年设立Carlsberg Labs，长期研究大麦内蛋白质含量，在实验室内分离并培养纯酵母菌株，使得啤酒的品质能被稳定的控制。更难能可贵的是，Carlsberg并没有申请专利，成果供同业共享。Carlsberg Labs应该是最早以私人企业设立的实验室，比贝尔实验室（Bell Labs）的设立足足早了50年，在科学史上也有诸多重大的贡献，其中影响最大的莫过于建立酸碱PH值的量测规范及方法，这是我们在中学化学实验课所必备的实验课程。2022 年诺贝尔化学奖得主Morten Meldal教授所创立的点击化学（Click Chemistry），绝大部分的工作是在Carlsberg Labs完成的。J. C. Jacobsen更在1876年设立Carlsberg基金会，将家族所拥有公司的股份捐给基金会，而每年的收益用以资助丹麦境内的科学及公益活动。以2025年为例，基金会共支助约50亿臺币，其中70%用于基础科学的研究計劃，計劃甄选的首要条件，必须是没有答案的計劃。刚谢幕的世足赛，挪威表现得非常抢眼，其中最令人印象深刻的是，挪威人在国会殿堂，在纽约的地铁，以维京人划船的动作为自己国家的球队加油。中世纪维京人分布在挪威、丹麦及瑞典，由于长期在海上航行的风险，造就维京人重承诺、守纪律及愿意分享的民族特性。这也是在参观完Carlsberg纪念馆，对于J. C. Jacobsen这位企业家，能将自己的财富回柜给社会，留下最深刻的印象。在波尔研究所入口处有座4个人浮雕，除了波尔教授外，另外三位分别是George de Hevesy，Aage Bohr（波尔教授之子）以及Ben Roy Mottelson，他们都是在该研究所完成杰出工作而获得诺贝尔奖。丹麦国家人口仅六百多万，在历史上已有14位诺贝尔奖得主的产生，除了科学外也有3位文学奖的得主。最近要培养国内诺贝尔奖得主的话题又拿出来讨论，这除了要有国家的资源外，我们是否有企业愿意长期支持基础的科学研究，尤其是没有答案的研究計劃？我们的学术研究計劃，在計劃书内通常都会有一项是预期成果，如果研究計劃还没进行前，就需要想到预期成果，不就抹煞原创性？没有答案的研究計劃，才是我们要培养诺贝尔奖级人才，所需跨出的第一步。

我小时候著迷于一本古典小说《镜花缘》，当中叙述的无肠国，让我感触良多。无肠国的百姓终日进食，食物入口却不消化，只在腹中一路穿行而过，徒留一具具永远饥饿的躯壳。这荒诞的设定，乍看是奇谈异闻，细想却像一则跨越两百年、专为今日而写的当代寓言。我们何尝不是这样的国民。清晨睁眼，短影音一则接一则涌来，手指机械地上滑，眼球贪婪地扫视，脑袋却空空如也。我们以为自己在摄取信息，实则信息只是路过，不曾停留，更不曾转化成血肉。生成式AI更把这条输送带推向极限：1秒消化一整本书，1分钟简化复杂争论。我们得到知识的幻觉，却失去咀嚼的过程，而咀嚼，正是理解真正发生的地方。无肠国人害怕食物空跑一趟，于是拼命进食，仿佛多吃一口就能留住什么。这与我们面对演算法时的心理如出一辙：害怕漏掉任何一则信息，于是不断点击、不断滑动，却从未问过自己，留住了又如何？那些经手的万千信息，究竟有多少真正住进了我们的思想里？绝大多数，不过是穿肠而过，什么也没留下。这个寓言残酷之处，在于提醒我们：消化本身需要摩擦、需要抵抗、需要时间发酵。真正的养分，不是那些滑顺溜进喉咙的东西，而是那些让你咀嚼到牙酸、让你皱眉思索、甚至让你噎住的内容。一首读不懂的诗、一个矛盾的命题、一段撼动人心却难咽的叙事，这些才是真正的精神粮食，因为它们拒绝被轻易吞咽。然而，AI最擅长的，恰恰是把世界磨成滑顺的糊状，削去所有棱角；而棱角，原本正是刺激思考肌肉生长的地方。人类的自救之道或许很简单，却也很奢侈。在AI能1秒生成10篇摘要的时代，选择用一整个下午读1首诗，让文字在体内慢慢发酵。在演算法只喂养熟悉、顺口的内容时，主动寻找陌生、别扭、令人恼怒的思想，因为正是这些摩擦点，才能锻炼出真正属于自己的判断力。在信息洪流催促我们往下滑的瞬间，学会停下来，把这一口真正嚼碎，让它痛、让它呛，直到它成为血肉的一部分，而不只是一个路过肠胃的旅客。无肠国人临终回望，吞下的食物堆积如山，却没有一口曾真正属于自己。这是何等荒凉的一生。我们身处信息更泛滥千百倍的时代，更该警惕这荒凉提前降临。终有一天，当数据河流干涸，演算法不再运转，能真正留在我们身上的，只会是那些被咀嚼、消化、转化成自己一部分的东西，哪怕只是一句话、一个念头、一次灵魂深处的震动。从无肠到有魂，这条路没有捷径，只有一种选择：在加速的时代里，固执地慢下来，做回一个会消化的人，而不是一具会进食的输送带。AI用极致的速度，替我们重新问一个古老而沉重的问题：你吞下的，究竟是滋养生命的食物，还是自我盲从的残影。