在商务往来中，互换名片是一种常见的礼仪。我担任几个县市政府的顾问，以及几个大学的讲座教授，因此拥有六七种不同身份的名片，在不同场合给予不同名片，偶尔拿错名片会让人尴尬。现代初次见面，若忘记带名片，或没有名片，有时会拿起手机说：「我们加个Line，WhatsApp，WeChat吧。」这有时让人为难，因为彼此尚不熟悉，加Line变好友可能会收到一堆不想接收的信息；已读不回又会被认为太高傲。实体名片虽然无法建立實時通话，但其运用方式有时更能洞察人性。如果在递名片时加注文字，往往蕴含微妙的玄机。早期的名片称为名刺或名帖，是参见达官贵人的敲门砖，因此有阿谀谄媚的表态。传闻清末孙中山（1866～1925）留学归国，途经武昌，投名帖谒见湖广总督张之洞（1837～1909），名帖内页写道：「学者孙文求见之洞兄」。张之洞心中不齿，认为籍籍无名的白衣儒生，不自量力，竟敢称兄道弟，于是在名帖背后书以一联，命阍人退还，联曰：「持三字帖，见一品官，儒生妄敢称兄弟」。孙中山看了不怒反喜，提笔覆以一联：「行千里路，读万卷书，布衣亦可傲王侯」，请阍人再传进去，针尖对麦芒地回敬张之洞。虽然印刷术早在宋朝时已发明，但民国成立前名帖几乎都是手书，手写名帖往往有拍马屁的花招。戏剧《精忠旗》第六折「奸党商和」描述秦桧的奸党何铸、罗汝楫、万俟卨一起拜谒秦桧，名帖上分别写著「晚生何铸」、「门下晚学生罗汝楫」，及「门下沐恩走犬万俟卨」，以示谦卑。何铸见了摇头叹息：「约定一样写「官衔晚生」，为何又加「门下晚学」、「沐恩走犬」字样？这样我又不济了！」在清朝官场，官小使用较大的名片以示谦恭，官大使用较小的名片以示地位。大官「赏」名片防止被用来招摇撞骗，会加注不能作别的用途。例如溥仪的英文老师庄士敦（Sir Reginald Fleming Johnston）的名刺，正面书「庄士敦」，背面则印「专诚拜谒，不作别用」。庄士敦用红色名刺以示身份。我到科技部服务后，签名也被制作成烫金红色名帖，逢年过节用得到，这对我而言，是奇特的经验。实体名片的文化会否改头换面，重现于今日的虚拟通讯軟件？而今日的通讯軟件结合名片和电话的功能，又会发展出何种新文化？这些都是值得思考的问题。

随著招募流程的两端逐步由AI代劳，一份履历能不能进入入围名单，可能取决于一个求职者完全不知道的因素：履历协作的模型，跟筛选履历的模型，是否为同一家。2025年底收录于人工智能伦理与社会研讨会（AIES 2025）的一份研究，就这件事进行系统性的实验。研究在控制履历品质之后，比较模型生成与人工撰写的履历在不同模型中的评价：当撰写与评审（模型）来自同一家，求职者进入面试入围名单的机率高出2成到6成；在多数测试案例中，同等品质的履历，模型对 AI 生成内容的评分高于人工撰写版本。研究称这个现象为「自我偏好（self-preference bias）」：语言模型会偏爱自己生成的内容，即使品质已被刻意控制。这份研究的实验场景，如今已贴近现实。HireVue 2026调查显示，逾7成HR团队已定期在招募流程中使用AI，近7成求职者也已用AI起草履历。一边用AI审、一边用AI写，已是现况而非未来情境。对坚持自己撰写履历的求职者，这意味著可能在不知情的情况下，仅因履历未经模型加工，就在评分上落后。这个现象，2026年6月有了更具体的面貌。AI工具比较业者i10X Research发布1份产业测试报告，让几个主流模型互评同一位虚拟求职者的履历，只换成由各家模型分别撰写的版本，再交给各模型逐一评分。这份报告来自产品行销背景的业者，非学术同行评审，但凸显相当现况。i10X Research的商业测试显示，各家模型的偏好倾向差异相当大：Claude对GPT撰写版本的录取率，比对自身风格版本低了约5成；GPT对自身版本的评分反而偏低，呈现反向的自我惩罚；Gemini撰写的版本不分评审者都受到青睐。在i10X的测试设定中，同一份文件由不同模型评审，差距可以大到足以让结果从「待定」滑向「淘汰」。这延伸原始研究对「模型风格会影响模型评分」的观察：不是每个模型都偏爱自己，而是每个模型都有自己的评分倾向，求职者完全无从得知评审偏好那套模型。AI评审的脆弱性，学术审稿已先凸显。2025年中起，多篇arXiv稿件被发现在PDF里藏进肉眼看不见的指令，要求语言模型审稿人给予正面评价，实验显示这类手法可以把模型评分推近满分。顶尖会议ICML 2026 把相同做法反过来用在稽核：在论文PDF嵌入随机词汇，若审稿人偷用语言模型代写意见，词汇就会混进评语；2026年3月公布的结果，逾500位审稿人被侦测到违规，其中不少人因身兼投稿审稿人，所投论文遭退件。这套攻守兼备的机制对B2B场景的启示在于：指令注入手法既是攻击面，也能作为稽核工具的设计基础。履历只是起点，影响不会停在这里。当企业流程的两端都开始由AI代理人处理，一端用AI起草报价、技术方案、法遵文件，另一端用AI筛选与评分，「用哪一家模型」会成为过去不存在的竞争變量——过去企业竞争的是价格、品质、交期；未来还可能竞争「模型兼容性」。机制尚未完全厘清，但有几种可能的解释。语言模型在生成内容时，似乎带有可被自家模型识别的「风格指纹」——句构偏好、用词分布、段落节奏。一个可能的解释来自后训练（post-training）阶段：RLHF、DPO等对齐训练以相同的训练目标，同时塑造「怎么写得好」与「什么算写得好」，风格与好恶因此一起被写进模型权重，评审模型可能因此将这些熟悉的风格特征误判为较高的内容品质。研究也验证，透过提示工程要求模型主动识别并校正自身偏好，偏差可下降5成以上；但这并非缺省行为，企业内部的AI评估流程多半还没有写进作业规范。把场景移到臺湾产业，有可能受影响的是自动化报价与RFQ初筛。试想：买方以AI从上百份供应商技术文件中挑出前段名单，供应商也以AI起草标案。若这套筛选以文本摘要或技术叙述做初步排序，而买卖双方使用的是不同家的模型，供应商可能在价格、交期等结构化条件被充分比较之前，就因文本风格不符模型偏好而落后。这个情境目前仍是推断，但随著AI在采购流程的应用逐步深化，陆续发生的可能性不低。供应商尽职调查与法遵审查也在其中——ESG报告、網安自评书，愈来愈多由AI起草、也可能再由AI审查，同源偏差的空间同样存在。需要说明的是，研究测量的偏差幅度建立在文本叙述上，B2B 采购里的价格、交期、认证等结构化栏位仍占相当权重，整体入选率不会直接受到相同幅度的影响。但只要评估流程里有任何一段是模型对模型读「叙述」，这一段就有结构性偏差。防御方向可能不复杂，但需要刻意设计。受评文件与评审模型最好不来自同一个模型家族；高金额或高敏感度的决策，应采多模型并行评估、考量评分差异；结构化數據与文字叙述分流计分，避免后者拉偏前者；可能暗藏内容的格式（如 PDF、Word）进入评估流程前，应做指令注入过滤；重要闸门保留人工抽查。这些不是技术突破，而是治理设计，目前产业界的 AI 导入多半停在工具层，治理层大多仍是空白。同源偏差以外，还有另一层问题值得思考：当评估流程由人换成模型，人类评审識別「少数亮点」的能力，可能也悄悄消失了。一百份履历里长得不一样的那个人，一百份提案里带著真实观点的那份文件，在倾向偏好熟悉风格的模型眼中，可能反而是扣分项。HR筛选、绩效评估、供应商评鉴、学术审稿，都面临类似的结构。如何在AI介入的决策流程里，刻意保留人类洞察的空间，目前仍是个开放的问题。

曼哈顿区聚集了金融巨鳄，到了周末更是人潮汹涌，在时代广场附近甚至连移动都有困难，这时到中央公园散步成为最好的选择。公园仿自然生态的森林、小河，在梧桐、松树、橄榄树不规则的排列中，在市区的中央公园，真的是纽约人最佳的休憩地。下午的計劃是到百老汇听歌剧，《The Lion King》已经公演将近30年了，在这出音乐剧中，我能感受到黑人演员为主的演员们尽情演绎非洲人快乐的一面。走在纽约街头最深刻的印像是，人潮由不同种族组成，不少是东方人面孔，偶尔可见穿著传统服饰的非洲裔，拉丁裔的美国人也可以试著从外貌猜出一二。歌舞升平是我对纽约的解读，光在中央公园附近就有七、八个博物馆、美术馆。征战国际顶尖市场　自助也得人助夜里，我在旅馆收看彭博（Bloomberg）的财经节目。73岁的主持人David Westin正在专访People Inc与几位媒体的工作者，询问AI对媒体业的影响。第二段的专访针对太空产业，他又访问了SpaceX的竞争者Launch on Demand的CEO谈美国的太空产业，以及中国的「太空丝路（Space Silk Road），这些题目，都不是臺湾常见的财经议题。David Westin年纪不小，依旧坐在录影机前侃侃而谈老一代人难以理解，下一代人很难清楚描述的新兴产业。老人家试著以智能挑动受访者的思绪，在对方不经意露出的破绽中找出些可以追根究柢的题材，好题材永远不缺观众，与主持人的年纪也没有太大关系。两位臺湾朋友帮忙，我穿梭于纽约Bloomberg与哥伦比亚大学的六个单位，从早忙到晚，中餐是Bloomberg随手拿的一根香蕉。Bloomberg对DIGITIMES专注亚洲ICT供应链，并能以自然语言答复专业问题的功能很有兴趣。至于哥大，我希望能善用臺湾产业优势，合作发展国际学程，并进一步成为国际市场新事业。Bloomberg成为DIGITIMES学习典范如果说DIGITIMES要找学习典范，那么Bloomberg就该排第一。在人工智能的非常时代，一定要努力成为「媒体走向新时代的先行者」，与彭博的互动，更坚信这样的看法。Bloomberg专注财经新闻，也善用AI等新工具，这是我最看好的媒体经营模式。除此之外在参加BlommbergCEOVlad主持的「Generative AI Forum」时，我看到他们涵盖的范围更广，面对的是全球关键的信息流、金流，纽约客面对的是全球市场，经营难度比我们高太多了！那么，44年来坚持高品质信息的Bloomberg，在AI新时代何处引人注目，又有哪些值得我们关注的经营理念呢？参访顶标公司，印证经营理念Bloomberg结合新闻、数据库、研究报告的三项优势，是标准的知识型服务公司，也与DIGITIMES的经营模式不谋而合。但我们只局限于半导体、亚洲的ICT供应链，与Bloomberg实力仍有很大的距离。但从顶流公司的经营策略、进度，可以知道自己离世界主流、顶标有多大的距离，也可以找到差异化的经营策略。Vlad在论坛开场时便说，所有的公司都在面对如何在AI时代寻找正确的发展战略。对信息提供与服务供应商最大的挑战是我们既要创造更多的信息，让使用者在最大基础的信息源中，以最好的效率得到最有价值的信息，这也是DIGITIMES强调「Insights with Speed」的精神。但就经营实务而言，信息成本愈来愈高，杂讯愈来愈多，哪些信息存在被积累的价值，这些每一件事都可能颠覆过去的想像。亦即，过去成功的经验可能是今日的负担。对绝大多数媒体而言，过去的荣耀、影响力正快速的衰减中，但彭博以专业社群为对象，提供其他公司难以企及的专业力、品质，现在再加上AI驱动的服务机制，很显然AI不是挑战，而是机会。回到臺湾，我脑袋里记得Bloomberg技术长Shawn Edwards的一句话，他说AI的大进化，让很多公司在前五个月，就花掉了整个公司全年的IT预算。大家应该超前部署，在应用过程中调整步伐，而不是继续等更好的应用方案。产业进步很快，我们没有喘息的空间。「Into workflow」是我们因应AI时代的经营法则，而「Governance」则是让所有投资得到回报的关键。Bloomberg Intelligence这个部门，在过去赢得了市场尊敬，仰赖的不是流量，而是被信赖的专业信息，而所有的信息专业与否，与读者本身的判断力、专业能力息息相关。史记商鞅列传曾说「民不可与虑始，可与乐成」，意思是政策有执政者的深度、远虑，与一般庶民百姓商议于事无补，但可以与他们共享成果。我们无法用这样的理论来杜悠悠之口，但也可以知道专业的信息很难与一般庶民大众共同讨论商议。「Portfolio Management」将会是Bloomberg规划事业的基础，他们也将不断的衍生出新的事业体，带进新的营收与成长空间。AI的价值就在于连结或区隔不同的领域，以最佳化的模式推演具有决策价值的答案。我们可以预期，未来当AI应用更趋成熟时，所有问题都会基于够复杂的假设才可以推演答案，经营者、团队、股东都必须做好专业的准备才能因应未来的变化。在真正进入成熟应用之前，99%信息都可能是「垃圾」，相对的投资一旦达到「Critical Point」前，价值只是逐渐推升而已，一旦过了门槛，就可能是指数型的成长，我们准备好了吗？Multiple Platforms Vs. Multiple FunctionsBloomberg技术长Shawn Edwards说，我们都很难预期AI会以这样的速度推进，现已进入到成熟应用阶段的AI商机，不会是泡沫，而是正在加速前进的新浪潮。由于多重技术同步发生，这也造成所有复杂的问题可以在更民主、多元的信息架构下得到好的解答。关键是这是正向螺旋，更多人用、更好的平臺都会加大产业对人工智能的投资，已经起步，并且走在轨道上的公司都有比较大的胜算。另外一个关键是好好使用Token，也创造更多的Token。鼓励员工在事业范围内使用Token，支付Token的钱。明确理解「Value capture」的机制是什么？我们也要了解现在「五个月用掉一整年IT预算」的机率大增，当我们发现AI的价值时，会不会果断的加码投资呢？硬件制造其实都是跟在軟件架构确定之后才开始的，硬件产品成为瓶颈的问题并未解决。找到更好的连结，让客户协助创造更多的优质信息，并且一起训练AI。就是B2B的商业与运作机制，不必讨好每一个人，但要有明确的定义、定位与定价。一旦定义出合适的市场，与同业或类同业有对比的异同差别，那么好的定位可以让您事半功倍，减少事业经营的阻力。Bloomberg的竞争对手是华尔街日报（WSJ）、经济学人（The Economist）吗？当然不是，他们针对的是高端财经族群，但内容规划不同，不同的定位区隔、减少了彼此之间竞争的关系，反倒成为上下游之间的客户。所以，未来知识型服务业在专业领域的信息丰富度、深度、广度都将成为被检视，以及拉开与竞争对手距离的关键要素。看似不同，但其实观念上是异曲同工的（Look different, but conceptually same）。一次近乎完美的纽约之行这是一次近乎完美的纽约之行，从臺北出发，扣掉飞机上与交通时间，整整一周穿梭于纽约不同的生活情境中。到康宁体会玻璃艺术之美，体验科技可以交错发展的极致。玻璃之美来自光影、折射、配方、形状，也来自工艺大师对于技术与美学的执著。科技大厂一定要在大城市里吗？您愿意用青春去换取在工作上绝对的成就吗？从玻璃到光纤有多大的想像空间，这件事跟臺湾有什么关系？出门在外，「美食」是生活上的重要慰藉，这一点纽约不让人失望。纽约也是美食之都，美食集中在时代广场附近，除了吃了Wolfgang的牛排、Hard Rock的大汉堡早餐之外，有一天早餐吃港式饮茶。我用一兰拉面洗涤亚洲人的肠胃，而昨晚几条街之外，一家看似酒吧的泰国餐厅里，竟然隐藏了美味直逼胡志明市独立宫前，我最爱的牛肉河粉。对一个一辈子从事产业观察工作的人而言，「学习」绝对是生活的一部分。Bloomberg是我学习的对象，一整个上午的论坛没有冷场，除了Bloomberg自己的CEO之外，其余都是AI相关专家，我们听到的是专业精髓，不是公司宣传。相较于摩肩接踵的时代广场，在曼哈顿北端的哥伦比亚大学校园不大，但到处流露出长春藤名校才有的文化气息，与我们讨论合作国际学程的教授Grace，带我们去附近的法国餐厅吃饭，也让我为纽约的美食加分。最后，留点空闲的周末时间，逛逛大都会博物馆。在纽约曼哈顿区，走路是最好的选择，逛完大都会博物馆，走路回旅馆，路上有很多街头艺术家，给他们掌声、留点小费，这个城市的旅游经验就很完美了！（本文为黄钦勇撰写，陈嘉慧整理）

保护全球的专利，是研发型企业的核心价值，也是对客户合作的承诺。2025年玻璃大厂康宁（Corning）提交了近400项专利申请，国际申请近1,000项，目前全球累积的有效专利高达约11,400项。知識產權、多元化布局与历史价值观过去在电信泡沫时代，康宁曾因过度依赖单一市场而遭受重创。这个惨痛经验让他们后来坚定执行「审慎多元化」的策略，借以平衡商业风险，并确保研发方向与更广泛的商业定位相符。透过现场参访多个核心实验室，我亲眼见证了他们的技术底蕴。在工程材料加工实验室，观察了研发熔炉与实际的玻璃熔融工艺，亲身体会到什么叫「实验室规模的量产模拟」。在光通讯实验室，深入探讨了光纤技术，以及当前AI浪潮下最关键的共同封装光学（CPO）趋势。从雷射可靠性设施，看到许多与半导体产业紧密相关的先进雷射应用与测试。而在新兴创新项目区，窥见了许多尚未正式曝光、面向未来的尖端研发项目。现场的实地演示，完美印证康宁的成功方程序：用实验室规模的灵活研发，加速向工业化制造的转化。这不仅加深了他们与客户在产品与制程选择上的对话深度，也为我们在思考跨国研发布局与长期技术投资时，提供了极具价值的标竿典范。玻璃的五千年历史　颠覆想像黄仁勋为何投资32亿美元在康宁身上？也许NVIDIA看到的是光纤取代铜线，以及散热节能的商机。但在人类的生活经验上，五千年历史的玻璃，从神权、君权时代，到文艺复兴、近现代的应用各有特色，也颠覆了我们原先的想像。在康宁人非常自豪的玻璃博物馆里，看见玻璃艺术的精华，体现在光与影的应用。玻璃之美，很难用文字形容。看似传统工艺的玻璃生成与裁切技术，玻璃经由不同的材料组合，产生不同的硬度、尺吋、形状与延展性，在多元无穷的变化中，我们当然看到了加入不同變量的素材，可以带来无穷的变化，而这些变化都是世界与科技演化的重要元素。重视研发的康宁，在发展过程中难免面对智财权被窃的案例，通常康宁会积极保护自己的研发成果，轻易和解，背离了康宁这类以研发能力取胜的公司经营法则。玻璃生产的第一个流程是从熔炉内倒入玻璃液，在冷却的过程中快速拿捏形状，这时相关材料配方、温度、熔炉设计，以及工匠的手艺与事前构思的形状都是企业的核心价值。如果我们没有基本的尊重，窃取每一个过程的配方或创意，当然可以让事业缩短学习曲线。技术窃取者最关键的弱点，是不经过研发过程的事业模式，对于产品与技术的进程不容易掌握，简单说就是「知其然，不知所以然」。玻璃反映君权、神权、人权演化　也照见康宁的独一无二玻璃与陶瓷，这两种无机物质最大的差异是玻璃透光且脆，而陶瓷通常不透明，但硬度很高。这两者在人类过去5,000年的历史中，存留了很多实体证据，与人类的发展史息息相关。从古埃及的建筑廊柱，到希腊罗马时代的玻璃瓶，文艺复兴时代教堂的彩绘玻璃，以及近代专为COVID-19（新冠肺炎）设计的疫苗专用瓶，我们看到了玻璃在生活应用上的各种可能，甚至我们可以理解玻璃应用从最初的君权、神权、人权的演化过程。君权时代的玻璃，满足皇帝个人的喜好，神权时代，工匠们透过创意、美学将彩绘玻璃之美扩大到极致。如果您有机会近距离观察彩绘玻璃，您可以发现彩绘玻璃是在多层次的透明玻璃中，找出色彩叠加与線上离观察之美。康宁是美国少数仰赖量产制造，仍然可以繁荣发展的美国企业，大中华区总裁曾崇凯说，康宁的高端管理团队中，不少人出身西点军校。美国GDP来自服务业的贡献，制造业仅占有10%，但类似康宁拥有顶尖技术的公司，不必与硅谷的公司对比，而是发挥自己的优势。一方面必须以全球观点建立生产的经济规模，再则就是告诉员工「康宁独一无二」。我也常说，如果您是市场领先者，不必在意市占率，而是重新定义市场，让竞争者看不到车尾灯。资本主义橱窗看宝岛　从纽约度量臺湾本色就在我出访纽约的那一天，我在臺北国际电脑展（COMPUTEX）的会场，主持光宝论坛，光宝总经理邱森彬亲自陪同我参观光宝专为AI服務器设计的电源系统。只看到背后密密麻麻的线路，我们可以明白，基于省电等多重考量，这个庞大的电源系统，不仅需要更好的稳定性、品质，所有的线路未来也会从铜线改变成光纤。除了康宁之外，我们还拜访了哥伦比亚大学、彭博社（Bloomberg），我们能跟他们谈什么合作呢？纽约街头有各式各样的人种，印象中脏乱的中央车站与周边的百老汇（Broadway）、林肯大道已经大幅改善，路过NASDAQ，有人正准备敲钟，应该是一家游戏軟件公司，很多人把NASDAQ敲钟，视为事业经营的里程碑。纽约是资本主义的橱窗，这里离臺北很远，我们可以拉近距离，或者根本保持距离，维持臺湾的本色与核心优势呢？（本文为黄钦勇撰稿，陈嘉慧整理）

前言2026年5月，DIGITIMES英文版访客已经达到307万人次的新高点，这个数字大约比2022年9月时的75万次多了大约4倍。彭博社（Bloomberg）与康宁（Corning）总部都有很多我们的读者，我因此受邀，也趁著这次访问纽约的机会，到哥伦比亚大学洽谈以臺湾半导体业资深人士为班底，共同开设国际半导体学程的可能性。在康宁看到材料工业的各种可能离纽约市区200英里远的纽约上州，有一座以康宁命名的小镇。1851年诞生的康宁，原本创办于纽约的布鲁克林区，因为遭遇祝融之祸，远在200英里外的康宁镇，以水陆交通要地的条件吸引康宁来此落脚，现在这个7,000多人的小镇，多数仰赖康宁生活，也干脆改名康宁。这家以玻璃工艺著称的公司，在175年的发展过程中也不是一帆风顺。除了一开始的祝融之祸外，網絡兴盛之初，大家看好「光纤到户」的商机，康宁加码投资，但在光纤被戏称为不亮的光纤（Dark Fiber）之后，康宁在资本市场暴跌。2008年金融海啸期间的股价不到10美元。康宁大中华区总裁曾崇凯说，那时真的有做白工的感觉。但多年来，每年保留一定研发预算的康宁可以创造出多大的可能，而与亚洲供应链之间的关系，在光通讯可能成为数据传输解决方案的新时代，可不可能有结构上的变化呢？所罗门园区：研发与制造的完美融合了解康宁的全球研发（R&D）结构与运作模式，让我对这家百年企业的创新哲学有了更深层的体会。在长期投入研发的过程中，康宁也淬炼出更明确的经营哲学，并强调「实验室与量产制造的整合」、「与客户深度协作」，以及「对基础研究与知識產權（IP）的长期守护」。参观所罗门园区（Solomon Park）时，让人震撼的是整体的规模与功能设计。规模与运作：整个园区占地高达200万平方英尺，里面容纳了将近850个实验室，他们把材料研究、制程开发、试点制造（Pilot Manufacturing）和后勤支持完美融合在一起。人才密集度：现场除了管理高层，还有500多位博士科学家与技术人员，建构出一个能做到端到端（End-to-End）技术与营运执行的强大团队。核心优势：专门的「研发熔炉」等特殊工具，意味著科学家在测试新的材料配方时，可以直接进行接近量产环境的试验。实验过程中，不需中断现有的生产线，不仅大幅降低研发成本，更缩短了技术从实验室走向规模量产（Scale-up）的时间。这种按照专长能力（Capability）编组的设施，目的就是让研发人员在「第一天」就把制造可行性纳入考虑，有效解决研发与生产端常见的交接断层，并促进跨职能解决问题。在正式参访研发基地之前，已经先在康宁的博物馆见识到玻璃应用的多种可能。康宁博物馆中展示的玻璃，让我们看到玻璃依靠著光影，折射展现出不同的美感。何谓美，「审美」就是在看似相近的物体中找出些微差异的能力，技术的研发不也如此吗？如果只是从中撷取部分段落的技术，不仅伤害原创者的价值，长期而言对于使用者、社会也是个伤害。对康宁而言，原创技术是公司存在的核心价值。如果我们知道发明光纤的时间是1970年，从1970年迄今的55年，如果没有企业长期支持，对核心价值与文化的坚持，光纤不会成为今日大家关切的焦点。全球研发網絡与区域分工2000年前后，光纤到府（FTTH）的浪潮吸引了康宁布下重兵，抢攻光通讯的商机。但事与愿违，刚过千禧年的世界，还没有准备好用光纤传输大量的数据。如今才在人工智能快速普及的大环境下，让光纤再度成为众所瞩目的焦点，康宁也在NVIDIA注资32亿美元的加持下，在资本市场中，从金融海啸时的谷底，强力翻扬。当然，这并不意味著营收、获利也等比成长，康宁如何布局，才是产业界应该关注的焦点。康宁的研发并非高度集中在单一据点，而是以不同的战略定位，在全球9个研发站点分散式管理与推进。例如区域性的专业研发中心，蒙特娄、芬兰和印度侧重于「建模与物理中心」，法国枫丹白露则是「跨能力实验室」。一部分研发中心考量邻近客户，刻意将「区域工程中心」设立在靠近制造工厂与客户的地方。这样的好处就是能實時导入新制程与新设备，并以最快速度解决工厂和客户特有的痛点。核心集中：像上海、韓國等站点负责协调区域能力，但大规模玻璃熔融这类核心技术，依然高度集中在少数特定的核心据点。创新漏斗：康宁的创新起点，源自无数个微小的点子与探索性实验。随著技术、市场或优先顺序的转变，很多概念在过程中会被淘汰。他们认为，成功是建立在对材料、制程和产品理解的层层递进。康宁每年在研发与工程的投入高达10亿美元。其中约80%的资金专注于现有业务的近、中期工作（确保眼前的商机），另外20%则坚定地分配给长期的探索性基础研究。基础研究的「守护者」：大家都知道长期基础研究成本很高、风险大，在当前许多企业纷纷缩减这类投入的盲目风潮下，康宁却把自己定位为这笔投资的「守护者」。历史证明，这些沉淀下来的基础知识具有差异化优势，能在未来的数十年内、在不同的领域被反复重组与利用。完备的知识管理：康宁严格执行「内部技术报告」的撰写。即便是失败、没有走到最后的项目，所有实验数据和汲取的教训都会被完整记录下来。这样一来，过去的失败经验就成了未来研究的养分，可以避免后人重蹈覆辙，也能基于前人的基础继续堆叠各种Know-how。（本文为黄钦勇撰稿、陈嘉慧整理）

前两个時代的机器人发展，安全框架的设计前提都是「确定性」。第一代被锁在栅栏里执行固定动作；第二代走出栅栏，但沿著预先规划的路线移动。不论哪一代，系统在特定输入下会做什么，工程师都能事先预测，安全标准也是在这个前提下建立的。第三波机器人的期待是「自主性」，能在非结构化环境中做判断、应对未曾见过的情境。但自主性本质上隐含「不确定性」，而这正是现行机器人安全框架从未真正处理过的问题。这个矛盾在近期的产业与学术会议上，被业界与研究机构众人独立点出，并从不同角度收敛到3个层次的问题。第一个问题：停机不等于安全。最具体的观察，来自一家德系安全运动控制厂商。传统工业机器人的安全设计，缺省「静止等于安全」的前提，这个前提撑起 ISO 10218 近二十年。问题是，双足机器人停下来之后，危险并没有消失。一臺高一百七十厘米、重七十公斤的机器人，静止状态的重心控制比传统机器人复杂许多，更重要的是它可能倒下。该厂商的工程师指出，现行安全停止计算框架尚未涵盖双足机器人的倒落风险；若要补入倒落半径这个變量，整条公式需展开为7个變量的加总，涵盖倒落区域、人机趋近距离、制停距离、傳感器侦测范围，以及位置与状态的不确定性。一家欧系车用MCU大厂在ICRA 2026的产业场次，从半导体驱动IC角度独立量化「安全停机（STO）」的5个根本局限：无法控制减速中的肢体运动、无法抵抗重力导致的倒落、无法跨关节协调出安全姿态、无法在故障时提供力矩回馈、无法处理局部失效的连锁反应。同一场次，一家德系协作机器人厂商明确表示功能安全认证已是部署前提而非事后程序。3个产业背景，同一个结论：停止，不是安全状态的终点，而是另一种危险的起点。延伸报导专家讲堂：ICRA 2026观察：如果机器人开始刮你胡子了第二个问题：测试基准的缺席。德国Fraunhofer IPA，欧洲大型应用研究机构之一，购入一臺市售机器人，用自行建立的66项评估框架跑完第三方测试。结果显示：手臂在中等负载下不到2分钟就过热关机；碰撞力测试结果超过500牛顿（N），明显超出ISO/TS 15066对多数接触场景的规范范围；蓝牙连线存在安全漏洞；机器人持续将數據传回厂商服務器，且未见于任何说明文件；电池续航不到2小时。这些问题有赖第三方主动测试才得以浮现；现行规范并未要求厂商揭露。展场上看到的，都是精心设计的成功展示。第三个问题，也是最难处理的一层：VLA让安全评估框架的根本假设失效。传统安全框架依赖「风险可被量化」的假设，识别危害类型，估算发生机率、暴露频率与伤害程度四者相乘，得出危害评分。ADAS产业对这个框架的局限早有认识——感知模型即使按设计运行，仍可能在特定情境下输出危险决策，SOTIF（ISO/PAS 21448）正是为此而设计，专门处理「预期功能本身的不足」。但即使如此，ADAS 的操作场域相对受限。延伸报导专家讲堂：VLA（Vision-Language-Action）机器人的新智能引擎SOTIF的长尾问题至今仍未完全解决；VLA机器人的操作环境远比道路开放，连SOTIF也难以直接套用。因应这个困境，目前出现2条技术路径：建立不信任主控制器的独立安全监督层，以及在每个关节配置具备功能安全认证的MCU，让安全判断发生在关节层级。两条路径底层逻辑一致——用确定性系统监督非确定性系统——但都尚无正式认证，各自在等标准追上来。这不只是工程问题，也是法律问题。前美国消费者产品安全委员会主席Elliot Kaye在Humanoids Summit提出的问题很具体：当机器人在工厂伤害工人，责任在制造商、操作者，还是AI模型开发者？自驾车产业已提前示范安全事故如何反向改变监管态度。2023年Cruise自驾车在旧金山发生牵涉行人的交通意外，整个部门被迫停止运作，一次事故让整个产业的发展付出代价。机器人在工厂伤人，法律环境只会更复杂。Kaye指出：赢得部署竞赛的，不是最好的展示，而是最快通过买方法务审查的那一家。谁在定义标准，谁就在定义市场的进入条件。工业机器人时代已有前例：ISO 10218的主要起草机构，都是在这个市场有长期积累与部署数据的业者，后进者即便技术赶上，标准解释权仍有落差。机器人功能安全的对应标准目前尚未成形，但很可能在2028到2030年之间建立起来。今天各方关注的是谁能做出最好的机器人；几年后市场真正竞争的，可能是谁能最快证明它足够安全。

过去十年，全球投入实体AI（Physical AI）与机器人新创的年度创投金额，从几亿美元的规模成长到接近250亿美元，是10倍以上的成长曲线，集中在最近这几年。这个数字背后，隐含著一个更早就存在的刚需：主要经济体的工作年龄人口持续下滑，如日本到2050年代将只剩2000年的6成左右。但「Physical AI」这个词底下，到底蕴含怎样的机会，是否真的对得上那条人口曲线所描述的缺口，值得拆开来看。机器人产业并不是第一次站上资本聚光灯下。Bay Area Robotics Association执行董事Terence Bennett在东京Humanoids Summit 2026把美国机器人产业的发展分成3波：第一波在1960到80年代的底特律，靠的是汽车产业的资本支出，技术堆叠是机械手臂、焊接、涂装、围栏工作站；第二波在2005到2024年的波士顿，协作机器人与移动底盘从DARPA的早期投入走向仓储物流的商业应用；第三波从2024年开始在硅谷展开，资本来源从纯軟件的创投，开始大量流入需要与实体世界互动的公司，技术堆叠变成基础模型与VLA，操作被当成一个学习问题，而不是程序设计问题。Bennett用一句话概括这个转折：「The model, not the mechanism」；前两波靠的是把机械做得更好，第三波靠的是把模型做得更通用。前两波对生产力的提升，其实是扎实且持续的。第一波的机械手臂解决的是一个被严格限定的问题：在固定场景、缺省路径、封闭围栏里，把单一任务做到极致，速度快、精度高、正确率极高，至今仍是全球工厂的骨干。第二波的协作机器人与移动平臺把能力范围扩大一截，机器人开始可以在人的旁边工作，也开始可以自己移动，但移动的前提仍是预先规划好的场域：固定路径、格状地板、不允许外物进入。这两波做出来的，本质上都是「feature robot」：功能集合不同、精密程度不同，但共同特征是在一个被定义好的框架内，把功能做到接近完美，就像feature phone把通话品质与待机时间做到极致。第三波想做的是「smart robot」。本文暂且将smart robot定义为：能在未完全预先定义的环境中，自主感知、规划与执行任务，并具备持续运作能力；若以商业部署标准衡量，连续运作10小时以上是一个可观察指标。feature robot的成果，现在仍在持续发生，而且规模比多数人想像得大。服务场域里，已经有不少高端餐饮业者让送餐机器人负责外场的搬运与行进路线，把服务人员的时间释放到桌边互动与品质把关上，机器人做的是「移动加搬运」这个被切得很干净的子任务，人做的是需要判断与温度的部分。物流场域的规模更大：某全球电商在超过100个仓储中部署逾100万臺自主移动机器人，搭配相当规模的人力协作，每天出货超过1,000万个包裹。这些机器人跑的是预先铺设的格状地板与固定路径，不是在开放场域中實時感知与决策，但这套组合已经支撑全球规模最大的物流網絡之一。feature robot这条路径没有过时，它仍在创造实际的生产力。那么，第三波到底想往哪里去？要回答这个问题，与其直接猜测时间表，不如透过几组对照，看清楚哪些系统设计、哪些技术重心，是真正属于第三波、而不是前两波的延伸。第一组对照是机器人与电动车，两者在供应链结构上有明显的重叠，致动器、磁铁、电池材料的供应路径高度相似，电动车产业10年来建立的制造能力，正在直接转用到机器人零组件上。但硬件基础齐备，不代表问题已经解决。电动车本质上是换了动力系统的交通工具，驾驶这件事人类已经做了上百年，技术积累可以直接沿用；机器人面对的问题更底层——「什么是正确的动作」本身就需要重新定义，这是一个泛化问题，难度比电动车高了一个量级。电动车的感知目的是避障，机器人的感知目的却是接触与操作，必须碰得精准。前两波是靠缩小场景范畴解决「碰得精准」的问题；第三波要在开放场域中做到同样的精度，硬件已经不是瓶颈，瓶颈转移到模型能否泛化这一层。这个差异也解释为什么电动车的商业转折点已经发生，而机器人即使资本大量投入，距离大规模商业转折点仍有一段距离。过去60年机器人的成功，建立在同一套技术逻辑：尽量拿掉场景的不确定性，让机器人在规划过的环境里，把固定任务做到接近完美，重复定位精度早已解决到亚毫米级。第二组对照正是Physical AI与第一波的工业机器人：Physical AI想打破的正是这个前提，在开放场域、动态环境、没有预先定义的结构下仍能完成任务。这也是为什么今天大多数所谓「自主机器人」的成功部署，骨子里仍是工业机器人的逻辑：先把问题范畴缩小，再宣称已经自主。把这几组对照放在一起看，会发现一个熟悉的历史节奏。在smartphone出现之前，有线电话、大哥大、feature phone已经把通讯这件事做得相当好，通话清晰、待机时间长，把一个被定义好的功能做到极致。2007年smartphone的出现，并不是让通话变得更好，而是打开了一个原本不存在的维度：应用生态、随时聯網、装置成为平臺。feature robot这十几年的成果，如同feature phone的那段历史：扎实、有效，但运作在一个被定义好的框架里。smart robot现在仍处于那个框架被打开之前的阶段，资本市场涌入的250亿美元，期待的正是这个打开的时刻。第三波若真的成立，价值重心可能逐渐从机构件移向感知、运算与模型能力——这个分岔对臺湾供应链不是抽象问题。延续Bennett「the model, not the mechanism」的框架：当机器人的价值重心真的从机构转向模型，臺湾过去在精密机械组装、马达齿轮上的优势，会如何转化？智能手機时代给过一个参考答案：当产业价值逐渐向操作系統、生态系与平臺集中时，价值未必留在制造规模最大的地方，而是留在最能定义产业规则的位置。

今日的电脑功能强大，可以翻译不同的语言，在生成式人工智能（如ChatGPT）的加持下，更有可能达到艺术的境界。过去人工智能技术不成熟，如果翻译只是一对一的逐字代换，那么写个程序就可自动翻译。然而，语言不会如此轻易被掌握，因此早期的翻译軟件经常会出现荒腔走板的情况。二十世纪初期翻译理论的代表人物加塞特（José Ortega y Gasset, 1883~1955）从哲学角度审视翻译，将翻译的思维建立在研究人类语言和思想的基础上，提出「翻译的不可能性和可操作性」理论，让我感到非常困惑。用白话文说明，意指: 「翻译是不可理喻的。」套用信息领域的术语，翻译是Context-sensitive的，甚至会受到不同文化的影响，因此早期市面上的翻译軟件效果不佳，最终仍需要依赖人工。ChatGPT的功能强大，推动翻译軟件的进步，能够提供高品质的翻译服务。到底要如何翻译才恰当呢？严复（1854~1921）在他的著作《译例言》中提出「信、达、雅」的翻译标准，成为后世翻译的圭臬。对于「欧（英）翻中」，傅斯年主张直译欧文句法，甚至最好是「字字对译」。这不仅为了翻译内容，而是要接受「欧洲先进思考方式」。1980年代，臺湾大学外文系教授颜元叔某次到香港参加比较文学会议，提出主张，认为既然「英翻中」是「字字对译」，那么「中翻英」自然也应该「字字对译」，这样才是对等的文化交流。他这个主张让在场的一群主张欧美文化优越论的学者挂不住脸，差点闹得不欢而散。ChatGPT已经能够将中文白话文翻译成很好的英文。那么文言文呢？我在物联网平臺IoTtalk上开发许多互动艺术的应用。例如PuppetTalk，可以用智能手套远程控制布袋戏机器人偶。我在英文期刊发表一篇论文[1]，在第一段文章写了一首七言绝句的打油诗:「 掌中乾坤有谁知，演戏疯来看戏痴；人生好比布袋戏，曲终人散乐自知。」期刊编辑要求要附上英文翻译，令我挺头痛，勉强翻译为:「Who knows the world of possibilities held in a palm? Actors and audiences both obsessed; Life is like the puppet show, The music stays as a joy even after the play ends. 」我很好奇地以ChatGPT翻译，在几十秒钟内得到：「Who knows the secrets of the world in one's palm? Acting crazily, come watch the show like a fanatic. Life is like a puppet show, when the music ends, people scatter and only the musician knows the joy.」翻得还不错，但最后一句的意思全错。我又以IoTtalk发展出FlowerTalk，镜子有含苞待放的花枝。当人面对镜子微笑时，镜中就会开花。于是发表一篇英文期刊论文[2]，用了「拈花微笑」的典故：释迦牟尼在灵山讲解佛法，手持鲜花示范。然众人茫然，不解其精要。只有维摩诃迦叶露出微笑，释迦牟尼于是将心法传授给了他。我的文中写了一首五言绝句的打油诗：「微笑乞花开， 物联通心怀， 妙法有知否? 拈花问如来。」很简略的意译英文为：「Smile triggers blooming, IoT connects people’s minds, and you can pick up flower to ask Buddha for answer. 」我以ChatGPT翻译，很快得到：「Smiling, I beg the flowers to bloom; With interconnectedness, my heart is at peace. Do you know the exquisite Dharma? As I ask the Tathagata with a plucked flower. 」这个英文翻译就颇不精准。虽然ChatGPT能翻译到这个地步已很不容易，要达到严复「信、达、雅」的标准，仍有努力空间。[1] Yi-Bing Lin, Helin Luo, Chen-Chi Liao, and Yu-Fen Huang （2021）. PuppetTalk: Conversation between Glove Puppetry and Internet of Things. IEEE Access, 9, 6786-6797. [2] Chung-Yun Hsiao, Chih-Chieh Huang, Yi-Bing Lin, Yun-Wei Lin, Flower Sermon: An Interactive Visual Design Using IoTtalk, Mobile Networks and Applications Journal, Vol. 24, No. 3, June, 2019.

6月初的维也纳，ICRA 2026（国际机器人与自动化大会）的产业主题演讲，某家机器人新创在臺上播放一段影片：一只机械臂，缓缓而精准地在創始人自己的脸上刮胡子。刮胡子对机器人的要求极度苛刻：精密的3D视觉、毫米以下的力控、實時的触觉回馈、出错时的安全退出，每一层都必须同时达标。这背后有一个值得注意的转变。传统工业自动化的安全设计，多半将停止视为最保守的安全状态；多位讲者提到，急停在许多场景反而制造危险——正在下楼梯的机器人突然停止，或协助搬运时突然冻结，后果可能比继续动作更糟。让这个观念得以落实的，是来自汽车功能安全标准 ISO 26262 的最高安全完整性等级之一（ASIL-D）——原本用于煞车、转向等攸关生命的车用系统，2026年已有芯片供应商把同等级的安全设计带进机器人关节模塊。汽车产业十几年累积的安全工程资产，正在往机器人这个场域移植。这让人不免想问：这不是学术会议吗，为什么展场像一个商展？ICRA 2026的展区规模已达数百家产业参与者，几乎覆盖整条机器人供应链。其中还有直接在摊位上打出招募研究员横幅的厂商——不是在卖产品，是在猎才。最能说明这个转变的，是ICRA 2026把「人形机器人投资报酬率」列入议程，本身就是一个信號。在展场，遇到一位芯片厂商的资深产品主管。我问他为什么选择来这里，而不是去同期的COMPUTEX。他的回答很直接：「COMPUTEX是告诉客户我们有什么；ICRA是来了解这些早期使用者真正需要什么，以及竞争对手在布哪些局。」对芯片厂商来说，在这个阶段理解生态系的需求，比在成熟市场竞逐订单，策略价值高得多。产业决策者现身学术会议，本身就是信號。NVIDIACEO黄仁勋曾数次参加高速运算的SC年会、电脑视觉的CVPR，都是技术战略上的早期布局。2017年在夏威夷举办的CVPR，我有幸与当时受NVIDIA AI Lab計劃资助的其他研究人员一起，从黄仁勋手中接下他签名的V100——那个当下，多数人对GPU高速运算的想像还很模糊。学术会议是产业信號最早浮现的地方。如果说AI时代的瓶颈是运算能力，那机器人时代的瓶颈开始变成实体世界。机器人的技术竞争，大致可以拆成3 个层次：芯片、硬件构型，以及模型。ICRA 2026讨论的重心，集中在模型与硬件两层——模型能力快速进步的同时，硬件能不能跟上，系统能不能在真实场域中稳定运作，是当前最核心的工程挑战。硬件层目前最受关注的一个缺口，是灵巧手。这不只是「能不能抓东西」的问题，而是「能不能以多指协调、配合触觉回馈，在需要毫米以下精度的操作中稳定工作」。锁螺丝、插线束、整理形状不规则的物件——这些是机器人在工厂、物流、服务场域真正会遇到的任务，而这类任务目前仍是高失败率的环节。2026年展场有超过十家厂商展示灵巧手或触觉傳感方案，灵巧手的硬件能力，某种程度上成了模型能力的上限——模型再强，执行能力仍受制于硬件极限。硬件的另一个核心，是致动器——这一点和电动车的技术逻辑截然不同。电动车的动力来源集中在几个主要马达，整合路径相对清楚；机器人每一个关节都需要独立的致动器，1臺全尺吋机器人可能需要30个以上，灵巧手若要实现高自由度操作，每根手指还各有多个。致动器整合精密马达、减速机与控制器，普遍被认为是成本占比最高的零组件之一。机器人构型愈精密、关节愈多，致动器需求就愈高。模型能力在这两年的进步有目共睹，但ICRA 2026有一个反复被不同讲者提到的观察：相较于语言模型主要仰赖網絡文字數據的规模，机器人模型的能力，与场域中实际收集的操作數據高度相关。模拟器生成的數據可以覆盖大量场景，但真实场域中机器人遭遇失败、边缘情境、物件形状与材质的长尾，只有在实际部署后才会完整浮现。「在哪里跑、就在哪里学」——场域數據对模型表现的影响，比单纯仰赖模拟數據训练来得显著。在真实场域數據的累积上，已大规模部署的领先业者有明显优势。某大型电商物流业者在会议上分享仓储机器人的方案，以多种策略应对不同形状与重量的商品，持续在真实环境中累积數據、更新模型。展场上也有多家业者宣布开源场域操作數據集，用意是让社群共同提升基础模型能力，同时把自己的數據采集能力作为差异化宣传——數據的边界，正在成为这个产业新的护城河。这次ICRA的压轴keynote直接说出多数与会者的想法：现在看起来突破很多，但各家都还没找到最好的配方——是参与这个机会的时候。COMPUTEX是规模的舞臺——量产的节奏、供应链整合、已验证需求的放大。但新机会、新需求、生态系联盟的形成，往往不在规模的现场，而在前瞻还没收敛的地方。这也是NVIDIA当年选择深耕学术社群的逻辑——不是因为学术界有采购力，而是因为下一个方向往往从那里先被验证。2026年数百家供应商出现在维也纳展场，说明的正是这件事：机器人产业现在最关键的押注，不在量产的现场，而在生态系还在成形的地方。

老子《道德经》中开宗明义，便说明可以被清楚说明的道，就不会是永恒不变的道。同样地量子力学经过了一个世纪发展，至今可以归结，可以被描述说明的量子力学，就不是真实的量子力学。量子力学存在著太多说不清楚的地方，量子尺度的行为是波动还是粒子；为什么会有机率的假说，薛丁格（Erwin Schrödinger）的猫与量子叠加是怎么一回事，光速是极限但又为什么会有量子纠缠？前不久一位政府首长自费包机去看棒球，展示在国人面前的是内含收据的一个纸袋，就被讽刺为薛丁格的猫，处在有跟没有的叠加态，说清楚了没？没有。但是吊诡的是，纵使有这么多的表述与假说，量子力学不完美的表象，却已经大量地运用在通讯、运算，侦测等科技产品上，再加上量子电脑马上就可商用运转。从工程的角度来看，一个不完美的理论，并不妨碍它在实务上的应用，只要这一切是可被控制的。道家告诉我们，一个生命的开始，也同时是迈向死亡的开始，两者是相随相生。爱因斯坦（Albert Einstein ）曾说过，只有两件事是不会改变的。一件是必须要缴税，第二件是人都会死去。正粒子与反粒子，也是成对产生，以及成对消失。宇宙诞生于138亿年前，根据大霹雳的理论。尔后逐渐演进成今天的样貌，但是道家的说法，宇宙诞生之时，同时也是迈向死亡之际。最近来臺湾访问，日本2015年诺贝尔物理奖得主梶田教授，就是利用位于岐阜县的神冈町，在地表1,000米以下「神冈探测器」，发现了微中子在時代间是会发生转换，也就是所谓的微中子振荡。也同时证实微中子是含有非常微小的质量。日本正在筹建第三代的神冈探测器，规模更巨大，希望能解答一直困扰科学界的质子是否会衰变的问题？如果依照道家的说法，质子一定是会衰变的，只是过程中的缓慢程度，可能需要耗费人类巨大的资源，才有可能侦测的到。138亿年前产生的质子，应该有不少都衰变了，但是如何去找到呢？人类花了上百亿美元以及几十年的功夫，找到俗称上帝的基本粒子。证实在粒子物理标准模型中，物质质量的来源。这些的努力，都是让我们对于自然的理解往前迈进一步，但是终究我们会达到永恒不变的真理吗？道家思想的精华在于，人类无法达到永恒不变的道，但是顺应著自然，就是表现道的最佳方式。西方的实证主义长期以来，一直在上穷碧落下黄泉，探询宇宙的真理，将人的位阶提升到上帝的位子。然而一百年来量子力学的发展，我们可能也必须接受这些不完美的存在，这就是道的具体表现。我询问了ChatGPT，道可道，非常道，与量子力学波动与粒子双重性的关联。它的回复令我惊奇，他说「道可道，非常道」提醒我们：语言不能穷尽实相；波、粒子二重性提醒我们：古典概念不能穷尽量子世界。接著我又问，宇宙是否会迈向死亡？它的回复是，宇宙很可能会「死亡」，但不是爆炸式结束，而是走向愈来愈冷、愈来愈暗、愈来愈稀薄的状态。年轻时研习量子力学，会通宵达旦地与同学争辩，来诠释量子力学。如今已届古稀之际，却又觉得这些的不完美，是符合道与自然的表现。