在商務往來中，互換名片是一種常見的禮儀。我擔任幾個縣市政府的顧問，以及幾個大學的講座教授，因此擁有六七種不同身分的名片，在不同場合給予不同名片，偶爾拿錯名片會讓人尷尬。現代初次見面，若忘記帶名片，或沒有名片，有時會拿起手機說：「我們加個Line，WhatsApp，WeChat吧。」這有時讓人為難，因為彼此尚不熟悉，加Line變好友可能會收到一堆不想接收的資訊；已讀不回又會被認為太高傲。實體名片雖然無法建立即時通話，但其運用方式有時更能洞察人性。如果在遞名片時加註文字，往往蘊含微妙的玄機。早期的名片稱為名刺或名帖，是參見達官貴人的敲門磚，因此有阿諛諂媚的表態。傳聞清末孫中山（1866～1925）留學歸國，途經武昌，投名帖謁見湖廣總督張之洞（1837～1909），名帖內頁寫道：「學者孫文求見之洞兄」。張之洞心中不齒，認為籍籍無名的白衣儒生，不自量力，竟敢稱兄道弟，於是在名帖背後書以一聯，命閽人退還，聯曰：「持三字帖，見一品官，儒生妄敢稱兄弟」。孫中山看了不怒反喜，提筆覆以一聯：「行千里路，讀萬卷書，布衣亦可傲王侯」，請閽人再傳進去，針尖對麥芒地回敬張之洞。雖然印刷術早在宋朝時已發明，但民國成立前名帖幾乎都是手書，手寫名帖往往有拍馬屁的花招。戲劇《精忠旗》第六折「奸黨商和」描述秦檜的奸黨何鑄、羅汝楫、万俟卨一起拜謁秦檜，名帖上分別寫著「晚生何鑄」、「門下晚學生羅汝楫」，及「門下沐恩走犬万俟卨」，以示謙卑。何鑄見了搖頭嘆息：「約定一樣寫「官銜晚生」，為何又加「門下晚學」、「沐恩走犬」字樣？這樣我又不濟了！」在清朝官場，官小使用較大的名片以示謙恭，官大使用較小的名片以示地位。大官「賞」名片防止被用來招搖撞騙，會加註不能作別的用途。例如溥儀的英文老師莊士敦（Sir Reginald Fleming Johnston）的名刺，正面書「莊士敦」，背面則印「專誠拜謁，不作別用」。莊士敦用紅色名刺以示身分。我到科技部服務後，簽名也被製作成燙金紅色名帖，逢年過節用得到，這對我而言，是奇特的經驗。實體名片的文化會否改頭換面，重現於今日的虛擬通訊軟體？而今日的通訊軟體結合名片和電話的功能，又會發展出何種新文化？這些都是值得思考的問題。

隨著招募流程的兩端逐步由AI代勞，一份履歷能不能進入入圍名單，可能取決於一個求職者完全不知道的因素：履歷協作的模型，跟篩選履歷的模型，是否為同一家。2025年底收錄於人工智慧倫理與社會研討會（AIES 2025）的一份研究，就這件事進行系統性的實驗。研究在控制履歷品質之後，比較模型生成與人工撰寫的履歷在不同模型中的評價：當撰寫與評審（模型）來自同一家，求職者進入面試入圍名單的機率高出2成到6成；在多數測試案例中，同等品質的履歷，模型對 AI 生成內容的評分高於人工撰寫版本。研究稱這個現象為「自我偏好（self-preference bias）」：語言模型會偏愛自己生成的內容，即使品質已被刻意控制。這份研究的實驗場景，如今已貼近現實。HireVue 2026調查顯示，逾7成HR團隊已定期在招募流程中使用AI，近7成求職者也已用AI起草履歷。一邊用AI審、一邊用AI寫，已是現況而非未來情境。對堅持自己撰寫履歷的求職者，這意味著可能在不知情的情況下，僅因履歷未經模型加工，就在評分上落後。這個現象，2026年6月有了更具體的面貌。AI工具比較業者i10X Research發布1份產業測試報告，讓幾個主流模型互評同一位虛擬求職者的履歷，只換成由各家模型分別撰寫的版本，再交給各模型逐一評分。這份報告來自產品行銷背景的業者，非學術同行評審，但凸顯相當現況。i10X Research的商業測試顯示，各家模型的偏好傾向差異相當大：Claude對GPT撰寫版本的錄取率，比對自身風格版本低了約5成；GPT對自身版本的評分反而偏低，呈現反向的自我懲罰；Gemini撰寫的版本不分評審者都受到青睞。在i10X的測試設定中，同一份文件由不同模型評審，差距可以大到足以讓結果從「待定」滑向「淘汰」。這延伸原始研究對「模型風格會影響模型評分」的觀察：不是每個模型都偏愛自己，而是每個模型都有自己的評分傾向，求職者完全無從得知評審偏好那套模型。AI評審的脆弱性，學術審稿已先凸顯。2025年中起，多篇arXiv稿件被發現在PDF裡藏進肉眼看不見的指令，要求語言模型審稿人給予正面評價，實驗顯示這類手法可以把模型評分推近滿分。頂尖會議ICML 2026 把相同做法反過來用在稽核：在論文PDF嵌入隨機詞彙，若審稿人偷用語言模型代寫意見，詞彙就會混進評語；2026年3月公布的結果，逾500位審稿人被偵測到違規，其中不少人因身兼投稿審稿人，所投論文遭退件。這套攻守兼備的機制對B2B場景的啟示在於：指令注入手法既是攻擊面，也能作為稽核工具的設計基礎。履歷只是起點，影響不會停在這裡。當企業流程的兩端都開始由AI代理人處理，一端用AI起草報價、技術方案、法遵文件，另一端用AI篩選與評分，「用哪一家模型」會成為過去不存在的競爭變數——過去企業競爭的是價格、品質、交期；未來還可能競爭「模型相容性」。機制尚未完全釐清，但有幾種可能的解釋。語言模型在生成內容時，似乎帶有可被自家模型識別的「風格指紋」——句構偏好、用詞分布、段落節奏。一個可能的解釋來自後訓練（post-training）階段：RLHF、DPO等對齊訓練以相同的訓練目標，同時塑造「怎麼寫得好」與「什麼算寫得好」，風格與好惡因此一起被寫進模型權重，評審模型可能因此將這些熟悉的風格特徵誤判為較高的內容品質。研究也驗證，透過提示工程要求模型主動識別並校正自身偏好，偏差可下降5成以上；但這並非預設行為，企業內部的AI評估流程多半還沒有寫進作業規範。把場景移到台灣產業，有可能受影響的是自動化報價與RFQ初篩。試想：買方以AI從上百份供應商技術文件中挑出前段名單，供應商也以AI起草標案。若這套篩選以文本摘要或技術敘述做初步排序，而買賣雙方使用的是不同家的模型，供應商可能在價格、交期等結構化條件被充分比較之前，就因文本風格不符模型偏好而落後。這個情境目前仍是推斷，但隨著AI在採購流程的應用逐步深化，陸續發生的可能性不低。供應商盡職調查與法遵審查也在其中——ESG報告、資安自評書，愈來愈多由AI起草、也可能再由AI審查，同源偏差的空間同樣存在。需要說明的是，研究測量的偏差幅度建立在文本敘述上，B2B 採購裡的價格、交期、認證等結構化欄位仍佔相當權重，整體入選率不會直接受到相同幅度的影響。但只要評估流程裡有任何一段是模型對模型讀「敘述」，這一段就有結構性偏差。防禦方向可能不複雜，但需要刻意設計。受評文件與評審模型最好不來自同一個模型家族；高金額或高敏感度的決策，應採多模型並行評估、考量評分差異；結構化資料與文字敘述分流計分，避免後者拉偏前者；可能暗藏內容的格式（如 PDF、Word）進入評估流程前，應做指令注入過濾；重要閘門保留人工抽查。這些不是技術突破，而是治理設計，目前產業界的 AI 導入多半停在工具層，治理層大多仍是空白。同源偏差以外，還有另一層問題值得思考：當評估流程由人換成模型，人類評審辨識「少數亮點」的能力，可能也悄悄消失了。一百份履歷裡長得不一樣的那個人，一百份提案裡帶著真實觀點的那份文件，在傾向偏好熟悉風格的模型眼中，可能反而是扣分項。HR篩選、績效評估、供應商評鑑、學術審稿，都面臨類似的結構。如何在AI介入的決策流程裡，刻意保留人類洞察的空間，目前仍是個開放的問題。

曼哈頓區聚集了金融巨鱷，到了週末更是人潮洶湧，在時代廣場附近甚至連移動都有困難，這時到中央公園散步成為最好的選擇。公園仿自然生態的森林、小河，在梧桐、松樹、橄欖樹不規則的排列中，在市區的中央公園，真的是紐約人最佳的休憩地。下午的計畫是到百老匯聽歌劇，《The Lion King》已經公演將近30年了，在這齣音樂劇中，我能感受到黑人演員為主的演員們盡情演繹非洲人快樂的一面。走在紐約街頭最深刻的印象是，人潮由不同種族組成，不少是東方人面孔，偶爾可見穿著傳統服飾的非洲裔，拉丁裔的美國人也可以試著從外貌猜出一二。歌舞昇平是我對紐約的解讀，光在中央公園附近就有七、八個博物館、美術館。征戰國際頂尖市場　自助也得人助夜裡，我在旅館收看彭博（Bloomberg）的財經節目。73歲的主持人David Westin正在專訪People Inc與幾位媒體的工作者，詢問AI對媒體業的影響。第二段的專訪針對太空產業，他又訪問了SpaceX的競爭者Launch on Demand的CEO談美國的太空產業，以及中國的「太空絲路（Space Silk Road），這些題目，都不是台灣常見的財經議題。David Westin年紀不小，依舊坐在錄影機前侃侃而談老一代人難以理解，下一代人很難清楚描述的新興產業。老人家試著以智慧挑動受訪者的思緒，在對方不經意露出的破綻中找出些可以追根究柢的題材，好題材永遠不缺觀眾，與主持人的年紀也沒有太大關係。兩位台灣朋友幫忙，我穿梭於紐約Bloomberg與哥倫比亞大學的六個單位，從早忙到晚，中餐是Bloomberg隨手拿的一根香蕉。Bloomberg對DIGITIMES專注亞洲ICT供應鏈，並能以自然語言答覆專業問題的功能很有興趣。至於哥大，我希望能善用台灣產業優勢，合作發展國際學程，並進一步成為國際市場新事業。Bloomberg成為DIGITIMES學習典範如果說DIGITIMES要找學習典範，那麼Bloomberg就該排第一。在人工智慧的非常時代，一定要努力成為「媒體走向新時代的先行者」，與彭博的互動，更堅信這樣的看法。Bloomberg專注財經新聞，也善用AI等新工具，這是我最看好的媒體經營模式。除此之外在參加Blommberg執行長Vlad主持的「Generative AI Forum」時，我看到他們涵蓋的範圍更廣，面對的是全球關鍵的資訊流、金流，紐約客面對的是全球市場，經營難度比我們高太多了！那麼，44年來堅持高品質資訊的Bloomberg，在AI新時代何處引人注目，又有哪些值得我們關注的經營理念呢？參訪頂標公司，印證經營理念Bloomberg結合新聞、數據庫、研究報告的三項優勢，是標準的知識型服務公司，也與DIGITIMES的經營模式不謀而合。但我們只侷限於半導體、亞洲的ICT供應鏈，與Bloomberg實力仍有很大的距離。但從頂流公司的經營策略、進度，可以知道自己離世界主流、頂標有多大的距離，也可以找到差異化的經營策略。Vlad在論壇開場時便說，所有的公司都在面對如何在AI時代尋找正確的發展戰略。對資訊提供與服務供應商最大的挑戰是我們既要創造更多的資訊，讓使用者在最大基礎的資訊源中，以最好的效率得到最有價值的資訊，這也是DIGITIMES強調「Insights with Speed」的精神。但就經營實務而言，資訊成本愈來愈高，雜訊愈來愈多，哪些資訊存在被積累的價值，這些每一件事都可能顛覆過去的想像。亦即，過去成功的經驗可能是今日的負擔。對絕大多數媒體而言，過去的榮耀、影響力正快速的衰減中，但彭博以專業社群為對象，提供其他公司難以企及的專業力、品質，現在再加上AI驅動的服務機制，很顯然AI不是挑戰，而是機會。回到台灣，我腦袋裡記得Bloomberg技術長Shawn Edwards的一句話，他說AI的大進化，讓很多公司在前五個月，就花掉了整個公司全年的IT預算。大家應該超前部署，在應用過程中調整步伐，而不是繼續等更好的應用方案。產業進步很快，我們沒有喘息的空間。「Into workflow」是我們因應AI時代的經營法則，而「Governance」則是讓所有投資得到回報的關鍵。Bloomberg Intelligence這個部門，在過去贏得了市場尊敬，仰賴的不是流量，而是被信賴的專業資訊，而所有的資訊專業與否，與讀者本身的判斷力、專業能力息息相關。史記商鞅列傳曾說「民不可與慮始，可與樂成」，意思是政策有執政者的深度、遠慮，與一般庶民百姓商議於事無補，但可以與他們共享成果。我們無法用這樣的理論來杜悠悠之口，但也可以知道專業的訊息很難與一般庶民大眾共同討論商議。「Portfolio Management」將會是Bloomberg規劃事業的基礎，他們也將不斷的衍生出新的事業體，帶進新的營收與成長空間。AI的價值就在於連結或區隔不同的領域，以最佳化的模式推演具有決策價值的答案。我們可以預期，未來當AI應用更趨成熟時，所有問題都會基於夠複雜的假設才可以推演答案，經營者、團隊、股東都必須做好專業的準備才能因應未來的變化。在真正進入成熟應用之前，99%資訊都可能是「垃圾」，相對的投資一旦達到「Critical Point」前，價值只是逐漸推升而已，一旦過了門檻，就可能是指數型的成長，我們準備好了嗎？Multiple Platforms Vs. Multiple FunctionsBloomberg技術長Shawn Edwards說，我們都很難預期AI會以這樣的速度推進，現已進入到成熟應用階段的AI商機，不會是泡沫，而是正在加速前進的新浪潮。由於多重技術同步發生，這也造成所有複雜的問題可以在更民主、多元的資訊架構下得到好的解答。關鍵是這是正向螺旋，更多人用、更好的平台都會加大產業對人工智慧的投資，已經起步，並且走在軌道上的公司都有比較大的勝算。另外一個關鍵是好好使用Token，也創造更多的Token。鼓勵員工在事業範圍內使用Token，支付Token的錢。明確理解「Value capture」的機制是什麼？我們也要瞭解現在「五個月用掉一整年IT預算」的機率大增，當我們發現AI的價值時，會不會果斷的加碼投資呢？硬體製造其實都是跟在軟體架構確定之後才開始的，硬體產品成為瓶頸的問題並未解決。找到更好的連結，讓客戶協助創造更多的優質資訊，並且一起訓練AI。就是B2B的商業與運作機制，不必討好每一個人，但要有明確的定義、定位與定價。一旦定義出合適的市場，與同業或類同業有對比的異同差別，那麼好的定位可以讓您事半功倍，減少事業經營的阻力。Bloomberg的競爭對手是華爾街日報（WSJ）、經濟學人（The Economist）嗎？當然不是，他們針對的是高階財經族群，但內容規劃不同，不同的定位區隔、減少了彼此之間競爭的關係，反倒成為上下游之間的客戶。所以，未來知識型服務業在專業領域的資訊豐富度、深度、廣度都將成為被檢視，以及拉開與競爭對手距離的關鍵要素。看似不同，但其實觀念上是異曲同工的（Look different, but conceptually same）。一次近乎完美的紐約之行這是一次近乎完美的紐約之行，從台北出發，扣掉飛機上與交通時間，整整一週穿梭於紐約不同的生活情境中。到康寧體會玻璃藝術之美，體驗科技可以交錯發展的極致。玻璃之美來自光影、折射、配方、形狀，也來自工藝大師對於技術與美學的執著。科技大廠一定要在大城市裡嗎？您願意用青春去換取在工作上絕對的成就嗎？從玻璃到光纖有多大的想像空間，這件事跟台灣有什麼關係？出門在外，「美食」是生活上的重要慰藉，這一點紐約不讓人失望。紐約也是美食之都，美食集中在時代廣場附近，除了吃了Wolfgang的牛排、Hard Rock的大漢堡早餐之外，有一天早餐吃港式飲茶。我用一蘭拉麵洗滌亞洲人的腸胃，而昨晚幾條街之外，一家看似酒吧的泰國餐廳裡，竟然隱藏了美味直逼胡志明市獨立宮前，我最愛的牛肉河粉。對一個一輩子從事產業觀察工作的人而言，「學習」絕對是生活的一部分。Bloomberg是我學習的對象，一整個上午的論壇沒有冷場，除了Bloomberg自己的CEO之外，其餘都是AI相關專家，我們聽到的是專業精髓，不是公司宣傳。相較於摩肩接踵的時代廣場，在曼哈頓北端的哥倫比亞大學校園不大，但到處流露出長春藤名校才有的文化氣息，與我們討論合作國際學程的教授Grace，帶我們去附近的法國餐廳吃飯，也讓我為紐約的美食加分。最後，留點空閒的週末時間，逛逛大都會博物館。在紐約曼哈頓區，走路是最好的選擇，逛完大都會博物館，走路回旅館，路上有很多街頭藝術家，給他們掌聲、留點小費，這個城市的旅遊經驗就很完美了！（本文為黃欽勇撰寫，陳嘉慧整理）

保護全球的專利，是研發型企業的核心價值，也是對客戶合作的承諾。2025年玻璃大廠康寧（Corning）提交了近400項專利申請，國際申請近1,000項，目前全球累積的有效專利高達約11,400項。智慧財產權、多元化布局與歷史價值觀過去在電信泡沫時代，康寧曾因過度依賴單一市場而遭受重創。這個慘痛經驗讓他們後來堅定執行「審慎多元化」的策略，藉以平衡商業風險，並確保研發方向與更廣泛的商業定位相符。透過現場參訪多個核心實驗室，我親眼見證了他們的技術底蘊。在工程材料加工實驗室，觀察了研發熔爐與實際的玻璃熔融工藝，親身體會到什麼叫「實驗室規模的量產模擬」。在光通訊實驗室，深入探討了光纖技術，以及當前AI浪潮下最關鍵的共同封裝光學（CPO）趨勢。從雷射可靠性設施，看到許多與半導體產業緊密相關的先進雷射應用與測試。而在新興創新項目區，窺見了許多尚未正式曝光、面向未來的尖端研發項目。現場的實地演示，完美印證康寧的成功方程式：用實驗室規模的靈活研發，加速向工業化製造的轉化。這不僅加深了他們與客戶在產品與製程選擇上的對話深度，也為我們在思考跨國研發布局與長期技術投資時，提供了極具價值的標竿典範。玻璃的五千年歷史　顛覆想像黃仁勳為何投資32億美元在康寧身上？也許NVIDIA看到的是光纖取代銅線，以及散熱節能的商機。但在人類的生活經驗上，五千年歷史的玻璃，從神權、君權時代，到文藝復興、近現代的應用各有特色，也顛覆了我們原先的想像。在康寧人非常自豪的玻璃博物館裡，看見玻璃藝術的精華，體現在光與影的應用。玻璃之美，很難用文字形容。看似傳統工藝的玻璃生成與裁切技術，玻璃經由不同的材料組合，產生不同的硬度、尺寸、形狀與延展性，在多元無窮的變化中，我們當然看到了加入不同變數的素材，可以帶來無窮的變化，而這些變化都是世界與科技演化的重要元素。重視研發的康寧，在發展過程中難免面對智財權被竊的案例，通常康寧會積極保護自己的研發成果，輕易和解，背離了康寧這類以研發能力取勝的公司經營法則。玻璃生產的第一個流程是從熔爐內倒入玻璃液，在冷卻的過程中快速拿捏形狀，這時相關材料配方、溫度、熔爐設計，以及工匠的手藝與事前構思的形狀都是企業的核心價值。如果我們沒有基本的尊重，竊取每一個過程的配方或創意，當然可以讓事業縮短學習曲線。技術竊取者最關鍵的弱點，是不經過研發過程的事業模式，對於產品與技術的進程不容易掌握，簡單說就是「知其然，不知所以然」。玻璃反映君權、神權、人權演化　也照見康寧的獨一無二玻璃與陶瓷，這兩種無機物質最大的差異是玻璃透光且脆，而陶瓷通常不透明，但硬度很高。這兩者在人類過去5,000年的歷史中，存留了很多實體證據，與人類的發展史息息相關。從古埃及的建築廊柱，到希臘羅馬時代的玻璃瓶，文藝復興時代教堂的彩繪玻璃，以及近代專為COVID-19（新冠肺炎）設計的疫苗專用瓶，我們看到了玻璃在生活應用上的各種可能，甚至我們可以理解玻璃應用從最初的君權、神權、人權的演化過程。君權時代的玻璃，滿足皇帝個人的喜好，神權時代，工匠們透過創意、美學將彩繪玻璃之美擴大到極致。如果您有機會近距離觀察彩繪玻璃，您可以發現彩繪玻璃是在多層次的透明玻璃中，找出色彩疊加與遠距離觀察之美。康寧是美國少數仰賴量產製造，仍然可以繁榮發展的美國企業，大中華區總裁曾崇凱說，康寧的高階管理團隊中，不少人出身西點軍校。美國GDP來自服務業的貢獻，製造業僅佔有10%，但類似康寧擁有頂尖技術的公司，不必與矽谷的公司對比，而是發揮自己的優勢。一方面必須以全球觀點建立生產的經濟規模，再則就是告訴員工「康寧獨一無二」。我也常說，如果您是市場領先者，不必在意市佔率，而是重新定義市場，讓競爭者看不到車尾燈。資本主義櫥窗看寶島　從紐約度量台灣本色就在我出訪紐約的那一天，我在台北國際電腦展（COMPUTEX）的會場，主持光寶論壇，光寶總經理邱森彬親自陪同我參觀光寶專為AI伺服器設計的電源系統。只看到背後密密麻麻的線路，我們可以明白，基於省電等多重考量，這個龐大的電源系統，不僅需要更好的穩定性、品質，所有的線路未來也會從銅線改變成光纖。除了康寧之外，我們還拜訪了哥倫比亞大學、彭博社（Bloomberg），我們能跟他們談什麼合作呢？紐約街頭有各式各樣的人種，印象中髒亂的中央車站與週邊的百老匯（Broadway）、林肯大道已經大幅改善，路過NASDAQ，有人正準備敲鐘，應該是一家遊戲軟體公司，很多人把NASDAQ敲鐘，視為事業經營的里程碑。紐約是資本主義的櫥窗，這裡離台北很遠，我們可以拉近距離，或者根本保持距離，維持台灣的本色與核心優勢呢？（本文為黃欽勇撰稿，陳嘉慧整理）

前言2026年5月，DIGITIMES英文版訪客已經達到307萬人次的新高點，這個數字大約比2022年9月時的75萬次多了大約4倍。彭博社（Bloomberg）與康寧（Corning）總部都有很多我們的讀者，我因此受邀，也趁著這次訪問紐約的機會，到哥倫比亞大學洽談以台灣半導體業資深人士為班底，共同開設國際半導體學程的可能性。在康寧看到材料工業的各種可能離紐約市區200英里遠的紐約上州，有一座以康寧命名的小鎮。1851年誕生的康寧，原本創辦於紐約的布魯克林區，因為遭遇祝融之禍，遠在200英里外的康寧鎮，以水陸交通要地的條件吸引康寧來此落腳，現在這個7,000多人的小鎮，多數仰賴康寧生活，也乾脆改名康寧。這家以玻璃工藝著稱的公司，在175年的發展過程中也不是一帆風順。除了一開始的祝融之禍外，網路興盛之初，大家看好「光纖到戶」的商機，康寧加碼投資，但在光纖被戲稱為不亮的光纖（Dark Fiber）之後，康寧在資本市場暴跌。2008年金融海嘯期間的股價不到10美元。康寧大中華區總裁曾崇凱說，那時真的有做白工的感覺。但多年來，每年保留一定研發預算的康寧可以創造出多大的可能，而與亞洲供應鏈之間的關係，在光通訊可能成為數據傳輸解決方案的新時代，可不可能有結構上的變化呢？所羅門園區：研發與製造的完美融合了解康寧的全球研發（R&D）結構與運作模式，讓我對這家百年企業的創新哲學有了更深層的體會。在長期投入研發的過程中，康寧也淬煉出更明確的經營哲學，並強調「實驗室與量產製造的整合」、「與客戶深度協作」，以及「對基礎研究與智慧財產權（IP）的長期守護」。參觀所羅門園區（Solomon Park）時，讓人震撼的是整體的規模與功能設計。規模與運作：整個園區佔地高達200萬平方英尺，裡面容納了將近850個實驗室，他們把材料研究、製程開發、試點製造（Pilot Manufacturing）和後勤支援完美融合在一起。人才密集度：現場除了管理高層，還有500多位博士科學家與技術人員，建構出一個能做到端到端（End-to-End）技術與營運執行的強大團隊。核心優勢：專門的「研發熔爐」等特殊工具，意味著科學家在測試新的材料配方時，可以直接進行接近量產環境的試驗。實驗過程中，不需中斷現有的生產線，不僅大幅降低研發成本，更縮短了技術從實驗室走向規模量產（Scale-up）的時間。這種按照專長能力（Capability）編組的設施，目的就是讓研發人員在「第一天」就把製造可行性納入考慮，有效解決研發與生產端常見的交接斷層，並促進跨職能解決問題。在正式參訪研發基地之前，已經先在康寧的博物館見識到玻璃應用的多種可能。康寧博物館中展示的玻璃，讓我們看到玻璃依靠著光影，折射展現出不同的美感。何謂美，「審美」就是在看似相近的物體中找出些微差異的能力，技術的研發不也如此嗎？如果只是從中擷取部分段落的技術，不僅傷害原創者的價值，長期而言對於使用者、社會也是個傷害。對康寧而言，原創技術是公司存在的核心價值。如果我們知道發明光纖的時間是1970年，從1970年迄今的55年，如果沒有企業長期支持，對核心價值與文化的堅持，光纖不會成為今日大家關切的焦點。全球研發網路與區域分工2000年前後，光纖到府（FTTH）的浪潮吸引了康寧布下重兵，搶攻光通訊的商機。但事與願違，剛過千禧年的世界，還沒有準備好用光纖傳輸大量的數據。如今才在人工智慧快速普及的大環境下，讓光纖再度成為眾所矚目的焦點，康寧也在NVIDIA注資32億美元的加持下，在資本市場中，從金融海嘯時的谷底，強力翻揚。當然，這並不意味著營收、獲利也等比成長，康寧如何布局，才是產業界應該關注的焦點。康寧的研發並非高度集中在單一據點，而是以不同的戰略定位，在全球9個研發站點分散式管理與推進。例如區域性的專業研發中心，蒙特婁、芬蘭和印度側重於「建模與物理中心」，法國楓丹白露則是「跨能力實驗室」。一部分研發中心考量鄰近客戶，刻意將「區域工程中心」設立在靠近製造工廠與客戶的地方。這樣的好處就是能即時導入新製程與新設備，並以最快速度解決工廠和客戶特有的痛點。核心集中：像上海、南韓等站點負責協調區域能力，但大規模玻璃熔融這類核心技術，依然高度集中在少數特定的核心據點。創新漏斗：康寧的創新起點，源自無數個微小的點子與探索性實驗。隨著技術、市場或優先順序的轉變，很多概念在過程中會被淘汰。他們認為，成功是建立在對材料、製程和產品理解的層層遞進。康寧每年在研發與工程的投入高達10億美元。其中約80%的資金專注於現有業務的近、中期工作（確保眼前的商機），另外20%則堅定地分配給長期的探索性基礎研究。基礎研究的「守護者」：大家都知道長期基礎研究成本很高、風險大，在當前許多企業紛紛縮減這類投入的盲目風潮下，康寧卻把自己定位為這筆投資的「守護者」。歷史證明，這些沉澱下來的基礎知識具有差異化優勢，能在未來的數十年內、在不同的領域被反覆重組與利用。完備的知識管理：康寧嚴格執行「內部技術報告」的撰寫。即便是失敗、沒有走到最後的項目，所有實驗數據和汲取的教訓都會被完整記錄下來。這樣一來，過去的失敗經驗就成了未來研究的養分，可以避免後人重蹈覆轍，也能基於前人的基礎繼續堆疊各種Know-how。（本文為黃欽勇撰稿、陳嘉慧整理）

前兩個世代的機器人發展，安全框架的設計前提都是「確定性」。第一代被鎖在柵欄裡執行固定動作；第二代走出柵欄，但沿著預先規劃的路線移動。不論哪一代，系統在特定輸入下會做什麼，工程師都能事先預測，安全標準也是在這個前提下建立的。第三波機器人的期待是「自主性」，能在非結構化環境中做判斷、應對未曾見過的情境。但自主性本質上隱含「不確定性」，而這正是現行機器人安全框架從未真正處理過的問題。這個矛盾在近期的產業與學術會議上，被業界與研究機構眾人獨立點出，並從不同角度收斂到3個層次的問題。第一個問題：停機不等於安全。最具體的觀察，來自一家德系安全運動控制廠商。傳統工業機器人的安全設計，預設「靜止等於安全」的前提，這個前提撐起 ISO 10218 近二十年。問題是，雙足機器人停下來之後，危險並沒有消失。一台高一百七十公分、重七十公斤的機器人，靜止狀態的重心控制比傳統機器人複雜許多，更重要的是它可能倒下。該廠商的工程師指出，現行安全停止計算框架尚未涵蓋雙足機器人的倒落風險；若要補入倒落半徑這個變數，整條公式需展開為7個變數的加總，涵蓋倒落區域、人機趨近距離、制停距離、感測器偵測範圍，以及位置與狀態的不確定性。一家歐系車用MCU大廠在ICRA 2026的產業場次，從半導體驅動IC角度獨立量化「安全停機（STO）」的5個根本侷限：無法控制減速中的肢體運動、無法抵抗重力導致的倒落、無法跨關節協調出安全姿態、無法在故障時提供力矩回饋、無法處理局部失效的連鎖反應。同一場次，一家德系協作機器人廠商明確表示功能安全認證已是部署前提而非事後程序。3個產業背景，同一個結論：停止，不是安全狀態的終點，而是另一種危險的起點。延伸報導專家講堂：ICRA 2026觀察：如果機器人開始刮你鬍子了第二個問題：測試基準的缺席。德國Fraunhofer IPA，歐洲大型應用研究機構之一，購入一台市售機器人，用自行建立的66項評估框架跑完第三方測試。結果顯示：手臂在中等負載下不到2分鐘就過熱關機；碰撞力測試結果超過500牛頓（N），明顯超出ISO/TS 15066對多數接觸場景的規範範圍；藍牙連線存在安全漏洞；機器人持續將資料傳回廠商伺服器，且未見於任何說明文件；電池續航不到2小時。這些問題有賴第三方主動測試才得以浮現；現行規範並未要求廠商揭露。展場上看到的，都是精心設計的成功展示。第三個問題，也是最難處理的一層：VLA讓安全評估框架的根本假設失效。傳統安全框架依賴「風險可被量化」的假設，識別危害類型，估算發生機率、暴露頻率與傷害程度四者相乘，得出危害評分。ADAS產業對這個框架的侷限早有認識——感知模型即使按設計運行，仍可能在特定情境下輸出危險決策，SOTIF（ISO/PAS 21448）正是為此而設計，專門處理「預期功能本身的不足」。但即使如此，ADAS 的操作場域相對受限。延伸報導專家講堂：VLA（Vision-Language-Action）機器人的新智慧引擎SOTIF的長尾問題至今仍未完全解決；VLA機器人的操作環境遠比道路開放，連SOTIF也難以直接套用。因應這個困境，目前出現2條技術路徑：建立不信任主控制器的獨立安全監督層，以及在每個關節配置具備功能安全認證的MCU，讓安全判斷發生在關節層級。兩條路徑底層邏輯一致——用確定性系統監督非確定性系統——但都尚無正式認證，各自在等標準追上來。這不只是工程問題，也是法律問題。前美國消費者產品安全委員會主席Elliot Kaye在Humanoids Summit提出的問題很具體：當機器人在工廠傷害工人，責任在製造商、操作者，還是AI模型開發者？自駕車產業已提前示範安全事故如何反向改變監管態度。2023年Cruise自駕車在舊金山發生牽涉行人的交通意外，整個部門被迫停止運作，一次事故讓整個產業的發展付出代價。機器人在工廠傷人，法律環境只會更複雜。Kaye指出：贏得部署競賽的，不是最好的展示，而是最快通過買方法務審查的那一家。誰在定義標準，誰就在定義市場的進入條件。工業機器人時代已有前例：ISO 10218的主要起草機構，都是在這個市場有長期積累與部署數據的業者，後進者即便技術趕上，標準解釋權仍有落差。機器人功能安全的對應標準目前尚未成形，但很可能在2028到2030年之間建立起來。今天各方關注的是誰能做出最好的機器人；幾年後市場真正競爭的，可能是誰能最快證明它足夠安全。

過去十年，全球投入實體AI（Physical AI）與機器人新創的年度創投金額，從幾億美元的規模成長到接近250億美元，是10倍以上的成長曲線，集中在最近這幾年。這個數字背後，隱含著一個更早就存在的剛需：主要經濟體的工作年齡人口持續下滑，如日本到2050年代將只剩2000年的6成左右。但「Physical AI」這個詞底下，到底蘊含怎樣的機會，是否真的對得上那條人口曲線所描述的缺口，值得拆開來看。機器人產業並不是第一次站上資本聚光燈下。Bay Area Robotics Association執行董事Terence Bennett在東京Humanoids Summit 2026把美國機器人產業的發展分成3波：第一波在1960到80年代的底特律，靠的是汽車產業的資本支出，技術堆疊是機械手臂、焊接、塗裝、圍欄工作站；第二波在2005到2024年的波士頓，協作機器人與移動底盤從DARPA的早期投入走向倉儲物流的商業應用；第三波從2024年開始在矽谷展開，資本來源從純軟體的創投，開始大量流入需要與實體世界互動的公司，技術堆疊變成基礎模型與VLA，操作被當成一個學習問題，而不是程式設計問題。Bennett用一句話概括這個轉折：「The model, not the mechanism」；前兩波靠的是把機械做得更好，第三波靠的是把模型做得更通用。前兩波對生產力的提升，其實是扎實且持續的。第一波的機械手臂解決的是一個被嚴格限定的問題：在固定場景、預設路徑、封閉圍欄裡，把單一任務做到極致，速度快、精度高、正確率極高，至今仍是全球工廠的骨幹。第二波的協作機器人與移動平台把能力範圍擴大一截，機器人開始可以在人的旁邊工作，也開始可以自己移動，但移動的前提仍是預先規劃好的場域：固定路徑、格狀地板、不允許外物進入。這兩波做出來的，本質上都是「feature robot」：功能集合不同、精密程度不同，但共同特徵是在一個被定義好的框架內，把功能做到接近完美，就像feature phone把通話品質與待機時間做到極致。第三波想做的是「smart robot」。本文暫且將smart robot定義為：能在未完全預先定義的環境中，自主感知、規劃與執行任務，並具備持續運作能力；若以商業部署標準衡量，連續運作10小時以上是一個可觀察指標。feature robot的成果，現在仍在持續發生，而且規模比多數人想像得大。服務場域裡，已經有不少高階餐飲業者讓送餐機器人負責外場的搬運與行進路線，把服務人員的時間釋放到桌邊互動與品質把關上，機器人做的是「移動加搬運」這個被切得很乾淨的子任務，人做的是需要判斷與溫度的部分。物流場域的規模更大：某全球電商在超過100個倉儲中部署逾100萬台自主移動機器人，搭配相當規模的人力協作，每天出貨超過1,000萬個包裹。這些機器人跑的是預先鋪設的格狀地板與固定路徑，不是在開放場域中即時感知與決策，但這套組合已經支撐全球規模最大的物流網路之一。feature robot這條路徑沒有過時，它仍在創造實際的生產力。那麼，第三波到底想往哪裡去？要回答這個問題，與其直接猜測時間表，不如透過幾組對照，看清楚哪些系統設計、哪些技術重心，是真正屬於第三波、而不是前兩波的延伸。第一組對照是機器人與電動車，兩者在供應鏈結構上有明顯的重疊，致動器、磁鐵、電池材料的供應路徑高度相似，電動車產業10年來建立的製造能力，正在直接轉用到機器人零組件上。但硬體基礎齊備，不代表問題已經解決。電動車本質上是換了動力系統的交通工具，駕駛這件事人類已經做了上百年，技術積累可以直接沿用；機器人面對的問題更底層——「什麼是正確的動作」本身就需要重新定義，這是一個泛化問題，難度比電動車高了一個量級。電動車的感知目的是避障，機器人的感知目的卻是接觸與操作，必須碰得精準。前兩波是靠縮小場景範疇解決「碰得精準」的問題；第三波要在開放場域中做到同樣的精度，硬體已經不是瓶頸，瓶頸轉移到模型能否泛化這一層。這個差異也解釋為什麼電動車的商業轉折點已經發生，而機器人即使資本大量投入，距離大規模商業轉折點仍有一段距離。過去60年機器人的成功，建立在同一套技術邏輯：儘量拿掉場景的不確定性，讓機器人在規劃過的環境裡，把固定任務做到接近完美，重複定位精度早已解決到亞毫米級。第二組對照正是Physical AI與第一波的工業機器人：Physical AI想打破的正是這個前提，在開放場域、動態環境、沒有預先定義的結構下仍能完成任務。這也是為什麼今天大多數所謂「自主機器人」的成功部署，骨子裡仍是工業機器人的邏輯：先把問題範疇縮小，再宣稱已經自主。把這幾組對照放在一起看，會發現一個熟悉的歷史節奏。在smartphone出現之前，有線電話、大哥大、feature phone已經把通訊這件事做得相當好，通話清晰、待機時間長，把一個被定義好的功能做到極致。2007年smartphone的出現，並不是讓通話變得更好，而是打開了一個原本不存在的維度：應用生態、隨時連網、裝置成為平台。feature robot這十幾年的成果，如同feature phone的那段歷史：扎實、有效，但運作在一個被定義好的框架裡。smart robot現在仍處於那個框架被打開之前的階段，資本市場湧入的250億美元，期待的正是這個打開的時刻。第三波若真的成立，價值重心可能逐漸從機構件移向感知、運算與模型能力——這個分岔對台灣供應鏈不是抽象問題。延續Bennett「the model, not the mechanism」的框架：當機器人的價值重心真的從機構轉向模型，台灣過去在精密機械組裝、馬達齒輪上的優勢，會如何轉化？智慧型手機時代給過一個參考答案：當產業價值逐漸向作業系統、生態系與平台集中時，價值未必留在製造規模最大的地方，而是留在最能定義產業規則的位置。

今日的電腦功能強大，可以翻譯不同的語言，在生成式人工智慧（如ChatGPT）的加持下，更有可能達到藝術的境界。過去人工智慧技術不成熟，如果翻譯只是一對一的逐字代換，那麼寫個程式就可自動翻譯。然而，語言不會如此輕易被掌握，因此早期的翻譯軟體經常會出現荒腔走板的情況。二十世紀初期翻譯理論的代表人物加塞特（José Ortega y Gasset, 1883~1955）從哲學角度審視翻譯，將翻譯的思維建立在研究人類語言和思想的基礎上，提出「翻譯的不可能性和可操作性」理論，讓我感到非常困惑。用白話文說明，意指: 「翻譯是不可理喻的。」套用資訊領域的術語，翻譯是Context-sensitive的，甚至會受到不同文化的影響，因此早期市面上的翻譯軟體效果不佳，最終仍需要依賴人工。ChatGPT的功能強大，推動翻譯軟體的進步，能夠提供高品質的翻譯服務。到底要如何翻譯才恰當呢？嚴復（1854~1921）在他的著作《譯例言》中提出「信、達、雅」的翻譯標準，成為後世翻譯的圭臬。對於「歐（英）翻中」，傅斯年主張直譯歐文句法，甚至最好是「字字對譯」。這不僅為了翻譯內容，而是要接受「歐洲先進思考方式」。1980年代，台灣大學外文系教授顏元叔某次到香港參加比較文學會議，提出主張，認為既然「英翻中」是「字字對譯」，那麼「中翻英」自然也應該「字字對譯」，這樣才是對等的文化交流。他這個主張讓在場的一群主張歐美文化優越論的學者掛不住臉，差點鬧得不歡而散。ChatGPT已經能夠將中文白話文翻譯成很好的英文。那麼文言文呢？我在物聯網平台IoTtalk上開發許多互動藝術的應用。例如PuppetTalk，可以用智慧手套遠程控制布袋戲機器人偶。我在英文期刊發表一篇論文[1]，在第一段文章寫了一首七言絕句的打油詩:「 掌中乾坤有誰知，演戲瘋來看戲痴；人生好比布袋戲，曲終人散樂自知。」期刊編輯要求要附上英文翻譯，令我挺頭痛，勉強翻譯為:「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翻譯，在幾十秒鐘內得到：「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.」翻得還不錯，但最後一句的意思全錯。我又以IoTtalk發展出FlowerTalk，鏡子有含苞待放的花枝。當人面對鏡子微笑時，鏡中就會開花。於是發表一篇英文期刊論文[2]，用了「拈花微笑」的典故：釋迦牟尼在靈山講解佛法，手持鮮花示範。然眾人茫然，不解其精要。只有維摩訶迦葉露出微笑，釋迦牟尼於是將心法傳授給了他。我的文中寫了一首五言絕句的打油詩：「微笑乞花開， 物聯通心懷， 妙法有知否? 拈花問如來。」很簡略的意譯英文為：「Smile triggers blooming, IoT connects people’s minds, and you can pick up flower to ask Buddha for answer. 」我以ChatGPT翻譯，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. 」這個英文翻譯就頗不精準。雖然ChatGPT能翻譯到這個地步已很不容易，要達到嚴復「信、達、雅」的標準，仍有努力空間。[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月初的維也納，ICRA 2026（國際機器人與自動化大會）的產業主題演講，某家機器人新創在台上播放一段影片：一隻機械臂，緩緩而精準地在創辦人自己的臉上刮鬍子。刮鬍子對機器人的要求極度苛刻：精密的3D視覺、毫米以下的力控、即時的觸覺回饋、出錯時的安全退出，每一層都必須同時達標。這背後有一個值得注意的轉變。傳統工業自動化的安全設計，多半將停止視為最保守的安全狀態；多位講者提到，急停在許多場景反而製造危險——正在下樓梯的機器人突然停止，或協助搬運時突然凍結，後果可能比繼續動作更糟。讓這個觀念得以落實的，是來自汽車功能安全標準 ISO 26262 的最高安全完整性等級之一（ASIL-D）——原本用於煞車、轉向等攸關生命的車用系統，2026年已有晶片供應商把同等級的安全設計帶進機器人關節模組。汽車產業十幾年累積的安全工程資產，正在往機器人這個場域移植。這讓人不免想問：這不是學術會議嗎，為什麼展場像一個商展？ICRA 2026的展區規模已達數百家產業參與者，幾乎覆蓋整條機器人供應鏈。其中還有直接在攤位上打出招募研究員橫幅的廠商——不是在賣產品，是在獵才。最能說明這個轉變的，是ICRA 2026把「人形機器人投資報酬率」列入議程，本身就是一個訊號。在展場，遇到一位晶片廠商的資深產品主管。我問他為什麼選擇來這裡，而不是去同期的COMPUTEX。他的回答很直接：「COMPUTEX是告訴客戶我們有什麼；ICRA是來了解這些早期使用者真正需要什麼，以及競爭對手在布哪些局。」對晶片廠商來說，在這個階段理解生態系的需求，比在成熟市場競逐訂單，策略價值高得多。產業決策者現身學術會議，本身就是訊號。NVIDIA執行長黃仁勳曾數次參加高速運算的SC年會、電腦視覺的CVPR，都是技術戰略上的早期布局。2017年在夏威夷舉辦的CVPR，我有幸與當時受NVIDIA AI Lab計畫資助的其他研究人員一起，從黃仁勳手中接下他簽名的V100——那個當下，多數人對GPU高速運算的想像還很模糊。學術會議是產業訊號最早浮現的地方。如果說AI時代的瓶頸是運算能力，那機器人時代的瓶頸開始變成實體世界。機器人的技術競爭，大致可以拆成3 個層次：晶片、硬體構型，以及模型。ICRA 2026討論的重心，集中在模型與硬體兩層——模型能力快速進步的同時，硬體能不能跟上，系統能不能在真實場域中穩定運作，是當前最核心的工程挑戰。硬體層目前最受關注的一個缺口，是靈巧手。這不只是「能不能抓東西」的問題，而是「能不能以多指協調、配合觸覺回饋，在需要毫米以下精度的操作中穩定工作」。鎖螺絲、插線束、整理形狀不規則的物件——這些是機器人在工廠、物流、服務場域真正會遇到的任務，而這類任務目前仍是高失敗率的環節。2026年展場有超過十家廠商展示靈巧手或觸覺感測方案，靈巧手的硬體能力，某種程度上成了模型能力的上限——模型再強，執行能力仍受制於硬體極限。硬體的另一個核心，是致動器——這一點和電動車的技術邏輯截然不同。電動車的動力來源集中在幾個主要馬達，整合路徑相對清楚；機器人每一個關節都需要獨立的致動器，1台全尺寸機器人可能需要30個以上，靈巧手若要實現高自由度操作，每根手指還各有多個。致動器整合精密馬達、減速機與控制器，普遍被認為是成本佔比最高的零組件之一。機器人構型愈精密、關節愈多，致動器需求就愈高。模型能力在這兩年的進步有目共睹，但ICRA 2026有一個反覆被不同講者提到的觀察：相較於語言模型主要仰賴網路文字資料的規模，機器人模型的能力，與場域中實際收集的操作資料高度相關。模擬器生成的資料可以覆蓋大量場景，但真實場域中機器人遭遇失敗、邊緣情境、物件形狀與材質的長尾，只有在實際部署後才會完整浮現。「在哪裡跑、就在哪裡學」——場域資料對模型表現的影響，比單純仰賴模擬資料訓練來得顯著。在真實場域資料的累積上，已大規模部署的領先業者有明顯優勢。某大型電商物流業者在會議上分享倉儲機器人的方案，以多種策略應對不同形狀與重量的商品，持續在真實環境中累積資料、更新模型。展場上也有多家業者宣布開源場域操作資料集，用意是讓社群共同提升基礎模型能力，同時把自己的資料採集能力作為差異化宣傳——資料的邊界，正在成為這個產業新的護城河。這次ICRA的壓軸keynote直接說出多數與會者的想法：現在看起來突破很多，但各家都還沒找到最好的配方——是參與這個機會的時候。COMPUTEX是規模的舞台——量產的節奏、供應鏈整合、已驗證需求的放大。但新機會、新需求、生態系聯盟的形成，往往不在規模的現場，而在前瞻還沒收斂的地方。這也是NVIDIA當年選擇深耕學術社群的邏輯——不是因為學術界有採購力，而是因為下一個方向往往從那裡先被驗證。2026年數百家供應商出現在維也納展場，說明的正是這件事：機器人產業現在最關鍵的押注，不在量產的現場，而在生態系還在成形的地方。

老子《道德經》中開宗明義，便說明可以被清楚說明的道，就不會是永恆不變的道。同樣地量子力學經過了一個世紀發展，至今可以歸結，可以被描述說明的量子力學，就不是真實的量子力學。量子力學存在著太多說不清楚的地方，量子尺度的行為是波動還是粒子；為什麼會有機率的假說，薛丁格（Erwin Schrödinger）的貓與量子疊加是怎麼一回事，光速是極限但又為什麼會有量子糾纏？前不久一位政府首長自費包機去看棒球，展示在國人面前的是內含收據的一個紙袋，就被諷刺為薛丁格的貓，處在有跟沒有的疊加態，說清楚了沒？沒有。但是弔詭的是，縱使有這麼多的表述與假說，量子力學不完美的表象，卻已經大量地運用在通訊、運算，偵測等科技產品上，再加上量子電腦馬上就可商用運轉。從工程的角度來看，一個不完美的理論，並不妨礙它在實務上的應用，只要這一切是可被控制的。道家告訴我們，一個生命的開始，也同時是邁向死亡的開始，兩者是相隨相生。愛因斯坦（Albert Einstein ）曾說過，只有兩件事是不會改變的。一件是必須要繳稅，第二件是人都會死去。正粒子與反粒子，也是成對產生，以及成對消失。宇宙誕生於138億年前，根據大霹靂的理論。爾後逐漸演進成今天的樣貌，但是道家的說法，宇宙誕生之時，同時也是邁向死亡之際。最近來台灣訪問，日本2015年諾貝爾物理獎得主梶田教授，就是利用位於岐阜縣的神岡町，在地表1,000公尺以下「神岡探測器」，發現了微中子在世代間是會發生轉換，也就是所謂的微中子振盪。也同時證實微中子是含有非常微小的質量。日本正在籌建第三代的神岡探測器，規模更巨大，希望能解答一直困擾科學界的質子是否會衰變的問題？如果依照道家的說法，質子一定是會衰變的，只是過程中的緩慢程度，可能需要耗費人類巨大的資源，才有可能偵測的到。138億年前產生的質子，應該有不少都衰變了，但是如何去找到呢？人類花了上百億美元以及幾十年的功夫，找到俗稱上帝的基本粒子。證實在粒子物理標準模型中，物質質量的來源。這些的努力，都是讓我們對於自然的理解往前邁進一步，但是終究我們會達到永恆不變的真理嗎？道家思想的精華在於，人類無法達到永恆不變的道，但是順應著自然，就是表現道的最佳方式。西方的實證主義長期以來，一直在上窮碧落下黃泉，探詢宇宙的真理，將人的位階提升到上帝的位子。然而一百年來量子力學的發展，我們可能也必須接受這些不完美的存在，這就是道的具體表現。我詢問了ChatGPT，道可道，非常道，與量子力學波動與粒子雙重性的關聯。它的回覆令我驚奇，他說「道可道，非常道」提醒我們：語言不能窮盡實相；波、粒子二重性提醒我們：古典概念不能窮盡量子世界。接著我又問，宇宙是否會邁向死亡？它的回覆是，宇宙很可能會「死亡」，但不是爆炸式結束，而是走向愈來愈冷、愈來愈暗、愈來愈稀薄的狀態。年輕時研習量子力學，會通宵達旦地與同學爭辯，來詮釋量子力學。如今已屆古稀之際，卻又覺得這些的不完美，是符合道與自然的表現。