太陽能神諭隨身聽

• 

  Sony MD player Sony MZ-R55.

• 

  Sony WM-F107 exhibited in Solar Biennale 2025 in Lausanne.

• 

  The DIY I-V tester made by Marc Dusseiller.

摘要

太陽能神諭隨身聽（Solar Oracle Walkman） 是一個能源交易與聲音雕塑的探索。外觀參考了復古的 Sony WM-F107，而內部裝置則用於測量一片 6 × 6 公分手工製作、帶有藝術圖案的 DSSC（染料敏化太陽能電池）的 I–V 曲線，其 TiO₂ 多孔層透過氰版顯影或網版印刷製成。每一片「太陽能迷你碟」都會產生獨特的 I–V 聲紋（voiceprint），並透過 oracle（將鏈外資料安全橋接至區塊鏈的機制）傳送至智慧合約進行驗證。 概念上，這台隨身聽運作如同冷錢包：每片 DSSC 是一個實體代幣，而內建的 I–V 測試器則是其讀取器。完成驗證後，隨身聽會播放生成的、語意受限的音樂；鏈上的判定會作為播放的門檻。 在目前的 Max/MSP 原型中，量測到的 I–V 曲線會被分解為七個無量綱特徵 [FF, Vmpp/Voc, Impp/Isc, Rs*, Rsh*, Σκ, A*]，可選擇使用 PCA 降維，然後手動映射至 nn~ RAVE 解碼器的潛在輸入口，以達成可重現的聲音身份，而不依賴明確的語意結構。下一步，我們將記錄在不同光照下的連續 I–V 數據，並訓練 RAVE 編碼器以學習每片電池的緊湊且具魯棒性的潛在嵌入。這些嵌入會輸入至模糊提取器流程（量化 → 輔助資料錯誤更正 → 雜湊），以導出穩定的金鑰。鏈上只會錨定該金鑰的承諾值，以維護隱私並允許驗證。若能保持向量空間的幾何關係，潛在空間中的距離將能反映光伏行為的差異，使裝置能作為一部「占卜機」，連結物質、感知與想像。

作曲的生成系統

感知與人工智慧都可以被理解為生成機制：它們不只是被動接收訊號，而是主動進行預測與修正。在隨身聽中，鏈上的聲紋扮演著錨點──以經驗痕跡來限制生成──而解碼器的表現力則像是召喚，在可驗證的範圍內支撐想像。 依據 Stinson 的「通用機制觀」以及 Feigl 的「對應模型」，我們設計了從量測（I–V 曲線）到潛在變數（音訊嵌入）的明確橋接。這使得作品能夠被視為一項實驗：每一個聲音決策都可以追溯至能量曲線上的可測變換。

• 

  Diagram of Stinson's generic mechanism.

• 

  A logical empiricist picture of a scientific theory. Reproduced from Herbert Feigl 1970.

• 

  Diagram of Stinson and Feigl's model applied to the current project structure.

實驗

太陽能神諭隨身聽主要由三個元件組成： I-V 曲線測試器 具圖案的太陽能迷你碟 智慧合約 每片迷你碟的 I–V 曲線會被量測並上傳至部署於 Sepolia 測試網 的智慧合約進行驗證。一旦其 I–V 數據通過驗證，相應的音樂就會被生成並允許由隨身聽播放。每片「太陽能迷你碟」的聲音被期望具有 可重現性、生成性與語意性——如同一段具備清晰機制的生成音樂，而非完全隨機。 為了讓每片太陽能迷你碟成為生成裝置，我首先假設需要設計一個 雜湊運算 來獲得每片太陽能玻璃的「聲紋 (V)」。雜湊運算是將輸入資料（例如數字、文字、檔案，或一組 I–V 曲線參數）送入數學函式或演算法以產生雜湊值的過程。雜湊演算法可以處理任意長度的輸入，但總是輸出固定長度的結果。它們被設計為： 計算快速 相同輸入必定得到相同輸出 即使輸入稍有改變，輸出也會截然不同

┌───────────────────────────────────────┐
│   Solar Oracle Walkman v1 — 概覽 │
└───────────────────────────────────────┘
[光] ──▶ [具圖案的 DSSC「迷你碟」]
              │
              ▼
       [I-V 掃描／取樣]
       ESP32-S3 I-V 測試器
       （四線量測，逐步負載）
              │  生成 I–V 曲線
              ▼
       [特徵擷取，7D]
       F = [FF, Vmpp/Voc, Impp/Isc, Rs*, Rsh*, Σκ, A*]
              │
              ├───────────────────────────────┬───────────────────────────────────────────┐
              │                               │                                           │
              ▼                               ▼                                           ▼
【聲音路徑（即時）】              【Oracle／鏈上路徑】                        【模型訓練（離線）】
ml.scale 正規化                打包 {pubkey, cell_id, F}                       資料集：多片 DSSC I–V → 7D
       │                               │                                           │
ml.principle (PCA)              POST /api/iv 至 Oracle API                 訓練 RAVE（或輕量替代模型）
       │                        （本地／雲端）                                 │
映射至 RAVE nn~ 解碼器潛在      智慧合約驗證並紀錄                         匯出模型（onnx/ckpt/nn~）
輸入口                                │                                           │
       │                               │                                           │
▶ 即時聲音輸出                  回傳 tx_hash / OK|FAIL                      部署於 Max/MSP (nn~)
       │                               │                                           
       └───────────────┬──────────────────────┘
                       │ （狀態回饋）
                       ▼
               [播放授權／語意閘]
           OK → 進入「語意穩定」播放區段  
         FAIL → 提示重新量測／重新註冊／降噪
┌──────────────────────────────────────────────────────┐
│  Solar Oracle Walkman v2（RAVE 潛在向量 z）— 概覽 │
└──────────────────────────────────────────────────────┘
[光] ──▶ [具圖案的 DSSC「迷你碟」]
              │
              ▼
       [連續 I–V 掃描]
       ESP32-S3 I-V 測試器
       （四線量測，逐步負載）
              │  生成連續 I–V 曲線
              ▼
       [RAVE 編碼器]
       以連續 I–V 數據訓練
              │
              ▼
       [潛在嵌入 z = (z1, z2, …, zn)]
              │
              ▼
       [模糊提取器（逐維處理）]
          對每個 zi：
             ml.scale（正規化）
             ml.principle（PCA）
          輸出：穩定化 z′ = (z′1, z′2, …, z′n)
              │
              ├───────────────────────────────┬───────────────────────────────────────────┐
              │                               │                                           │
              ▼                               ▼                                           ▼
【聲音路徑（即時）】              【Oracle／鏈上路徑】                        【模型訓練（離線）】
穩定化 z′ → RAVE nn~            打包 {pubkey, cell_id, z′}                  資料集：多條連續 I–V 曲線
解碼器潛在輸入口                      │                                           │
       │                       POST /api/z′ 至 Oracle API                  訓練 RAVE（編碼器–解碼器）
▶ 即時聲音輸出                     （本地／雲端）                               │
       │                       智慧合約驗證並紀錄                         匯出編碼器至 Max/MSP (nn~)
       └───────────────┬──────────────────────┘                               │
                       │ （狀態回饋）                                 部署編碼器於 Max/MSP
                       ▼
               [播放授權／語意閘]
           OK → 進入「語意穩定」播放區段  
         FAIL → 提示重新量測／重新註冊／降噪

(註解) 與 v1 的差異：輸入為完整連續 I–V 曲線，而非僅 7D 特徵。 RAVE 編碼器學習光照魯棒的潛在向量 z；PCA 將 z 穩定化為 z′（扮演模糊提取器角色）。 Oracle 僅錨定承諾（z′ 或衍生金鑰的雜湊）。 聲音引擎與 oracle 共享相同的穩定化 z′ → 保持一致身份 + 生成對應映射。

智慧合約實作

太陽能神諭隨身聽專案包含了一個基於區塊鏈的智慧合約，用來驗證並永久儲存手工製作 DSSC 的 I–V 聲紋數據。此合約已部署於 Sepolia 測試網，地址為： 0xeF19a90e5786dd0e89264F38f52CF81102db938e 它的功能類似一個去中心化的數位公證人： 驗證 I–V 特徵測量的真實性 透過進階的安全驗證規則、EIP-712 簽章，以及完整的數據完整性檢查 將每一片 DSSC 獨特的電學指紋永久保存 這個不可變的系統確保了每片 DSSC 的電學特徵都能被密碼學驗證並永久紀錄，同時也探索了生成系統如何作為模糊提取器，應用於「認知能源交易」之中。

• 

使用 ml.scale 與 ml.principle 作為 I–V 曲線特徵模糊提取的前處理流程

一個 DIY I–V 曲線測試器被連接至電腦，其量測的 16 個 I–V 曲線點會透過序列通訊傳送到 Max/MSP。I–V 曲線通常用來分析太陽能電池的特性，因此在此被視為電池的「聲紋」，尤其是那些帶有氰版與網版印刷 TiO₂ 層的 DSSC。 在本研究中，I–V 曲線的形狀被拆解成 七個特徵，並對每個特徵應用機器學習，讓電腦能夠「學會」其形狀。此方法預期能夠保證對光照強度的不變性，使太陽能迷你碟的音訊輸出在不同光照下依舊保持穩定再現。 聲紋 V 定義為： V = [FF (填充因子), Vmpp/Voc, Impp/Isc, Rs (串聯電阻), Rsh (旁路電阻), 曲率總和, I–V 曲線面積] ⚠️ 注意：這些計算均為 無量綱（dimensionless）。 所謂無量綱特徵向量，指的是經過正規化後不再帶有物理單位（伏特、安培、歐姆）。例如透過比值 Vmpp/Voc 或 Impp/Isc，這些特徵只捕捉相對形狀或行為，而與絕對大小無關。這在比較或分類不同光照條件下的 I–V 曲線時至關重要，因為它能確保差異反映的是裝置的內在特性，而不是量測條件的變動。 特徵定義（無量綱化）如下：

FF (填充因子)

FF = (Vmpp * Impp) / (Voc * Isc)

Vmpp/Voc 與 Impp/Isc

無量綱比值，捕捉最大功率點的操作位置。

Rs* 與 Rsh*（無量綱電阻估計）

先估計在重取樣曲線上的局部斜率：

Rs ≈ -ΔV/ΔI （在 I ≈ Isc 附近）

Rsh ≈ -ΔV/ΔI （在 V ≈ Voc 附近）

再轉換為無量綱形式：

Rs* = Rs * (Isc / Voc)

Rsh* = Rsh * (Isc / Voc)

Σκ (曲率總和)

沿著 64 點重取樣 I–V 折線，累積各段角度變化：

Σκ = Σ |angle(s_i, s_{i+1})|

（直覺上：Σκ 越大，曲線「彎曲」程度越明顯）

A* (I–V 曲線面積，正規化)

定義：從 V=0 到 V=Voc 的曲線下方面積，除以 (Isc * Voc)

離散近似：

A* ≈ (Σ I[i] * ΔV[i]) / (Isc * Voc)

• 

  DIY DSSC with screen printed pattern and hollyhock dye made by Shih Wei Chieh.

• 

  DIY DSSC with cyanotype pattern made by Shih Wei Chieh.

• 

  The measurement of the I-V curve tester is uploaded to Thingspeak and a local server, and can be fetched in Max/MSP.

在 Max/MSP 中使用 ml.scale 與 ml.principle 作為模糊提取的前處理 為了讓每片太陽能迷你碟的聲音能被智慧合約穩定驗證並重現，Max/MSP 的 ml.* 函式庫是一個解決方案。 ml.scale：先將七個原始特徵正規化到 0 到 1 的範圍。 ml.principle：再進行 PCA（主成分分析），將七個值轉換至新的 7 維 PCA 空間。PCA 是一種數學方法，能將數據旋轉並壓縮到較少維度，同時保留最多變異。 ml.principle 是 Max/MSP 內實作 PCA 的物件： 它會從訓練數據中學習主軸 並將新的數據投影至該降維空間

• 

  An example Max patch of the machine learning process for the raw seven features: [FF, Vmpp/Voc, Impp/Isc, Rs, Rsh, curvature_sum, area].

• 

  The mathematical explanation for the principle component analysis (PCA) made by GPT.

從聲音可重現性到語意性作曲

根據 Jha 等人 (2025) 的研究，語意穩定性來自三個核心約束： 重建性 (reconstruction) ——轉換後的表徵能被映射回來源。 循環一致性 (cycle-consistency) ——往返轉換能保持意義。 向量空間保存 (VSP) ——嵌入之間的成對距離在映射後依然保持。 目前的 7 維聲紋主要扮演 身份註冊 的角色，足以保證可重現性，但無法確保不同電池之間具有有意義的關聯結構。這代表： 現行的智慧合約驗證能穩定判斷訊號是否真實 但無法提供額外的語意解釋（例如不同能量曲線彼此的關係） 限制了生成音樂的設計潛力 也使作品難以與計畫中提出的哲學理論對應

RAVE 作為可驗證 oracle 空間的模糊提取器與生成音樂引擎

我使用訓練過的 RAVE 編碼器，從連續的 I–V 曲線量測（可選擇結合 7D 聲紋）中，產生緊湊且具光照魯棒性的潛在嵌入向量 z。 這些嵌入本身並非模糊提取器，但可以送入模糊提取流程： 量化 錯誤更正碼（含輔助資料） 雜湊 最終產生一個穩定的金鑰 K。 鏈上只錨定一個承諾值： commit = keccak256(K || salt) 後續量測會重建 K′，再提交 commit′ = keccak256(K′ || salt) 以進行驗證。 在此設計下： oracle 僅接受能與物理 DSSC 對應的證據 語意生成 留在鏈下的聲音引擎完成 透過對比學習或三元組 (triplet) 目標訓練，確保同一片電池的多次量測會在潛在空間聚集，而不同電池則保持分離（即向量空間保存 VSP） 這樣不僅能保證 身份再現性，也能建立不同電池之間的 關聯幾何結構 ——為語意穩定性與生成音樂作曲提供基礎。

• 

  左：僅有可重現性，沒有 VSP；右：加入 VSP，潛在空間中的距離能反映光伏差異 → 同時具備再現性與關聯意義。

幻覺的聲音化：在原型中落實理論的一種有趣策略

基於生成系統中的 大腦預測理論，一個有趣且簡單的作曲策略是：將「幻覺」作為聲音原則。 步驟： 使用 DSSC I–V 序列訓練 RAVE。 每次新量測會產生一個潛在嵌入 z1。 將 z1 經過編碼器–解碼器循環，得到重建嵌入 z2。 計算殘差向量 r = z1 – z2。 這個殘差 r 正好代表模型無法解釋的部分。 z1 捕捉了電池可再現的聲紋 r 則化為「幻覺」：模型無法同化的偏差、噪音或異常 若將 r 輸入到另一個 RAVE 解碼器，輸出就是「幻覺之聲」： 能量曲線不再只是被聲音化 認知上的失誤被轉換為聲音 幻覺不再被視為錯誤，而是生成的剩餘，模糊了感知與想像的界線

  [I–V 曲線]
       │
       ▼
  編碼器 → z1
       │
       ▼
  解碼器 → z2
       │
       ▼
  殘差 r = z1 - z2
       │
       ▼
  第二解碼器 → 幻覺之聲

討論

目前的狀態 太陽能神諭隨身聽目前作為一件聲音雕塑，能即時聲音化 DSSC 的 I–V 曲線。 透過正規化，7D 聲紋在光照變化下依然穩定 聲音映射刻意保持簡單，使可重現性容易評估 在 Max/MSP 中建立了從感測到聲音的管線 感知與 AI 被視為同一生成機制的兩面 幻覺被定義為「超出證據與先驗界線的生成」 目前的理論應用 Stinson 的通用機制觀 → DSSC–RAVE 與人類感知是共同生成架構的不同實現 Feigl 的對應模型 → 強調從觀測到潛在變數的明確橋接，讓設計每一步都能追溯至可測痕跡 這些理論框架並非目標，而是： 資料集建立的設計準則 映射的先驗假設 偏移與變異的評估指標 目前缺乏 VSP → 潛在空間僅作為身份註冊，無法保證不同 DSSC 之間的關聯意義 因此 oracle 目前僅是「守門人」：驗證真偽，而缺乏語意解釋 下一步 建立一個小而乾淨的 DSSC 聲紋訓練集，控制光照與溫度 測試單調性與局部平滑性的先驗條件 原型化 vec2vec 式的約束：循環一致檢查、距離保持 紀錄「聲音鄰域」與「能量曲線鄰域」不一致的情況 探索輕量化推論與壓縮，以便未來行動裝置應用 評估是否能將能源紀錄註冊為可驗證雜湊（來自聲紋） 測試失效模式與防偽極限 因此，太陽能迷你碟隨身聽不只是音樂專案，它也開啟了對以下問題的實驗性討論： 能源是否能被追溯並交易？ 物理聲紋如何成為一種 oracle，連結物質、感知與運算？ 若能引入更強的限制（例如 VSP），這台 oracle 便能超越單純的驗證者，開始作為一台「占卜機」，在不同世界之間進行翻譯，而不消弭藝術性的多樣性。

參考

1. Buckner, Cameron J. 2023. From Deep Learning to Rational Machines: What the History of Philosophy Can Teach Us about the Future of Artificial Intelligence. 1st ed. Oxford University PressNew York. https://doi.org/10.1093/oso/9780197653302.001.0001.
2. Stinson, Catherine. 2020. “From Implausible Artificial Neurons to Idealized Cognitive Models: Rebooting Philosophy of Artificial Intelligence.” Philosophy of Science 87 (4): 590–611. https://doi.org/10.1086/709730.
3. Jha, Rishi, Collin Zhang, Vitaly Shmatikov, and John X. Morris. 2025. “Harnessing the Universal Geometry of Embeddings.” arXiv:2505.12540. Preprint, arXiv, June 25. https://doi.org/10.48550/arXiv.2505.12540.
4. https://www.hackteria.org/wiki/A_RAVE_and_starvation_synth_based_generative_sonic_device_powered_by_dye_sensitized_solar_cell
5. https://github.com/shihweichieh2023/IVcurve_tester
6. https://github.com/rjha18/vec2vec
7. https://github.com/shihweichieh2023/solar-oracle-walkman