揭開帝王斑蝶遷徙的神秘面紗

本文與 研華科技 合作，泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言，總能牽動整個 AI 產業的神經。然而，我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線，那如果哪天「網路斷了」，會發生什麼事？

想像你正在自駕車打個盹，系統突然警示：「網路連線中斷」，車輛開始偏離路線，而前方竟是萬丈深谷。又或者家庭機器人被駭，開始暴走跳舞，甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎？當然不是！也因為如此，「邊緣 AI」成為業界關注重點。不靠雲端，AI 就能在現場即時反應，不只更安全、低延遲，還能讓數據當場變現，不再淪為沉沒成本。

什麼是邊緣 AI ？

邊緣 AI，乍聽之下，好像是「孤單站在角落的人工智慧」，但事實上，它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前，像是企業、醫院、學校內部的伺服器，個人電腦，甚至手機等裝置，都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算，稱為邊緣運算；而在邊緣節點上運行 AI ，就被稱為邊緣 AI。簡單來說，就是將原本集中在遠端資料中心的運算能力，「搬家」到更靠近數據源頭的地方。

那麼，為什麼需要這樣做？資料放在雲端，集中管理不是更方便嗎？對，就是不好。

第一個不好是物理限制：「延遲」。
即使光速已經非常快，數據從你家旁邊的路口傳到幾千公里外的雲端機房，再把分析結果傳回來，中間還要經過各種網路節點轉來轉去…這樣一來一回，就算只是幾十毫秒的延遲，對於需要「即刻反應」的 AI 應用，比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時，每一毫秒都攸關安全與精度，這點延遲都是無法接受的！這是物理距離與網路架構先天上的限制，無法繞過去。

第二個挑戰，是資訊科學跟工程上的考量：「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送，湧入的資料數據量就像超級大的水流，一下子就把水管塞爆！要避免流量爆炸，你就要一直擴充水管，也就是擴增頻寬，然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理，把重要資訊「濃縮」過後再傳回雲端，是不是就能減輕頻寬負擔，也能節省大量費用呢？

第三個挑戰：系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時，一旦網路不穩、甚至斷線，那怎麼辦？很多關鍵應用，像是公共安全監控或是重要設備的預警系統，可不能這樣「看天吃飯」啊！邊緣處理讓系統更獨立，就算暫時斷線，本地的 AI 還是能繼續運作與即時反應，這在工程上是非常重要的考量。

所以你看，邊緣運算不是科學家們沒事找事做，它是順應數據特性和實際應用需求，一個非常合理的科學與工程上的最佳化選擇，是我們想要抓住即時數據價值，非走不可的一條路！

邊緣 AI 的實戰魅力：從工廠到倉儲，再到你的工作桌

知道要把 AI 算力搬到邊緣了，接下來的問題就是─邊緣 AI 究竟強在哪裡呢？它強就強在能夠做到「深度感知（Deep Perception）」！

所謂深度感知，並非僅僅是對數據進行簡單的加加減減，而是透過如深度神經網路這類複雜的 AI 模型，從原始數據裡面，去「理解」出更高層次、更具意義的資訊。

以研華科技為例，旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例，利用物件偵測模型，快速將工業產品中的瑕疵挑出來，而且由於 AI 模型可以使用同一套參數去檢測，因此品管上能達到一致性，減少人為疏漏。尤其在高產能工廠中，檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品，替工廠節省大量人力，同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

此外，在智慧倉儲場域，研華與威剛合作，研華與威剛聯手合作，在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台，打造倉儲系統的 AMR（Autonomous Mobile Robot） 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣，AMR 不需要事先規劃好路線，靠著感測器偵測，就能輕鬆避開障礙物，識別路線，並且將貨物載到指定地點存放。

當然，還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning )，除了可以做備忘錄跟排程規劃以外，還能將實務上碰到的問題記錄下來，等到之後碰到類似的問題時，就能詢問 AI 並得到解答。

你或許會問，那為什麼不直接使用 ChatGPT 就好了？其實，對許多企業來說，內部資料往往具有高度機密性與商業價值，有些場域甚至連手機都禁止員工帶入，自然無法將資料上傳雲端。對於重視資安，又希望運用 AI 提升效率的企業與工廠而言，自行部署大型語言模型（self-hosted LLM）才是理想選擇。而這樣的應用，並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器，體積僅如後背包大小，卻能輕鬆支援語言模型的運作，實現高效又安全的 AI 解決方案。

但問題也接著浮現：要在這麼小的設備上跑大型 AI 模型，會不會太吃資源？這正是目前 AI 領域最前沿、最火熱的研究方向之一：如何幫 AI 模型進行「科學瘦身」，又不減智慧。接下來，我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一：量化（Quantization）—用更精簡的數位方式來表示知識

當硬體資源有限，大模型卻越來越龐大，「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像：有些畫面細節我們肉眼根本看不出來，刪掉也不影響整體感覺，卻能大幅減少檔案大小。

模型量化的原理也是如此，只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示，什麼是浮點數？其實就是你我都熟知的小數。舉例來說，圓周率是個無窮不循環小數，唸下去就會是3.141592653…但實際運算時，我們常常用 3.14 或甚至直接用 3，也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思！ 

然而，量化並不是那麼容易的事情。而且實際上，降低精度多少還是會影響到模型表現的。因此在設計時，工程師會精密調整，確保效能在可接受範圍內，達成「瘦身不減智」的目標。

模型剪枝（Model Pruning）—基於重要性的結構精簡

建立一個 AI 模型，其實就是在搭建一整套類神經網路系統，並訓練類神經元中彼此關聯的參數。然而，在這麼多參數中，總會有一些參數明明佔了一個位置，卻對整體模型沒有貢獻。既然如此，不如果斷將這些「冗餘」移除。

這就像種植作物的時候，總會雜草叢生，但這些雜草並不是我們想要的作物，這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在，而動手去清理這些不需要的連結參數或神經元的技術，就稱為 AI 模型的模型剪枝（Model Pruning）。

模型剪枝的效果，大概能把100變成70這樣的程度，說多也不是太多。雖然這樣的縮減對於提升效率已具幫助，但若我們要的是一個更小幾個數量級的模型，僅靠剪枝仍不足以應對。最後還是需要從源頭著手，採取更治本的方法：一開始就打造一個很小的模型，並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」，是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾（Knowledge Distillation）—讓小模型學習大師的「精髓」

想像一下，一位經驗豐富、見多識廣的老師傅，就是那個龐大而強悍的 AI 模型。現在，他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案，老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」，例如「為什麼我會這樣想？」、「其他選項的可能性有多少？」。這樣一來，小小的學徒模型，用它有限的「腦容量」，也能學到老師傅的「智慧精髓」，表現就能大幅提升！這是一種很高級的訓練技巧，跟遷移學習有關。

舉個例子，當大型語言模型在收到「晚餐：鳳梨」這組輸入時，它下一個會接的詞語跟機率分別為「炒飯：50%，蝦球：30%，披薩：15%，汁：5%」。在知識蒸餾的過程中，它可以把這套機率表一起教給小語言模型，讓小語言模型不必透過自己訓練，也能輕鬆得到這個推理過程。如今，許多高效的小型語言模型正是透過這項技術訓練而成，讓我們得以在資源有限的邊緣設備上，也能部署愈來愈強大的小模型 AI。

但是！即使模型經過了這些科學方法的優化，變得比較「苗條」了，要真正在邊緣環境中處理如潮水般湧現的資料，並且高速、即時、穩定地運作，仍然需要一個夠強的「引擎」來驅動它們。也就是說，要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型，真正放到邊緣的現場去發揮作用，就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟：SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器，就是扮演「邊緣 AI 引擎」的關鍵角色！那麼，它到底厲害在哪？

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要？因為 GPU 的設計，天生就擅長做「平行計算」，這正好就是 AI 模型裡面那種海量數學運算最需要的！

你想想看，那麼多數據要同時處理，就像要請一大堆人同時算數學一樣，GPU 就是那個最有效率的工具人！而且，有多張 GPU，代表可以同時跑更多不同的 AI 任務，或者處理更大流量的數據。這是確保那些科學研究成果，在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎！

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房，有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計，體積相對緊湊，散熱空間也比較好（這對高功耗的 GPU 很重要！），部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算，進行「工程化」，讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格，背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場，系統穩定壓倒一切！你總不希望 AI 分析跑到一半就掛掉吧？這些設計確保了部署在現場的 AI 系統，能夠長時間、穩定地運作，把實驗室裡的科學成果，可靠地轉化成實際的應用價值。

台灣製造 × 在地智慧：打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能，能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署，及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析，還是其他 AI 相關的服務，都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務，讓企業在啟動 AI 專案前，大幅降低前期投入門檻，靈活又實用。

台灣有著獨特的產業結構，從精密製造、城市交通管理，到因應高齡化社會的智慧醫療與公共安全，都是邊緣 AI 的理想應用場域。更重要的是，這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示，這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果，往往已經錯失最佳反應時機。這也是為什麼邊緣 AI，不只是一項技術創新，更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場，就能被有效的「理解」與「利用」，是將數據垃圾變成數據黃金的賢者之石！

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

隨著科技發達，各種社群網路與監控、氣候危機、機器人與人、優生學是我們必須正視的議題，更多有關科學、生物、科技的精彩電影，請見 Giloo 紀實影音與台北當代合作，「未來近了」片單

蘋果出了史上最貴的 iPhone XS Max，一支要價 NT$52,900。可是，如果把一支智慧手機的所有化學元素都分開再賣給你，價錢還會這麼高嗎？蘋果公司出這價錢合理嗎？我們是不是該抵制一下這黑心的商業行為？

別急，如果把你身體分解成元素，不過也就主要是一堆碳、氮、磷、氧、氫等等的元素，加起來的價格又是多少？

製造一部蘋果手機並不是把一堆化學元素隨意混合而已，而是依一大堆零件的設計藍圖，在眾多工廠裡頭用精妙複雜的機器生產再組合起來。不管智慧手機多昂貴或多便宜，我們所買的，是用非常多資訊和知識製造組合，然後用軟韌體運行的高科技產品。

而要製造出一個像你我他一樣的人類驅體，也要有大量的設計藍圖，然後在各種細胞和發育的作用下，長成我們現在這個樣子，並按照類似軟韌體邏輯的運作藍圖來控制日常的生理、生化運行，這些生命藍圖編碼了奈米小機器人的資訊。我們人類正常來說，大概有兩萬多個這樣的藍圖，它們就是我們的基因，奈米小機器人就是蛋白質。

豐富多樣的藍圖庫

每個物種，都有一個獨特的藍圖庫，就是基因體。不同物種之間，有許多基本藍圖頗相似，也有不少藍圖內容不太一樣，甚至有新的藍圖，或者份數不同。其中一些動植物種，經過人類上千年甚至上萬的選拔，不同品系間的藍圖庫也有差異，其中好些藍圖有了新的資訊，造就出多樣的品種。

這些多姿多彩的藍圖庫，無論是改進人類食物食材的生產效率和品質上，或是提供天然的藥物上，都有著舉足輕重的影響。不過很不幸的，在氣候變遷下，或者資本主義講求的極致效率下，很多野生的藍圖庫也好，人工培育出的藍圖庫也好，都面臨著滅頂之災。而這部紀錄片《基因諾亞方舟》，談的就是演化生物學家、遺傳學家、動物學家、植物學家、微生物學家、農學家、生物物理學家、細胞生物學家、生化學家、病理學家、流行病學家等等 ⋯⋯ 合力為守護地球上繽紛多彩的生命歷經試煉一路演化來的藍圖庫而作出的努力。

死都要保護的種子庫

我們人類其實是種子控，不信你數數今天吃了多少種子：米飯、麵條、麵餅、麵包、豆製品等等，全都是用植物的種子做的。這些糧食多樣性的喪失，讓農作物曝露在疾病、氣候變遷等危脅中。蘇聯在納粹德軍圍城時，守護多樣種子庫的科學家，坐視滿室的食物仍寧可餓死，真是令人不勝唏噓和感動。

《基因諾亞方舟》的開頭，帶我們到挪威只有兩千多住戶的斯瓦巴群島 (Svalbard)。為了延續我們糧食的未來，科學家在那蓋了一個全球最大的種子庫  — — 斯瓦爾巴全球種子庫 (Svalbard globale frøhvelv)，利用極地天然的寒氣保存了來自全球兩百多個國家的各種作物種子，最多可以容納廿二億顆種子，現今已收藏超過一百萬份種子樣本。

生物組織蒐藏庫

生命的多樣性也取決於個體擁有多樣的組織器官。保存在細胞核的 DNA 存有各種生命藍圖，但就像工程師施工時不需要把整本工程藍圖都搬到工地或工廠一樣，轉錄作用把 DNA 上的生命藍圖拷貝成一份信使 RNA 的藍圖副本再送到核醣體去製造蛋白質，就像工程師影印奈米機器人製造藍圖副本到工廠施工，工作完成後就銷毀副本資源回收。透過窺視細胞中有哪些和有多少藍圖副本，我們能夠猜測生命的運作。

《基因諾亞方舟》同時也介紹德國野生生物的細胞銀行，用液態氮的超低溫保存各種生物組織，為我們凍結了不同物種的不同組織的藍圖副本。而在南台灣，屏東高樹鄉的辜嚴倬雲植物保種中心，植物學家也把植物的各部分小心剪下裝入小試管瓶中，再放入裝滿液態氮的大型鐵桶中，為後世子孫保存各種植物的生命運作秘密。這個自然科學博物館、國立清華大學及保種中心合作向科技部申請的「冷凍保種計畫」，目標是要在三年內完成三萬種植物的液態氮保存計畫，每個物種至少八份組織樣本，完成後將是世界最具規模的蒐藏庫。

很科幻又不科幻的基因資料庫

過去要定序一個人類的生命藍圖，也就是人類基因體，耗費了幾百億美元，還有三千多位科學家十幾年的寶貴時間。拜 DNA 定序成本比 IT 產業的晶片成本下降速度更快許多所賜，如今定序你我的基因體，費用快要比 iPhone XS Max 還便宜了！於是中國野心勃勃的華大基因 BGI，單單一家機構，正以佔全球定序總量六成的大規模，日夜不停機地要為上萬種脊椎動物的基因體定序。

但我們也別忘了，除了物種和作物品系的多樣性，你我也都是獨一無二的，即使是同卵雙胞胎也有表觀遺傳的差異，就像同一本教科書被不同學生劃的重點有差一樣，不同的後天環境會在相同的 DNA 上做出不同的標記。為了保存和研究個體間的遺傳異同，影片訪問中國、英國和奧地利的生物資料庫或基因銀行，這些基因資料庫或許有一天能幫助我們破解疾病和藥物代謝差異的遺傳因素。臺灣人體生物資料庫也基於臺灣獨特的生活型態和致病因素而成立，為生物醫學研究蒐集龐大的生物檢體與健康資訊，迄今已收集超過九萬人的樣本。而在不久的未來，科學家甚至可能試圖用基因體編輯的技術來修正我們的生命藍圖以治療疾病，或者改造人類，甚至把已滅絕的生物復活，我們將進入一個很科幻但實際上不再科幻的世界！

線上觀看《基因諾亞方舟 Golden Genes》

• 本文轉載自Giloo紀實影音 Medium，原文為〈《基因諾亞方舟》：生物奧秘的未來之夢〉。

• 林翰佐／銘傳大學生物科技學系副教授，科學月刊總編輯。

萬那杜（Vanuatu）是指位於新幾內亞島東南方與斐濟（Fuji）西方海域上的島嶼，目前為萬那杜共和國的治權範圍。先前的考古學研究顯示，這個深入太平洋中心、由 80 餘個島嶼所組成的區域上，有關人類的活動僅能追溯到 3000 年前，幾乎可算是地球上最晚發現人類活動的區域，是地球上最後一塊被人類觸碰到的淨土。

萬那杜的居民從何處而來？

這是一個人類學上相當有趣的研究議題。語言學家們的研究發現，當地居民的語言根源於東南亞語系，透過與鄰近區域考古學證據顯示，第一批到達萬那杜的居民，跟其他遠大洋洲（Remote Onceania）島嶼上落地生根的先驅者應該同屬於拉匹達（Lapita）文明。

拉匹達文明最早發現於位於新幾內亞島東北部的俾斯麥群島（Bismarck Archipelago），是一個生活於沿岸，以採集為主的新石器文明。從已出土的文物當中發現，拉匹達文明已經具備相當精緻的製陶技術，並能利用貝殼製作大量的生活工具。

目前的考古學者認為，拉匹達文明源自東南亞，從文明特徵以及在大洋洲相關文明發現的時間序列來看，整個拉匹達文明可能源自於臺灣早期的原住民，在距今5000~6000 年前經海路逐步擴散到大洋洲的諸島。

這樣的人口擴散方式又是以何種形式發生呢？是逐步的擴散，每到一個地區便與當地人種通婚產生子代，落地生根以後再向其他島嶼擴散？或者是像有目的的旅行一般，在很短的時期不斷移動所造成？

在 2016 年發表的研究中，考古學家透過分子生物學技術，研究 3 具發現於萬那杜與東加群島的先祖遺骸，發現這些迄今 2600~3000 年前的遺骸身上鮮少有鄰近新幾內亞島上人種的 DNA 特徵，反而跟東南亞的人種在血緣上更為接近。顯示這些遠古先祖在遷徙的過程，可能鮮少與當地居民通婚以致沒有血統混合的現象，或者是因為這樣的遷徙是發生於短時間的，並非經歷數代所造成。一段源自臺灣原住先民透過海上旅行到達地球最後一塊淨土的傳奇故事就這樣被發表出來。

即便透過考古學以及語言學的深入研究勾勒出一段如史詩般的故事，但仍難以完美解釋我們目前所觀察到的現象；現今的萬那杜居民雖仍以南島語（Austronesian）作為主要的語言，然而從血緣的角度來看，現在的萬那杜居民，不論在骨骼型態的角度以及基因學上的表現，均已幾乎找不到先民們的血緣。這種語言與血統上錯位（mismatch）的現象更增添了這傳說中的神祕色彩。

全基因體定序用於考古學研究

分子生物學技術用於考古學上的研究其實至少有 3、40 年的歷史。透過位於染色體上基因序列的相似程度，來推算動物物種之間或是先祖遺骸與現代人之間血緣關係的問題。

傳統的研究當中，基因標的（target gene）的選擇相當重要，科學家們需要選擇適當的基因，以這些基因在不同來源材料之間的序列（sequence）差異，做為比較的基礎；通常這類基因需要具備「適當的變異，但又不能太有變異」的微妙特性，來符合判斷不同時間尺規（scale）中對親源性分析的要求。

像是利用分子生物學技術鑑定魚種間親緣關係（可能有數千萬年以上的差別）與人類人種之間的研究（數千到數萬年），所選擇用來比較的基因標的就會有所不同。

在眾多指標之中，粒線體DNA 是較為人所熟知的一個標的。粒線體是細胞當中的一種胞器（organelles），被認為是古代細菌寄生於細胞後共生的結果，稱作內共生學說（endosymbiotic theory）。

在高等哺乳動物當中，我們認為子代的粒線體皆源自母親的卵子，故粒線體DNA 可作為母系遺傳的重要指標。在早先的研究中，粒線體DNA的定序與比對數據提供了我們在形塑現代人類起源的概念上相當有利的參考，包括提出「粒線體夏娃（Mitochomdrial Eve）」的概念。

研究表明，目前世界人口中最接近的共同女性先祖，也被稱作是「幸運的母親」為非洲的單一人口，推測存活於距今14~20萬年前。

相對於先前需要以特定 DNA序列進行分析比對的研究方式，全基因體定序是截然不同的做法。所謂基因體（genome），就是人體所有的遺傳訊息，目前已知是包含有 32 億個鹼基對（base pair，DNA的單位）的龐大資料庫。

隨著電腦科技的進步與基因定序方法上的演進，針對研究標的進行全基因體定序並比對分析已成為可能，雖然這類研究的成本仍然相當的高（現今約新臺幣 30 萬元／每個人類基因體樣本）。由於並非針對單一與數個基因進行 DNA序列上的比對，全基因體的研究可以避免像是盲人摸象式的狹隘觀點，使得研究的結果更為可信。

這裡所提到有關萬那杜人口來源的相關研究，就是用全基因體定序分析的方式進行。

發生於距今約2300年的人種改變事件

今（2018）年2月，2 篇學術性論文的發表，分別對萬那杜人種之謎提出新的證據與看法。其中瑞克（David Reich）發表於《當代生物學》（Current biology）的研究當中，特別針對 14 具發現於萬那杜的先祖遺體以及 185 名現居於萬那杜的居民檢體進行全基因體定序以及分析，結果揭露出幾項更為明確的推測。研究團隊認為，最早到達萬那杜的第一批先祖應該是拉匹達文明，在距今約 2900 年前左右到達萬那杜群島。

但到了距今約 2300 年前，這些遠大洋洲先祖的 DNA 特徵便從現存的遺骨中消失，完全由生活於新幾內亞的種族所取代，這個現象一直到距今約 150 年前的遺骨中均有相同的現象，跟現代萬那杜人的基因體中同時具有 3 種新幾內亞人種特徵以及遠大洋洲人種特性的現象有截然不同的對比。

另一篇近期登載於《自然生態學與演化》（Nature Ecology & Evolution）的文章當中也提出相同的觀察結果。科學家們對於這樣的研究結果進行多種猜測，例如瑞克的研究團隊就認為，由於新幾內亞種族的移入，迫使原本生活餘萬那杜的那些屬於拉匹達文明的先祖們離開了這些島嶼。

先祖可能在附近區域進一步與新幾內亞的人種進行通婚，並將語言保留了下來。

這種可能性或許可以從萬那杜人所使用的南島語中發現，其實仍含有新幾內亞種族語言的特徵，例如雙脣顫音的使用，代表兩種文化間的一些交流，不過，這樣的語言特徵並未受到所有語言學家的認同；也有學者認為基因特徵的突然改變可能是一場滅族式的屠殺所造成，首批跨海而來的遠大洋洲先祖在這場種族間的爭鬥中消滅殆盡。

到底真相為何？依舊是人類學者持續想要解答的問題。更多先祖遺骨的發現與全基因定序研究的投入，或許能針對這個謎團有更進一步的發現。

延伸閱讀

1. Ewen Callaway, Ancient DNA offers clues to remote Pacific islands’ population, Nature, 2018/3/1.
2. Lipson et al., Population Turnover in Remote Oceania Shortly after Initial Settlement, Current Biology, Vol. 28:1-9, 2018.

〈本文選自《科學月刊》2018年4月號〉

什麼？！你還不知道《科學月刊》，我們48歲囉！

入不惑之年還是可以當個科青