愛我請不要買我

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

深海的暗氧：無光環境中的神秘氧氣生成

深海，被譽為地球最後的未開發疆域，隱藏著許多不為人知的奧秘。數千公尺深的海底沉積了數量龐大的多金屬結核，這些礦物因含有大量珍貴金屬，對現代技術，尤其是能源轉型，至關重要。然而，科學家在探索這些結核的過程中意外地發現了一種神秘的現象：暗氧，即在無光的深海環境中生成氧氣的過程。這一發現不僅可能改變我們對海洋生態系統的理解，還可能重新定義地球早期生命起源的故事。

長期以來，科學界普遍認為氧氣的生成依賴於光合作用。光合作用是植物、藻類及一些細菌透過陽光將水和二氧化碳轉化為有機物並釋放氧氣的過程。這一過程主要發生在地球表層和淺水區域，是維持大氣和海洋中氧氣含量的核心機制。根據這一觀點，只有在陽光能夠到達的區域，氧氣才能被生成。因此，對於深達數千公尺的深海區域，我們的認識是，氧氣主要來自於表層水透過洋流輸送到深處。

然而，深海中缺乏光源，光合作用無法進行，這意味著氧氣在深海中的供應受到限制。雖然洋流能夠在一定程度上將氧氣輸送到深海，但這一過程極其緩慢，往往需要數百年甚至上千年才能完成一次循環。因此，科學家一直認為深海是一個缺氧的環境。

多金屬結核的發現，是新能源的關鍵，還是海洋生態的災難？

在這樣的背景下，科學家對深海進行了更深入的探索，並發現了錳結核（英語：Manganese nodules），又被稱為多金屬結核這一珍貴資源。多金屬結核是富含金屬的岩石，其主要成分包括鈷、錳和鎳等金屬。這些結核廣泛分佈於全球深海區域，尤其是太平洋海域，儲量高達數兆噸。這些金屬對綠色能源技術，如電池生產，具有極高的價值，吸引了全球各國的關注。

然而，這些結核不僅是地球資源的寶藏，它們還隱藏著另一個重要的發現。2013 年，科學家安德魯·斯威特曼（Andrew Sweetman）在太平洋克拉里昂-克里珀頓區域進行深海研究時，意外地發現，在封閉的深海水域中，氧氣濃度竟然有所增加。這一現象引發了科學界的極大關注。

暗氧的生成機制

斯威特曼的研究團隊推測，深海中的多金屬結核可能在某些化學條件下，充當了天然電池。這些結核通過電化學反應將水分解為氧氣和氫氣，從而在無光的環境中產生了氧氣。為了驗證這一假設，團隊在實驗室中模擬了深海環境，並確實觀察到氧氣從結核生成的現象。

不過，這一過程並非如想像中簡單。根據實驗數據，某些海底結核表面的電壓僅為 0.95 伏特，卻能夠生成氧氣，這與理論上需要的 1.6 伏特電壓不符。研究團隊進一步推測，這可能與結核的成分有關，例如含鎳的錳氧化物可能起到了催化作用，降低了反應所需的能量。此外，結核表面的不規則排列及空隙可能也促進了電子轉移和水的分解。

暗氧的發現挑戰了我們對氧氣生成的傳統理解。過去我們認為，地球上的氧氣主要來自於光合作用，但這一現象表明，甚至在無光的深海環境中，氧氣也能通過無機物的電化學反應生成。這意味著，我們對於地球早期氧氣循環及生命演化的認識可能存在重大疏漏。

尤其值得注意的是，多金屬結核的形成需要氧氣，而這些結核大量出現在深海中，是否表明早期地球上就已經存在非光合作用的氧氣生成機制？如果是這樣，暗氧是否可能推動了地球上生命的起源？這一問題仍然未有定論，但暗氧的發現無疑為生命起源的研究開闢了一條新的途徑。

未來的挑戰：開採深海資源還是守護地球最後的「淨土」？

除了科學研究的價值，多金屬結核也吸引了全球對於深海資源開採的興趣。這些結核富含稀有金屬，特別是對電池生產至關重要的鎳和鈷。然而，大規模的深海開採可能會對海洋生態系統造成嚴重破壞。

首先，深海採礦可能導致噪音和光污染，破壞深海生物的棲息地。此外，採礦過程中產生的懸浮物可能對海洋生物，尤其是水母等生物造成生理負擔。研究顯示，水母在模擬的採礦環境中會因應對懸浮物而消耗大量能量，這可能削弱其免疫系統並降低生存率。

因此，雖然深海資源的開採看似能解決當前的能源危機，但國際間對此議題的爭議仍然持續。全球已有32個國家支持暫停或禁止深海採礦，呼籲進行更多的生態影響研究以確保環境保護。

暗氧的發現，不僅為科學研究帶來新的挑戰，也為深海資源的開採提出了更高的要求。在能源危機與生態保護之間，我們需要尋找平衡點。未來的技術或許能夠在不破壞環境的情況下，模擬自然過程生成多金屬結核，從而實現可持續的資源開採。

此外，暗氧現象的發現也為探索外星生命提供了新的思路。當我們在其他行星上發現氧氣時，不一定意味著那裡存在光合作用生物，可能是類似多金屬結核的無機反應在默默進行。這一發現或許將改變我們對地外生命的定義與尋找方式。

深海的秘密仍在不斷被揭開。從暗氧的發現到多金屬結核的開採，這片未開發的疆域將在未來的科學探索與資源爭奪中扮演至關重要的角色。無論是能源危機的解決還是生態系統的保護，我們都應以謹慎且負責任的態度面對這一未知的領域，避免打開潘朵拉之盒。

• 文 胡潔曦｜黑潮海洋文教基金會 鯨豚保育研究員
• 本文轉載自黑潮海洋文化基金會《海洋綠洲——花紋海豚棲地利用分析》，歡迎喜歡這篇文章的朋友訂閱支持黑潮喔！

編按：海洋綠洲棲地利用調查截至 2023/10/19 共出航 56 趟調查、共計 435 小時，追蹤時間少於 30 分鐘的花紋海豚航跡將不會被納入此分析。

國際自然保護聯盟在 2016 年開始推動「海洋哺乳動物重要棲息地」（ Important Marine Mammal Areas, 下文將簡稱為 IMMAs ），以跨國界的尺度整合瀕危海洋哺乳動物的棲地分佈、移動路線與生存威脅等資料。截至 2022 年，世界上一共劃設了 200 多個 IMMAs（圖二），並且每年持續增加中！隨著能源轉型、貴金屬日益匱乏，新能源、採礦也漸漸由陸地發展到海洋，加上目前海上充斥著各式各樣的船隻、漁具、海洋廢棄物與各式汙染等。秉持「預防勝於治療」的精神，海洋綠洲第二階段的目標即是將東部海域的鯨豚生態資料彙整申請 IMMAs ，透過國際的認證，我們期望能喚起臺灣民眾、政府對鯨豚保育的重視。

要申請 IMMAs ，其中一項重要指標便是要瞭解鯨豚對於花蓮近海這片棲地是否具有休息、覓食與繁殖哺育的重要性，在這項指標下，我們鎖定了花蓮海域最常出現的老鄰居：花紋海豚（Grampus griseus）與飛旋海豚（Stenella longirostris），透過一年四季共 20 趟的調查，我們期望能瞭解長年在花蓮外海走跳的牠們，究竟在哪些區域哺育、繁殖、休息、覓食或社交，同時也希望藉由調查瞭解牠們的行為狀態是否會受到賞鯨、漁業活動的影響？在 2021 年 4 月的試航之後，我們正式展開了為期三年的調查，持續在海上蒐集資料；今年秋天的第一篇電子報，我們將要跟讀者分享這三年來在花紋海豚身上的新發現。

身為稱職的「護花使者」，不打擾的默默跟隨著！

棲地利用調查的範圍以鹽寮港為南界、和平溪口為北界，之間共劃設北、中、南三個重點調查區域（圖三），觀察花蓮近海最常見的飛旋海豚與花紋海豚的族群樣貌與行為狀態，為了要長時間追蹤鯨豚，一趟海上調查大約會落在 8 – 10 小時。

棲地利用的調查方法為「焦點群體採樣 Focal animal sampling 」，跟以往賞鯨點狀的紀錄不同，在海上我們的工作就像是「狗仔」，當我們在預計的重點調查區域範圍遇見飛旋海豚或花紋海豚時，我們會鎖定狀態較穩定的主要群體，以不影響鯨豚行為狀態的前提下，能跟同一群鯨豚多久就跟多久，最久甚至高達 7 小時呢！在調查過程中，辛苦的調查員們會記錄下牠們每 5 分鐘做了些什麼，同時海豚當下的泳向、下潛時間跟角度、個體間距與泳速等都會被詳盡地記錄下來，並搭配錄影、拍照作為判斷狀態的依據（表一）。為了要盡可能記錄鯨豚未受人為干擾的狀態，我們會盡量與鯨豚保持 200 公尺以上距離，用望遠鏡遠遠地觀察，只有最後蒐集水下聲音、拍攝特寫時才會靠近牠們。

下潛方式可以判斷花紋海豚準備要覓食？

在調查過程中我們有發現花紋海豚出現幾次嘗試覓食的行為——「魚雷式下潛」（圖五），這種下潛方式初次被描述於亞速爾群島（Azores）的研究，當地學者在花紋海豚身上裝置吸盤式資料蒐集器（Data TAG），發現花紋海豚魚雷式下潛時，能在短時間內更快地潛入深海，並且在下潛後，吸盤式資料蒐集器也有錄到花紋海豚搜尋獵物的喀答聲（Clicks）以及滋滋聲（Buzz），由於滋滋聲是齒鯨在最後嘗試覓食時會發出的，證明在魚雷式下潛過後，牠們有在水下嘗試覓食。而讓我們覺得振奮人心的是，我們居然也在花蓮近海紀錄到花紋海豚的魚雷式下潛，說明花紋海豚很有可能在這片海域覓食！

來點翻譯蒟蒻吧——看看花紋海豚都在做些什麼？

本次分析採用了 38 群花紋海豚，總共約 84 小時的調查航跡，並使用 3×3 km² 的網格¹ 分析各個行為狀態的使用區域。透過過去三年的資料來看，我們發現花紋海豚最常在花蓮近海游走，範圍主要在立霧溪以南至芭崎離岸約 15 公里的範圍內，並且在北邊也有少量高比例區域；至於第二常見的社交行為狀態，大略可以分為三個核心區域，由北至南分別是大濁水溪、崇德以及芭崎的外海離岸約 5 公里的範圍內；花紋海豚休息的位置主要位於立霧溪出海口約 7 公里以內的範圍；繞圈徘徊主要在七星潭外海、鹽寮外海約 7 公里以內的範圍；覓食則位在花蓮溪出海口至鹽寮外海約 10 公里以內的範圍。同時我們也發現目擊的花紋海豚群次，有 45.8 % 有出現母子對，而這也代表我們調查的範圍內是花紋海豚育幼的重要區域。

由於調查船追蹤鯨豚時，是平行地跟隨在鯨豚側邊，透過分析船隻追蹤期間的速度，我們也可以概略得知鯨豚的平均泳速。在分析追蹤群體的泳速後，我們發現花紋海豚整體泳速介於 0.5 – 4 節² ，繞圈徘徊的速度較快，介於 2 – 4 節；而在五種狀態中最慢的為休息，介於 1.2 – 3 節間；覓食跟游走的速度範圍廣，介於 0.5 – 4 節。我們也希望可以了解花蓮近海頻繁的賞鯨活動是否對花紋海豚會造成影響？透過獨立出賞鯨船靠近的航跡，我們發現泳速並無太多變化，但在少數賞鯨船靠近的經驗中，我們發現群體的行為狀態會有些變化，例如群體泳向變得不一致、或賞鯨船離開後群體變得更加分散，甚至也有最後下潛離開的案例。

透過棲地利用分析，我們初步瞭解了花蓮近海花紋海豚的關鍵生命週期活動，同時也發現到部分花紋海豚群體有受到賞鯨船的影響，未來我們將會彙整這些分析的數據，並對於保育策略提供更實際的經營管理建議，同時根據本次分析成果，我們也呼籲讀者支持提倡友善賞鯨的商家，讓花蓮近海的老鄰居們持續優游於此。海洋綠洲棲地利用調查需要長時間且耐心的觀察，能累積到今日的成果，我們要向所有參與調查的調查員、合作的船家以及船長表示最誠摯的感謝，同時我們也感謝捐款支持黑潮的企業、民眾、和政府單位，讓海洋綠洲計畫能夠順利執行。

註解

1. 我們在分析前將花蓮近海切成棋盤方格狀的「網格」，分析每一格中各個狀態所佔的百分比。 ↩︎
2. 「節（Knot）」為速度單位， 1 節等於 1 海里/小時、或 1.852 公里/小時。 ↩︎

1. Baker, Isabel & O’Brien, Joanne & McHugh, Katherine & Berrow, Simon. (2017). An Ethogram for Bottlenose Dolphins (Tursiops truncatus) in the Shannon Estuary, Ireland. Aquatic Mammals. 43. 594-613. 10.1578/AM.43.6.2017.594.
2. Visser, Fleur & Hartman, Karin & Rood, Ente & Hendriks, Arthur & Zult, Daan & Wolff, Wim & Huisman, Jef & Pierce, Graham. (2010). Risso’s dolphins alter daily resting pattern in response to whale watching at the Azores. Marine Mammal Science. 27. 366 – 381. 10.1111/j.1748-7692.2010.00398.x.
3. Affinito, F., Olaya Meza, C., Akkaya Bas, A., Brill, D., Whittaker, G., & Capel, L. (2019). On the behaviour of an under-studied population of bottlenose dolphins in the Southern Adriatic Sea. Journal of the Marine Biological Association of the United Kingdom, 99(4), 1017-1023. doi:10.1017/S0025315418000772
4. Visser, F., Keller, O. A., Oudejans, M. G., Nowacek, D. P., Kok, A. C. M., Huisman, J., & Sterck, E. H. M. (2021) Risso’s dolphins perform spin dives to target deep-dwelling prey. Royal Society. 　https://doi.org/10.1098/rsos.202320
5. Mann, J. (1999). Behavioral sampling methods for cetaceans: A review and critique. Marine Mammal Science, 15(1), 102–122. https://doi.org/10.1111/j.1748-7692.1999.tb00784.x
6. 游文志. 2000. 花蓮縣石梯海域賞鯨船對鯨豚行為之影響。國立東華大學自然 資源管理研究所 碩士論文。59pp。