養生新寵小扁豆基因定序完成——2016國際豆類年

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

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