台灣學術倫理爭議不斷 ，該如何借鏡美國經驗？—《科學月刊》

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

公元 2023 年 4 月 28 日 Science 期刊發表專題「Zoonomia 計畫」，包含多篇定序、分析大量哺乳類的論文。其中一篇論文的分析尺度最小，研究對象的知名度卻最高，那就是一百年前名犬「巴圖（Balto）」的古代基因組。

先來緬懷巴圖的事蹟：他在 1925 年 2 月 1 日頂著低於零下 30 度的氣溫，駕駛雪橇 7.5 個小時，穿越 85 公里，與同儕成功將白喉血清送到目的地，拯救許多人命。

白雪季節，白喉來襲

巴圖的飼主 Leonhard Seppala 於挪威成長，後來搬到阿拉斯加，是駕駛雪橇以及培育雪橇犬的專家。巴圖 1919 年在阿拉斯加出生，從小與眾多同儕一起訓練，成為優秀的雪橇犬。

阿拉斯加西部的小鎮諾姆（Nome）在 1924 年底約三千居民，只有一位醫師 Curtis Welch 和四位護士。1925 年一月中，醫師確認恐懼的事正在發生，白喉已經入侵，人類開始死亡。

幾年前 H1N1 大流感（西班牙流感）襲擊諾姆，在醫療資源有限的當地造成重傷害。如果不及時阻止，白喉恐怕也將導致大災難。那時已經有白喉抗毒素（antitoxin）可以對付白喉桿菌，醫師緊急請求支援，也得到回應。

然而，地點、時節都很尷尬。諾姆離海港較近，可是時值嚴冬，被凍結的港口無法水運。那個年代已經有飛機，評估空運的成功機率卻不高。陸路是有鐵路，但是距離也相當遙遠。

陸海空方案中，陸路機會最高。最終人們下了艱難的決策：交給傳統技藝「雪橇宅急便」。當局緊急招募多位老經驗的雪橇駕駛人，與精銳雪橇犬組隊，一隊接力一隊，將白喉抗毒素血清送往諾姆。

一千公里的雪橇宅急便

任務極為困難，路途遙遠、氣候惡劣以外，血清預計只能維持 6 天。那時兩地郵件寄送預計為一個月，意思是要把本來普通天候下的一個月，縮短為酷寒下的 6 天時程。

最後擬定的計畫相當精密，貨物先由鐵路送到最近的尼納納（Nenana）。接著雪橇隊將從兩端同時出發，一邊從尼納納向前狂奔，送到努拉托（Nulato）；另一邊從諾姆出發，各隊依序就位，到努拉托收件，接著往回狂奔。

用台灣類比，像是把東西從台北送往高雄，一邊從台北經由桃園、新竹、苗栗、向台中前進，另一邊從高雄先向台中，沿路在台南、嘉義、彰化就位，再往回走。

從台北到高雄，國道一號的路程約為 350 公里，尼納納到諾姆則超過 1000 公里。大部分隊伍頂著零下 30 到 50 度的氣溫，前進 40 到 80 公里的距離。最後在 20 位雪橇駕駛員及 150 位雪橇犬日夜不停接力下，只花 5 天半就將血清送到諾姆。

開路先鋒 Bill Shannon 的 84 公里過程最凶險，他與 9 狗在零下 40 到 52 度的風雪中趕路，半路 3 狗不敵酷寒，不幸犧牲（三狗名為 Cub、Jack、Jet），人臉也嚴重凍傷，所幸隊伍依然完成任務。

貢獻最大的人是倒數第三棒，也就是巴圖的飼主 Leonhard Seppala。他帶領 20 狗，讓最信任的「圖哥（Togo）」與 Fritz 領隊，先從諾姆向東前進 270 公里就位，收件後又狂飆 146 公里，成為里程最長的隊伍。

圖哥也成為這趟任務中，貢獻最大的狗狗。他生於 1913 年，雪橇宅急便時 12 歲，後來活到 1929 年，16 歲去世。

英雄旅程，以及英雄的餘生

巴圖的飼主不特別看重他，所以沒有帶他同行，而是交給同樣來自挪威，在阿拉斯加工作的 Gunnar Kaasen。巴圖和同儕 Fox 是最後一棒共 13 狗的領隊，他們原本預計是倒數第二棒，負責從 Bluff 到 Safety 的 40 公里。

不過凌晨 2 點多抵達交棒地點時，預計接手的 Ed Rohn 判斷暴風雪會延誤行程，正在睡覺。Gunnar Kaasen 決定自己繼續趕路，最後累積 85 公里，在 2 月 1 日 5 點 30 分抵達諾姆。

及時獲得支援的 Curtis Welch 醫師，與手下成功控制白喉疫情，將傷害減到最輕。Alaskan Lives Matter！

當時雪橇宅急便是全美國關注的新聞，廣大民眾都很緊張是否能成。雪橇犬、駕駛人都被視為英雄，成為焦點話題。巴圖的貢獻應該算第二名，不過最後是他將血清送到目的地，這位 6 歲的狗狗也獲得最大的名聲。

熱潮過去後，巴圖被賣到洛杉磯，成為展示動物。1927 年，拳擊手轉職商人的 George Kimble 在洛杉磯見到巴圖，覺得這位英雄的待遇有夠爛，便運作讓巴圖與 6 位同儕搬到他的家鄉克利夫蘭。

巴圖抵達克利夫蘭時，受到遊行熱烈歡迎。他在動物園度過餘生，1933 年 3 月 14 日去世，享年 13 歲。接著化身為標本，成為克利夫蘭博物館的一員陪伴大家，直到 90 年後的現在。

遺傳一極棒，卻已經消逝的狗群

2023 年發表的論文由巴圖的皮膚取得 DNA，平均覆蓋率 40，品質相當好。歷史記載看他是西伯利亞哈士奇（Siberian husky），但是要等到他出生後 11 年， 1930 年這個品系才被美國犬業俱樂部（American Kennel Club）認證。

和現代品系相比，巴圖合計有 68% 血緣與多款北極狗一致。西伯利亞哈士奇只有 39%，格陵蘭雪橇犬 18%。有趣的是還配備 24% 的亞洲狗狗血緣，而且毫無任何狼的成分。

巴圖所屬的狗群，依照歷史記載源自西伯利亞，由於體型小、速度快、適合雪橇，所以被帶到阿拉斯加培育。和如今所有的品系狗比較，他配備的潛在有害變異較少，DNA 多樣性較高，遺傳上更加健康。

和一百年前的巴圖相比，如今的北極狗近親繁殖更嚴重，有害變異更多。巴圖 6 個月大便已絕育，沒有後代。他所屬遺傳更多元的族群，也已經消逝了。

根據 DNA 變異能預測古狗的形貌，只是以前都不知道準不準。巴圖有照片也有標本，可以精確比較。預測他有雙層狗毛、大部分黑毛加上少量白毛、肩高 55 公分，都符合實況。現今西伯利亞哈士奇的肩高介於 53 到 60 公分，巴圖算是範圍內略矮的。

另外有意思的是澱粉。遺傳上，狼、北極狗消化澱粉的能力最差，其餘狗從好一點到好很多。巴圖看來比其餘北極狗好一點，但是離多數狗差一截，符合他大量北極、少量亞洲血緣的遺傳背景。

他們都是英雄

巴圖的飼主 Leonhard Seppala 沒有將其選進自己的小隊，加上臨時更動計畫，反倒使得巴圖成名。其實知道多一點歷史就會覺得，歷史上最不意外的，就是發生意外。

Leonhard Seppala 事後曾經抱怨，他的難波萬愛犬圖哥應該享有的鋒芒，被巴圖獲得。歷來也不缺少貶抑巴圖的好事之徒，指控他不是隊長等等（巴圖也許不是唯一的隊長，但是反駁他擔任隊長的證據都弱弱的）。

可是稍微想想就知道，比圖哥年輕 6 歲的巴圖，當然不是弱雞。運送血清的漫長過程，只要一次失誤便前功盡棄，能參與的肯定都是精英。而巴圖也不辱使命，證實飼主調教有方。

重要的是，1925 年的雪橇宅急便及白喉保衛戰中，不論每一位有什麼貢獻，所有的狗與人都冒著巨大的風險工作，拯救許多人。他們都是英雄，我們懷念他們。

延伸閱讀

• 美洲原本的狗自成一格，後來幾乎死光光
• 天殺的月月！你的狼性呢？從 DNA 追尋狗勾起源！ 
• 品種狗狗的行為，有關遺傳，非關品種
• 十萬年灰狼DNA，替狗的起源帶來什麼啟示？
• 狗與狼的遺傳調色盤——怎麼調配黃狗、棕狗，還是黑狗？
• 哈士奇的藍眼睛，基因
• 影響胰島素，讓小狗變成大狗的基因變異
• 短篇 狗消化澱粉的能力，在何時開始加強？

參考資料

1. Moon, K. L., Huson, H. J., Morrill, K., Wang, M. S., Li, X., Srikanth, K., … & Shapiro, B. (2023). ​ Comparative genomics of Balto, a famous historic dog, captures lost diversity of 1920s sled dogs. Science, 380(6643), eabn5887.
2. Genome of famed sled dog Balto reveals genetic adaptations of working dogs
3. Hidden details of world’s most famous sled dog revealed in massive genomics project

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。

在歐亞大陸，馴化馬對歷史的影響很大，但是美洲大陸的漫長歷史中，大部分時光不知道馬的存在。最近幾百年，美洲原住民卻和歐洲人引進的馬一見如故，不同族群發展出各異的人、馬文化。2023 年發表的一項研究，探索美洲原住民和馴化馬的交流歷史。

馬在北美洲流傳，早於歐洲勢力深入

依照現有證據推敲，馴化馬的祖先來自美洲，距今 4000 多年前在亞洲馴化。美洲野馬大部份在一萬年前就消失了，不過根據沉積物的古代 DNA 分析，也許仍有少數成員一直延續到 5700 年前。

• 延伸閱讀：環境DNA猛獁象現蹤，化石消失幾千年後才真正滅團？

北美洲的原住民，也就是印地安人，他們的馬都是歐洲人帶來的嗎？為了摸索馴化馬進入美洲的歷史，研究隊伍從北美洲各地獲得 33 個樣本，29 個得知年代，27 個取得古代基因組，除 1 驢，其餘皆為馬。

過往認為，1680 年「普韋布洛起義（Pueblo Revolt）」對馬的傳播很重要。西班牙殖民隊伍 16 世紀首先抵達中美洲，要再往北美洲前進，會先接觸北美洲的西南部，也就是廣義普韋布洛族群的地盤。

雙方 1680 年在現今的新墨西哥州爆發衝突，原住民擊敗外來殖民者，應該也收穫不少馬。有歷史學家認為，這促進馬在原住民網絡的傳播。

然而這回研究指出，至少有四處地點的馬骨年代比 1680 年更早，包括懷俄明州的 Blacks Fork、堪薩斯州的 Kaw River、新墨西哥州的 Paa’ko、愛達荷州的 American Falls Reservoir。這表示歐洲殖民者受挫以前，馬已經進入印地安人的世界，傳播到更遠的地點。

至少在 17 世紀中期時，馬已經傳播到北美洲西半部的廣大範圍。那時殖民者尚未深入到大平原一帶（現今的科羅拉多、堪薩斯、德克薩斯、懷俄明等州），不過殖民者帶來的馬，已經融入一些印地安部族的生活，透過原住民原本的交流網絡迅速傳播。

人與馬建立新關係

印地安人的學習與適應能力很強，美國西北部的愛達荷（講波特蘭、西雅圖的東方，台灣人應該比較熟），17 世紀初期就存在馬銜等裝備，死馬骨頭也有被照顧的痕跡。當時與殖民者還沒什麼接觸的的原住民，已經懂得養馬，也會騎馬。

北美洲各地的原住民們，環境條件、生活方式都不太一樣。這也反映在人與馬的關係，17 世紀起衍生出多變的人馬文化。原住民和馬的相處時光雖然不長，卻深刻到成為不少族群的傳統，受到強烈打壓下，馬總是夥伴。

馬骨取得的古代 DNA 分析指出，所有原住民的馬都和更早的美洲馬群無關。維京人曾經抵達美洲，或許有帶馬，但是沒有在美洲留下遺傳紀錄。

顯然美洲原住民的馬，都來自西班牙開始的歐洲殖民者。遺傳上 17 到 18 世紀的馬最接近西班牙，後來卻更像英國，看來歐洲不同勢力前來的順序，也對馬產生影響。

馬的新國度

印地安人指稱馬的名稱很多。像是 Pawnee 族人稱呼馬為「新狗」，Blackfeet 叫作「麋鹿狗（elk）」，Comanche 稱為「魔術狗（magic）」，Assiniboine 則是「偉大狗（great）」。

美洲原住民的祖先移民到美洲時，與馴化狗一起。長期以來，狗狗是美洲人最親密的動物。上述幾族的邏輯，是將原本熟悉的人狗關係，拓展用於理解馬。

拉科達（Lakota）族人心目中，馬的地位更高。拉科達文化中無所謂馴化、野馬之分，也不會特別飼養馬匹，馬屬於「馬國（Horse Nation）」的子民，族語 Šungwakaŋ，和拉科達人就像同盟國一般。

眾多印地安族群中，拉科達人相當出名。公元 1876 年拉柯達蘇族的聯軍，在蒙大拿的小大角擊潰來犯的美軍，轟動一時。領袖「瘋馬」、「坐牛」都成為歷史名人，當中 Šungwakaŋ 的貢獻也可想而知。

延伸閱讀

• 環境DNA猛獁象現蹤，化石消失幾千年後才真正滅團？
• 哈靈頓馬非馬？已滅絕的美洲馬家新成員上線啦！  
• 馬的情慾流動，穿越美洲與亞洲
• 馬的馴化，古埃及與中東的馬 
• 馬是何時何地被人類馴化的？古代馬 DNA 揭秘：4200 年前的歐亞草原西部
• 短篇  歐洲東部5000年前，開始有人騎馬？
• 短篇 新疆發現3000年前皮球，騎馬打球？
• 短篇  新疆2300年前，騎馬射箭
• 印地安領袖「坐牛」，DNA確認現存後裔
• What Rez Dogs Mean to the Lakota
• 美洲原本的狗自成一格，後來幾乎死光光

參考資料

1. Taylor, W. T. T., Librado, P., Hunska Tašunke Icu, M., Shield Chief Gover, C., Arterberry, J., Luta Wiƞ, A., … & Orlando, L. (2023). Early dispersal of domestic horses into the Great Plains and northern Rockies. Science, 379(6639), 1316-1323.
2. The untold history of the horse in the American Plains: A new future for the world
3. Horse nations: Animal began transforming Native American life startlingly early

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。