Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

「應用研究」真的比「基礎研究」對經濟有貢獻嗎?——《科學月刊》

科學月刊_96
・2017/06/14 ・2806字 ・閱讀時間約 5 分鐘 ・SR值 576 ・九年級

文/林宮玄|任職於中央研究院物理研究所,兼任科學月刊副總編輯。

一般人對基礎科學研究的印象,大概是高深又難懂,但是學術界有名望、有影響力的人都說很重要,雖然不懂,也要跟著大家說這很重要,以免招來惡評。立法院在審查預算時,臺灣人民縮影的立法委員與立委助理們,大概就是這種心情。以上純屬筆者臆測,如有雷同,筆者也不知道是否純屬巧合。

也許別讓人懂基礎研究在做什麼,保持一份神秘感,維持現狀最好。根據目前社會氛圍,立委大人不敢貿然亂刪科技預算,只好刪除看得懂的東西,譬如康樂預算、福利預算與出差預算,或來個統刪多少百分比,大家做個樣子好交差。過去學術界部分單位甚至訂下制度,學者玩發表論文換點數的遊戲,搜集點數換升遷與加薪。學校可對政府交代,學者也歡喜,但納稅人就該乖乖繳費,讓學術界玩這樣的遊戲嗎?所幸大多數臺灣人早已注意到這個問題。

本期專訪人物,大學教授出身的行政院吳政忠政務委員提出,做事情要有「終極目標為何」的概念。當然,上面根據精神訂了規則,下面卻做不符合「規則精神」但符合「規則」的玩法,遂行真正終極目標:「拿到最多經費」,可能是該進一步討論的。國家法律有其法源精神,如何訂法條,讓人執行起來符合法源精神,是一門很深的學問。

-----廣告,請繼續往下閱讀-----
大學教授出身的行政院吳政忠政務委員提出,做事情要有「終極目標為何」的概念。當然,上面根據精神訂了規則,下面卻做不符合「規則精神」但符合「規則」的玩法,遂行真正終極目標:「拿到最多經費」。圖/By Downing Street @ flickr, CC BY-NC-ND 2.0

基礎研究真的對經濟沒有立即影響嗎?這是一個大哉問。估且不論研究本身,學術界基礎研究過程中就已經在培養人才做事情的方法。這些人才可以從失敗的研究過程中吸取經驗,這卻是沒辦法量化而被隱藏的影響。基礎研究失敗風險極高,如同創業的失敗率高達 90% 以上,但失敗不代表沒有學到知識與經驗,過程中參與的人才,只要持續有個目標,最後還是有可能成功,當先驅者開花結果。以上純屬個人看法,回歸問題:「應用研究比基礎研究對經濟有貢獻嗎?」,一般人會認為,這種問題怎麼可能用科學方法研究。但 2017 年 4 月刊登在 Science 期刊的一篇論文,令筆者眼睛為之一亮,值得我們國家決策者注意。

「基礎」或「應用」研究對經濟影響有差嗎?

美國哈佛大學商學院、美國麻省理工學院及美國經濟研究所(National Bureau of Economic Research)的研究團隊,針對生醫領域中政府支持的研究計劃,「基礎研究」與「應用研究」對產生「應用價值」的目標是否不同?結論是:「基礎」或「應用」導向的生醫研究計劃,最終對社會經濟的影響,看不出統計上的差別。

換句話說,如果最終目標是「研究計劃產生應用價值」,在申請計畫時區分「基礎」或「應用」導向是沒有意義的。這個結論顛覆一般人思維,理論上「應用」導向的研究,不是更可能成功產生「應用價值」嗎?也就是所謂的技術轉移、協助成立新創公司、使生活更便利或人類更健康。

研究分析樣本定義

令人驚訝的結論,一定要了解這個科學實驗是怎麼做的,是否實驗方法使結論有偏差?避免落入某些媒體「標題殺人」或「聳動標題」的陷阱。該論文「應用價值」指的是「專利」,至於「專利 (尤其是國內的專利)」算不算有「應用價值」?筆者不予評論。但研究總要先有個定義,才能進行下去。

-----廣告,請繼續往下閱讀-----

關於分析的樣本,是美國國家衛生院(National Institute of Health, NIH)所資金支持的計劃。NIH 在生命科學領域是世界上最大的資金贊助機構,每年經手超過 300 億美金,相當於一兆新臺幣左右,約為中華民國政府一年總預算的一半。在美國本土,包含政府與私人公司贊助的生醫研究中,有三分之一是由 NIH 所資助。如果進一步區分所謂的「基礎研究」與「應用研究」,NIH 則是「基礎研究」的最主要贊助者。

論文作者追蹤並分析 NIH 從 1980~2007 年所贊助的 365,380 個計劃,約有 10% 在計劃結束直接產生專利。大部分的決策者(或官員),最重視的也是這個部分:計劃結束是否能有立即成果及經濟價值。部分人士更狹隘看待「經濟價值」,譬如很多專利在進入人體試驗,失敗而未被美國食品藥品局(Food and Drug Administration, FDA)批淮上市販售。但該團隊採用較寬鬆的方法來認定計劃所產生的「應用價值」。因此進一步定義:若有專利內容引用 NIH 資助計劃所產生的論文,算是「間接產生專利」。根據這個定義,「間接產生專利」佔 NIH 資助計劃中的 30%。

分析的樣本,是美國國家衛生院(NIH)所資金支持的計劃。NIH 在生命科學領域是世界上最大的資金贊助機構,這個研究顯示,「基礎」與「應用」導向的研究計劃,何者對社會經濟的貢獻比較重要?在生醫領域是沒有差別的。圖/By NIH, Public Domain, wikimedia commons

論文作者也提醒讀者,利用「專利」來定義「應用價值」有限制與缺點。雖然他們已經將大部分專利考慮進去,並與NIH 計劃做聯結研究,但還是有一些專利未考慮到。「間接產生專利」的定義方式也不完美。許多人寫專利在引用論文時,並未考慮:引用的論文是否對該專利發明人真正有啟發性。這會造成「間接產生專利」無法完全反應哪些論文真正有貢獻。還有另一個情況:有原創性的 A 論文,被 B 論文引用,但最後專利只引用 B 論文。這種情況,實際上 A 論文也有貢獻,但沒被專利引用而計算到,會低估產生 A 論文計劃的應用價值。

作者更進一步表示,NIH 所訓練的人才,理當對經濟有貢獻,這個效應也沒辦法被考慮。儘管有這麼多實驗設計的不完美,大數據分析的結論,仍值得大家深思。「基礎」與「應用」導向的研究計劃,何者對社會經濟的貢獻比較重要?這個研究顯示,在生醫領域是沒有差別的。筆者認為,這也許反應前瞻研究計劃不可預期的特性。如果真的一開始能預期結果,計劃結果都符合一開始預期,反而有問題。既然不可預期,在寫計劃時預期是「基礎」還是「應用」,是否只是參考?

-----廣告,請繼續往下閱讀-----

針對臺灣環境做研究?

這個研究是由美國人在美國權威雜誌 Science 期刊發表,是針對美國本土狀況的研究,也具有啟發性可供其他國家參考。適用於臺灣嗎?若有臺灣學者做這類研究,因為臺灣樣本數太少,其他國家學者可能沒興趣引用。發表出來的論文,也許不會被英美所主導的權威雜誌接受。但是臺灣需不需要這類研究?以國際眼光評價可能不高,但這類研究對臺灣的「貢獻」是否很大?針對臺灣環境所做的研究,理應對臺灣決策者更具說服力。

最後筆者再次強調,這個研究是針對「美國的生醫領域」,也許也可解釋,以「基礎科學」為強項的中央研究院,除了大量資金投資以外,技術轉移為何以生醫領域為大宗。至於其他領域,「基礎」與「應用」為導向的研究計劃對「應用價值」有無顯著差別?可能是各抒己見的辯論。希望相關領域專家學者,能針對臺灣樣本,提供科學上的研究分析。


〈本文選自《科學月刊》2017 年 5 月號〉

什麼?!你還不知道《科學月刊》,我們 47 歲囉!

-----廣告,請繼續往下閱讀-----

入不惑之年還是可以當個科青

 

 

 

 

 

 

 

-----廣告,請繼續往下閱讀-----
文章難易度
科學月刊_96
249 篇文章 ・ 3743 位粉絲
非營利性質的《科學月刊》創刊於1970年,自創刊以來始終致力於科學普及工作;我們相信,提供一份正確而完整的科學知識,就是回饋給讀者最好的品質保證。

0

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)」!

-----廣告,請繼續往下閱讀-----

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。

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。

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。/ 圖片提供:研華科技

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----
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。/ 圖片提供:研華科技

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

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

5
3

文字

分享

0
5
3
台灣也有國家寶藏!從化石窺探海洋古生物保育——台大生科蔡政修助理教授專訪
科技大觀園_96
・2021/06/02 ・4438字 ・閱讀時間約 9 分鐘

大自然早已將故事埋在地底

在地球漫長的 46 億年裡,這片土地曾經生活過無數種生物,從原核生物、單細胞生物、多細胞生物到後來的生物多樣性,在人類還未出現的年代,地球上的生命演化正蓬勃發展,而大自然早已默默的將這些珍貴史料紀錄在這片土地上。

古生物死亡後的遺體或是生活痕跡許多會被當時的泥沙掩埋,在地底經過多年的擠壓、分解,生物較堅硬的部位,像是骨骼或外殼,會被保留下來跟周圍的沈積物一起變成石頭。古生物學家在野外透過分辨岩石的材質差異找出可能埋有化石的岩層,經過觀察分析,小心地將整個岩石挖出帶回實驗室進行兩到三年的清修,才是我們在博物館看到的化石。

博物館中的每一件化石,都是古生物學家慢慢挖掘、清修完成的,圖中為早坂中國犀的全身骨架化石,出土於台南左鎮菜寮溪,現展於台南左鎮化石園區。圖/台南左鎮化石園區

印象中博物館裡的化石都來自歐美,那台灣也有化石嗎?其實也有喔!這次我們邀請到主持台灣大學生命科學系古脊椎動物演化及多樣性實驗室的蔡政修教授跟我們聊聊台灣的古脊椎動物。蔡政修教授在 2004 年參與了台南市抹香鯨自體爆炸事件的解剖工作,從此迷上這個水中巨型脊椎動物。身為一名古生物學家,蔡政修教授主要從事鯨豚類化石及演化的研究,命名過四種先前完全未知的新種鬚鯨,並在台大組織了古錐 508 實驗室研究台灣本土古生物,這次就讓我們一起跟著教授深入了解這些長眠在地底的寶藏吧!

從蔡政修教授的言談中不難發現他對古鯨豚的癡迷,興奮地跟我們展示研究室裡的化石收藏。圖/科技大觀園拍攝

古生物學家「腦補」出地球演化軌跡?

古生物學家的工作可不是挖挖石頭、拿個刷子在岩壁上刷刷刷,再憑空編出一些故事這麼簡單!那些一塊一塊黑黑的化石怎麼看都長一樣,要怎麼分辨這個化石是哪種生物的哪個部位呢?蔡政修教授笑著告訴我們:「就像你們看到貓跟狗不會搞混,我們古生物學家每天都在看化石,我一看就知道這是露脊鯨耳骨了!但除了依靠經驗,科學佐證也很重要!」

-----廣告,請繼續往下閱讀-----
從澎湖海域打撈上來的台灣更新世露脊鯨(Mysticeti, Balaenidae)耳骨,預測身長約有 10~12 公尺。圖/科技大觀園拍攝

憑藉多年與化石打滾的經驗,古生物學家在為化石做分類的時候,會先將古生物與保有完整骨骼的現生生物做比對,再用科學方式,例如同位素定年、DNA、分子技術或骨蛋白做更深入的分析,才能確認這個化石是屬於什麼物種。聽起來科技進步為古生物學研究開起另一扇窺探歷史的門,可惜的是這些科學檢驗方法有致命的缺點——需要破壞化石,而這對化石藏量本就非常稀少且資金缺乏的台灣來說可是一大瓶頸。

儘管我們沒有足夠的化石數量來進行破壞性研究,但 3D 掃描、列印的技術成熟,使科學家在新物種發表的時候,不需長途遠征去看化石結構,就能在實驗室自行列印遠在地球另一端的化石,360 度觀察化石的型態以驗證物種分類。

什麼?台灣古代曾經有巨大生物!

每當講到古生物學,我們大多會想到電影《侏羅紀公園》裡的恐龍,但其實恐龍只是古生物眾多類群裡的一個小分支而已,百萬年前的台灣陸地上有比暴龍(大約 7、8 公噸)更大的生物喔!根據近年出土的化石資料,大約在距今 258 萬年到 1 萬多年前的更新世,台灣陸地上就存在超過 10 公噸的古菱齒象(Palaeoloxodon),不僅如此,台灣甚至還曾出現過體型長達 6、7 公尺的台灣馬來鱷(Tomistoma taiwanicus)。

台灣古菱齒象化石被漁民從澎湖附近海底打撈上來,牠的祖先來自中國大陸華北地區淮河流域,是華北地區動物群因氣候變冷南遷的絕佳證據。圖/Wikipedia

細數目前台灣陸地上的大型動物,最大的也只剩下 200 公斤的台灣黑熊,為什麼我們現在都看不到這些遠古巨大生物呢?地球經歷五次大滅絕,古菱齒象、台灣馬來鱷、恐龍都不見了,為什麼台灣黑熊、路邊的小鳥可以躲過滅絕呢?蔡政修教授告訴我們,這就是近十年來正熱門的「保育古生物學」在探討的問題。

-----廣告,請繼續往下閱讀-----

古生物都死那麼久了為什麼還要保育?

現代人一定對生物保育不陌生,常常可以在社群媒體上看到西部沿海中華白海豚和苗栗石虎的保育進展,現代保育利用保護物種棲息地、隔絕生命威脅的方式來避免物種快速滅絕。我們都知道保育工作很重要,但是那些已經不存在幾百萬年的生物,我們要保育什麼?

石虎是目前列為瀕危物種的台灣唯一現存原生貓科物種。圖/台北市立動物保育網

「保育古生物學」是藉由古生物學的研究來測試生物對於環境變化的模型或是實例來預測未來可能的演變,主要有三大研究方向:

  1. 從現生物種的化石判斷此物種是該保育的本土種還是該撲殺的外來種。像是金龜(Mauremys reevesii Gray)就曾被誤認為外來種,好險後來有找到金龜化石,才發現牠其實是瀕臨絕種的台灣原生淡水龜。
  2. 找出目前瀕危、極危物種的化石來推算物種原本的繁殖地,進行繁殖地再造,重建生態群聚、復育物種。
  3. 利用化石碎片拼湊出已滅絕動物當時的生活方式、棲息地環境、族群大小,分析出物種如何適應環境的變遷或是找出其絕種原因,再應用到現存生物的保育。

蔡政修教授認為保育古生物的特點在於用更宏觀的視野來看待保育這份工作,畢竟永續的概念是無止盡的,希望可以把眼界放寬到下一個千年、萬年,全面性的「根治」保育。

灰鯨寶寶在台灣

最經典的保育古生物例子就是灰鯨(Eschrichtius robustus)了,現存灰鯨分成東太平洋族群和西太平洋族群。東太平洋族群主要出現在阿拉斯加和美國南加利福尼亞州沿岸,原本因過度獵殺、工業污染幾乎要絕種的灰鯨,在國際捕鯨委員會的立法保護下漸漸脫離絕種危機穩定成長,但西太平洋的灰鯨就沒那麼幸運了。

-----廣告,請繼續往下閱讀-----
東太平洋灰鯨群復育相當成功,現在他的棲息地已是著名賞鯨勝地。圖/Wikipedia

西太平洋灰鯨群目前只剩下一百多隻左右,不僅族群數量非常稀少,人類也不清楚他們的遷徙路線,如果想要復育灰鯨,除了保護現存的個體,還要努力培育下一代,那麼找到他們的繁殖地就很重要了!

由於近年來環境的劇烈變化,還有族群數量稀少導致生物生存模式有所改變,灰鯨早已搬離他們原本的繁殖地。一直以來韓國、日本、中國都有人說灰鯨的原生繁殖地在他們海域,但至目前為止都沒有直接的化石證據來支持這個說法,正當科學家苦尋無果時,沒想到讓大家尋尋覓覓的繁殖地就在台灣!

漁民從澎湖海溝打撈出兩件晚更新世時期的灰鯨頭骨化石,從骨骼大小推斷,這兩隻灰鯨只有 5 公尺,要知道灰鯨一出生大約 3~5 公尺,成年會長到 15 公尺,所以非常有可能是兩隻出生才幾個月大的灰鯨寶寶,也就是說,澎湖海溝一代曾經是灰鯨的繁殖地!這個重大發現足以讓古生物學家開始思考古生物保育的可能性:為什麼更新世時期的澎湖海溝可以孕育這麼多灰鯨?是什麼環境變遷讓灰鯨搬離原本的繁殖地呢?如果可以利用植物化石建立古環境,那是不是我們就能幫瀕危灰鯨重建家園了?

臺灣灰鯨化石復原圖,作者孫正涵。圖/開放博物館

澎湖海溝的兩個灰鯨化石就是保育古生物行動很好的開端,雖然離真正復育成功還有一大段路要走,但現在我們可以大聲說:「灰鯨在古代可是來我們台灣海峽產子、哺乳的呢!」

-----廣告,請繼續往下閱讀-----
3D列印縮小版灰鯨頭骨化石,目前台灣只有兩件,分別珍藏於國立自然科學博物館和台南私人收藏家手上。圖/科技大觀園拍攝

台灣化石基礎研究現況與未來

跟其他國家相比,台灣的古生物研究可以說是非常「年輕」了!台灣最早的化石研究要追溯到 1930 年代日治時期,台北帝國大學(台灣大學的前身)地質學教授早坂一郎在台南左鎮的菜寮溪組織挖掘化石的團隊開始。第二次世界大戰之後,台灣因為還沒有發展本土古生物研究,後續出土的化石還是繼續送往日本研究,而這也是導致目前台灣化石藏量相當稀少的原因之一。

近年來的化石分佈大多在台南、南投出土或是台灣海峽打撈(台灣海峽深度只有 60~70 公尺,漁民在從事海底拖網作業時時常會打撈到化石),雖然說台灣陸續有許多化石出土,但相較於歐美幾百年的古生物研究和大企業的資金支持,台灣本土的古生物研究不僅資金缺乏、民眾對這個領域十分陌生,化石也大多在收藏家手上。

台灣的古生物學研究還正在起步的階段,相比於其他國家累積多年的基礎資料庫,台灣這片土地還有許多未知的寶藏等著我們去發掘,一代一代接棒下去,說不定在未來,我們站在西部沿岸就能看到灰鯨媽媽回來哺育灰鯨寶寶的場景。

蔡政修教授鼓勵學生從事基礎研究,親自傾聽遠古生物想告訴我們的故事。圖/科技大觀園拍攝

說到這裡,蔡政修教授最後跟我們分享了一個小故事:有一次教授為國高中科展得獎學生演講,一名學生問他做古生物研究可以幹嘛?還沒等教授回答他的問題,旁邊就有另一名學生搶先回答:「宣揚國威啊!」是啊!從發現灰鯨寶寶化石這件事情來看,不正是向國際展示古灰鯨是以台灣海峽為繁殖地的直接證據嗎?蔡政修教授強調,我們必須以基礎研究做背書,才能大聲跟世界訴說這個小島曾經擁有的歷史痕跡。

-----廣告,請繼續往下閱讀-----

參考資料

  1. 【鯨非昔比】保育「古」生物學 – 到底是要保育什麼?
  2. 台大古脊椎- Fossil Lab 508 – Home
  3. 【科學史沙龍】保護海龜大家一起來&台灣的古生物學
  4. 【海人臉譜】以古鑑鯨、以古鑑今的蔡政修老師
  5. Wikipedia-Gray whale
  6. Wikipedia-Fossil
  7. 台南左鎮化石園區
  8. Youtube-蔡政修教授20190426演講
-----廣告,請繼續往下閱讀-----
科技大觀園_96
82 篇文章 ・ 1126 位粉絲
為妥善保存多年來此類科普活動產出的成果,並使一般大眾能透過網際網路分享科普資源,科技部於2007年完成「科技大觀園」科普網站的建置,並於2008年1月正式上線營運。 「科技大觀園」網站為一數位整合平台,累積了大量的科普影音、科技新知、科普文章、科普演講及各類科普活動訊息,期使科學能扎根於每個人的生活與文化中。

3

33
5

文字

分享

3
33
5
忘了收培養皿就去度假,回來後發現世上第一個抗生素!
賴昭正_96
・2020/12/23 ・4734字 ・閱讀時間約 9 分鐘 ・SR值 562 ・九年級

-----廣告,請繼續往下閱讀-----

「發現」是看到別人所看到的,但思考著別人所沒想到的。(Discovery is seeing what everybody else has seen, and thinking what nobody else has thought.)

 

Albert von Szent-Györgyi Nagyrápolt——1937 年諾貝爾醫學獎

科學史上那些來自「意外」的大發現

許多謮者可能覺得科學的進展是有條有理的:每年向國科會提出研究計劃,然後按部就班地完成。但事實上科學上的許多大發現可以說大都是「意外」的:例如德國理論物理學家普朗克 (Max Planck) 謂他是靠「幸運的直覺 (lucky intuition) 」而意外地敲響了量子力學革命之鐘聲!一位名不見經傳,任教於東巴基斯坦的講師玻色 (Styendra Bose) 也以一篇 1500 字的論文糊里糊塗地意外開啟了量子統計力學之大門(見「量子統計的先鋒——波思」)!

許多科學上的大發現都是「不小心」的。圖/giphy

除了上面那類「意外」外,科學上還有一種靠天幫忙的「機緣巧合幸運的意外發現」(英文稱為 serendipity )。

例如諾貝爾 (Alfred Nobel) 炸藥之發現,有一傳說是因為儲存的硝化甘油意外泄漏,與用來包裝儲存鐵桶之板狀矽藻土混合,使他想到了試用此板狀矽藻土。經實驗後,他發現兩者相混之固體不但安全可靠(硝化甘油為液體,非常不穩定,一不小心就爆炸),而且還可保持原有之爆炸威力──這不正是他研究甚久而未能找到的「穩定炸藥」嗎(見「量子統計的誕生」)?!

醫學上這類的幸運發現更是層出不窮。例如 1889 年,為了瞭解胰臟的功能,法國兩位外科手術醫生梅倫 (Joseph von Mering) 及明考斯基 (Oskar Minkowski) 將狗的胰臟割除,發現這隻可憐狗整天口渴及隨地小便。

-----廣告,請繼續往下閱讀-----

數日後,一位助手覺得實驗室內的蒼蠅好像突然多了起來⎯⎯尤其是在狗小便過的地板處。分析狗尿及其血液後,梅倫及明考斯基很驚奇地發現裡面充滿了糖份!顯然地,胰臟具調解體內糖份的功能,它一旦受損,將導致糖尿病!就這樣,梅倫及明考斯基無意中發現了「困擾」人類三千多年之糖尿病的病源(見「胰島素與生技產業誕生的故事」)。

兩位外科醫生在小狗身上發現人類糖尿病的成因。圖/Pexels

在「認識病毒全攻略!病毒的發現、與細菌的不同、科赫假說和致病機制」一文裡,筆者提到了抗生素的發現是醫學史上最重要的突破之一。但多少謮者知道英國細菌學家弗萊明 (Alexander Fleming) 是靠機緣巧合及運氣而發現第一個抗生素——盤尼西林( penicillin,或稱「青黴素」)——嗎?

發現青黴素還把專利交給政府的辣個男人

弗萊明 (1881-1955年) 出生於蘇格蘭的洛克菲爾德 (Lochfield) 小城,七歲時父親去世。 弗萊明在當地學校接受了良好的基礎教育,13 歲時跟隨同父異母兄弟前往倫敦,十幾歲的時候就在攝政街理工學院 (Regent Street Polytechnic) 上課。在貨運公司工作了四年後,進入倫敦聖瑪麗醫院醫學院 (St. Mary′s Hospital Medical School)。

弗萊明為發現盤尼西林的研究者。圖/G.cz

原想成為一名外科醫師;但 1906 年在疫苗治療的先驅賴特 (Almroth Wright) 爵士帶領下的研究使他確信他的未來在於細菌學的新領域。他於 1908 年獲得學位後,便留校當講師,直到 1914 年因第一次世界大戰而從軍擔任陸軍醫療隊的上尉。1918 年回到了聖瑪麗醫學院,1928 年昇等為該學院教授,1943 年當選為皇家學會會士 (fellow) ,1948 年當選為倫敦大學細菌學名譽教授,於 1944 年獲封為爵士。 

-----廣告,請繼續往下閱讀-----

1999 年,弗萊明被《時代》雜誌評選為 20 世紀的 100 位最重要人物;2002 年,他在英國廣播公司 (BBC) 的電視民意調查中被選入為 100 個最偉大的英國人。弗萊明爵士不是因為發現了可拯救數百萬生命的抗生素而非常受人尊敬,而是他並沒有因專利成為一個很有錢的人。

弗萊明紀念郵票。圖/Wikimedia common

相反地,他了解青黴素具有克服梅毒、壞疽、和結核病等疾病的潛力,必須將其釋放給世界,以服務更大的群眾。因此在第二次世界大戰前夕,弗萊明將專利移交給了美國和英國政府,使他們能及時大量生產青黴素,救治了那場戰爭中的許多傷員。

在「胰島素與生技產業誕生的故事」一文裡,筆者也提到了發現胰島素之加拿大多倫多大學講師班廷 (Frederick Banting) 也應可賺大錢,但卻在取得胰島素萃取的專利後,將其使用權完全免費地轉給加拿大多倫多大學!這種清高的學術研究,在今日生物研究已成為一場金錢遊戲的社會裡(見「你的基因是別人的專利?生技產業的金錢遊戲由此開啟」)已經幾乎看不到,實在讓筆者非常懷念象牙塔的學府!

粗心致培養皿發霉,竟意外發現盤尼西林

弗萊明是一位粗心的實驗室技術員,1928 年夏在研究葡萄球菌1的某一天,他忘了將含有葡萄球菌培養物的培養皿放在培養箱中,留在實驗室工作台上就匆匆忙忙地離開實驗室去度假。命運就是這樣作弄人:那時室內的溫度及濕度均適合霉菌(mold,或譯「黴菌」)的生長;因此兩個禮拜回來後,弗萊明發現在敞開窗戶旁的培養皿因未加蓋而發霉。

-----廣告,請繼續往下閱讀-----
弗萊明忘了把培養皿收在培養箱裡,留在工作台上就去度假了,回來後發現了一些「驚喜」。圖/Pexels

一般的研究者大多會將這些被霉菌孢子污染的培養皿丟掉;但弗萊明這次卻心血來潮⋯⋯。他回憶說:

基於以前「溶菌酶」的經驗,也像許多細菌學家那樣,我應會把污染的培養皿丟掉,⋯⋯某些細菌學家也有可能(早就)注意到我(那時)看到的相似變化,⋯⋯但是在對天然產生的抗菌物質沒有任何興趣的情況下,都會順手地將培養物丟棄。⋯⋯但(這次)我沒有找個藉口丟掉受污染的培養液,相反地,我做了進一步的探討。

弗萊明細心觀察到:霉菌掉落處周圍的瓊脂凝膠 (agar gel) 被溶解和清除;他隔離霉菌並鑑定其為由「真核細胞」組成的青黴屬成員。進一步研究後他發現抑製或預防細菌生長的不是黴菌本身,而是霉菌產生的某些「黴汁 (mold juice) 」,因為產生它的霉菌為 Penicillium notatum,故將之稱為 Penicillin(盤尼西林);中文因為是由藍綠色黴菌分離出來的黴素,故又稱為「青黴素」。

在隨後的十年中,因在分離和穩定青黴素方面遇到的困難,弗萊明只能專注於青黴素作為傷口和表面感染的局部殺菌劑。

在哈密瓜上發現大量生產青黴素的方法

因之當時弗萊明本人並沒有真正意識到他的發現有多麼重要;而醫學界也很少注意到他發表在《英國實驗病理學雜誌》 (British Journal of Experimental Pathology, 1929 年 6 月) 上的論文。

-----廣告,請繼續往下閱讀-----

1938 年由牛津大學的弗洛里 (Howard  Florey) 和錢恩 (Ernst Chain) 領導的化學家團隊終於分離和純化了青黴素2,生產足夠做臨床試驗的青黴素,於 1940 年證明青黴素可以用作抵抗多種細菌性疾病的治療劑[抗生素 (antibiotic)3]。1945 年,弗萊明、弗洛里、與錢恩因「青黴素的發現及其在各種傳染病中的療效」獲得諾貝爾醫學獎。

起初弗萊明本人和醫學界並沒有意識到這個發現的重要,直到證明青黴素可以抵抗細菌性疾病。圖/flickr

弗萊明後來回憶說:

有時候,人們會發現不是自己在找的東西。我 1928 年 9 月 28 日拂曉後醒來時,當然沒打算通過發現世界上第一個抗生素或細菌殺手來徹底改變所有藥物。 但是我想那正是我(當時)所做的。

早期青黴素無法大量生產,弗萊明實驗室一個月所生產的青黴素,僅能供一個病人治療用,因此如何大量生產青黴素便成為重要關鍵。大量生產之方法的發現事實上也是屬於「機緣巧合意外的發現」。

為了趕上可能救治二次世界大戰傷兵的需求,弗洛里還飛到美國諮詢如何提取及製造青黴素。1943 年的一天,在伊利諾州皮奧里亞 (Peoria) 的農業部北部區域研究實驗室 (NRRL) 工作的亨特 (Mary Hunt) ,無意中在一雜貨店裡發現了一顆表皮長滿漂亮及金色青黴的哈密瓜。

-----廣告,請繼續往下閱讀-----
亨特在雜貨店發現一顆表皮長滿青黴的哈密瓜,並將它帶回實驗室分析。圖/Pexels

將它帶回實驗室,篩選出能大量分泌青黴素的菌株後,她發現該菌株產生的青黴素數量是 notatum 的 200 倍——她因之贏得「發霉瑪麗 (Moldy Mary) 」的綽號。在許多研究團隊紛紛加入菌種及製造方法的改良後,青黴素產量由 1943 年只能醫治不到 1000 人,一下子跳到 1944 年時,已有足夠的青黴素來治療每位需要的士兵,為第二次世界大戰提供了功不可沒的貢獻!也啓動了尋找其他抗生素的研究,開創了醫學的新紀元。

結論

青黴素被稱為是一種「神奇藥物 (wonder drug) 」,而事實也確名副其實: 在發現青黴素之前,今天看起來非常小的傷害和疾病(不管是由被感染的小傷口或是由鏈球菌性咽喉炎等疾病引起的),那時候都可能導致死亡;而梅毒和淋病等性病則更不用說。

因此在二次世界大戰後,青黴素以及其他抗生素的使用成幾何級數地增加,導致細菌耐藥性也以驚人的速度增強。 2019 年,世衛組織因此將細菌耐藥性增強列為對全球健康的十大威脅之一。事實上早在 1945 年,在諾貝爾獎領獎典禮的演講中,弗萊明就已經警告說: 「過度使用青黴素可能會導致細菌耐藥!」

弗萊明意識到自己的發現是偶然與機遇,他因此謙虛地說:「青黴素的故事蘊含著十足的浪漫色彩,有助於說明機遇及命運在一個人職業生涯中所佔有的影響。」

但儘管如此,因為「命運較照顧已有準備的人」4,請不要痴痴地等著機遇及命運來敲門!勸君惜取少年時,多一份準備,免得黃金掉到家門前都不知道!

-----廣告,請繼續往下閱讀-----

註解

  1. 葡萄球菌感染是由葡萄球菌引起的「疾病」;在少數情況下,這些細菌只會導致皮膚感染。但是如果細菌深入到體內,進入血液、關節、骨頭、肺、或心臟,則葡萄球菌感染可能致命。
  2. 牛津大學的 Dorothy Crowfoot Hodgkin 於 1945 年用 X 光晶體繞射確定了青黴素的化學構造(獲 1964 年諾貝爾化學獎);因為合成困難,麻省理工學院的John C. Sheehan 遲至 1957 年才完成了青黴素的首次化學合成。
  3. 早在 19 世紀,人類就已經觀察到某些細菌和黴菌之間的拮抗作用,並且將這種現象稱為「抗生作用 (antibiosis) 」。
  4. 「Fortune favors the prepared mind」出自因接種疫苗、微生物發酵、和巴氏滅菌法原理的發現而聞名的法國生物學家、微生物學家、和化學家巴斯德 (Louis Pasteur) 。

延伸閱讀

  1. 「量子統計的先鋒——波思」、「量子統計的誕生」、及「胰島素與生技產業誕生的故事」的內容,均收錄在《我愛科學》(華騰文化有限公司,2017年12月出版)一書中。
  2. 有關量子力學發展的故事請參考《量子的故事》(第2版,新竹市凡異出版公司, 2005年),及《我愛科學》內的相關物理內容。
  1. Roberts, R. M. (1989). Serendipity: Accidental discoveries in science. Published by Wiley
  2. 賴昭正(1982)。〈量子統計的先鋒——波思〉,收入於《科學月刊》1982 年第 13 卷第 4 期,總卷號 148 期,39頁。
  3. 賴昭正(2015)。〈量子統計的誕生〉,收入於《科學月刊》2015 年第 46 卷第 1 期,總卷號 541 期,73頁。
  4. 發現能治療糖尿病的胰島素——胰島素與生技產業的誕生(上) – PanSci 泛科學
  5. 你的基因是別人的專利?生技產業的金錢遊戲由此開啟 – PanSci 泛科學
  6. 認識病毒全攻略!病毒的發現、與細菌的不同、科赫假說和致病機制 – PanSci 泛科學

-----廣告,請繼續往下閱讀-----
所有討論 3
賴昭正_96
46 篇文章 ・ 59 位粉絲
成功大學化學工程系學士,芝加哥大學化學物理博士。在芝大時與一群留學生合創「科學月刊」。一直想回國貢獻所學,因此畢業後不久即回清大化學系任教。自認平易近人,但教學嚴謹,因此獲有「賴大刀」之惡名!於1982年時當選爲 清大化學系新一代的年青首任系主任兼所長;但壯志難酬,兩年後即辭職到美留浪,IBM顧問研究化學家退休 。晚期曾回台蓋工廠及創業,均應「水土不服」而鎩羽而歸。正式退休後,除了開始又爲科學月刊寫文章外,全職帶小孫女(半歲起);現已成七歲之小孫女的BFF(2015)。首先接觸到泛科學是因爲它轉載我的科學月刊上的一篇文章「愛因斯坦的最大的錯誤一宇宙論常數」。