Loading [MathJax]/extensions/MathZoom.js

0

1
0

文字

分享

0
1
0

每隻螞蟻都有眼睛鼻子,有沒有差別又有何關係?臺灣新種「鍾氏原細蟻」,發現!

活躍星系核_96
・2017/10/14 ・1973字 ・閱讀時間約 4 分鐘 ・SR值 461 ・五年級

文/徐伯瑋

「每隻螞蟻,都有眼睛鼻子,它美不美麗?偏差有沒有一毫釐?有何關係?」

—《王菲‧開到荼蘼》

一般人往往覺得螞蟻的長相沒什麼差異,不過看在昆蟲分類學家的眼裡,可以「相差大過天地」。

2015 年秋季,我和森林遊憩課程的同學一同來到了南投縣進行兩天一夜的參訪。臨走之前,我從一處邊坡上挖了最後一袋土壤樣本之後便匆匆地回到小巴士上,準備返回台北。

落葉袋採集法(Winkler extraction)是一種採集底棲無脊椎動物的方法,也是目前調查螞蟻種類最有效的方法之一:將一處土壤帶回來之後,放入一個類似洗衣袋但網目較大的袋子裡,再將它掛入另一個底部裝有酒精收集瓶的大布袋之中。由於過程中的擾動以及隨後土壤緩慢地乾燥,裡頭各式各樣的生物便會開始往外跑,最後掉入酒精瓶中。

-----廣告,請繼續往下閱讀-----

(小蟲蟲:塊陶阿!)

落葉袋用具的示意圖。左邊是在採集時能先將較大的土塊與枝條篩掉的網袋,右邊則是土壤樣本帶回來之後所需要的落葉袋內外部構造。圖/作者提供

落葉袋懸掛了一周之後,我從那千里迢迢帶回來的樣本中找到了一隻小螞蟻。在用顯微鏡檢查之後我赫然發現,似乎這隻螞蟻與幾天前彰師大實驗室的許伯誠學長貼在臉書社團中的一種罕見的螞蟻有幾分神似。當時發現的是一整巢罕見的林氏原細蟻Protanilla lini),除了新種發表時的樣本之外,這種螞蟻已經有近二十年沒有採集紀錄。而我採集到的這隻螞蟻看外貌是種原細蟻,然而牠的腰節卻與林氏原細蟻有明顯的不同。

再更進一步與螞蟻資料庫比對之後,我發現這隻螞蟻果然與世界上其他的原細蟻(不到十種)也都有顯著的不同,因此更確信牠為一個未曾被描述過的種類。此時,我便開始著手進行收集更多的研究材料。

當時的 FB 頁面與照片。真的是天時地利人和,才有辦法在一個月裡面發現兩種原細蟻。圖/作者提供

模式標本是物種命名不可或缺的一部分。分類學家除了要選定唯一一隻標本作為正模式(Holotype)乘載該物種的名稱,也可以指定其它標本做為副模式(Paratype),用以代表物種內的型態差異。

-----廣告,請繼續往下閱讀-----

螞蟻屬於社會性昆蟲,除了不同隻工蟻本身就會有的差異之外,不同階級之間,像是蟻后與工蟻的差異甚至會更大(沒錯,這已經相差大過天地了)。因此若是能採集到更多的工蟻以及其它不同階級的螞蟻來比對,那對新種的描述以及未來的研究將會有非常大的幫助。

為此,隔年三月,我們在許伯誠學長的幫忙下,於同一地點採集到了一巢完整的新種螞蟻聚落,其中包含了珍貴的蟻后。綜合以上述材料,我們整理了臺灣原細蟻屬這兩個種類的分類及生態資料,提供工蟻和蟻后的型態描述與圖片、世界上已知工蟻的檢索表、以及生物學觀察,並將此研究發表在動物學分類《Zootaxa》中。

現今世界上共有 12 種已描述的原細蟻。和其它已知的細蟻亞科成員一樣,牠們的工蟻沒有眼睛,被認為長久居住於土壤之中,鮮少在地表活動,並專門以蜈蚣為食。除了和其它大多數螞蟻一樣擁有可癱瘓獵物的螫針,原細蟻還具有類似於顎針蟻 (Anochetus)或鋸針蟻(Odontomachus)的陷阱式大顎(trap-jaw),這種大顎就像捕獸夾一樣,會在獵捕或警戒時打開至180度,等遇到目標時再快速合起,緊抓住獵物或敵人。

臺灣目前的 2 種原細蟻,包含了 2009 年寺山先生所發表,以採集者林宗岐教授為名的林氏原細蟻,以及本研究首次描述的新種,鍾氏原細蟻(P. jongi)。這個名字紀念帶領我開始研究螞蟻的鍾兆晉老師,並且剛好能讓他與認識多年的好友林宗岐教授以特殊的方式一同留名。

-----廣告,請繼續往下閱讀-----
鍾氏原細蟻(上)和 林氏原細蟻(下)的工蟻。可以發現鍾氏原細蟻只有一個明顯分離的腰節,但是林氏原細蟻卻有兩個。圖/作者提供

除了新種之外,還記得剛才提到鍾氏原細蟻那個引起我注意的腰節特徵嗎?這個非典型的原細蟻特徵,其實與中國的叉齒細蟻屬 (Furcotanilla)極為相似。因此藉由我們在鍾氏原細蟻這個新種所發現到的,介於原細蟻與叉齒細蟻的形態資訊,我們便能理解到原細蟻屬內特徵的變異範圍。

幾經考慮,我們最後認為叉齒細蟻屬應該定位成原細蟻屬內的一個特化支系,最後將其視為原細蟻屬的同物異名(synonym)。我想這樣一個簡單的研究案例,也彰顯出了現代基礎分類學的重要性。因為每一個演化支系的發現,都能幫助我們對整個類群有進一步的了解。

故事自此,相信客倌您已經知道王菲是錯的。螞蟻的眼睛鼻子真的真的很重要,而且你還會發現不是每隻螞蟻都有眼睛的。不過話又說回來,「螞蟻的鼻子」這個東西,到底該怎麼定義呢?

參考資料

-----廣告,請繼續往下閱讀-----
  1. Hsu PW., Hsu FC., Hsiao Y., Lin CC. 2017. Taxonomic notes on the genus Protanilla (Hymenoptera: Formicidae: Leptanillinae) from Taiwan. Zootaxa 4268 (1): 117–130
  2. Agosti D., Majer JD., Alonso LE., Schultz TR. 2000. Ants – Standard methods for measuring and monitoring biodiversity. Smithsonian Institution Press, Washington, D.C.
  • 此文由徐伯瑋撰寫,響應 PanSci 「自己的研究自己寫」,以增進眾人對基礎科學研究的了解。
-----廣告,請繼續往下閱讀-----
文章難易度
活躍星系核_96
778 篇文章 ・ 128 位粉絲
活躍星系核(active galactic nucleus, AGN)是一類中央核區活動性很強的河外星系。這些星系比普通星系活躍,在從無線電波到伽瑪射線的全波段裡都發出很強的電磁輻射。 本帳號發表來自各方的投稿。附有資料出處的科學好文,都歡迎你來投稿喔。 Email: contact@pansci.asia

0

0
0

文字

分享

0
0
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。