台灣的「博比特蟲」 ──躲藏在潮間帶的磯沙蠶

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

來到蘇門答臘島北方、多峇湖南邊的塔班努利縣，這一塊大小不過 1000 平方公里的熱帶雨林，是 800 頭蘇門答臘紅毛猩猩的南方樂園。這塊與世無爭的樂土，直至 1997 年才發現到住著這樣一身肉桂色的大塊頭。如今，這個月稍早發表在《Current Biology》的最新研究，將這群塔班努利的紅毛猩猩提升成全新的物種啦！這也是既 1929 年命名的侏儒黑猩猩（Bonobo）之後，睽違 88 年的「新種大型人猿」，這樣難得有趣的故事，你怎能錯過！

Pongo tapanuliensis sp. nov. Nurcahyo, Meijaard, Nowak, Fredriksson & Groves.

為什麼發現新種人猿讓科學家這麼興奮？

在科學技術突飛猛進之下，能夠發現新種的大型哺乳動物實屬難得，像是 1993 年才首次發現並記錄的中南大羚（Pseudoryx nghetinhensis）大概是近期我知道體型最大的例子。 順道一提，這個被譽為「亞洲獨角獸、亞洲麒麟」的神秘動物，可能數量相當相當稀少，目前記錄僅有 10 來隻，被列為嚴重瀕危的新種⋯⋯（好險有發現對不對？不然可能到牠們滅絕前我們都還不認識阿）

靈長類動物的新種更是如此，不少外型相似的不同地理族群，經研究後發現骨子裡都是截然不同的物種呀，每每有新種登場都格外引人注目！像是 2000 年過後，馬達加斯加一直有中小型的狐猴新種出現（e.g. 19 種鼠狐猴 （Microcebus spp.））。婆羅洲在2012 年也有 3 種懶猴（Nycticebus spp.）新命名出來。這些夜行性的小傢伙們，確實非常低調，這麼晚被發現也不算太意外。那中大型的日行性靈長類呢？

日行性的中大型猿猴新種不多，但不少物種的身世多相當悲情。像是2010 年，科學家起初從獵人手上得來的頭骨和毛皮，描述了緬甸北部新種的仰鼻猴（就是俗稱的金絲猴）：黑身、白臉帶著粉厚嫩唇的緬甸仰鼻猴（Rhinopithecus strykeri）。直至隔年才真的在野外發現活生生的族群，後來在中國境內的西南方也有零星族群。縱然新種的招牌響亮，但這一屬的仰鼻猴物種，大多數都處在滅絕邊緣。

到了今年初 （2017），中國西南方的高黎貢山出現一個更有梗的靈長類新種：天行者白眉長臂猿（Hoolock tianxing）。你沒有看錯，這個有點中二的名字，正是來自相當喜愛《星際大戰》系列電影的靈長類學者——范朋飛副教授。用天行者路克一名，彰顯這種長臂猿在如天際般的樹冠層活動著。這個新種過去一直被視為東白眉長臂猿（Hoolock leuconedys）的高黎貢山族群，經過研究團隊 7 年多來的縝密研究，終於將牠正名！遺憾的是，就和仰鼻猴的瀕危狀況一般，天行者白眉長臂猿的數量可能不及 100 頭，急需相當高強度的火線救援阿。

而我們的紅毛猩猩新種，也和天行者長臂猿相同，正好是第三種同一屬的動物、也同樣是過去被低估分類地位的隔離地理族群，然後，牠們都數量稀少、身處絕種邊緣。

新朋友上線啦——塔班努利紅毛猩猩

在今天以前，世界上一共只有七種現存大型人猿，或我們稱人猿總科（Hominoidea）的動物，分別是一種人、兩種黑猩猩、兩種大猩猩、和兩種紅毛猩猩。

紅毛猩猩相信大家不陌生，英文俗名的 Orangutan，正是當地語言的人（orang）＋森林（utan），因此「森林中的人」便是紅毛猩猩的一大稱號啦。基礎的生態和行為資訊這邊就先不贅述，比較值得一提的是，各位在《與森林共舞》電影中看到那位睿智的路易王（King Louie），看起來就像巨人版的紅毛猩猩，對吧？沒錯，現生的紅毛猩猩確實沒有分布在故事場景的印度森林中，但回到幾十萬年以前，當地可有著直立達三公尺高的布氏巨猿（Gigantopithecus blacki），而根據研究，牠們可是和當今的紅毛猩猩親緣關係相當接近呢！

現生的紅毛猩猩當然塊頭沒那麼大，不然高度樹棲的牠們，肯定愁著找不到樹上的家。現存的兩個物種，一個住在婆羅洲（婆羅洲紅毛猩猩，Pongo pygmaeus，以下簡稱婆猩猩）、另外一種住在蘇門答臘島的北方（蘇門答臘紅毛猩猩，Pongo abelii，以下簡稱蘇猩猩）。而我們的新朋友——塔班努利紅毛猩猩（以下簡稱塔猩猩），過去僅被視為一個在南方一點的蘇猩猩族群。具體一點，新朋友是住在蘇門答臘島北方「多峇湖（Lake Toba）」南邊的成員，而原來的物種則是住在「多峇湖」的北邊。

這個新發現是怎麼開始的呢？原來，起先 2011 年，來自印尼和蘇黎世大學及默多克大學等的研究團隊就從現有的遺傳資訊（特別是粒線體基因體）注意到一件特別的事情：居住在塔班努利縣的紅毛猩猩族群，在親緣上竟然和遙遠的婆猩猩比較接近，反而和多峇湖對岸的蘇猩猩比較遠！

於是這幾年下來，除了紀錄行為上的差異之外，研究團隊也比對模式標本和他種共 33 隻成年雄性紅毛猩猩的頭骨差異。更大的跨國際研究團隊，進一步 從 2 隻塔猩猩和 35 隻他種紅毛猩猩的全基因體資訊，分析這三個物種的親緣關係和族群變動歷史。

塔班努利紅毛猩猩哪裡不一樣？

1. 從頭骨上：塔猩猩和另外兩種比起來，上犬齒的寬度較寬、臉部深度較淺、臉寬和頷寬都較窄，整顆頭骨的大小都較另外兩種小一些。但是，目前樣本數只有一，摁⋯⋯也只能有一（希望不要再有活的塔猩猩死掉阿～）。
2. 從外觀上：塔猩猩較直線型的體態以及較淡紅褐色的毛皮，和蘇猩猩比較像（婆猩猩毛皮的紅褐色比較暗）。但塔猩猩的毛比較鬈曲、比較Ｑ，這一點則跟鬆散長毛的蘇猩猩不像。另外，雄性塔猩猩有著非常明顯的落腮鬍，而且彰顯優勢地位的面盤比較扁平、周邊附有較多毛髮，老成個體的面盤則和雄性婆猩猩相似。BUT，婆猩猩的母猩猩沒有落腮鬍，但是我們的塔猩猩母猩和雄猩猩一樣有著很顯眼的落腮鬍～
3. 從行為上：雄性塔猩猩的長吼聲（long roar call）頻率，和雄性蘇猩猩比起來「較高」。雄性塔猩猩的長吼聲的長度和單音節的數量都比婆猩猩來得「較長也較多 （急促）」。作者另外也有提到塔猩猩有觀察到取食另外兩種猩猩沒有吃過的植物，做巢的方式也略有不同，不過這兩點需要更多的佐證。

塔猩猩怎麼來的？遺傳資訊告訴我們的事情

全基因體的親緣關係建立和粒線體基因體的結果相符，塔猩猩都是和遙遠的婆猩猩比較接近，而和多峇湖對岸的蘇猩猩比較遠。不過，Y 染色體上的重建，反倒就把塔猩猩和鄰近的蘇猩猩族群歸在一群了，多少反映了這兩個物種之間有著些許由雄性造成的基因交流（也就是雄塔猩猩北上找雌蘇猩猩交配、或是雄蘇猩猩南下找雌塔猩猩交配）。

時間點上，塔猩猩和婆猩猩的分支，大概在 340 萬年前和蘇猩猩分家。而塔猩猩和婆猩猩的分家時間，則大概落於 67 萬年前，好近期的分化事件呢，和過去的推估的時間有一些落差呀（從前認為婆猩猩和蘇猩猩大概在 150 萬年前分化）。

有趣的是，在塔猩猩和婆猩猩分家後，塔猩猩就幾乎很少再和婆猩猩有基因流了（這可能就和爪哇海平面上升、巽他古陸的面積縮減有關）。但是，塔猩猩卻一直和鄰近的蘇猩猩族群，有著一定程度的基因流（註: 近十多年來的演化和支序分類學家在處理分類異動的問題時，已經很清楚地知道，種化也是可以伴隨著雜交等基因流事件，但兩個分之間仍保有一定程度的分化，且足以形成新物種哦）。這可能和雌性猩猩通常較宅、但雄性猩猩好闖蕩天下、跨區愛愛有關。類似的基因流事件，大概從 10 萬年前開始減少，大概到 1-2 萬年前終止。這個終止基因流的時間點，正好在 7 萬多年前多峇湖大型火山爆發之後。不難想像這樣的地質事件，就讓塔猩猩 BOY 沒辦法向北尋愛呀～

塔班努利紅毛猩猩令人堪憂的處境

文末特別有提到，整個塔猩猩這一個物種，就只侷限分布在那塊小小、1000平方公里的森林當中，面積大概只有新北市的一半那麼大。據估計，目前僅有不到 800 頭塔猩猩還棲息在這塊森林裡，而且還瓜分成三個不連續的族群、無法互通有無。更讓人提心吊膽的是，目前有個水力發電廠預計要在此設址，是近年來最大型的一項建案，估計會影響大約 8％的塔猩猩棲息地（直接在學術文獻中最後頭提到此事，不可小覷呀）。

在整個馬來西亞和印尼，不斷擴大的油棕產業，摧毀了上萬塊天然的雨林。據估計，過去 20 年，兩種紅毛猩猩的天然棲地就減少了將近 90％，而族群數量也在近半個世紀以來減損了超過 70％。回到塔班努利的森林，對於一個分布侷限、棲地破壞仍頻、族群量小、近親交配風險大的野生動物而言，可能無法再禁得起任何大型的開發案。塔猩猩才剛正名，就儼然就成為當今最瀕危的大型人猿物種，保育作業刻不容緩阿。

漫步在森林、垂盪在枝頭的人們，為你們祈福。

1. Nater, A. et al. (2017) Morphometric, Behavioral, and Genomic Evidence for a New Orangutan Species. Current Biology. 27, 1–12.

「台灣生物多樣性資料庫」的重要性

若想保育、研究生物，建構台灣生物多樣性資料庫是最重要的基礎。中央研究院生物多樣性研究中心邵廣昭博士，與生物分類學家、學術單位、技術團隊聯手建構資料庫 ，將台灣各界學者努力累積的生物多樣性資訊，開放成全民共享的知識。

 30 年長大一個人類，卻滅絕很多物種

現代人生活在都市叢林中，以鋼鐵、水泥、塑膠包覆生活，離自然太遙遠。只有當人們注意到自然的存在，才有可能產生情感，進而興起愛護的念頭。對於現實生活中的人類，眼前一棵樹被砍倒，傷心程度可能少於手機摔到地上、螢幕碎裂。

台灣生物消失的速度有多快？以魚類來舉例。中研院生物多樣性研究中心邵廣昭，迄今研究魚類 30 餘年，他與研究團隊目睹 30 年來台灣的北海岸魚種從 120 種銳減至 30 種。30 年正好是人類一個世代，但對生態而言， 30 年就絕子絕孫。

如果沒有過去這個物種的資料可以比對，怎麼會知道現在牠受了什麼影響、發生什麼變化。

「無論是生態保育，或是研究生物，建構資料庫是最重要的基礎。」邵廣昭雖已退休，眼中仍閃耀保護生態的熱忱。科技部（原國科會）、農委會與中研院多年來支助台灣生物分類學家進行各類生物分類整理，累積相當多成果與資料，邵廣昭、端木茂甯、王豫煌與眾多願意貢獻心力的學者、技術團隊、相關單位聯手，整合這些成果與資料，建置成台灣生物多樣性資料庫，讓需要的研究人員、學生、社會大眾都能共享運用，依照學名、地區、標本等線索，找到想探究的台灣生物。

整合各種生物資料，幫助各種研究

一種生物偶爾會發生存在不同學名的情況，「同種異名」是整合資料庫最困難的一步，也是最需要釐清的第一步。邵廣昭成立，目前由端木茂甯帶領的系統分類及生物多樣性資訊專題中心，便是為了已特化為專業的生物多樣性資訊整合重任而存在。由此中心規劃的台灣生物多樣性資料庫的大架構中，從唯一有效學名的 TaiBNET 物種名錄出發，發展具備不同資料的網站，藉以協助不同需求的生物研究。其中， TaiBIF 整合觀測與標本資料、紀錄物種的生態分布，TaiEOL 具有圖文並茂的物種解說，而 TaiBOL 保存遺傳標本與生命條碼供生物分類學家鑑定物種。

認識台灣生物：以 TaiBIF 為例

進入 TaiBIF 首頁後，直接在搜尋框輸入想查詢的物種關鍵字並選擇「物種搜尋」，即可搜出資料庫中的物種檔案，若想查詢更多相關資訊，可選擇「全站搜尋」。若點選「物種名錄」區塊，可依界門綱目科屬種的分類樹，有系統地搜查。

TaiBIF 公開分享的生物資訊，有賴台灣各機構願意共享收藏的觀測與標本資料。想知道哪些機構提供哪些資料，可從「館藏與觀測資料」區塊查詢。進入「分布區域」區塊，在欄位中選擇想查詢的地理位置，就能看見該地區曾出現的生物資料，包含現身地點、標本照片等。

現代人在生活中常見到「特有種」、「瀕臨絕種」這些名詞，但所指哪些生物卻一知半解。 TaiBIF 的「主題物種」專區，以分類引導認識不同生物。哪些物種急需保護、哪些物種為外來入侵者要注意、哪些保育物種不能當做寵物，在此一目了然。

資料庫未來目標：期待更多單位不藏私

觀測生物、採集標本、校對物種名錄、建置資料庫，是個不廣為人知、辛苦付出大量時間的工作，就像默默檢查錯字的校閱人員、默默檢查鐵軌安全的工程人員，全心全力完成該領域最基礎的工作，以支持整個產業環境發展。

被問到為什麼要投入這個工作，TaiBIF 技術人員麥舘碩笑說：「為了生活」，背後原因其實是認為建構完整明確的生物分類系統和資料庫，是個很重要的任務，但台灣在這部分還有很大的努力空間，所以義無反顧跳進來。

科學的目標，並不是科學本身，而是跟藝術一樣──只有被人看見的時候才是藝術，知識也必須透過分享，才能被成就。

Science is not a goal in itself. Just as art is only art once it is seen, knowledge only becomes knowledge once it is shared.

── Sander Dekker （荷蘭教科文部次長）

近年「開放資料」、「分享經濟」風潮逐漸成熟，邵廣昭與資料庫團隊希望有更多單位願意開放擁有的生物觀測與標本資料等等，共同擴充台灣生物多樣性資料庫的完整性。也許有一位小朋友，在 TaiBIF 認識了瀕危的赤蠵龜，主動停止使用塑膠吸管。或有一件環境監測計畫，透過生物資料庫看見該區域物種今昔的變化，發現應該調整開發該區域的工程做法，以避免危害生態。這些都是台灣生物多樣性資料庫最重要的目標與存在意義。

延伸閱讀

• TaiBNET
• TaiBIF
• TaiEOL
• TaiBOL

執行編輯｜林婷嫻美術編輯｜張語辰

本著作由研之有物製作，以創用CC 姓名標示–非商業性–禁止改作 4.0 國際 授權條款釋出。

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位