拉馬克的逆襲？從用進廢退說到表觀遺傳學

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

• 文／黃湘芹、謝若微、李映漾、陳柏仰｜中央研究院植物暨微生物學研究所

可以在不改變 DNA 的狀況下，調整性狀？——表觀遺傳調控，幫助植物快速適應環境變化

DNA 是生物細胞內攜帶遺傳訊息的物質，當 DNA 發生變異時，會影響基因的表現進而改變性狀。但很多生物也可以在不改變 DNA 的情況下調節基因表現影響性狀，此方式稱為表觀遺傳調控，其中常見的機制包括 DNA 甲基化、組蛋白修飾、小分子 RNA 等。

其中「DNA 甲基化」為在 DNA 特定位置上添加甲基的化學修飾，當基因前端的區域——啟動子被高度甲基化時，常會導致基因表現量較低。

而「組蛋白修飾」是針對被 DNA 纏繞的蛋白質——組蛋白，在其尾端上做的各種修飾，如乙醯化、甲基化、磷酸化等，這些修飾會影響 DNA 纏繞的緊密程度，進而加強或抑制基因表現^[1]。另外，由長度約為 18 到 30 個核苷酸構成的「小分子 RNA」，也會抑制基因表現。

對生物而言，表觀遺傳調控提供生物在基因序列突變外，另一種有效適應環境變化的反應方法。而這樣的反應對植物特別重要，它能幫助植物在面對氣候、環境快速變化時，迅速調整基因表現讓植物得以生存。

如果將表觀遺傳運用在改良作物性狀上，由於不需外來基因插入或是基因編輯，便能達到基因表現的變化，因此大幅減少食物安全上的諸多考量，免除基改作物對人體健康疑慮的爭議性，在農業發展上相對有利。

目前在作物中已有不少研究，分析基因體上特定位置的表觀遺傳變異，與抵抗逆境性狀之間的關聯性；例如在稻米基因體上，已發現數個特定位置的 DNA 甲基化程度與抗旱^[2]、抗缺鐵^[3]甚至碳儲存有顯著的關聯性。

在番茄裡也發現，由小分子 RNA 對特定位點的基因調控，可影響番茄外型及抗旱性狀。顯示透過影響表觀遺傳機制，的確有機會用來培育出具有優良性狀的作物。

如何運用在作物改良上？

當應用於作物改良時，偵測表觀遺傳變異與性狀之間的關係為首要任務，其中一種用來偵測表觀遺傳變異的策略仰賴的是近年才逐漸普遍化的「全基因體定序」。由於每個作物的基因體序列不同，需逐一檢視不同作物在各種逆境條件下產生的表觀遺傳變異，然而在技術與基因體資料分析上仍是挑戰。現階段而言，利用表觀遺傳進行作物改良，雖有潛力但未能普及^[4]。

利用全基因體定序偵測表觀遺傳變異（圖表一）：先透過外在刺激誘導表觀基因座產生變異，接著藉由分析眾多植株間表觀基因座變異的差別，並計算其與目標性狀的關聯性，進而推定能產生目標性狀的表觀基因座。

在已知可誘導表觀基因座的策略中，以 DNA 甲基化為例 ，透過伽馬射線照射、DNA 甲基轉移酶抑制劑以及組織培養，皆可在稻米基因體產生隨機且有效的 DNA 甲基化變化^[4]。

種子如果曝露於伽馬放射線環境下，或是浸泡在含有 DNA 甲基轉移酶抑制劑的水溶液中，均會造成基因體去甲基化，而去甲基化的程度會隨著放射線強度或是 DNA 甲基轉移酶抑制劑的添加量而不同；如果同時使用上述兩種方法處理種子，則會對於去甲基化有加乘效果^[5]。

除了水稻以外，玉米基因體上特定位點的表觀遺傳因子變化，可改變其對於熱逆境的耐受性。玉米在幼苗時期，如果受到短暫熱處理，便能促進與基因表現有關的組蛋白修飾，使得葉片的葉綠素含量與活性氧物質提高，以增強玉米在高溫環境下的耐受性^[5]。

面臨的挑戰——表觀遺傳變異重現與否

表觀遺傳變異與基因變異主要的不同在於其不穩定性，由於細胞有自我修復機制，因此表觀遺傳變異在細胞複製前、後未必能維持；此外，世代遺傳間的「表觀遺傳重組」（epigenetic reprogramming）會重置表觀遺傳的分佈，使得親代的變異未必能完整保留到子代。

儘管如此，不少研究仍發現部分表觀遺傳變異可以被遺傳至下一代。以茄科中常用的嫁接作物番茄、茄子與辣椒為例，這類的種間嫁接會影響 DNA 甲基轉移酶表現量，進而大規模影響接穗中的 DNA 甲基化分佈，其中有部分 DNA 甲基化的變動被證實可維持至下一代^[5]。

綜合上述，應用表觀遺傳在作物改良上需特別確認變異在跨世代間的一致性；植株進行處理後所產生的表觀遺傳變異，是否能在性狀植株或甚至下一代重現，以確保有效的作物改良。

甜椒的跳躍基因與 DNA 甲基化

甜椒 （Capsicum species）的基因體解序後，發現當中的跳躍基因（可以在基因體上移動的 DNA 序列）不僅增加了甜椒的多樣性，也能決定轉錄活性高的真染色質及不具轉錄活性的異染色質在基因體上的分佈^[6]，從而廣泛影響基因調控。

已知 DNA 甲基化是控制跳躍基因的主要因子，已有研究指出，甜椒基因上 DNA 甲基化程度的增加，與發芽、果實成熟及抗鹽性狀都有顯著相關^[7][8]；顯示透過刺激產生的 DNA 甲基化重新分佈，極可能影響跳躍基因的活性，進而引導出優良性狀。     

目前甜椒的基因體資料已完備，其重要性狀與表觀遺傳變化密切相關，被視為可積極利用表觀遺傳進行改良的高經濟價值作物之一。

翻開作物育種的新篇章

綜合以上，分析及尋找與目標性狀相關的表觀基因座並不容易，需要結合農藝學、基因體學及生物資訊學的知識與技術，考量表觀遺傳變異的不穩定性因素，為實現可代代相傳的作物改良，需要了解不同植物的基因體中有哪些特定的表觀遺傳變異能夠穩定傳到下一代。因此，若要使用表觀遺傳改良作物，雖有理想但非一蹴可及。

目前主流的基因改造工程，在食品、環境、與生物安全上有著錯綜複雜的影響，僅透過調控基因表現以達到性狀改良的表觀遺傳，更能消除大眾對於作物改良的疑慮。現今對於表觀遺傳的研究資料已經越來越多，在植物面臨逆境時，表觀遺傳能有效且迅速地幫助植物適應環境。在未來環境更加極端的情況下，生產作物將會面臨更嚴峻的挑戰，如何繼續維持高產量，成為農民及研究者必須解決的問題之一。

表觀遺傳調控提供植物學家與農民新的作物改良方法，儘管當前的流程尚不完善，也有許多困難需一一克服，但看好其在未來為作物育種開啟新篇章。

1. Tirnaz, S. & Batley, J. (2019). Epigenetics: potentials and challenges in crop breeding. Molecular Plant, 18, 1309–1311. 
2. Sapna, H., Ashwini, N., Ramesh, S. & Nataraja, K. N. (2020). Assessment of DNA methylation pattern under drought stress using methylation-sensitive randomly amplified polymorphism analysis in rice. Plant Genetic Resour Charact Util, 18, 222–230.
3. Sun, S., Zhu, J., Guo, R., Whelan, J. & Shou, H. (2021). DNA methylation is involved in acclimation to iron deficiency in rice (Oryza sativa). Plant J, doi:10.1111/tpj.15318.
4. Springer, N. M. & Schmitz, R. J. (2017). Exploiting induced and natural epigenetic variation for crop improvement. Nat Rev Genet, 18, 563–575.
5. Varotto, S. et al. (2020). Epigenetics: possible applications in climate-smart crop breeding. J Exp Bot, 71, 5223–5236.
6. Kim, S. et al. (2014). Genome sequence of the hot pepper provides insights into the evolution of pungency in Capsicum species. Nat Genet, 46, 270–278.
7. Xiao, K. et al. (2020). DNA methylation is involved in the regulation of pepper fruit ripening and interacts with phytohormones. J Exp Bot, 71, 1928–1942.
8. Portis, E., Acquadro, A., Comino, C. & Lanteri, S. (2004). Analysis of DNA methylation during germination of pepper (Capsicum annuum L.) seeds using methylation-sensitive amplification polymorphism (MSAP). Plant Sci, 166, 169–178.

公元 1798 年，尚未成為法蘭西大皇帝的拿破崙率軍入侵埃及，此行除了大軍之外，也有一隊學者跟隨。在法國佔領埃及期間獲得一塊石碑，隨後法軍戰敗，石碑落入英國人手中，這塊石碑後來將成為破解古埃及文字的關鍵，並以「羅賽塔石碑」的名號聞名於世。儘管石碑本體沒能運回法國，卻仍是由法國人商博良率先解開古埃及文字的奧秘。

在拿破崙的埃及遠征之戰中，征戰之餘也打開了好奇心的缺口，啓發後來的埃及學。

法國人在埃及並非一無所獲，他們將一批文物成功運回法國；而在1802 年時，30 歲的聖伊萊爾 (Geoffroy Saint-Hilaire) 帶回幾隻埃及古鳥的木乃伊，隨後意外引發兩隻上古神獸 ── 拉馬克 (Jean-Baptiste Lamarck) 與居維葉 (Georges Cuvier) 的演化大論戰。[1][2]

居維葉表示：生物不演化

木乃伊回國的時候，居維葉與拉馬克是法國國立自然史博物館的同事，兩人對演化的觀點卻截然不同。1769 年出生的居維葉比較年輕，那時的他是 33 歲，已經是最頂尖的古生物學家。居維葉怎麼看演化？與其說他對「演化」的看法，不如說，居維葉徹底反對演化的概念，他堅持：生物不會演化。

居維葉覺得各種生物都有個理想的典型，一種生物的身體每一部分都已經完美適應環境。假如身體任一部位發生改變，害得理想型不再完美，就會危害這位個體的生存。換句話說，居維葉認為物種是固定的 (fixity of species)，不會隨著時間改變——雖然現在我們知道這是大錯特錯。居維葉是非常厲害的古生物學家，當然還是言之有物的：他從眾多的化石證據中，了解並證明生物是會滅亡的。雖然現在聽起來這好像是小學生都知道的常識，不過這番話在當年卻是劃時代的革命性創見，也因此奠定他一代宗師的地位。

問題是，居維葉知道古代曾有許多後來滅亡的生物，但他卻不認為那些滅團的生物，與現在的生物之間有任何傳承關係。號稱「古生物學之父」的居維葉，他的成就絕對配得上這個稱號。然而，比起拉馬克、達爾文、孟德爾等幾位上古神獸，他相對沒那麼有名，大概與反演化很有關係。

不過在居維葉那個年代，反演化才是主流，畢竟等到 50 多年後的 1859 年，達爾文正式發表《物種源始》時，多數人仍反對演化。

• 延伸閱讀：替基因寫一本史記－《基因：人類最親密的歷史》

拉馬克你說說看啊：生物持續緩慢改變

拉馬克 1744 年出生，當年木乃伊回國時，他是 58 歲，比居維葉年長 25 歲，但拉馬克對演化的見解卻比年輕人居維葉激進很多。他認為：動物會不斷微幅改變以適應環境，除了少數例外。改變的趨勢通常是由簡單變複雜，而最複雜的是人類，所以人類才會位於演化的頂點（他的演化概念不只有「用進廢退」那麼單純）。拉馬克後來將畢生的演化見解寫成《動物哲學（Philosophie Zoologique）》，於 1809 年發表。

現在我們知道，拉馬克的演化論點雖然開風氣之先，卻有明顯漏洞，他只是比起反演化的居維葉正確許多。然而在那個時代，兩位都是最出色的學者，都希望可以壓倒對方，此時距今三千年的埃及木乃伊鳥來到他們面前，這恰好成為測試演化概念的絕佳材料。

• 延伸閱讀：拉馬克的逆襲？從用進廢退說到表觀遺傳學

生物會演化嗎？一個結果，兩種截然不同的解讀

他們見到的木乃伊鳥裝在陶罐裡，當年是難得一見的標本（現在應該還是很難得啦）。一開始多數學者認為，古埃及人製作木乃伊的鳥是黃嘴䴉鸛 (yellow-billed stork，舊學名叫作 Tantalus ibis，現在改為 Mycteria ibis)，不過這是錯誤的分類。

居維葉正確判斷出，木乃伊鳥是另一個沒見過的物種，他將其命名為 Numenius ibis，後來學名改為 Threskiornis aethiopicus，也就是埃及聖䴉 (Sacred Ibis)。

居維葉獲得難得的樣本後，首度能夠實測他的演化觀點，或是說不演化理論；但是假如拉馬克是對的，距今三千年的古埃及鳥和現代鳥之間，型態將能觀察到差異。

在居維葉仔細測量埃及古鳥各項型態特徵後，結果令他滿意極了：埃及古鳥和現代同類相比，解剖特徵上沒有任何改變！

埃及古鳥三千年來沒有改變，居維葉喜吱吱宣告勝利：物種果然固定不變！

居維葉 1825 年正式發表論文，當時已經高齡 81 歲的拉馬克，仍然勇於捍衛畢生心血。拉馬克同意居維葉的量測結果，埃及鳥確實缺乏改變，但是他反駁：埃及三千年前的環境與現在沒什麼不同，而生物改變是為了適應環境。環境沒變的情況下，型態缺乏改變也只是剛好。演化的過程連續而緩慢，只經過三千年，又處於少有變動的環境中，累積的差異不足以被觀察到……

以下為設計對白：

「三千年都沒變化，就算更久也不會變啦！假如演化是漸變，不就是隨著時間慢慢累積嗎？三千年累積的結果是零，零乘以幾萬年還是零，更長時間也不會累積更多啦！」

• 延伸閱讀：《未來人類：人類將演化到哪裡去？》－認識演化法則，思考我們的將來

演化大辯論

兩人持續交鋒，直到 1829 年拉馬克以 85 歲高齡去世為止。然而，拉馬克的演化概念已經影響一些當時的人。就在他去世隔年，法國爆發「大辯論 (Great Debate)」，兩派人馬激辯著那時尚未獲得演化之名的演化議題。

《物種源始》發表隔年，也就是 1860 年時，演化論支持者赫胥黎 (Thomas Henry Huxley) 與反對者威伯福斯 (Samuel Wilberforce)在英國進行生物是否會演化的辯論，史稱「牛津辯論」。但事實上 30 年前的法國，就已經上演過類似的論戰。

大辯論一方主將是聖伊萊爾，他當年隨著拿破崙前往埃及，後來將木乃伊鳥帶回法國後引爆論戰。聖伊萊爾受到拉馬克影響，在運回木乃伊 28 年後接下火炬。他大致上支持拉馬克的觀點，主張生物會改變，不過他更加強調，生物是符合生物學法則 (laws and principles of biology) 的產物。（「生物學法則」就是後來的「演化」）

聖伊萊爾主要的對手當然是居維葉，那時也已經 62 歲。居維葉堅定不移，仍然認為物種固定不變，要解釋生物機能的存在，必需訴諸「神聖造物者的意志 (will of a divine creator)」。

居維葉的小正確與大錯誤

這段歷史能給我們什麼啟示？居維葉不是浪得虛名，他對解剖型態十分敏感，研究也符合科學方法。他獲得被錯誤分類的罕見標本後，先由微小的型態差異，正確判斷出那是一種從未記錄過的新物種。他又為了測試生物是否會改變的假說，比較埃及古鳥與現代鳥，由量測得到數據，做出三千年來沒有型態改變的結果。

居維葉行事按照科學方法，研究所得的結果也正確無誤，可是他反而更堅持己見，因此無法看穿演化的迷霧，最後做出錯誤的大結論「生物不演化」。

科學史上，居維葉不是唯一掌握正確結果，卻提出錯誤觀點的研究者；但是聲望像他如此崇高，被學界主流推崇，卻因錯誤觀點而不幸帶來長久負面影響的研究者，卻也不是那麼常見。

現在事後諸葛的我們可以說，單一研究不足以證實複雜的大議題，可是自己假如處於爭論當下，我們能明白科學證據的侷限性嗎？當主流權威提出詳實的證據，以堅定的語調發言，支持某一立場時，我們是根據證據與推演而認同他的觀點？或是因為權威講話一定是對的，由於信仰權威而盲目跟從呢？再者，兩百年後的我們能記取居維葉的教訓嗎？

「我名叫居維葉，學者中的學者，看看我的功蹟，以為物種會改變的對手們，誰能與我相提並論！」

另一方面，「演化」不只是支持或反對這麼簡單，就算都是演化的支持者，對於生物怎麼演化也有不同見解。拉馬克是超越時代，主張演化論的先驅，但是他提出的演化機制，解釋現實世界卻不太管用。我們面對複雜的問題時，能避免陷入二分法思考的陷阱嗎？

就在居維葉與聖伊萊爾大辯論的同時，英國有位家世良好的青年，儘管就讀名校劍橋大學，卻常常不務正業四處遊蕩，讓他爸爸覺得這小鬼哪一天總要敗壞家門。隔年，畢業即失業而混不下去的英國青年，只好跳上一艘叫作「小獵犬號」的遠航船出國深造……大辯論後兩年，居維葉 1832 年 5 月也去世了，此時英國小鬼出海還不到半年。

延伸閱讀：

• 古埃及與古代DNA（後記）──在文明的十字路口
• 【古埃及文101】基礎篇
• 【科學史上的今天】12/23——商博良誕辰（Jean-François Champollion, 1790—1832）
• 【科學史上的今天】8/23——居維葉誕辰（Georges Cuvier, 1769－1832）
• 貓貓的世界征服史：從抓老鼠到沙發馬鈴薯
• 短篇 達爾文見證過的熱帶最早教堂

參考文獻：

• 1. Curtis, C., Millar, C. D., & Lambert, D. M. (2018). The Sacred Ibis debate: The first test of evolution. PLoS biology, 16(9), e2005558.
• 2. How Sacred Ibis mummies provided the first test of evolution

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。