《侏儸紀世界：殞落國度》裡的派對終結者——冥河龍

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

台灣的地理位置與化石形成

台灣也有化石嗎？台灣也有恐龍嗎？

世界地圖攤開一看，台灣陸地上的面積看來是不大，但其面對的太平洋，不只在我的想像中、在我多年搭著飛機到世界各地檢視相關的標本，試著拼湊出鯨魚們在數千萬年間演化歷程的經驗中，我知道也相信台灣的地底下，必定蘊涵著能跟我們講出帶有全球視野的化石標本。

同時，台灣除了被海洋包圍之外，那平均深度只有六、七十公尺深的台灣海峽，也清楚的意味著，當更新世的冰河時期讓海平面下降幅度來到或超過這個臨界點時，台灣就會成為歐亞大陸最東南邊的一角。

相信在台灣的不少人都常聽過，台灣在冰河時期會和中國大陸連在一起，但我在跟大家解釋這樣的環境變遷與古生物演化時，總是會特別強調我不想泛政治化，但世界地圖清楚的標示出台灣的地理位置應該是可以、也該要放在更大的版圖：歐亞大陸的板塊底下來討論，而不是只有限縮在與中國大陸連結的關係。

畢竟，當我們像是讚嘆著非洲地區的陸生大型哺乳動物，能在以年為單位的時間軸來進行長距離的移動時，基本上是用「萬年」以上的尺度來探討生物演化、移動的古生物學，處於歐亞大陸東岸的台灣上的大型脊椎動物，要橫跨歐亞大陸到西邊、或是反方向的來到台灣，大概都會是稀鬆平常的移動距離。

建立起這樣的思維模式後，當然就是需要有最直接的化石證據來驗證這樣的想法，或深入討論其化石標本的背後，隱藏了怎樣的大尺度演化事件。

早坂一郎的開創性研究與犀牛化石

二○一八年一月底從日本的筑波搬到台北後，一邊重新改造所接手的退休丘臺生教授的實驗室、一邊開始準備新學期的上課內容；除此之外，很重要、也是主要的工作內容，就是要開始到野外和各個單位的收藏庫裡尋找、檢視相關的化石標本，試著解讀其背後所帶有的古生物學、演化學上的意義。

有趣、但不令人意外的是，知道我開始要在台灣從事大型脊椎動物化石研究的人，第一個反應通常都會是：台灣也有化石嗎？台灣也有恐龍嗎？這樣之類的疑問。

要回答台灣有沒有化石紀錄的出現，我在日本的工作經驗，和剛好不小心娶了日本太太，讓我能從搬到日本工作前還不會五十音的狀態，到現在能有一定用日文溝通和閱讀日文文獻的基礎能力，幫了很大的忙。

因為，台灣的古生物研究歷史，基本上就是從日治時期展開並奠下根基。也因此，有一定的日文能力和在日本古生物學界中遊走的經驗，確實是對於一些細微的狀況，更能推敲或掌握。

舉例來說，我目前所服務的台灣大學於一九二八年創立時的前身：日治時期的台北帝國大學，一開始創校時就加入的早坂一郎教授，可以說就是在研究台灣大型脊椎動物化石的先驅，也就不意外為什麼一九八四年在台灣所發現、並被命名為一個新亞種的犀牛化石，會以早坂為名（犀牛的故事書寫在第四話）。

延伸閱讀：從放牛學生到震驚世界：左鎮犀牛化石背後的傳奇——《好久・不見》

台灣有化石的出沒，對生物多樣性、生命演化等議題有些敏感度的人來說，大概不會太意外。但台灣有沒有令許多人為之瘋狂的恐龍，聽起來就是一個棘手許多的疑問。

或許出乎大多數人的意外，台灣不只有貨真價實的恐龍，還有台灣才有的特有種恐龍！

一九九三年上映的《侏羅紀公園》（Jurassic Park），可以說是徹底的激發了全世界對於恐龍的狂熱與追逐。即使到了二○二四年的今天，恐龍的形象，對於大多數的人來說，似乎就是古生物學研究的全部了。

但恐龍有如此的代表性，可不是只有形象般的讓人摸不著邊際，而是有全世界各地的古生物學家用一生的精力，和政府、私人所挹注的大量資源，來試著一點一滴揭開恐龍那引人入勝的演化歷程。

舉一個比較可以讓大多數人理解到我們對於恐龍知識是如何持續的累積、建構起來的例子：我正在書寫這段文字的當下是二○二○年的五月中旬，這年從一月一日到這個時間點，已經有二十種，先前完全未知、生存於中生代的恐龍們被古生物學家發現，並且正式的命名為新物種、發表在國際間相關的古生物學研究期刊中—平均不到一個禮拜，全世界就又會多了一種中生代的恐龍在我們的知識體系中！

台灣的鳥類恐龍故事：恐龍演化新視角

藉由這樣的研究能量，我們現在不只清楚的知道所有現生鳥類都是貨真價實的恐龍，連我上課在談論恐龍演化所使用的教科書，所提到恐龍定義裡的其中一個主角，即有我們幾乎每天都會見到面的麻雀：

恐龍包含了滅絕的三角龍和現生的麻雀最近的共同祖先，以及從這共同祖先開始的所有後代，都是恐龍。沒有被包含在三角龍和麻雀最近的共同祖先裡的後代，都不是恐龍。

大部分隨口問我台灣到底有沒有恐龍的人，我基本上都很難有足夠的時間用上述簡短的內容來說明，因為可以感覺得出來，大部分的人，真的都只是隨口問問，大概也沒有打算真的想要了解恐龍、或是古生物學的研究工作到底是怎麼一回事，背後又有什麼重要的意涵。所以我一般都只會簡短的回應著像是，台灣當然有恐龍，因為所有的鳥類都是恐龍，不只如此，我們每天也都在吃著貨真價實的恐龍肉！

——本文摘自《好久・不見：露脊鯨、劍齒虎、古菱齒象、鱷魚公主、鳥類恐龍⋯⋯跟著「古生物偵探」重返遠古台灣，尋訪神祕化石，訴說在地生命的演化故事》，2024 年 9 月，麥田出版，未經同意請勿轉載。

一萬多年前冰河時期結束後，許多地方的生態系明顯改變，例如歐亞大陸和美洲的猛獁象都滅絕了，僅有少少倖存者，殘存於北冰洋的小島一直到 4000 年前。

上述認知來自對化石遺骸的判斷，可是最近由環境沉積物中取樣古代 DNA 分析，卻指出猛獁象等幾種生物，在亞洲和美洲大陸其實又延續了好幾千年。這些證據可靠嗎，猛獁象到底什麼時候滅絕？

古時候的環境 DNA，創下 200 萬年紀錄

DNA 原本位於生物的細胞之內，生態系中有很多生物，時時刻刻留下各自的 DNA，從土壤、水域等來源取樣分析所謂的「環境 DNA」（environmental DNA，可簡稱為 eDNA），能得知環境中包含哪些生物。

如果環境樣本能保存成千上萬年，那麼定序其中的 DNA 片段，再加上化石、花粉等不同線索，便有希望窺見古時候的生態系。

威勒斯勒夫（Eske Willerslev）率領的一項研究，藉由此法重現來自格陵蘭沉積層，距今 200 萬年之久的 DNA 片段，2022 年底發表時成為年代最古早的 DNA 紀錄，也得知當年存在格陵蘭的眾多植物與動物。^{[參考資料 5]}

最出乎意料的莫過於乳齒象（mastodon），由於缺乏化石，古生物學家一直認為那時候的乳齒象，並未棲息於這麼北的地帶，此一發現充分展示出古代環境 DNA 的價值。然而 DNA 的探索範圍也明顯有侷限，例如該地區出土超過 200 個物種的昆蟲化石，DNA 卻只能偵測到 2 種。

• 延伸閱讀：格陵蘭200萬年DNA，古代生態系選擇性呈現？

猛獁象化石無存後幾千年，依然有留下 DNA

當時間尺度是百萬年時，實際是 200 萬 3300 年或是 199 萬 8700 年，也就是 200.33 或 199.87 萬，幾千年的誤差範圍無關緊要。但是當探討對象是最近一萬年，猛獁象的 DNA 究竟存在於 9000 或 6000 年前，意義就差別很大。

這兒的「猛獁象」都是指真猛獁象（woolly mammoth，學名 Mammuthus primigenius）。由另一位古代 DNA 名家波因納（Hendrik Poinar）和威勒斯勒夫各自率隊，同在 2021 年底發表的論文獲得類似結論：猛獁象化石消失的幾千年後，沉積物中仍然能見到 DNA，可見還有個體又存續幾千年。^{[參考資料 1, 2]}

波因納率領的研究探討白令東部，也就是如今加拿大的育空地區，距今 4000 到 3 萬年前的沉積層；結論是原本認為早已消失的美洲馬、猛獁象，一直延續到 5700 年前。威勒斯勒夫戰隊取材的地理範圍廣得多，包括西伯利亞西北部、中部、東北部、北美洲、北大西洋，判斷猛獁象生存到 3900 年前。

更詳細看，威勒斯勒夫主導的論文指出，猛獁象在西伯利亞東北部最後現蹤於 7300 年前，西伯利亞中北部的泰梅爾半島（Taimyr Peninsula）為 3900 年前，此一年代和北冰洋的外島：弗蘭格爾島（Wrangel）之化石紀錄相去不遠。而北美洲則是 8600 年前，比波因納戰隊的 5700 年更早。

如果兩隊人馬的判斷都正確，意思是猛獁象（與某些大型動物）在北美洲延續到 5700 年前，在亞洲大陸與外島到 3900 年；比起當地出土最晚化石的時間，皆更晚數千年。

• 延伸閱讀：猛獁草原消失幾千年後，猛獁象、美洲馬依然生還

只有 DNA 不見化石，會不會是死掉好幾千年仍一直外流 DNA？

根據化石紀錄，冰河時期結束後，仍有少少生還的猛獁象在弗蘭格爾島一直延續到 4000 年前。由此想來，當大多數同類已經滅團時，某些地點還有孤立的小團體延續，並不意外。只是我們不見得能見到化石。

然而，威勒斯勒夫主導的論文受到挑戰。質疑者提出，猛獁象這類動物住在寒冷的環境，去世後遺體如果被冷凍保存，又持續緩慢解凍，在接下來的幾千年便有可能不斷釋出新鮮的 DNA，讓我們誤以為仍有活體。^{[參考資料 3]}

舉個極端狀況。假如 2 萬年前死亡的猛獁象，去世後一直冷凍在冰層中，現在被我們取出解凍，也許其中仍保有不少生猛 DNA，可是實際上牠已經去世很久了。

上述質疑，應該是這類研究手法共通的潛在問題。發生在一百萬年前無關緊要，一萬年內卻會導致不小的誤判。

喔~~喔喔~~喔喔~~喔喔~爪爪

化石消失的時刻，往往比生物滅團更早

威勒斯勒夫戰隊則回應表示：論文結論沒有問題，沈積層中取得的古代 DNA 確實來自那時在世的動物。我覺得不論觀點是否正確，回應的思路都值得瞧瞧。^{[參考資料 4]}

為什麼動物依然存在時，見不到當時的化石紀錄？主因是動物去世後，只有極低比例的個體會變成化石。一種動物在滅團以前，通常個體數目持續降低，少到一個程度後，還能留下化石的機率已逼近 0 。所以化石紀錄最後的時間點，早於動物實際消失的年代。

和化石相比，動物遺留 DNA 的機率遠高於化石。活生生的動物就會持續排放 DNA，死亡身體分解後又會釋出不少； DNA 未必會留在原本生活的地點，不過如今的偵測技術足夠敏銳，即使只有幾段也有機會抓到。

猛獁象，活的！

是否有可能，猛獁象去世幾千年仍持續釋出 DNA 片段？的確無法排除可能性。不過這項研究中有 4 個方向，支持沉積層之 DNA 源於族群規模大減，卻依然活跳跳的猛獁象。

第一，如果環境中的 DNA 來自死亡多時的動物，那麼各地區應該都會見到類似現象。實際上只在少部分取樣地點偵測到。

第二，假如猛獁象遺骸緩慢分解，DNA 持續進入沉積層，同一地點的不同取樣應該都能見到。可是同一處地點，只有少數樣本能抓到猛獁象 DNA。

第三，不同沉積層取得的環境樣本，包含當時生態系中很多生物的 DNA。存在猛獁象 DNA 的樣本，也能見到適合猛獁象生態系的其他植物；表示猛獁象的命運，很可能與適合牠們生活的環境同進退。

第四，倘若較晚沉積層的猛獁象 DNA，直接源自較早去世的個體，遺傳多樣性應該不會變化。然而較晚出現的粒線體型號明顯變少，後來只剩下一款。

實際狀況沒人可以肯定。我覺得前三點，都涉及樣本保存的潛在問題，干擾因素較多。第四點大概是最有力的證據，支持環境沉積物中留下的 DNA 並非源於死象遺骸，而是活體猛獁象。

研究日新月異，腦袋也要趕上

科學研究日新月異，不少人見到論文寫什麼就信以為真，卻不了解做研究其實有很多限制，即使是結論「正確」的論文，也會處處碰到解釋的侷限。

持續搜集證據，反覆思考才能進步。腦袋要靈活運用，但是也不要胡亂腦補！

延伸閱讀

• 猛獁旅行家，1.71萬年前旅行將近2圈地球
• 哈靈頓馬非馬？已滅絕的美洲馬家新成員上線啦！ 
• 怎麼知道亞馬遜雨林中的壁畫，真的是冰河時期創作？
• 最早古代DNA，超過一百萬年的西伯利亞象
• 古代DNA尋找與格陵蘭人發生關係的動物們
• 沒有化石沒關係，從泥土也能取得尼安德塔人DNA！
• 丹尼索瓦洞穴泥土中的DNA，丹尼索瓦人，尼安德塔人，智人
• 墨西哥遺址泥土中獲得美洲黑熊、大短面熊DNA
• 【2022 年諾貝爾生理或醫學奬】復現尼安德塔人消逝的 DNA，也映襯我們何以為人

參考資料

1. Murchie, T. J., Monteath, A. J., Mahony, M. E., Long, G. S., Cocker, S., Sadoway, T., … & Poinar, H. N. (2021). Collapse of the mammoth-steppe in central Yukon as revealed by ancient environmental DNA. Nature Communications, 12(1), 1-18.
2. Wang, Y., Pedersen, M. W., Alsos, I. G., De Sanctis, B., Racimo, F., Prohaska, A., … & Willerslev, E. (2021). Late Quaternary dynamics of Arctic biota from ancient environmental genomics. Nature, 600(7887), 86-92.
3. When did mammoths go extinct?
4. Reply to: When did mammoths go extinct?
5. Kjær, K. H., Winther Pedersen, M., De Sanctis, B., De Cahsan, B., Korneliussen, T. S., Michelsen, C. S., … & Willerslev, E. (2022). A 2-million-year-old ecosystem in Greenland uncovered by environmental DNA. Nature, 612(7939), 283-291.

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。