絕世單身青蛙，歷經十年終於成功脫單！但滅絕危機解除了嗎？

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

• 李玲玲／臺灣大學生態學與演化生物學研究所教授。

Take Home Message

• 《生物多樣性公約》（CBD）根據定期舉辦的締約方大會（COP）決定執行工作，以達成全球生物多樣性目標。
• 去（2022）年底的 COP 15 訂下新的策略計畫與目標，以接續COP 10未完成的工作。雖更全面和具體，但未來成敗仍取決於執行狀況。
• 臺灣過去在 CBD 的目標上有所貢獻，然而政府對 CBD 重視的程度仍不及國際公約，應繼續滾動修正並將生物多樣性納入主流。

任何關心生物多樣性現況與未來的讀者都需要了解《生物多樣性公約》（Convention on Biological Diversity, CBD）的內容與它的發展。這份在 1993 年正式生效、具有法律約束力的國際公約，目前有 196 個成員（締約方），它們共同承諾且致力於達成三項主要目標：保育生物多樣性、永續利用生物多樣性，以及公正合理分享由利用遺傳資源（genetic resources）^１所產生的惠益。

《生物多樣性公約》的運作

和其他國際性公約組織的運作方式類似，CBD 依據定期舉辦的締約方大會（Conference of Parties, COP）所通過的決定執行各項生物多樣性工作，並以大約每十年一期的間隔檢討生物多樣性工作的執行狀況，滾動修正下一個十年預計推動的整體策略計畫與目標。同時鼓勵締約方配合修正與執行各國的國家生物多樣性策略計畫（National Biodiversity Strategies and Action Plans, NBSAP），藉此協調眾國的努力以達成全球生物多樣性目標。因此每十年一次的策略規劃與目標設定都是一個里程碑，締約方需要檢視、累積過去成功與未能成功的經驗與教訓，調整步調使下一階段的執行成果能更接近理想目標。

例如 2002 年第六屆締約方大會（COP 6）通過了該公約的 2002～2010 年策略計畫和「2010生物多樣性目標」，預期到了 2010 年時能顯著減緩生物多樣性的流失速度，並在兩年後的COP 7通過了「2010生物多樣性目標」的 11 項具體目標與 21 項次目標。而在 2010 年的 COP 10 則在檢討「2010生物多樣性目標」的進展與缺失後，通過了「2011～2020年生物多樣性策略計畫與愛知生物多樣性目標」（以下簡稱愛知目標），設定出 20 項要在十年內達成的目標。

2020 年原本預計舉辦 COP 15 檢討執行成果、滾動修正，並提出 2021～2030 年的策略計畫與目標，但卻因嚴重特殊傳染性肺炎（COVID-19）疫情在全球升溫，策略計畫草案工作小組、各締約方與民間團體代表的會前協商討論無法順利進行，使得策略計畫草案的內容遲遲無法定案，最終就連 COP 15 也無法如期舉辦。會議時間不斷地延後，直到 2021 年才決定將 COP 15 分兩階段召開，第一階段的會議在 2021 年 10 月 11～15 日以線上與實體並行方式進行，重點是決定 CBD 的預算；第二階段的會議又因疫情經過兩次延宕，終於在去（2022）年 12 月 7～19 日完成實體會議。

有進展卻未達目標？過去的執行情況及COP 15 的新目標

檢視全球生物多樣性的狀況與檢討各期生物多樣性策略計畫與目標進展的主要依據是「全球生物多樣性展望」（Global Biodiversity Outlook, GBO），也就是 CBD 定期出版的報告。它總結了各方和各區域、國家新發布的生物多樣性研究與評估資料，呈現出全球生物多樣性的狀況與趨勢，並提出需要採取行動的綜合證據與建議，供CBD相關決策和制定新的策略計畫與目標參考。

2020 年出版的 GBO 5 指出，20 項愛知目標中有 10 項目標進展顯著，有六項目標可算部分實現，包括實行良好漁業管理的地區，海洋魚類族群豐度得以維持或恢復（目標6）；成功清除外來入侵種的島嶼數和鎖定優先處理的外來入侵種進入途徑以避免再度入侵的案例數增加（目標9）；2000～2020 年，陸域保護區面積從 10％ 增加到 15％，海洋保護區面積從約 3％ 增加到 7％ ，同時對生物多樣性具有特別重要意義區域的保護也從 29％ 增加到 44％ （目標 11）；《名古屋議定書》（Nagoya Protocol）^２已在至少87個國家和國際間充分運作（目標 16）；170個國家已根據《2011～2020年生物多樣性策略計畫》更新了 NBSAP （目標 17）；各界可獲得的生物多樣性資料和資訊大幅增加（目標 19）；透過國際資金流動使生物多樣性可用財務資源加倍（目標 20）。然而整體而言，全球生物多樣性仍在流失中，沒有任何一項愛知目標被完全實踐。

根據 GBO 5的總結及針對諸多未達標的分析所提出的改善建議，再經過多方的諮詢、協商、討論，甚至辯論，COP 15 終於通過了雖不能讓所有締約方滿意，卻勉強能接受的「昆明－蒙特婁全球生物多樣性框架」（Kunming-Montreal Global Biodiversity Framework, GBF）^３作為 2022～2030 年全球推動生物多樣性工作的依據。

GBF 的內容涵蓋了《 2050 年願景》和《 2030 年使命》，以及希望在 2030 年能夠實現的 23 項目標。這 23 項目標可歸類為：減少對生物多樣性的威脅（目標 1～8）、透過永續利用和惠益分享滿足人們的需求（目標 9～13）以及執行和使生物多樣性主流化的工具和解決方案（目標 14～23）。希望在未來十年（到 2030 年時）逐步減緩生物多樣性喪失的趨勢，並在往後的 20 年扭轉此一現象，改善生物多樣性、恢復自然生態系，以實現 2050 年「一個與自然和諧相處的世界」的願景。

根據長期觀察 CBD 發展的媒體分析：除延續愛知目標中尚待達成的目標外，GBF 比愛知目標更包容、更全面、具體，但也更複雜。特別是目標 2 和 3 比以前的目標更具企圖心，分別是到 2030 年前確保至少 30％的退化陸地、內陸水域、沿海和海洋生態系得到有效恢復（愛知目標是 15％ ）；以及透過保護區和其他有效的區域保護措施，有效保護 30％ 的陸地、內陸水域、沿海和海洋區域（愛知目標分別是陸域17％、海域 10％）。

而目標 12 增加城市地區藍綠空間面積並改善它們的品質與生態連通性；目標 15 要求大型跨國公司和金融機構對業務、供應和價值鏈及投資組合監測、評估和透明地披露風險、依賴性和對生物多樣性的影響，均是愛知目標沒有提到的項目；目標 19 則有更明確、量化的資源調動目標。此外，COP 15 還為了配合GBF通過相關的指標與監測架構、能力建構和發展的長期策略框架等決定，以及規劃、監測、報告和審查的機制，以利締約方執行。但無論 GBF 的內容如何，成敗仍取決於未來實際的執行狀況。

臺灣生物多樣性的目標與執行，跟得上國際公約嗎？

臺灣雖非 CBD 締約方，但行政院自 2001 年通過《生物多樣性推動方案》以來，相關單位皆持續追蹤 CBD 的進展，並檢視國內生物多樣性狀況，先後於 2007 年與 2015 年依據《 2010 生物多樣性目標》與愛知目標，滾動修正臺灣 NBSAP 的內容，並透過 22 部會共同執行，至今已有相當豐碩的成果^４。對大部分愛知目標的達成也都有所貢獻，包括減緩棲地流失（目標 5）、保護脆弱生態系（目標 10）、保存基因多樣性（目標 13）、更新 NBSAP（目標 17），以及累積、分享、應用生物多樣性資訊與知識（目標 19）等，其餘各項目標大都有程度不一的進展，唯有目標 16（遺傳資源的獲取與惠益分享立法）與目標 20（增加生物多樣性工作的預算比率）較無進展。

然而在國際間紛紛倡議加強保護自然以達成全球永續發展目標、氣候變遷減緩與調適、巴黎協定等目標的同時，臺灣政府對 CBD 重視的程度遠不及氣候變遷綱要公約。無論在國家永續發展目標、氣候變遷減緩調適、淨零排放、水資源管理、防減災等重要政策的推動上，生物多樣性可以扮演的角色與可以發揮的潛力卻嚴重被忽視。投入生物多樣性工作的人力與資源更遠不足氣候變遷相關事務，包括政府尚無具體的生物多樣性監測架構，也從未評估整體生態系服務，因此仍無法掌握生物多樣性與生態系服務變化的趨勢，以及變化趨勢對達成上述各項重要政策的影響。

因此在 GBF 定案後，臺灣除了需要繼續依據 GBF 滾動修正 NBSAP 的內容外，還需注意以下重點： 

1. 深刻了解維護與改善生物多樣性與生態系服務對於提升人類福祉、氣候變遷減緩與調適及達成永續發展目標的重要性，並將它主流化。也就是說，需改變公私部門以往「將生物多樣性只視為自然保育部門業務」的錯誤認知。在規劃和執行與永續發展目標、氣候變遷減緩調適、淨零排放、綠能、國土計畫、水資源、防減災等重要政策、策略、行動時，應納入維護、改善生物多樣性與生態系服務的思考，同時注意部門間縱向與橫向的協調整合，以及從中央政策規劃到地方落實執行的連貫性，以協調一致的方式推動生物多樣性相關工作。

2. 落實維護良好的生態系、恢復退化的生態系以逐步達成 CBD 2030 目標及 2050 年願景。「維護良好的生態系與恢復退化的生態系」是 GBF 目標 2 與 3 的重點，也是聯合國將 2021～2030 年定為生態系恢復十年、並鼓勵各國致力於恢復劣化生態系、增加自然資產與強化生態系服務，以提升人類福祉的目的。然而臺灣的農田、淺山、流域、海岸、海洋生態系仍持續劣化中，從中央到地方都輕忽生態系維護與恢復的重要性。此方面的工作應是後續 NBSAP 特別需要加強的工作。

3. 無論永續發展目標或是生物多樣性目標的達成，都需要政府和全社會進行必要的變革，包含確定生物多樣性與國家發展目標的關聯，將自然的價值內化，並依此規劃整合性策略、優先行動，盡快調整相關政策、法規、制度、組織，合理分配財務和其他資源，加強能力建設、研發適當的政策工具。

註解：

• ［註1］根據 CBD 第二條，遺傳資源是指具有實際或潛在價值的遺傳材料；遺傳材料則是指任何植物、動物、微生物或其他來源中含有遺傳功能的材料。
• ［註2］《名古屋議定書》的全名為「關於遺傳資源獲取與公平平等分享使用惠益的名古屋議定書」，是 CBD 的第二份議定書，目的在以公平合理的方式分享對遺傳資源的利用所帶來的惠益。
• ［註3］詳見閱讀 GBF 目標內容：https://www.toolskk.com/qrcode-scanner。
• ［註4］詳見閱讀「2020 生物多樣性國家報告」：https://reurl.cc/ZXQ1zV。

• 〈本文選自《科學月刊》2023 年 3 月號〉
• 科學月刊／在一個資訊不值錢的時代中，試圖緊握那知識餘溫外，也不忘科學事實和自由價值至上的科普雜誌。

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。

• 採訪撰文／寒波、簡克志
• 美術設計／蔡宛潔

臺灣「野生釀酒酵母」的多樣性研究

釀酒酵母，一種被人類廣泛利用的微生物，釀酒、做麵包都會用到，此外也被大量用於科學研究。可以說不論在食品或學術上，釀酒酵母早已進入你我的生活。然而，釀酒酵母除了人類常用菌株（strain）是來自原有已知的幾個馴化譜系（domesticated lineage）之外，其實還有非常多野生譜系不為人知。中央研究院「研之有物」專訪院內生物多樣性研究中心蔡怡陞副研究員，他與研究團隊尋覓臺灣野生的釀酒酵母，意外發現臺灣島的面積雖然相比之下較小，野生釀酒酵母的遺傳多樣性卻是世界最高！論文已於 2022 年 3 月 31 日發表於《基因組研究》（Genome Research）。

不管釀酒還是做麵包，都不可或缺的釀酒酵母

釀酒酵母的學名叫作 Saccharomyces cerevisiae（簡稱 S. cerevisiae），它在釀酒或烘焙等食品業中最具代表性，也是最常見的模式生物之一。釀酒酵母作為單細胞真核生物的代表，大量用於學術研究，蔡怡陞團隊的成果即是一例。

至於釀酒酵母的產業應用，例如常見的愛爾（Ale）與拉格（Lager）啤酒來說，前者發酵溫度在 20℃ 左右，菌株就是上述的 S. cerevisiae，味道較濃郁；後者的特色是低溫發酵 10℃ 左右，菌株是人類特別選殖的雜交品系（註 1），味道較清爽。

有趣的是，世界各地的人、歷史與文化也許有別，愛酒的心卻都一樣，歐洲培育出發酵啤酒的品系，日本也獨立馴化獲得釀造清酒的酵母菌。

除了釀酒之外，製作麵包也需要釀酒酵母，故 S. cerevisiae 也稱作麵包酵母。仰賴小規模手工業的古時候，麵包師都有自己的獨家酵母，師傅教徒弟時，傳承的不只技術，也包括酵母麵團。

邁入近代社會以後，各行各業都走向標準化，釀酒酵母也不例外。如今不同麵包師大都使用同一種量產酵母。

啤酒與麵包這些案例鮮活地說明，釀酒酵母深受人類影響，這也是大部分酵母菌演化研究關注的主題。

然而蔡怡陞實驗室則不同，他關心的對象是處於人類影響以外、還沒有被馴化的野生釀酒酵母們。這些野生釀酒酵母們和食品業常用的菌株是同一物種（species），學名都是 S. cerevisiae，但是為不同菌株（strain）。

由於釀酒酵母的產業運用和微觀機制探討已經相當成熟，但是人們對於釀酒酵母在生態中的角色依然所知有限，以前人們甚至懷疑過，真的有野生的釀酒酵母嗎？後來才知道不但有，而且多樣性還不小，與人類密切接觸的只是少數幾款。

那麼，蔡怡陞團隊是如何找出低調的臺灣野生釀酒酵母呢？

看不到卻無所不在：臺灣野生釀酒酵母的探尋之旅

蔡怡陞過去就對酵母菌相當有興趣，因為這是他在倫敦帝國學院就讀博士班的起家主題！當時他研究的是釀酒酵母最近的親戚 Saccharomyces paradoxus。

回到中研院後，他決定在臺灣再度開啟野生釀酒酵母的研究，與博士生李佳燁、助理劉育菁、柳韋安等人多年奮鬥後，有了出乎意料的發現！如今回首 6 年來的探索過程，並不容易。

要研究野生的釀酒酵母，第一步當然是去野外採集，可是人的眼睛看不見酵母菌，所以沒辦法用視覺辨識直接採樣，要把樣本帶回實驗室，初步處理後浸入培養液，等待兩個星期才能得知結果：釀酒酵母是否存在。

實驗室使用特製培養液，有利於釀酒酵母生長，不利其他微生物。理想上，即使釀酒酵母原本的存在感很低，也能在培養液中放大。

假如等待一段時間後，培養液長不出酵母菌， 也許是一開始就真的沒有，但是有沒有可能是因為採樣和培養時有缺失，害得酵母菌長不出來？或是釀酒酵母確實存在，卻由於數量太少而無法見到？

蔡怡陞回憶，開始這項計畫的第一年，幾乎一無所獲。根據歐洲與美洲的研究經驗，野生釀酒酵母常常於橡樹表面生長，橡樹屬於殼斗科植物，所以一開始多半以市區外圍森林，如殼斗科的樹皮為目標，卻不斷失敗。

後來往更廣的範圍採樣，並與生多中心研究人員鍾國芳、黃仁磐等實驗室合作，這才克服難關，順利從多種植物的果實、樹葉、樹幹、地面、甚至是地衣等來源獲得酵母菌，並且訝異地得知，釀酒酵母在臺灣的森林其實非常普遍。

蔡怡陞歸納出的模式是：臺灣野外森林中，釀酒酵母普遍存在，但是比例非常低，可謂低調卻無所不在。

如何歸納出以上結論呢？這要利用如今基因體學的新工具：總體基因體學（metagenomic）。原理是取得環境樣本後，直接定序其中所有 DNA 片段，或是所有物種都有的擴增子（amplicon），再與資料庫對照；如此一來，便能估計目標佔整體的比例，蔡怡陞團隊就是去估算釀酒酵母佔其生長環境中的比例。

從環境採樣培養出釀酒酵母以後，由中研院定序核心實驗室的呂美曄，回頭定序該樣本的擴增子，接著由蔡怡陞實驗室的林渝非分析。野外採集的樣本中，絕大部分是細菌，通常高達至少 99% 之多；剩下多半為真菌（和原生生物等等），其中只有極低比例是釀酒酵母，最多也只佔 0.012%。因此同樣是細菌、真菌等微生物，釀酒酵母的存在感是低於 1% 中的 0.012% 以下，換句話說，不超過百萬分之 12！

透過總體基因體學的分析，能夠量化釀酒酵母在天然環境下的存在感。蔡怡陞也強調培養液很重要，否則無法讓低調的酵母菌現形。抓到目標後就能分離酵母菌，培育建立新的菌株，並且經由團隊成員李昕翰、柯惠棉的定序、組裝獲得完整的基因組。藉此獲得一百多個臺灣各地的菌株及其遺傳訊息，用於進一步研究。

釀酒酵母的多樣性，臺灣竟然世界最複雜？

要了解蔡怡陞實驗室新論文的意義，必須先認識別人過去的研究。

2018 年就有研究者從世界各地收集超過一千個釀酒酵母品系，探討親緣關係。分析發現野生釀酒酵母們彼此的變化差異還不小，東亞的中國為最多變之處；將所有酵母菌擺在一起畫演化樹，中國採集到的品系能歸類到不同譜系（lineages），包括與同類最早分家，差異最大的譜系。

演化樹是一種建構親緣關係的工具，所有樣本中，兩個樣本假如有最近的共同祖先，通常遺傳上的差異也會愈少，便會被歸類到一塊；這一批和其次相近的另一批樣本們，又會被歸類到一群，就這樣一直向前回溯（見下圖），形成看似樹狀的關係。而這棵樹上愈早分離的譜系，也就代表差異愈大，愈早和其他樣本分家。

中國採集的釀酒酵母們，不但有些被歸類到較晚分家的不同群，幾個樣本更自成一群，形成最早分出的演化樹枝。這些證據有力地支持：中國是釀酒酵母的起源地。然而，案情並不單純！

將臺灣的一百多個菌株擺進演化樹，驚奇的事發生了！臺灣存在的釀酒酵母們，竟然也被歸類進各大譜系，並有新的譜系，這表示臺灣的釀酒酵母多樣性，和中國一樣高。而且還有一款進入之前於中國採集到，與同類最早分家的那一群。

驚奇之處在於，擺在全世界的尺度下看，臺灣只是一個很小的島，地處東亞大陸邊緣。中國面積龐大，釀酒酵母具備全世界最高的多樣性並不意外，也被認為很可能是發源地；可是小小的臺灣，竟然也存在一樣高的複雜度。

有沒有可能臺灣多變的品系，並非起源自當地，而是被人類無意間帶來的呢？應該不可能，因為根據遺傳差異估計，那些野生譜系們分家後衍生的年代，都早於人類在附近活動的時間；由此可以推論，目前的分佈狀況，非常可能是自然傳播的結果（或許是隨著殼斗科森林）。

所以我們可以說，臺灣是釀酒酵母最初的起源地嗎？不行。符合已知證據，比較合理的解釋是，釀酒酵母於東亞發跡，所以在東亞地區的遺傳多樣性也最高；而臺灣也包含於此一交流範圍之內，從最早的始祖開始，從古至今逐漸分家的釀酒酵母們，可能陸續，或是在同一段交流時期進入臺灣，一直低調默默生存到現在，仍保持原鄉的面貌。

然而，好的研究不只要知道有多少已知，更要知道還有多少未知。蔡怡陞提醒我們，目前研究有個盲區：東南亞地區的取樣仍十分有限。根據已知的樣本，最早與同類分家的酵母菌，它們的後裔位於中國和臺灣，故推論東亞地區是起源地。

可是取樣匱乏的東南亞，會不會住著更早分家前輩的後裔呢？這是目前無法回答的問題。

你我所不知道的小世界，野生釀酒酵母的生殖、生態學

總之根據現有的資訊，臺灣釀酒酵母的多樣性在同樣尺度下比較確實為世界最高。

大量取樣下還能觀察到，距離非常近的採集地點，竟然同時住著遺傳上差異很大，不同譜系的菌株（甚至在同一棵樹！）。相比之下，中國酵母的多樣性也高，但是分佈並不密集，相近的地理範圍內通常存在遺傳上類似的菌株。

不同研究的手法不同，這會不會是中國研究者採集較為稀疏，取樣方式導致的偏誤呢？蔡怡陞表示，的確無法排除前述可能性；但是他反而認為過去的採集方式，說不定都忽略了微生物近距離的分佈與多樣性，所以更需要反思過往認知微生物的生物地理關係。

不過他也認為中國的釀酒酵母確實住的比較分散；因此差異大的品系住在附近這回事，搞不好真的是臺灣特色，至少是率先在臺灣觀察到。

另一件有趣的發現是遺傳交流。釀酒酵母是單細胞真核生物，實驗室環境下可以無性生殖，自己複製自己；也可以隨時切換成有性生殖，和同類一起生寶寶。利用菌株間的遺傳差異，可以預測自然界的釀酒酵母，大部分時候採行無性生殖（這是蔡怡陞博士班時期努力的主題！）。

既然臺灣存在許多遺傳有別的野生品系，有時候又住的很近，它們之間會遺傳交流嗎？

比對基因組得知，會，不過不常見，大約每幾百到幾萬次無性生殖才有 1 次有性生殖。這證實蔡怡陞對酵母菌生殖的推論，替釀酒酵母生態學新添一分認識。

讓學術研究結合產業應用，找到野生釀酒酵母之後

有趣歸有趣，但是研究臺灣野生釀酒酵母有什麼意義呢？

從學術上來說，蔡怡陞指出，臺灣生態系複雜，本次透過基因體學手法得到量化證據，支持釀酒酵母這種微生物，在臺灣的多樣性很高。這項在臺灣採樣的本土研究，也大幅增進全世界對釀酒酵母的認識，並可更進一步開始探討釀酒酵母在自然界所扮演的角色。

從產業上來說，在蔡怡陞團隊的辛苦調查與記錄之後，未來我們是否可以期待廠商用臺灣在地的野生釀酒酵母做啤酒呢？

釀酒酵母是與人類互動最密切的微生物之一，但是人們對野生的釀酒酵母了解卻很有限，可謂無比熟悉的陌生人。蔡怡陞採集到眾多野生的菌株品系，不論學術研究或產業應用，都可能有進一步發展。

目前實驗室正在把這些菌株「帶」回實驗室，開始量化相關的表現型（phenotypes）。等到時機成熟，他歡迎各界合作，一起探索臺灣自然資源的潛力。

註解

1. 拉格啤酒採用的菌株是 Saccharomyces pastorianus，為 S. cerevisiae 及 S. eubayanus 兩者雜交而成。

1. 蔡怡陞（2017）。〈多樣性決定味覺豐富度，釀酒酵母的「萬年傳統全新感受」〉，《環境資訊中心》。
2. Lee, T. J., Liu, Y.-C., Liu, W.-A., et al. (2022). Extensive sampling of Saccharomyces cerevisiae in Taiwan reveals ecology and evolution of predomesticated lineages. Genome Research.
3. Peter, J., De Chiara, M., Friedrich, A. et al. (2018). Genome evolution across 1,011 Saccharomyces cerevisiae isolates. Nature, 556, 339–344.
4. Duan, S. F., Han, P. J., Wang, Q. M. et al. (2018). The origin and adaptive evolution of domesticated populations of yeast from Far East Asia. Nat Commun, 9, 2690.
5. White, C., & Zainasheff, J. (2010). Yeast: The Practical Guide to Beer Fermentation. Brewers Publications.
6. Tsai, I. J., Bensasson, D., Burt, A., & Koufopanou, V. (2008). Population genomics of the wild yeast Saccharomyces paradoxus: Quantifying the life cycle. PNAS, 105(12), 4957–4962.