當哥吉拉遺忘你的名字：科幻文學教我們的事──2019泛知識節

新種具足蟲，發現！

2019 年，國立臺南大學生物科技學系副教授 黃銘志 從基隆漁民手中獲得一批具足蟲。為了鑑定這些小傢伙的種類，黃銘志從日本換來兩隻大王具足蟲（B. giganteus），沒想到卻意外發現前所未見的新種——猶加敦具足蟲（B. yucatanensis）！

這到底是怎麼回事呢？別急，在我們看下去前，先告訴你一個具足蟲的小秘密。

具足蟲又稱為深水蝨，是居住在深海的甲殼類活化石。你可能沒聽過這兩個名稱，但如果你看過《風之谷》或是《星際大戰》（Star Wars），肯定對王蟲和黑武士有印象，而他們的原型就是具足蟲！

既然不小心撈到了，那就抓來研究吧～

小秘密說完了，讓我們原地跳一下，回到 2019 年看看事情發生的經過。

當年七月，黃銘志在基隆正濱漁港採集到俗稱「金絲猴」的紅頭龍蝦，登錄為臺灣新記錄種「海神後海螯蝦（Metanephrops neptunus）」。此後，黃銘志就有和當地漁民保持聯繫。

後來，有船長告訴黃銘志：「我抓到十隻具足蟲，你要不要？」

在基隆，具足蟲的漁獲量並不多，通常是拖網捕蝦附帶的戰利品。雖然東北角有很多販售具足蟲料理的店家，具足蟲吃起來也像龍蝦，但民眾還是喜歡吃真正的蝦子，所以具足蟲銷不出去，黃銘志就整批買了下來。

這時，問題來了！臺灣沒有具足蟲專家，而黃銘志本身也不是分類學家，要怎麼鑑定呢？沒辦法，只好自行摸索。

於是，黃銘志和日本新江之島水族館交換兩隻大王具足蟲，但這兩隻越看越不對勁，「⋯⋯怎麼其中一隻腰身比較細？難道是牠比較瘦、吃比較少嗎？」

「背景不同的人，就會用不同的視角看事情！」

後來，黃銘志想起赴日深造時，研究魚類基因演化、解析人體基因結構的經驗，就決定分析具足蟲的基因。從黃銘志的專業背景——分子生物學的角度來看，至少要採用兩種分析方法才夠，因為每個基因演化速度都不同，像具足蟲演化得很慢，基因差異不太明顯，就很難區分。

經過細胞色素 c 氧化酶亞基 1（COI）和 16S rRNA 分析後，黃銘志赫然發現很多 DNA 片段都不同。起初還以為是分析出錯，或是樣本破損，但重複試驗多次後的結果都一樣，黃銘志不禁感到困惑：「奇怪了，歐美研究大王具足蟲長達 140 年，有超過 1000 隻樣本，怎麼沒發現裡面可能有基因結構不同的個體？」

為了進一步梳理這些數據，黃銘志找來兩位分類學家助拳，一位是日本國際螯蝦學會的會長——甲殼類專家川井唯史（Dr. Kawai Tadashi），另一位則是澳洲昆士蘭博物館的無脊椎動物榮譽研究員——具足蟲專家尼爾．布魯斯（Dr. Niel L. Bruce）。

不是這個專業，所以才能做到這件事

在三人正式合作前，黃銘志就大致完成這篇新種具足蟲的論文了，但後來，布魯斯發現了一個天大的錯誤，那就是黃銘志引用了某位印度專家錯誤的研究。

過去，也有中國學者引用這篇印度論文，指出印度洋海域有肯氏具足蟲（B. kensleyi）。黃銘志原先也以為是這樣，畢竟順著前人的研究比較不會有爭議，沒想到卻因此得出錯誤的推論。

第一次研究具足蟲，就要指正其他專家的研究，「老實說，我算哪根蔥？」黃銘志苦笑道。

為了修正錯誤，具足蟲的細部結構就交給布魯斯研究，再讓川井逐一比對、鉅細靡遺地畫下來。具足蟲演化較慢，所以每一種長得都很像，必須仔細觀察才能看出差異，比如鼻子的形狀、尾扇棘刺的數量、身體兩側的彎曲程度等等。

雖然三人至今都沒有見過彼此，但當初為了辨別出不同的形態，他們互相傳了上千封信討論，才終於達成共識。回想這漫長的過程，黃銘志說：「那些圖都確認過十幾次了，意見不合也是常有的事，比如尾扇棘刺的數量要從哪裡開始數？」

黃銘志也提到，每種生物都有「種間變異」和「種內變異」。只要有變異，一定有不同的地方，但這些不同的地方可以直接判斷成不同種嗎？假如尾扇棘原本有 13 根，卻因為互相打鬥而斷了一兩根，是不是就要分成不同種？

在這種情況下，由於形態非常接近，按照傳統分類學的做法，其實很容易將一整群可能摻雜不同種的樣本全都混為一類。因此，黃銘志認為最好的做法是從基因著手，用分子生物學的方法鑑定，而不是用個體的外觀差異判斷。

當分類學家多次比對不同樣本的外形，認為這不是大王具足蟲，而基因定序的結果也和資料庫既有的物種都不匹配的時候，就可以確認牠是未經發表的新種。

延伸閱讀：新種形成——秘中之秘

根據論文發表的結果，黃銘志最後將來自新江之島水族館的新種，以發現地墨西哥灣猶加敦半島（Yucatán Peninsula）為依據，命名為猶加敦具足蟲（B.yucatanensis）。

鑑定深海物種，有助於我們更認識深海

在十八、十九世紀時，科學家非常好奇深海到底有沒有生物，而如今，具足蟲就是活生生的鐵證，因此歐美國家非常重視具足蟲的學術價值。這些深海小傢伙證明了一件事：即使在光線微弱、水壓極高、溫度極低、幾乎沒有食物的環境下，還是有生物存在。

目前，我們對於月球的了解甚至還比深海多。布魯斯表示，陸生生物即使雜交，只要能產生有生殖能力的後代，原則上都可以算是同種，但水生生物並不完全遵循這個原則。

比方說，現在有很多鱘龍魚是雜交種，而且是不同種交配生下的、具有生殖能力的後代，這些不同的後代，都各自稱得上是新物種。按照這個邏輯，海洋時刻都有新物種誕生，是我們探索不完的神秘區域。

不過，相對於西方國家多半將具足蟲作為研究用途，東方國家比較在乎的反而是「這可以吃嗎？要怎麼料理才能變得更好吃？」

在日本，有一種零食就是將具足蟲磨成粉後加進仙貝，讓仙貝吃起來有蝦子的味道。黃銘志笑著說：「這很暢銷！」但也補充道，他在東京大學做研究時，實驗室有個傳統，那就是「當你研究某種生物的時候，你就不吃牠們，代表你對這種生物的敬意。」

關於具足蟲，還有哪些待解之謎？

這份耗時三年的研究，不但指正了前人的研究、改變了具足蟲近百年來的分類，也暗示著既有的「群模式樣本」或許有很大的問題。換句話說，目前已知的具足蟲種類不多，可能是分類錯誤造成的結果，說不定早就有很多種摻雜在其中了！

延伸閱讀：怎麼把牠們當成一樣的物種！物種分類出錯怎麼辦？——分類學家偵探事件簿（三）

在日本，鳥羽水族館有一隻具足蟲長達五年沒進食。目前仍沒有科學家著手細探背後的原因，而牠們的食物來源、繁衍方法，以及牠們如何在極端惡劣的深海環境生存，都是接下來必須進一步探究的課題。

舉例來說，紅色在深海是一種隱性色，而深海的甲殼類生物（比如甜蝦、天使紅蝦）體內通常帶有蝦紅素，使得體表呈現紅色，可以保護牠們不被天敵發現。可是，具足蟲的分布範圍深達數千米，體內卻沒有蝦紅素，煮熟後也不會像蝦子那樣變紅。

延伸閱讀：煮熟的龍蝦為什麼會變色呢？

此外，透過研究具足蟲，科學家可以更了解全球暖化對深海的影響、陸地上的重金屬和放射性物質沉進深海造成的衝擊，以及這些具足蟲是否可以取代龍蝦，成為新的食物選擇。

最近，南海的船長捕到了 80 幾隻具足蟲，黃銘志買下了形態看起來比較特殊的 10 隻，希望可以篩出更多新種，解開更多有趣的謎底。

延伸閱讀

• 原來是大王具足蟲啊，還以為是女友邦提摩尼烏姆呢！這究竟是什麼神秘生物？

參考資料

1. Huang, M. C., Kawai, T., & Bruce, N. L. (2022). A new species of Bathynomus Milne-Edwards, 1879 (Isopoda: Cirolanidae) from the southern Gulf of Mexico with a redescription of Bathynomus jamesi Kou, Chen and Li, 2017 from off Pratas Island, Taiwan. Journal of Natural History, 56(13-16), 885-921.
2. 交換日本水族館具足蟲 南大發現深水蝨新物種｜生活｜中央社 CNA

編按：你的理智知道「眼見不為憑」，但你的眼睛還是會背叛你的理智，不自覺得被眼前的影像所吸引，儘管你真的、真的知道他是假的。Youtuber 小玉於2021年底涉嫌利用 Deepfake 技術，偽造多位名人的色情影音內容並販售的事件，既不是第一起、也不是唯一、更不會是最後一個利用「深偽技術」進行科技犯罪的事件。

當科技在走，社會和法律該如何跟上甚至超前部署呢？本次 Deepfake 專題，由泛科學和法律白話文合作，從Deepfake 技術與辨偽技術、到法律如何因應，讓我們一起全方位解析Deepfake！

第一篇，讓我們就 Deepfake 技術做一基礎的介紹，那我們就開始囉！

什麼是 Deepfake？

深偽技術 Deepfake 於 2017 年陸續開始進入大眾的目光中。原文 Deepfake 源自於英文「deep learning」（深度學習）和「fake」（偽造）組合，主要意指應用人工智慧深度學習的技術，合成某個（不一定存在的）人的圖像或影片、甚至聲音。最常見的應用，就是將影片中的人臉替換為另一張臉（常是名人），讓指定的臉在影片中做出自己從未說過或做過的事情。

現今談到 Deepfake，大多數人想到的可能是偽造的成人影片，就如前述 Youtuber 小玉的事件，Deepfake 一開始受到關注，主要與名人或明星的臉部影像被合成到成人影片有關，然而，Deepfake 的功能遠不僅於此，相關的技術使用還包括了替換表情、合成一整張臉、合成語音等等。

除了像是讓過去或現在的名人在影片中「栩栩如生」做出使用者想要的表情與動作，之前在社群媒體上曾有好幾款 APP一度風靡，包括上傳一張照片就可以看看「變老」「變性」自己的 FaceApp，甚至於讓自己的臉在經典電影中講上一段台詞的「去演」APP，這類的功能也是應用前述 Deepfake 的技術。

雖然有些線索顯示這類 APP 常有潛在的資安疑慮[註]，但好歹技術的成果多屬搏君一燦自娛娛人，尚可視為無傷大雅。

而過往電影的影音產業要仿造人臉需要應用許多複雜、耗時、昂貴的電腦模擬，有了 Deepfake 相關的技術，也使得許多只能抱憾放棄的事情出現了彌補的空間。最有名的應用應是好萊塢電影《玩命關頭7》與《星際大戰》系列。《玩命關頭7》拍攝期間主角保羅・沃克（Paul William Walker IV）意外身亡，剩下的戲份後來由弟弟擔綱演出，劇組再以 Deepfake 的技術讓哥哥弟弟連戲，整部電影才得以殺青上映。

Deepfake 讓「變臉」變得太容易了？

想想過去的電影如《魔戒》中的咕嚕、或是 2008 年布萊德・彼特主演的《班傑明的奇幻旅程》，將影片或照片中人物「換臉」「變老」的修圖或 CG 技術，在 Deepfake 出世之前就已經存在了。Deepfake 受到關注的核心關鍵在於，應用 AI 的深度學習的演算法，加上越來越強大的電腦與手機運算能力，讓「影片換臉」這件事情變得越來越隨手可得、並且天衣無縫。

過往電影中採用的 CG 技術要花好幾個月由專業人士進行後製，才能取得難辨真偽的影像效果，而應用了 AI 演算法，只需要一台桌上型電腦甚或是手機，上網就可以取得軟體、有機會獲得差強人意的結果了。

進一步，傳統軟體演算法主要依靠工程師的持續修改調整，而如 Deepfake 這類技術，內部的演算法會經過訓練持續進化。有許多技術被應用於提高 Deepfake 的偽造效果，其中最常見的一個作法被稱為「生成對抗網路（Generative Adversarial Network, GAN）」，這裡面包含了兩組神經網路「生成器（Generator）」和「辨識器（Discriminator）」。

在投入訓練資料之後，這兩組神經網路會相互學習訓練，有點像是坐在主人頭上的小天使與小惡魔會互相吐槽、口才越來越好、想出更好的點子；在練習的過程中，「生成器」會持續生成偽造的影像，而「辨識器」則負責評分，反覆訓練下來，偽造生成的技術進步，辨識偽造的技術也得以進步。

舉例來說，This Person Does Not Exist 這個網站就充滿了使用 GAN 架構建構的人臉，這個網站中的人臉看上去非常真實，實際上都是 AI 製造出來的「假臉」。

Deepfake 影片不一定是問題，不知道是 Deepfake 才是問題

現今的 Deepfake 技術得以持續進步、騙過人眼是許多人努力的成果，也不見得都是壞事。像是《星際大戰：俠盜一號》片尾，年輕的萊婭公主出面驚鴻一瞥，就帶給許多老粉絲驚喜。這項技術應用癥結在於，相關演算法輕易就能取得，除了讓有心人可以藉以產製色情影片（這類影片佔了Deepfake濫用的半數以上），Deepfake 製造的影片在人們不知情的情況下，很有可能成為虛假訊息的載體、心理戰的武器，甚至於影響選戰與輿情。

因此，Deepfake 弄假似真不是問題，閱聽者因此「不辨真假」才將是最大的問題所在。

相關的研究人員歸納了幾個這類「變臉」影片常見的特徵，可以用來初步辨識眼前的影片是不是偽造的。

首先，由於 AI 尚無法非常細緻的處理一些動作細節，因此其眨眼、視線變化或臉部抽蓄的動作會較不自然。其次，通常在邊緣處，如髮絲、臉的邊緣線、耳環等區域會出現不連貫的狀況。最後，在一些結構細節會出現不合理的陰影瑕疵，像是嘴角的角度位置等。

由於現階段的 Deepfake 通常需要大量的訓練資料（影像或影片）才能達到理想的偽造成果，因此會遭到「換臉」的受害者，主要集中在影像資源豐富的名人，如電影明星、Youtuber、政治人物等。需要注意的是，如果有人意圖使用 Deepfake 技術製造假消息，其所製造的影片不見得需要非常完美，有可能反而降低解析度、非常粗糙，一般人如用手機瀏覽往往難辨真假。

人眼已經難辨真假，那麼以子之矛攻彼之盾，以 AI 技術辨識找出 Deepfake 的成品，有沒有機會呢？隨著 Deepfake 逐漸成為熱門的議題，有許多團隊也開始試圖藉由深度學習技術，辨識偽造影像。2020 年臉書與微軟開始舉辦的「換臉偵測大賽」（Deepfake Detection Challenge）就提供高額獎金，徵求能夠辨識造假影片的技術。然而成果只能說是差強人意，面對從未接觸過的影片，第一名辨識的準確率僅為 65.18%。

對於 Deepfake 可能遭到的濫用，某部分我們可以寄望技術的發展未來終將「道高一尺」，讓社群平台上的影像不致於毫無遮攔、照單全收；然而技術持續「魔高一丈」讓防範的科技追著跑，也是顯而易見的。

社群網路 FB 在 2020 年宣布全面禁止 Deepfake 產生的影片，一旦有確認者立即刪除，twitter 則強制註記影片為造假影片。Deepfake 僅僅是未來面對 AI 浪潮，科技社會所需要應對的其中一項議題，法律、社會規範如何跟上？如何解決箇中的著作權與倫理問題？這些都將是需要經過層層討論與驗證的重要課題。

至少大家應該心知肚明，過往的網路流行語：「有圖有真相」已經過去，接下來即將面臨的，是一個「有影片也難有真相」的網路世界了。

• 註解：推出 FaceApp 與「去演」的兩家公司其軟體皆要求註冊，且對於上傳資料之後續處理交代不清，被認為有侵犯使用者隱私權之疑慮。

參考資料

1. Deepfakes and the New AI-Generated Fake Media Creation-Detection Arms Race – Scientific American
2. What To Do About Deepfakes | March 2021 | Communications of the ACM
3. Tolosana, R., Vera-Rodriguez, R., Fierrez, J., Morales, A., & Ortega-Garcia, J. (2020). Deepfakes and beyond: A survey of face manipulation and fake detection. Information Fusion, 64, 131-148.
4. Deepfake 深偽技術的技術濫用與道德困境，大眾正要開始面對 | TechNews 科技新報
5. 台灣團隊研究辨識Deep Fake影片　深偽技術的正邪之戰開打 | 台灣事實查核中心 (tfc-taiwan.org.tw)

• 作者／劉詠鯤

本文轉載自 CASE 報科學 《千變萬化的流體（三）：哥吉拉雲—流體的不穩定性》

海岸邊的雲層上緣，出現一隻隻如同哥吉拉形狀的雲；原子彈投下後，劇烈爆炸引起的蕈狀雲；土星大氣層內形狀獨特的雲帶……等。這些看似毫無相關的現象，背後其實成因都可以歸納為：流體中的不穩定性。

2020 年在青森縣的海邊，有網友分享了一張雲朵彷彿在進行「哥吉拉大遊行」的照片（圖一左上）；也有飛行員在雲層上分享過類似的照片（圖一右上）；除此之外，天文學家在土星的大氣層也觀察到相似形狀的雲層（圖一下）。這些「哥吉拉」的行動力竟然如此之高，不只在地球上出現，連土星上都有。這是否暗示它們背後其實具有相同的形成機制呢？

在＜千變萬化的流體（一）＞一文中，我們介紹了流體流動的狀態主要可以分成兩種：層流與紊流。層流狀態的流體十分穩定，它可以被視為一層一層獨立的流動來討論；相對的，紊流如同它的名字所表示，流體內部的流動較為混亂，不同層之間的流體會互相混合、影響。而決定是層流還是紊流的關鍵因素便是「不穩定性」^[1]。

在描述天氣系統為甚麼難以預測時，常常會提到「蝴蝶效應」這個小故事：位在大西洋的颶風，其成因可能只是在亞馬遜森林裡面一隻蝴蝶煽動了翅膀，這個初始的小擾動，隨著時間演變，最終形成尺度龐大的結構。不穩定性在流體中扮演的角色也十分相似。起初流體內部隨機的產生十分微小的擾動，若整個流體的不穩定性足夠大，微小的擾動便有機會繼續成長，直到對整個流體都造成影響。流體中具有各式各樣的不穩定性，在本篇文章中，我們將會介紹與哥吉拉雲還有蕈狀雲有關的兩種不穩定性：克耳文-亥姆霍茲不穩定性以及瑞利-泰勒不穩定性。

克耳文-亥姆霍茲不穩定性：哥吉拉雲

這個不穩定性得名於兩位對此現象進行研究的物理學家：發明絕對溫標的克耳文爵士，以及對聲學共振系統做出系統性研究的亥姆霍茲（在＜香檳聲音哪裡來？＞一文中，他曾經登場過）。這個不穩定性發生的條件是：兩層流體之間具有相對速度。

請搭配圖二，讓我們一起來理解這個不穩定性是如何產生哥吉拉雲的。假設有兩層流體，分別向左與向右運動。當它們彼此完美平行時，一切無事，如圖二（a）。但這個狀態其實並不穩定，任何的擾動，都可能會破壞這個完美狀態。例如，流體中形成了如圖二（b）的擾動，接下來流體的運動會如何變化呢？

對於淺藍流體來說，A 點的體積較原本略小，因此流動速度較大，如同澆花時，將水管捏住（管徑縮小），水可以噴得更遠。此外，流速較快也會使得 A 點的壓力減小；但對於紅色流體來說，A 點的壓力反而會增大。如此會導致流體內部的壓力分佈形成圖二（c）。兩種流體之間的壓力差，會進一步使擾動長大，如圖二（d）。最後，由於流體本身橫向的速度，使擾動在橫向上出現變形，如圖二（e）。如此一來，哥吉拉形狀是不是就出現了呢？

瑞利-泰勒不穩定性：核爆蘑菇雲

接下來，讓我們來看另一種在生活中沒那麼常見，但是看過就很難忘記的不穩定性現象：核爆產生的蘑菇雲。這種現象的成因，是來自於瑞利-泰勒不穩定性，它會發生於密度較大的流體壓在密度小的流體之上時。核彈爆發會在極短時間內釋放出極大熱量，將爆炸中心的空氣瞬間加溫。我們知道，氣體的溫度越高，密度越低，因此在爆炸中心，會瞬間形成大量的低密度空氣。

讓我們用簡單的模型來看看，這種不穩定性是如何造成蘑菇雲的。圖三（a）中有兩種流體，密度較高的在上，此時整個流體系統處於不穩定態，只要有一點擾動 ，如圖三（b） ，不穩定性就會使擾動擴大。由於密度差異，重力使得密度小的流體上升，密度大的下降，使不穩定度振幅逐漸增大。此外，由於壓力差與密度差的方向並不平行，會導致流體的邊界形成渦旋，如圖三（c）。以上這些效應疊加在一起後^[2]，流體邊界處便會逐漸形成如蘑菇狀的特徵，如圖三（d）。

以上兩種流體不穩定性，其實在我們生活中也存在，例如：點燃的線香。由於線香燃燒處的溫度上升，空氣密度下降，此時就滿足瑞利-泰勒不穩定性的條件；當熱空氣上升時，和兩側靜止的空氣有一相對速度，也滿足了克爾文-亥姆霍茲不穩定性條件。只是由於規模較小，發生速度較快，肉眼未必可以清楚的看到如前文中提到的明顯特徵。儘管如此，各位讀者在了解這些不穩定性之後，若是試著觀察看看生活中的各種流體，也許也能找到隱藏起來的「蕈狀雲」喔！

註解

[1] 更詳盡的說明可以參考 CASE＜上下顛倒漂浮船＞一文
[2] 實際上，形成蘑菇狀構造還與流體在三維條件下的非線性效應有關，數學模型較為複雜，此處只是簡單概述其成因。

參考資料

1. Kelvin–Helmholtz instability
2. Rayleigh–Taylor instability
3. “Single mode hydrodynamic instabilities” draft from Hideaki Takabe.