路上遇到受傷野鳥該怎麼辦？專訪台北鳥會野鳥救傷中心

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

比孔雀還要顯眼、高調的鳥類並不多，但如果可以的話，我想請各位先忽略牠那華麗又色彩斑斕的尾羽。我們要將關注焦點放在孔雀頭上形成冠羽的那些硬挺羽毛。

細節藏在羽毛的「振盪頻率」裡

這些長得像鍋鏟的羽毛雖然也很醒目，卻常常被忽略。蘇珊．阿瑪德．康恩（Suzanne Amador Kane）從專門繁殖鳥類的鳥舍與飼養員那裡找來了一些孔雀，再加上一隻來自動物園、曾經不小心飛進北極熊圍欄裡的倒霉孔雀，想要研究孔雀冠羽的用途。

她的學生丹尼爾．凡．貝爾倫（Daniel Van Beveren）在孔雀冠羽上裝設了機械振盪器，並且觀察冠羽的擺動。當機器的振盪頻率為二十六赫茲時──也就是一秒振盪二十六次──冠羽擺動得特別劇烈。這是會令孔雀冠羽產生共鳴的頻率，也正好是雄孔雀求偶時擺動尾羽的頻率，因此康恩對我說：「這不可能只是巧合。」

凡．貝爾倫對著架設好儀器的孔雀冠羽播放各種錄音，假如播出的是真正的孔雀搖動尾羽的聲音，冠羽就會產生共鳴；若是播放其他聲音，例如 Bee Gees 的〈Staying Alive〉，就沒有這種效果。

該研究結果顯示，站在求偶的雄孔雀面前的雌孔雀或許真的能夠感知到雄孔雀尾羽製造出的氣流。除了看見雄孔雀賣力的求偶動作以外，雌孔雀或許也能感覺到這一番努力。（這種現象也會反過來，有時候雌孔雀也會對雄孔雀展現自己。）

康恩想要拍攝真實的孔雀求偶時冠羽的模樣，觀察牠們擺動冠羽的頻率是否真和尾羽相同，藉此證明她的論點。假如真是如此，就表示孔雀求偶的過程中除了有浮誇的視覺效果以外，其實還存在著人類一直以來都沒注意到的元素；而我們會忽略這些細節，是因為缺少適當的配備。

假如連大自然中如此耀眼浮誇的行為展演中，都有被我們忽視的環節，我們到底還錯失了多少東西？

孔雀細小的纖羽會告訴我們答案

從孔雀冠羽底部細小的纖羽（filoplume）就能找出線索。纖羽的樣子就像一根尖端為簇狀的茅，還能做為機械性受體之用。

當空氣流動擾動了冠羽，便會擠壓到纖羽，進而觸發神經。大部分的鳥類都有纖羽，而且幾乎都會伴隨其他羽毛一起發揮作用。

鳥類可以透過纖羽掌控羽毛的狀態，因此或許能夠在鳥羽澎亂時即時整理羽毛，重整態勢。不過纖羽還有一項最重要的功用──幫助鳥類飛行。

避免失速墜落的技巧

鳥飛行的樣子看起來是如此地輕鬆自在，因此我們很可能根本想不到那是一件多費力的事。為了維持在空中飛行，鳥必須一直調整翅膀的型態與角度。如果一切都對了，氣流就能順著翅膀流動，鳥類的身體也就能順利抬升至空中。

然而如果鳥的翅膀角度太大，原本順暢的氣流會形成擾流，抬升的力量也就隨之消失，這種現象叫做失速（stalling）。一旦鳥無法避免這種狀態產生或即時修正，就會從天上掉下來。不過這不常發生，一部分原因是因為纖羽能為鳥類提供必要資訊，因此能夠因應各種情況快速調整翅膀的狀態，避免不幸。

老實說，這種能力實在相當驚人。我記得有次站在船上看著一隻海鷗緊跟船身飛行；那天風很大，而我們──也就是我坐的船和那隻海鷗──都在高速移動。當我伸出手感受從手上與指間吹過的風時，不禁讚嘆海鷗的翅膀竟然也能產生同樣的作用，讓鳥類能夠在天空中飛翔。

然而我當時我根本不知道鳥類還會運用纖羽判讀氣流，在飛行時不斷微調姿態。法國的眼科醫師安德烈．羅尚－杜維尼奧（André Rochon-Duvigneaud）曾描述鳥是「一對靠雙眼引導方向的翅膀」，不過這個說法還不夠正確──鳥的翅膀其實會為自己找到方向。

蝙蝠翅膀長得不一樣，功能卻一點都不差

蝙蝠的翅膀也是如此。牠們翅膀的薄膜雖與鳥羽構造大不相同，敏感度卻不相上下。蝙蝠的翅膀薄膜上布滿有敏銳觸覺的毛髮，這些毛髮從小小的半圓球狀上凸出，並且連接著機械性受體。

蘇珊．斯德賓發現這些毛髮大多數只會對來自蝙蝠背後往前吹拂的氣流有反應，而這種現象通常在蝙蝠快要失速時才會出現。因此蝙蝠其實就跟鳥類一樣，都能感覺出快要失速的狀態，也能夠及時採取行動修正。

多虧這些毛髮，蝙蝠能以陡峭的角度飛行、在空中盤旋和後空翻，捕捉在尾巴附近的昆蟲，甚至還能以頭下腳上的姿態降落。當斯德賓以除毛膏去除蝙蝠翅膀上的毛髮，並讓牠們飛過障礙物後，可以發現毛髮消失對牠們產生的影響非常明顯。

牠們雖然不會墜落，卻會選擇與周邊的物體保持相當的距離，轉彎的角度也比平常更大，姿態更笨拙；反之，假如牠們翅膀上的毛髮完好無缺，就能夠以離物體僅僅幾公分的姿態飛行，還能做出過髮夾彎一般的飛行動作。

對牠們來說，氣流感受器的存在與否決定了牠們只能用一般方式飛行，還是能夠進一步做出各種飛行特技。

對於其他動物來說，這些感受器的存在很可能更是存亡與否的關鍵。這或許就是為什麼它們會演變為這世上數一數二敏感的器官。

——本文摘自《五感之外的世界：認識動物神奇的感知系統，探見人類感官無法觸及的大自然》，2023 年 8 月，臉譜出版，未經同意請勿轉載。

• 本文轉載自特有生物研究保育中心，《自然保育季刊》第 119 期

• 作者／余雅倩 Ya-Chien Yu ｜自然觀察家｜yuyachien@gmail.com

發現位於園區的鳥巢

因緣際會下，2021 年春天從臺北搬到南投居住，3 月時我常常在行政院農業委員會特有生物研究保育中心(以下簡稱特生中心)的園區閒晃，最常遇到的是紅嘴黑鵯 (Hypsipetes leucocephalus nigerrimus) 在枝頭上除了表演典型的鳴唱時，突然接上不曉得從哪裡學得的變奏曲;白腰鵲鴝 (Copsychus malabaricus) 倏地停在伸手可及的樹枝上或無預警地跳到眼前的地面上覓食，一點兒也不怕人;步道另一側水池邊搶領地的鷺鷥群爭吵聲此起彼落，絲毫不顧慮路過的人們抱怨著這嘈雜聲;走進深處，一旁樹叢窸窸窣窣的聲音，原來是一整群跳來跳去的綠繡眼。

不過，最讓人印象深刻的聲音，便是聽到 3‒5 個連續「回」音，那是黑枕藍鶲(Hypothymis azurea oberholseri)的叫聲，非常有獨特性且具有辨識性，但若想要循音找鳥，就要碰運氣和耐心等待了。在春暖花開的季節，如果一個地方的「回、回、回」反覆出現，很有可能遇到親鳥在附近築巢。

4 月中旬，聽聞常駐點觀察的鳥友發現2個在步道旁的鳥巢，並且觀察到 2 個窩裡的蛋都順利孵化出雛鳥，親鳥輪流密集餵食。這是一個難得的好機會，於是帶著相機裝備尋找鳥友描述的位置。

當天偕同朋友同行，希望能多雙眼睛幫忙找鳥巢，沒多久就發現鳥友口中所說的巢之一，並在同一步道相隔 100 多公尺處發現另一個。若想要瞭解雛鳥的生長過程與雛鳥和親鳥間的互動，就需要長久觀察。

第一個發現的巢離入口較近，巢位較低，離地約 1.2 公尺，加上前方的樹林密度也較稀疏，非常適合在安全距離下用長鏡頭觀察。反觀另一個巢位築在離地約 2.5 公尺處，雖然離步道較近，卻不利於長時間連續觀察，因此選擇前者較易觀察的巢位蹲點記錄。

黑枕藍鶲雛鳥屬於晚熟型，親鳥會輪流餵食雛鳥，也聽聞夜間親鳥會臥巢幫雛鳥保溫，因怕用手電筒觀察時會驚擾親鳥，夜間並未去觀察親鳥臥巢的行為。觀察 5 天親鳥的餵食與雛鳥的生長過程，第 5 天上午觀察結束，鳥友通報發現下午 3 隻雛鳥皆順利離巢。難得的育雛觀察紀錄就這樣戛然而止。

雛鳥的生長與親鳥餵食觀察

起初發現巢位，只是單純地想觀察和留下影像紀念，期間到達與停留紀錄的時間，因自己能抽出的時間無法固定，加上遇到光線不佳或是下雨必須提前結束，因此僅能就有記錄到的畫面和影像做出整理。

第 1 天觀察：

當天發現與確認巢位後，便開始攝影記錄育雛過程。雛鳥探出巢時發現此巢的雛鳥有3隻，觀察期間有 2 隻已可張眼，不過多半是闔眼或半開。身體大多裸露與羽毛稀疏，翅膀明顯有羽毛覆蓋，還不太會站立，推測此時雛鳥已破殼數日。

親鳥輪流餵食，親鳥停在巢附著的樹枝上產生震動，雛鳥張開口，露出黃口，然而並非3隻雛鳥皆會同時張口，親鳥在餵食前會先觀望一下，有張口的雛鳥親鳥才會餵食，食物有昆蟲和果實等。

雛鳥在等待親鳥餵食期間，突然1隻雛鳥單獨張口，我觀察四周親鳥並沒有出現，雛鳥張口的樣子像是在打哈欠，等待的過程像似在打盹，懶洋洋的模樣很可愛。

觀察過程中，筆者觀察到親鳥若是餵食像蜻蜓這般身體較長的食物，嘴喙會銜住蜻蜓的頭部，若一開始餵食角度較水平，雛鳥嘗試吞食卻久吞不下，親鳥注意到後會再次銜起蜻蜓，用嘴喙調整銜接的位置後再次餵食。第 2 次餵食時親鳥便會特意調整角度，傾斜讓雛鳥順利沿著蜻蜓的頭部吞食，並在一旁關注雛鳥完全吞完。

餵食期間3隻雛鳥在巢內的位置沒有改變，故可目視觀察，只不過第2次餵食並非原先的雛鳥，不知親鳥是否有留意到或是每一次的餵食都是重新洗牌，只要張口都有機會，這就無法得知了。親鳥餵食完後，有時巢內的其中1隻雛鳥屁股朝上，親鳥用嘴喙銜接雛鳥的糞便後離去。總計觀察到親鳥7次餵食紀錄，母鳥5次，公鳥2次。

第 2 天觀察：

從記錄到的影像觀察到次日雛鳥睜開眼睛的時間較首日明顯拉長，第 2 天雛鳥已可完整張開眼睛，並在親鳥餵食完離開後，不似首日那樣立即閉眼，反倒會持續張眼一陣子，雛鳥外觀沒有顯著的差異。我觀察到公鳥餵食完有幾次會停在巢附著的樹枝上許久，有時等到母鳥前來餵食才飛離，停留的時候，會四處張望。

兩隻親鳥亦會同時銜著食物停在巢旁的樹枝上，公鳥先行餵食時母鳥警戒，母鳥餵食完後隨即離去，公鳥繼續停留約 1.5 分鐘，期間四處張望。觀察到 7 次公鳥餵食，僅 1 次餵完後便帶走雛鳥糞便沒有久待，其餘 6 次餵食完都會繼續停留幾分鐘之久才離開。總計觀察到 21 次餵食的紀錄，母鳥 14 次，公鳥 7 次。

第 3 天觀察：

雛鳥身體和腹部的羽毛明顯濃密許多，咽喉依舊裸露，身體腹面中央有縱向分布的裸露，睜開眼睛的次數增加，也會用嘴喙整理腹部與背上的羽毛。總計觀察到 25 次餵食的紀錄。母鳥 12 次，公鳥 13 次。

第 4 天觀察：

雛鳥身體和腹部的羽毛覆蓋，咽喉依舊裸露，腹面中央縱線羽毛稀疏，理羽的頻度明顯增加，嘗試站立移動翅膀時我注意到背上一對翅膀的收合處，也就是兩個翅膀的中間依舊裸露，推測肩羽尚未茂密，若非剛好捕捉到雛鳥活動身體的畫面，平時翅膀收起覆蓋難以注意到。

此時雛鳥被餵食後若來不及讓親鳥帶走糞便，已能自行抬高尾部將糞便彈射出巢外，彈射時觀察到翅膀下接近尾端依舊裸露。總計觀察到19次餵食的紀錄，母鳥14次，公鳥5次。

第 5 天觀察 (離巢當天上午) ：

雛鳥身體和腹部的羽毛明顯茂密很多，3 隻雛鳥在巢內顯得擁擠許多，咽喉依舊裸露，雛鳥幾次站在巢的邊緣，開始試圖振翅，蓄勢待飛的感覺。總計觀察到14次餵食的紀錄，母鳥 10 次，公鳥 4 次。

當天下午聽聞雛鳥已盡數離巢，親鳥帶著3隻雛鳥在附近的樹枝上活動。次日，再去時只聽到黑枕藍鶲的叫聲，加上沒有發現雛鳥的蹤影，無法判定是否為其親鳥，此次黑枕藍鶲的育雛紀錄就此結束。

餵食紀錄

在文獻紀錄中，黑枕藍鶲的食物包含小型節肢動物，例如蝴蝶、蛾 類、蝗蟲、甲蟲與椿象(Coates et al., 2006;Wells, 2007)。但我非常好奇，在園區內的黑枕藍鶲究竟會找那些食物餵給雛鳥吃呢?是否與國外的研究相同?從本次觀察紀錄當中，連續 5 天每天 1‒2.5 小時觀察與記錄，視當天的光線強弱與天候狀況，調整觀察記錄時間的長短，加上只有一臺攝影裝備，需要拍照和錄影輪流交替，因此僅以實際記錄到的畫面做出歸納和整理。

仔細檢視5天的餵食紀錄後，共記錄到 86 次的餵食鏡頭(影片與照片)。為了計算黑枕藍鶲育雛的食物比例，以定格截圖每個影片中的食物畫面確認其食物種類，由於沒有外接快門線，每一張照片都是倒數十秒拍到，有時無法及時捕捉當下的畫面，但仍還是捕捉到多數餵食的影像。

這些影像經施禮正先生協助辨識，統計出動物類有 56 筆 (占 65%) ，果實有 4 筆(占 4.7%) ，動物類群中昆蟲綱 (Insecta) 雙翅目 (Diptera) 有 12 筆、半翅目 (Hemiptera) 有 8 筆、鱗翅目 (Lepidoptera) 有 7 筆、蜻蛉目 (Odonata) 有 5 筆、直翅目 (Orthoptera) 有 2 筆、膜翅目 (Hymenoptera) 有 1 筆、蛛形綱 (Arachnida) 蜘蛛目 (Araneae) 有 1 筆 (圖 1 ) 。

其中有 26 筆 (占 30.3%) 無法辨識食物，其中原因歸納為：親鳥餵食的角度不佳，親鳥正好背對鏡頭;來不及捕捉親鳥銜著食物的時刻，食物已經直接餵食到雛鳥黃口中；抑或是沒有拍到食物可以辨識的特徵。前述狀況皆歸類為未知。另外，可以看出是昆蟲卻無法辨識到科別的有 20 筆。

統計完意外發現，餵食食物數量最高的是雙翅目的黑水虻 (Hermetia illucens) ，有 8 筆觀察紀錄，其次是半翅目的小青蛾蠟蟬 (Geisha mariginellus) 有 5 筆紀錄。猜測這個時節，這兩種的昆蟲數量多或是親鳥較善於捕捉此類昆蟲。

另外，為了知道公鳥與母鳥餵食上的努力程度是否有差異，利用前述影像辨識餵食時親鳥性別，無法清楚辨識親鳥性別或是沒有留下影像紀錄皆不採計。結果顯示母鳥餵食紀錄總計 55 次，公鳥 31 次，這段觀察育雛期間母鳥餵食雛鳥的次數明顯較公鳥多。

巢位觀察

第5天雛鳥離巢後的次日，筆者放心地走近巢位 ， 確認黑枕藍鶲的巢築在竹頭角木薑子 (Litsea akoensis var.chitouchiaoensis) 的主枝上。巢枝還是小樹，如果想要取下保留鳥巢，評估會影響樹木的生長，故僅近距離記錄巢的大小與外觀，測量此巢直徑約6cm的杯形巢，巢材僅可辨識出有竹子和不知是蚜科 (Aphididae) 還是扁蚜科 (Hormaphididae) 的棉蚜，全身或部分分泌物 (在巢位旁的月桃的葉背發現有刮除的痕跡) ，推測親鳥在築巢時就近使用一旁的棉蚜，點綴在巢的外圍。這些特徵與過去黑枕藍鶲巢材相關研究的結果類似 (陳華香等，2010) 。

結論

因發現的巢位置便於觀察、雛鳥尚未離巢，幸運地進行5天黑枕藍鶲育雛的記錄，依照觀察到的畫面整理出親鳥餵食的物種比例，參考的圖鑑提及王鶲科 (Monarchidae) 黑枕藍鶲、紫綬帶 (Terpsiphone atrocaudataperiophthalmica) 、亞洲綬帶 (Terpsiphoneincei) 的鳥類擅於捕食飛行中的昆蟲，從育雛觀察中，發現親鳥也會少量餵食果實。

雛鳥的發育從羽毛稀疏到茂密，從蹲坐到可以直立振翅，我的心情就像是在旁看著雛鳥長大般的雀躍。離巢當天上午親鳥依舊餵食，只見雛鳥試圖在巢邊緣短暫站立振翅，原以為還有幾日才會離巢，當知道所有雛鳥皆順利離巢，雖有些意外和不捨，更多的是開心，慶幸每一隻都健康的順利長大。

感謝這幾天讓我在可容許的安全距離下進行觀察，期間遇到園區施工，親鳥似乎不受影響地繼續覓食和餵食。

偶遇親鳥在育雛的空檔停在我眼前的樹枝上高歌，注意到我的存在，有點打量的意味搖晃頭好奇地看著我，我怕驚擾到親鳥，不敢有太大的動作，靜靜地互相對望，很有趣的小插曲!

希望將所觀察到難得的紀錄，分享給喜愛鳥兒的你。