黑鮪季還是黑鮪祭？關於黑鮪魚在海洋文化的真相與反思

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

魚類是人類重要的資源，許多古代文化裡魚是日常飲食的一部分，台灣古時候也是如此。一項新發表的研究，調查台南 5000 年來的遺址中有哪些魚，得知古早台南人食用的魚類，受到環境變化的影響。

用耳朵裡的石頭，判斷古代人吃哪些魚

如何得知古代人吃哪些魚呢？魚有骨頭，有機會在遺址中留下遺骸，但是相對其他動物來說，魚類的骨頭沒那麼容易留下。所幸硬骨魚的頭部內，有種負責聽覺的構造「耳石（otolith）」。

耳石成分為碳酸鈣，魚去世後是相對容易留存的部位。不同魚類的耳石型態有別，所以見到遺址中的耳石，可以得知古時候有哪些物種。比較不同年代遺址間，耳石組成的變化，便能推論不同時代吃魚的改變。

• 延伸閱讀：解開古代魚類耳朵裡的「石頭」秘密！專訪古生物學家林千翔

由中研院的生物多樣性研究中心，林千翔主導的研究，算是用魚類耳石回答考古學的問題。自然死亡的魚也會留下耳石，不過這項研究分析的耳石大部分來自貝塚，也就是人類活動造成的垃圾堆遺址，當年應該曾經是人類的食物。

樣本皆來自南科遺址群，也就是南部科學園區的臺南園區的一系列遺址。中研院的歷史語言研究所於公元 1993 到 2010 年，在李匡悌等人率領的挖掘下有許多收穫，魚耳石只是其中一小部分。

從距今 5000 年的新石器時代早期開始，現在是南科的這塊地方便有許多人類活動。南科遺址群的 82 處遺址中，有 17 處出土過魚類耳石，被納入本次研究。考古學上可分為 5 個時期：新石器時代的早期、中期、晚期，鐵器時代，以及歷史時期。

5 個時期中，新石器時代中期只有 1 處遺址 1 件樣本；距今 300 年到現在的歷史時期，也只有 3 處遺址 8 件樣本。用於分析的 1254 件樣本，大部分屬於新石器時代早期、新石器時代晚期、鐵器時代。

新石器時代早期，距今 4200 到 5000 年前的 2 個遺址，總共出土 789 件魚類耳石，分別屬於 24 個分類群（taxa），不論數量或多樣性都最高。

新石器時代晚期，距今 2000 到 3300 年前的 7 處遺址，共出土 112 件樣本，分屬 16 個分類群。而鐵器時代，距今 300 到 1400 年前的 4 處遺址，出土 344 件樣本，分屬 13 個分類群。

新石器時代最有存在感的是大黃魚（Larimichthys crocea），早期占 57.29%，晚期占 41.96%，皆為當期最高比例的魚類。鐵器時代變成海鯰（sea catfish）最多，占 61.24%。

台南環境變化，影響食用魚種

地處台南同一個地區的遺址，魚類的數量和多樣性都漸漸減少。之前有個論點主張，這是由於過度捕魚所致。但是這項研究充分利用耳石分析的優點，判斷出土魚耳石組成的變化，並非人為捕撈，主要是自然環境變化的影響。

同一種魚，耳石的型態不會改變，但是大小會變，耳石大小又正比於魚體的尺寸，耳石愈大，魚體也愈大，反之亦然。

大黃魚在現代也是常見的食用魚類，最近卻由於過度捕撈（過漁），使得野生族群大福縮水；在此之下觀察到，多數個體的身體及耳石也明顯變小。由此推測，倘若古時候發生過漁，遺址中大黃魚的耳石應該會縮小。

新石器時代早期、新石器時代晚期，鐵器時代，三個時期都有大黃魚。比較發現大黃魚的耳石並沒有變小，鐵器時代的耳石雖然數量大幅減少，尺寸還變大一點。表示至少從新石器時代早期到鐵器時代，也就是從 4000 多年到幾百年前，大黃魚並沒有面臨生存危機。

大黃魚在台南遺址的存在感之所以下降，更合理的論點是：海岸線和沿岸環境的改變。

台南的地貌不斷變化，陸地向海延伸。如今南科遺址群位於內陸，離海岸有相當距離；但是在新石器時代早期，南關里、南關里東遺址的年代（屬於小有知名度的大坌坑文化），這塊地方位在海邊；新石器時代晚期陸地範圍前進，不過依然位於海邊。

大黃魚住在岸邊海域，而新石器時代的台南人住在海邊，使他們不難獲得大黃魚之類的海產。魚類以外，這些遺址也出土不少貝類，表示當時的居民，善於利用沿海的水產資源。

隨著泥沙持續淤積，原本位於海邊的南科地區，鐵器時代成為內陸，淤積和河道後來形成台江內海。南科到台灣海峽之間有潟湖存在，鐵器時代的台南人，不用太靠近海邊便能取得水產資源。也許就是如此，大黃魚不再那麼流行，住在河口、潟湖環境的海鯰，變成這個時期遺址中最常見的魚類。

耳石只代表一部分古代魚類

不論古今，耳石都是識別魚類的好材料。比較不同年代魚類耳石的改變，可以判斷自然環境與人類文化的變化，但是也要注意，考古遺址中的耳石，無法代表古代食用魚的全貌。

見到某種魚的耳石，那種魚一定存在過，可是曾經存在過的魚，不一定會留下紀錄，耳石組成也不完全等於實際比例。這兒最明顯的例子是，不同年代的多個遺址有出土鯛科魚類（Sparidae）的骨頭，然而其耳石只有 1 件。或許還有些魚類，不論魚骨或耳石都沒有留下，我們根本不知道它們存在過。

我們見到大黃魚在新石器時代早期占 57.29%，晚期占 41.96% 這項數據，並非意謂當時真的有 57%、42% 食用魚為大黃魚；合適的解讀大概是，大黃魚是新石器時代主要的食用魚種，晚期的比例有所降低。

大黃魚的古老傳承與當代危機

有趣的是，一直到中國漁民近期過度捕撈以前，野生大黃魚在東亞的東部沿海都很常見。古代台南人捕食不少大黃魚，可謂有偏好也具備技術，他們對大黃魚的偏愛和捕捉技術，或許能追溯到還在對岸海邊的日子。

綜合考古、語言學等方面的資訊推敲，台南在新石器時代的大坌坑文化，應該是台灣初期的南島族群，他們很可能是更早以前來自東亞沿岸移民的後裔。這群人的生產方式包含農業，會種植稻、小米等馴化植物，不過仍然有不少採集和狩獵，以及利用水產資源。他們捕食大黃魚的文化，也許在祖先尚未渡海移民前已經養成。

古代人吃進不少大黃魚，現在大黃魚也是受到歡迎的食用魚，一度族群龐大的魚群還因為濫捕面臨滅團危機，至今沒有從過度捕撈的打擊中走出去。無疑，人類如今也成為影響魚類生態的要角。

延伸閱讀

• 林千翔實驗室網站
• 吃魚頭常常啃到的那兩顆「魚耳石」，對古生物學相當重要
• 耳中乾坤─魚耳石
• 從台灣魚類耳石化石研究 談海洋生物多樣性的變動與困境
• 台灣海洋化石與魚類化石的研究、回顧與展望
• 野生大黃魚的滅絕危機
• 背後中箭、大啖貝類，史前南科住了誰？
• 東亞南方、北方，還有台灣的古代DNA──東亞遺傳史（上）
• 台東都蘭，南島語族從台灣出海前的最後一站
• 1900 萬年前，鯊鯊神秘大滅絕事件？！
• 短篇  住在地中海邊，靠海吃海的尼安德塔人
• 短篇 秘魯海岸15000年前已有人居，他們技術簡單，菜單多元
• 短篇 最早吃鮭魚的人類，在11800年前的阿拉斯加
• 8000年前賈湖遺址，最早養殖鯉魚

參考資料

• Lin, C. H., Wang, Y. C., Ribas-Deulofeu, L., Chang, C. W., & Li, K. T. (2022). Changes in marine resource consumption over the past 5000 years in southwestern Taiwan revealed by fish otoliths. Journal of Archaeological Science: Reports, 42, 103400.

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。

• 作者／About鯨豚。Facebook紛絲專頁《About鯨豚》編輯。
• 本文為系列作，下一篇為：《海豚實驗的悲劇始末與藝術家描繪的「生下海豚」——15 萬赫茲的悲鳴（二）》

警告，本文含有血腥照片，請斟酌自身觀看

編按：最近，蔡依林的《甜秘密》MV，掀起了各種討論。其中一個，便是與鯨豚保育相關的議題。鯨豚作為海洋生態的重要指標，如今被人類保護，但從古至今，鯨豚的濫殺或意外都層出不窮。

這幾天台灣知名女歌手的新 MV 引起熱烈的討論，由於影片一開始就提及「有一個神祕的傳說，發生在一個名為黑鱗的漁村小鎮，而這個漁村有著獵殺鯨豚的殘忍傳統」，讓一些網友認為這是在批判日本和歌山縣太地町的「海豚捕獵季」。

太地町的「海豚捕獵季」，時間為當年 9 月初至隔年 2 月底，這半年內只要海象許可便會出海尋找鯨豚，一旦發現動物便會將其趨趕至海灣內屠殺。然而如果只在乎宰殺海豚的話，那就是不夠認識這個議題。

其實倒也不必將這 MV 裡的漁村延伸到日本，在台灣西岸的離島澎湖，曾經就如同太地町一樣有著捕獵海豚的季節。但對於澎湖而言，這已經是過去的歷史，而太地町則依然是現在進行式。

澎湖沙港圍捕海豚的歷史

位於澎湖北方湖西鄉的沙港村，其圍捕海豚的歷史約有一百年了，在早期物質缺乏的年代，那是他們重要的肉食來源與餽贈親友的禮物。

每年 12 月到次年 3 月常有成群海豚洄游至此，漁民們會使用「驅趕漁法」捕捉鯨豚。先召集眾多小船，並同時發出敲打聲，將追逐魚群的瓶鼻海豚和偽虎鯨等趕到岸邊使其擱淺，然後漁民將其拖行上岸宰殺，按照參與捕獵行動的程度依比例分食。

沙港圍捕海豚，本是凝聚村民對社區集體認同的活動，但是單純的社區經濟行為漸漸的變為國際性的海豚買賣。1975 年後，沙港村圍捕海豚引起香港海洋公園的注意，透過商人接洽讓海豚因而有更高獲利的外國市場。此後，沙港漁民將驅趕圍捕的海豚區別，幼小且健康的海豚會被選出送到海洋公園馴養，剩下的則宰殺分食。

1980 年，一次 22 隻海豚的交易，以平均2萬元價格賣出；但不久全數死亡，開始引起國際鯨豚保育人士的注意。之後活海豚交易由「野柳海洋世界」接手，沙港固定供應活海豚給野柳海洋世界。賣海豚帶來的好利潤，使得這項金錢交易愈來愈重要，也造成社區分享精神的改變。

1990 年，國際動物保護團體「信任地球 （Earthtrust）」保育組織拍攝了沙港「驅趕漁法」的影片，並交付全美電視網播映，引起國際輿論譁然，沙港也被指稱為「殺港」。台灣政府遭此壓力後，同年 8 月，《野生動物保育法》增列「鯨目」，將所有鯨魚和海豚納入保育類，使得沙港漁民圍捕海豚的傳統漁法強制步入終點，史稱「沙港事件」。

2016 年 1 月 10 日，據「香港動物報」的報導，香港海洋公園宣佈，他們園內最長壽的瓶鼻海豚「 Jessie 」於晚間 10 時半死亡，終年 44 歲。根據初步臨床及解剖結果，死因是嚴重腎功能衰竭及腹膜炎。Jessie 是於 1978 年在澎湖被捕捉，而那時她只有 5 至 6 歲。然而從 1976～1984 年，香港海洋公園一共從澎湖引入 35 隻瓶鼻海豚，Jessie 可能是最後一個倖存者。

隨著 Jessie 的死亡，澎湖的圍捕海豚漁業是徹徹底底地變成了歷史。我們不用為此過於悲傷或無視它，沙港事件無疑是台灣鯨類保育的一個重大轉捩點，應當被人們多加認識與了解；要知道現在對鯨豚的保護規範，是由這些死去的生命所換來的，必須要更加珍惜維護，以及加強現有的保育措施。因為直至現今，仍持續發生人為的鯨豚死亡，即便這些死亡案例都被歸類在意外。

與人類親密的海豚，多半死在船槳下

在 MV 中，女主角與一隻野生「單體」海豚有著密切的接觸。所謂「單體」是指脫離族群的個體海豚，這在現實世界中是時有所聞的。最著名的莫過於「丁格爾 （Dingle）」 當地非常知名的雄性瓶鼻海豚「Fungie」。

丁格爾是「愛爾蘭島 (Ireland)」西海岸被風吹拂的丁格爾半島上一個五彩斑斕的避風港，深受人們喜愛的海豚 Fungie 幾乎是它的代名詞。自從 40 年前牠出現在丁格爾港後，Fungie 就成為這個城市的長期居民。

牠每次消失的時間從不超過幾個小時。但是自今年 10 月 15 日以來，Fungie 一直下落不明。雖然有大批的船隻前往尋找這隻海豚，也有潛水員加入探索港口的水下角落和縫隙。但是沒有人發現 Fungie，不論是活的還是死的，最後搜索被取消了。

沒有人知道 Fungie 的確切年齡。牠於 1983 年在港口首次被發現，當地人認為牠當時已經完全長大，這樣一來，牠的年齡應該在 45 歲左右。其他估計認為牠接近 40 歲。這年紀與目前對野生瓶鼻海豚壽命的估計是一致的，因此有研究人員認為 Fungie 應是自然老死並成為了大海的一部份。

Fungie 能幾乎毫髮無傷以及被推測可能是自然老死的情況下消失在眾人眼前，這其實是萬幸並且是極度特殊的案例。因為在其他地區，更多進入人類領域並與人類有過度互動的單體海豚，牠們的最後命運是被船隻撞擊致死。

今年 10 月，英國「多塞特郡 （Dorset）」海岸，一隻據信最早是在 2018 年開始於該地區定居，並被稱為「Danny」的獨居雄性瓶鼻海豚的屍體在水中被發現，專家稱牠很可能是受到「大型螺旋槳的撞擊」。

非營利組織「英國鯨類擱淺調查計劃 （UK Cetacean Strandings Investigation Programme）」在「倫敦動物園 （London Zoo）」為 Danny 進行驗屍。得出的結論是，死亡是由於「船舶撞擊造成的急性身體創傷」。

該組織在臉書專頁發表貼文表示，

「可悲的是，當動物習慣了人類和船隻的存在時，諸如此類的意外遭遇不幸會導致嚴重傷害或死亡。船舶撞擊是一個全球性的問題，影響到各種各樣的鯨類物種，應當努力提高我們對這個問題的認識。」

「許多獨居的海豚都被船隻撞擊致死。這是非常可悲的，但這絲毫不令人驚訝」

保護慈善機構「Marine Connection」的創始人 Liz Sandeman 告訴英國廣播公司新聞 BBC 說。

「當這些海豚來到岸邊，毫無疑問，牠們的行為確實在幾個月內發生了變化。牠們變得習慣了，失去了對自身周圍人類和船隻的警惕與畏懼。」

在野生的海豚族群中，有來自長輩或者是母親的叮嚀與拉一把。然而單體海豚就是牠自己，沒有其他海豚可以教導或者提醒牠要注意外來的威脅，例如船隻的螺旋槳。很難再有像 Fungie 這樣幸運的獨居海豚，更多的是像 Danny 這樣有著不幸的結局。

如果不與這些單體海豚保持適當的距離，我們對牠們的愛是間接導致牠們死亡的因素之一。我想，沒有人願意承受這樣的無力與懊悔。所以 MV 劇情中女主角與海豚的緊密互動，還是影片看看腦袋想想就好，好孩子千萬不能學喔！

• 後續還有更多精彩內容！詳情請看《海豚實驗的悲劇始末與藝術家描繪的「生下海豚」——15 萬赫茲的悲鳴（二）》

1. So Long, and Thanks for All the Fun, Fungie（2020.11.25）
2. 臺灣學校網界博覽會-沙港專題