化石形態分析如何改寫甲蟲演化歷史：原以為「最老的隱翅蟲」其實不是隱翅蟲？

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

這隻奧波萊西里龍 (Silesaurus opolensis) 怎麼樣也想不到自己的一坨糞便竟然在 2 億 3000 萬年後轟動全世界。

近日由捷克、瑞典、德國、墨西哥所組成的跨國團隊，在知名期刊 《Current Biology 當代生物學》發表了來自於奧波萊西里龍糞便中的甲蟲新種：龍糞三疊藻食甲蟲 (Triamyxa coprolithica)，牠不僅代表了藻食亞目 (Myxophaga) 的全新支系，也是首次從糞便化石裡面描述的昆蟲新種。

龍糞三疊藻食甲蟲是什麼東東？ 藻食亞目又是什麼？

藻食亞目為鞘翅目的四個亞目之一，是鞘翅目中種類相對較少的科，只有約 70 個現生物種，由於牠們相當迷你的體型 (通常 1 毫米左右)，因此很容易就被忽視。龍糞三疊藻食甲蟲就屬於藻食亞目的一個古老且未知的支系，研究人員透過同步輻射顯微攝影技術針對西里龍糞便中的甲蟲進行 3D 影像重建，經過檢視形態特徵並透過系統發育分析，結果支持其屬於一個新的科別，命名為三疊藻食甲蟲科 (Triamyxidae)，其學名為三疊紀 (Triassic) + 藻食亞目 (Myxophaga) 的組合名，而龍糞三疊藻食甲蟲則代表了這個科唯一且已滅絕的物種。

藻食亞目屬於一類水生甲蟲，牠們雖然沒有很好的游泳能力，但大多棲息在有水的環境，像是臺灣產的高橋氏出尾水蟲 (Hydroscapha takahashii)，筆者就曾在潮濕有水且長滿藻類的水泥牆以及緩流邊的藻類發現大量個體，這跟龍糞三疊藻食甲蟲的狀況有些類似，研究人員在西里龍的糞便裡面發現大量的個體，其中包含數件相當完整的標本，這揭示了藻食亞目的昆蟲很可能從三疊紀就有類似的生活模式。

西里龍到底是不是恐龍？龍糞三疊藻食甲蟲是被吃下去還是自己跑進去？

嚴格來說，西里龍不是恐龍，而是屬於恐龍形類 (Dinosauriformes)的其中一個支系，是與恐龍祖先接近的早期主龍類 (Archosauria)。奧波萊西里龍生活在約 2 億 3000 萬年前的奧波萊地區 (波蘭南部)，由西里龍喙部的形態推測，其前端較為尖銳，類似於某些現生的鳥類，推測這有利於在落葉或藻類等環境搜尋食物，但研究團隊認為龍糞三疊藻食甲蟲不太可能是西里龍的主要獵物，因為牠們的體型實在太小了，很有可能是西里龍在尋找其他蟲的時候，一起將龍糞三疊藻食甲蟲吃下肚。

你可能會好奇，要怎麼知道龍糞三疊藻食甲蟲是被吃下肚，而不是在西里龍排出糞便後才進入的呢？研究團隊檢視 3D 影像發現，雖然有些完整的甲蟲個體，但大多是如翅鞘的碎片，這表示很有可能這些甲蟲是被西里龍吃下肚才被排出來，若是在排出糞便後甲蟲才進入，多數甲蟲理應保持完好無缺，因為很難所有個體都經過西里龍的消化系統還沒被分解，但也由於甲蟲擁有相對較硬的外骨骼，牠們才比較有機會經過消化系統卻還有部分被保存下來，換作其他相對較軟的昆蟲可能就沒有辦法在糞便化石中被發現了。

西里龍糞便裡面發現甲蟲很酷但然後呢？

化石研究能讓我們一窺昆蟲早期演化與生物地理學的脈絡，而相較於印痕化石，琥珀更能完整地保存昆蟲，許多古代昆蟲研究就以琥珀進行，最廣為人知的便屬約 9900 萬年前的緬甸琥珀生物群了，緬甸琥珀也是現今出土年代相對久遠的琥珀，有大量的昆蟲被從緬甸琥珀中被發表，然而，龍糞三疊藻食甲蟲的發現為古代昆蟲研究開啟了另一扇窗口，脊椎動物的糞便竟然也能保存跟琥珀同樣質量的昆蟲標本！而且可追溯的年代更為久遠，龍糞三疊藻食甲蟲的發現將對未來研究昆蟲早期演化將造成深遠的影響。

延伸閱讀

資料來源

• Qvarnström, M., Fikáček, M., Wernström, J. V., Huld, S., Beutel, R. G., Arriaga-Varela, E., Ahlberg, P. E. & Niedźwiedzki, G. 2021. Exceptionally preserved beetles in a Triassic coprolite of putative dinosauriform origin. Current Biology 31: 1-8. https://www.sciencedirect.com/science/article/pii/S0960982221006746

• 文／胡芳碩│國立中興大學昆蟲學系二年級，現任臺灣研蟲誌主編。研究興趣主要為隱翅蟲科 (Staphylinidae) 的系統分類學及擬鍬形蟲科 (Trictenotomidae) 之生物學等。研究文章發表於國內外各大期刊。

那天，在陳有蘭溪與神祕小蟲的邂逅

2018 年中，捷克國家博物館的昆蟲學家 Martin Fikáček 再度參訪臺灣，這一次，我加入了他們的採集行程。

這次採集的主要目標是水生甲蟲，當時，在陳有蘭溪旁邊一塊佈滿藻類及泥巴的水泥牆上發現一些很小很小的甲蟲，那時候我還不知道那是什麼東西，但是大家都很興奮所以我就跟著抓，之後查一查才知道那原來就是出尾水蟲。

科學界的小小陌生人：出尾水蟲

採集過程中發現的出尾水蟲科 (Hydroscaphidae) 甲蟲，體型非常的小，通常只有 1 毫米左右，與同屬於藻食亞目 (Myxophaga) 的其他甲蟲一樣迷你。

也許就是因為太小了，科學界對出尾水蟲的所知不多，生物學的部分我們僅知牠們偏好棲息在水邊的藻類中。

出尾水蟲科底下共有四個屬，其中只有出尾水蟲屬 (Hydroscapha) 分布較廣，其他三個屬都只有在新熱帶界 (Neotropical Region) 的委內瑞拉、巴拿馬還有巴西才能找到。

追尋臺灣出尾水蟲的蹤跡！

臺灣曾記錄一種出尾水蟲——高橋氏出尾水蟲 (Hydroscapha takahashii)，由日籍學者三輪勇四郎在 1935 年根據在新店所採集到的標本發表，自發表後就再也沒有文章報導新的標本，模式標本^註1也被認為已經遺失。

其實 Martin 與其他幾個朋友先前在烏來採集的時候，就已經採到了幾隻高橋氏出尾水蟲標本，但數量沒有那麼多，也只有採到成蟲。

後來我們在陳有蘭溪旁採集到了非常多的標本，包括了高橋氏出尾水蟲的幼蟲、蛹及成蟲。

香港的出尾水蟲，可就沒有這麼幸運了

在 Martin 來臺灣沒多久前，住在香港的業餘昆蟲學家 Paul Aston 也寄給 Martin 香港所採集到的出尾水蟲標本，經過詳細的形態及 DNA 序列的比對，我們發現香港的出尾水蟲是一新種，我們將這個種命名為水口出尾水蟲 (Hydroscapha shuihau) ，語源根據採集地「水口」。

但不幸地，水口出尾水蟲可能是一種發表即滅絕的案例，Paul 在今年再度回到原棲息地想要再找其他的標本，但原棲地的環境已經被破壞，希望牠們還能在其他地方找到適合的棲息地。

臺灣特有種「高橋氏出尾水蟲」的身家調查

先前說到臺灣唯一已知的出尾水蟲，高橋氏出尾水蟲的模式標本已經遺失，因此無從比對，只好從臺灣各個博物館找找線索，看有沒有其他人採集、鑑定的出尾水蟲，沒想到我們發現那些模式標本竟然就在台中霧峰的農試所！

經過比對，我們在臺灣所採集到的就是高橋氏出尾水蟲，之後我們也陸續在不同的地點採到高橋氏出尾水蟲，發現這個種類是臺灣特有種且廣布臺灣本島。

2019 年我跟朝陽科技大學的劉興哲再次回到高橋氏出尾水蟲在陳有蘭溪旁的產地，但發現原本找到的出尾水蟲的牆已經乾掉，在附近也沒有類似的棲地。

經過我們的形態觀察，大部分所採集到的有卵雌蟲的腹部內都只有一顆卵。

這顆卵相當巨大，因此我們推測由於這類棲地可能相對較不穩定，隨著季節變化會乾涸，出尾水蟲可以透過飛行尋找其他適合的棲地，而相對較大的卵也許可以提供幼蟲較多的營養，縮短幼蟲期以利面對這類不穩定的環境。

測量「頭寬」，推算牠總共會蛻皮幾次！

我們除了提供對於高橋氏出尾水蟲幼生期（包含幼蟲跟蛹的電子顯微鏡圖）的詳盡描述、描述新種的水口出尾水蟲外，我們也測量 190 隻出尾水蟲幼蟲的頭幅^註2，並將所有數據做成直方圖。

從數據中，我們發現有四個明顯的峰，因此確認出尾水蟲的幼蟲有四個齡期^註3，這點與其他藻食亞目的齡期數目相符。

最後我們的研究成果刊登於萊佛士動物學報《Raffles Bulletin of Zoology》。

註解

1. 模式標本 (Type specimen)：依國際動物命名規約規定，一個物種「被命名」時所使用的標本，即為模式標本。
2. 頭幅：頭的寬度。
3. 齡期：幼蟲蛻皮的不同階段，每蛻一次皮則多一個齡期，齡期越大的幼蟲通常頭幅就會越寬。

論文原文

Martin Fikáček, Fang-Shuo Hu, Paul Aston, Feng-Long Jia, Wei-Ren Liang, Hsing-Che Liu & Yûsuke N. Minoshima. 2020. Comparative morphology of immature stages and adults of Hydroscapha from Taiwan, with description of a new species from Hong Kong (Coleoptera: Myxophaga: Hydroscaphidae). Raffles Bulletin of Zoology 68: 334-349.

• 延伸閱讀：化石形態分析如何改寫甲蟲演化歷史：原以為「最老的隱翅蟲」其實不是隱翅蟲？