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

我們都看過那種影片，對吧？網路上從不缺乏讓人驚嘆的機器人表演：數十台人形機器人像軍隊一樣整齊劃一地耍雜技 ，或是波士頓動力的機器狗，用一種幾乎違反物理定律的姿態後空翻、玩跑酷 。每一次，社群媒體總會掀起一陣「未來已來」、「人類要被取代了」的驚呼 。

但當你關掉螢幕，看看四周，一個巨大的落差感就來了：說好的機器人呢？為什麼大街上沒有他們的身影，為什麼我家連一件衣服都還沒人幫我摺？

這份存在於數位螢幕與物理現實之間的巨大鴻溝，源於一個根本性的矛盾：當代AI在數位世界裡聰明絕頂，卻在物理世界中笨拙不堪。它可以寫詩、可以畫畫，但它沒辦法為你端一杯水。

這個矛盾，在我們常見的兩種機器人展示中體現得淋漓盡致。第一種，是動作精準、甚至會跳舞的類型，這本質上是一場由工程師預先寫好劇本的「戲」，機器人對它所處的世界一無所知 。第二種，則是嘗試執行日常任務（如開冰箱、拿蘋果）的類型，但其動作緩慢不穩，彷彿正在復健的病人 。

這兩種極端的對比，恰恰點出了機器人技術的真正瓶頸：它們的「大腦」還不夠強大，無法即時處理與學習真實世界的突發狀況 。

這也引出了本文試圖探索的核心問題：新一代AI晶片NVIDIA® Jetson Thor™ ，這顆號稱能驅動「物理AI」的超級大腦，真的能終結機器人的「復健時代」，開啟一個它們能真正理解、並與我們共同生活的全新紀元嗎？

為何我們看到的機器人，總像在演戲或復健？

那我們怎麼理解這個看似矛盾的現象？為什麼有些機器人靈活得像舞者，有些卻笨拙得像病人？答案，就藏在它們的「大腦」運作方式裡。

那些動作極其精準、甚至會後空翻的機器人，秀的其實是卓越的硬體性能——關節、馬達、減速器的完美配合。但它的本質，是一場由工程師預先寫好劇本的舞台劇 。每一個角度、每一分力道，都是事先算好的，機器人本身並不知道自己為何要這麼做，它只是在「執行」指令，而不是在「理解」環境。

而另一種，那個開冰箱慢吞吞的機器人，雖然看起來笨，卻是在做一件革命性的事：它正在試圖由 AI 驅動，真正開始「理解」這個世界 。它在學習什麼是冰箱、什麼是蘋果、以及如何控制自己的力量才能順利拿起它。這個過程之所以緩慢，正是因為過去驅動它的「大腦」，也就是 AI 晶片的算力還不夠強，無法即時處理與學習現實世界中無窮的變數 。

這就像教一個小孩走路，你可以抱著他，幫他擺動雙腿，看起來走得又快又穩，但那不是他自己在走。真正的學習，是他自己搖搖晃晃、不斷跌倒、然後慢慢找到平衡的過程。過去的機器人，大多是前者；而我們真正期待的，是後者。

所以，問題的核心浮現了：我們需要為機器人裝上一個強大的大腦！但這個大腦，為什麼不能像ChatGPT一樣，放在遙遠的雲端伺服器上就好？

機器人的大腦，為什麼不能放在雲端？

聽起來好像很合理，對吧？把所有複雜的運算都交給雲端最強大的伺服器，機器人本身只要負責接收指令就好了。但……真的嗎？

想像一下，如果你的大腦在雲端，你看到一個球朝你飛過來，視覺訊號要先上傳到雲端，雲端分析完，再把「快閃開」的指令傳回你的身體。這中間只要有零點幾秒的網路延遲，你大概就已經鼻青臉腫了。

現實世界的互動，需要的是「即時反應」。任何網路延遲，在物理世界中都可能造成無法彌補的失誤 。因此，運算必須在機器人本體上完成，這就是「邊緣 AI」（Edge AI）的核心概念 。而 NVIDIA  Jetson 平台，正是為了解決這種在裝置端進行高運算、又要兼顧低功耗的需求，而誕生的關鍵解決方案 。

NVIDIA Jetson 就像一個緊湊、節能卻效能強大的微型電腦，專為在各種裝置上運行 AI 任務設計 。回顧它的演進，早期的 Jetson 系統主要用於視覺辨識搭配AI推論，像是車牌辨識、工廠瑕疵檢測，或者在相機裡分辨貓狗，扮演著「眼睛」的角色，看得懂眼前的事物 。但隨著算力提升，NVIDIA Jetson 的角色也逐漸從單純的「眼睛」，演化為能夠控制手腳的「大腦」，開始驅動更複雜的自主機器，無論是地上跑的、天上飛的，都將NVIDIA Jetson 視為核心運算中樞 。

但再強大的晶片，如果沒有能適應現場環境的「容器」，也無法真正落地。這正是研華（Advantech）的角色，我們將 NVIDIA Jetson 平台整合進各式工業級主機與邊緣運算設備，確保它能在高熱、灰塵、潮濕或震動的現場穩定運行，滿足從工廠到農場到礦場、從公車到貨車到貨輪等各種使用環境。換句話說，NVIDIA 提供「大腦」，而研華則是讓這顆大腦能在真實世界中呼吸的「生命支持系統」。

這個平台聽起來很工業、很遙遠，但它其實早就以一種你意想不到的方式，進入了我們的生活。

從Switch到雞蛋分揀員，NVIDIA Jetson如何悄悄改變世界？

如果我告訴你，第一代的任天堂Switch遊戲機與Jetson有相同血緣，你會不會很驚訝？它的核心處理器X1晶片，與Jetson TX1模組共享相同架構。這款遊戲機對高效能運算和低功耗的嚴苛要求，正好與 Jetson 的設計理念不謀而合 。

而在更專業的領域，研華透過 NVIDIA Jetson 更是解決了許多真實世界的難題 。例如

• 在北美，有客戶利用 AI 進行雞蛋品質檢測，研華的工業電腦搭載NVIDIA Jetson 模組與相機介面，能精準辨識並挑出髒污、雙黃蛋到血蛋 
• 在日本，為避免鏟雪車在移動時發生意外，導入了環繞視覺系統，當 AI 偵測到周圍有人時便會立刻停止 ；
• 在水資源珍貴的以色列，研華的邊緣運算平台搭載NVIDIA Jetson模組置入無人機內，24 小時在果園巡航，一旦發現成熟的果實就直接凌空採摘，實現了「無落果」的終極目標 。

這些應用，代表著 NVIDIA Jetson Orin™ 世代的成功，它讓「自動化」設備變得更聰明 。然而，隨著大型語言模型（LLM）的浪潮來襲，人們的期待也從「自動化」轉向了「自主化」 。我們希望機器人不僅能執行命令，更能理解、推理。

Orin世代的算力在執行人形機器人AI推論時的效能約為每秒5到10次的推論頻率，若要機器人更快速完成動作，需要更強大的算力。業界迫切需要一個更強大的大腦。這也引出了一個革命性的問題：AI到底該如何學會「動手」，而不只是「動口」？

革命性的一步：AI如何學會「動手」而不只是「動口」？

面對 Orin 世代的瓶頸，NVIDIA 給出的答案，不是溫和升級，而是一次徹底的世代跨越— NVIDIA Jetson Thor 。這款基於最新 Blackwell 架構的新模組，峰值性能是前代的 7.5 倍，記憶體也翻倍 。如此巨大的效能提升，目標只有一個：將過去只能在雲端資料中心運行的、以 Transformer 為基礎的大型 AI 模型，成功部署到終端的機器上 。

NVIDIA Jetson Thor 的誕生，將驅動機器人控制典範的根本轉變。這要從 AI 模型的演進說起：

1. 第一階段是 LLM（Large Language Model，大型語言模型）：
   我們最熟悉的 ChatGPT 就屬此類，它接收文字、輸出文字，實現了流暢的人機對話 。
2. 第二階段是 VLM（Vision-Language Model，視覺語言模型）：
   AI 學會了看，可以上傳圖片，它能用文字描述所見之物，但輸出結果仍然是給人類看的自然語言 。
3. 第三階段則是 VLA（Vision-Language-Action Model，視覺語言行動模型）：
   這是革命性的一步。VLA 模型的輸出不再是文字，而是「行動指令（Action Token）」 。它能將視覺與語言的理解，直接轉化為控制機器人關節力矩、速度等物理行為的具體參數 。

這就是關鍵！ 過去以NVIDIA Jetson Orin™作為大腦的機器人，僅能以有限的速度運行VLA模型。而由 VLA 模型驅動，讓 AI 能夠感知、理解並直接與物理世界互動的全新形態，正是「物理 AI」（Physical AI）的開端 。NVIDIA Jetson Thor 的強大算力，就是為了滿足物理 AI 的嚴苛需求而生，要讓機器人擺脫「復健」，迎來真正自主、流暢的行動時代 。

其中，物理 AI 強調的 vision to action，就需要研華設計對應的硬體來實現；譬如視覺可能來自於一般相機、深度相機、紅外線相機甚至光達，你的系統就要有對應的介面來整合視覺；你也會需要控制介面去控制馬達伸長手臂或控制夾具拿取物品；你也要有 WIFI、4G 或 5G 來傳輸資料或和別的 AI 溝通，這些都需要具體化到一個系統上，這個系統的集大成就是機器人。

好，我們有了史上最強的大腦。但一個再聰明的大腦，也需要一副強韌的身體。而這副身體，為什麼非得是「人形」？這不是一種很沒效率的執念嗎？

為什麼機器人非得是「人形」？這不是一種低效的執念嗎？

這是我一直在思考的問題。為什麼業界的主流目標，是充滿挑戰的「人形」機器人？為何不設計成效率更高的輪式，或是功能更多元的章魚型態？

答案，簡單到令人無法反駁：因為我們所處的世界，是徹底為人形生物所打造的。

從樓梯的階高、門把的設計，到桌椅的高度，無一不是為了適應人類的雙足、雙手與身高而存在 。對 AI 而言，採用人形的軀體，意味著它能用與我們最相似的視角與方式去感知和學習這個世界，進而最快地理解並融入人類環境 。這背後的邏輯是，與其讓 AI 去適應千奇百怪的非人形設計，不如讓它直接採用這個已經被數千年人類文明「驗證」過的最優解 。

這也區分了「通用型 AI 人形機器人」與「專用型 AI 工業自動化設備」的本質不同 。後者像高度特化的工具，產線上的機械手臂能高效重複鎖螺絲，但它無法處理安裝柔軟水管這種預設外的任務 。而通用型人形機器人的目標，是成為一個「多面手」，它能在廣泛學習後，理解物理世界的運作規律 。理論上，今天它在產線上組裝伺服器，明天就能在廚房裡學會煮菜 。

但要讓一個「多面手」真正活起來，光有骨架還不夠。它必須同時擁有強大的大腦平台與遍布全身的感知神經，才能理解並回應外在環境。人形機器人的手、腳、眼睛、甚至背部，都需要大量感測器去理解環境就像神經末梢一樣，隨時傳回方位、力量與外界狀態。但這些訊號若沒有通過一個穩定的「大腦平台」，就無法匯聚成有意義的行動。

這正是研華的角色：我們不僅把 NVIDIA Jetson Thor 這顆核心晶片包載在工業級電腦中，讓它成為能真正思考與反應的「完整大腦」，同時也提供神經系統的骨幹，將感測器、I/O 介面與通訊模組可靠地連結起來，把訊號傳導進大腦。你或許看不見研華的存在，但它實際上遍布在機器人全身，像隱藏在皮膚之下的神經網絡，讓整個身體真正活過來。

但有了大腦、有了身體，接下來的挑戰是「教育」。你要怎麼教一個物理 AI？總不能讓它在現實世界裡一直摔跤，把一台幾百萬的機器人摔壞吧？

打造一個「精神時光屋」，AI的學習速度能有多快？

這個問題非常關鍵。大型語言模型可以閱讀網際網路上浩瀚的文本資料，但物理世界中用於訓練的互動資料卻極其稀缺，而且在現實中反覆試錯的成本與風險實在太高 。

答案，就在虛擬世界之中。

NVIDIA Isaac Sim™等模擬平台，為這個問題提供了完美的解決方案 。它能創造出一個物理規則高度擬真的數位孿生（Digital Twin）世界，讓 AI 在其中進行訓練 。

這就像是為機器人打造了一個「精神時光屋」 。它可以在一天之內，經歷相當於現實世界千百日的學習與演練，從而在絕對安全的環境中，窮盡各種可能性，深刻領悟物理世界的定律 。透過這種「模擬-訓練-推論」的 3 Computers 閉環，Physical AI (物理AI) 的學習曲線得以指數級加速 。

我原本以為模擬只是為了節省成本，但後來發現，它的意義遠不止於此。它是在為 AI 建立一種關於物理世界的「直覺」。這種直覺，是在現實世界中難以透過有限次的試錯來建立的。

所以你看，這趟從 Switch 到人形機器人的旅程，一幅清晰的未來藍圖已經浮現了。實現物理 AI 的三大支柱已然齊備：一個劃時代的「AI 大腦」（NVIDIA Jetson Thor）、讓核心延展為「完整大腦與神經系統」的工業級骨幹（由研華 Advantech 提供），以及一個不可或缺的「教育環境」（NVIDIA Isaac Sim 模擬平台） 。

結語

我們拆解了那些酷炫機器人影片背後的真相，看見了從「自動化」走向「自主化」的巨大技術鴻溝，也見證了「物理 AI」時代的三大支柱——大腦、身軀、與教育——如何逐一到位 。

專家預測，未來 3 到 5 年內，人形機器人領域將迎來一場顯著的革命 。過去我們只能在科幻電影中想像的場景，如今正以前所未有的速度成為現實 。

這不再只是一個關於效率和生產力的問題。當一台機器，能夠觀察我們的世界，理解我們的語言，並開始以物理實體的方式與我們互動，這將從根本上改變我們與科技的關係。

所以，最後我想留給你的思想實驗是：當一個「物理 AI」真的走進你的生活，它不只是個工具，而是一個能學習、能適應、能與你共同存在於同一個空間的「非人智慧體」，你最先感受到的，會是興奮、是便利，還是……一絲不安？

這個問題，不再是「我們能否做到」，而是「當它發生時，我們準備好了嗎？」

研華已經整裝待發，現在，我們與您一起推動下一代物理 AI 與智慧設備的誕生。
https://bit.ly/4n78dR4

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

演化歷史是如何被改寫的？基於形態證據的系統發育分析或許能為我們提供更多證據，來揭示 2 億 2600 萬年前的化石真正的「歷史」。

現今的分類學家將鞘翅目 (Coleoptera) 分為四大亞目，牠們分別為原鞘亞目 (Archostemata)、藻食亞目(Myxophaga)、肉食亞目 (Adephaga)、以及多食亞目 (Polyphaga)。

而其中隱翅蟲科 (Staphylinidae)為多食亞目中物種數最多的一群，同時牠們甚至是動物界中已描述物種數最豐富的一群。隱翅蟲科可說是演化最成功的一類生物，因此牠們的演化歷史一直是昆蟲學家著迷的課題。

想了解更多有關隱翅蟲的資訊，可見本站延伸閱讀：

• 隱翅蟲真的有那麼可怕嗎？隱翅蟲皮膚炎又是怎麼一回事？
• 太陽餅沒有太陽，隱翅蟲也不一定要隱翅

L. prorova 是最古老的隱翅蟲？其實牠是藻食亞目啦

以往被認為是最古老的隱翅蟲是三疊紀的化石物種 Leehermania prorova (Chatzimanolis, Grimaldi& Engel, 2012) 雖說在發表之初就有被懷疑可能不是隱翅蟲，但一直到最近才正式被揭示了，L. prorova 應屬於藻食亞目的成員。該研究由捷克國家博物館的昆蟲學家 Martin Fikáček 與各國的昆蟲學家組成的團隊完成，分析了其與現生甲蟲科別的系統發育關係，相關成果最近刊登於頂尖昆蟲學期刊《系統昆蟲學》(Systematic Entomology)。

如何分析化石與其他現生甲蟲的系統發育關係？

研究團隊結合現生甲蟲所有科別的形態特徵矩陣（包括化石）建構出各種不同的系統發育樹，他們使用最大簡約法 (Maximum parsimony) 及貝葉斯推斷 (Bayesian Inference) 分別分析所有甲蟲科別、隱翅蟲總科(Staphylinoide)、藻食亞目及 L. prorova 的資訊建構系統發育樹。所有證據都支持 L. prorova 不是隱翅蟲，研究團隊最後提出 L. prorova 是已滅絕的藻食亞目支系，最接近的現生科別為出尾水蟲科(Hydroscaphidae)，同時，L. prorova 也成為最古老的藻食亞目成員。

太小啦，大顎還是小顎鬚傻傻的分不清？

雖然受限於 L. prorova 體型非常小（僅約2 mm），有非常多的特徵無法檢視，但研究團隊亦將牠與隱翅蟲比較後，提出幾個特徵從而推斷牠並非隱翅蟲。其中最有趣的莫過於在 L. prorova 的原始描述中提及牠有大顎，但研究團隊發現那其實並不是大顎，而是有分節的小顎鬚 (Maxillary palpi)，這個發現也支持牠不是隱翅蟲，因為隱翅蟲的大顎通常於背面觀或側面觀清楚可見，而藻食亞目則幾乎不可見。

當今化石系統分類研究的典範

此一研究除了確認最老的隱翅蟲並不是隱翅蟲這個重要的發現，同時它也樹立了當代化石系統分類文章的典範。分子鐘的應用，在當今的系統分類研究中是很常使用的工具。而化石證據能夠校準分子鐘，除了使用現生物種對比化石外，此研究也不止使用傳統的形態特徵矩陣，亦參考分子資料來佐證形態證據，將所有的證據同時檢視，而提出最有可能的研究結果。相信在不久的將來會有越來越多研究能使用此方法來推斷生物的演化歷史。

參考文獻

• Fikáček, M., Beutel, R. G., Cai, C., Lawrence, J. F., Newon, A., Solodovnikov, A., Ślipiński, A., Thayer, M. K. & Yamamoto, S. 2019. Reliable placement of beetle fossils via phylogenetic analyses–Triassic Leehermania as a case study (Staphylinidae or Myxophaga?). Systematic Entomology.

特別感謝 Martin Fikáček（捷克國家博物館）提供圖片及蔡晨阳（中國科學院南京地質古生物研究所）協助校稿。

• 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？