Loading [MathJax]/extensions/tex2jax.js

0

2
1

文字

分享

0
2
1

窗殺事件:鳥類的隱形殺手

科學月刊_96
・2020/03/24 ・2499字 ・閱讀時間約 5 分鐘 ・SR值 544 ・八年級

-----廣告,請繼續往下閱讀-----

  • 文/王齡敏,獸醫師,社團法人台灣猛禽研究會猛禽救傷站主任。

全球各地的大城市當中,因建築的玻璃與鏡子等設計,經常會發生鳥類飛行時錯認這些是可飛行的路徑,導致撞上而造成傷亡的「窗殺」事件。窗殺可歸納為日間撞擊與夜間撞擊,兩者成因不同。

窗殺事件層出不窮,臺灣也該正視此問題,並研擬出相關的預防措施。

世界各國的窗殺事件

有一種人為的無心傷害,造成每年上億隻野鳥死亡。

這種因撞擊玻璃或建物而導致的傷害稱為窗殺 (bird-building collisions 或 bird-window collisions)。世界各地每年都有多起窗殺案例,舉例來說,美國約有 3 億 6500 萬 ~ 9 億 8800 萬起案例、加拿大約 1600 ~ 4200 萬起及南韓每年約 800 多萬隻野鳥死亡。

有一種人為的無心傷害,造成每年上億隻野鳥死亡。圖/mradsami@Pixabay

雖然北美對野鳥窗殺議題已研究 30 多年,但在臺灣卻很少被提及與討論,相關的研究甚至付之闕如。

回歸到窗殺的發生原因,為何鳥類特別容易撞玻璃呢?

-----廣告,請繼續往下閱讀-----
  • 首先,鳥類(或大部分的動物)無法將玻璃辨識為隔離物或障礙物;
  • 第二,鳥類雖具有翅膀可飛翔並來去自如,但也容易誤判如高樓的玻璃反射影像而撞上。

北美研究窗殺議題多年,美國明尼蘇達州奧杜邦學會 (Audubon Minnesota) 於 2010 年 5 月出版的《鳥類安全之建築指南》(Bird-Safe Building Guidelines),大致將窗殺歸納為日間撞擊與夜間撞擊。

日間撞擊原因有二:

  • 一為玻璃具有穿透性,因此玻璃帷幕或隔音牆等建物,若是位於鳥類可能穿越的路徑上,便會導致窗殺;
  • 二為玻璃的鏡像反射效應,即使透明的玻璃也可能會產生鏡像的效果,更遑論貼有隔熱紙或特別設計為單向透視的鏡面玻璃。

甚至一些半戶外環境,如公廁或游泳池等設立的鏡子,鏡像效果導致鳥類無法分辨影像真偽,以為反射的遠景或山林影像可以飛過,因此一頭撞上,嗚呼哀哉。

夜間撞擊的原因則為燈塔效應 (beacon effect),當夜間空氣濕度較高,或有霧氣或霧霾時,建築物的燈光會吸引遷徙中的鳥類,導致鳥類迷航而誤撞建物。

-----廣告,請繼續往下閱讀-----
欸?原來那邊飛不過去嗎?圖/GIPHY

明尼蘇達的窗殺案例

筆者曾於 2013~2015 年間服務於美國明尼蘇達大學猛禽中心 (The Raptor Center, University of Minnesota),當時聽聞明尼亞波利斯 (Minneapolis) 市中心將興建美國合眾銀行體育場 (U.S. Bank Stadium),並計畫採用大面積的玻璃作為建築設計。

筆者在當地工作期間曾數次路過該體育館改建前的休伯特‧漢弗萊體育場 (Hubert H. Humphrey Metrodome),由於當時對窗殺涉入不深,是無意間與一名猛禽中心的志工聊天而討論到此事,他表示很擔心這棟建築未來對於當地鳥類的衝擊。

而在筆者先前擔任野生動物獸醫師的職涯中,不時會接獲窗殺案例,但由於占傷病原因的比例並不高,所以過去筆者認為這只是不常見的偶發傷害。直到回國後,於 2017 年起在台灣猛禽研究會(以下簡稱猛禽會)進行猛禽救傷,發現為數不少的猛禽因撞窗而癱瘓,才逐漸意識到窗殺對於野鳥的衝擊。

後來明尼亞波利斯的新體育場於 2016 年落成,當地的研究人員蒐集並分析 2017 ~ 2018 年間的野鳥撞玻璃案例,他們除了合眾銀行體育場外,還監測當地其它 20 棟具窗殺風險的建築。

-----廣告,請繼續往下閱讀-----
現已落成的美國合眾銀行體育場。圖/Wikipedia

調查期間共蒐集 1000 多起的鳥類窗擊案例,發現合眾銀行體育場窗擊事件占所有 21 棟建築的第二高位(225 ~ 229 件),其中包括 42 種鳥類(該研究調查到的窗殺鳥種共 75 種)。

報告中指出窗殺會因季節不同而有所變化,秋季明顯高於春、夏二季(冬季因當地過去研究窗殺機率低,故此研究未將其納入),秋過境期的窗殺比率為春過境期四倍,而候鳥遭窗殺的數量則較高,前五名物種皆是候鳥,分別為白喉帶鵐 (Zonotrichia albicollis)、黃喉蟲森鶯 (Leiothlypis ruficapilla)、橙頂灶鶯 (Seiurus aurocapilla)、黃喉地鶯 (Geothlypis trichas) 與灰綠叢森鶯 (Leiothlypis peregrina),占此研究窗殺比例近 50%。

臺灣也該正視鳥類窗殺事件!

北美許多地區都有類似的研究報告與長期監測活動,但臺灣對窗殺的系統性研究目前仍未開啟,頂多只有一些零星的撞玻璃傷亡鳥類的花邊新聞報導。

筆者於去 (2019) 年起設立臉書社群「野鳥撞玻璃回報」,希望藉由網友的力量蒐集國內關於野鳥窗殺資料。另外,猛禽會也於去年獲得聯華電子主辦的「綠獎」青睞,計畫今 (2020) 年於臺灣北部地區執行野鳥窗殺調查與友善鳥類玻璃教育推廣,希望引起社會大眾、企業與政府對於野鳥窗殺的重視。

-----廣告,請繼續往下閱讀-----

該如何避免窗殺?

看到這裡,或許讀者會急著想知道到底如何防止野鳥窗殺。其實江湖一點訣,說破不值錢,原理就在於想辦法讓鳥能「看到」或「看懂」眼前的玻璃(無論窗戶、鏡子或隔音牆等)是無法通過的阻隔物。

因此,凡是改善玻璃材質,如霧面、雕花或蝕刻圖案等;玻璃上裝飾,如貼或畫上密集圖案或大面積圖案等;與玻璃外布置,如掛上許多垂墜物、植生牆、圍欄和隱形鐵窗等,都有防治效果。

但依筆者經驗,最常見的錯誤防治法就是在面積不小的玻璃上只貼一張猛禽貼紙或鷹眼貼紙,認為鷹的形象可以嚇阻鳥兒不接近,但最後卻發現效果不彰。

大面積玻璃只貼一張猛禽貼紙並無法達到防止鳥類撞擊效果,圖為一隻翠翼鳩在貼有猛禽貼紙的旁側玻璃窗殺死亡。圖/姚正得

其實,這就如同在農田設立稻草人,鳥類會判斷環境中的威脅者,當牠發現貼在玻璃的飛鷹不會動,會判定沒有威脅,自然不當一回事,反而想從沒貼貼紙的玻璃處飛去而導致窗殺。

-----廣告,請繼續往下閱讀-----

因此美國奧杜邦學會曾做過研究,想知道到底要布置多密,野鳥才不會飛撞玻璃。實驗結果顯示,寬 5 公分 × 長 10 公分(約 2 英寸 × 4 英寸)的布置間隔可以防止 90% 以上的窗殺,或許讀者們可以參考,做為野鳥窗擊風險玻璃的改善準則。

窗外可使用間隔 10 公分寬的繩子垂掛,也有相當不錯的防治鳥類窗殺效果。圖/蔡宜樺

延伸閱讀

  1. Bird-Safe Building Guidelines
  2. 野鳥撞玻璃回報 (Reports on Bird-Glass Collisions)
  3. Birds Striking Building Windows Final 032014

 

〈本文選自《科學月刊》2020 年 3 月號〉

在一個資訊不值錢的時代中,試圖緊握那知識餘溫外,也不忘科學事實和自由價值至上的科普雜誌。

-----廣告,請繼續往下閱讀-----
文章難易度
科學月刊_96
249 篇文章 ・ 3743 位粉絲
非營利性質的《科學月刊》創刊於1970年,自創刊以來始終致力於科學普及工作;我們相信,提供一份正確而完整的科學知識,就是回饋給讀者最好的品質保證。

0

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)」!

-----廣告,請繼續往下閱讀-----

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。

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。

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。/ 圖片提供:研華科技

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----
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。/ 圖片提供:研華科技

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

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

2

11
5

文字

分享

2
11
5
小鳥為什麼不走路要用彈跳的?——《鴿子為什麼要邊走邊搖頭?》
晨星出版
・2023/10/25 ・1493字 ・閱讀時間約 3 分鐘

彈跳的鳥類

用雙腳移動時,只有鳥類會使用而人類不會用的動作,那就是彈跳。這種名為彈跳的運動既困難又麻煩,為什麼鳥要這樣子彈跳呢?其實到現在我們還無從得知。

如同前述,彈跳是兩腳幾乎同時一起跳的運動方式。我們常見的鳥,像是麻雀和日菲繡眼這種小鳥就是用彈跳的(圖一),而烏鴉在急的時候也會彈跳。

麻雀是兩腳並用一起跳,但也有兩腳稍微錯開來彈跳的物種。例如巨嘴鴉之類的鳥類身體會微微傾斜,左右腳些微錯開,用「噠噠、噠噠」這樣的節奏來彈跳。這兩種本質上的差異目前還不清楚,不如說彈跳跟跑步的差異也還不清楚,所以步行研究者目前也是束手無策。

圖一、麻雀的彈跳,左右腳微微錯開著地(照片 ③ 中偏差大約是 1/120 秒)

歐亞喜鵲這種鳥同時會彈跳也會跑步,但比較兩者的研究顯示,在跑步與彈跳中,腳的運動方式跟肌肉動作幾乎一樣。彈跳跟跑步一樣,是高速移動的方式,活用肌腱像是彈簧的功能來轉換動能跟彈性位能。然後,兩種的差別只有「雙腳交互動作」或是「幾乎一起動作」而已。

-----廣告,請繼續往下閱讀-----

彈跳和跑步除了腳動的時機以外沒有什麼不同,那為什麼只有一部分的鳥是用彈跳的呢?

這個問題,很遺憾現在的科學還沒有解開,現階段一致贊同的只有:一般認為會彈跳的鳥是相對小型的種類,以及常待樹上的種類。看了許多鳥以後,會發現確實小型的鳥很常彈跳。另外,喜歡待在樹上的鳥則是常用兩腳一起從一根樹枝跳到另一根樹枝上,所以在地上也同樣會用兩腳一起跳躍,這樣說來可能就會覺得可以理解。

但是在樹上彈跳,在地上也還是可以步行不是嗎?不這樣區分移動方式,應該是因為有什麼身體構造或生理學上的理由才對,但這問題至今仍然是謎。

-----廣告,請繼續往下閱讀-----
圖/giphy

另一方面,小型的鳥喜歡彈跳的理由,如果用「彈跳適合用來高速移動」,可以解釋一部分的疑問。比起小型鳥,大型鳥的步幅更大,一般步行速度也比較快。如果小型鳥想跟大型鳥用同樣速度移動的話,就需要走得很快。像是人類,也很常在路上看到小孩要小跑步拚命跟上大人的走路速度。跟那個狀況相同,小型鳥有使用相對身體尺寸的高速進行移動的必要性。

想像看看會啄食掉落在地面的種子的鴿子和麻雀,如果用同樣密度灑餌,鴿子只要數步就能抵達下一個餌也說不定,但小型的麻雀需要移動相對更遠的距離才能拿到餌(圖二)。這樣一來就需要比較急著移動,這麼解釋或許也很合理。

圖二、假設在距離鴿子兩個身體遠的地方放餌,對體型較小的麻雀來說,同距離就需要移動六個身體的長度,不移動更遠的距離就沒辦法拿到餌。

但是彈跳和跑步如果是同樣的運動,那為什麼不能用跑的呢?「小型鳥比較需要快速移動」這種說明,很遺憾地似乎不能完全解釋為什麼要選擇彈跳。

但這麼簡單的問題,21世紀的科學還無法解釋,真是令人驚訝。

-----廣告,請繼續往下閱讀-----

——本文摘自《鴿子為什麼要邊走邊搖頭?》,2023 年 8 月,晨星出版,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----
所有討論 2

0

0
1

文字

分享

0
0
1
為什麼腿短短,走路還搖搖晃晃?解密企鵝賣萌的背後真相!——《鴿子為什麼要邊走邊搖頭?》
晨星出版
・2023/10/24 ・1652字 ・閱讀時間約 3 分鐘

企鵝搖搖晃晃地走路

圖/giphy

說到用兩隻腳走路的鳥類,就不得不提企鵝。企鵝用兩隻腳在冰上搖搖晃晃走路的樣子非常可愛。在水中卻可以自由自在地高速游泳、追捕魚,這兩種樣子帶給人的印象有非常大的不同。

話說,企鵝意外地可以走很長一段距離。牠們會在地上蒐集石頭來作巢,所以當然要可以走到築巢的地點。通常企鵝類的繁殖群會位在距離海岸線幾百公尺的地方,但有時會在距離海岸 3 公里以上的內陸,想像企鵝排成一列搖搖晃晃地走 3 公里,實在是可愛至極。

說是這樣說,但是走 3 公里,我們人類都覺得有點遠了,企鵝真的可以搖搖晃晃走過去嗎?

牠們的走路方式感覺效率很差,好像很累。企鵝走路時腳會使用的力量以及計算其所需能量的研究顯示,企鵝的走路方式一如外表印象,效率很差。大概所有人都會覺得「我想也是」吧,但我們不妨來仔細思考為什麼會效率很差。

-----廣告,請繼續往下閱讀-----
圖/giphy

鵝生好累!企鵝其實一直蹲著?

在討論企鵝的步行時,首先得要知道的是其獨特的體型。企鵝看起來是用兩隻腳站著,腳感覺極端的短。大概因為身上的毛色彷彿穿著燕尾服一樣,總覺得像是人類的喜劇演員一般。

但是牠嚴格說來並不是「站著」。看企鵝的骨骼圖(圖一)就很清楚。髖關節跟膝關節強烈彎曲的姿勢,以人類來說就是「蹲著」。換言之,企鵝時時刻刻都是蹲著的,連走路時也是蹲著的狀態。試著自己蹲著走路看看,就會像企鵝那樣搖搖晃晃地。牠們搖搖晃晃的姿態,背後的祕密就是體型與姿勢。

而由此延伸,企鵝的步行方式非常沒效率的理由,可能就是身體橫向搖擺和轉動幅度非常大。搖擺跟旋轉的動作,對前進而言怎麼看都是不必要的舉動,但是根據之前的研究,其實企鵝不搖晃反而效率會更差。之前也說過雙足步行的動能跟位能要有效率地轉換,才能有效率地運動,但企鵝似乎是用橫向搖擺的動作來進行這種能量轉換。

圖一、企鵝的樣子跟人很像,所以如果讓企鵝在山手線月台上排隊,也不會有人發現(右),但是如果看骨骼(左),企鵝蹲下來就可以跟站著的人類簡單區分開來。

短腿優先?

也就是說,企鵝走路效率不佳的理由,跟牠們這種體型跟姿勢有關。

-----廣告,請繼續往下閱讀-----

企鵝的腳確實很短,以現在還活著的企鵝種類來說,體型最大的皇帝企鵝的體重將近 20 公斤,和澳洲的平胸鳥類鶆䴈幾乎相同,然而比較這兩種鳥類的腿長的話,鶆䴈的髖關節大概在 80 公分高的位置,而皇帝企鵝大概在 30 公分高左右。明明體重差不多相同,企鵝的腳的長度卻只有鶆䴈的一半以下,步行效率差也是沒辦法的事。

本章已經反覆提過好幾次,腿愈長一般來說會步行速度愈快、效率也愈好,企鵝的短腳和蹲下的姿勢非常不適合走路,這點沒有人能否定。

圖/giphy

企鵝的腳會這麼短,恐怕是為了在寒冷地帶保住體溫。雖然也有棲息在熱帶的企鵝,但多數企鵝都棲息在極地,在水中跟地面上不失去體溫就是牠們最重要的課題。四肢末梢要是比較長,就會因為體積的表面積變大,容易失去體溫。所以在寒冷地帶演化的物種,耳朵等突出部位通常都會比較小。

雖然意外地能走很長距離,但企鵝仍然主要屬於在寒冷地區游泳的鳥類,為此演化出的短腿跟蹲著的姿勢,必須讓身體左右搖晃走路來補足才更有效率。

-----廣告,請繼續往下閱讀-----

——本文摘自《鴿子為什麼要邊走邊搖頭?》,2023 年 8 月,晨星出版,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----