2020世界地球日，一起玩 Google doodle 遊戲學蜜蜂小知識！

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

• 文／顏敏仁
  • 國立政治大學教育學院教授暨數位賦能與永續發展研究中心主任
  • 國際系統動態學臺灣分會主席

何飛鵬社長邀請我寫這篇導讀時，《成長的極限》（The Limits to Growth）系列書籍已被翻譯成近 40 種語言，全球銷售一千多萬本，被譽為 20 世紀最具影響力書籍之一。1972 年出版的本書源自傑伊．佛烈斯特（Jay W. Forrester）教授創立的 MIT System Dynamics Group 系統科學研究，由羅馬俱樂部（Club of Rome）支持其研究及出版。17 位科學家運用佛烈斯特的世界模型原型為基礎提出 World3 電腦模型，分析描述地球環境與經濟社會從 1972 年到 2100 年的可能未來景象並提出警示建議，由唐妮菈．米道斯（Donella Meadows）、丹尼斯．米道斯（Dennis Meadows）、喬詹．蘭德斯（Jorgen Randers）及威廉．貝倫斯（William Behrens）代表撰文出版成為世界第一本以電腦科學分析環境風險的報告。同年聯合國提出《人類環境宣言》。

想像 50 年多前這本書帶給世人什麼震憾？世界頂尖科研團隊提出，在有限的地球資源條件下，若依人類追求經濟成長的慣性發展趨勢，以及環境社會解方的行動時間延遲，將可能不自覺導致超過地球限度的開發（overshooting）而讓資源失衡崩潰。本書運用科學數據分析描繪的 12 種未來發展可能景象，不只是成長趨緩或停滯而已，還有全面毀滅式的環境經濟社會崩潰。這樣的論述在追求經濟成長的 1970 年代堪稱非常反直覺的驚天論述，有其支持者，也有大量的批評接踵而來。包含諾貝爾經濟學獎得主在內的許多批評者無法理解其分析的依據，也不相信其推論，甚至認為是不負責任的危言聳聽。

出版 20 年後的 1992 年，作者群更新內容以《超過限度》（Beyond The Limits）之名重新出版，同年聯合國召開首次全球環境及發展高峰會，宣布《聯合國氣候變化綱要公約》（UN Framework Convention on Climate Change, UNFCCC）與《生物多樣性公約》（Convention on Biological Diversity）；30 年後的 2002 年，作者群再更新實際發生數據研究出版《成長的極限》三十週年增訂版，再與聯合國世界永續發展高峰會議同步，跨入 21 世紀倡議永續社會；40 年後的 2012 年，聯合國通過「永續發展目標」（Sustainable Development Goals, SDGs），乃至於 2015 年 193 個會員國全數簽署《巴黎協定》（Paris Agreement）執行 1992 年的相關環境公約。本書出版 50 週年時，世界頂尖科學期刊《自然》（Nature）發表專文呼籲科學家們應該停止對成長極限的爭論而共同全力為經濟環境永續發展努力。

有「東方諾貝爾獎」之稱的唐獎永續發展獎得主、歷任三屆聯合國祕書長特別顧問的國際知名經濟學家傑佛瑞．薩克斯（Jeffery Sachs）是聯合國千禧年發展目標（MDGs）、永續發展目標（SDGs）及《巴黎協定》重要推手。曾公開表示《成長的極限》是 50 年前他就讀哈佛大學經濟系時的指定必讀名著，對其影響啟發深遠。

時至今日，國際經濟社會已廣為倡議 SDGs 及 ESG 等等永續發展行動與政策實踐，甚至是產官學各界領導人必修知識與國民素養教育。再讀這本引領思潮，橫跨兩世紀的經典之作，我們可以用什麼視角來品析及反思學習呢？

以對話取代對立：研究方法學

本書所引發的跨世紀跨領域對話，可以從研究方法學的特性來理解。古有云：事實勝於雄辯。對於已經發生的事件及資料加以科學分析歸納，是為研究方法中的歸納法（inductive reasoning）。這種方法的好處是依據取得資料幫助吾人從經驗中學習，以及傳遞知識。然而，對於還沒有發生的未來可能，歸納法則可能受到限制或僅能以過去相關資料有限度的推測未來趨勢。演繹法（deductive reasoning）則是一種運用行為邏輯與科學分析推論未來可能發展的研究方法，可依據邏輯幫助吾人規畫未來情境並分析可能性。若是從科學研究角度，要隨著時代持續進步，最好是同時有從經驗學習的能力以及展望未來的能力，亦即歸納法加上演繹法的持續運用。反之，若將歸納法 vs 演繹法直接二選一，便容易產生對立觀點。

若要能夠開放式對話，其實我們需要理解的是歸納法強調「資料」（data），演繹法重視「規則」（rule）。這兩種研究方法並沒有直接衝突，而是關注點不同。持各種不同研究方法及論述立場的人們之間沒有不合，而是需要對話及互相理解彼此想法。分析已發生的事件及資料需重視精準度及解釋力；而對於未來看法的對話，我們既然拿不到「未來」的資料，便需要更重視行為邏輯結構的分析（structural analysis）而避免不知其所以然而為之的黑箱（black box）預測。如此大家才有機會一起探討各種未來可能的行為模式及發展趨勢。因此，作者持續的對外聲明，他們沒有要直接對未來做預測（prediction），而是希望勾勒規畫各種行為模式下的可能未來情境（scenario planning），以做為政策及個人選擇參考。

以平常應對無常：系統動態學

許多人看到本書描繪 21 世紀可能成長超過限度並導致崩毀的反直覺景象，非常難以相信亦或是恐懼無常。然而本書卻有條有理的說明，不論是呈現持續成長、成長趨緩、超過限度並出現振盪、超過限度並導致崩毀等等看似反直覺的各種未來情境，都有 World3 模型中可以解釋各種行為模式的結構性原因。這樣的分析方式正是典型的系統動態學（System Dynamics, SD）。相較於傳統的線性思考方式，SD 重視系統思考（Systems Thinking）及因果回饋環路關係，考慮作用時間延遲，並運用電腦模型分析系統運作結構模式來推論未來發展趨勢。經歷各種複雜系統研究分析與歸納學習各種非線性動態趨勢變化後，系統科學家習以為常的運用 SD 分析方法將一般人認為動態趨勢變化的「無常」理解為可以探究其結構性原因及對策的「平常」。因此，作者在書中強調的「調整系統結構」（change the structure of the system）等等論述。雖然文字上並不親民，卻也是典型的系統科學家用語及系統思維。

SD 重視脈絡分析，從心智模式（Mental Model）、系統思考、電腦模擬與未來情境分析，到對行為模式的反思學習，其持續追根究柢的科學專業，以及對未來保持開放思考的態度正是精髓所在。因此，當系統科學家在情境分析的過程中發現有非常不利的未來可能時，會防範未然提出早期警訊，呼籲要調整系統結構並儘早採取對策，便不難理解。系統動態學的應用也能有效協助規畫建立有利於未來發展的各種系統。

主動選擇勝過被動無奈

這不是無奈，這是我們的選擇。本書提到世界面臨的不是一個預先注定的未來，而是一個選擇，亦即在不同的心智思考模式之間所做的選擇。

面對成長的極限與可能的崩潰，作者仍然採取積極的思考方式，建議人類從面臨成長極限的經濟模式反思典範轉移到永續系統（Transitions to a Sustainable System），為長存發展之道。因此作者提出了許多可能協助人類邁向永續系統的作法。惟面對未來發展，值得我們重視的並不僅於作者所建議的作法，亦或是再次爭論作者所提方法的精準度，而是我們是否能夠用非常審慎的態度、以科學方法為基礎來關注分析真實環境威脅與經濟及社會需求，進而可能找到兼容並進的永續發展路徑。作者也表示其研究是在試圖找出各種可能的未來，而不是要單一預測未來。他們鼓勵讀者多學習、多思考、並做出個人的選擇。

思索面對未來發展，心智模式非常重要。永續發展需奠基於人類自我覺察的視界與能力。挪威前首相、唐獎永續發展獎第一屆得主布倫特蘭（Gro Harlem Brundtland）所領導的聯合國環境與發展委員會（United National Commission on Environment and Development）在 1987 年發布著名報告：〈我們共同的未來〉（Our Common Future），為「永續發展」提供經典定義：「永續發展係指能滿足當今需求，卻不犧牲未來世代滿足其需求」。在諸多學者、倡議人士的持續努力下，永續發展成為一種理性看待世界的系統性思考，有了結合物理環境、工程系統、社會經濟文化背景的分析框架。永續發展試圖理解世界經濟、全球社會和地球的實體環境等三個複雜系統的互動。而為了實現永續的經濟、社會及環境目標，也必須達成政府和企業的良善治理。

邁向永續系統的未來展望

教育與自覺非常重要，我們主動選擇的行為改變與經濟社會轉型，是邁向永續系統的未來展望。聯合國倡議推動的永續發展教育（Education for Sustainable Development, ESD）已將系統思考、自我覺察、未來情境策略規畫等能力列入未來人才核心能力培育綱領。2023 年《聯合國氣候變化綱要公約》（UNFCCC）第 28 屆締約方大會（COP28），更是首度盤點全球近200國氣候行動，正視具體實踐。

羅馬俱樂部沒有停止其主動選擇權和科學精神，在《成長的極限》出版 50 年後，發布了核心主張聲明，希望協助大眾正確瞭解該書所欲傳遞的訊息。並邀請原作者丹尼斯．米道斯和喬詹．蘭德斯再撰寫出版《極限與超越》（Limits and Beyond）一書，回應他們 50 年期間對相關重大議題的持續考證與反思學習報告。羅馬俱樂部仍持續出版其他以科學探索永續發展未來路徑的書籍報告。

MIT System Dynamics Group 持續推廣系統科學研究並成立永續發展倡議單位。國際系統動態學會（System Dynamics Society）在全球五大洲許多國家及區域設立分會，以推廣相關教育及產業社會服務。在臺灣，系統思考能力的培養已列入教育部頒布的十二年國民教育課綱（108 課綱），系統動態學的核心管理科學技術已經國科會核定成立全國第一個 ESG 產學技術聯盟。SDGs 與 ESG 等永續發展行動與相關政策已經在具體實踐過程中，如本書所建議的方針「In transition to a sustainable system」，以科學基礎和建設性的對話，大家一起集思廣益地球與人類發展典範轉移邁向永續系統。最後呼應本書以及聯合國的倡議及努力，「Towards sustainable system development from the limits to growth」，從成長的極限到永續系統發展的積極作為，是我們共同的未來。

——本文摘自《成長的極限》，2024 年 03 月，臉譜出版，未經同意請勿轉載。

人類對螞蟻可謂無比熟悉，許多人還不識字就認識螞蟻了；相關的科學研究也十分豐富，產出如威爾森（E. O. Wilson）這類科學大師。2022 年底問世的一篇論文，卻出乎意料地報告一條普遍存在，此前卻一直受到忽視的現象：

螞蟻的蛹會分泌液體，作為成蟲與幼蟲的營養液。

螞蟻社會的內循環營養液

螞蟻是完全變態的昆蟲，有卵、幼蟲、蛹、成蟲 4 個階段。眾所皆知螞蟻是社會性昆蟲，整個蟻巢運轉精密，但是蛹有好幾天固定不動，除了佔空間以外，在蟻巢裡好像沒什麼存在感。

這項研究主要的對象是畢氏粗角蟻 (Ooceraea biroi) ，近年成為探索螞蟻奧秘的主力。照論文的寫法，一開始目的很單純，就是把蛹從蟻巢中移出，看看孤獨對螞蟻有什麼影響。

被移出巢穴的蛹，羽化成蟲的比例有 90% ；即使周圍沒有同儕，絕大部分的蛹似乎也能成功轉大蟲。然而過程沒這麼簡單。

蛹在成功羽化的前幾天會黑化，論文觀察到當蛹開始黑化不久，也就是羽化的 6 天之前，每天都會分泌出液體。留著液體會害蛹被自己淹死，人為將液體移除，蛹才能順利羽化。

如果是在原本的蟻巢中，蛹排放的液體還來不及把自己淹死，就會慘遭黴菌入侵感染而亡。所幸慘劇實際上不會發生，因為成年螞蟻會將液體去除。

將藍色染劑注入蛹，一天後觀察到成蟻的消化道都出現藍染，可見蛹產生的液體，都隨即轉移進入前輩同儕的肚子。分析蛹產生的液體，得知營養十分豐富。

完全變態的昆蟲，從幼蟲到成蟲的過程中經過蛹的階段，將幼年的身體砍掉重練。螞蟻蛹分泌的液體顯然來自蛹期分解的身體，可謂原汁原味的液化螞蟻。這些容易吸收的成分，在巢穴中直接轉移給同類，毫不浪費。

這些幼體原汁原味形成的液體營養豐富，其他會化蛹的昆蟲也會產生類似的產物，為什麼不會把自己淹死，或是被黴菌感染？應該是由於那些昆蟲會將其回收利用，轉化為成年身體的建材。社會性生活的螞蟻卻是直接排放出去，變成其他個體的食物。

同時餵養更老與更小的同儕

成年螞蟻以外，蛹產生的液體也是寶寶的營養補充液。螞蟻幼蟲移動能力有限，成年螞蟻會將寶寶放到蛹的旁邊，方便它們液來伸口。沒有液體也能正常長大，不過有得吃的幼體，生長速度更快、存活率更高。

近來在台灣出名的紅火蟻（Solenopsis invicta）雖然兇狠，卻也是畢氏粗角蟻的菜單美食之一。有個實驗是給予紅火蟻和蛹，讓成年蟻選擇，結果大部份都優先將寶寶放在蛹旁邊，可見它們認為蛹提供的善液，是更佳的育幼食品。

換句話說，螞蟻在幼年階段到成年之間的蛹，同時支持更老與更小的同儕。

奧妙還不僅如此，和一般印象不同，畢氏粗角蟻沒有特定蟻后，也缺乏男生，所有成員皆為工蟻，再透過孤雌生殖進入生殖時期。

• 延伸閱讀：蟻生online上線：如何決定成為要生寶寶或是做工的螞蟻？

奇妙的是，蟻巢中處於不同階段的螞蟻，時程非常協調。當卵孵化出寶寶的一天後，蛹也開始分泌液體。也就是說寶寶從出生以後，馬上就能獲得營養補充液，概念實在很像哺乳動物的哺乳。

畢氏粗角蟻只是一種螞蟻，論文還調查螞蟻分類上其他 4 大群的成員，發現各種螞蟻的蛹都會分泌液體，而且內容物極為相似。由此推敲，這是螞蟻大家族的普遍現象，可能在眾蟻尚未分家之前已經存在。

螞蟻巢穴的內部循環如此協調，充分反映出社會性昆蟲的優點，但是同為社會性昆蟲的蜜蜂沒有。這應該是螞蟻演化為社會性的重要一步，卻不是其他社會性昆蟲的特徵。

想來也很奇妙。人們對螞蟻很熟，研究螞蟻、養螞蟻的人一大堆，可是這回報告的現象儘管普遍，卻只是首度被明確指出。我猜以前應該有人發現這件事，只是沒有深入鑽研。

等待探討的問題，無所不在，只要有心。

延伸閱讀

• 如何用CRISPR 技術，揭開螞蟻複雜社會行為之謎？——《科學月刊》
• 台灣紅火蟻防治司令部——王忠信與他的千軍萬「螞」
• 對抗紅火蟻新兵法：破解關鍵基因，讓工蟻對蟻后下剋上？

參考資料

1. Snir, O., Alwaseem, H., Heissel, S., Sharma, A., Valdés-Rodríguez, S., Carroll, T. S., … & Kronauer, D. J. (2022). The pupal moulting fluid has evolved social functions in ants. Nature, 1-7.
2. A fluid role in ant society as adults give larvae ‘milk’ from pupae
3. Anatomy of a superorganism: Ant pupae secrete fluid as ‘milk’ to nurture young larvae
4. Pupating ants make milk — and scientists only just noticed

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。

玩過今天的 Google Doodle 了嗎？為了慶祝世界地球日 50 週年，Google Doodle 以蜜蜂 (bee) 做為遊戲主角，讓大家體驗沾花粉與授粉的過程，並提供關於蜜蜂的小知識，就讓我們來了解一下吧！

大眼瞪小眼，此眼非彼眼

蜜蜂具有一對複眼 (compound eyes) 與三個小小的單眼 (ocelli)。其中，位於頭部兩側、又大又明顯的複眼是由許多的「小眼」(ommatidia) 單元所組合而成，每一個小眼上都具有角膜鏡 (corneal lens) 和晶錐 (crystalline cone)，能夠將光線集中並聚焦在數個延長、環狀排列的網膜細胞 (retinula cell) 上，而在小眼的中央則具有能夠接受光的感桿 (rhabdom) 構造。

由於小眼環狀排列的一叢視網膜細胞外圍被一圈吸光的色素細胞(pigment cell)所包圍，導致每個小眼獨立成像，並與相鄰的小眼分開來，而當所有小眼的影像加在一起時則可提供全景式的影像，便是所謂的聯立影像眼 (apposition eyes)。

至於在頭頂上、複眼之間則具有排列成三角形的三個小單眼，其最外層的透明表皮覆蓋在同樣透明的真皮細胞上，因此光線可以透過去並到達由許多感桿組成的網膜細胞上，然而由於進入單眼的光線聚焦在感桿之後，所以視網膜只能接收到模糊的影像。

單眼主要會整合大視野範圍的光線，對低強度的光或光的細微改變相當敏感，但並不具有高解析力，故通常作為飛行時控制上下左右搖擺的水平儀，和記錄與白晝行為節律相關的光強度週期變化。

女王大人高高在上

真社會性 (Eusociality) 高度發展的蜜蜂蜂群中通常會有蜂后 (queen)、工蜂 (worker)、雄蜂 (drone) 三個角色。蜂后與工蜂皆為雌性，蜂后體型較大，能夠產卵甚至抑制其他工蜂的生殖能力；而工蜂則負責建造蜂巢蜂室、搜尋獵物、守衛蜂巢與餵食幼蟲，至於雄蜂則會與蜂后交配，提供精子，由於其交尾器會在交尾後撕裂，雄蜂便會因而死亡。

誰知盤中飧，蜜蜜皆辛苦

外出的工蜂會採集花蜜，並將其收集在腸胃 (proventriculus or honey stomach) 當中。當工蜂回巢後，便會將花蜜吐出 (regurgitate) 並傳給內勤的工蜂，接著內勤的工蜂便會將花蜜消化並反覆的吸入再吐出，製造泡泡來增加表面積，好讓原先花蜜中高達 70~80% 的水分能夠慢慢蒸發，並藉由消化酵素將蔗醣水解為葡萄醣與果醣，同時分解掉其他澱粉與蛋白質，增加酸度。之後便會將蜂蜜存於巢中，藉由巢中的高溫與搧風，使得水分降低至 18% 左右，讓糖份濃度過飽和而能避免發酵 (fermentation) 後，便會以蜂蠟封存起來。

除了上述以外，Google Doodle 還提供了更多有關蜜蜂本身的知識，以及蜜蜂對自然生態的不可或缺，像是全世界有三分之二的農作與 85% 的開花植物都需要仰賴他們授粉，以及蜜蜂被科學家視為關鍵物種 (keystone species)，如果沒有他們的存在則可能整個生態系統將徹底崩潰等等，可見其無可取代的重要性。

那麼，在世界地球日 50 周年的今天，你對維持生態的蜜蜂們更加了解了嗎？

資料來源

• 昆蟲學概論，2015，原著 P.J.Gullan, P.S.Cranston，徐堉峰、林宗岐譯，合記圖書出版社
• 維基百科：Honey
• 行政院農業委員會蜜蜂主題館