想知道鯨魚健不健康？首先，你需要牠們的「鼻涕」！

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

恢復初始體重與延長健康壽命

身體的能量大多由細胞裡的能量工廠產生，也就是粒線體。這種能量以 ATP 的形式存在，用來驅動體內種種的生物過程，維持新陳代謝。攝取果糖後，身體會產生尿酸，對能量工廠造成氧化壓力，導致 ATP 產量減少，最後果糖所含的熱量會以脂肪和肝醣的形式儲存在體內。這個過程能幫助我們儲備能量，以因應食物不足的狀況。

生存開關活化所產生的氧化壓力，可能對細胞內的能量工廠和身體其他部位造成損害。在自然界中，這種氧化壓力通常為時短暫，能量工廠很快就會恢復正常運作。相對之下，現代人體內的生存開關卻是全年無休、火力全開。原本是為了生存而暫時抑制粒線體的能量產生，沒想到卻變成一種永久的枷鎖，並帶來嚴重的後果。

長期暴露在慢性氧化壓力中，會使能量工廠的結構發生變化。粒線體會變小，功能下降。即使在生存開關並未活化的狀況下，粒線體產生的能量也不復以往。這等於重新設定了新陳代謝的基礎值，降低能量的產生和使用，隨之而來的便是體重增加。因為身體現在認定減重前的體重才是正常，所以將體重減輕視為生存威脅，於是調整新陳代謝速率做為因應。這時，你的新陳代謝就成為你的敵人！

生存開關長期處於活化狀態，不只會影響體重和能量。現在更有證據指出，慢性或反覆出現氧化壓力，也會導致人體老化，於是皮膚出現皺紋，內臟器官緩慢磨損。所有的食物攝取，多少都會對能量工廠造成氧化壓力（第一章曾說過，減少熱量攝取可能延長壽命，原因可能正是在此）。然而，與其他營養相比，攝取果糖對粒線體造成的氧化壓力要大得多。

在我看來，若能在粒線體受到永久損傷之前，及早對肥胖症展開治療，效果最好。的確，我個人的經驗是，兒童和青少年的肥胖症比較容易治療，只需要改變飲食，減少攝取會活化生存開關的食物，因為年輕人仍然擁有大量功能正常的粒線體。相較之下，要治療肥胖症的長期患者挑戰就高得多，因為他們的能量工廠長期承受慢性的氧化壓力。然而，任務仍然可能達成，關鍵在於恢復粒線體。

要治療肥胖症，就得增加粒線體的產能

我們被「鎖定」在高體重和低能量的狀態，這聽來真是令人沮喪，但這種狀態並非不能改變，能量工廠是可復原的。基本上有兩大方法，首先，盡量減少對能量工廠的損害，讓它們有時間自然恢復。這種方法主要著重在中止生存開關持續活化。其次是積極修復能量工廠，甚或是增加生產粒線體，以彌補失去的數量。

在討論如何達成這兩項目標之前，我想先提供簡單的方法，讓你評估自己能量工廠的健康狀況：觀察自己的自然步態，也就是平時的行走速度。你可以記錄自己繞行附近一個街區的時間，同時佩戴計步器計算步數，然後算出每秒行走的步數和距離。另一種方法更簡單，只要記錄繞行街區的時間，將現在的時間與之後的時間進行比較，就能判斷粒線體的健康狀況是否改變。重點在於測量時要採行自然步態；換句話說，行走時請勿故意加快腳步。正常的步行速度約為每秒 1.2 公尺，但每秒 0.6 至 1.8 公尺都算正常範圍。我建議把目標設定為每秒 1.2 公尺以上。長期超重的人步行速度通常較慢，平均約為每秒 0.9 公尺。

研究顯示，自然步行速度與粒線體的品質呈現正相關，步行速度較快的人壽命較長，整體健康狀況也較好。步行速度減慢可能是因為骨骼肌疲勞增加，或 ATP 濃度低。值得注意的是，年輕超重者的步行速度往往與其他年輕人相似，但隨著年齡增長，超重者和正常體重者之間的步行速度差異會愈來愈大。

我鼓勵你去散步，評估你的自然步行節奏。這可幫助你深入了解減肥和維持體重的難易程度，不僅如此，長期監控自己的自然步行速度，還有助於評估體重控制的整體進展。

——本文摘自《大自然就是要你胖！》，2024 年 06 月，天下文化出版，未經同意請勿轉載。

• 文 胡潔曦｜黑潮海洋文教基金會 鯨豚保育研究員
• 本文轉載自黑潮海洋文化基金會《海洋綠洲——花紋海豚棲地利用分析》，歡迎喜歡這篇文章的朋友訂閱支持黑潮喔！

編按：海洋綠洲棲地利用調查截至 2023/10/19 共出航 56 趟調查、共計 435 小時，追蹤時間少於 30 分鐘的花紋海豚航跡將不會被納入此分析。

國際自然保護聯盟在 2016 年開始推動「海洋哺乳動物重要棲息地」（ Important Marine Mammal Areas, 下文將簡稱為 IMMAs ），以跨國界的尺度整合瀕危海洋哺乳動物的棲地分佈、移動路線與生存威脅等資料。截至 2022 年，世界上一共劃設了 200 多個 IMMAs（圖二），並且每年持續增加中！隨著能源轉型、貴金屬日益匱乏，新能源、採礦也漸漸由陸地發展到海洋，加上目前海上充斥著各式各樣的船隻、漁具、海洋廢棄物與各式汙染等。秉持「預防勝於治療」的精神，海洋綠洲第二階段的目標即是將東部海域的鯨豚生態資料彙整申請 IMMAs ，透過國際的認證，我們期望能喚起臺灣民眾、政府對鯨豚保育的重視。

要申請 IMMAs ，其中一項重要指標便是要瞭解鯨豚對於花蓮近海這片棲地是否具有休息、覓食與繁殖哺育的重要性，在這項指標下，我們鎖定了花蓮海域最常出現的老鄰居：花紋海豚（Grampus griseus）與飛旋海豚（Stenella longirostris），透過一年四季共 20 趟的調查，我們期望能瞭解長年在花蓮外海走跳的牠們，究竟在哪些區域哺育、繁殖、休息、覓食或社交，同時也希望藉由調查瞭解牠們的行為狀態是否會受到賞鯨、漁業活動的影響？在 2021 年 4 月的試航之後，我們正式展開了為期三年的調查，持續在海上蒐集資料；今年秋天的第一篇電子報，我們將要跟讀者分享這三年來在花紋海豚身上的新發現。

身為稱職的「護花使者」，不打擾的默默跟隨著！

棲地利用調查的範圍以鹽寮港為南界、和平溪口為北界，之間共劃設北、中、南三個重點調查區域（圖三），觀察花蓮近海最常見的飛旋海豚與花紋海豚的族群樣貌與行為狀態，為了要長時間追蹤鯨豚，一趟海上調查大約會落在 8 – 10 小時。

棲地利用的調查方法為「焦點群體採樣 Focal animal sampling 」，跟以往賞鯨點狀的紀錄不同，在海上我們的工作就像是「狗仔」，當我們在預計的重點調查區域範圍遇見飛旋海豚或花紋海豚時，我們會鎖定狀態較穩定的主要群體，以不影響鯨豚行為狀態的前提下，能跟同一群鯨豚多久就跟多久，最久甚至高達 7 小時呢！在調查過程中，辛苦的調查員們會記錄下牠們每 5 分鐘做了些什麼，同時海豚當下的泳向、下潛時間跟角度、個體間距與泳速等都會被詳盡地記錄下來，並搭配錄影、拍照作為判斷狀態的依據（表一）。為了要盡可能記錄鯨豚未受人為干擾的狀態，我們會盡量與鯨豚保持 200 公尺以上距離，用望遠鏡遠遠地觀察，只有最後蒐集水下聲音、拍攝特寫時才會靠近牠們。

下潛方式可以判斷花紋海豚準備要覓食？

在調查過程中我們有發現花紋海豚出現幾次嘗試覓食的行為——「魚雷式下潛」（圖五），這種下潛方式初次被描述於亞速爾群島（Azores）的研究，當地學者在花紋海豚身上裝置吸盤式資料蒐集器（Data TAG），發現花紋海豚魚雷式下潛時，能在短時間內更快地潛入深海，並且在下潛後，吸盤式資料蒐集器也有錄到花紋海豚搜尋獵物的喀答聲（Clicks）以及滋滋聲（Buzz），由於滋滋聲是齒鯨在最後嘗試覓食時會發出的，證明在魚雷式下潛過後，牠們有在水下嘗試覓食。而讓我們覺得振奮人心的是，我們居然也在花蓮近海紀錄到花紋海豚的魚雷式下潛，說明花紋海豚很有可能在這片海域覓食！

來點翻譯蒟蒻吧——看看花紋海豚都在做些什麼？

本次分析採用了 38 群花紋海豚，總共約 84 小時的調查航跡，並使用 3×3 km² 的網格¹ 分析各個行為狀態的使用區域。透過過去三年的資料來看，我們發現花紋海豚最常在花蓮近海游走，範圍主要在立霧溪以南至芭崎離岸約 15 公里的範圍內，並且在北邊也有少量高比例區域；至於第二常見的社交行為狀態，大略可以分為三個核心區域，由北至南分別是大濁水溪、崇德以及芭崎的外海離岸約 5 公里的範圍內；花紋海豚休息的位置主要位於立霧溪出海口約 7 公里以內的範圍；繞圈徘徊主要在七星潭外海、鹽寮外海約 7 公里以內的範圍；覓食則位在花蓮溪出海口至鹽寮外海約 10 公里以內的範圍。同時我們也發現目擊的花紋海豚群次，有 45.8 % 有出現母子對，而這也代表我們調查的範圍內是花紋海豚育幼的重要區域。

由於調查船追蹤鯨豚時，是平行地跟隨在鯨豚側邊，透過分析船隻追蹤期間的速度，我們也可以概略得知鯨豚的平均泳速。在分析追蹤群體的泳速後，我們發現花紋海豚整體泳速介於 0.5 – 4 節² ，繞圈徘徊的速度較快，介於 2 – 4 節；而在五種狀態中最慢的為休息，介於 1.2 – 3 節間；覓食跟游走的速度範圍廣，介於 0.5 – 4 節。我們也希望可以了解花蓮近海頻繁的賞鯨活動是否對花紋海豚會造成影響？透過獨立出賞鯨船靠近的航跡，我們發現泳速並無太多變化，但在少數賞鯨船靠近的經驗中，我們發現群體的行為狀態會有些變化，例如群體泳向變得不一致、或賞鯨船離開後群體變得更加分散，甚至也有最後下潛離開的案例。

透過棲地利用分析，我們初步瞭解了花蓮近海花紋海豚的關鍵生命週期活動，同時也發現到部分花紋海豚群體有受到賞鯨船的影響，未來我們將會彙整這些分析的數據，並對於保育策略提供更實際的經營管理建議，同時根據本次分析成果，我們也呼籲讀者支持提倡友善賞鯨的商家，讓花蓮近海的老鄰居們持續優游於此。海洋綠洲棲地利用調查需要長時間且耐心的觀察，能累積到今日的成果，我們要向所有參與調查的調查員、合作的船家以及船長表示最誠摯的感謝，同時我們也感謝捐款支持黑潮的企業、民眾、和政府單位，讓海洋綠洲計畫能夠順利執行。

註解

1. 我們在分析前將花蓮近海切成棋盤方格狀的「網格」，分析每一格中各個狀態所佔的百分比。 ↩︎
2. 「節（Knot）」為速度單位， 1 節等於 1 海里/小時、或 1.852 公里/小時。 ↩︎

參考資料

1. Baker, Isabel & O’Brien, Joanne & McHugh, Katherine & Berrow, Simon. (2017). An Ethogram for Bottlenose Dolphins (Tursiops truncatus) in the Shannon Estuary, Ireland. Aquatic Mammals. 43. 594-613. 10.1578/AM.43.6.2017.594.
2. Visser, Fleur & Hartman, Karin & Rood, Ente & Hendriks, Arthur & Zult, Daan & Wolff, Wim & Huisman, Jef & Pierce, Graham. (2010). Risso’s dolphins alter daily resting pattern in response to whale watching at the Azores. Marine Mammal Science. 27. 366 – 381. 10.1111/j.1748-7692.2010.00398.x.
3. Affinito, F., Olaya Meza, C., Akkaya Bas, A., Brill, D., Whittaker, G., & Capel, L. (2019). On the behaviour of an under-studied population of bottlenose dolphins in the Southern Adriatic Sea. Journal of the Marine Biological Association of the United Kingdom, 99(4), 1017-1023. doi:10.1017/S0025315418000772
4. Visser, F., Keller, O. A., Oudejans, M. G., Nowacek, D. P., Kok, A. C. M., Huisman, J., & Sterck, E. H. M. (2021) Risso’s dolphins perform spin dives to target deep-dwelling prey. Royal Society. 　https://doi.org/10.1098/rsos.202320
5. Mann, J. (1999). Behavioral sampling methods for cetaceans: A review and critique. Marine Mammal Science, 15(1), 102–122. https://doi.org/10.1111/j.1748-7692.1999.tb00784.x
6. 游文志. 2000. 花蓮縣石梯海域賞鯨船對鯨豚行為之影響。國立東華大學自然 資源管理研究所 碩士論文。59pp。