世上最早的「小農」在這裡！菌蠹蟲與真菌缺一不可的共生農業

本文由 高柏科技 合作，泛科學撰文

林唯耕剛回台灣任教時，曾在清華大學的實驗室裡用一立方公分的「氨」做實驗。沒想到氨氣意外洩漏，那股刺鼻的氣味瞬間瀰漫整棟大樓，引來眾多師生抗議。

「從此以後，我再也不敢在實驗室裡用氨了。」他在《思想實驗室》的訪談中，帶著笑意回憶這段往事。

這段插曲聽來像是一則工程師的寓言：在理論模型中，氨是太空熱控系統的理想介質；但在現實的辦公大樓裡，它首先是逼人逃竄的臭味。公式本身沒有錯，但現實世界永遠比公式更複雜——它包含了人、成本、風險，以及必須為後果負責的工程師。

高柏科技技術專家、清華大學榮譽退休教授林唯耕 ，曾任職於美國 OAO 工程部熱流組，深耕電子構裝散熱與熱管技術多年。隨著 AI 浪潮席捲全球，他鑽研一輩子的老問題再次被推向科技產業的核心：當晶片運算速度無止境攀升，那股伴隨而生的熱，究竟該往哪裡去？

熱不會讀新品發表會

科技巨頭在發表會上熱衷於談論大型語言模型、GPU 規格與驚人的算力。這些詞彙在投影片上光鮮亮麗，彷彿進步毫無邊界。然而，每一次數位運算都紮實地發生在實體晶片上。晶片會發熱、材料會疲勞老化，一旦設備過熱，系統便會降頻保護。在物理現實面前，再動聽的發表會敘事也必須低頭。

回顧個人電腦發展早期，晶片幾乎不需專屬散熱元件。隨後，鋁製鰭片、風扇、熱管到均溫板逐一登場。這段歷程常被視為技術升級，其實更像是對空間的極限勒索：晶片功率翻倍，發熱源的面積卻沒變大，機箱空間也不可能無限擴張。

林唯耕指出，散熱設計的核心只有三要素：功率、熱源面積與空間限制。他舉例，在標準的 1U 機箱中，若發熱面積約為三十乘三十毫米，氣冷系統在達到八百瓦時就會面臨瓶頸。這並非固定的物理常數，而是取決於空間、面積與氣流的動態平衡。最現實的代價在於，風扇轉速提升的背後，是噪音、電力損耗與空間占用。

因此，「液冷技術」的興起並非單純為了追求酷炫，而是算力密度提升後的必然選擇。它能更精準地帶走晶片廢熱，卻也將新的挑戰帶入機房：漏液風險、流道堵塞、材料相容性，以及維運時的難度。工程的進步，本質上鮮少是徹底消滅問題，更多時候是選擇一組「比較值得承擔」的新問題。

太空教他的，不是把答案搬回地面

太空熱控工程之所以迷人，是因為它剝奪了地球上最常見的散熱工具。在真空宇宙中，沒有空氣能讓風扇製造對流；受光面溫度破百度，陰影處卻極度嚴寒。工程師必須純粹仰賴熱傳導、熱輻射，以及熱管與環路型熱管（LHP）來搬移熱能。

熱管運作的關鍵在於「相變」——液體蒸發時吸收大量潛熱，冷凝後重回循環。林唯耕比較了銅與水的熱傳導能力：在他設定的特定條件下，實心銅塊約能傳導 120 瓦的熱能；但若每秒有一立方公分的水發生蒸發相變，移熱量可瞬間拉升至 2.4 千瓦（kW）。他強調「每秒」的觀念，因為散熱談的是動態流動速率，而非靜態的冷卻魔法。

儘管如此，太空科技並不能直接套用到地面。太空元件因考量重量、功耗與維修難度，偏好無馬達幫浦的被動式設計；但地面 AI 伺服器面臨更高的熱負載與環境溫度，往往仍需幫浦驅動流量。當年那場「氨氣洩漏」事故正是最好的提醒：技術是否「先進」，與它是否「適合」當下的場景，始終是兩回事。

好論文，為什麼仍可能造不出好產品

學術研究致力於證明「可行性」，而工業現場則要求「可重複性」——不僅要能運作，還得確保每台出廠的設備都不漏水。林唯耕將此定義為「從 0 到 1」與「從 1 到 100」的差別。後者涉及良率、成本、公差與客戶信任。論文中那次最完美的實驗數據，在產線上往往未必管用。

他從不避談失敗。在高柏科技早期與學界合作時，也曾遇過實驗數據無法複製，或研究方向偏離產業需求。這未必是雙方努力不夠，而是彼此對「成功」的標準不同。為了解決這道鴻溝，高柏科技推動「柏苗啟航創新培育計畫」，每年投入逾千萬資金與成大、中山、台科大等校合作，並指派專業人才在過程中持續微調、校正，確保研發貼近產線現實。

他分享了近期一項液冷工質校正專案。團隊使用非侵入式的超音波流量計進行觀測，但由於儀器預設以「水」校正，換成其他化學流體後讀數便出現誤差。最初嘗試用幫浦壓差推算，卻發現缺乏重複性，數據甚至推導出不合理的蒸發率。最後團隊回歸基本面，改用秤重法搭配能量平衡進行交叉驗證，才讓數據成功收斂。

這個故事真正的價值不在於「產學雙贏」的口號，而在於那段不夠優雅的挫折：假設失效、數據混亂、方法砍掉重練。也正是在這種時刻，企業需要的不只是會算數的人才，而是能洞察研究何時「走鐘」，並有權力喊停、要求重來的關鍵決策者。

林唯耕坦言，過去在校園裡總認為「技術第一、成本第二」，進入商界後才驚覺行銷與信任關係往往才是關鍵。這番話雖然不如科技突破那樣動聽，卻是產品能否進入市場的殘酷真相。再卓越的散熱設計，若無法穩定生產或贏得客戶信任，也僅止於一份精美的報告。

AI 會給答案，誰來負責出貨？

訪談尾聲，主持人國威提出了一個時代難題：假設 AI 能在彈指間生成散熱架構、材料配方與流道設計，企業該選擇全面擁抱 AI 的速度，還是保留緩慢但穩定的工程驗證，以規避潛在的失效風險？

林唯耕拒絕落入二選一的框架。他的觀點是：兩者並存。AI 擅長處理資訊、生成草案；但工程師仍須實作原型，進行嚴苛的性能與可靠度測試，最終由人決定是否出貨。這並非盲目崇拜人類直覺，而是基於一項事實：AI 的資料庫裡，通常沒記載下一次「意外洩漏」或「材料疲勞」的細節，且模型永遠無法為量產結果擔負法律與商業責任。

在 AI 時代，最稀缺的未必是熟練下指令（Prompt）的人，而是具備這種能力的人：能預判答案可能在哪裡出錯、能設計實驗將問題「逼」出來，並且願意為最終的量產品質負起責任。

大眾習慣將雲端想像成輕盈、無重量的空間。但現實中，雲端是由龐大的機房架構而成，裡面裝滿了晶片、管線、泵浦與冷卻液。虛擬算力的每一次擴張，都會在實體世界留下發熱的足跡。散熱工程師的價值，就是不讓這筆物理帳單，被埋沒在光鮮亮麗的投影片背後。

• 本文轉載自《科技大觀園》，原文連結
• 何楷平｜科技大觀園特約記者

過去，養雞農得在半夜走進雞舍，靠耳朵分辨雞隻有沒有出現「囉音」（呼吸道疾病的特有聲音）；但農民時間有限，一天頂多進雞舍巡三次，而打噴嚏、咳嗽這類異常聲音，又常和背景噪音太相似、不夠明顯，「漏聽」幾乎在所難免。

如果有一套系統能全天候守在雞舍，不僅聽見異常聲音，還能透過影像觀察雞隻狀態、同步記錄體重，情況會不會有所不同？這正是「智慧監測走進畜牧業」的真實場景。

透過感測、影像辨識、聲音分析與 AI，畜牧養殖管理，已經逐步從仰賴人力巡視、憑經驗判斷，轉向以數據支撐的決策；智慧畜牧不只能提高生產效率，也能改善動物福利與整座牧場的生物安全。

本文從家禽到豬隻，採訪兩位長期投入智慧畜牧管理的研究者：國立中興大學生物產業機電工程學系蔡燿全副教授以及國立臺灣大學生物機電工程學系郭彥甫教授，探討科技如何成為畜牧業的最佳助手。

科技接手觀察，補上人力巡視極限

「如何客觀量化健康指標，其實相當困難。」蔡燿全副教授指出，人工巡視的限制，在於「人不可能一直在現場」。以雞舍為例，雞隻體重反映健康狀況，但用「肉眼估算」並不精準，原因出在羽毛會隨當下溫濕度蓬鬆變化；至於雞隻的消化道疾病，則要看肛門與糞便，但「異常聲音」要在夜深人靜的半夜靠「人耳」去分辨，這些都是雞農單靠人力會存在的侷限。

養豬也是。郭彥甫教授指出，過去豬農評估一欄豬的健康狀態，多半是走進去、用肉眼看一下，母豬花多少時間吃料、站立、有沒有在哺乳，無法精確量化判讀。

靠肉眼、人耳判讀，既消耗人力、又不夠精準，因此，智慧畜牧把這些工作交給機器，透過感測器接手觀察，目標在於「及早發現」。

以雞舍為例，機器讀的是「身體徵象」。

蔡燿全副教授指出，透過「家禽監測系統」，在雞舍裝設麥克風、攝影機與秤重平臺，把叫聲、雞冠與雞眼的顏色、體重，連同溫濕度、風速、氣體等環境資料，一併轉成可判讀的數據。

以體重為例，當雞隻走上秤重平臺，秤出幾隻的總體體重後，平台上方的攝影機，再以AI影像辨識方式，辨識出秤重平台上的雞隻數量，進而換算出雞隻的平均體重，更進一步的做法是，只要在雞舍中央架一臺主機，建立「影像輪廓對應實際重量」的關係，雞舍的其餘角落，只需由上往下拍的攝影機（不必裝設秤重平臺），單靠影像就能推算體重。這也同步解決了動物福利的問題：不必再人工抓雞懸掛量重，對雞隻的干擾降到最低。

在豬舍方面，機器讀的則是「行為與姿態」的動態變化。

郭彥甫教授指出，只要在母豬分娩欄後方架設攝影機，以機器視覺與深度學習，辨識母豬的姿態，量化牠花多少時間進食、站立與哺乳，同時逐隻追蹤欄內仔豬的移動，把狀態分成哺乳、休息與活動三類。當母豬把乳頭壓住、遲遲不讓仔豬吸奶，又不太進食，系統就能標記出這頭母豬已接近生病，整欄仔豬可能跟著吃不到奶、活動力下降。這些畫面，都讓長期被關在窄欄、行動受限的母豬處境，能夠直接被機器紀錄、透過數據化被豬農看見。

專家教會 AI 讀懂異常，監測從記錄升級為預警

但機器「看得到」只是第一步，「讀得懂」則要靠人與 AI 協作。

以豬舍的應用場景為例，郭彥甫教授指出，AI的機器學習過程，得先由「人」在影像裡，把豬一隻一隻單獨標註起來，累積上千張影像之後，提供給AI學習、訓練，確保AI能夠「讀懂」之後，之後就由機器接手，自動辨識每一隻豬；例如有些小豬在吃飼料、有些在喝水、有些在打架、互咬；郭彥甫教授指出，這套AI 辨識仔豬「日常行為」的準確率已達到91.36％，等於在100隻仔豬中，AI就能精準判讀出91.36隻的行為模式。

雞舍的場景也是同樣邏輯。蔡燿全副教授解釋，透過預先架設機器在雞舍，進行現場錄音，接著以濾波去掉雜訊、把聲音切成小段，再請專家逐段標註，哪些是正常叫聲、哪些是異常囉音，取出聲紋特徵之後，再餵給AI機器學習，訓練出辨識模型。

當機器學會判讀後，監測的價值就能直接從「記錄」，升級為「預警」。

舉例來說，雞舍的聲紋辨識系統，由於是24小時錄音，在農民尚未察覺、還沒記錄到異狀之前，系統就先發出「偵測到異音」的預警，不會等到農民到現場查看才發現。此外，影像辨識系統則可以預先偵測到人眼較難察覺的雞眼異常（雞眼異常後2至3天會出現較高死亡率），等於替農民爭取到提早3天處置的黃金時間。

預警換來實際效益。蔡燿全副教授表示，根據合作雞農的回饋，導入這項系統之後，育成率可提升約3％，因為透過系統24小時不間斷監控，農民更能做到「及早發現、及草治療」，提高雞隻「從飼養到出貨」生命週期的完整性。此外…….傳播途徑。蔡耀全副教授補充，傳統雞隻育成率大約落在80％，導入系統這幾年來，育成率持續提升，近年來已經逐步成長至85％至87％。此外，因為農民不再需要頻繁進出雞舍，也切斷了病原透過人腳、野鳥糞便帶入的傳播途徑。蔡耀全副教授補充，傳統雞隻育成率大約落在80％，導入系統這幾年來，育成率持續提升，近年來已經逐步成長至85％至87％。

豬舍也是。郭彥甫教授指出，量化母豬的姿態與哺乳行為，能夠提早判斷牠是否接近生病，另一方面，系統對仔豬群體活動力的追蹤，則讓農民能夠更早察覺「一頭母豬不好、整欄仔豬跟著受影響」的連鎖效應，進而提早做出相對應的準備措施。 科技帶來的好處，除了提前預警，減少人為疏漏，當農民的巡視工時下降、勞動強度減輕，也能間接讓更多青年農民，願意回鄉接手畜牧場。

技術到位、市場未到，智慧畜牧的應用挑戰

然而，儘管智慧畜牧的技術持續進步，但要真正落地應用並普及化，目前仍有待跨越的門檻。

「因為農民沒有 IT 部門。」蔡燿全副教授點出了智慧畜牧最大的門檻：推廣難度高。

他解釋，老一輩農民對科技熟悉程度較低，一旦網路不穩、甚至插頭沒插上的小狀況，原廠可能就得親自跑一趟畜牧場，服務成本相當高，再加上臺灣市場規模有限，負責落地推廣、技術轉移的農業科技公司，意願自然不高。

此外，「農民投入意願」也是一大門檻。「如果這個科技一定可以幫他賺到錢，他就會樂意接受。」郭彥甫教授觀察，豬農評估導入系統的關鍵，在於能不能幫他「賺到更多錢」，而非只是「節省時間和勞力」，「如果只是省下勞力，農民多半會傾向自己來、或是另外聘請人力。」臺灣雖然在2020年就從口蹄疫除名，但近年來面對周邊國家持續存在的非洲豬瘟等疫情風險，豬農對外部人員（智慧農業團隊、農業科技廠商等）進出格外謹慎，都讓智慧畜牧的應用落地，還需要更多溝通與推廣。

最後一道判斷留給人，「資料治理」智慧畜牧下一步

換句話說，智慧畜牧的技術本身，其實已經備妥，唯獨產業與市場的節奏，還需要時間跟上。

從雞舍到豬場，感測與 AI 接手了「看」這件過去只能靠人力與經驗撐著的工作，效率、動物福利與疫病防線，也因此被重新畫過一遍。

值得一提的是，兩位研究者不約而同都將「最後一道判斷」留給了人：雞隻該不該投藥、母豬難產怎麼處置，這類牽涉責任的決定，仍由農民與獸醫拍板，AI 負責的是更精準的監測、讓異常更及早被發現。

隨著愈來愈多養殖現場，開始累積這些數據，郭彥甫教授預測，「資料治理」將是畜牧業下一步的趨勢。他解釋，當養殖場規模擴大、不常親臨現場的經理人將更依賴簡單直觀的報表，掌握場內狀況；而這些累積下來的數據，還能推估產量、預估禽隻出場時機，同時對接市場價格，做出更合適的決策。

資料來源

1. 中興大學生物產業機電工程學系蔡燿全副教授
2. 臺灣大學生物機電工程學系郭彥甫教授

原文連結：https://pse.is/9k7pkt

• 前情提要：不存在的某櫛角菊虎？——分類學家偵探事件簿（一）
• 前情提要：沒有菜市場名這回事，分類學只允許一個「家豪」的存在！——分類學家偵探事件簿（二）
• 前情提要：怎麼把牠們當成一樣的物種！物種分類出錯怎麼辦？——分類學家偵探事件簿（三）

一般大眾或甚至其他領域生物學家們，對於基礎生物分類學家的刻板印象，無非是常常在顯微鏡下進行形態解剖比較來鑑定物種、描述並發表新物種，或者常常東跑西跑去採集標本，頂多是抽取遺傳物質進行 DNA 分析。然而一位稱職的分類學家，為了搞清楚物種學名的分類地位，將整個命名系統修訂成一個穩定並適合大家使用的狀態，往往需要做大量的歷史文獻，造訪各大博物館並進行模式標本考察，其中的繁瑣和複雜程度，往往令人出乎意料。

再讓我們複習一次模式標本是什麼和其重要性？

如果有閱覽過這系列的文章便會很清楚的知道，模式標本是物種發表時的實體存證，是學者對分類地位有疑慮時，用以判別的客觀證據。每個物種都有其模式標本，而每個屬也有其模式物種，是判定該屬別的決定性物種，模式種和模式標本是進行物種與屬別層級的基礎分類研究時，不可或缺的重要資訊。

這個故事的主角是一類來自南亞和東南亞的露兜樹象鼻蟲，本文將講述其模式標本和背後歷史脈絡的考察，以及我們對於分類處理過程的案例分享。

分布於南亞、東南亞的露兜樹象鼻蟲和研究緣起

露兜樹科（Pandanus）為分布於東半球的亞熱帶及熱帶地區的灌木或喬木植物，其中林投（Pandanus tectorius）具有抗風、耐鹽的特性，是常見的海岸防風定砂植物，而俗稱斑蘭葉（pandan）的七葉蘭（Pandanus amaryllifolius），則是東南亞常見的料理與糕點製作材料，而南亞和東南亞的露兜樹上棲息著一群黑色扁平的小型象鼻蟲——露兜樹象鼻蟲（Lyterius）。

而故事的緣起可追溯到 2022 年，當時筆者正在澳洲進行博士論文題目「澳洲蘇鐵授粉象鼻蟲的多樣性與演化」的研究，我們意外地發現澳洲的蘇鐵授粉象鼻蟲與東南亞產的露兜樹象鼻蟲親緣關係接近，因此我們便想進一步探究本類群的分類。在我們初步搜索模式標本時，我們驚奇地發現德國象鼻蟲學者延斯・普雷納博士 Dr. Jens Prena 似乎曾經有研究過這類象鼻蟲，出於好奇，我們聯繫了普雷納博士，進而開啟了本類群錯綜複雜的分類歷史考察之旅。

露兜樹象鼻蟲分類研究的現存問題

首先露兜樹象鼻蟲的分類問題分成兩個面向，一個是屬別層級的，而另一個是物種層級的。屬別層級的問題比較簡單，我們發現露兜樹象鼻蟲屬有三個相關的屬別，分別為 Lyterius Schönherr, 1844、Barisoma Motschulsky, 1863 和 Plaxes Pascoe, 1885，根據牠們形態的相似性和地理分布的重疊，我們認為牠們應該被合併成單一屬別，也就是說只要我們確認三個屬別的模式種都是屬於同一個屬別後，那自然我們就能依照優先權原則，把 1863 年發表的 Barisoma 和 1885 年發表的 Plaxes 處理為最早發表的 Lyterius 的同物異名。

但是！分類學研究最困難的就是這個但是！

我們雖然追蹤到 Barisoma 和 Plaxes 的模式種和其模式標本，但是 Lyterius 的模式種問題，卻將這個研究的難度拉向了另一個層面——也就是物種層級的問題。

模式標本來源和流向超級複雜的 Lyterius

Lyterius 這個屬別是由瑞典昆蟲學家卡爾・約翰・舍恩赫爾（Carl Johan Schönherr）於 1844 年所提出，並以 Rhynchaenus musculus Fabricius, 1802，這個 1802 年由丹麥昆蟲學家約翰・克里斯蒂安・法布里丘斯（Johan Christian Fabricius ）所發表的種類作為模式物種。他的合作對象瑞典昆蟲學家卡爾・亨利克・博赫曼（Carl Henrik Boheman）也在同一本書中使用了 Lyterius musculus (Fabricius, 1802) 這個學名組合，同時他將德國昆蟲學家弗里德里希・韋伯（Friedrich Weber）在 1802 年所描述的 Curculio abdominalis Weber, 1801 也拉進這個屬別，學名組合變成 Lyterius abdominalis (Weber, 1801) ，並且描述一個菲律賓的新物種 Lyterius instabilis Boheman in Schönherr, 1844 。這其中最為複雜難解的，便是 Lyterius musculus (Fabricius, 1802) 和 Lyterius abdominalis (Weber, 1801) 之間的關係了，因為這兩個物種的模式標本來源，都源自於達戈貝爾特・達爾多夫 Dagobert Karl von Daldorff 這位在俄羅斯出生，擁有德裔血統的丹麥博物學家，在 18 世紀末葉任職丹麥東印度公司時，於 1795 年在蘇門答臘的一次採集。

根據我們對於 19 世紀初期的歐洲甲蟲分類歷史文獻的爬梳，達爾多夫在蘇門答臘的標本被帶回歐洲後，應該至少被他贈與或交換給五位學者或機構，而這五位學者就包含剛剛提到的德國昆蟲學家弗里德里希・韋伯（Friedrich Weber），以及丹麥昆蟲學家約翰・克里斯蒂安・法布里丘斯（Johan Christian Fabricius），這兩位顯然同時對這批標本進行分類學研究。

令人存疑的 Lyterius abdominalis 和 Lyterius musculus

因此第一個疑點就是，韋伯和法布里丘斯分別在 1801 年和 1802 年用達爾多夫所採集的同一批蘇門答臘象鼻蟲標本，發表了後來在 1844 年被博赫曼放在同一個屬別的物種 Lyterius abdominalis 和 Lyterius musculus，這讓人很難不懷疑，這兩個名字會不會根本就是同一個物種，這在當年資訊不流通、分類研究還很粗淺的年代，是非常容易發生的事情。

而支持這樣想法的關鍵則有二，首先德國昆蟲學家約翰・卡爾・威廉・伊利格（Johann Karl Wilhelm Illiger）其實在 1805 年的著作中，就已經提出這兩個物種是同一個物種的論點了，然而這項分類處理卻被博赫曼在 1844 年的著作中，不明地忽略了。雖然博赫曼不小心遺漏了伊利格的分類處理，他卻也在看過兩種的模式標本後，在他那 1844 年的著作中，提出了兩個物種只不過是同一個物種的雄蟲和雌蟲的猜想，然而因為他手邊就只有兩隻標本，一隻是雄的 Lyterius abdominalis ，一隻是雌的 Lyterius musculus ，因此他無法下這個決定情有可原，而我們如今已經知道露兜樹象鼻蟲有很明顯的雌雄二形性，雄蟲的口喙比較短，且足部的前腳腿節有明顯的突起，博赫曼的猜想不證自明。

總而言之，從上述的歷史文獻爬梳，我們可以從

1. 韋伯和法布里丘斯研究的都是同一批蘇門答臘採集的標本
2. 同時代的伊利格和後來的博赫曼都直接或間接的認為 Lyterius abdominalis 和 Lyterius musculus 是同一個物種

來推斷，這兩個種類很有可能是同一個種類！

找不到模式標本啊！

在爬梳大量文獻後，我們同時也造訪歐陸各大標本蒐藏去尋找這些物種的模式標本下落。我們很幸運的在德國基爾的動物學博物館找到兩隻 Lyterius musculus 的總／群模式標本。然而，在尋找 Lyterius abdominalis 模式標本的過程中卻碰了壁，不管是文獻還是實際探訪，幾乎都找不到韋伯收藏的下落，韋伯所發表的模式標本有極大的可能已經遺失了，那要怎麼辦呢？

分類學家的決策

雖然沒辦法找到 Lyterius abdominalis 的模式標本，然而我們從以上的間接證據，可以合理相信 Lyterius abdominalis 和 Lyterius musculus 就是同一個物種。為了最適當的處理分類議題，穩定整個分類命名系統。我們使用了一個技術性的分類學處理，首先我們指定了 Lyterius musculus 的選模式標本，並且我們將「這一個」標本，再次的指定為 Lyterius abdominalis 的新模式標本，這個時候，這兩個學名便產生了動物命名法規上所謂的「客觀同物異名（objective synonym）」關係，相較於分類學家自行主觀認定的同物異名（主觀同物異名 subjective synonym ），客觀同物異名指的是用同一個標本發表不同學名的狀況，這樣這兩個名字無庸置疑的是同物異名關係，只有最早被發表的名字有優先權，因此我們的 Lyterius abdominalis (Weber, 1801) 獲得了優先被使用的地位，也成為露兜樹象鼻蟲屬的模式種。經由這一波操作，我們確立了 Lyterius 的模式和包含的物種，也因此我們終於能進一步處理剛剛提到的 Barisoma 和 Plaxes 的同物異名，最後我們可以大聲的說：露兜樹象鼻蟲屬的學名是 Lyterius Schönherr, 1844 ！

番外篇的 Plaxes 模式標本調查

另外一方面，我們在調查 Plaxes 的模式標本時，也發現到其模式種 Plaxes impar Pascoe, 1885 的總／群模式標本散落在英國倫敦自然史博物館、德國柏林自然史博物館、德國德勒斯登森肯堡博物館、義大利熱拿亞自然史博物館、澳洲國立昆蟲館，幾乎涵蓋了半個地球。這些標本可以分為來自婆羅洲砂拉越和蘇門答臘的標本，採自砂拉越的標本無疑是一個獨立的物種，我們也指定砂拉越的總／群模式標本為本種選模式標本。而來自蘇門答臘的標本，無獨有偶地都和 Lyterius abdominalis 是同一個物種，顯然這個物種在蘇門答臘當地是個常見的物種，這又再次加強我們上面提到的，達爾多夫所採集的同一批蘇門答臘象鼻蟲標本應該就只有一種露兜樹象鼻蟲的推測。

這個研究重新梳理了露兜樹象鼻蟲的分類歷史並考察了歷史文獻和模式標本，最終作出了適宜的分類學處理，為亞洲地區的象鼻蟲研究推進了一步。

• 本論文日前已經線上刊載於《動物分類群 Zootaxa 》
• 此文響應 PanSci 「自己的研究自己分享」，以增進眾人對基礎科學研究的了解。

參考資料

• Prena, J., Hsiao, Y., Oberprieler, R.G. (2023) New combinations and synonymies in the weevil genus Lyterius Schönherr (Coleoptera, Curculionidae), with a conspectus of historical works on Daldorff’s Sumatran beetles. Zootaxa 5380(1): 26-36. https://doi.org/10.11646/zootaxa.5380.1.2