一生只為一人傳情，卻被誤解了 16 年的波溫蘇鐵象鼻蟲

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

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。

被放大存在感的叫聲

春雨樹蛙的發聲方式，是從肺部抽入一陣氣流送向氣管內的聲帶，喉囊收到爆衝而來的聲音和氣流鼓脹起來，將聲音向四面八方播送出去。

緊接著彈性十足的氣囊把空氣送進肺部，春雨樹蛙因此不需要打開鼻孔吸氣，就能夠再叫一聲。兩棲動物沒有肋骨和橫膈膜，所以牠們靠核心肌群推送空氣，這些核心肌群的重量占雄蛙體重的百分之十五。

為什麼要這麼大費周章？ 一隻春雨樹蛙的叫聲可以傳到至少五十公尺外，方圓大約七千八百平方公尺內都聽得見。而牠的體長只有二．五公分，占用的地面也只有四平方公分。

透過叫聲，春雨樹蛙將自己在森林裡的存在感放大將近兩千萬倍，這還沒算上聲音往上傳送到枝頭聽眾的耳朵。聲音讓動物在複雜的環境裡找到彼此，促進物種繁衍，否則物種的傳承將會面臨考驗。

從陸地上的蛙類、昆蟲和鳥類，到大海裡的魚類、甲殼動物和海洋哺乳類，聲音通訊帶來諸多益處，間接幫助發聲動物完成各自在生態中所扮演的角色。

春雨樹蛙也有安全社交距離

春雨樹蛙不只宣揚牠的存在與所在，還透露牠的體型大小、健康狀態，或許還有個別身分。這些資訊是遠距社交的媒介。相互競爭的雄蛙在沼澤區彼此保持距離，降低面對面衝突的危險。

雌蛙不只藉此找到伴侶，還能評估對方，不需要冒著受傷或感染疾病的風險接近對方。因此，聲音增加了動物行為中身體距離與意思表達的細緻度，取代爭奪領域時的直接戰鬥，對潛在配偶的觀察也比耳鬢廝磨時更全面、更仔細。

當雌春雨樹蛙從落葉堆裡的冬季藏身處出來，一面等待充滿防凍糖分的身體回溫，一面根據聲音線索獲知繁殖沼澤的位置。她或許也還記得這片土地的輪廓與氣味，因為她已經在這處森林裡棲息兩年以上，吃著蜘蛛和昆蟲，才長成有繁殖能力的成蛙。

科學家研究其他蛙類發現，牠們有極佳的空間記憶和找路的能力，尤其擅長尋找繁殖地點。春雨樹蛙或許也是如此。雌蛙在記憶（當然還有聲音）的引導下，出發前往溼地。在她生命旅程的這個階段，聲音引導她前往潛在對象的所在。

如何增加尋覓配偶的準確度

繁殖鳴聲最原始的功能，可能就是為了在廣大的環境中找到伴侶。對於森林裡的嬌小動物而言，聲音方便牠們在幾分鐘內找到伴侶。

如果漫無目標以肉眼搜尋，恐怕要花上幾星期。某些物種也靠氣味軌跡覓偶，留下線索讓嗅覺靈敏的追求者跟隨，但聲音能傳得更遠，也更容易追蹤。

物種特有的聲音也增加尋覓配偶的準確度，降低被獵食的風險。尋找潛在配偶的過程也可能遇上掠食者。聲音遠距離表明身分，尋找配偶的危險性因此大幅降低。但有些掠食者會利用獵物的求偶信號，增加獵物誤認配偶身分的危險。例如澳洲的掠食螽斯會模仿母蟬的求偶聲，讓多情的公蟬自投羅網。

當雌蛙橫越森林地面抵達溼地，聲音的功能就改變了。現在她聆聽隱藏在個別聲音裡的資訊。雄蛙彼此相隔十到一百公分，所以她或緩行或游泳，穿過各種洪亮的鳴聲和鼓脹的喉囊。

大多數的叫聲是嗶，但如果雄蛙彼此距離太近，就會用粗嘎的哩對決，以聲音爭奪領域。有別於人類只有一片耳膜，雌春雨樹蛙的內耳跟所有蛙類一樣，有三簇對聲音靈敏的毛細胞。其中一簇毛細胞對應雄蛙的音頻，另一簇接收的頻率比較寬，可能是為了偵測森林的各種聲響，第三簇只接收低頻振動。

有趣的是，雄蛙的耳朵聆聽的音頻比牠們自己的叫聲來得高。也許是為了適應漫漫長夜的噪音，或者偵查更高頻的窸窣聲，辨識逼近的危險。另一種可能是，雄蛙的耳朵在尋找聲音結構的細微差異，藉此辨識周遭動物的身分。

牛蛙能辨認熟悉的叫聲，對陌生蛙類的反應比較強悍。雄春雨樹蛙能記住鄰居的攻擊性格，如果對方突然來勢洶洶，牠們就會哩哩喝斥。牠們也會跟鄰居輪唱，同步調整鳴叫的時間，變成一隻蛙帶頭，其他立即跟上，嗶，嗶嗶，嗶。

這種同步對唱有時會擴大為群體活動，每組最多五隻雄蛙，節奏幾乎一致。至於春雨樹蛙能不能辨認個別聲音，現階段我們還不清楚。

雌春雨樹蛙的擇偶條件

雌春雨樹蛙偏好響亮、快速重複的叫聲。演化於是依據這種偏好塑造嗶聲的強度和速度，從豌豆大小的肺臟激發出最大的聲響。在比冰點略高的溫度裡，雄蛙每分鐘大約叫二十聲。

而在溫和的夜晚，牠們嗶嗶叫的速度提高到每分鐘八十聲。不過，無論夜風沁涼或溫暖，總有某些雄蛙的叫聲比別人快上兩倍。雌蛙察覺這差異，於是朝叫聲比較快的那些游或跳過去，選中沼澤地裡最健康的雄蛙。

鳴叫是費力的活動，有些雄蛙一個晚上叫了一萬三千聲，每一聲都靠肌肉收縮提供力道，這些肌肉裡儲存的脂肪，供應了百分之九十鳴叫所需的能量。肌肉脂肪存量不足的雄蛙耐力比較差。

相較於軟弱無力的鄰居，叫聲迅猛的雄蛙通常比較重、比較年長，心臟比較大，血球裡的血紅素含量比較高，肌肉也儲存更多用來燃燒脂肪的酵素。牠們通常每晚出現，而不是整個春季偶爾露個臉。

繁殖後代的必要條件

她做出選擇，主動接近雄蛙，拍拍牠。在連串肢體動作後，雄蛙爬上她背部，前腿緊抱她頸子。雌蛙划過水面，把胡椒粒大小的卵黏附在水中的植被上，再以背上雄蛙的精子為每一顆卵子授精。

大多數蛙類把成團的卵堆在一起，春雨樹蛙卻不然，牠們一顆一顆安置，或許是為了避免被掠食者找到、一口氣吃光。將受精卵安置好以後，雌蛙和雄蛙轉身離開，放任受精卵自生自滅。

蝌蚪從父母身上得到的，只有卵黃的營養素和ＤＮＡ。雌蛙偏好極高速叫聲，可以讓她的基因跟強健雄蛙的基因結合，對她的後代有實質好處。短期內她自己也可能得到好處，也就是避免生病的雄蛙趴在她背上時把疾病傳染給她。

整個繁殖季當中，雌春雨樹蛙的產卵量高達上千枚。她消耗自己辛苦儲存的脂肪和營養素，給每一顆卵留下一份卵黃。早春食物匱乏，所以這些東西是在昆蟲繁多的溫暖秋天儲存下來的。

卵黃提供胚胎發育和蝌蚪孵化時所需的營養素。雄蛙的鳴叫也勞神費力，既消耗牠儲存的能量，也容易被掠食者察覺。牠的付出沒有為下一代提供食物或其他實質好處，卻讓雄蛙與雌蛙之間的溝通多了點真誠。

只有健康雄蛙的鳴叫能響亮、快速又持久。任何雄蛙都能輕鬆鳴叫，但這樣的叫聲音不會隱含有關體格與狀態的可靠訊息。

既然鳴叫的成本如此高昂，那麼春雨樹蛙的叫聲必然攜帶有價值的資訊。雌蛙利用聲音挑選配偶，藉此確保她選中的雄蛙的基因品質對她的後代有利。由於鳴叫附帶成本，雌蛙的偏好和雄蛙的鳴聲因此成為春雨樹蛙繁殖活動的核心。

這並非成本影響演化的一貫模式。春雨樹蛙身體（從趾端的吸盤到捕捉昆蟲的黏性舌頭）的構造沒有浪費能量和原料。但對於牠們的叫聲，成本卻是信號功能的關鍵。少了這些成本，整個溝通網絡就會瓦解。

那麼，鳴叫的成本有兩個相對的影響。對於行動緩慢又欠缺防衛力的物種，發出響亮聲響可能是自取滅亡。不管那聲音能傳遞多少有關鳴唱者的健康資訊，這樣的成本對所有聲音傳訊系統都太高昂。

但如果是能跳躍或飛離危險的物種，發聲的成本確保聲音有意義，因此受到演化偏愛。演化賦予春雨樹蛙的信號不至於極端到為牠們招致死亡，卻會讓春雨樹蛙費勁展現自身的活力。

——本文摘自《傾聽地球之聲》，2022 年 11 月，商周出版，未經同意請勿轉載。