殺害新英格蘭小海豹的元兇：新型禽流感

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

無法分辨成體和幼體的生物

小孩與大人不一樣。但是有些生物的幼體形態與成體型態相同。

舉例來說，鱷魚的幼體與成體幾乎長得一模一樣，剛破蛋而出的鱷魚寶寶已經具有完整的鱷魚外形，出生後逐年長大，巨大的鱷魚可以長達好幾公尺。不過鱷魚的成長速度在不同環境和溫度下不盡相同，光從大小無法判斷年紀，只看外形也無法分辨是成體或幼體。有些生物的成體和幼體的形態則相差甚遠，好比蝴蝶和蛙類；也有些生物的成體和幼體沒有太大區別，如同鱷魚。

這兩類生物的差別是什麼？

海葵就是幼體和成體相差很多的生物。海葵幼體是一種很像水母的生物，叫做「浮浪幼蟲」 。浮浪幼蟲在海中自由自在漂游，找到喜歡的岩石區時就會落腳，落腳後就不再移動，附著在岩石上長成海葵。移動是海葵幼體的重要任務，長大後的海葵則是肩負產卵留下子代的使命。

蛙類和蝴蝶的成體與幼體形態也各不相同，不過任務分配上與海葵不同，負責移動的是成體不是幼體。
由此可見，如果一個生物的幼體與成體各有不同任務，彼此的形態就不會相同，而沒有區分任務的生物就具有相同形態。

人類的大人與小孩 

我們人類又是什麼情況呢？ 

人類不會因為長大而生出翅膀或尾巴消失。人類的大人和小孩的外型非常相似，但並非完全相同的個體。舉例來說，嬰兒在我們眼中看起來就很可愛。

小孩子可愛的祕密在於他們的寬額頭。嬰兒的眼睛和鼻子集中在臉的下半部，額頭顯得很寬闊，寬額頭會使得整張臉看起來就惹人憐愛。而且嬰兒頭大、四肢短，整體感覺圓滾滾的，帶有人類大人不具備的「可愛感」。假如出現了一個比成年人更巨大的嬰孩，所有人應該還是能夠辨識出他是個嬰兒。人類不像鱷魚，我們不會分辨不出來誰是大人、誰是小孩。 

人類的大人和小孩具有不同的外型。除了人類，貓狗的寶寶也長得很可愛，即便是凶猛的獅子與灰狼，牠們的幼崽看起來還是很討喜。哺乳類動物的一大特徵，就是「幼體很可愛」。

嬰兒為什麼可愛？

哺乳類動物的嬰兒擁有可愛的外型。

人類出生後先是嬰兒，嬰兒長大是兒童，童年時期的人類依然保有他們的可愛，但是在長大的過程中卻會漸漸失去這種特質。

蛙類的成體和幼體雖然具有不同形態，但是蝌蚪並不是很可愛；蝴蝶小時候是毛毛蟲，反而比較多人覺得毛毛蟲噁心，只有少數人認為牠們可愛。 

既然如此，哺乳類動物的嬰兒為什麼會可愛？

原因就在於，嬰孩需要大人的保護。哺乳類動物具有育幼行為，牠們的子代需要親代的養育。小孩的可愛外形是為了獲得大人的保護。烏龜以堅硬的龜殼防身，毛毛蟲透過毒毛保護自己，而哺乳類動物的嬰兒則是把「可愛」當護身符。 

嬰兒的額頭很寬。為什麼額頭寬看起來就比較討人喜歡呢？因為大人的腦袋裡內建了寬額頭等於可愛的程式。 證據就是只要額頭寬，不管是不是嬰兒看起來都很萌。不過額頭寬並不是為了可愛。

如果說紅燈是「停止」的信號，寬額頭就代表「不可以攻擊」與「要保護他」的信號。

對於哺乳類動物來說，大人要保護小孩，小孩要被大人保護。大人與小孩的外型相似卻又不盡相同，因為他們肩負不一樣的任務。這樣說來，小孩的任務是什麼呢？小孩的任務很明確，就是「長大」。一個人要有健全的童年，才能成為健全的大人，這就是小孩的任務。

不過近年來人類的大人和小孩越來越難區別了。 總覺得不像小孩的小大人一直在增加，長不大的巨嬰也很多。

——本文摘自《生物轉大人的種種不可思議：每一種生命的成長都有理由，都值得我們學習》，2023 年 8 月，商周出版，未經同意請勿轉載。

長期以來，動物著色策略一直都是博物學家和哲學家感興趣的話題，甚至在 2000 多年前亞里士多德的《動物史》中也早已出現過相似的議題^[34]。在過去的幾個世紀中，科學家們開始認真探索動物顏色是如何產生的^[45]，並闡明它們可能的功能^{[11, 12, 57]}。

其中哺乳類的顏色一般都被認為是比較單調的^[8]，印象中雖然有看過五色鳥、變色龍和箭毒蛙等顏色鮮豔的動物了，但相比之下五顏六色的哺乳類確實難以想像，這不禁讓人思考是不是有哪些演化環節造成如此的差異？

本篇文章將以多元的觀點作切入，一步步探討為什麼哺乳類著色（coloration）會不夠豐富，並且梳理其中相關議題的脈絡。

什麼影響著色策略？

首先釐清這個問題必需要分成幾個層次。

• 發色機制

除了生物螢光（biofluorescence）外，所有動物顏色都是由兩種主要機制所產生的：（1） 色素著色以及 （2） 結構著色^[16]。

舉例來說，藍色顏料在自然界其實是稀缺的，大部分鳥類的藍色羽毛（如台灣藍鵲）就是利用結構著色，而不是藍色色素^{[2, 35, 42]}。

其中生物色素如類胡蘿蔔素（carotenoid），吸收光譜約為 400–500nm，能在動物體內產生紅色至黃色，而黑色素在所有可見波長範圍內都表現出高吸光度，真黑素（eumelanin）產生黑色至金色；棕黑素（phaeomelanin）產生淡黃色至淡紅色^{[21, 28, 36]}。

而不同於其他脊椎動物，目前除了洪都拉斯白蝙蝠（Ectophylla alba）能夠在皮膚中累積類胡蘿蔔素以外^[22]，大部分哺乳類都只能在皮膚與毛髮中產生黑色素^[7]。

• 視覺系統

再來必須意識到的是，我們人類所感知到的顏色與其他動物自己所感知到的顏色是兩回事。

生物的體色對於各式各樣的行為和演化研究非常重要，這些信號包括隱蔽（crypsis）、擬態（mimicry）、警戒色（warning coloration）、花果著色以及雌雄二型性（sexual dimorphism）等^{[4, 18]}。

對於這些特徵來說，真正重要的是這些信號的目標受眾的色覺（color vision），無論是捕食者、傳粉者還是潛在配偶等^[23]。所以有人就認為顏色不是物體的固有屬性，而是能感知它的生物體視覺系統屬性^[17]。

換句話說，根據動物光感受器的吸收光譜的不同，從物體反射的波長光譜將被感知為不同的顏色^{[17, 24]}。而關於色覺的差異，不同種類的視蛋白（opsins）就代表著不同的吸收光譜，然而在當代主要脊椎動物群中，四種視蛋白（代表四色視覺）是廣泛存在於各種鳥類、魚類和爬蟲類中的，但意外的是大部分哺乳類卻是雙色視覺^[6]。

重要的演化事件——夜行瓶頸（nocturnal bottleneck）

所以是什麼造成哺乳類與鳥類、爬蟲類的視覺差異？

• 時間背景

時間拉回到 2.5 億年前左右，哺乳動物最早是從三疊紀的獸孔目祖先演化而來，根據對化石證據的分析推斷，這些幾乎是夜行性的小型食蟲動物^[31]，關於這個現象有些議題會專注於討論視覺^{[50, 58]}，而有些會談地更全面^{[48, 60]}。具體的夜行瓶頸假說最初是由Menaker等人制定^{[20, 43]}，內容主要是推測一些類哺乳爬蟲類動物（合弓綱）在 P/Tr 事件（二疊紀／三疊紀滅絕事件）中倖存下來，並大約發展了 1.45 億年後形成了所謂的「中生代哺乳類」（圖1）。

• 生態背景

夜行瓶頸假說認為早期哺乳動物在中生代期間會面臨到日行性爬蟲類（主龍類，如恐龍）的競爭^{[10, 29, 43, 58]}，而這一系列的適應性變化使早期哺乳動物能不用受太陽輻射和環境溫度的限制下在夜間進行活動，並促進其內溫系統的發展^[23]。相對地，長期適應夜間活動可能使光感受器（photoreceptor）發生巨大變化，包括未充分利用之光感受器功能與紫外線保護機制的喪失^[23]。

• 視覺光感受系統

視錐細胞（cone cells）和視桿細胞（rod cells）內的感光色素皆是由視蛋白組成，而視蛋白基因可分為五個亞型：（sws1、sws2、rh1、rh2 和 lwS）^{[13, 59]}，它們的接收光譜範圍可以參考（圖2）。

儘管可能所有五種視蛋白基因早期都存在於合弓綱中，但隨著真獸下綱（eutherian）的演化輻射，視蛋白基因的多樣性就開始急劇減少了^[13]（圖1）。首先所有哺乳類祖先都丟失了 rh2 基因，雖然單孔目動物（鴨嘴獸和針鼴等）還是有保留著 sws1 基因，但是卻失去其功能，隨即真獸下綱也丟失了 sws2 基因，只剩 sws1 和 lwS 能表達^[13]，導致至今大部分的哺乳類都屬於雙色視覺 ^{[14, 56]}（表1）。

• 非視覺光感受系統

儘管在整個哺乳動物演化過程中，色覺的變化是被認為神經生態適應最經典的例子之一，但事實上夜行瓶頸在塑造非視覺光感受（non-visual photoreception）方面，也發揮了相當的影響力^[23]。其中黑視蛋白 （melanopsin，Opn4） 就扮演了非常重要的角色，它負責晝夜節律的光誘導及調節其他生理反應^[23]，例如：身體色素沉著的變化^[51]、瞳孔收縮^[38]、褪黑激素抑制^[39]、睡眠誘導^[40]及暗光運動^[19]（dark photokinesis^[註2]） 等。

黑視蛋白有 Opn4X 和 Opn4M 這兩種基因（Opn4M 是 Opn4X 的基因重複變體），它們廣泛存在於非哺乳動物脊椎動物中，但 Opn4X 在早期哺乳動物演化中丟失^{[3, 15]}（表1）。至於這兩個基因的差異並不明顯，主要在於組職表達模式的不同^[26]，且至今仍然沒有完全理解為什麼所有現存哺乳動物中保留的是 Opn4M 而非 Opn4X^[23]。

其他哺乳類的著色特例

• 舊世界猴

約 8–9 千萬年前第一批靈長類動物出現了^{[5, 54]}，雖然這些早期靈長類通常也被認為是夜行性的^[41]，但隨後有許多靈長類動物譜系開始漸漸適應白天活動。直至大約 3–4 千萬年前，不同於其他哺乳類，所有狹鼻小目（catarrhine primates，包含舊世界猴、猿類與人類）都藉由基因重複多產生了一個 LWS 基因^{[44, 9]}，而這種革新開始提供靈長類重新擁有了三色視覺的能力。例如山魈因此得以演化出藍色的臉譜，但牠們利用的原理是相干散射（coherently scattering）^[49]，而不是單純的色素。

2022/07/06 編按：
多出來的 LWS 基因只是感測綠色，和藍色的山魈臉譜沒關係，前後並沒有因果關係。

• 能生物螢光的哺乳類

生物螢光簡單來說就是生物將短波長的光吸收後並重新發射成長波長的光，與舊印象不同，有趨勢顯示越來越多哺乳類物種被發現能夠進行生物螢光，雖然生物螢光的生態功能與起源目前還有爭議，但可能與中新世古氣候及物種的生活型態具有密切關係^[25]。

目前已知的在紫外線下具有生物螢光毛皮的哺乳類物種中，全部都是夜行性的，其中包括：鴨嘴獸^[1]、美洲飛鼠屬 （ Glaucomys spp.）^[32]、跳兔（Pedetes capensis）^[46]和一些負鼠科 （ Didelphidae）物種^[47]。

• 非洲金鼴

非洲金鼴（Amblysomus hottentotus、Amblysomus septentrionals、Chrysochloris asiatica ＆ Eremitalpa granti）是一群撒哈拉以南特有的視力退化食蟲性穴居動物^[33]，牠們的毛髮具有特殊的虹彩（iridescent），能反射出藍綠色的高光，並且在電子顯微鏡下Snyder等人發現這些槳狀毛髮的超微結構^[53]，這構造除了能成色外還具有增加毛鱗耐磨性與減少摩擦力等功能，他們假設：因為缺乏視覺能力，非洲金鼴的虹彩既不是性擇的產物，也不可能起到偽裝的作用，唯一的可能就是毛髮在這種結構下能夠幫助非洲金鼴在地下移動時，減少在泥沙中的湍流，而毛髮的虹彩可能就只是演化下的副產品。

哺乳類的著色並沒有想像中的單調

雖然本篇的先入為主認為哺乳類的著色就是不豐富的，但如果論及花紋以及圖案了話，也有觀點是認為哺乳類的著色其實是很多樣的^[8]，況且如上面所提及的案例，就算以我們人類的視角，也有越來越多證據顯示某些哺乳類的顏色也沒那麼單調。正如前面所說的對於動物的著色而言，真正重要的是訊息的接受者，所以如果侷限於人類的視角了話，其實是難以了解其全貌的。

最後要提醒的是，即使夜行瓶頸影響了之後哺乳類的視覺系統，很多證據也顯示視覺與著色之間是有共演化關係的，特別是那些具有婚姻色或雌雄二型性的物種，但是對於隱蔽與偽裝色等來說，證據其實是有限的^[37,55]，更何況有如同非洲金鼴一樣的個案存在^[53]。所以總體而言，這算是一個還滿複雜的議題，某些時候在宏觀演化學上不一定有所謂的必然^[27]，演化並不是說一定會這樣發展或那樣發展，更多的其實是要看這些生物在一定時空間尺度下要如何應對及適應。

註解

1. 演化輻射指的是一個演化支多樣化的一個過程^[52]。
2. 暗光運動指的是動物在缺乏眼睛等感光器官下，所進行的隨機尋光行為^[19]。

1. Anich, P. S., Anthony, S., Carlson, M., Gunnelson, A., Kohler, A. M., Martin, J. G., & Olson, E. R. (2020). Biofluorescence in the platypus (Ornithorhynchus anatinus). Mammalia, 85(2), 179–181. doi: 10.1515/mammalia-2020-0027
2. Bagnara, J. T., Fernandez, P. J., & Fujii, R. (2007). On the blue coloration of vertebrates. Pigment Cell Research, 20(1), 14–26. doi:10.1111/j.1600-0749.2006.00360.x
3. Bellingham, J., Chaurasia, S. S., Melyan, Z., Liu, C., Cameron, M. A., Tarttelin, E. E., Iuvone, P. M., Hankins, M. W., Tosini, G., & Lucas, R. J. (2006). Evolution of Melanopsin Photoreceptors: Discovery and Characterization of a New Melanopsin in Nonmammalian Vertebrates. PLoS Biology, 4(8), e254. doi: 10.1371/journal.pbio.0040254
4. Bennett, A. T. D., Cuthill, I. C., & Norris, K. J. (1994). Sexual Selection and the Mismeasure of Color. The American Naturalist, 144(5), 848–860. doi: 10.1086/285711.
5. Bininda-Emonds, O. R. P., Cardillo, M., Jones, K. E., MacPhee, R. D. E., Beck, R. M. D., Grenyer, R., Price, S. A., Vos, R. A., Gittleman, J. L., & Purvis, A. (2007). The delayed rise of present-day mammals. Nature, 446(7135), 507–512. doi: 10.1038/nature05634
6. Bowmaker, J. K. (2008). Evolution of vertebrate visual pigments. Vision Research, 48(20), 2022–2041. doi: 10.1016/j.visres.2008.03.025
7. Bradley, B. J., & Mundy, N. I. (2008). The primate palette: The evolution of primate coloration. Evolutionary Anthropology: Issues, News, and Reviews, 17(2), 97–111. doi: 10.1002/evan.20164
8. Caro, T. (2005). The adaptive significance of coloration in mammals. BioScience 55(2), 125–136. doi: 10.1641/0006-3568(2005)055[0125:TASOCI]2.0.CO;2
9. Carvalho, L. S., Pessoa, D. M. A., Mountford, J. K., Davies, W. I. L., & Hunt, D. M. (2017). The Genetic and Evolutionary Drives behind Primate Color Vision. Frontiers in Ecology and Evolution, 5(34). doi: 10.3389/fevo.2017.00034
10. Crompton, A. W. (1980). Biology of the earliest mammals. In K. Schmidt-Nielsen, L. Bolis, & C. R. Taylor (Eds.), Comparative Physiology: Primitive Mammals (pp. 1–12).  New York, NY: Cambridge University Press.
11. Darwin, C. (1859). On the origin of species by means of natural selection. London, UK: Murray.
12. Darwin, C. (1871). The descent of man and selection in relation to sex. London, UK: Murray.
13. Davies, W. I, Collin, S. P., & Hunt, D. M. (2012). Molecular ecology and adaptation of visual photopigments in craniates. Molecular Ecology, 21(13), 3121–3158. doi: 10.1111/j.1365-294X.2012.05617.x
14. Davies, W. L., Carvalho, L. S., Cowing, J. A., Beazley, L. D., Hunt, D. M., & Arrese, C. A. (2007). Visual pigments of the platypus: A novel route to mammalian colour vision. Current Biology, 17(5), R161–R163. doi: 10.1016/j.cub.2007.01.037
15. Davies, W. L., Hankins, M. W., & Foster, R. G. (2010). Vertebrate ancient opsin and melanopsin: divergent irradiance detectors. Photochemical & Photobiological Sciences, 9(11), 1444. doi: 10.1039/c0pp00203h
16. Doucet, S. M., & Meadows, M. G. (2009). Iridescence: a functional perspective. Journal of The Royal Society Interface, 6(Suppl_2), S115–S132. doi: 10.1098/rsif.2008.0395.focus
17. Endler, J. A. (1978). A Predator’s View of Animal Color Patterns. Journal of Evolutionary Biology, 11(3), 319–364. doi: 10.1007/978-1-4615-6956-5_5
18. Endler, J. A. (1990). On the measurement and classification of colour in studies of animal colour patterns. Biological Journal of the Linnean Society, 41(4), 315–352. doi: 10.1111/j.1095-8312.1990.tb00839.x.
19. Fernandes, A., Fero, K., Arrenberg, A., Bergeron, S., Driever, W., & Burgess, H. (2012). Deep Brain Photoreceptors Control Light-Seeking Behavior in Zebrafish Larvae. Current Biology, 22(21), 2042–2047. doi: 10.1016/j.cub.2012.08.016
20. Foster, R. G., & Menaker, M. (1993). Circadian Photoreception in Mammals and Other Vertebrates. Light and Biological Rhythms in Man, 73–91. doi: 10.1016/b978-0-08-042279-4.50009-1
21. Fox, D. L. (1953). Animal Biochromes and Structural Colours. Amsterdam University Press.
22. Galván, I., Garrido-Fernández, J., Ríos, J., Pérez-Gálvez, A., Rodríguez-Herrera, B., & Negro, J. J. (2016). Tropical bat as mammalian model for skin carotenoid metabolism. Proceedings of the National Academy of Sciences, 113(39), 10932–10937. doi: 10.1073/pnas.1609724113
23. Gerkema, M. P., Davies, W. I. L., Foster, R. G., Menaker, M., & Hut, R. A. (2013). The nocturnal bottleneck and the evolution of activity patterns in mammals. Proceedings of the Royal Society B: Biological Sciences, 280(1765), 20130508–20130508. doi: 10.1098/rspb.2013.0508
24. Gerl, E. J., & Morris, M. R. (2008). The Causes and Consequences of Color Vision. Evolution: Education and Outreach, 1(4), 476–486. doi: 10.1007/s12052-008-0088-x
25. Gray, R., & Karlsson, C. (2022, February 6). 101 years of biofluorescent animal studies: trends in literature, novel hypotheses, and best practices moving forward. doi: 10.32942/osf.io/ub6yn.
26. Hauzman, E., Kalava, V., Bonci, D., & Ventura, D. F. (2019). Characterization of the melanopsin gene (Opn4x) of diurnal and nocturnal snakes. BMC evolutionary biology, 19(1), 174. doi: 10.1186/s12862-019-1500-6
27. Haufe, C. (2015). Gould’s Laws. Philosophy of Science, 82(1), 1–20. doi: 10.1086/678979
28. Hill, G. E. (2010). National Geographic Bird Coloration (Illustrated ed.). National Geographic.
29. Hut, R. A., Kronfeld-Schor, N., van der Vinne, V., & de la Iglesia, H. (2012). In search of a temporal niche. Progress in Brain Research, 199, 281–304. doi: 10.1016/B978-0-444-59427-3.00017-4
30. Jacobs, G. H. (2009). Evolution of colour vision in mammals. Philosophical Transactions of the Royal Society B: Biological Sciences, 364(1531), 2957–2967. doi: 10.1098/rstb.2009.0039
31. Kemp, T. S. (2005). The origin and evolution of mammals Oxford. UK: Oxford University Press.
32. Kohler, A. M., Olson, E. R., Martin, J. G., & Anich, P. S. (2019). Ultraviolet fluorescence discovered in New World flying squirrels (Glaucomys). Journal of Mammalogy, 100(1), 21–30. doi: 10.1093/jmammal/gyy177
33. Kuyper, M. A. (1985). The ecology of the golden mole Amblysomus hottentotus. Mammal Review, 15(1), 3–11. doi: 10.1111/j.1365-2907.1985.tb00379.x
34. Lennox, J. G. (2002). Aristotle: On the Parts of Animals I-IV (Clarendon Aristotle Series) (1st ed.). Clarendon Press.
35. Liao, S. F., Yao, C. Y., & Lee, C. C. (2015). Measuring and modeling the inconspicuous iridescence of Formosan blue magpie’s feather (Urocissacaerulea). Applied Optics, 54(16), 4979. doi: 10.1364/AO.54.004979
36. Lichtenthaler, H. K., & Buschmann, C. (2001). Chlorophylls and Carotenoids: Measurement and Characterization by UV-VIS Spectroscopy. Current Protocols in Food Analytical Chemistry, 1(1), F4.3.1–F4.3.8. doi: 10.1002/0471142913.faf0403s01 
37. Lind, O., Henze, M. J., Kelber, A., & Osorio, D. (2017). Coevolution of coloration and colour vision? Philosophical Transactions of the Royal Society B: Biological Sciences, 372(1724), 20160338. doi: 10.1098/rstb.2016.0338
38. Lucas, R. J., Douglas, R. H., & Foster, R. G. (2001). Characterization of an ocular photopigment capable of driving pupillary constriction in mice. Nature Neuroscience, 4(6), 621–626. doi: 10.1038/88443
39. Lucas, R. J., & Foster, R. G. (1999). Neither Functional Rod Photoreceptors nor Rod or Cone Outer Segments Are Required for the Photic Inhibition of Pineal Melatonin*. Endocrinology, 140(4), 1520–1524. doi: 10.1210/endo.140.4.6672
40. Lupi, D., Oster, H., Thompson, S., & Foster, R. G. (2008). The acute light-induction of sleep is mediated by OPN4-based photoreception. Nature Neuroscience, 11(9), 1068–1073. doi: 10.1038/nn.2179
41. Martin, R. D., & Ross, C. F. (2006). The Evolutionary and Ecological Context of Primate Vision. The Primate Visual System, 1–36. doi: 10.1002/0470868112.ch1
42. Mason, C. W. (1923). Structural Colors in Feathers. I. The Journal of Physical Chemistry, 27(3), 201–251. doi: 10.1021/j150228a001
43. Menaker, M., Moreira, L., & Tosini, G. (1997). Evolution of circadian organization in vertebrates. Brazilian Journal of Medical and Biological Research, 30(3), 305–313. doi: 10.1590/s0100-879×1997000300003
44. Nathans, J., Thomas, D., & Hogness, D. S. (1986). Molecular Genetics of Human Color Vision: The Genes Encoding Blue, Green, and Red Pigments. Science, 232(4747), 193–202. doi: 10.1126/science.2937147
45. Newton, I., Cohen, B. I., Einstein, A., & Whittaker, E. (2012). Opticks: Or a Treatise of the Reflections, Refractions, Inflections & Colours of Light-Based on the Fourth Edition London, 1730. Dover Publications.
46. Olson, E. R., Carlson, M. R., Ramanujam, V. M. S., Sears, L., Anthony, S. E., Anich, P. S., … Martin, J. G. (2021). Vivid biofluorescence discovered in the nocturnal Springhare (Pedetidae). Scientific Reports, 11(1). doi: 10.1038/s41598-021-83588-0
47. Pine, R. H., Rice, J. E., Bucher, J. E., Tank, D. H. J., & Greenhall, A. M. (1985). Labile pigments and fluorescent pelage in didelphid marsupials. Mammalia, 49(2). doi: 10.1515/mamm.1985.49.2.249
48. Pough, H. F., Heiser, J. B., & McFarland, W. N. (1989). Vertebrate Life (3rd ed.). Macmillan Coll Div.
49. Prum, R. O. (2004). Structural colouration of mammalian skin: convergent evolution of coherently scattering dermal collagen arrays. Journal of Experimental Biology, 207(12), 2157–2172. doi: 10.1242/jeb.00989 
50. Schwab, I. R. (2012). Evolutions witness: how eyes evolved. New York, NY: Oxford University Press.
51. Shiraki, T., Kojima, D., & Fukada, Y. (2010). Light-induced body color change in developing zebrafish. Photochemical & Photobiological Sciences, 9(11), 1498. doi: 10.1039/c0pp00199f
52. Simões, M., Breitkreuz, L., Alvarado, M., Baca, S., Cooper, J. C., Heins, L., … Lieberman, B. S. (2016). The Evolving Theory of Evolutionary Radiations. Trends in Ecology & Evolution, 31(1), 27–34. doi: 10.1016/j.tree.2015.10.007
53. Snyder, H. K., Maia, R., D’Alba, L., Shultz, A. J., Rowe, K. M. C., Rowe, K. C., & Shawkey, M. D. (2012). Iridescent colour production in hairs of blind golden moles (Chrysochloridae). Biology Letters, 8(3), 393–396. doi: 10.1098/rsbl.2011.1168
54. Springer, M. S., & Murphy, W. J. (2007). Mammalian evolution and biomedicine: new views from phylogeny. Biological Reviews, 82(3), 375–392. doi: 10.1111/j.1469-185x.2007.00016.x
55. Van der Kooi, C. J., Stavenga, D. G., Arikawa, K., Belušič, G., & Kelber, A. (2020). Evolution of Insect Color Vision: From Spectral Sensitivity to Visual Ecology. Annual Review of Entomology, 66(1). doi: 10.1146/annurev-ento-061720-071644
56. Wakefield, M. J., Anderson, M., Chang, E., Wei, K. J., Kaul, R., Graves, J. A. M., Grützner, F., & Deeb, S. S. (2008). Cone visual pigments of monotremes: Filling the phylogenetic gap. Visual Neuroscience, 25(3), 257–264. doi: 10.1017/S0952523808080255
57. Wallace A. R. (1889). Darwinism: an exposition of the theory of natural selection with some of its applications. London & New York: Macmillan.
58. Walls, G. L. (2016). The Vertebrate Eye and Its Adaptive Radiation (Classic Reprint). Fb&c Limited.
59. Yokoyama, S. (2000). Molecular evolution of vertebrate visual pigments. Progress in Retinal and Eye Research, 19(4), 385–419. doi: 10.1016/S1350-9462(00)00002-1
60. Young, J. Z., & Nixon, M. (1991). The Life of Vertebrates (3rd ed.). Oxford University Press.