【Gene思書齋】生物與非生物之間－生命是最精彩的推理小說

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

人對自身歷史的好奇歷久彌新。最近十年古代 DNA 研究大行其道，光是發表於 Cell、Nature、Science 的論文就多到要辛苦讀完，加上其他期刊更是眼花撩亂。「古代遺傳學」的衝擊毋庸置疑，開創者帕波（Svante Pääbo）足以名列歷史偉人；然而，得知 2022 年諾貝爾生理或醫學獎由他一人獨得 ，還是令人吃驚——諾貝爾獎竟然會頒給人類演化學家？

諾貝爾獎有物理獎、有化學獎，但是沒有生物學獎，而是「生理或醫學獎」。帕波獲獎的理由是：「發現滅絕人類的基因組以及研究人類演化」。乍看和生理或醫學沒有關係，深入思考……好像還真的沒有什麼關係。

偷用強者我朋友的感想：「應該就是選厲害的。第一個和生理或醫學無關的生理或醫學獎得主，聽起來滿屌的」。

帕波直接的貢獻非常明確，在他的努力下，重現消失數萬年的尼安德塔人（Neanderthal）基因組。他為什麼想要這樣做，過程中經歷什麼困難，發現又有什麼意義呢？

喜愛古埃及的演化遺傳學家

帕波公元 1955 年在瑞典出生，獲獎時 67 歲。他從小對古埃及有興趣，大學時選擇醫學仍不忘古埃及，但是一生都在追求新奇的帕波，嫌埃及研究的步調太慢，後來走上科學研究之路。1980 年代初博士班時期，他使用當時最高端的分子生物學手段探討免疫學，成果發表於 Cell 等頂尖期刊，可謂免疫學界的頂級新秀。

然而，他始終無法忘情逝去的世界。1984 年美國的科學家獲得斑驢的 DNA 片段，轟動一時。斑驢已經滅絕一百年，能夠由其遺骸取得古代 DNA，令博士生帕波大為震撼。他很快決定結合自己的專業與興趣，嘗試由古埃及木乃伊取得 DNA，並且獨立將結果發表於 Nature 期刊。

博士畢業後，帕波義無反顧地轉換領域，遠渡美國追隨加州柏克萊大學的威爾森（Allan Wilson）。威爾森在 1970 年代便開始探討分子演化，後來又根據不同人類族群間粒線體 DNA 的差異，估計非洲以外的人群，分家只有幾萬年，支持智人出非洲說。

帕波正式投入相關研究後意識到，從古代樣本取樣 DNA 的汙染問題相當嚴重。這邊「汙染」的意思是，並非抓到樣本內真正的古代 DNA 目標，而是周圍環境、實驗操作者等來源的 DNA；包括他自己之前的木乃伊 DNA，很可能也不是真正的古代 DNA。另一大問題是，生物去世後 DNA 便會開始崩潰，經歷成千上萬年後，樣本中即使仍有少量遺傳物質殘存，含量也相當有限。

帕波投入不少心血改善問題。例如那時新發明的 PCR 能精確並大量複製 DNA，他馬上用於自己的題目（更早前是利用細菌，細菌繁殖時順便生產 DNA）。多年嘗試後，他決定放棄埃及木乃伊（埃及木乃伊的基因組在 2017 年成功），改以遺傳與智人差異較大的尼安德塔人為研究對象。

取得數萬年前尼安德塔人的 DNA

根據現有的證據，尼安德塔人是距今約 4 萬到 40 多萬年前的古人類。確認為尼安德塔人的第一件化石，於 1856 年在德國的尼安德谷發現，並以此得名（之前 2 次更早出土化石卻都沒有意識到）。這是我們所知第一種，不是智人的古代人類（hominin）。

• 延伸閱讀：直布羅陀，第二位尼安德塔人Forbes’ Quarry的DNA

對於古人類化石，一百多年來都是由考古與型態分析。帕波帶著遺傳學工具投入，不但增進考古和古人類學的知識，也拓展了遺傳學的領域。他後來前往德國的慕尼黑大學，幾年後又被挖角到馬克斯普朗克研究所，領導萊比錫新成立的人類演化部門，多年來培養出整個世代的科學家，也改變我們對人類演化的認知。

帕波在 1996 年首度取得尼安德塔人的 DNA 片段，來自粒線體。他為了確認結果，邀請一位美國小女生重複實驗，驗證無誤，她就是後來也成為一方之霸的史東（Anne Stone）。比較這段長度 105 個核苷酸的片段，尼安德塔人與智人間的差異，明顯超過智人與智人。

然而，粒線體只有 16500 個核苷酸，絕大部分遺傳訊息其實藏在細胞核的染色體中。想認識尼安德塔人的遺傳全貌，非得重現細胞核的基因組。

可是一個細胞內有數百套粒線體，只有 2 套基因組，因此粒線體 DNA 的含量為細胞核數百倍；而且染色體合計超過 30 億個核苷酸，數量無比龐大。可以說，細胞核基因組可供取材的 DNA 量少，需要復原的訊息又多，比粒線體更難好幾個次元。

方法學與時俱進：從 PCR 到次世代定序

一開始，帕波與合作者使用 PCR，但是帕波知道這是死路一條。取樣 DNA 會破壞材料，尼安德塔人的化石有限；PCR 一次又只能復原幾百核苷酸，要完成 30 億的目標遙遙無期。

帕波持續努力克服難關。2000 年人類基因組首度問世，採取「霰彈槍」定序法，大幅提升效率；也就是將 DNA 序列都打碎，一次定序一大堆片段，再由電腦程式拼湊。帕波因此和 454 生命科學公司合作，改用新的次世代定序法，偵測化石中的古代 DNA。2006 年發表的論文可謂里程碑，報告次世代定序得知的 100 萬個尼安德塔人核苷酸，足以進行一些基因體學的分析。

帕波當時在美國的合作者魯賓（Edward Rubin）持續使用 PCR，雙方分歧愈來愈大，終於分道揚鑣。所以很可惜地，2010 年尼安德塔人基因組論文發表時，魯賓沒有參與到最後。這是人類史上第一次，取得滅絕生物大致完整的基因組，也是帕波獲頒諾貝爾獎的直接理由。

鐵證：尼安德塔人與智人有過遺傳交流

這份拼湊多位尼安德塔人的基因組，儘管品質不佳，卻足以解答一個問題：尼安德塔人與智人有過混血嗎？答案是有，卻和本來想的不一樣。尼安德塔人沒有長居非洲，主要住在歐洲、西南亞、中亞，也就是歐亞大陸的西部。假如與智人有過混血，歐洲人應該最明顯。結果並非如此。

帕波的組隊能力無與倫比，他廣邀各領域的菁英參與計畫，不只取得 DNA 資料，也陸續研發許多分析資料的手法，其中以哈佛大學的瑞克（David Reich）最出名。

分析得知，非洲以外，歐洲、東亞、大洋洲的人，基因組都有 1% 到 4% 能追溯到尼安德塔人（後來修正為 2% 左右）。所以雙方傳承至今的混血，發生在智人離開非洲以後，又向各地分家以前；並非尼安德塔人主要活動的歐洲。

首度由 DNA 定義古代新人類：丹尼索瓦人

復原古代基因組的工作相當困難，不過引進次世代定序後，從不可能的任務降級為難題，尼安德塔人重出江湖變成時間問題。出乎意料，同樣在 2010 年，帕波戰隊又發表另外 2 篇論文，描述一種前所未知的古人類：丹尼索瓦人（Denisovan）。不是藉由化石，而是首度由 DNA 得知新的古代人種。

丹尼索瓦人得名於出土化石的遺址（地名來自古時候當地隱士的名字），位於西伯利亞南部的阿爾泰地區，算是中亞。帕波對這兒並不陌生，之前俄羅斯科學家在這裡發現過尼安德塔人化石，而且由於乾燥與寒冷，預計化石中的古代 DNA 保存狀況應該不錯。

帕波戰隊對丹尼索瓦洞穴中的一件小指碎骨定序，首先拼裝出粒線體，驚訝地察覺到這不是智人，卻也不是尼安德塔人，接下來的細胞核基因組重複證實此事。它們變成前後 2 篇論文，帕波出名的不喜歡物種爭論，不使用學名，所以直稱其為「丹尼索瓦人」。

還有幾顆丹尼索瓦洞穴出土的牙齒也尋獲粒線體，而且這些臼齒特別大，型態前所未見。奇妙的是，丹尼索瓦人粒線體、基因組的遺傳史不一樣；和智人、尼安德塔人相比，尼安德塔人的粒線體比較接近智人，細胞核基因組卻比較接近丹尼索瓦人。

這反映古代人類群體間的遺傳交流相當複雜，不只是智人、尼安德塔人，也不只有過一次。後來又在丹尼索瓦洞穴發現一位爸爸是丹尼索瓦人、媽媽是尼安德塔人的混血少女，更是支持不同人群遺傳交流的直接證據。

• 延伸閱讀：首度發現！媽媽是尼安德塔人、爸爸是丹尼索瓦人的混血中二少女

回溯分歧又交織的人類演化史

重現第一個尼安德塔人基因組後，帕波戰隊持續改進定序與分析的技術，也獲得更多樣本，深入不同族群的分家年代、彼此間的混血比例等問題，新知識不斷推陳出新。

丹尼索瓦人方面，如今仍無法確認他們的活動範圍，不過很可能是歐亞大陸偏東部的廣大地區。一如尼安德塔人，丹尼索瓦人也與智人有過遺傳交流。

最初估計某些大洋洲人配備 4% 到 6% 的丹尼索瓦人血緣，後來修正為 2% 左右（不同方法估計的結果不一樣，總之和尼安德塔血緣差不多）。不同智人具備丹尼索瓦 DNA 的比例差異頗大，某些大洋洲人之外，東亞族群也具備些許，歐亞大陸西部的人卻幾乎沒有。

至今年代最古早的人類 DNA，來自西班牙的胡瑟裂谷（Sima de los Huesos），距今 43 萬年左右（最早的是超過一百萬年的古代象，由受到帕波啟發的其餘團隊發表）。根據 DNA 特徵，胡瑟裂谷人的細胞核基因組更接近尼安德塔人，可以視作初期的尼安德塔人族群。然而，他們的粒線體卻更像丹尼索瓦人。

帕波開發的研究方法，不只針對消逝的智人近親，也能用於古代智人與其他生物，累積一批數萬年前智人的基因組。釐清近期的混血事件外，還能探討不同人群當初分家的時期。估計尼安德塔人、丹尼索瓦人約在 40 多萬年前分家，他們和智人的共同祖先，又能追溯到距今 50 到 80 萬年的範圍。

智人何以為智人？遠古血脈的傳承，磨合，新適應

消逝幾萬年的尼安德塔人、丹尼索瓦人，皆為智人的極近親。由於數萬年前的遺傳交流，仍有一部分近親血脈流傳於智人的體內。這些血脈經過數萬年，早已融入成為我們的一部分。

智人的某些基因與基因調控，受到遠古混血影響。最出名的案例，莫過於青藏高原族群（圖博人或藏人）的 EPAS1 基因繼承自丹尼索瓦人，比智人版本的基因更有利於適應缺氧。另外也觀察到許多案例，與免疫、代謝等功能有關。

近年 COVID-19（武漢肺炎、新冠肺炎）席捲世界，觀察到感染者的症狀輕重受到遺傳差異影響；其中至少兩處 DNA 片段，一處會增加、另一處降低住院的機率，都可以追溯到尼安德塔人的遠古混血。

非洲外每個人都有 1% 到 2% 血緣來自尼安德塔人，不同人遺傳到的片段不一樣。將不同智人個體的片段拼起來，大概能湊出 40% 尼安德塔人基因組（不同算法有不同結果），也就是說，當初進入智人族群的尼安德塔 DNA 變異，不少已經失傳。

失傳可能是機率問題，某一段 DNA 剛好沒有智人繼承。但是也可能是由於尼安德塔 DNA 變異，對智人有害或是遺傳不相容，而被天擇淘汰。遺傳重組之故，智人基因組上每個位置，繼承到尼安德塔變異的機率應該差不多；可是相比於體染色體，X 染色體的比例卻明顯偏低；這意謂智人的 X 染色體，不適合換上尼安德塔版本。

• 延伸閱讀：追溯丹尼索瓦人與尼安德塔人，在智人族群留下的遺傳線索

智人之所以異於非人者幾希？藉由比較智人的極近親尼安德塔人，能深入思考這個大哉問。是哪些遺傳改變讓智人誕生，後來又衍生出什麼不可取代的遺傳特色？另一方面也能反思，某些我們以為專屬智人的特色，其實並非智人的專利。

分析遺傳序列，畢竟只是鍵盤辦案，一向雄心壯志的帕波，當然想要更進一步解答疑惑。比方說，尼安德塔人、智人間某處 DNA 差異對神經發育有什麼影響？體外培養細胞、模擬器官發育的新穎技術，如今也被帕波引進人類演化學的領域。

• 延伸閱讀：短篇 比起智人，尼安德塔人痛覺可能更敏感？

瑞典與愛沙尼亞之子，德國製造，替人類做出卓越貢獻的人

回顧完帕波到得獎時的精彩成就，他的工作與生理或醫學有哪些關係，各位讀者可以自行判斷。我還是覺得沒什麼直接關係，如遠古混血影響病毒感染的重症機率這種事，那些 DNA 變異最初是否源自尼安德塔人，其實無關緊要。不過多少還是有些影響，像是為了研究古代基因組而研發出的基因體學分析方法，應該也能用於生醫領域。

帕波 2014 年時發表回憶錄《尋找失落的基因組》，自爆許多內幕。台灣的翻譯出過兩版，可惜目前絕版了。我在 2015 年、2019 年各寫過一篇介紹。書中有許多值得玩味之處，不同讀者會看到不同重點，有興趣可以找來閱讀，看看有什麼啟發。

• 延伸閱讀：《尼安德塔人：尋找失落的基因組》-科學界30年第一手內幕揭秘
• 延伸閱讀：請給我一些錢、機器，跟尼安德塔人骨頭－《尋找失落的基因組》＋《每個人的短歷史》 

主題是諾貝爾獎就不能不提，帕波得獎也讓諾貝爾新添一組父子檔，他的爸爸伯格斯特龍（Sune Karl Bergström）是 1982 年生理或醫學獎得主。為什麼父子不同姓？因為他是隨母姓的私生子，父子間非常不熟。

他的媽媽卡琳．帕波（Karin Pääbo）是愛沙尼亞移民瑞典的化學家，2007 年去世前曾在訪問提及，她兒子在 13、14 歲時從埃及旅遊回來，對科學產生興趣。帕波獲頒諾貝爾獎後受訪提到，可惜媽媽已經去世，無法與她分享榮耀。移民異國討生活的單親媽媽，能夠養育出得到諾貝爾獎的兒子，也可謂偉大成就。

人類演化的議題弘大淵博，但是究其根本，依然要回歸到一代一代的傳承。每個人都無比渺小，卻也是全人類中的一份子，親身參與其中。諾貝爾生理或醫學獎 2022 年的頒獎選擇，乍看突兀，仔細思索卻頗有深意。帕波的研究也許很不生理或醫學，卻再度強化諾貝爾奬設立的精神：「獎勵替人類做出卓越貢獻的人」。

• 帕波得獎後接受電話訪問：

延伸閱讀

• 請給我一些錢、機器，跟尼安德塔人骨頭－《尋找失落的基因組》＋《每個人的短歷史》 
• 《尼安德塔人：尋找失落的基因組》-科學界 30 年第一手內幕揭秘
• 不用觀落陰，DNA 帶你重回人類大歷史現場 ——古代 DNA 追追追（上）
• 啊~ 追著你的人、追著你從哪來、追著你的發展歷史——古代 DNA 追追追（下）
• 想重現侏儸紀公園？先征服古代 DNA 的種種難題！
• 人類祖源懶人包
• 人類古代 DNA 懶人包，2021 年
• 克羅馬儂人是什麼人？尼安德塔人跟智人是不是同種？
• 直布羅陀，第二位尼安德塔人 Forbes’ Quarry 的 DNA
• 住在中亞 Chagyrskaya 的尼安德塔人，人口未滿 60
• 沒有化石沒關係，從泥土也能取得尼安德塔人 DNA！
• 首度發現！媽媽是尼安德塔人、爸爸是丹尼索瓦人的混血中二少女
• 丹尼索瓦人（上）：尼安德塔人的神秘近親
• 丹尼索瓦人（中）：他們仍活在我們體內
• 丹尼索瓦人（下）：翻轉人類演化學的古人種
• 丹尼索瓦人小指不像尼安德塔人，比較像是智人
• 20 萬年前丹尼索瓦人，溫暖氣候的優秀獵人
• 丹尼索瓦洞穴泥土中的 DNA，丹尼索瓦人，尼安德塔人，智人
• 沒有化石，也能用表觀遺傳學重建丹尼索瓦人的長相？
• 43 萬年前胡瑟裂谷化石，DNA 更接近尼安德塔人
• 智人與尼安德塔人 10 萬年前有過混血
• 尼安德塔人原本的 Y 染色體，被智人流取代
• 最初移民歐洲的智人，與尼安德塔人情慾交流，但是後來滅團
• 超過 4.5 萬年捷克金馬小姐，最古早已知智人 DNA
• 尼安德塔人與穿越時代的腸道菌！與古代人共生，是怎樣的微生物？
• 我們都有尼安德塔人的血統，但你知道你有多尼安德塔嗎？
• 與尼安德塔人和丹尼索瓦人，都混血過的美拉尼西亞人
• 遠古情慾流動，美拉尼西亞人收到的遺傳利益
• 追溯丹尼索瓦人與尼安德塔人，在智人族群留下的遺傳線索
• 滅亡萬年的尼安德塔人，他們的 DNA 仍影響著現代人？
• 冰島族群研究，尼安德塔 DNA 對現代人影響可能很小很小
• 巴瑤人 x 脾臟 x 基因變異：讓真人版水行俠潛水很久的秘密是？
• 源自尼安德塔人的 DNA，讓 WARS 嚴重機率增加？
• 源自尼安德塔人的基因，讓 WARS 重症機率降低
• 短篇 比起智人，尼安德塔人痛覺可能更敏感？
• 人類的下個階段，從「神獸」開發潛能到「神人」？——《再．創世》專題

1. Press release: The Nobel Prize in Physiology or Medicine 2022. NobelPrize.org. Nobel Prize Outreach AB 2022. Wed. 5 Oct 2022.
2. Advanced information. NobelPrize.org. Nobel Prize Outreach AB 2022. Wed. 5 Oct 2022.
3. Geneticist who unmasked lives of ancient humans wins medicine Nobel
4. Ancient DNA pioneer Svante Pääbo wins Nobel Prize in Physiology or Medicine
5. Nature 論文蒐集「Nobel Prize in Physiology or Medicine 2022」
6. Estonian descendant Svante Pääbo awarded Nobel prize

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。

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位。

• 採訪撰文／歐宇甜、黃曉君、簡克志
• 美術設計／林洵安、蔡宛潔

神經科學與視覺

我們怎麼「看到」顏色，「察覺」東西在動？大腦如何產生視覺？中央研究院「研之有物」專訪院內細胞與個體生物學研究所所長李奇鴻，他是國際知名的神經科學家，過去長期在美國國家衛生院（National Institutes of Health）做研究，2018 年回到中研院貢獻自己所學。李奇鴻的實驗室主要是以果蠅視覺系統為模型，研究神經元如何在發育過程形成複雜的突觸連結，以及神經迴路如何產生視覺來引導動物行為。

技術帶動神經科學研究

神經系統如何運作？這對以前的科學家來說是黑盒子。由於大腦發生錯誤或出問題時，會直接表現在外在行為上，早期科學家想了解人腦運作機制，只能透過腦部哪裡受傷壞掉或中風等，知道腦部的大概功能區域，但沒辦法進入細胞層次。

「在生物學的發展上，除了需要有智慧的思考，其他都要靠技術去推動。你可能想到一個有趣的題目，但也許要 30 年後，才出現足夠的技術來解決問題。」李奇鴻舉例，從光學顯微鏡、電子顯微鏡、電生理技術、分子生物學到結構生物學發展，每個都在細胞、分子、及系統層次開啟了新的世界。

隨著顯微技術與遺傳工程日益完備，果蠅成為現今熱門的腦科學研究對象。李奇鴻指出，「果蠅的生長速度快，相較老鼠要幾個月成熟，果蠅只要兩週。果蠅的大腦複雜程度介於人和單細胞生物中間，結構跟人高度相似，成果可應用在人身上。」

因此，近 10 幾年來是神經科學大起飛時代，科學家透過遺傳學方法控制果蠅的神經元活性、觀察行為，藉此了解哪些基因會影響大腦發育和運作，逐漸破解神經迴路的奧祕。

「我在選博士後研究時，想到底要做線蟲、老鼠、魚、果蠅或其他模式生物？最後才選果蠅。回想起來，近年剛好碰到果蠅相關技術蓬勃發展，選果蠅是很正確的決定！」李奇鴻笑道。

李奇鴻引用知名神經科學家 David Marr 的三層假說（tri‐level hypothesis），認為大腦運作有三個層次：

1. Computation level（運算）：神經系統在做的事，如分辨顏色、觀察東西移動、辨認物體是圓是方、是蘋果或橘子等。
2. Algorithm level（程序）：神經系統的操作方式、程序怎麼做。 
3. Implementation level（實行）：神經系統如何透過神經元、神經網路來達成這個程序。

李奇鴻表示，「過去多數神經科學家都在討論 computation，再探究 algorithm，卻沒辦法解決 implementation 。現在因為具備技術，科學家終於能找出 implementation，再回推上層問題，甚至發現 algorithm 跟原本想的不一樣。」

視網膜感知系統怎麼運算？

關於神經系統的操作方式（Algorithm level），也有因為技術進步而解決爭議的案例。李奇鴻舉例，以前神經科學家在研究視覺系統感受物體運動的機制，曾出現幾種理論，HR 理論認為神經訊號是用乘法，另一派 BL 理論認為是用減法，爭議了很久。

近年科學家發現，原來視網膜感知系統的運算機制是混合的，一共三種，稱為 HR-BL 混合視覺運動偵測器。過去兩派都只對了一半。

Hassenstein-Reichardt（HR）模型：從昆蟲行為研究而來。

1. 當有偏好方向（從左到右）的視覺刺激出現，左邊的光感應神經元收到訊號，這個信號會被延遲（時間 τ），接著右邊的光感應神經元收到訊號，兩者的訊號會同時到達下游的神經細胞（X），訊號將會相乘，生成運動訊號。
2. 當有非偏好方向（從右到左）視覺刺激出現，兩個訊號會在不同的時間到達，不會生成運動訊號。

Barlow-Levick（BL）模型：從兔子電生理研究而來。

1. 當有偏好方向（從左到右）的視覺刺激出現，左邊的光感應神經元收到訊號，接著右邊的光感應神經元收到訊號，但它為抑制訊號且會被延遲（時間 τ），左邊的訊號會先到達下游的神經細胞，生成運動訊號。
2. 當非偏好方向（從右到左）視覺刺激出現，左、右兩個光感應神經元的訊號會在相同時間到達，刺激訊號和抑制訊號互相抵銷，不會生成運動訊號。

持續分析果蠅大腦的神經迴路！

近代電腦的所有運算都能用 and、or、Xor 三個邏輯閘表達，科學家想知道，大腦裡有沒有類似但更高階的神經迴路運作方式？「從感官到行為比較容易觀察和操作，目前在視覺運動方面的神經迴路運作，我們知道的最多。」

李奇鴻近年在做昆蟲視覺與行為研究，發現昆蟲在感受顏色，如綠光和紫外光時，感光細胞的處理方式是先將紫外光跟綠光的強度做比較，把兩個光的強度相減，讓原本兩個訊號變成一個訊號，所謂的「顏色拮抗」。

「這種神經迴路能解析、比較兩個顏色強度的差異性，因為大部分在視覺上最重要的正是對比。拮抗運算模組能在一片訊號裡找出哪裡最強、其他較弱。其他感官機制也一樣，像觸摸物品時有凸出來的部分較重要，聽覺上要找出哪個聲音特別高等，讓最重要的訊號能凸顯出來。」李奇鴻補充道。

2021 年李奇鴻的團隊首次發現果蠅視覺系統堆疊了多套拮抗運算模組，以達成顏色及空間接受域雙拮抗的效果，成果發表在《Current Biology》。這樣的神經迴路可以比較相鄰的顏色，產生色彩區間對比感。「沒這樣的功能，我們就看不出紅配綠很悲劇了！」李奇鴻笑道。

科學家們正努力鑽研果蠅大腦的神經運算迴路，希望逐步整理出基本運算模組。或許有一天，看似複雜的大腦功能，都可能用基礎的迴路來破解！

老師是怎麼走上研究大腦神經科學這條路呢？

「我滿晚才走上科學研究的道路。我對電腦有興趣、喜歡寫程式，大學上中國醫藥學院醫學系，家裡也希望我當醫生。不過在實習時，我發現自己對治療病人沒興趣，反而對問題或疾病本身更有興趣。跟幾個老師談過之後，我決定不當醫生，跑去清華大學讀生命科學，後來就到中研院。」

因為有醫學背景，一開始比較想做能立刻解決問題的研究，像是用蛋白質跟毒素的綜合體來治療癌症。但後來了解，如果沒有深刻了解致病機制、沒有鑽進基礎科學研究，很難有突破。

後來去美國洛克斐勒大學攻讀博士，在洛克斐勒讀書期間，大家常互相交流，對我有很大的啟發。那時我在鑽研結構生物學，希望了解疾病真正的生理過程，曾解開愛滋病病毒跟人體信號傳遞有關的蛋白質結構。

博士畢業前，我接觸到神經科學，感到很有興趣，就去加州大學洛杉磯分校（UCLA）讀博士後，學神經科學裡的發育學，想了解大腦在發育過程是如何用不同分子在細胞間傳遞訊息。那時我待在很大的實驗室，老師不太管學生，要自己想辦法或跟旁邊的人學習，很多人素質都很高，學習環境很好。

之後我進入美國國家衛生院（National Institutes of Health，NIH）開始開實驗室帶自己的團隊，待了 16 年，算是真正進入神經科學領域，直到現在依然在做相關研究。

每個人的人生選擇，都被以前的經歷主導，如果沒有醫學背景，恐怕我不會去學結構生物學或走入大腦神經科學領域。

老師在美國的研究很順利，那是什麼契機才決定回臺灣呢？回來後是否有不適應之處呢？

「我 26 歲出國，在美國也待 26 年，幾乎完全融入美國生活，實驗室運作得蠻好，連太太也是美國人。但在美國很多年後，內心出現一個很深感覺：我在臺灣待過這麼久，臺灣是我進入科學的起點，也許該回來教教臺灣的子弟。」

剛開始有些想法，曾受邀回臺演講幾次，但沒有下決心。後來出現一個重要轉捩點。中研院分子生物研究所 30 週年慶時邀我回來演講，那時有機會跟歷任所長聊天，這些所長中許多是我過去在中研院碰過的老師。聊了後感觸很深，發現每任所長都要面對分生所的成長或各種問題，每個所長都有獨到的見解和重要貢獻。

我看到分生所運作得很好，覺得非常感動， 內心想：也許我回來能效法他們，也許對中研院細胞與個體生物學研究所的發展能有一點點實質貢獻。

雖然如果待在美國國家衛生院，我也會有這樣一個機會，但還是想帶自己的子弟，把力氣用在自家子弟身上，讓自己的國家和組織進步。我想將在美國國家衛生院學到的經驗，像哪些組織可以運作、哪些不行，嘗試帶回臺灣。

我很清楚可能碰到的問題，像科學研究會受影響，要重新花幾年時間建立實驗室，但那次契機讓我徹底下定信心。我曾跟廖俊智院長開玩笑，就算不給我錢，我大概也會回來。因為真的覺得這是一個很好的機會，自己能為中研院、為臺灣做些事。畢竟中研院也一直都像我的家！

不過，畢竟過去在美國實驗室和家裡都是講英文，只有打電話給媽媽會說臺灣話，因此， 2018 年剛回臺灣時，國語講得不太流利，臺灣話反而比較流利。

老師覺得美國的研究環境有哪些優點？希望將什麼樣的新觀念、新風氣帶進臺灣呢？

「國外最大特點是學術交流很頻繁，雖然國內也蠻頻繁，但他們交流層次更深入。也就是說，我跟參與的老師交流之後，常能改變想法、做事方法或方向，且是正向的改變。」

國外老師受邀演講，會很積極在幾小時內一直談，在一天中完全沉浸其中，不單講出自己在做的東西，也要求聽眾給予批評或建議等，彼此有深度交流，我每次參加都覺得收穫很多並產生合作可能性。

國內我的經驗是，演講結束後比較缺乏機會跟其他老師深度溝通，領完演講費就屁股拍拍坐高鐵回來。這可能是國內的慣有模式，我覺得需要改變。現在所內我也要求大家，既然花錢請老師來，一定要做深度交流，請對方給予建議。

重要的不是形式或邀到諾貝爾獎得主之類，而是在演講結束後、這個人走出我的辦公室、這些人離開後，對我做的事或做事方法，是不是有什麼實質的改變？在其他科學家交談中是否能得到啟發，改變自己的思考或做實驗方式？或聽聽別人告訴你，你還有哪些沒想到的地方？

分享，也是一種很重要的技術，在交流過程中，當我們可以把一件事講清楚，自己也會茅塞頓開，知道問題在哪。

現在所裡的計畫是把老師分成各種不同興趣小組，組內做交流或有跨組活動。其餘像寫計劃、申請經費、經營實驗室或撰寫並發表文章，這些是基本技術問題。

做任何工作，一個是基本的核心技術，如果沒有「技」就無法生存；另一個是 「藝」（Art） ， 可以驅動你一直做下去。訓練人才時，除了培養技術，還要訓練 Art。

老師提到工作上需要 Art，科學家的 Art 是指哪些部分？可以說明得更詳細嗎？

「我想在科學裡面，Art 有很多面向。例如，你怎麼選擇一個問題，怎麼找切入點，如何把一個大問題拆成幾個可攻破的部分，一步步去解開，這是一種 Art。尤其在選擇問題和切入點上，要有獨特的見解或洞燭先機才能成功。」

科學家必須創造有用的知識。什麼叫有用的知識呢？就是聽到學到後，會改變你想事情的方向或做事的方法。很多東西都可以研究，只要科學方法夠嚴謹，都可以得到一些知識。但到底要選擇什麼題目呢？什麼叫做有趣的問題呢？評斷這些就是科學的 Art 。

如果說在人類前面是一個黑暗深淵，知識像光照亮我們前面的路，科學家就像站在最前面，要知道如何踏出那一步？怎麼踏出去？這是 Art。

當科學家看到一個問題、問題成形後，最重要的關鍵是如何選擇一個核心問題去解決。就像玩拼圖時，要放下去最核心、最重要的那塊拼圖。

我回到臺灣後，覺得這裡的研究環境很好，儀器不輸人家，老師很優秀。但可能我們多半只是關注自己的研究，沒有花時間認真去思考，最重要的一塊拼圖在哪裡？當我們有更深度的交流，才能找到最核心的那一塊，做出最重要的貢獻。

老師在國外的實驗室時是如何帶領研究團隊呢？對年輕的科學家有什麼樣的期待嗎？

「在碩士、博士訓練中最重要的關鍵，是從「讀」科學變成真正「做」科學。我們攤開一本教科書，看到裡面講這個、那個，只是讀人家的科學。即使去念了原始文章，仍然是看著科學怎麼被別人做出來而已。」

自己真正做研究才知道，教科書上每一頁、每一句，背後都可能有數千篇文章支持，那時才知道自己很渺小，懂得謙虛，了解自己一生能做的有限。

所以，每次要跨出一小步，要想該怎麼跨最有效率、得到最大效果。我認為，在碩士班或博士班，最重要的就是了解這種感覺。

有些學生可能覺得，反正我很渺小，世界這麼大，即使做一輩子，即使最成功的科學家，也不過是得到教科書上面的一句話而已，我怎麼做都沒關係啊。 但我們必須帶領學生了解，這個計畫不是老師叫你做才做，而是讓學生覺得這個計畫是自己的，有前進和發展的空間，就像自己的小孩，必須負責。

以前在碩、博士班，剛開始學會技術、實驗做出結果，或能像人家一樣發表文章，會很高興，但這很短暫，真正的轉捩點是我知道有什麼事，是全世界任何人都不知道的那種驕傲，才是真的能支持很久的。我還記得在某一天做到早上五點，從實驗室走出來，知道有個東西全世界只有我知道的喜悅！

當學生曾感受這種發現真實的快樂，你不用規定他早上幾點來、晚上幾點走，他自己就有動機做。

當一個人想這東西應該是怎樣，想辦法做實驗證明出來時，那真的是一種快樂。我想，這是任何其他行業都沒辦法比較的！

學生是要培養成未來的科學家、獨當一面，應該讓他自己走。即使在你看得到的地方，也要讓他自己走出來，而且，他自己想到的，比你告訴他來的有用。

其實，我當老師最興奮時，是學生告訴我那些我不知道的事，會覺得很喜悅，學生想到我沒想到的東西，表示他們有進步，比我還厲害，這很棒！

延伸閱讀

• Neural mechanism of spatio-chromatic opponency in the Drosophila amacrine neurons
• Visual Motion: Cellular Implementation of a Hybrid Motion Detector
• Vision: Space and colour meet in the fly optic lobes