向生物學習設計跟解決方案! Janine Benyus shares nature’s designs

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

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

世上動物千奇百怪，如果要找一個共同點，那應該就是──幾乎所有的動物都需要呼吸。

我們這裡要談的「呼吸」，是呼吸運動，也就是吸入氧氣、排出二氧化碳的動作。一提到這個動作，身為人類的你，或許下意識就會想到肺臟、鼻子等等部位。綜觀動物界，在不同的演化脈絡下，動物們賴以呼吸的構造真可說是無奇不有，就連肺臟、鼻孔本身也可能會有各種不同的形態。

現在，就讓我們來看看那些奇妙的呼吸器官吧！

大象：你的鼻子為甚麼那麼長？

「媽媽說鼻子長才是漂亮～～」大象（象科 Elephantidae）身上最惹眼的部分就是鼻子了！象鼻是牠們賴以聞嗅味道和呼吸的部位，除此之外，它相當靈巧，舉凡取水、拿東西、攜帶物品等等，象鼻都能做到。

除了長長的鼻子之外，大象的呼吸構造裡還有一個特殊之處：牠們是目前已知沒有胸膜腔 (Pleural cavity) 的哺乳類動物！

我們人類賴以呼吸的肺臟緊密包覆著一層臟層胸膜 (pulmonary pleurae)，會與包覆著胸腔壁內面的壁層胸膜 (parietal pleura) 組成一個很狹小的空間，就是胸膜腔。內部填充有液體潤滑，可避免臟器和胸壁摩擦損傷。

一般我們呼吸的時候，會由肌肉改變胸腔的空間，製造肺部與外在大氣的壓力差，才能夠吸氣或呼氣：當肺內的壓力大於大氣壓力，則會呼氣；而當肺內的壓力小於大氣壓力，則會吸氣。而夾在此之間的胸膜腔，多數時間會維持一定程度的負壓，讓主要由皮膜組織及彈性纖維組成的肺不致塌縮。所謂的「氣胸」就是胸膜受到破壞，使得胸膜腔無法維持負壓，連帶使著肺部塌縮的胸腔疾病。另外，胸腔膜的壓力當然會隨著呼吸而有所變化。

然而，大象的胸膜腔裡，充滿了許多疏鬆的結締組織──也就是說，原本的「腔」不復存在。該怎麼解釋大象沒有胸膜腔呢？

有個假說認為，這可能跟大象使用長鼻子來「浮潛」有關連。當牠們游泳時，可以將長鼻子舉出水面來呼吸──這是個稍微熟悉大象的人都不意外的畫面。但是成年大象高度可達至少三、四公尺，當游泳使用鼻子呼吸，或是，鼻子端大氣的壓力與位在水下肺部的壓力差距會非常巨大，這時薄薄胸膜腔可能就會頂不住啦，而胸膜腔內的結締組織就有強化的功能。

海豚：我不是跩，只是鼻孔朝天！

海豚（海豚科 Delphinidae）雖然多數生活在海中，少數生活在大河大江中，不過牠們可沒有魚類的鰓，而是用肺呼吸的哺乳類動物。

海豚是從陸生哺乳動物演化而來的，真要說起親緣關係，比起魚類，牠們反而更接近河馬等偶蹄類動物。

大約五千萬年前的始新世時期，陸生哺乳類開始進入水中，在這個過程中，牠們為了適應環境，在形態上產生諸多的改變。為了順利在水中游泳，牠們後肢逐漸退化，形成背鰭及尾鰭，體表變得光滑，身體也變得較偏向流線型。

而海豚的鼻孔更是位移到了頭頂，成為「呼吸孔」，以便在水面呼吸、換氣。此外，為了不讓自己嗆到，海豚的呼吸孔附近還有由肌肉與結締組織形成的鼻栓 (nasal plug)，可以將孔緊閉。鯨魚海豚頭頂的呼吸孔是比較接近鼻孔的構造，因此有些卡通裡會出現鯨魚海豚從嘴裡吸入海水，由呼吸孔噴出海水的情節，在真實世界不大可能出現。

水母：我想要呼吸，全身上下都行

水母是一種無脊椎動物，分類上屬於刺胞動物門 (Cnidaria)。從熱帶、溫帶到淡水區，世界各地的水域都找得到水母的蹤影。牠們的外型多呈現鐘型或者傘狀，構造簡單，體內有超過九成都是水，但沒有肺或鰓。

既然沒有肺或腮，牠們又要怎麼呼吸呢？方式很單純，就是透過擴散作用讓氧氣進出細胞膜。

水母的外表傘蓋的組織相當薄透（想想你吃過的海蜇皮），其中分為外層的表皮層 (epidermis) 和內層的胃皮層 (gastrodermis)，兩層之間再夾著一種彈性膠狀物質，又輕又薄的狀態更方便外層組織和海水交換氧氣和二氧化碳。

牡蠣：一輩子待在原地，就來用鰓呼吸！

牡蠣 （牡蠣科 Ostreidae）的殼有二枚，形狀相當不規則，左殼比右殼大一點。牠們大多棲息在淺海或潮間帶，以左殼固著在物體上，無法自由移動，所以終其一生只能待在原處開開合合，進行呼吸、攝食、生殖、排泄等等行為。

大多數的雙殼綱，殼的頂部有縫可以流通海水，並且在吸排海水的過程中呼吸。牡蠣並不像蛤蜊一樣自備出、入水管，牠們只有腮腔和腮上腔。牡蠣的鰓分左右各一對的內外鰓，上與唇瓣 (labial palps) 相連，下與外套膜 (mantle) 相接，構成一個腔室，水從鰓流入鰓腔及鰓上腔，在過程中進行氣體交換藉以呼吸、獲得氧氣。

雖然說都是呼吸，但生活在不同地方的生物用的方式卻大不相同，需要根據所在地來大顯神通，除了上述介紹的動物，你知不知道什麼其他特別的呼吸方式呢？

參考資料

• 鼻子喝水還是嘴巴喝水 by 台北市立動物園
• Pleural cavity by Niamh Gorman
• John B. West.  Why Doesn’t the Elephant Have a Pleural Space? PHYSIOLOGY (01.APR, 2002)
• 鯨豚的解剖演化和分類 by 環境資訊中心
• Mindy Weisberger. How Do Animals Breathe Underwater? Live Science (07.Dec, 2018)
• 台灣產長牡蠣解剖學的研究 by 台灣大學漁科所、中研院動物所
• 牡蠣養殖 by 金門水產試驗所