蚱蜢變調的都市情歌

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

• 文／賴郁婷 | 雅文基金會聽語科學研究中心　助理研究員

「咔滋咔滋、咔滋咔滋」——聽到吃東西的聲音是不是讓人忍不住食指大動、唾液快速分泌呢？夜半時刻肚子感到空虛，美食又還在外送途中，一時半會兒吃不到宵夜該怎麼辦呢？先看看吃播也是能夠過過癮的，也因此一部分的影音創作者就抓住人們對於食物的關注，搭配 ASMR，強調食物在唇齒間的咀嚼聲，將大啖美食的畫面及聲音製作成影音大飽觀眾耳福。然而真的所有人都對 ASMR 放大的聲音感到愉悅或療癒嗎？ 

對聲音過敏？

您是否有這樣的經驗？在忙碌、deadline 逼近感到焦慮時，或是一個人走在暗巷中緊張、害怕時，任何風吹草動的聲音都會被放大或形成干擾。從空調的運轉聲、時鐘的滴答聲到進出門的開關聲等，都像是背後有隻怪獸正朝我們撲過來，若長期維持聽覺過度敏感化（Auditory Hypersensitivity / Oversensitivity）的狀況，則可能會導致注意力不集中、坐立不安、頭痛、噁心的感覺，甚至要到身心科尋求幫助；而原本有慢性耳鳴問題的人，也有可能會增加耳鳴發作的頻率 ^[1]。

這類對外界聲音過度敏感的狀態，最早是由美國聽力學家 Johnson 在 1990 年代將其定義為選擇性聲音敏感綜合症（Selective Sound Sensitivity Syndrome, 4S），然而與聽覺過度敏感化不同的是，4S 患者主要是對特定的「觸發聲音」（trigger sound）出現時，才會出現明顯的不耐受性（intolerance），有些患者甚至連相關的視覺或嗅覺刺激也可能引發恐音反應 ^[2]。2001 年時，恐音症（misophonia）一詞被提出，其字義為：對聲音的憎恨 ^[3]，被用來描述當面對特定、重複的觸發刺激時（例如：咀嚼聲、呼吸聲），會出現憤怒、厭惡的衝動反應。

容易對聲音感到焦慮、不舒服，就是有恐音症嗎？

人類因聲音感到困擾、對聲音耐受性較低的狀況，主要可分為以下三種類型 ^[4]：

1. 噪音敏感（Noise sensitivity）：指無論噪音大小（響度）如何，人們對噪音的生理及心理反應都變得敏感的狀態，因此他們通常在安靜的環境中感到最舒適。此症狀在經歷過重大腦外傷的人是很普遍的，在自閉症患者中也很常見。
2. 聽覺過敏（Hyperacusis）：指當聲音大小（響度）是在大多數人可以忍受的範圍時，聽覺過敏者則會感到生理上的不適或疼痛。研究指出，一般人對聲音響度的容忍度可以達到 100 分貝，甚至更高 ^[5]，而聽覺過敏患者只能容忍 60 至 70 分貝的聲音大小，大約是一般人說話的音量，即會造成其不適。
3. 聲音恐懼症（Phonophobia）：與上述兩者不同，聲音恐懼症所造成的不適並非由物理聲音引起，而是患者對聲音的預期恐懼，他們「害怕」可能出現的聲音，這樣的害怕情緒會導致焦慮，且可能加劇已有的聽覺問題（聽力損失、耳鳴）。

雖然這些對聲音耐受性的相關症狀各有不同，但這些病症不一定都是單獨出現的，聽覺過敏者有很高的比例會伴隨著嚴重耳鳴 ^[6]、聲音恐懼症的患者也可能因有聽覺過敏而更容易對聲音感到焦慮、害怕。

恐音症到底是什麼？

在恐音症還未被正式定義前，經常被歸類為聽覺過敏或是強迫症，對其應該被歸類為精神疾病或是聽覺的相關障礙，各界學者們也都有不同看法，究竟恐音症有什麼特殊之處，讓我們來揭露它的廬山真面目。

對恐音症的診斷標準最早由荷蘭的阿姆斯特丹大學醫學中心在 2013 年首先提出。而後，Jager 等人 ^[7] 歷時五年對近 600 位恐音症患者進行研究，並於 2020 年提出修訂版的恐音症診斷標準。對於恐音症的診斷標準建立及更新，都可以看出學者們對於恐音症的重視與關注，然而恐音症至今仍未被列入在《精神疾病診斷與統計手冊》（DSM）及《國際疾病分類》（ICD）當中。

由於，恐音症在研究的早期階段定義及描述並不統一，診斷的方法和評估的標準也不相同，在如何定義和評估恐音症上尚無一致性，而這也促成了 Swedo 等人 ^[8] 透過與各界學者的討論與對話，逐漸對恐音症的概念達成共識，其項目包含：

1. 症狀描述：對特定聲音刺激（觸發因素）的耐受性降低，且觸發因素通常是重複的、由人的身體產生的，會造成患者過度的情緒、生理和行為反應。
2. 觸發因素：最常見的觸發因素是聽覺上的，包含口腔的聲音（咀嚼、進食、咂嘴、吸食、咳嗽、清喉嚨和吞嚥等）、鼻音（呼吸和嗅聞等）、人為製造出的聲音（按原子筆、敲鍵盤、輕敲手腳和拖長腳步），以及物體發出的聲音（例如：時鐘滴答聲）或動物發出的聲音。同時也有機率對視覺上的觸發因素（折手指、抖腳、晃腿或看他人進食）有強烈反應。
3. 觸發反應：在情緒方面，憤怒、惱怒、厭惡和焦慮是最常見的；生理上則會引起自主神經興奮，使肌肉緊繃、心率加快和出汗；行為反應上可能會對觸發因素進行攻擊，或以迴避、阻止、模仿的方式減低觸發因素所帶來的不適反應。
4. 與其他疾病的關係：恐音症的症狀無法用同時發生的其他疾病做更好的解釋。恐音症可能出現在聽力正常或聽力損失的人身上，單獨或和耳鳴、聽覺過敏等病症一起發生都是可能的。同時，精神疾病也可能與恐音症共病，包含焦慮症、情緒障礙、人格障礙、自閉症、注意力不足過動症等。
5. 對生活的影響：患者在職場及求學階段都可能因注意力無法集中，而無法執行工作任務、達到目標。在社會上，也會因無法如常與人互動、建立關係，最終與人群疏離。於家庭關係上，患者可能因家庭成員的行為或聲音觸發患者的不適反應，導致關係緊張和衝突。

神燈精靈請幫幫他們吧！

雖然目前恐音症的盛行率、發生率、好發年齡及患病原因尚無定論，但患者們無法與其他人正常社交、共餐甚至可能連大眾交通工具都無法搭乘，真的很辛苦！所幸，應對恐音症，專家們還是有點辦法的。目前主要治療、減緩恐音症症狀的方法主要有三項：

1. 物理隔絕：使用能降低因觸發因素引起心理或生理反應的用品，如：耳罩、耳塞、降噪／隔音耳機、白噪音機等用具，阻擋聲音或降低對觸發因素的反應。
2. 治療法：主要為耳鳴再訓練療法（Tinnitus retraining therapy, TRT）與認知行為療法（Cognitive behavioral therapy, CBT）。兩項療法皆協助患者在遇到觸發因素時，對產生的情緒及行為進行控制，需透過專業人員制定計畫與課程，搭配患者逐步練習、適應觸發因素，最終回歸日常生活中。
3. 藥物：用於恐音症的藥物尚在研究當中，目前有研究顯示使用抗憂鬱藥物（如：舍曲林、氟西汀），能使患者獲得不錯的治療效果 ^{[9, 10]}，近期也發現類固醇可以減緩恐音症者的不適症狀 ^[11]。

另外，因應科技化的時代，恐音症治療協會也提供 app 及操作說明影片 ^[12]，透過應用程式錄下觸發聲音，並設定觸發因素的音量、持續時間、播放頻率，這些設定會在使用者聽音樂、看影片等放鬆時段運作；使用者可以透過慢慢增加觸發因素的持續時間，逐漸適應觸發因素的出現、降低對觸發因素的敏感反應。

所以，真的所有人都對 ASMR 放大的聲音感到療癒與愉悅嗎？相信大家心中已經有了答案。也因為恐音症的發展歷史相對較短，大眾對於恐音症的了解尚未普及，因此對聲音耐受性低的相關疾病已有所熟悉的你，若是發現身邊親朋好友對於聲音感到敏感或是對重複動作所造成的聲音感到嚴重不適，請協助就醫尋求幫助、釐清病因。最後，若真的遇見「專屬」的觸發因素，當下除了要求對方 Freeze & mute 之外，相信我們已經知道還有哪些方法及資源可以應對這樣的狀況了！

1. 簡婉曦（2021 年 1 月 27 日）。【焦慮腦學】有一種恐懼，害怕聲音可能存在。醫療心空間。https://vocus.cc/article/6011126efd89780001410d53
2. Ferrer-Torres, A., & Giménez-Llort, L. (2022). Misophonia: A Systematic Review of Current and Future Trends in This Emerging Clinical Field. International journal of environmental research and public health, 19(11), 6790. https://doi.org/10.3390/ijerph19116790
3. Jastrebo, M. M., and Jastrebo, P. J. (2001). Components of decreased sound tolerance: hyperacusis, misophonia, phonophobia. ITHS News Lett 2, 1–5.
4. Henry, J. A., Theodoroff, S. M., Edmonds, C., Martinez, I., Myers, P. J., Zaugg, T. L., & Goodworth, M. C. (2022). Sound Tolerance Conditions (Hyperacusis, Misophonia, Noise Sensitivity, and Phonophobia): Definitions and Clinical Management. American journal of audiology, 31(3), 513–527. https://doi.org/10.1044/2022_AJA-22-00035
5. Jastreboff, M. M., & jastreboff, P. J. (2001, June 18). Hyperacusis. Audiologyonline. https://www.audiologyonline.com/articles/hyperacusis-1223
6. Cederroth, C. R., Lugo, A., Edvall, N. K., Lazar, A., Lopez-Escamez, J. A., Bulla, J., Uhlen, I., Hoare, D. J., Baguley, D. M., Canlon, B., & Gallus, S. (2020). Association between hyperacusis and tinnitus. Journal of Clinical Medicine, 9(8), 2412. https://doi.org/10.3390/jcm9082412
7. Jager, I., de Koning, P., Bost, T., Denys, D., & Vulink, N. (2020). Misophonia: Phenomenology, comorbidity and demographics in a large sample. PloS one, 15(4), e0231390. https://doi.org/10.1371/journal.pone.0231390
8. Swedo, S. E., Baguley, D. M., Denys, D., Dixon, L. J., Erfanian, M., Fioretti, A., Jastreboff, P. J., Kumar, S., Rosenthal, M. Z., Rouw, R., Schiller, D., Simner, J., Storch, E. A., Taylor, S., Werff, K. R. V., Altimus, C. M., & Raver, S. M. (2022). Consensus Definition of Misophonia: A Delphi Study. Frontiers in neuroscience, 16, 841816. https://doi.org/10.3389/fnins.2022.841816
9. Zuschlag, Z. D., & Leventhal, K. C. (2021). Rapid and Sustained Resolution of Misophonia-Type Hyperacusis With the Selective Serotonin Reuptake Inhibitor Sertraline. The primary care companion for CNS disorders, 23(3), 20l02731. https://doi.org/10.4088/PCC.20l02731
10. Sarigedik, E., & Yurteri, N. (2021). Misophonia Successfully Treated of With Fluoxetine: A Case Report. Clinical neuropharmacology, 44(5), 191–192. https://doi.org/10.1097/WNF.0000000000000465
11. Webb, J., & Williamson, A. (2024). Steroids for the Treatment of Misophonia and Misokinesia. Case reports in psychiatry, 2024, 3976837. https://doi.org/10.1155/2024/3976837
12. Dozier, T. (2016). Misophonia Trigger Apps. Misophonia Treatment Institute. https://misophoniatreatment.com/misophonia-apps/

• 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。

• 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