偷拔浣熊的毛築巢！鳥界的毛髮大盜——山雀家族

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

比孔雀還要顯眼、高調的鳥類並不多，但如果可以的話，我想請各位先忽略牠那華麗又色彩斑斕的尾羽。我們要將關注焦點放在孔雀頭上形成冠羽的那些硬挺羽毛。

細節藏在羽毛的「振盪頻率」裡

這些長得像鍋鏟的羽毛雖然也很醒目，卻常常被忽略。蘇珊．阿瑪德．康恩（Suzanne Amador Kane）從專門繁殖鳥類的鳥舍與飼養員那裡找來了一些孔雀，再加上一隻來自動物園、曾經不小心飛進北極熊圍欄裡的倒霉孔雀，想要研究孔雀冠羽的用途。

她的學生丹尼爾．凡．貝爾倫（Daniel Van Beveren）在孔雀冠羽上裝設了機械振盪器，並且觀察冠羽的擺動。當機器的振盪頻率為二十六赫茲時──也就是一秒振盪二十六次──冠羽擺動得特別劇烈。這是會令孔雀冠羽產生共鳴的頻率，也正好是雄孔雀求偶時擺動尾羽的頻率，因此康恩對我說：「這不可能只是巧合。」

凡．貝爾倫對著架設好儀器的孔雀冠羽播放各種錄音，假如播出的是真正的孔雀搖動尾羽的聲音，冠羽就會產生共鳴；若是播放其他聲音，例如 Bee Gees 的〈Staying Alive〉，就沒有這種效果。

該研究結果顯示，站在求偶的雄孔雀面前的雌孔雀或許真的能夠感知到雄孔雀尾羽製造出的氣流。除了看見雄孔雀賣力的求偶動作以外，雌孔雀或許也能感覺到這一番努力。（這種現象也會反過來，有時候雌孔雀也會對雄孔雀展現自己。）

康恩想要拍攝真實的孔雀求偶時冠羽的模樣，觀察牠們擺動冠羽的頻率是否真和尾羽相同，藉此證明她的論點。假如真是如此，就表示孔雀求偶的過程中除了有浮誇的視覺效果以外，其實還存在著人類一直以來都沒注意到的元素；而我們會忽略這些細節，是因為缺少適當的配備。

假如連大自然中如此耀眼浮誇的行為展演中，都有被我們忽視的環節，我們到底還錯失了多少東西？

孔雀細小的纖羽會告訴我們答案

從孔雀冠羽底部細小的纖羽（filoplume）就能找出線索。纖羽的樣子就像一根尖端為簇狀的茅，還能做為機械性受體之用。

當空氣流動擾動了冠羽，便會擠壓到纖羽，進而觸發神經。大部分的鳥類都有纖羽，而且幾乎都會伴隨其他羽毛一起發揮作用。

鳥類可以透過纖羽掌控羽毛的狀態，因此或許能夠在鳥羽澎亂時即時整理羽毛，重整態勢。不過纖羽還有一項最重要的功用──幫助鳥類飛行。

避免失速墜落的技巧

鳥飛行的樣子看起來是如此地輕鬆自在，因此我們很可能根本想不到那是一件多費力的事。為了維持在空中飛行，鳥必須一直調整翅膀的型態與角度。如果一切都對了，氣流就能順著翅膀流動，鳥類的身體也就能順利抬升至空中。

然而如果鳥的翅膀角度太大，原本順暢的氣流會形成擾流，抬升的力量也就隨之消失，這種現象叫做失速（stalling）。一旦鳥無法避免這種狀態產生或即時修正，就會從天上掉下來。不過這不常發生，一部分原因是因為纖羽能為鳥類提供必要資訊，因此能夠因應各種情況快速調整翅膀的狀態，避免不幸。

老實說，這種能力實在相當驚人。我記得有次站在船上看著一隻海鷗緊跟船身飛行；那天風很大，而我們──也就是我坐的船和那隻海鷗──都在高速移動。當我伸出手感受從手上與指間吹過的風時，不禁讚嘆海鷗的翅膀竟然也能產生同樣的作用，讓鳥類能夠在天空中飛翔。

然而我當時我根本不知道鳥類還會運用纖羽判讀氣流，在飛行時不斷微調姿態。法國的眼科醫師安德烈．羅尚－杜維尼奧（André Rochon-Duvigneaud）曾描述鳥是「一對靠雙眼引導方向的翅膀」，不過這個說法還不夠正確──鳥的翅膀其實會為自己找到方向。

蝙蝠翅膀長得不一樣，功能卻一點都不差

蝙蝠的翅膀也是如此。牠們翅膀的薄膜雖與鳥羽構造大不相同，敏感度卻不相上下。蝙蝠的翅膀薄膜上布滿有敏銳觸覺的毛髮，這些毛髮從小小的半圓球狀上凸出，並且連接著機械性受體。

蘇珊．斯德賓發現這些毛髮大多數只會對來自蝙蝠背後往前吹拂的氣流有反應，而這種現象通常在蝙蝠快要失速時才會出現。因此蝙蝠其實就跟鳥類一樣，都能感覺出快要失速的狀態，也能夠及時採取行動修正。

多虧這些毛髮，蝙蝠能以陡峭的角度飛行、在空中盤旋和後空翻，捕捉在尾巴附近的昆蟲，甚至還能以頭下腳上的姿態降落。當斯德賓以除毛膏去除蝙蝠翅膀上的毛髮，並讓牠們飛過障礙物後，可以發現毛髮消失對牠們產生的影響非常明顯。

牠們雖然不會墜落，卻會選擇與周邊的物體保持相當的距離，轉彎的角度也比平常更大，姿態更笨拙；反之，假如牠們翅膀上的毛髮完好無缺，就能夠以離物體僅僅幾公分的姿態飛行，還能做出過髮夾彎一般的飛行動作。

對牠們來說，氣流感受器的存在與否決定了牠們只能用一般方式飛行，還是能夠進一步做出各種飛行特技。

對於其他動物來說，這些感受器的存在很可能更是存亡與否的關鍵。這或許就是為什麼它們會演變為這世上數一數二敏感的器官。

——本文摘自《五感之外的世界：認識動物神奇的感知系統，探見人類感官無法觸及的大自然》，2023 年 8 月，臉譜出版，未經同意請勿轉載。

• 本文轉載自特有生物研究保育中心，《自然保育季刊》第 119 期

• 作者／余雅倩 Ya-Chien Yu ｜自然觀察家｜yuyachien@gmail.com

發現位於園區的鳥巢

因緣際會下，2021 年春天從臺北搬到南投居住，3 月時我常常在行政院農業委員會特有生物研究保育中心(以下簡稱特生中心)的園區閒晃，最常遇到的是紅嘴黑鵯 (Hypsipetes leucocephalus nigerrimus) 在枝頭上除了表演典型的鳴唱時，突然接上不曉得從哪裡學得的變奏曲;白腰鵲鴝 (Copsychus malabaricus) 倏地停在伸手可及的樹枝上或無預警地跳到眼前的地面上覓食，一點兒也不怕人;步道另一側水池邊搶領地的鷺鷥群爭吵聲此起彼落，絲毫不顧慮路過的人們抱怨著這嘈雜聲;走進深處，一旁樹叢窸窸窣窣的聲音，原來是一整群跳來跳去的綠繡眼。

不過，最讓人印象深刻的聲音，便是聽到 3‒5 個連續「回」音，那是黑枕藍鶲(Hypothymis azurea oberholseri)的叫聲，非常有獨特性且具有辨識性，但若想要循音找鳥，就要碰運氣和耐心等待了。在春暖花開的季節，如果一個地方的「回、回、回」反覆出現，很有可能遇到親鳥在附近築巢。

4 月中旬，聽聞常駐點觀察的鳥友發現2個在步道旁的鳥巢，並且觀察到 2 個窩裡的蛋都順利孵化出雛鳥，親鳥輪流密集餵食。這是一個難得的好機會，於是帶著相機裝備尋找鳥友描述的位置。

當天偕同朋友同行，希望能多雙眼睛幫忙找鳥巢，沒多久就發現鳥友口中所說的巢之一，並在同一步道相隔 100 多公尺處發現另一個。若想要瞭解雛鳥的生長過程與雛鳥和親鳥間的互動，就需要長久觀察。

第一個發現的巢離入口較近，巢位較低，離地約 1.2 公尺，加上前方的樹林密度也較稀疏，非常適合在安全距離下用長鏡頭觀察。反觀另一個巢位築在離地約 2.5 公尺處，雖然離步道較近，卻不利於長時間連續觀察，因此選擇前者較易觀察的巢位蹲點記錄。

黑枕藍鶲雛鳥屬於晚熟型，親鳥會輪流餵食雛鳥，也聽聞夜間親鳥會臥巢幫雛鳥保溫，因怕用手電筒觀察時會驚擾親鳥，夜間並未去觀察親鳥臥巢的行為。觀察 5 天親鳥的餵食與雛鳥的生長過程，第 5 天上午觀察結束，鳥友通報發現下午 3 隻雛鳥皆順利離巢。難得的育雛觀察紀錄就這樣戛然而止。

雛鳥的生長與親鳥餵食觀察

起初發現巢位，只是單純地想觀察和留下影像紀念，期間到達與停留紀錄的時間，因自己能抽出的時間無法固定，加上遇到光線不佳或是下雨必須提前結束，因此僅能就有記錄到的畫面和影像做出整理。

第 1 天觀察：

當天發現與確認巢位後，便開始攝影記錄育雛過程。雛鳥探出巢時發現此巢的雛鳥有3隻，觀察期間有 2 隻已可張眼，不過多半是闔眼或半開。身體大多裸露與羽毛稀疏，翅膀明顯有羽毛覆蓋，還不太會站立，推測此時雛鳥已破殼數日。

親鳥輪流餵食，親鳥停在巢附著的樹枝上產生震動，雛鳥張開口，露出黃口，然而並非3隻雛鳥皆會同時張口，親鳥在餵食前會先觀望一下，有張口的雛鳥親鳥才會餵食，食物有昆蟲和果實等。

雛鳥在等待親鳥餵食期間，突然1隻雛鳥單獨張口，我觀察四周親鳥並沒有出現，雛鳥張口的樣子像是在打哈欠，等待的過程像似在打盹，懶洋洋的模樣很可愛。

觀察過程中，筆者觀察到親鳥若是餵食像蜻蜓這般身體較長的食物，嘴喙會銜住蜻蜓的頭部，若一開始餵食角度較水平，雛鳥嘗試吞食卻久吞不下，親鳥注意到後會再次銜起蜻蜓，用嘴喙調整銜接的位置後再次餵食。第 2 次餵食時親鳥便會特意調整角度，傾斜讓雛鳥順利沿著蜻蜓的頭部吞食，並在一旁關注雛鳥完全吞完。

餵食期間3隻雛鳥在巢內的位置沒有改變，故可目視觀察，只不過第2次餵食並非原先的雛鳥，不知親鳥是否有留意到或是每一次的餵食都是重新洗牌，只要張口都有機會，這就無法得知了。親鳥餵食完後，有時巢內的其中1隻雛鳥屁股朝上，親鳥用嘴喙銜接雛鳥的糞便後離去。總計觀察到親鳥7次餵食紀錄，母鳥5次，公鳥2次。

第 2 天觀察：

從記錄到的影像觀察到次日雛鳥睜開眼睛的時間較首日明顯拉長，第 2 天雛鳥已可完整張開眼睛，並在親鳥餵食完離開後，不似首日那樣立即閉眼，反倒會持續張眼一陣子，雛鳥外觀沒有顯著的差異。我觀察到公鳥餵食完有幾次會停在巢附著的樹枝上許久，有時等到母鳥前來餵食才飛離，停留的時候，會四處張望。

兩隻親鳥亦會同時銜著食物停在巢旁的樹枝上，公鳥先行餵食時母鳥警戒，母鳥餵食完後隨即離去，公鳥繼續停留約 1.5 分鐘，期間四處張望。觀察到 7 次公鳥餵食，僅 1 次餵完後便帶走雛鳥糞便沒有久待，其餘 6 次餵食完都會繼續停留幾分鐘之久才離開。總計觀察到 21 次餵食的紀錄，母鳥 14 次，公鳥 7 次。

第 3 天觀察：

雛鳥身體和腹部的羽毛明顯濃密許多，咽喉依舊裸露，身體腹面中央有縱向分布的裸露，睜開眼睛的次數增加，也會用嘴喙整理腹部與背上的羽毛。總計觀察到 25 次餵食的紀錄。母鳥 12 次，公鳥 13 次。

第 4 天觀察：

雛鳥身體和腹部的羽毛覆蓋，咽喉依舊裸露，腹面中央縱線羽毛稀疏，理羽的頻度明顯增加，嘗試站立移動翅膀時我注意到背上一對翅膀的收合處，也就是兩個翅膀的中間依舊裸露，推測肩羽尚未茂密，若非剛好捕捉到雛鳥活動身體的畫面，平時翅膀收起覆蓋難以注意到。

此時雛鳥被餵食後若來不及讓親鳥帶走糞便，已能自行抬高尾部將糞便彈射出巢外，彈射時觀察到翅膀下接近尾端依舊裸露。總計觀察到19次餵食的紀錄，母鳥14次，公鳥5次。

第 5 天觀察 (離巢當天上午) ：

雛鳥身體和腹部的羽毛明顯茂密很多，3 隻雛鳥在巢內顯得擁擠許多，咽喉依舊裸露，雛鳥幾次站在巢的邊緣，開始試圖振翅，蓄勢待飛的感覺。總計觀察到14次餵食的紀錄，母鳥 10 次，公鳥 4 次。

當天下午聽聞雛鳥已盡數離巢，親鳥帶著3隻雛鳥在附近的樹枝上活動。次日，再去時只聽到黑枕藍鶲的叫聲，加上沒有發現雛鳥的蹤影，無法判定是否為其親鳥，此次黑枕藍鶲的育雛紀錄就此結束。

餵食紀錄

在文獻紀錄中，黑枕藍鶲的食物包含小型節肢動物，例如蝴蝶、蛾 類、蝗蟲、甲蟲與椿象(Coates et al., 2006;Wells, 2007)。但我非常好奇，在園區內的黑枕藍鶲究竟會找那些食物餵給雛鳥吃呢?是否與國外的研究相同?從本次觀察紀錄當中，連續 5 天每天 1‒2.5 小時觀察與記錄，視當天的光線強弱與天候狀況，調整觀察記錄時間的長短，加上只有一臺攝影裝備，需要拍照和錄影輪流交替，因此僅以實際記錄到的畫面做出歸納和整理。

仔細檢視5天的餵食紀錄後，共記錄到 86 次的餵食鏡頭(影片與照片)。為了計算黑枕藍鶲育雛的食物比例，以定格截圖每個影片中的食物畫面確認其食物種類，由於沒有外接快門線，每一張照片都是倒數十秒拍到，有時無法及時捕捉當下的畫面，但仍還是捕捉到多數餵食的影像。

這些影像經施禮正先生協助辨識，統計出動物類有 56 筆 (占 65%) ，果實有 4 筆(占 4.7%) ，動物類群中昆蟲綱 (Insecta) 雙翅目 (Diptera) 有 12 筆、半翅目 (Hemiptera) 有 8 筆、鱗翅目 (Lepidoptera) 有 7 筆、蜻蛉目 (Odonata) 有 5 筆、直翅目 (Orthoptera) 有 2 筆、膜翅目 (Hymenoptera) 有 1 筆、蛛形綱 (Arachnida) 蜘蛛目 (Araneae) 有 1 筆 (圖 1 ) 。

其中有 26 筆 (占 30.3%) 無法辨識食物，其中原因歸納為：親鳥餵食的角度不佳，親鳥正好背對鏡頭;來不及捕捉親鳥銜著食物的時刻，食物已經直接餵食到雛鳥黃口中；抑或是沒有拍到食物可以辨識的特徵。前述狀況皆歸類為未知。另外，可以看出是昆蟲卻無法辨識到科別的有 20 筆。

統計完意外發現，餵食食物數量最高的是雙翅目的黑水虻 (Hermetia illucens) ，有 8 筆觀察紀錄，其次是半翅目的小青蛾蠟蟬 (Geisha mariginellus) 有 5 筆紀錄。猜測這個時節，這兩種的昆蟲數量多或是親鳥較善於捕捉此類昆蟲。

另外，為了知道公鳥與母鳥餵食上的努力程度是否有差異，利用前述影像辨識餵食時親鳥性別，無法清楚辨識親鳥性別或是沒有留下影像紀錄皆不採計。結果顯示母鳥餵食紀錄總計 55 次，公鳥 31 次，這段觀察育雛期間母鳥餵食雛鳥的次數明顯較公鳥多。

巢位觀察

第5天雛鳥離巢後的次日，筆者放心地走近巢位 ， 確認黑枕藍鶲的巢築在竹頭角木薑子 (Litsea akoensis var.chitouchiaoensis) 的主枝上。巢枝還是小樹，如果想要取下保留鳥巢，評估會影響樹木的生長，故僅近距離記錄巢的大小與外觀，測量此巢直徑約6cm的杯形巢，巢材僅可辨識出有竹子和不知是蚜科 (Aphididae) 還是扁蚜科 (Hormaphididae) 的棉蚜，全身或部分分泌物 (在巢位旁的月桃的葉背發現有刮除的痕跡) ，推測親鳥在築巢時就近使用一旁的棉蚜，點綴在巢的外圍。這些特徵與過去黑枕藍鶲巢材相關研究的結果類似 (陳華香等，2010) 。

結論

因發現的巢位置便於觀察、雛鳥尚未離巢，幸運地進行5天黑枕藍鶲育雛的記錄，依照觀察到的畫面整理出親鳥餵食的物種比例，參考的圖鑑提及王鶲科 (Monarchidae) 黑枕藍鶲、紫綬帶 (Terpsiphone atrocaudataperiophthalmica) 、亞洲綬帶 (Terpsiphoneincei) 的鳥類擅於捕食飛行中的昆蟲，從育雛觀察中，發現親鳥也會少量餵食果實。

雛鳥的發育從羽毛稀疏到茂密，從蹲坐到可以直立振翅，我的心情就像是在旁看著雛鳥長大般的雀躍。離巢當天上午親鳥依舊餵食，只見雛鳥試圖在巢邊緣短暫站立振翅，原以為還有幾日才會離巢，當知道所有雛鳥皆順利離巢，雖有些意外和不捨，更多的是開心，慶幸每一隻都健康的順利長大。

感謝這幾天讓我在可容許的安全距離下進行觀察，期間遇到園區施工，親鳥似乎不受影響地繼續覓食和餵食。

偶遇親鳥在育雛的空檔停在我眼前的樹枝上高歌，注意到我的存在，有點打量的意味搖晃頭好奇地看著我，我怕驚擾到親鳥，不敢有太大的動作，靜靜地互相對望，很有趣的小插曲!

希望將所觀察到難得的紀錄，分享給喜愛鳥兒的你。