不是吃素的！亞達伯拉象龜的「緩慢狩獵」，打破草食系刻板印象！

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

只要說到烏鴉，好像就會有非常強烈的「可怕」、「會攻擊人」的印象。但是「明明就沒做什麼，卻突然攻擊」的例子其實極為罕見。真的伴隨著身體接觸的「攻擊」也是不常見的。因為這類的攻擊而受傷的事情也很少聽說。反而是因慌亂而摔倒才比較危險。

烏鴉想要保護雛鳥

首先，烏鴉對人類採取敵對態度的，只有在保護雛鳥的時期而已。這一點請千萬不要忘記。雖然牠們若是在覓食的時候被打擾的話，可能會發出不開心的叫聲，不過並不會展開攻擊。從烏鴉的眼中看來，人類是既大又可怕的。

烏鴉對於望向巢或看雛鳥的視線非常敏感。由於在野生動物的世界中，並沒有像賞鳥者或是研究者般的奇怪傢伙，所以只要緊盯著巢一直看的，通常都是「想要對巢下手的敵人」。何況是盯著離巢幼鳥看，或是接近離巢幼鳥的話，就確實會認定成「我的孩子有危險了」。

被烏鴉「攻擊」的例子中最多的，是當離巢幼鳥站在低矮樹枝或是地面上的時候。剛離巢的幼鳥雖然會拍動翅膀但是卻不能飛（只能說是往下掉的時間花得比較久，卻沒辦法到比原先位置要高的地方去），所以在動來動去的時候，位置就會逐漸降低。

假如是在森林中的話，半路上會有許多樹枝，總是能夠抓住某處停在比較高的地方；但是假如是在像行道樹那樣孤立的樹的話就停不住，多半會掉到地面上來。這樣一來，親鳥就會為了要保護幼鳥而留在附近，對接近過來的對方一一加以威嚇，發出警告「不要靠近我的小孩」。

在澀谷實際發生過的一個悲劇，是烏鴉在天橋旁邊的行道樹上築巢，巢的高度跟天橋的高度剛好差不多。雖然行經天橋的行人完全沒有注意到巢的存在，但是對烏鴉來說，似乎就變成「好多人特地爬上樓梯來看我的小孩」。

光是經過也還算了，但是有人完全基於偶然而以巢為背景來拍紀念照片，讓烏鴉氣瘋了，所以不只那個拍照的人而已，有好幾分鐘，烏鴉都對著經過的行人進行威嚇。那應該是「我已經受不了了，不管是你還是他，統統給我滾出去！」的狀態了吧。

因為如此，會發生烏鴉攻擊人類事件的時機，是在幼鳥離巢的季節，也就是集中在五月到六月之間。受害報告的統計也是如此。　　

話說回來，烏鴉在威嚇、攻擊時的順序究竟是怎樣的呢？假如知道的話，應該就不再會認為烏鴉是「突然」攻擊過來了吧。

烏鴉生氣時叫聲的變化

首先，烏鴉會先以聲音進行威嚇。可能會有人認為牠們平時就在KaAKaA 叫個不停，應該無法區別；不過牠們要是平時的叫聲是「KaA、KaA」的話，在這時候的叫聲就會變成很激烈的「KaAKaAKaAKaA ！」。是不停反覆的快速連續叫聲，而且每一聲的音量都很大。只不過在這個階段時還不需要害怕。那不是對你叫，通常是在對經過那附近的別隻烏鴉叫。

但是假如烏鴉很明顯的是朝著自己的方向叫、跟在後面過來、到低的地方來的話，就表示你被烏鴉盯上了，也就是「那裡的那個人，就是你啦」的被指名狀態。假如牠的叫聲是沙啞的「GaRaRaRaRa……」，就表示牠相當生氣。有時還會聽到像「KoRa ∼！」般的叫聲（附帶一提的是，白頰山雀的威嚇聲聽起來是「AcChi ∼ IKe」，也就是感覺起來好像在說「A-Chi-I-Ke」）。

當叫了半天也沒有效的時候，烏鴉會開始用喙部敲擊牠停棲的樹枝。以人類來打比方的話，就像是在抖腳抖個不停，或是很神經質的用指頭敲打桌子的那種感覺。有時候還會把那附近的樹枝或葉子給撕扯下來。

翻譯牠的意思，就會是「老子已經叫你滾開了，你還沒聽見嗎，白癡」。此外，牠把小樹枝撕扯下來的行為有時會被媒體寫成是對準人類「爆炸攻擊」，不過牠們真的只是由於很不高興的在亂丟，即使有打到人也純粹只是偶然而已。

——本文摘自《都市裡的動物行為學：烏鴉的教科書》，2023 年 1 月，貓頭鷹出版，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。