保育藍鯨——從追蹤分布範圍、預測出沒位置開始！

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

一九九○年代，冷戰終於結束，蘇維埃政府在海中布下的潛水艇威脅也隨之消散，於是海軍提供克拉克與其他專家機會，讓他們透過 SOSUS 的水下麥克風觀測、記錄大海裡的各種聲音。透過聲音頻譜——也就是 SOSUS 系統將接收到的聲音轉換為視覺圖像——克拉克無庸置疑地看到了藍鯨正在歌唱的跡象。

光是第一天克拉克就發現，單一個 SOSUS 感測器所記錄下的藍鯨叫聲比過去所有科學文獻所記載的加起來還要多。大海中充斥著鯨魚的歌聲，而這些聲音則來自無比遙遠的彼方。克拉克估算，記錄下他聽見的那股歌聲的感測器，距離聲音的主人有兩千四百公里之遠。藉由位於百慕達的水下麥克風，他竟能夠聽見遠在愛爾蘭的鯨魚歌聲。

於是他說：「當時我心想：『羅傑的想法沒錯。』我們實際上真的可以探測到橫跨整個海洋盆地的鯨魚歌聲。」對於海軍的分析專家來說，這些聲音就是他們每天工作都會遇到的正常現象，而這些聲音與工作內容無關，所以根本不會被標記在聲音頻譜上，也因此就被忽略了。然而對克拉克來說，這卻是令他茅塞頓開的驚人發現。

穩定規律的「歌聲」其實是一種探測手段？

雖然藍鯨與長須鯨的歌聲能夠跨洋越海，卻沒人知道鯨魚是否真的會在如此遙遠的距離下互相溝通；畢竟牠們很有可能只是在用極大的音量對附近的同類示意，只是音波剛好傳到了很遠的地方去而已。不過克拉克又指出，鯨魚會一次又一次地不斷重複同樣的音頻，甚至也會精準維持音與音之間的間隔長度。鯨魚會在浮出水面呼吸時停止歌唱，回到水中繼續歌唱卻也會落在剛剛好的拍子上。他說：「所以牠們唱歌並不是隨興而至的舉動。」這種現象令他想起了火星探測車為了傳送資料回地球所發出的那種重複的連續訊號。假如人類想設計出能夠跨越海洋進行溝通的訊號，大概也會想出類似藍鯨歌聲的形式吧。

鯨魚歌聲或許也有其他用途。牠們發出的每個音都能持續好幾秒，而其波長更是好比足球場的寬度。克拉克曾問過他在海軍的朋友，假如他有發出這種聲音的能力，可以拿來幹嘛？

「那我就能摸透整個海洋。」他的朋友如此回答道。這話的意思是，他能夠藉此刻畫出深海的地景，透過傳至遠方的次音波回音，他就能辨識出海底山稜與海床的位置。地球物理學家也肯定能運用長須鯨的歌聲來了解各處的地殼密度。那麼，鯨魚到底用這種聲音來做什麼呢？

克拉克從鯨魚的動作中看出了答案；透過 SOSUS，他發現藍鯨出現在冰島與格陵蘭之間的極地水域中，一路蜂擁直奔——還是該說是鯨擁？——熱帶地區的百慕達，旅途中一路歌唱。他也看過鯨魚在深海的群山間左彎右拐，在幾百英里間的深海地景之中蜿蜒前進。「看到這些動物的移動方式，就會感覺牠們大腦裡似乎有著以音波構成的海洋地圖。」他如此說道。

他也猜測，鯨魚在長長的一輩子裡，會不斷累積大腦中的聲音記憶，隨之擴增儲存在大腦裡的海洋地圖。克拉克也還記得，曾有位資深海軍聲納專家告訴他，大海裡每個地方都有它專屬的聲音。克拉克告訴我：「他們說：『讓我戴上耳機，我不用看就能直接告訴你現在位於拉布拉多還是比斯開灣的海域。』而我就想，假如人類累積了三十年的經驗就能做到這個地步，何況是演化了一千萬年的動物呢？」

漫長的迴響～不同時間尺度下的認知

不過關於鯨魚聽力的尺度，還是有令人費解之處。鯨魚的叫聲確實可以傳遞到很遠的地方，但卻也很花時間；在海裡，音波一分鐘只能傳五十英里（約八十公里）遠，因此假設一隻鯨魚聽見另一隻鯨魚在一千五百英里（約二四一四公里）之外發出的叫聲，這隻鯨魚得在半小時以後才能聽見對方的歌聲，就像天文學家觀測到的星光其實是恆星在很久很久以前散發出的光芒一樣。假如某隻鯨魚想探測五百英里（約八百零四公里）之外那座山的位置，牠得等上十分鐘才能接收到自己叫聲的回音，這感覺起來似乎有點荒謬。

然而各位想想，藍鯨在水面上的心跳一分鐘約為三十下，潛入水下後卻會下降至一分鐘只跳三次。這麼一想，鯨魚生命中的時間尺度想來一定與人類相當不同吧。倘若斑胸草雀能夠在單一個音裡就聽見以毫秒為單位的美麗音頻，也許藍鯨分辨同樣潛藏在聲音中的祕密訊號的時間尺度則是分或秒。若要想像鯨魚的生活樣貌，「你得發揮想像力，以完全不同的次元思考。」克拉克對我說道。

他認為這兩種體驗的差異應該就像先用玩具望遠鏡注視夜空，再改用美國太空總署架設在太空的哈伯太空望遠鏡一覽星羅棋布的壯麗星辰。一想到鯨魚，他的世界彷彿就變大了，不管是空間還是時間的尺度，都更加遼闊。

——本文摘自《五感之外的世界》，2023 年 8 月，臉譜出版，未經同意請勿轉載。

藍鯨是種非常矛盾又迷人的存在，牠們居住在深深的海中，卻需要呼吸新鮮空氣；體型稱得上是目前世上已知最大的生物，卻幾乎僅需依靠小不隆咚的磷蝦為生。

最近，科學家還發現了一個關於藍鯨的有趣事實，那就是：牠們的心跳超、級、慢。

想聽見藍鯨的心跳？你需要神奇吸盤

修但幾勒，你說要偵測藍鯨的心跳？那要用怎麼個測法？我們既不能把牠抓起來、也沒辦在海面上用聽的，難不成要派個潛水員下海跟蹤牠（喂）

為了順利解開藍鯨的心跳秘密，由史丹佛大學的海洋生物學家 Jeremy Goldbogen 所帶領的團隊，特別打造了客製化心電偵測裝置 (ECG)。心跳會在皮膚表面引起極小的電學變化，而 ECG 所做的，便是捕捉這些變化，並將其放大描繪成心電圖。

研究員將帶有電極的感測器裝在吸盤中，而後利用 6 公尺長的碳纖維桿子，將器具裝在加州蒙特利灣一隻 15 歲的藍鯨身上。他們特製的器具除了能偵測心律，還帶有 GPS 追蹤器，在記錄下各種數據後，會脫落、浮上海面，再由研究人員追蹤回收、分析數據。

這些新型器材，不僅能讓研究人員研究鯨魚的生活，也不會過度打擾牠們，對於鯨魚來說，就像是輕輕地拍了牠們的肩膀一樣。

問鯨能有幾多愁，恰似兩下心跳每分鐘

最後，這些器具收集到了約 8 個半小時的數據，研究團隊發現到，藍鯨的心跳頻率變化極大，從一分鐘跳 2 下到一分鐘 37 下都有可能。當鯨魚下潛時，牠的心律也會跟著大幅下降。在下潛的時候，心律約是一分鐘 4-8 下，偶爾會一路下降到一分鐘 2 下。

不過，為什麼牠們的心臟要跳得這麼緩慢？一般而言，維持較低的心律有助海洋哺乳類保存氧氣，讓牠們可以在水面下待更長的時間。

不過啊，科學家們看到數據後的感想是：這也實在是太慢了吧，這遠低於科學家最初的預估──每分鐘 11 下。（鯨魚表示：11 太多了，2 還差不多）。更驚人的是，即便是進行捕食這種需要耗費大量精力的事情時，藍鯨的心律也不過 8.5 下／每分鐘，拜託，牠們吃飯的時候可是得衝進磷蝦群中，大大張開嘴巴一口吞下磷蝦呢！

不過，藍鯨的心律也不是一直這麼慢，當逐漸上浮時，牠的心律會重新上升。到達海平面時，牠的血液流動會變得較快，努力再充氧 (reoxygenizing)，為下一次的下潛做準備，而被偵測的鯨魚在此階段的心跳，紀錄可達巔峰的一分鐘 37 下，這麼快速的心律，基本上已經達到了鯨魚心臟的極限。

你以為一分鐘 37 下已經是最極限的事了？才不呢！藍鯨心臟從慢速跳動到快速跳動，兩者間的轉換其實非常快速，有的時候只需要 1、2 分鐘內就可以轉換完成，而牠們進行這種轉換的頻率其實還挺高的。若真要比喻，這種感覺就像是你在躺椅跟百米衝刺中反覆切換，而牠們竟然可以日復一日地從事這樣的轉換。

世上最大的心臟，還藏著各種未解的謎題

藍鯨身型最大可以到 30 公尺長、200 噸重，可想而知，牠們心臟也超大顆，目前發現過最大的藍鯨心臟約 200 公斤重，快要跟一台高爾夫球車一樣大。

藍鯨的心臟有非常靈活的主動脈弧 (aortic arch)，可以讓牠們在心跳沒有劇烈跳動的情況下，維持 90% 的血液，而後緩慢地釋放，這或許是為什麼心臟可以跳得這麼慢的原因。

而對於藍鯨的心跳，其實還有著很多需要被解答的秘密，像是：牠們的神經系統是如何控制這種快速的心律變化？而抹香鯨這種一次可以下潛一個小時以上的鯨魚，牠們心臟又在做什麼呢？

科學家們正打算四處蒐集更多鯨魚心律的資料，說不定可以更了解這些巨大又神秘的生物。

參考文獻：

1. J. A. Goldbogen, D. E. Cade, J. Calambokidis, M. F. Czapanskiy, J. Fahlbusch, A. S. Friedlaender, W. T. Gough, S. R. Kahane-Rapport, M. S. Savoca, K. V. Ponganis, P. J. Ponganis (2019) Extreme bradycardia and tachycardia in the world’s largest animal PNAS https://doi.org/10.1073/pnas.1914273116
2. Blue Whale Hearts May Beat Only Twice a Minute During a Dive nytimes 2019.11.27
3. A Blue Whale Had His Heartbeat Taken for the First Time Ever — And Scientists Are Shocked livescience 2019.11.27
4. A blue whale’s heartbeat has been recorded for the first time – and the results are fascinating CNN 2019.11.26
5. With suction cups and lots of luck, scientists measure blue whale’s heart rate reuters 2019.11.28

這是某隻藍鯨在 2019 年 3 月夏末的一周間，在智利巴塔哥尼亞安庫德灣（Gulf of Ancud）移動的縮時影片，棕色軌跡是船隻，藍點代表了藍鯨：

雖然這圖上的點是實際放大了非常多倍（等比例的話船跟藍鯨都會是看不到的小點點），但也可以看得出來，在這個一周間移動在海灣中，這隻藍鯨似乎反覆在閃避船隻的行跡，掙扎程度不亞於在人來人往的學生餐廳中，踟躕移動想要找到個吃飯的地方。

海洋雖大，卻好像容不下一隻想離船隻遠一點的鯨魚。

這個影片，來自於智利南方大學（Universidad Austral de Chile）所進行的研究。他們試圖以衛星追蹤藍鯨的活動範圍，並且以遙測技術獲取的海洋資料，發展出預測藍鯨分布位置的模型。

比想像中更難回答：藍鯨去哪兒？

藍鯨（Balaenoptera musculus），是已知最大型的哺乳類動物。目前認為藍鯨至少有 4 個亞種^[註1]，北大西洋與北太平洋的 B. m. musculus、南極海域的 B. m. intermedia、印度洋與南太平洋的 B. m. brevicauda、北印度洋的 B.m. indica。雖然成體體型超過 20 公尺、體重超過 100 頓重，屬於鬚鯨的藍鯨為濾食者，幾乎完全以小不隆咚的海洋浮游動物磷蝦（euphausiids）為主食。

曾經一度滿布全世界大洋的藍鯨，在 19 世紀末遭受獵殺而至瀕臨滅絕。1966 年，國際捕鯨協會（International Whaling Commission）正式禁止所有藍鯨的獵捕，但至今藍鯨仍被國際自然保護聯盟（International Union for Conservation of Nature, IUCN）列為瀕危物種，目前總數估計約有 5000～15000 隻。而至今日，藍鯨仍面臨許多生存的危機，包括氣候變遷、海洋汙染、海洋噪音以及潛在的船隻撞擊風險等。

廣大的海洋被形容為地球上人所未知的「內太空」，即使像鯨魚是如此龐大的生物，人們對於其活動所知仍然極其有限。更遑論要評估船隻、海洋工程、漁業在海中的擾動，會如何影響這些海洋生物的生存了。

該怎樣著手保育藍鯨等生物的生存？先了解牠們的生存區塊，劃出一張「地圖」或許會是個好主意。然而，身為人類或許可以用地理環境明確區分住家、商業區、市場、餐廳等地，但動物的環境資源利用卻不像人那麼涇渭分明，尤其是在大海之中，潮汐洋流、季節、溫度，都會對海洋環境造成變化。大海拿～麼大，要如何確定鯨魚在哪裡？想找出牠們每個季節的餐桌與秘密基地，那可是個浩大的工程。

智利海灣，藍鯨的夏日餐桌與船隻交通要道

智利南方大學這次針對藍鯨的研究，不僅文章最前面的短片在國外的社群媒體獲得矚目，也是 2021 年 Altmetric 的前百大研究^[註2]。此研究範圍針對智利巴塔哥尼亞北部區域（northern Chilean Patagonia）一系列峽灣、群島等，由曲折長達一萬二千公里海岸線所圍繞的沿海海域（以下簡稱 NCP）。此一區域緯度橫跨南緯 41~47 度，擁有來自南極海域、富含營養鹽的海水與來自河流、冰川的淡水。過去的研究已經發現，NCP 為瀕臨滅絕的東南太平洋藍鯨夏季最重要的覓食與育幼區域，在秋冬季遷徙之前，有許多藍鯨會在這些營養豐富的沿岸海水中活動。

然而，同樣的這個區域也有許多人類的活動。包括非常密集的海上交通，以及大規模鮭魚養殖與其他漁業活動。雖然在該區域並未有相關報告，但這些大型船隻的進進出出，直接或間接的影響，究竟會如何影響藍鯨、會影響藍鯨到什麼程度，亟需進一步的釐清。

團隊從幾個不同的角度收集資料，再加以整合分析。首先，他們自 2004～2019 年間以 Argos 人造衛星追蹤 15 隻春夏季在 NCP 出沒的藍鯨的移動資料^[註3]，持續追蹤的時間從 8 天到 105 天不等。過去的研究已經發現了，藍鯨的移動位置可能與當時的海洋變化有關。

其次，現今透過衛星遙測可以得知很多海洋基本資料，包括海面溫度等，甚至可以用來推估海洋各區域葉綠素 a 的濃度。葉綠素 a 可以反應了海洋中浮游植物的量，也代表了該區域的生產力。由於藍鯨主要攝食大量的磷蝦，尋覓高密度的磷蝦對於藍鯨吃飯非常重要。而磷蝦則主要進食浮游植物與浮游動物，因此理論上，在高密度的葉綠素 a 出現的區域，隨後不用太久就會出現高密度的磷蝦，也就很有機會成為藍鯨最喜歡的餐廳了。

最後，由於該區域船來船往的，研究團隊還由智利國家漁業與水產養殖服務局（SERNAPESCA）獲得每天進出船隻的 GPS 位置資料。這邊的資訊包括水產養殖船隊、小型漁業、工業漁業與貨船的進出資訊。

不只是地圖，更是具即時預測潛力的分布模型

實際的建模資部分數學公式有點多，這邊先看看結論好了。簡而言之，以遙測獲得的海洋數據所推估出來的模型，可以一定程度預測藍鯨出沒的位置^[註4]。而統計結果發現，水產養殖團隊數量龐大（占有資料的船隻的 78%），對於藍鯨的影響程度也最大；其次是手工漁業，其活動範圍與藍鯨的活動模式最接近。研究人員已經模擬出現有的船隻路線最可能影響到藍鯨的「熱點」，未來如能針對這些熱點作出改進，將是保育行動的重要方向。

此一研究所導出的藍鯨棲地模型，相較於過去常用來估算動物分布區域的模型，有個較大的差別在於，此模型納入了遙測所得的資料，因此未來可以依此較具即時性的推估藍鯨的可能分布區域，甚至作為即時的保育行動的指示。換句話說，以前這類的模型獲得的可能只是一張「地圖」（或許分四季或月份），而加入了遙測資料所能預測的，會更接近當下鯨魚可能出沒的地區。這在未來的保育管理上可以預見將更有幫助、也更加精確。舉例來說，或許可要求船隊在當下資料推估重要「熱點」附近降低船速、提高警覺，甚至保持距離，以避免憾事的發生。^[註3]

從經營管理的角度來說，為了有藍鯨會在海灣中覓食，就關閉整個區域的各種船隻活動，既不現實也不合理。但如果能夠具體的了解到敏感物種會出沒在哪些環境中，作出足夠準確的預測、並施行即時對應的管理措施，或許才會是真正能讓人類活動與野生動物保育獲取雙贏的方法。

恰逢世界自然基金會（World Wide Fund for Nature, WWF）於近期在「保護藍色走廊」（Protecting Blue Corridors）的報告書中也發佈了第一張「鯨魚高速公路」地圖，累積了八百多筆的鯨魚遷徙資料。^[註5] 希望越來越多的研究與矚目，能讓人類盡快找出在大海中與鯨豚的共存共容之道，也祈求這些脆弱的海洋智慧物種們，能夠耐心等待到那一天的到來。

註解

1. 目前也有人認為尚有亞種智利藍鯨（Chilean blue whale），但似乎尚未正式提出學名命名。
2. Altmetric Top 100 2021 毫無意外有 98 篇都跟 COVID-19 有關。
3. 在鯨魚身上放 Argos 標籤，資料累積自 2003~2019 年，時間看起來很長，但可以追蹤 15 隻藍鯨還是很多了！
4. 智利並未有相關的新聞，但近幾年的確有一些鯨豚直接遭船隻撞擊而死亡的案例，如 2019 年英國就有長達 17 公尺的長鬚鯨被撞擊後一路帶到港口的新聞。
5. 中文的解說可見 about 鯨豚。

1. Bedriñana-Romano, L., Hucke-Gaete, R., Viddi, F. A., Johnson, D., Zerbini, A. N., Morales, J., … & Palacios, D. M. (2021). Defining priority areas for blue whale conservation and investigating overlap with vessel traffic in Chilean Patagonia, using a fast-fitting movement model. Scientific reports, 11(1), 1-16.
2. 臺灣百種海洋動物圖鑑-藍鯨-臺灣百種海洋動物 – 海洋委員會海洋保育署全球資訊網 (oca.gov.tw)
3. https://fb.watch/bhMc-iB1Rs/
4. Top 100 2021 – the Old School Remix – Altmetric
5. Animation shows week in life of blue whale as it tries to avoid fishing ship congestion | The Independent
6. Whale on vessel’s bow ‘killed by ship strike’ – BBC News
7. ‘Astonishing’ rise in blue whale numbers – CBBC Newsround
8. Giants in Traffic | American Scientist
9. Stressful animation shows blue whale dodging hundreds of ships while trying to feed | Live Science
10. Blue Whale | Whale Watching Handbook (iwc.int)

延伸閱讀

• 獵捕、船隻撞擊，曾經或正在上演的海豚悲劇——15 萬赫茲的悲鳴（一）
• 海豚實驗的悲劇始末與藝術家描繪的「生下海豚」——15 萬赫茲的悲鳴（二）