噪音對小寶寶有什麼影響？——淺談胎兒的聽覺系統發展

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」，為「中研院廣告」

• 採訪撰文｜呂慧穎
• 責任編輯｜田偲妤
• 美術設計｜蔡宛潔

你有沒有聽到什麼聲音？隱藏在鬧市的噪音汙染

你有留意過生活周遭的聲音嗎？無論是雞犬桑麻的鄉村，或是車水馬龍的都市，都縈繞著各種聲音，這些你可能早已習慣的聲響，卻可能在無形間影響我們的身心健康！中央研究院「研之有物」專訪院內人文社會科學研究中心詹大千研究員，其研究團隊針對臺北市的交通噪音分布特性進行研究，運用 2D 及 3D 噪音地圖呈現 24 小時的實時變化。更透過舉辦公民科學活動，邀請民眾用手機測量並感知生活中的聲音變化。究竟噪音會造成哪些身心疾患？臺北市的噪音曝露情形如何？我們又該怎麼防範噪音汙染呢？

太吵了我睡不著！聲音也會影響你的健康？

車輛呼嘯而過的引擎聲令人心驚膽戰，公園此起彼落的蟲鳴鳥叫則讓人心曠神怡。仔細聆聽將發現，每種聲音都帶給人不同的感受，長久下來不僅影響心境、更關乎健康。若我們能掌握周遭環境潛在的噪音汙染，即多了一分守護自身健康的能力。

中研院人文社會科學研究中心詹大千研究員兼副主任，同時也是地理資訊科學研究專題中心執行長，擅長地理資訊科學結合流行病學研究。因 2018 年參與中研院健康雲計畫至英國開會，因緣際會下得知，歐洲對於汙染與健康因子的討論早已包含「噪音」，但當時的臺灣尚無系統性的科學研究。

翌年正巧陽明交通大學公共衛生研究所在繪製「噪音地圖」（noise map）時遭遇難題，而中國醫藥大學附設醫院則想透過聲音監測改善加護病房的噪音問題，再加上中研院資訊科學研究所陳伶志研究員帶領研發的「聲音盒子」（SoundBox）技術支持。在多方開啟合作意願下，一趟監測都市噪音的奇妙旅程就此展開！

目前世界衛生組織以均能音量 55 分貝作為住宅區戶外的音量建議標準，詹大千進一步提到：「過去進行噪音與代謝症候群研究時，曾分析健檢民眾的自填健康問卷，再比對各地環保局的噪音監測站資料後發現，民眾普遍覺得超過 75 至 80 分貝會覺得吵雜不適，而 50 至 55 分貝以下會感到安靜舒適，就感受性而言與世衛的建議標準相近。」

事實上，有關噪音影響健康的探討由來已久，最初主要關注職業環境的噪音暴露問題，而後擴及生活中的噪音汙染對民眾身心的危害。根據世界衛生組織的研究：

噪音除了會損害聽力，還會導致憂鬱焦慮、睡眠障礙、注意力下降，提高內分泌系統及心血管疾病的發生率，甚至因聽覺刺激降低而增加罹患失智症的風險，影響不容小覷！

是誰那麼吵？用噪音地圖看一看

生活中噪音的來源百百款，常見的包括交通噪音、工程噪音、近鄰噪音、娛樂噪音等，位列行政院環境保護署（今環境部）公害陳情數第一名。

其中，車輛、飛機產生的「交通噪音」動輒飆破 80 分貝，是日常生活中影響範圍最廣，也最容易被忽視的公害。

詹大千參與的研究團隊特別針對臺北市的交通噪音分布特性進行研究，運用 2D 及 3D 噪音地圖呈現 24 小時的實時變化。

自 2017 至 2019 年進行的交通噪音數據蒐集並非一帆風順。目前臺北市政府環境保護局僅有 12 個環境噪音監測點、12 個道路交通噪音監測點，根據《噪音管制法》規定，每季只須進行 2 次、每次 24 小時的連續監測，而且只在晴天才會測量，導致研究團隊能獲取的資料量相當有限。

但研究團隊並不氣餒，轉而應用交通管制工程處在臺北市內設置的 7 百多組「交通流量偵測器」（Vehicle Detector，簡稱 VD）所測到的即時車流量及車速數據，來輔助噪音地圖的建置分析。

首先，將研究區域進行 500 x 500 公尺的網格分割，臺北市全區共分出 1,032 個網格，網格內具有 VD 測點者共 303 格，無 VD 測點者共 729 格。接著，比對噪音監測站數據與 VD 數據，建立統計模型關係，據此推估出 303 個具有 VD 測點網格的噪音值。

至於其他 729 個無 VD 測點網格，則運用諸如人口密度、土地利用類型、道路特性等環境條件，與前述 303 個具有 VD 測站的網格進行相似度比對，藉以推估其噪音值。

除了道路交通噪音，臺北市最明顯的噪音來源非松山機場莫屬。研究團隊蒐集臺北航空站 13 處自動監測設備（3 處位於松山機場、10 處位於機場周圍）測到的每小時平均噪音值，依據航空噪音防制區的範圍，將航空噪音值疊加在相對應的網格內。

至於環保局僅有晴天監測的噪音資料，研究團隊也沒忘記補強，透過模型考慮中央氣象局的降雨資料參數，將降雨造成的環境音加入噪音總量中，試圖更貼近真實的噪音狀況。

最後，為了驗證用 VD 偵測資料進行噪音值推估的可信度，研究團隊也實地架設中研院資訊所研發的「聲音盒子」收錄現場噪音值，驗證推估數值的準確度。

研究團隊更進一步運用 3D 建模呈現噪音在不同高度的衰減變化。在假設每棟建築暴露的交通噪音來自最近道路的條件下，將道路到建築物的水平距離、所在樓層的垂直高度（假設每層樓高度為 3 公尺）等資料納入衰減模式。

計算結果顯示，每上升一層樓大約下降 0.4 分貝，再將模式推估值與不同樓層測量到的實際噪音值進行比較驗證，最終在 3D 地圖上以分層填色的色塊顯示不同樓層的噪音值。

程式設定每 5 分鐘抓取一次 VD 數據（數據的精度為每分鐘一筆），並運用建置在國家高速電腦中心的運算平台來視覺化大量的噪音數據，如此就能在 2D 與 3D 臺北市噪音地圖上，以不同網格色塊即時查看每小時的噪音值。

2D 或 3D 地圖除了可用在噪音監測，對於其他空間流行病學的分析也很有幫助，但詹大千提醒，雖然 3D 地圖的資料可精確得知不同樓層的差異，但基於對居民隱私權的保障，仍建議以 2D 地圖進行相關研究分析，當流行病統計資料模糊化至鄉鎮鄰里等級時，就能避免個人資料的暴露。

找到噪音來源，才可以對症下藥！

以世界衛生組織的交通噪音曝露建議標準來看，如想防範交通噪音影響身心健康，最好控制在整日噪音曝露不超過 53 分貝，夜間噪音曝露不超過 45 分貝。根據詹大千團隊的研究結果顯示：

臺北市日間有 32.80%、夜間有 27.69% 的居民暴露在超過上述標準的交通噪音中，顯然我們還有改善的空間。

詹大千表示，本次研究採用比較嚴格的檢視標準，若是根據臺北市環保局的監測數據來看，臺北市的整天均能音量約在 56 分貝，代表在都市中仍能找到安靜的戶外空間。

此外，仔細觀察會發現，噪音地圖在一天的不同時段會產生不同變化。上午 7 點通勤時間，松山機場周遭的松山區、中山區、內湖區一帶，噪音值高達 70 分貝以上。晚上 6 點下班時間，堤頂大道、建國高架、市民高架、重慶北路開始出現車潮，連帶噪音值也提高到 55 分貝以上。到了午夜 12 點，除了大安區、中正區、中山區、大同區、信義區等住宅與路網較密集處有 50 分貝左右，其他地區幾乎都在 45 分貝以下。

想降低環境噪音傷害其實並不困難，聯合國環境署在 2022 年最新報告《Frontiers 2022》就提供許多降噪方法，包括規劃植栽綠帶、更換電動車、安裝隔音設備（如氣密窗）、臨路建築向內退縮、更改道路鋪面材質等，皆被證實能有效降噪，但前提是必須先掌握噪音的組成、來源及分布樣貌，才能準確擬定防治方案。

為了對症下藥處理噪音問題，目前可努力的地方在於增加噪音監測點。詹大千談到，未來或許可結合智慧電桿裝置，整合交通、噪音、空氣汙染等監測功能，同時提供更穩定的實時資料傳輸品質，打造守護全民健康的基礎資料收集網絡。

鬧中取靜——隨手記錄生活中寧靜的角落

除了監測技術與硬體設施的精進，詹大千也提出自我保護聽力的重要性，首要任務在於提升民眾對聲音的敏感度，意識到生活周遭存在哪些會傷害聽力的噪音？哪些地方是喧囂都市中難得的寧靜避風港？

詹大千與理念相同的臺灣聲景協會合作，在 2023 年 5 月至 7 月推出「尋找 55 分貝靜土」公民科學活動，邀請民眾擔任「寧靜追蹤師」，尋找臺北市戶外聲音平均 55 分貝的地方，察覺都市中的聲音變化對居民身心的影響。

活動期間共有 25 名受訓民眾投入記錄工作，貢獻了 182 個位在臺北市不同地區的採樣資料。民眾運用 NIOSH（iOS 適用）、Noise Capture（Android 適用）兩款 APP 測量戶外聲音的分貝數，並在詹大千研究團隊開發的聊天機器人平台 LINE 官方帳號「尋找 55 分貝靜土」記錄平均分貝數、最高分貝數、地點類型、地點位置、寧靜度與舒適度評分，並拍下當地照片、錄下環境音、寫下對聲音的感受。

記錄成果顯示，大於 55 分貝與小於 55 分貝的音量大約各佔一半，臺北市南港、內湖、北投、文山等靠山的行政區較為寧靜。最常被捕獲的靜土位於公園、巷弄、住宅區等地。蟲鳴鳥叫等自然聲音是靜土中的重要元素，人為聲音、道路交通相關聲音則是使戶外聲音大於 55 分貝的主因。

民眾普遍認為，這次的活動讓自己對環境中的聲音變化更加敏感，原本只有 45 分貝的環境，因車輛或人群經過，瞬間飆到 70 分貝。也有民眾察覺，自家孩子每天幾乎在 70 分貝左右的環境上課，讓他對都市噪音問題更有警覺！

此外，當你對聲音變得敏感後，將發現每個人對聲音的承受度都不同，不同的聲音特徵與情境也會帶來不同感受。例如夏天雄蟬的鳴叫聲可高達 80 分貝，但因為是來自大自然的聲音，人們的感覺通常是舒服的。而個性活潑外向的人可能經常出入熱鬧的場合，對於音量的容忍度也相對較高。

這些對聲音的多元感受在量化研究中較難呈現，但搭配公民科學活動的質性問卷、照片與錄音的相互對照，將可以發掘更多有趣的聲景現象，也為改變民眾行為、創造更多都市靜土盡一份心力！

軍機操演保衛國家，噪音卻會干擾周遭社區。^[1]人類的聽力範圍，約在 20 至 20,000 赫茲之間；與蜥蜴的 100 到 5,000 赫茲，部份重疊。^[2]所以別只想到自己，請多關懷鄰居──此處不堪其擾的，可能還包括蜥蜴。學名 Aspidoscelis neotesselatus 的科羅拉多格紋鞭尾蜥蜴（Colorado checkered whiptail），列屬美國科羅拉多州的特別關注物種（species of special concern），^[3]並被美軍視為瀕危物種（species at risk）。^[2]由於其棲地涵蓋美國陸軍卡森堡軍事基地（US Army Fort Carson Military Base），科學家想知道軍機航道下的噪音壓力，是否會影響牠們的健康和生育。^[3]

孤雌生殖

Aspidoscelis屬之下，某些種的蜥蜴只有雌性，採行孤雌生殖（又稱單性生殖；parthenogenesis），^[4]即卵不用受精就能長成胚胎。這種方法一般會使物種幾無變異，遇上疾病或環境變化，便容易被一舉殲滅。^[5]比較特別的是，牠們過去有的曾與同屬不同種的雄性雜交，多少豐富了基因，混血產生的科羅拉多格紋鞭尾蜥蜴，還因此擁有三套染色體。^{[4, 5, 6]}孤雌生殖的 Aspidoscelis 屬蜥蜴，例如：科羅拉多格紋鞭尾蜥蜴，^[4]製造卵子時，比有性生殖（sexual reproduction）多複製一次染色體，才進行分裂。如此一來，無需精子湊對，依然能發展出正常胚胎。^{[5, 7]}

噪音的影響

研究團隊於 2021 年進入繁殖季的一個月後，也就是 6 月期間，跑去卡森堡軍事基地一帶，測量飛航範圍的地面噪音：^[3]軍機演練時，33.9 到 112.2 分貝；其他時候，則為 30.1 至 55.8 分貝。科學家也觀察科羅拉多格紋鞭尾蜥蜴，在這兩種情況下的行為，並幫牠們抽血、秤重、量身長、照婦科超音波等。^{[2, 3]}最後，將所有蒐集到的數據，依照設定的指標逐項分析：^[3]

• 皮質酮（corticosterone）：當壓力來襲，腎上腺會分泌皮質酮，來調節能量供給。軍機劃過天際的日子，科羅拉多格紋鞭尾蜥蜴的皮質酮，一如預期地上升。^[3]
• 血糖（plasma glucose）：歐洲海鱸（European sea bass；學名：Dicentrarchus labrax）遇到人為噪音時，血糖會提高，以應付壓力下所需的耗能。儘管這種現象聽起來相當合理，但是科羅拉多格紋鞭尾蜥蜴的血糖卻無動於衷。^[3]不曾飆高以因應外界刺激，也沒有消耗過頭而直直下墜。
• 反應性氧代謝物（reactive oxygen metabolites）：人為噪音會使歐洲濱蟹（shore crabs；學名：Carcinus maenas），加速代謝，而提高耗氧。科學家原本覺得，科羅拉多格紋鞭尾蜥蜴也會這樣。誰知道牠們血液中的反應性氧代謝物，出乎意料地於軍機操演時下降，懷孕者濃度又比其他個體更低。^[3]
• 補償性進食（compensatory eating）：壓力暴食不是人類的專利，認識科羅拉多格紋鞭尾蜥蜴後，有沒有倍感欣慰？牠們受軍機的噪音干擾，有時原地進食，有時邊走邊吃。整體來說，在壓力下吃多動少。^[3]
• 酮體（ketone bodies）：當血糖供不應求，身體會代謝脂肪，產出酮作為能量來源，^{[3, 8]}此即生酮飲食（ketogenic diet）的減肥原理。奇妙的是，人類努力控制飲食，才能達到的狀態，^[8][註]科羅拉多格紋鞭尾蜥蜴竟得來全不費工夫。在軍機的噪音下，牠們的血糖明明沒有變化，脂肪就直接開始代謝。體型小的個體，酮體濃度較高。^[3]

共存共榮

綜合以上，由上升的皮質酮，可以確定軍機飛行的噪音，會給科羅拉多格紋鞭尾蜥蜴帶來壓力。科學家認為，牠們一方面狂吃，所以血糖沒有下降，反應性氧代謝物甚至減少；另方面不等血糖耗盡，就搶先燃脂製造酮體當補給。在這個機制的調節下，儘管居住環境不太理想，抗壓消耗很多能量，但是科羅拉多格紋鞭尾蜥蜴適應得還算可以。當然，如果願意體貼孕婦，科學家建議軍機最好於繁殖季節期間，避開蜥蜴數量密集的地區，或是飛高讓地面噪音低於 50 分貝。^[3]以後當美軍飛航演練，維護人類社會的和平與穩定；期望科羅拉多格紋鞭尾蜥蜴也能安心增產，拓展成繁榮昌盛的族群。

備註

生酮飲食有痛風、腎結石和營養失調等潛在副作用，^[8]嘗試前請找醫師評估。

1. Kirk A. (10 APR 2023) ‘What’s that noise? Colorado Air National Guard to fly F-16s at night’. 9News.
2. Dijkstra M. (29 MAR 2023) ‘Lizards at US Army installation are stress eating during flyovers’. Frontiers Science News.
3. Kepas ME, Sermersheim LO, Hudson SB, et al. (2023) ‘Behavior, stress and metabolism of a parthenogenic lizard in response to flyover noise’. Frontiers in Amphibian and Reptile Science, 1:1129253.
4. Walker JM, Montgomery CE, Cordes JE, et al. (2019) ‘Morphological Variation, Habitat, and Conservation Status of arthenogenetic Aspidoscelis tesselatus Pattern Class C in the Canyonlands of Southeastern Colorado, USA’. Herpetological Conservation and Biology 14(1):119–131.
5. ‘How an Asexual Lizard Procreates Alone’. (02 JUN 2022) National Geographic.
6. ‘Parthenogenesis’. Britannica. (Accessed on 20 APR 2023)
7. Newton AA, Schnittker RR, Yu Z, et al. (2016) ‘Widespread failure to complete meiosis does not impair fecundity in parthenogenetic whiptail lizards’. Development, 143(23):4486-4494.
8. ‘Diet Review: Ketogenic Diet for Weight Loss’. Harvard T.H. Chan School of Public Health. (Accessed on 19 APR 2023)