泰瑞的顏色是真的！？——鴨嘴獸的生物螢光

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

有時經過河邊或是水溝，仔細靜下來，就能聽見一陣一陣的蛙鳴聲。可是，你知道有些青蛙，是無法用蛙鳴進行溝通的嗎？

通體橘黃，南瓜一樣的小青蛙

世界上的蛙類百百種，有不斷想要侵略藍星的、也有每天都一直跑出門旅行的，不過，我們今天的主角是——鞍背短頭蟾 (Brachycephalus ephippium)。

鞍背短頭蟾分布在巴西東南部的山地沿海森林，是一種小型青蛙，具體一點來說，牠真的超級小，成體只有 12.5 到 19.7 毫米，跟我們的手指甲差不多大而已。

而牠的俗名則是「Pumpkin toadlets」（直翻就是南瓜蟾蜍），顧名思義，牠的體色跟南瓜一樣，全身都是橘黃的喔！而且虹膜也是黑色的，看起來就像裝了一對假的圓滾滾黑色大眼睛，很可愛的樣子。

大家都知道狐狸怎麼叫，那青蛙呢？

大部分的蛙類高度仰賴聲音來進行溝通，有些蛙類在不同的狀況下，還會發出不一樣的叫聲。比如說，當雄蛙或其他種蛙類嘗試找對象進行假交配，卻不小心抱錯蛙時，被抱錯的蛙會發出釋放叫聲 (Release call)，而當牠們被敵人抓住時，則會緊急發出求救叫聲 (Distress call)。順帶一提，去網路上搜尋「screaming frog」就能找到大量的青蛙求救叫聲影片合輯，一開始看覺得滿好笑的，不過後來知道那是求救叫聲後，就越看越難過了。

不過今天主要要說的是求偶叫聲 (mating call)。有些青蛙在求偶時會發出特定頻率的叫聲，且蛙類能聽到的聲音頻率範圍很窄，對同種類叫聲頻率特別敏感，尤其雌性常利用叫聲來確定雄性的位置，並選擇適當的交配對象。

那青蛙是怎麼聽到聲音的呢？鼓膜就像是蛙類的耳朵，而鼓膜內面連著耳柱骨 (columella)，耳柱骨是兩爬類與鳥類的聽小骨，能將聲音傳入內耳的感覺細胞，再刺激大腦產生聽覺。

聽不見彼此，蟾蜍的愛情也可以很安靜

令人震驚的是，根據一篇 2017 年的解剖結果顯示，鞍背短頭蟾和另一種同一屬的青蛙並沒有中耳骨可以將聲波傳進內耳。所以其實鞍背短頭蟾對同種之間的求偶叫聲非常不靈敏，甚至接近聽不見！

這就奇怪了，既然聽不見，那為甚麼南瓜蟾蜍還要白做工，繼續發出求偶叫聲呢？

聽不見彼此聲音的鞍背短頭蟾，只好轉而仰賴視覺來溝通了。因此，研究團隊推斷，發出求偶叫聲這個行為，之所以沒有隨著演化消失的原因，可能是由於發出叫聲時，蟾蜍的鳴囊也會跟著震動，異性就可以藉由看見鳴囊的震動來判斷「噢！原來牠正在求偶。」

另一方面，南瓜蟾蜍求偶的季節正是沿海森林的雨季！這下子，牠們真的只能聽見下雨的聲音，還用唇語（鳴囊語？）說愛情了呢XD

你可能會想，在一整座下雨的森林中，單單只靠鳴囊震動，是絕對不夠讓南瓜蟾蜍在茫茫落葉海中，找到彼此的身影的！許多科學家及生物學家在發現牠們聽不見彼此的求偶叫聲後，也是這樣想的：「究竟他們是靠甚麼來溝通的呢？」

直到研究團隊用紫外線照了鞍背短頭蟾，一切的謎終於被解開了：發光的骨頭。

深埋在骨頭裡的光芒

骨頭、發光……聽起來好像是有那麼一點，中二？

不過這可是大發現！研究團隊發現，鞍背短頭蟾的頭部、背部、關節處、手指和腳趾在紫外線的照射下，都發出了螢光！大部分生物發光的原因都是由於化學變化，不過，南瓜蟾蜍骨頭發光的原理可不一樣，是因為骨頭的分子能將光反射，且反射光的波長更長。

同時，鞍背短頭蟾的皮膚也非常非常薄，成體的皮膚厚度大約只有 7 微米而已！如此薄的皮膚，才能讓骨頭的螢光順利透出來。

至於另一種我們常常想到的「發光生物」──螢火蟲，牠們的發光原理，就是典型的化學反應喔！螢火蟲的發光原理和發光蕈類大同小異，泛科學也有介紹過喔！

發光的骨頭除了能求偶，還能做什麼啊？

關於鞍背短頭蟾的發光現象，還有一點很有趣，那就是年紀比較小的蛙發出來的螢光是偏藍色的，隨著年齡增長與皮膚增厚，螢光會漸漸變黃。研究團隊推斷，發出不同顏色螢光的原因，可能就是骨頭的膠原蛋白含量不同。（作者 OS：搞不好能透過螢光就能看出南瓜蟾蜍的年紀呢！）

另一方面，發光的骨頭不只有求偶作用。

對一些鞍背短頭蟾的掠食者（鳥類和蜘蛛）來說，紫外線都是可見光，意思就是南瓜蟾蜍平常骨頭的螢光，能對掠食者造成警示的效果喔！

原來，蛙兒們就算聽不見彼此的聲音，也能靠著發光找到對方，聽起來是不是有點浪漫呢？

參考資料

1. The National – Abu Dhabi researchers discover toad’s ability to glow in the dark

2. Amphibia Web – Brachycephalus ephippium

3. 維基百科 – Pumpkin toadlet

4. 楊懿如的青蛙學堂 – 鳴叫

5. Types of frog calls

6. 維基百科 – 耳柱骨

8. Scientific Reports – Evidence of auditory insensitivity to vocalization frequencies in two frogs
9. Science News – Tiny pumpkin toadlets have glowing bony plates on their backs

乳汁，一種專門演化出來給我們吃的食物

我們可以確實說，乳汁是唯一一種專門演化出來給我們吃的食物。我們把這個演化的禮物和其他生物共享，製成了起司。製造起司時，乳汁中的一小部分能量給了那些生物，它們慷慨回報無窮的好味道。乳腺，以及有時從乳腺分泌而出的乳汁，對哺乳類所有新生兒的生存都無比重要，真不知道哺乳類的祖先在還沒有乳汁時是怎樣活下去的。我們對於任何適應，都可以提這個問題。

達爾文在《物種原始》中堅稱，天擇造成的演化是一種漸進的過程，大自然不會突然跳一大步，而是踩著小碎步，經過長久的時間，才造成顯著的變化。他認為漸變論是天擇演化的基礎，讓這個理論能夠接受測試，並且寫道：

「如果有任何複雜的器官不是經由許多複雜、連續且細微的改變而造就的，那麼我的理論就完全失敗了。」

生物學家米瓦特（St. George Mivart）一直抓著這個句子攻擊達爾文的理論（他的名字是聖喬治，和傳說中的屠龍英雄一模一樣，或許因為這樣，覺得自己要有一樣的精神），指出古老祖先最早的乳腺應該還沒有發育完全，對於新生小動物來說根本沒有絲毫用處。他說：

「有某個動物年幼的時候能夠活下來，是因為偶然間吸取了母親皮膚上偶然出現的腫大腺體所分泌的一滴液體，其中的營養成分還少得可憐，這種說法可信嗎？」

好一個有著既定觀點的問題。

從汗腺演化而來的乳腺，比哺乳類更早出現

米瓦特年輕的時候支持達爾文的理論，但是在成為演化學家的過程中，由於本身在宗教上的信仰，他抗拒天擇的普遍性，也反對完全不含有上帝設計或指導的這個演化理論。

一八七二年，達爾文在進行《物種原始》第六版（也是最後一版）的修改工作時，發現需要撰寫一章全新的內容，才能夠回答米瓦特的各種批評。

在這一章中，達爾文寫道：「所有哺乳類動物皆具備乳腺，其存在無庸置疑，且必在遙遠古時便已出現……」達爾文繼續說道，米瓦特質疑原始的乳腺對於後代的用處，這個問題其實並不恰當，因為當時已經知道，鴨嘴獸有類似的器官，年幼的鴨嘴獸會直接從母獸皮膚上的腺體吸取乳汁，皮膚上並沒有乳頭，鴨嘴獸幼兒不太可能出現米瓦特所說的那種問題。

鴨嘴獸是卵生的哺乳動物，這類動物稱為「單孔類」，人們認為牠們類似早期的哺乳動物。只有澳洲才有野生的鴨嘴獸，牠們在夜間活動，白天躲在地道深處。在一八七二年的時候，鴨嘴獸能夠生蛋這件事情，還只是沒有經過確認的謠言。

如果當時達爾文就知道鴨嘴獸除了有原始的乳腺之外，還會生蛋，那麼他應該可以更用力強調這種動物是演化史上的孑遺生物，是哺乳動物產卵的祖先和後來具備完整乳頭的哺乳動物之間的過渡期。

就和達爾文當年的推測一樣，製造乳汁的腺體在結構上類似於皮膚上的汗腺，乳腺幾乎可以確定是由汗腺演化而來、具有特殊功能的腺體。他也正確推論出泌乳的古老起源。

現在的遺傳學與生物化學證據指出，最早的哺乳動物大約在二億年前出現。包括鴨嘴獸在內，會分泌乳汁的動物全部具備了一群相同的基因，製造出基本成分相同的乳汁，這便是證據。所有的哺乳動物都得起源於一個共同祖先，這個祖先當時便有了完整的泌乳機制，才會出現後來這樣的狀況。

由於泌乳機制本身很複雜，需要時間才能演化出來，因此起源的時間必定早於二億年前。這聽起來很矛盾，但是蛋比飛鳥更早出現，乳腺和乳汁也比哺乳動物更早出現。

乳糖的優勢：避免細菌及酵母菌感染乳腺

乳汁是一種特殊的液體，有兩種相輔相成的功能：

提供營養，以及提供保護。

營養來自於乳汁中的蛋白質、脂肪、糖類（乳糖）、鈣質與其他礦物質。保護來自於乳汁中的抗體，以及其他具備抗菌功能的酵素，這些成分在初乳中特別豐富。初乳是剛出生哺乳動物最早吸到的乳汁，其中也含有母親的免疫細胞。

乳汁中含有的碳水化合物，全都是罕見的糖類：乳糖，而不是所有細胞都能夠共通使用的葡萄糖。這種情況很少見，值得注意。哺乳動物為什麼要提供這種需要消化之後才能利用的碳水化合物給幼兒？如果乳汁中含有的是即刻便能利用的高能葡萄糖，對幼兒不是更好嗎？答案可能在於乳糖的獨特性質，具備了葡萄糖所缺乏的優勢。世界上到處都充滿想要大吃葡萄糖的細菌和酵母菌，只有幾種細菌能夠利用乳糖。

想想看細菌或酵母菌感染了乳腺之後，會對母親和幼兒造成什麼樣的災難？

釀酒者利用了酵母菌無法讓乳糖發酵的特性，在啤酒中加入乳糖以增加甜味，製造出來的啤酒稱為牛乳司陶特（milk stout）。如果加的是葡萄糖或是蔗糖，酵母菌會把這些糖類轉換成酒精。

乳糖酵素與乳糖不耐症，都是對偶基因在作怪

如果要用特殊的糖類餵養幼兒，會產生一個問題：幼兒需要特殊的酵素分解乳糖，之後才能加以利用。哺乳類的幼兒能夠製造乳糖酶來解決這個問題。當幼兒長大斷奶之後，乳糖酶便愈來愈少，最後身體不再製造這種酵素，因為沒有需要了。成年動物吃的食物中沒有乳糖。所以，哺乳類在小時候把乳汁中的乳糖當作能量來源，成年後卻通常無法消化乳糖。

人類成年後往往也無法消化乳糖。

如果你有乳糖不耐的狀況，又吃了沒有經過發酵的新鮮乳汁，那麼可能會腹瀉、肚子疼，因為腸胃道的細菌會大吃這些乳糖，讓你的肚子漲氣。如果你能夠耐受乳糖，是因為你身上有一種對偶基因，讓你在成年後依然持續產生乳糖酶。這類突變的出現與散播，與個人的家族歷史有關。

摘錄自《與達爾文共進晚餐》，2018 年 10 月，天下文化出版