Loading [MathJax]/extensions/tex2jax.js

0

1
1

文字

分享

0
1
1

一千年前的地球「聞」起來如何?人類世前後環境氣味的變化——《你聞到了嗎?》

臉譜出版_96
・2023/02/07 ・1853字 ・閱讀時間約 3 分鐘

一千年來氣味景觀發生了很大的變化

走在一千年前的路上,你的感官體驗大概會跟在現代的感覺大不相同。看看西元 1021 年的周遭世界,你舉目所及沒有汽車、飛機或船隻,甚至(以今日的眼光來看)連像樣的道路都沒有。

西元 1021 年的周遭世界,甚至(以今日的眼光來看)連像樣的道路都沒有。圖/elements

過去的世界無疑比今日的世界安靜許多,或許根本可以說是寂靜無聲也不一定。然而這些都是聽覺與視覺的感受,那麼嗅覺呢?

嗅覺也分為許多層面。

嗅覺也分為許多層面。圖/elements

一千年前的人類以及整個環境的氣味與今日是否有所不同?甚至是與一百年前相比,是不是就已經不一樣了呢?

-----廣告,請繼續往下閱讀-----

我們周遭的氣味在這段時間以來,究竟有哪些改變?而我們人類又對氣味景觀(smellscape)——也就是你我四周那龐雜交錯的各種氣味所構成的景觀——產生了哪些影響?

我們自己的氣味與對氣味的感知是否有所改變?人類的各種行為是否影響了我們的嗅覺能力呢?是什麼導致了人類與動物產生這些變化?

是什麼導致了人類與動物產生這些變化?圖/elements

人類帶來了新氣味!

首先,1021 年的你絕對不會聞到汽車廢氣或是汙水處理廠傳出的臭味,也不會有撲鼻而來的合成氣味,例如:香水、除臭劑以及新車的味道,自然環境聞起來可能也大不相同。

自從人類開始在地球的每一個角落殖民以來,我們就開始想方設法改變、操控、開發地球環境。隨便舉幾項好了:我們砍伐樹木、種植糧食作物,導致許多植物與動物滅絕,使世界邁入工業化社會。

-----廣告,請繼續往下閱讀-----

這個因人類活動產生劇烈變化的全新地質年代,通常被稱為人類世。

人類世確切的起點仍有爭議,有些人主張這段時期是從一萬至一萬五千年前的農業革命開始;也有人認為是在二次世界大戰後,一個由核子試驗、1950 年後的「大加速」(The Great Acceleretion)及其伴隨的社會經濟、氣候鉅變所定義的時期。

目前在世界各地已超過2,000次核試驗。圖/wikipedia

無論選擇哪一個尺度來定義人類世,人類無疑對地球的整體環境產生了巨大的影響,改變了我們與所有動物呼吸的每一口空氣,以及每一次呼吸裡所蘊含的每一個物質分子。

大自然的氣味變了?

我們先來談談自然界的氣味,以及這些氣味可能是如何改變的吧。

-----廣告,請繼續往下閱讀-----

一千年前,大自然還未受到人類的劇烈影響,各種植物與動物在原野與森林裡共存,到處都是怒放的野花,松樹、杉樹與各種落葉木錯落生長;當時自然界的大主題就是——物種多樣性。

一千年前,大自然還未受到人類的劇烈影響,各種植物與動物在原野與森林裡共存。圖/elements

隨著時序推進,人類開始砍伐、焚燒森林,將原本野花繁盛、綠草如茵的原野都變成了農田。這些舉措讓人類的版圖開始大肆擴張、繁衍,同時也劇烈改變了周遭的氣味景觀。

一改過去物種繁多、交雜錯落的林相,我們開始大面積種植單一樹種,環境的氣味也因此開始變得單一。就以現代樹種單一的杉樹林與樹種多元的古老森林相比好了,如果各位有機會走進森林就可以聞聞氣味、好好比較,這兩種林相的氣味是否有所差異。

在田野之間,物種單一化的改變同時發生;以往存在各式各樣物種的土地,都變成了種植單一作物的農田。

-----廣告,請繼續往下閱讀-----

美國的大草原變成看不到盡頭的玉米田和麥田,歐洲的草地也同樣消失在我們的視線之中。就在我們沉浸於四周所謂的自然氣息時,氣味景觀卻早已大不相同。怎麼會這樣?

——本文摘自《你聞到了嗎?:從人類、動植物到機器,看嗅覺與氣味如何影響生物的愛恨、生死與演化》,2023 年 1 月,臉譜出版,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----
文章難易度
臉譜出版_96
88 篇文章 ・ 255 位粉絲
臉譜出版有著多種樣貌—商業。文學。人文。科普。藝術。生活。希望每個人都能找到他要的書,每本書都能找到讀它的人,讀書可以僅是一種樂趣,甚或一個最尋常的生活習慣。

0

0
0

文字

分享

0
0
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)」!

-----廣告,請繼續往下閱讀-----

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。

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。

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。/ 圖片提供:研華科技

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----
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。/ 圖片提供:研華科技

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

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

3
2

文字

分享

0
3
2
誠實面對人類參與的「自然」——太田欽也專訪
顯微觀點_96
・2024/07/11 ・3235字 ・閱讀時間約 6 分鐘

本文轉載自顯微觀點

斑馬魚是最知名的模式生物之一,其基因、型態與發育深受了解,並用於探討深度同源等重要演化生物學問題。但也有科學家提出,演化生物學該持續隨環境演進,並嘗試以新的實驗物種——金魚——探討人類世(Anthropocene)環境下的生物演化。

育種歷史與基因巧合 奠定金魚的演化生物學價值

例如有千年馴化歷史、型態千變萬化的金魚,就相當適合探討人類因素與生物型態演化的關聯。

中研院細生所派駐臨海研究站的演化與發育生物學家太田欽也指出,斑馬魚與金魚兩者的胚胎都可以透過顯微鏡仔細觀察,相對於受精一年後才成熟的金魚,斑馬魚有成熟較快,基因組較為單純等優點,也具備許多現成基因研究工具。

-----廣告,請繼續往下閱讀-----

但斑馬品系間仍以其生理機能與基因為主要差別,對型態差異的演化並未那麼明顯。因為,科學家為了操作基因與細胞特徵而培育斑馬魚,使不同品系的差異大多來自目標明確的基因工程。

金魚型態演化圖。Courtesy of Kinya Ota and Gembu Abe

而金魚的型態變異,則完全來自飼養者對型態的偏好和育種,蘊藏更多元的型態變化與發育差異。其悠長的馴養歷史以及更古老的基因重複(Gene Duplication)機遇,使其值得成為演化發育生物學的新模式生物。研究器材和方法上的調整,則是生物學家展現才智的機會。

太田欽也舉例,「一般的解剖顯微鏡工作距離適合觀察和操作斑馬魚,但是經過我們自己的創意,也改裝出可以對金魚進行顯微手術的器具和適合拍攝的大型解剖顯微鏡。設備上的差異並不難克服。」

金魚胚胎的發育生物學優勢

太田欽也說,現代生物學家以果蠅和微生物育種進行遺傳與演化實驗,擴大時間維度來看,千年來金魚愛好者挑選、強化金魚外觀特徵的過程,可以比擬長時間的人擇實驗。

金魚不僅適合用來觀察人擇壓力如何影響成年生物的型態。太田欽也更想進一步探索,從胚胎階段的差異進行選擇,是否可能改變生物的型態。

-----廣告,請繼續往下閱讀-----

太田欽也提到,人工育種對發育與型態的影響力也展現在其他物種上,例如家犬與鴿子也被培育出許多特殊表型。但是哺乳動物和鳥類的胚胎觀察不易,需要相當高的技術與成本。

相對於動物子宮與鳥類蛋殼內的胚胎,在透明卵囊中發育的半透明金魚胚胎,就是非常容易觀察的研究對象。只要有恰當的複式顯微鏡、解剖顯微鏡和顯微手術能力,金魚的胚胎從受精到孵化都可以全程順利紀錄,而且每次繁殖可以蒐集到上百筆資料。

現代顯微攝影技術搭配容易觀察的金魚胚胎,讓太田欽也可以拍攝清晰影片,在網路上生動地分享發育生物學知識。攝影:楊雅棠

自製影片 盼演化生物學跨過學院圍牆

除了將金魚研究成果發表在 Nature 等科學期刊,太田欽也同時努力當起「Youtuber」。他希望能將演化發育生物學、金魚飼育經驗、臨海研究站的學術特色,甚至是宜蘭的風光,透過網路傳達給大眾。

武漢肺炎導致的漫長隔離,是他學習影音製作的契機。最初他在百無聊賴之下看了大量影片,後來逐漸萌發「我也要拍自己的題材!」的企圖心。開始搜尋拍攝、後製、配樂等網路教學,在隔離的單人房中逐漸進步。

-----廣告,請繼續往下閱讀-----

太田欽也說,拍攝影片最重要的動機是「分享」。他解釋,「科學的頻道不管累積再多追蹤者,例如數十萬人追蹤的 Nature, Science, 觀眾也以科學領域工作者為主。現代知識逐漸朝向『專家』與『外人』的兩極化狀態發展,我不喜歡這樣的社會。」

如同他推進學術研究的方法,他也透過自學、自己組裝基礎設備如空拍機、手機等,在節省開支的情況下拍出了中研院同僚為之驚艷的影片。

太田欽也為臨海研究站拍攝的簡介影片,基本款空拍機呈現了頭城的舒暢美景。

在早已開始的人類世 何謂自然?

太田欽也熱衷以空拍影片介紹宜蘭的郊野與人文,但他對主流輿論的「自然環境」內涵存疑,他認為「自然」早已被人類行為大幅改變。自從農業擴張、工業革命發生,人類對環境與生物的改變程度早已無法恢復「自然原貌」。

他以金魚的馴化過程為例,從宋朝開始的愛好者,透過育種極力凸顯特殊形態,從沒有背鰭的「蛋種」,到眼周水泡足以遮蔽視線的「水泡眼」。都不是基於適應「自然」而進行的育種。

-----廣告,請繼續往下閱讀-----

太田欽也強調,「如果是宋朝或明朝人有今天的生物學工具,以他們的追求珍奇的育種態度,一定會用 CRISPR 編輯金魚基因,製造出更奇特的變異型態。」

他說,這樣的行為會在現代科學圈與社會輿論上遭到反對,「認為動物被修改基因、型態變異很可憐」,但人類採用動物進行藥物實驗或經濟用途時,也並未優先考慮「自然原則」。

太田欽也反問,「若是透過基因編輯技術將金魚修改回類似野生鯽魚的型態,更適應野外環境,這樣算是自然或不自然呢?」

建立科技倫理 而非堅守「自然」想像

他指出,金魚的馴化與育種反映著東亞社會的自然觀念,不同於西方基督教倫理的「人統御、保護自然」意識形態。可以促進人們反思,人類也身在其中的「自然」的標準是什麼?而非執著於保護想像中的自然「原狀」。

太田欽也強調,「本質化『自然』、建構一個保守不變的形象,不會幫助人們了解生物學。」

他認為,宋朝人、明朝人的自然觀念與今日不同;甚至現代人常引用的「道法自然」倡議者老子,他所提倡的自然,與現代許多人想像、意圖恢復的也是不同的自然。

背鰭退化、尾鰭倍增的蛋種雙尾金魚,是古代貴族最青眼有加的奇特型態之一。作者:清 馬文麟 來源:國立故宮博物院

太田欽也建言,科學地面對人類因素影響世界各地生態的現實、建立基因科技的社會倫理與規範,都是比恢復建構出的「自然」意象更重要的生物學議題。

-----廣告,請繼續往下閱讀-----

來自日本和歌山縣鄉間的太田欽也說,長期駐守宜蘭頭城的臨海研究站不僅是因為設施與職位,也是因為此處環境與故鄉有幾分神似。

「但我不會說這兩個地方都很『自然』,在人們對我說『這裡很自然!』的時候。」太田欽也無奈地笑說,「想到周遭可以釣起吳郭魚的溪流、被整治疏濬成田園的原洪氾濕地,反而會讓我很疑惑彼此對『自然』的共識。」

1995 年諾貝爾化學獎得主克魯岑(Paul Crutzen)指出,現代已是由人類行為影響地質特性的人類世。此概念引起地質科學界激烈討論,從新石器時代、工業革命到核彈試爆頻繁的 1960 年代都有學者認為是人類世的開端。

最後由國際地層委員會的人類世工作小組投票決定,視第二次世界大戰後、人口與人類活動高速成長的20世紀中葉為人類世起點。

查看原始文章

  1. Li IJ, Lee SH, Abe G, Ota KG. Embryonic and postembryonic development of the ornamental twin-tail goldfish. Dev Dyn. 2019 Apr;248(4):251-283.
  2. Abe G, Lee SH, Chang M, Liu SC, Tsai HY, Ota KG. The origin of the bifurcated axial skeletal system in the twin-tail goldfish. Nat Commun. 2014 Feb 25;5:3360.
  3. 太田欽也實驗室
-----廣告,請繼續往下閱讀-----

討論功能關閉中。

0

0
0

文字

分享

0
0
0
找出品酒的「底層邏輯」——我們的身體如何品出酒品的獨特感受?
鳥苷三磷酸 (PanSci Promo)_96
・2023/10/27 ・1234字 ・閱讀時間約 2 分鐘

-----廣告,請繼續往下閱讀-----

本文由 財政部國庫署 委託,泛科學企劃執行。

你注意到了嗎?在品酒時,品酒師不會一口乾,而是充分觀察、品嚐後才會下肚。這些動作可不是單純裝模作樣,而是有科學根據的。品酒有五個基本動作:觀察、搖晃、聞、啜飲與漱口、吞嚥,究竟我們的感官跟大腦是怎麼接收酒的訊號呢?

從最簡單的「嗅覺」開始,酒杯湊近口鼻、進入口腔,我們可以聞到「外部」和「內部」的香氣。外部指的就是用鼻子聞到的香氣,是先穿越鼻孔到達嗅上皮組織,形成我們所熟悉的正鼻嗅覺。而內部呢?那些已經在我們嘴巴裡的酒液,會走鼻咽和後鼻孔這條路,最終到達嗅覺粘膜。即使這口酒已經被喝下去,只要輕輕呼口氣,也依然能「聞」到酒味。

圖/giphy

另外,口鼻之間的通道,也就是鼻咽,在吞嚥的過程中會關閉,所以在吞嚥時會有一種「味道好像弱掉了」的錯覺,但其實只是你暫時無法靠鼻間的任何通道呼吸而已。這也是為什麼品酒師會要把酒液含在嘴巴裡漱口,甚至還會打開嘴巴吸一口氣。

-----廣告,請繼續往下閱讀-----

緊接在嗅覺之後的「味覺」,則是重頭戲!食物進到嘴巴,溶解在唾液中,啟動了味覺受器。人類可以透過味蕾的受器感受到「鹹、酸、苦、甜、鮮」五種味道。不過,也有部分的人不喜歡酒的原因,正是因為味覺。美國賓州大學農學院過去研究發現,人體中的苦味受體來自基因 TAS2R13 和 TAS2R38,辣椒素受體則來自基因 TRPV1。因此不同的基因表現,影響著人們對這兩種味道的感受,也決定了他們的攝取喜好。

圖/giphy

講完了嗅覺和味覺,別忘了品酒前的「觀察」。事實上,人們對風味的知覺基礎,來自多重感官的整合。當我們在觀看一杯酒的色澤和濁度時,大腦已經在默默「品嚐」它了。就像是望梅止渴、看到好吃的大餐肚子就先餓了起來。

除上述提到的「身體」感官,其實喝酒的時段、溫度、聲音、順序也會影響我們「心裡」的感受。但話說回來,在品酒前,最重要的應是選擇安全以及衛生的酒品來源,就是要慎選合法的販售業者,並挑選標示內容清晰、完整的酒品。

財政部自 2003 年起委託專業執行機構共同推動「優質酒類認證」制度,從原料、製程、品管、後續追蹤等層層把關,最後通過優質酒類認證技術委員會審查的酒品,才能被授予使用 W 字型認證標誌。因此,選購有 W 認證標誌的優質酒品,可以讓我們在品飲時更加安心!

-----廣告,請繼續往下閱讀-----

 資料來源:財政部國庫署 廣告

-----廣告,請繼續往下閱讀-----