【成語科學】兔起鶻落：敏捷俐落的獵捕者——兔鶻

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

意外的邂逅：森林間的巨大身影

我初次見到毛腿魚鴞（Blakiston’s Fish Owl，編註：毛腿魚鴞，為世界上最大的貓頭鷹，分布於俄羅斯遠東地區、日本北海道和中國東北地區。貓頭鷹為廣泛稱呼，指的是「鴞型目」一類的鳥），是在俄羅斯的濱海邊疆區（Primorye），這個地方位於海岸邊的大地之爪，是從南邊鈎入東北亞的腹部。

此地偏遠，近俄羅斯、中國與北韓交會處，山巒與鐵絲網交織綿延。二○○○年，在一趟登山旅程中，旅伴與我意外驚動一隻大鳥，只見牠慌忙振翅，飛向空中，發出不悅的咕嗚聲，之後降落在我們上方約十幾公尺的光禿樹冠上。這個毛髮蓬亂的東西像是木屑般的棕色，黃色雙眼彷彿發射出電力，帶著戒心盯著我們。

起初，我們其實不知究竟遇見的是什麼鳥。那顯然是一種鴞，但我未曾見過這麼大的鴞，大小和老鷹不相上下，但羽毛更蓬鬆豐滿，還有大大的耳羽。

在冬日灰濛濛的天光下，這隻毛腿魚鴞似乎太大、太逗趣，不似真鳥，反而像在匆忙間，將一把羽毛黏在一兩歲的小熊幼崽上，再把這隻茫然的野獸擺上樹。這隻動物認為我們是威脅，旋即轉身逃離，張開兩公尺寬的翅膀，在濃密的枝葉間撞擊樹木。林間的樹皮剝落，片片飄蕩，慢慢落下。最後，鳥飛出了視線範圍。

鳥類研究的啟蒙

當時，我來到濱海邊疆區已五年。我年少時泰半待在城市，對世界的想像多為人類打造的地景。後來在十九歲時，跟著父親出差，從莫斯科飛過來，看到宛如大海般起伏的高地山脈，陽光就在這片山之海上映出光芒：那片海好蒼翠蓊鬱，綿延不斷。山脊會高聳入天，又忽地降為低谷，放眼望去是好幾公里的波瀾，令我看得入迷。眼前見不到村落、道路或人類蹤影。這就是濱海邊疆區。我愛上了這裡。

在初次短暫造訪之後，我回到濱海邊疆區，以大學生的身分進行六個月的課程，後來又隨著和平工作團（Peace Corps）在那待了三年。起初，我只是隨興的賞鳥人，賞鳥是我在大學時養成的興趣。然而，每一趟俄羅斯遠東地區的行程，都會點燃我對濱海邊疆區荒野的迷戀。我對鳥類越來越有興趣，越來越全神貫注。

我在和平工作團時，與當地鳥類學家交朋友，精進俄語能力，花了無數的閒暇時間跟隨著他們，學習鳥類鳴唱，協助許多研究計畫。我就是在這段時間初次目睹毛腿魚鴞，並意識到我的消遣可能變成一門職業。

我知道毛腿魚鴞的時間，差不多和認識濱海邊疆區一樣長。對我來說，魚鴞就像我無法說清楚的美麗思維。牠們喚醒我一股奇妙的渴望，宛如我不太明瞭，卻一直心神嚮往的遠方。我在魚鴞躲藏的樹冠陰影下思索著牠們，感覺這裡的陰涼，也嗅聞黏在河邊石頭的青苔味。

用照片證明魚鴞的存在

嚇跑毛腿魚鴞後，我馬上翻閱折了角的野鳥圖鑑，但書上找不到任何看起來吻合的物種。書上畫的魚鴞好似臭酸垃圾桶，而不是方才見到，與我們對抗、鬆鬆軟軟的精靈，不符合我心中對魚鴞的印象。不過，我也不必太費時猜測自己碰到什麼物種：我可以拍照。

我後來把那解析度不好的照片，寄給海參崴（Vladivostok）的鳥類學家瑟格伊．蘇爾馬奇（Sergey Surmach），他是這區域唯一研究魚鴞的人。結果發現，百年來，沒有科學家在這麼南邊的地方一睹過毛腿魚鴞，而我的照片成了證據，說明這種遺世獨立的稀有物種依然存在。

——本文摘自《遠東冰原的貓頭鷹》，2025 年 01 月，知田出版，未經同意請勿轉載

藏在鳴聲中的密碼

說起野生動物時，約翰相當喜歡一探究竟。雖然他研究老虎，但也熱衷於在有空時協助研究魚鴞。四月中的某個晚上，由於缺乏來自薩瑪爾加河的錄音，我就照著瑟格伊教我的，親自模仿起魚鴞的鳴聲給約翰聽，包括四個音的對唱，以及一隻鳥所發出的兩個音鳴叫。我粗糙的咕咕聲沒辦法愚弄魚鴞，但最重要的是，要知道鳥鳴聲的節奏與深沉音調──森林裡沒有其他動物的聲音是這樣。常見的長尾林鴞鳴叫聲是三個音，而這一帶其他可能聽得見的貓頭鷹叫聲──鵰鴞（Eurasian Eagle Owl）、領角鴞（Collared Scops Owl）、東方角鴞（Oriental Scops Owl）、褐鷹鴞（Brown Hawk Owl）、鬼鴞（Tengmalm’s Owl）與山鵂鶹（Northern Pygmy Owl）──鳴叫聲都較高、較好辨識。魚鴞的聲音不會被誤認。約翰明白了該聽什麼之後，我們就出發了。他載著托利亞和我，到捷爾涅伊西邊十公里，也就是謝列布良卡河與圖因夏河（Tunsha）交會處。道路在這裡隨著兩條河分岔，這個地方看起來是魚鴞的完美棲地，有許多淺淺的河道，還有大樹。要前來這裡並不困難，對我們來說會是研究魚鴞的好地點──只要夠幸運能找到魚鴞。

如此展開魚鴞調查並不複雜。相對於薩瑪爾加河，當時我們得先到河邊，沿著結冰的河前進，但在這只要在與河流平行的泥土路開車，暫停下來傾聽奇特的鳴叫聲即可。我們不必太接近河流本身；這樣反而是好事一樁，因為水流聲導致難聽清楚其他的聲音。約翰把托利亞與我留在橋邊，之後繼續開往圖因夏河上游地約五公里。

我們講好，在天黑後四十五分鐘要回到河流交會處集合。我穿著迷彩夾克與長褲，與其說是和環境融為一體，不如說是更能與當地人融合。我朝著一個方向的泥路前進，托利亞前往另一個方向。

我摸摸口袋，確保有手持火焰信號棒。這是用來保護自己的：現在是春天，會有熊出沒。身為外國人，我不能攜帶武器，防熊噴霧又難買，說不定根本找不到。手持火焰信號棒是設計來給遇上麻煩的俄羅斯水手使用的，在海參崴很容易買到，若要使用，只要拉開一條繩索，就能融化化學物質，釋放出震耳欲聾、長達一公尺的火與煙，並持續數分鐘。

在大部分情況下，這種方法夠震撼，足以嚇阻任何抱著好奇卻會帶來危險的熊與虎。但如果嚇阻不了，火焰也可以用來當武器。古德里奇就曾使用過：有一次，他被一隻老虎撲倒，仰躺在地，一手被老虎咬了幾個洞，但另一手就把這火焰之刃往老虎的側身按下去。於是老虎逃跑，他也活了下來。

我走了大約半公里，就聽到魚鴞對唱。那是從上游傳來，也就是我前進的方向，是四個音的嗚嗚聲，或許是從兩公里外傳來。這是我距離發出鳴聲的魚鴞最近的一次，也是我聽過最清楚的二重唱。這聲音讓我留在原地不動。森林裡的某些聲音──鹿鳴、來福槍響，甚至鳴禽的顫音──會響亮爆發，立刻引來關注。但魚鴞的二重唱不一樣。那聲音悠長低沉，充滿自然之感，從森林裡迴盪而出，躲在嘎吱響的林間，隨著滔滔河水彎曲迴轉。那聲音是那麼古老，在大地之間響應。

追蹤魚鴞：三角測量

要幫遙遠的聲音精準定位，三角測量是個可靠的方法。這過程很簡單，只需要一點資訊，以及足夠的時間來收集。以我來說，需要先以GPS裝置，記錄聽到魚鴞叫聲的位置、以羅盤記錄鴞的叫聲來源方向（稱為「方位」〔bearing〕），以及需要時間在魚鴞停止鳴叫或移動前，收集到多個方位。之後就能在地圖上，運用 GPS 點來畫出我的位置，並以尺將每一個相對方位連起來。這些線條交叉處，就是魚鴞發出叫聲的粗略位置。基本上，通常會至少需要三個方位，尋找的位置就位於方位交會形成的三角空間（所以稱為「三角測量」）。

我的動作得快：繁殖期的魚鴞通常會在鳥巢開始對唱，但很快就會飛走狩獵。只要收集到三個方位，就很可能找到巢樹。我快速尋找方位，以 GPS 記錄位置，之後在路上奔跑一下。在泥土路上跑了幾百公尺後，我稍微停下來，聽見心臟撲通撲通跳，之後再仔細聆聽。另一聲對唱傳來。我記錄下另一個羅盤方位與 GPS 位置，之後再跑一下。

來到第三個位置時，鳥就安靜了。我又等了一會兒，拉長耳朵，但森林還是靜悄悄的。我終於明白，在捷爾涅伊這麼久，離魚鴞這麼近，為什麼不記得牠們存在：我必須在正確時間、正確條件下到戶外才有機會。魚鴞對唱很容易被其他聲音蓋過，如果有風或附近有人說話，我就會錯過。

這兩個方位讓我士氣大振。如果夠精準，這兩個方位或許能帶我前往巢樹。我等了一會兒，想聽另一次鳥鳴，但沒有等到，遂順著方才走過的路回去。我在黑暗中興高采烈，腳底下的碎石沙沙響。托利亞和約翰臉上也掛著笑容，都說聽到魚鴞的叫聲。

根據托利亞的描述，他偵察到的顯然就是我在謝列布良卡聽到的那對鳥，但是約翰聽到的則為不同的魚鴞夫妻：他是在反方向聽到對唱。在一個小時之內，我的潛在研究動物名單從零變成四隻鳥。最激勵人心的，就是我們聽到的不是一隻魚鴞，而是成對的魚鴞。單一魚鴞可能是過境鳥，但成對的則代表這是牠們的領域。或許我們明年就能捕捉這幾隻魚鴞，好好研究。

那天夜裡，我在地圖上畫起方位，再把交叉線座標輸入 GPS。隔天早上，托利亞與我開車，沿著坑坑疤疤的泥土路，回到謝列布良卡河，跟著 GPS 灰色箭頭指示，看看這箭頭帶我去哪裡。然而，那條又寬又湍急的大河旋即擋住我們的去路，我們前一晚並未來到這裡。魚鴞一定是在對面鳴叫。我們穿上高筒防水靴，前進謝列布良卡河的主要河道，其寬度大約三十公尺。無論是往上游或下游，水都太深，無法穿越，但這裡不會，深度大約是介於膝蓋與腰部之間，清澈的水在平滑如拳頭大小的石頭上，以及更小的卵石上方奔流。

在濱海邊疆區，即使河水僅深及膝蓋，也可能欺騙門外漢，讓他們以為可以輕鬆度過—謝列布良卡河的水流就和薩瑪爾加河與其他海岸邊的河流一樣，可能相當湍急。我們在涉水過河時，急流推著我們。若在某一點停留太久、偵測往前的路徑時，腳下的卵石就會被沖走。我們來到對面河岸，發現自己位於一個個小島所形成的網路之間，較小的水道交織其中；島上植被茂密，古老的松樹、白楊和榆樹構成森林；而在最容易氾濫的區域邊緣有簾幕垂柳排列。

我們跟著 GPS，來到其中最大的島，周圍是懶洋洋的回水，與其說是溪流，更像是沼澤，而其高地主要是由灌木叢中拔地而起的白楊構成，那些灌木叢和被風吹倒的草木殘骸，在地上糾結著。我拿起雙筒望遠鏡，從一個樹洞掃視到另一個；潛在的巢樹數量多不可數。在這些瘦巴巴的樹木中央，屹立著一株優雅的松樹，宛如一位美女被膽怯的追求者包圍。這是個穩固又健康的美女，強健的紅樹皮樹幹往上升，最後消失在綠色的繁茂枝葉中。我看見在大樹枝上有根魚鴞的羽毛黏在上面，在難以察覺的微風中顫動。

我揮揮手，引起托利亞的注意，於是一行人朝著松樹前進，目不轉睛。雖然濃密的樹枝應該要能遮蔽樹木的基底，不受環境影響，但底下有東西與周圍的融雪混合。這裡充滿魚鴞白色的排泄物──數量繁多──混合著過去獵物的骨頭。

發現棲木：魚鴞隱密的棲身之所

原來，這是一株棲木。魚鴞喜歡在針葉林棲息，這棵松樹就是個例子，可在其白天睡覺時提供遮蔽，保護牠們不受風雪及想騷擾牠們的遊蕩烏鴉注意。我立刻看見魚鴞獨特的食繭（pellet）：這些食繭和其他鴞所產生的不同，並不是灰色、如香腸狀的逆流物．多數的貓頭鷹會吃哺乳類，因此食繭會是毛皮緊緊包裹著骨頭。然而，當魚鴞將無法消化的獵物殘骸反流回來時，沒有東西能把骨頭包起來，因此食繭並不呈現繭狀。

托利亞與我因為這項發現而大受激勵，給彼此俄羅斯式的擊掌歡呼──握手。魚鴞並不像其他貓頭鷹一樣，有習慣棲息的棲木，這麼常使用的棲木是很罕見的。然而，棲木也強烈暗示著巢樹就在附近；雌鳥窩在巢中時，雄鳥通常會在附近守護。早上其餘的時間裡我們伸長脖子，觀察高處的樹洞，果然到處都有樹洞，高度從十公尺到十五公尺都有。我們尋找線索，看看哪棵樹可能有魚鴞巢，可惜徒勞無功。不過，我們確實撞見了魚鴞出沒的祕密之地，這邊無法從河上島嶼與沼澤窺視。

接下來幾天，我們繼續在謝布列良卡和圖因夏河谷，尋找魚鴞的影子。我們聽到了約翰找到的那對鳥，卻找不到實體的跡象。這些留鳥整個冬天都在這裡，但現在雪融了，樹木冒出嫩葉，因此越來越難看到其足跡和羽毛。再過幾天，托利亞前往南方兩百公里的阿瓦庫莫夫卡河（Avvakumovka River），蘇爾馬奇在那邊發現魚鴞住的鳥巢，還有剛孵出的蛋。蘇爾馬奇想要托利亞去監視這巢，記錄成鳥帶回多少食物給幼雛、帶回什麼獵物，及幼雛何時長出羽毛。

我這個星期和約翰一起聆聽鴞的聲音，尋找更多魚鴞可能居住的領域，包括謝普敦河（Sheptun River），幾年前蘇爾馬奇和瑟格伊曾在此找到鳥巢。約翰與我發現了這棵樹，是株粗壯的白楊，可惜已在暴風雪中傾倒，而周圍的灌木繁盛生長，幾乎藏住這棵樹的存在。我們在那邊沒有聽見魚鴞的動靜。

——本文摘自《遠東冰原的貓頭鷹》，2025 年 01 月，知田出版，未經同意請勿轉載。