政治的起源，比人類更古老：讀《黑猩猩的政治》

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

新物種如何誕生，是演化最重要的主題之一，正如達爾文代表作的書名《物種起源》（The Origin of Species，也常譯作《物種源始》）。隨著基因體學帶來愈來愈多新知識，人們對物種的想法也不斷演變。

2023 年發表的一項研究調查多種金絲猴的基因組，意外發現有一種金絲猴，竟然直接由不同物種合體形成。這是靈長類的第一個案例，動物中也相當少見。

五種金絲猴的親戚關係

金絲猴（snub-nosed monkey，學名 Rhinopithecus，也稱為仰鼻猴）主要住在中國西南部和東南亞，目前有五個物種。牠們的中文名字依照地名，英文名字則多半根據顏色。

古時候金絲猴的分布範圍更廣，像是台灣也曾經存在過，如今卻只剩下化石。現今五個物種分別為：

＊（雲南）滇金絲猴（black-white 黑白，學名 Rhinopithecus bieti）

＊ 緬甸金絲猴（black 黑，學名 Rhinopithecus strykeri）

＊（四川）川金絲猴（golden 金，學名 Rhinopithecus roxellana）

＊（貴州）黔金絲猴（gray 灰，學名 Rhinopithecus brelichi）

＊ 越南金絲猴（Tonkin 越南東京，學名 Rhinopithecus avunculus）

比對五款吱吱的 DNA 差異，可知滇、緬甸金絲猴的親戚關係最近，川金絲猴則和黔金絲猴較近，但是黔金絲猴明顯介於兩者之間。黔金絲猴在自己獨特的變異之外，僅管基因組整體更接近川金絲猴，也有不少部分和滇、緬甸金絲猴相似。

見到不同物種之間共享血緣，最直覺的想法是，兩者的祖先發生過遺傳交流。但是詳細比對後，研究猿認為還有機率更高的可能性。

最滑順的劇本是，大約 197 萬年前，滇、緬甸金絲猴的共同祖先，和川金絲猴分家；又經過十幾萬年，約莫 187 萬年前，兩群金絲猴再度合體，形成一個全新的支系，也就是黔金絲猴的祖先；後來滇、緬甸金絲猴再衍生出兩個物種。

這形成如今我們見到的狀態：黔金絲猴大約 75% 血緣來自川金絲猴，25% 源於滇、緬甸金絲猴的共同祖先。

靈長類首見，雜交直接形成新物種

或許有人會疑惑，看起來都是共享 DNA 變異，上述說法和「不同物種之間，發生過遺傳交流」有何差別？

差別在於，所謂「不同物種之間」，指的是新物種已經誕生一段時間以後，彼此間又發生 DNA 交流，這個一點都不稀奇。例如 A、B 物種間發生關係，變成 A 的遺傳背景下，又有一點 B 血緣的物種。

但是黔金絲猴的狀況是，新物種之所以誕生，就是不同物種直接合體所致。例如 A、B 物種發生關係，衍生出差異更大，不是 A 也不是 B，足以認定為新物種的 C。

假如重建的劇本為真，這就是首度在靈長類中觀察到，不同物種直接合體形成新物種的「hybrid speciation」。可以翻譯為「雜交種化」，不過「合體種化」似乎更直觀。

經由兩個物種雜交，直接產生新物種的方式，植物較為常見，哺乳類動物極少。此前古代 DNA 研究認為，已經滅絕的美洲大象「哥倫比亞猛獁」（Columbian mammoth，學名 Mammuthus columbi）是不同猛獁象合體產生的新物種，但是證據沒那麼充分。

• 延伸閱讀：最早古代DNA，超過一百萬年的西伯利亞象

或許沒有那麼罕見？

直接雜交產生新物種，會很難想像嗎？仔細想想，金絲猴的案例可能沒那麼驚悚，或許還有某種程度的普遍性。

回到當初的情境，所謂「兩個物種」在當時其實只分家十萬年而已，差異應該仍很有限。是又累積 180 萬年的分歧到今日，才顯得親戚之間明顯有別。

這邊 197 萬、187 萬、十萬年都是根據 DNA 變異的估計，實際數字未必如此。不過順序大概差不太多，就是首先分出兩群，很短的時間後又合體產生第三群，再經歷好幾倍的時間直到現在。

值得注意的是，我們能判斷演化樹上的不同分枝曾經合流，來自對樹形的比對。假如川金絲猴不幸滅團，這棵演化樹中我們只剩下三個物種的樣本，便會判斷黔金絲猴是跟另外兩種親戚分家而成，卻完全不會察覺有過合體種化。

這麼想來，雜交誕生新物種的現象，或許沒那麼罕見，只是時光抹去了許多痕跡。

血緣融合，猴毛也是奇美拉

另一有趣的發現是毛色演化。金絲猴現今四個物種，外表的毛色為一大差異。毛色與深色素有關，深色素愈多，毛色會顯得愈黑，相對則是愈淡，會呈現白毛、黃毛、金毛。

身為不同演化支系合體的產物，黔金絲猴的毛色也混合兩邊的風格。頭和肩膀的淺色，類似川金絲猴；手腳的深色，則類似滇、緬甸金絲猴。

金絲猴毛的顏色深淺，取決於不同色素的相對比例。棕黑色素（pheomelanin）愈高，毛色愈淡；真黑素（eumelanin）愈高，毛色愈深。例如猴毛中含有大量棕黑色素、少量真黑素，便會呈現金毛。

很多基因有機會影響色素與毛色。分析得知金絲猴們有 5 個基因和毛色關係密切，黔金絲猴的基因組來自兩個支系，比對發現，三個基因 SLC45A2、MYO7A、ELOVL4 繼承自川金絲猴，兩個基因 PAH、APC 則源於滇、緬甸金絲猴。

這些基因如何影響毛色，仍有許多不明朗之處。最明確知道的是，SLC45A2 基因表現降低，會使得棕黑色素產量上升，令顏色變淡。PAH 基因表現增加，可以讓顏色加深。

同一隻金絲猴不同部位的細胞，同一批基因經由不同調控，就能控制毛色深淺。

這篇文章介紹的演化基因體學分析手法，對許多人大概不算容易，但是這些研究帶來的趣味，倒是不難體會。

延伸閱讀

• 臺灣曾有犀牛、花豹、菱齒象？——國立自然科學博物館科教組主任張鈞翔專訪
• 葉猴的社會演化
• 6種狒狒ㄈㄈ尺，男團為主的遷徙潮流
• 多少遺傳改變能造就新物種？達爾文不懂的物種源始
• 果蠅跨物種情慾交流，錯誤組合親代特徵，變成生存弱點
• 家庭影響了箭毒蛙的愛情觀，而這是促進新物種誕生的第一步？
• 怎麼調配黃狗、棕狗，或是黑狗？——狗與狼的遺傳調色盤
• 這是一隻間諜貓熊！——野生大貓熊如何靠「黑白迷彩」融入棲息地的景色？

參考資料

1. Wu, H., Wang, Z., Zhang, Y., Frantz, L., Roos, C., Irwin, D. M., … & Yu, L. (2023). Hybrid origin of a primate, the gray snub-nosed monkey. Science, 380(6648), eabl4997.
2. The Primate Genome Project unlocks hidden secrets of primate evolution
3. Biggest ever study of primate genomes has surprises for humanity
4. Hundreds of new primate genomes offer window into human health—and our past
5. van der Valk, T., Pečnerová, P., Díez-del-Molino, D., Bergström, A., Oppenheimer, J., Hartmann, S., … & Dalén, L. (2021). Million-year-old DNA sheds light on the genomic history of mammoths. Nature, 591(7849), 265-269.

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。

貢貝黑猩猩戰爭

就在你讀這本書之際，從西非的象牙海岸共和國到東非的烏干達，到處都有成群的公黑猩猩在地盤邊界來回巡邏，有組織地追捕並攻擊外來的黑猩猩。牠們小心、安靜地移動，甚至不會花時間停下來吃東西。在烏干達最新的研究中，科學家使用了衛星定位裝置來追蹤努迦（Ngogo）黑猩猩族群，觀察牠們在一九九八到二○○八年之間進行的數十起突襲和二十一起殺戮行動，這些攻擊以吞併鄰近族群告終。

這些黑猩猩僅有的武器是拳頭和牙齒，偶爾也會用石頭和樹枝，但即使是年老的黑猩猩，隨便出手也勝過重量級的人類拳擊手，鋒利的犬齒更可長達四英寸。牠們一旦發現敵人就會拚個你死我活，啃咬對方的手指和腳趾，打斷骨頭、撕爛臉。有一回，靈長類動物學家驚駭地目睹攻擊者扯裂受害者的喉嚨，把氣管拉了出來。

《蒼蠅王》似乎說對了：「獸性就是我們的一部分，離我們很近、很近、很近。」

嬉皮猿愛情派對

但就像所有新的科學領域，大家很快就發現事情更加複雜。我在第一章提到《蒼蠅王》的觀點時，也立刻補充美國人類學家米德在南太平洋島嶼薩摩亞的見聞，她提供了截然不同的視角。

米德相信自己偶然遇見了太平洋上的和平天堂；同樣的，如果我們飛越六百英里，越過遼闊的剛果河，從貢貝來到另一區叫作萬巴（Wamba）的非洲雨林，也彷彿是跟著愛麗絲穿越鏡子，夢遊仙境。

一九八六年十二月二十一日，日本靈長類動物學家伊谷原一在森林中的空地邊緣等待一群猩猩經過，但他驚奇地發現兩群猩猩同時出現了。如果這裡是貢貝，可能五分鐘內就會大事不妙，兩群猩猩互相發出威脅的吼聲，作勢攻擊並揮動樹枝，情況更糟的話甚至會打鬥喪命。

然而，萬巴這裡不是那樣。兩群猩猩只是隔著幾碼坐了下來，互相瞪視。半小時後，其中一群（P群）的一隻母猩猩起身，緩緩走到另一群（E群）的一隻母猩猩面前。過了一會兒，兩隻母猩猩面對面躺下來，張開腿貼緊對方的陰部，並加速來回移動屁股，互相摩擦陰蒂而發出低吟。過不了幾分鐘，兩隻猩猩都狂喘尖叫，緊抱在一起抽搐著。一時之間，兩隻猩猩都歸於安靜，注視著彼此的眼睛，然後精疲力盡地癱軟下來。

此時，兩群猩猩之間的距離也消失了。幾乎所有猩猩都在分享食物、理毛和交配。牠們公配母、母配母或公配公，不分老少地任意交纏著手、嘴與生殖器。牠們「做愛不作戰」^[註1]。

接下來的兩個月裡，伊谷和同事們看到這兩群猩猩再度上演這幕三十多次。他們一次都沒看到貢貝黑猩猩那種暴力行為。不過，這是因為萬巴猩猩不是黑猩猩，至少與貢巴的不是同一種。嚴格說來，兩者同屬不同種，萬巴猩猩是倭黑猩猩（Pan paniscus），而貢貝猩猩就是我們一般所說的那種黑猩猩（Pan troglodytes）。

在外行人眼裡，兩種猩猩根本一模一樣。倭黑猩猩只是體型稍小，四肢較為瘦長，嘴巴和牙齒較小，臉也比較黑，毛髮中分（靈長類動物學家到一九二八年才把倭黑猩猩列為獨立物種）。然而，兩種猩猩的差異有助於解答戰爭有何好處，以及人類在二十一世紀會發生什麼事。

為了避免混淆，科學家通常稱倭黑猩猩為巴諾布猿（bonobo），記者則稱牠們為「嬉皮猿」（hippie chimp），一般黑猩猩就只稱為黑猩猩（chimpanzee），不加特別的形容詞。巴諾布猿和黑猩猩的DNA幾乎一樣，兩者有共同祖先，僅在一億三千萬年前才開始分化。更驚人的是，兩種猩猩與人類DNA的相近程度也一樣。

如果黑猩猩戰爭代表人類可能天生就是殺手，巴諾布猿的雜交派對則顯示我們可能也是天生的歡愛之徒。

除了在格勞庇烏山拔劍相向，兩個陣營的領袖阿古利可拉和卡爾加庫斯搞不好也可能扯掉袍子，互相摩擦下體。

但西元八三年的這幕還是以拔劍相向收場。在我們爬梳背後原因的同時，也將理解人類為何在動手不動口的整整一萬年後，竟然沒有繼續大動干戈，在二十世紀晚期轟掉全世界。背後的解釋也暗示我們將在二十一世紀保持和平紀錄。但這事說來話長，事實上，有三十八億年那麼長。

註釋

註1：作者此處刻意化用美國反越戰時期的著名口號「做愛不作戰」（make love, not war）。後面作者用特別用「嬉皮黑猩猩」這個常見別稱來指涉倭黑猩猩，顯然也與嬉皮是反戰人士有關

——本文摘自《戰爭憑什麼：從靈長類到機器人的衝突與文明進程》，2022 年 11 月，黑體文化出版，未經同意請勿轉載。