植物的彩色智慧

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

民以食為天。日常裡，我們習慣以鹹食作為正餐，可想而知，鹹的味覺感知一定有著其必要性，使得我們懂得去尋找並補充帶有鹹味的食物。

食鹽長怎樣？

聰明的你或許已經想到了！關於鹹味，那就不得不提——鹽。

現代人類在食物中添加鹽作為調味劑，統稱為食鹽。我們常使用的餐桌鹽為一種含有 97～99% 氯化鈉（NaCl）的精製鹽。

氯化鈉是一種常見的離子化合物，在多數情況下呈現白色粉末狀，其結晶為半透明的立方體；其內部結構為史上第一個測試的晶體結構，由帶正電荷的 Na⁺ 和帶負電荷的 Cl⁻ 所組成。Na⁺ 與 Cl⁻ 在相互垂直的 3 個方向平面上，以 1:1 的比例均勻分布，如下圖所示。

鹽含有維持生理機能的所需物質，除了用來增添風味、滿足口腹之慾以外，也能讓我們從中獲取所需的營養。適當攝取氯化鈉對健康有許多好處，不僅有助於使肌肉鬆弛，也能幫助細胞吸收養分。

而氯化鈉當中的鈉離子，更是在人體中扮演著重要角色！

「鈉」很重要，「鈉」很重要，「鈉」很重要！

鈉離子為體液中重要的電解質，可以維持神經和肌肉正常活動；血液中的鈉離子濃度影響著神經傳導物質的信號；而鈉離子也幫助代謝、維持體內滲透壓，以及穩定酸鹼平衡等重要生理活動。

除此之外，鹹味的感受主要也是透過鈉離子觸發的！

這邊我們額外提一下，味覺的感受可分為兩種：一種是透過 G 蛋白耦合受體獲得的，也就是讓味覺感受器及味道分子耦合味蕾上的 G 蛋白味導素（Gustducin），進而產生甜味、苦味、鮮味；另一種則是離子（如：H+、Na+ 等）通過味覺細胞上的離子通道，導致細胞的膜電位產生變化，進而引發神經刺激，產生酸味和鹹味。

回到鹹味的感受，當鈉離子經由味覺細胞頂端微絨毛表面的鹹味受體——上皮鈉離子通道（epithelial sodium channel）進入細胞後，就會造成細胞內的膜電位改變，促使味覺細胞釋出神經傳導物質，刺激感覺神經末稍，將神經動作電位傳達至腦部，感受出鹹味。

人體一旦缺乏鹽分，或者說是缺乏鈉時，會造成體內電解質失衡。頭痛、暈眩、懶散等初期症狀較不易察覺；然而，嚴重的話，則可能引發肌肉痙攣、血壓下降，甚至心臟衰竭而死亡。

另外，我們也需要知道，不只是人類，對於所有動物而言，鹽分的攝取是非常必要的。

只要是動物都需要鹽哦！

動物如何攝取鹽分與飲食方式有關。牠們會想方設法尋覓鹽分，如肉食性動物可透過捕食獵物獲得，肉品中的鈉含量足以供牠們維持生理運作；然而，植物無法提供足夠的鹽分，因此，野外的草食性動物會大群移動、遷移尋找有鹽分的地方，如鹽土、天然礦鹽等，而圈養型的飼主則需提供鹽磚，讓動物透過舔舐含鹽物質，滿足自身所需的營養。

當然，那些在植物周圍打轉的昆蟲也不例外——牠們亦須設法獲取鹽分。

近期，皇家學會（Royal Society）《生物學報》（Biology Letters）發布了一篇與動物攝取鹽分相關的報告。研究發現，蜜蜂這類會幫助植物授粉的物種（pollinator，可譯為傳粉者）會在吸食花蜜時，選擇含鹽量較高的植物，藉此補充自身所需的鈉。

蜜蜂比較喜歡鹹鹹的花蜜？

過去就有研究表明，蜜蜂主要吸食的花蜜僅含有少許營養素，而所採集的花粉中，主要為鉀、鈣、鎂等礦物質，其含量在夏秋兩季之間會有所不同。

由此可知，僅靠花卉飲食並不足以維持個體生命，甚至是支撐起整個蜂群，因此蜜蜂會透過其他攝食方式來補足所需的礦物質，其中則包括鈉。例如：比起在乾淨的水源中覓食，蜜蜂反而更喜歡「骯髒」（這裡的骯髒是指富含化合物）的水，又或者是食用腐爛的水果、肉品，從中取得鈉。上述兩個例子也在實驗中發現，比起攝取其他礦物質，蜜蜂更偏愛鈉。

綜上所述，再回到生物學報上的研究報告，該研究團隊試著證明比起髒水及腐食，花蜜中的鈉含量若是足夠，或許也會受牠們青睞，進而從中獲取營養。於是，團隊提出了這樣的問題：「花蜜含鈉量的多寡，是否會影響蜜蜂吸食時選擇的花卉？」換句話說，就是「含鈉量越高的花蜜，是否更能吸引蜜蜂拜訪？」

實驗過程及結果

該研究團隊選擇了五種原產於佛蒙特州（該實驗室位置）的開花植物，其中包括蓍草和紫錐花，並種植在面積約一個籃球場大的溫室裡。

在每個溫暖、有陽光、適合授粉的日子裡，研究人員都會使用微型手動泵，將原有的花蜜從花中吸出，改以含糖溶液代替。每一種植物中，有一半被注入含有 1% 鹽的人造花蜜，而另一半則不含鹽；隨後，全天觀察植物，追蹤前來拜訪花朵採蜜的蜜蜂、螞蟻和蝴蝶。實驗從 2021 年 7 月開始進行，為期一個月。

實驗結果發現，對於任一種花而言，被含鹽花蜜的花所吸引的各類傳粉者，為僅含糖的兩倍；進一步說明，花蜜中的鈉含量多寡，確實影響了傳粉者對於花卉個體的選擇。

現代植物已經演化出許多種方法來吸引傳粉者，其中包括產出含有傳粉者必需的營養物質之花蜜，吸引牠們前來幫助授粉。

鈉是傳粉者必需的礦物質。考量到植物的花蜜中通常含有少量鈉，而在同一物種中，鈉的含量可能因個體而異，加上現階段關於花蜜與傳粉者間的相關研究較少；因此該團隊人員就實驗結果討論出：花蜜中的鈉可能在植物—傳粉者相互的生態和演化中，發揮著重要但仍未被重視的作用。

結語

筆者認為，動物均有尋找鹽分的能力，若花蜜中含有足夠的鈉，那麼就近取得確實容易許多，似乎就不用倚靠其他方式來攝取鈉。筆者也期待未來能有更深入的研究，進一步確認兩者間的相關性，甚至是演化趨勢。

最後，不忘提醒讀者，現代社會中鹽分的攝取非常容易，人類膳食中大多數的鈉來自食鹽，而在一般情況下，人體所需的鈉含量不易缺乏。根據世界衛生組織建議，成年人每天應攝取少於 2,000 毫克的鈉，相當於 5 公克的食鹽。因此，在享用美食的同時，應謹記鹽攝取量不宜超過每日所需。高鹽飲食可能出現高血壓、中風、心臟病等健康危機。

註解

1. Purves D, Augustine GJ, Fitzpatrick D, et al., editors. Neuroscience. 2nd edition. Sunderland (MA): Sinauer Associates; 2001. Taste Receptors and the Transduction of Taste Signals.

1. Pollinators like their flowers with a dash of salt—Science news
2. Finkelstein Carrie J., CaraDonna Paul J., Gruver Andrea, Welti Ellen A. R., Kaspari Michael and Sanders Nathan J. (2022). Sodium-enriched floral nectar increases pollinator visitation rate and diversity. Biology Letters. 18:20220016
3. Bonoan, R.E., Tai, T.M., Tagle Rodriguez, M., Feller, L., Daddario, S.R., Czaja, R.A., O’Connor, L.D., Burruss, G. and Starks, P.T. (2017). Seasonality of salt foraging in honey bees (Apis mellifera). Ecological Entomology, 42: 195-201.
4. Dorian, N.N. and Bonoan, R.E. (2021). Stingless bees (Apidae: Meliponini) seek sodium at carrion baits in Costa Rica. Ecological Entomology, 46: 492-495.
5. Insects & Pollinators
6. 新竹市立動物園—草食動物營養知識 / 需要吃鹽？
7. 鹽的故事：妙不可「鹽」–鹽的重要性與應用—科技大觀園
8. 味覺產生的分子機制上（Taste）—科學 Online
9. 味覺產生的分子機制下（Taste）—科學 Online
10. 氯化鈉—科學 Online
11. 食鹽—維基百科
12. 氯化鈉—維基百科

你可能體會過屁股開花，那有聽過「鐵樹開花」嗎？

所謂鐵樹，指的就是蘇鐵 (Cycads)，繁殖期時結有鮮豔雌毬果和雄毬果，人工種植環境下往往多年才開一次花（毬果），因此鐵樹開花比喻事物罕見或極難實現。

蘇鐵是木本、雌雄異株且外型類似棕櫚的裸子植物，它們起源於二疊紀並且興盛於中生代，然而在開花植物興起後慢慢衰退淡出歷史舞臺，現生的蘇鐵分布於熱帶和亞熱帶區域，雖然有些種類被廣泛利用為田園造景，然而多數種類面臨著棲地破壞、非法交易和外來入侵物種的威脅，許多種類都名列 IUCN 的保育名錄中。

只在澳洲有！極其稀少的「美麗波溫蘇鐵」

澳洲是世界上主要的蘇鐵多樣性中心之一，擁有 4 個屬接近 90 個物種，其中波溫蘇鐵屬 (Bowenia) 外型特殊且珍貴稀有，目前地球只能看到兩個現存活生生的物種，相較於多數蘇鐵的棕櫚狀葉子，波溫蘇鐵的葉形渾圓，為僅產於澳洲的特有植物。

其中，美麗波溫蘇鐵 (Bowenia spectabilis) 是《瀕臨絕種野生動植物國際貿易公約》 (CITES) 附錄的物種，保育重要性高，僅分布於北昆士蘭的熱帶雨林區，通常成群分布，植株間不會相隔太遠。

專一且唯一的授粉者，像極了愛情

雖然蘇鐵過往長期被以為是藉由風媒傳播進行授粉，然而近年已證實蘇鐵是真真正正的蟲媒植物喔！

本文的主角——闊胸波溫蘇鐵象鼻蟲 (Miltotranes prosternalis) 就是美麗波溫蘇鐵專一且唯一的授粉者。

授粉的機制大致上為：一年一度初夏的蘇鐵生殖期時，雌雄植株會各自生成毬果，雄毬果的小孢子葉組織富含養分，可吸引象鼻蟲進食、交配和產卵，是如同糖果屋一般的存在，若吃過一輪雄毬果小孢子葉而渾身沾滿花粉的象鼻蟲進入了雌毬果，則授粉過程水到渠成，像極了愛情。

雌毬果雖然長的跟雄毬果類似，但其大孢子葉並不提供這樣的「糖果屋」功能，到底雌毬果是否靠著特殊的化學氣味「吸引」了象鼻蟲，還是藉由擬態雄毬果的外型和氣味來騙到走錯路的象鼻蟲，具體的授粉細節尚未明瞭。

不管怎麼說，我們都能在野外觀察到有象鼻蟲造訪雌毬果，同時這些象鼻蟲也常常被發現沾滿了花粉。

飛往澳洲，踏上尋找象鼻蟲的征途

2019 年 10 月底，在我澳洲博班旅程的第三個學期末，有幸和所上同仁一同前往北昆士蘭雨林區域進行 14 天的採集，我也當了隨隊伙房兵兩周，體驗了衣食父母的辛苦（？）。

在這趟野外採集中，我們針對了當地特有的美麗波溫蘇鐵與其專一授粉者闊胸波溫蘇鐵象鼻蟲的生態進行了野外調查，並採集了一些幼蟲帶回實驗室進行飼養。

在本研究前的距今 16 年前，當我還在唱著「窗台蝴蝶像詩裡紛飛的美麗章節」及「不懂愛恨情愁煎熬的我們都以為相愛就像風雲的善變」的時候，詹姆士庫克大學的植物學家 Gary Wilson 發表了有關波溫蘇鐵系統學和相關生物學的碩士論文。

翻出 16 年前的研究，戰起來！

在他的論文和期刊發表中，他提到波溫蘇鐵象鼻蟲幼蟲會在雄毬果內發育並化蛹，而在蘇鐵生殖季比較末期才出現的象鼻蟲幼蟲／蛹，則會選擇在蘇鐵植株附近的表層介質進行休眠並再次活躍於次年的毬果繁殖期，而由於在北昆士蘭地區緊接著蘇鐵生殖季的是雨季，有著豐沛的降雨，他認為濕潤的介質是這些象鼻蟲幼蟲生存所需 (Wilson 2002a, b, 2004)。

然而在我們研究中，我們結合了實驗室內人工飼養的資料和野外觀察，我們重新對闊胸波溫蘇鐵象鼻蟲的生態習性進行了釐清，並反駁了 Wilson 的觀點：

• 問：波溫蘇鐵象鼻蟲幼蟲會在雄毬果內發育並化蛹嗎？
• 答：我們認為不會，而是幼蟲會離開雄毬果並就地尋找適合的介質建造蛹室和化蛹。

教授你搞錯了，「這根本不是象鼻蟲！」

我們綜合三點反駁原觀點：

1. 為該學者在論文中提供的照片根本就不是象鼻蟲，甚至不是甲蟲的蛹。
2. 經過人工飼養後，我們發現所有的幼蟲都可以在實驗人員提供的腐朽木質中化蛹並羽化。
3. 在我們的採集中發現，雖然在小小的毬果裡可以發現超過十隻幼蟲進食，但成熟雄毬果分解、腐化的速度相當快（兩周），考慮了我們飼養時的蛹期（五周），不太可能在野外的毬果還有足夠的介質和空間可供幼蟲化蛹。

因此，我們認為波溫蘇鐵象鼻蟲幼蟲在野外應該是就地尋找適合介質化蛹。

• 問：波溫蘇鐵象鼻蟲幼蟲／蛹會在植株附近的表層介質進行休眠並再次活躍於次年的毬果繁殖期嗎？
• 答：我們覺得不會，而是以成蟲形式度過蘇鐵繁殖季間期的。

我們依舊對這個論點進行了批判，首先，該學者提供在學位論文中的照片依舊鑑定錯誤，再者，我們此趟進行採集的區域中，不論是成熟或未成熟的植株附近表層介質都完全找不到所謂的休眠幼蟲或是蛹，而最終在我們的飼養中，所有的幼蟲都是按時羽化離開蛹室的，沒有任何的休眠。

雖然無法得知牠們在野外時細節上如何度過這段長達一年的蘇鐵繁殖季間期，是否有其他替代食物？或者能不吃不喝熬過去？

然而目前證據仍然較為支持波溫蘇鐵象鼻蟲在野外應該是以成蟲形式度過蘇鐵繁殖季間期的，這點在其近親澳蘇鐵象鼻蟲 (Tranes) 也已被觀察到。

• 問：波溫蘇鐵象鼻蟲幼蟲喜歡濕潤的環境條件嗎？
• 答：我們仍然持否定觀點，認為通風、稍嫌乾燥的環境能讓蟲體順利存活。

在我們的飼養中已證實濕潤的介質會讓幼蟲焦躁不安過動而死亡，這點在我們針對近親澳蘇鐵象鼻蟲的飼養嘗試中，也發現類似的狀況，反倒是通風、稍嫌乾燥的環境能讓蟲體順利羽化。

尤其北昆士蘭雨林區在夏季時會大量降雨，在這樣的環境條件下，牠們真的會在幼蟲或蛹階段時利用休眠來度過這段潮濕期間嗎？

Wilson 的推論實在讓人難以信服，這樣的環境條件更支持了我們的推測，闊胸波溫蘇鐵象鼻蟲比較有可能以成蟲樣貌來度過蘇鐵繁殖季。

本研究除了增進了闊胸波溫蘇鐵象鼻蟲這個獨特的澳洲蘇鐵專一授粉者的認識外，我們所提出的飼育方法也有助於未來對近緣類群進行飼養以取得更進一步的生物學資訊，本論文已線上刊載於日本昆蟲學會的期刊「昆蟲學科學 (Entomological Science) 」。

1. Wilson, GW. 2002a. Focus on Bowenia spectabilis Hook. Ex Hook. Encephalartos 70, 10–14. 
2. Wilson, GW. 2002b. Insect pollination in the cycad genus Bowenia Hook. ex Hook. f. (Stangeriaceae). Biotropica 34, 438–441. 
3. Wilson, GW. 2004. The biology and systematics of Bowenia Hook ex. Hook f. (Stangeriaceae: Bowenioideae) (Masters (Research) Thesis). James Cook University, Cairns
4. 原文研究：Hsiao, Y. Oberprieler, R.G. 2020. Bionomics and rearing of Miltotranes prosternalis (Lea, 1929) (Coleoptera: Curculionidae), a mutualistic cycad pollinator in Australia. Entomological Science 23: 369–373. doi: 10.1111/ens.12434.