世界最大的貓頭鷹？探尋俄羅斯濱海，目睹百年來無人見過的毛腿魚鴞——《遠東冰原的貓頭鷹》

本文與 研華科技 合作，泛科學企劃執行

我們都看過那種影片，對吧？網路上從不缺乏讓人驚嘆的機器人表演：數十台人形機器人像軍隊一樣整齊劃一地耍雜技 ，或是波士頓動力的機器狗，用一種幾乎違反物理定律的姿態後空翻、玩跑酷 。每一次，社群媒體總會掀起一陣「未來已來」、「人類要被取代了」的驚呼 。

但當你關掉螢幕，看看四周，一個巨大的落差感就來了：說好的機器人呢？為什麼大街上沒有他們的身影，為什麼我家連一件衣服都還沒人幫我摺？

這份存在於數位螢幕與物理現實之間的巨大鴻溝，源於一個根本性的矛盾：當代AI在數位世界裡聰明絕頂，卻在物理世界中笨拙不堪。它可以寫詩、可以畫畫，但它沒辦法為你端一杯水。

這個矛盾，在我們常見的兩種機器人展示中體現得淋漓盡致。第一種，是動作精準、甚至會跳舞的類型，這本質上是一場由工程師預先寫好劇本的「戲」，機器人對它所處的世界一無所知 。第二種，則是嘗試執行日常任務（如開冰箱、拿蘋果）的類型，但其動作緩慢不穩，彷彿正在復健的病人 。

這兩種極端的對比，恰恰點出了機器人技術的真正瓶頸：它們的「大腦」還不夠強大，無法即時處理與學習真實世界的突發狀況 。

這也引出了本文試圖探索的核心問題：新一代AI晶片NVIDIA® Jetson Thor™ ，這顆號稱能驅動「物理AI」的超級大腦，真的能終結機器人的「復健時代」，開啟一個它們能真正理解、並與我們共同生活的全新紀元嗎？

為何我們看到的機器人，總像在演戲或復健？

那我們怎麼理解這個看似矛盾的現象？為什麼有些機器人靈活得像舞者，有些卻笨拙得像病人？答案，就藏在它們的「大腦」運作方式裡。

那些動作極其精準、甚至會後空翻的機器人，秀的其實是卓越的硬體性能——關節、馬達、減速器的完美配合。但它的本質，是一場由工程師預先寫好劇本的舞台劇 。每一個角度、每一分力道，都是事先算好的，機器人本身並不知道自己為何要這麼做，它只是在「執行」指令，而不是在「理解」環境。

而另一種，那個開冰箱慢吞吞的機器人，雖然看起來笨，卻是在做一件革命性的事：它正在試圖由 AI 驅動，真正開始「理解」這個世界 。它在學習什麼是冰箱、什麼是蘋果、以及如何控制自己的力量才能順利拿起它。這個過程之所以緩慢，正是因為過去驅動它的「大腦」，也就是 AI 晶片的算力還不夠強，無法即時處理與學習現實世界中無窮的變數 。

這就像教一個小孩走路，你可以抱著他，幫他擺動雙腿，看起來走得又快又穩，但那不是他自己在走。真正的學習，是他自己搖搖晃晃、不斷跌倒、然後慢慢找到平衡的過程。過去的機器人，大多是前者；而我們真正期待的，是後者。

所以，問題的核心浮現了：我們需要為機器人裝上一個強大的大腦！但這個大腦，為什麼不能像ChatGPT一樣，放在遙遠的雲端伺服器上就好？

機器人的大腦，為什麼不能放在雲端？

聽起來好像很合理，對吧？把所有複雜的運算都交給雲端最強大的伺服器，機器人本身只要負責接收指令就好了。但……真的嗎？

想像一下，如果你的大腦在雲端，你看到一個球朝你飛過來，視覺訊號要先上傳到雲端，雲端分析完，再把「快閃開」的指令傳回你的身體。這中間只要有零點幾秒的網路延遲，你大概就已經鼻青臉腫了。

現實世界的互動，需要的是「即時反應」。任何網路延遲，在物理世界中都可能造成無法彌補的失誤 。因此，運算必須在機器人本體上完成，這就是「邊緣 AI」（Edge AI）的核心概念 。而 NVIDIA  Jetson 平台，正是為了解決這種在裝置端進行高運算、又要兼顧低功耗的需求，而誕生的關鍵解決方案 。

NVIDIA Jetson 就像一個緊湊、節能卻效能強大的微型電腦，專為在各種裝置上運行 AI 任務設計 。回顧它的演進，早期的 Jetson 系統主要用於視覺辨識搭配AI推論，像是車牌辨識、工廠瑕疵檢測，或者在相機裡分辨貓狗，扮演著「眼睛」的角色，看得懂眼前的事物 。但隨著算力提升，NVIDIA Jetson 的角色也逐漸從單純的「眼睛」，演化為能夠控制手腳的「大腦」，開始驅動更複雜的自主機器，無論是地上跑的、天上飛的，都將NVIDIA Jetson 視為核心運算中樞 。

但再強大的晶片，如果沒有能適應現場環境的「容器」，也無法真正落地。這正是研華（Advantech）的角色，我們將 NVIDIA Jetson 平台整合進各式工業級主機與邊緣運算設備，確保它能在高熱、灰塵、潮濕或震動的現場穩定運行，滿足從工廠到農場到礦場、從公車到貨車到貨輪等各種使用環境。換句話說，NVIDIA 提供「大腦」，而研華則是讓這顆大腦能在真實世界中呼吸的「生命支持系統」。

這個平台聽起來很工業、很遙遠，但它其實早就以一種你意想不到的方式，進入了我們的生活。

從Switch到雞蛋分揀員，NVIDIA Jetson如何悄悄改變世界？

如果我告訴你，第一代的任天堂Switch遊戲機與Jetson有相同血緣，你會不會很驚訝？它的核心處理器X1晶片，與Jetson TX1模組共享相同架構。這款遊戲機對高效能運算和低功耗的嚴苛要求，正好與 Jetson 的設計理念不謀而合 。

而在更專業的領域，研華透過 NVIDIA Jetson 更是解決了許多真實世界的難題 。例如

• 在北美，有客戶利用 AI 進行雞蛋品質檢測，研華的工業電腦搭載NVIDIA Jetson 模組與相機介面，能精準辨識並挑出髒污、雙黃蛋到血蛋 
• 在日本，為避免鏟雪車在移動時發生意外，導入了環繞視覺系統，當 AI 偵測到周圍有人時便會立刻停止 ；
• 在水資源珍貴的以色列，研華的邊緣運算平台搭載NVIDIA Jetson模組置入無人機內，24 小時在果園巡航，一旦發現成熟的果實就直接凌空採摘，實現了「無落果」的終極目標 。

這些應用，代表著 NVIDIA Jetson Orin™ 世代的成功，它讓「自動化」設備變得更聰明 。然而，隨著大型語言模型（LLM）的浪潮來襲，人們的期待也從「自動化」轉向了「自主化」 。我們希望機器人不僅能執行命令，更能理解、推理。

Orin世代的算力在執行人形機器人AI推論時的效能約為每秒5到10次的推論頻率，若要機器人更快速完成動作，需要更強大的算力。業界迫切需要一個更強大的大腦。這也引出了一個革命性的問題：AI到底該如何學會「動手」，而不只是「動口」？

革命性的一步：AI如何學會「動手」而不只是「動口」？

面對 Orin 世代的瓶頸，NVIDIA 給出的答案，不是溫和升級，而是一次徹底的世代跨越— NVIDIA Jetson Thor 。這款基於最新 Blackwell 架構的新模組，峰值性能是前代的 7.5 倍，記憶體也翻倍 。如此巨大的效能提升，目標只有一個：將過去只能在雲端資料中心運行的、以 Transformer 為基礎的大型 AI 模型，成功部署到終端的機器上 。

NVIDIA Jetson Thor 的誕生，將驅動機器人控制典範的根本轉變。這要從 AI 模型的演進說起：

1. 第一階段是 LLM（Large Language Model，大型語言模型）：
   我們最熟悉的 ChatGPT 就屬此類，它接收文字、輸出文字，實現了流暢的人機對話 。
2. 第二階段是 VLM（Vision-Language Model，視覺語言模型）：
   AI 學會了看，可以上傳圖片，它能用文字描述所見之物，但輸出結果仍然是給人類看的自然語言 。
3. 第三階段則是 VLA（Vision-Language-Action Model，視覺語言行動模型）：
   這是革命性的一步。VLA 模型的輸出不再是文字，而是「行動指令（Action Token）」 。它能將視覺與語言的理解，直接轉化為控制機器人關節力矩、速度等物理行為的具體參數 。

這就是關鍵！ 過去以NVIDIA Jetson Orin™作為大腦的機器人，僅能以有限的速度運行VLA模型。而由 VLA 模型驅動，讓 AI 能夠感知、理解並直接與物理世界互動的全新形態，正是「物理 AI」（Physical AI）的開端 。NVIDIA Jetson Thor 的強大算力，就是為了滿足物理 AI 的嚴苛需求而生，要讓機器人擺脫「復健」，迎來真正自主、流暢的行動時代 。

其中，物理 AI 強調的 vision to action，就需要研華設計對應的硬體來實現；譬如視覺可能來自於一般相機、深度相機、紅外線相機甚至光達，你的系統就要有對應的介面來整合視覺；你也會需要控制介面去控制馬達伸長手臂或控制夾具拿取物品；你也要有 WIFI、4G 或 5G 來傳輸資料或和別的 AI 溝通，這些都需要具體化到一個系統上，這個系統的集大成就是機器人。

好，我們有了史上最強的大腦。但一個再聰明的大腦，也需要一副強韌的身體。而這副身體，為什麼非得是「人形」？這不是一種很沒效率的執念嗎？

為什麼機器人非得是「人形」？這不是一種低效的執念嗎？

這是我一直在思考的問題。為什麼業界的主流目標，是充滿挑戰的「人形」機器人？為何不設計成效率更高的輪式，或是功能更多元的章魚型態？

答案，簡單到令人無法反駁：因為我們所處的世界，是徹底為人形生物所打造的。

從樓梯的階高、門把的設計，到桌椅的高度，無一不是為了適應人類的雙足、雙手與身高而存在 。對 AI 而言，採用人形的軀體，意味著它能用與我們最相似的視角與方式去感知和學習這個世界，進而最快地理解並融入人類環境 。這背後的邏輯是，與其讓 AI 去適應千奇百怪的非人形設計，不如讓它直接採用這個已經被數千年人類文明「驗證」過的最優解 。

這也區分了「通用型 AI 人形機器人」與「專用型 AI 工業自動化設備」的本質不同 。後者像高度特化的工具，產線上的機械手臂能高效重複鎖螺絲，但它無法處理安裝柔軟水管這種預設外的任務 。而通用型人形機器人的目標，是成為一個「多面手」，它能在廣泛學習後，理解物理世界的運作規律 。理論上，今天它在產線上組裝伺服器，明天就能在廚房裡學會煮菜 。

但要讓一個「多面手」真正活起來，光有骨架還不夠。它必須同時擁有強大的大腦平台與遍布全身的感知神經，才能理解並回應外在環境。人形機器人的手、腳、眼睛、甚至背部，都需要大量感測器去理解環境就像神經末梢一樣，隨時傳回方位、力量與外界狀態。但這些訊號若沒有通過一個穩定的「大腦平台」，就無法匯聚成有意義的行動。

這正是研華的角色：我們不僅把 NVIDIA Jetson Thor 這顆核心晶片包載在工業級電腦中，讓它成為能真正思考與反應的「完整大腦」，同時也提供神經系統的骨幹，將感測器、I/O 介面與通訊模組可靠地連結起來，把訊號傳導進大腦。你或許看不見研華的存在，但它實際上遍布在機器人全身，像隱藏在皮膚之下的神經網絡，讓整個身體真正活過來。

但有了大腦、有了身體，接下來的挑戰是「教育」。你要怎麼教一個物理 AI？總不能讓它在現實世界裡一直摔跤，把一台幾百萬的機器人摔壞吧？

打造一個「精神時光屋」，AI的學習速度能有多快？

這個問題非常關鍵。大型語言模型可以閱讀網際網路上浩瀚的文本資料，但物理世界中用於訓練的互動資料卻極其稀缺，而且在現實中反覆試錯的成本與風險實在太高 。

答案，就在虛擬世界之中。

NVIDIA Isaac Sim™等模擬平台，為這個問題提供了完美的解決方案 。它能創造出一個物理規則高度擬真的數位孿生（Digital Twin）世界，讓 AI 在其中進行訓練 。

這就像是為機器人打造了一個「精神時光屋」 。它可以在一天之內，經歷相當於現實世界千百日的學習與演練，從而在絕對安全的環境中，窮盡各種可能性，深刻領悟物理世界的定律 。透過這種「模擬-訓練-推論」的 3 Computers 閉環，Physical AI (物理AI) 的學習曲線得以指數級加速 。

我原本以為模擬只是為了節省成本，但後來發現，它的意義遠不止於此。它是在為 AI 建立一種關於物理世界的「直覺」。這種直覺，是在現實世界中難以透過有限次的試錯來建立的。

所以你看，這趟從 Switch 到人形機器人的旅程，一幅清晰的未來藍圖已經浮現了。實現物理 AI 的三大支柱已然齊備：一個劃時代的「AI 大腦」（NVIDIA Jetson Thor）、讓核心延展為「完整大腦與神經系統」的工業級骨幹（由研華 Advantech 提供），以及一個不可或缺的「教育環境」（NVIDIA Isaac Sim 模擬平台） 。

結語

我們拆解了那些酷炫機器人影片背後的真相，看見了從「自動化」走向「自主化」的巨大技術鴻溝，也見證了「物理 AI」時代的三大支柱——大腦、身軀、與教育——如何逐一到位 。

專家預測，未來 3 到 5 年內，人形機器人領域將迎來一場顯著的革命 。過去我們只能在科幻電影中想像的場景，如今正以前所未有的速度成為現實 。

這不再只是一個關於效率和生產力的問題。當一台機器，能夠觀察我們的世界，理解我們的語言，並開始以物理實體的方式與我們互動，這將從根本上改變我們與科技的關係。

所以，最後我想留給你的思想實驗是：當一個「物理 AI」真的走進你的生活，它不只是個工具，而是一個能學習、能適應、能與你共同存在於同一個空間的「非人智慧體」，你最先感受到的，會是興奮、是便利，還是……一絲不安？

這個問題，不再是「我們能否做到」，而是「當它發生時，我們準備好了嗎？」

研華已經整裝待發，現在，我們與您一起推動下一代物理 AI 與智慧設備的誕生。
https://bit.ly/4n78dR4

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。

文同，字與可，是北宋著名畫家，以畫竹聞名。文同是蘇軾（東坡）的表兄，曾送給蘇軾一幅竹畫。文同去世後，蘇軾看到這幅畫，寫了篇紀念文章，開篇記述文同的對畫竹的看法，其中有這麼一段話：

故畫竹必先得成竹於胸中，執筆熟視，乃見其所欲畫者，急起從之，振筆直遂，以追其所見，如兔起鶻落，少縱則逝矣。

譯成白話就是：

所以畫竹心裡一定先要有完整的形象。畫時執筆凝神熟視，就能看到自己所想畫的。這時趕緊畫下心中所見，宛若兔子剛跳起來，兔鶻就飛捕下去般迅速，否則靈感稍縱即逝。

蘇軾的這段話產生了兩個成語：胸有成竹、兔起鶻落。前者小朋友大概已明白它的意思，後者即使明白它的意思，大概也只知其然、不知其所以然。就讓章老師費點筆墨解釋一下吧。

兔起鶻落，比喻動作敏捷，或形容繪畫及撰寫文章迅速流暢。讓我們造兩個句吧。

老畫家提起筆來，宛如兔起鶻落，頃刻之間一幅寫意山水就完成了。

他是少林拳高手，打起拳來兔起鶻落，讓人看得眼花撩亂。

接下去就要談談這個成語的科學意義了。當野外的有蹄類次第消失，兔子成為最重要的獵獸，自然而然發展出一套以獵兔為主的狩獵方式。平民百姓用獵犬追逐，大戶人家僱請鷹師馴練獵鷹，在空曠野地縱犬放鷹，為秋冬時分有閒有錢階級最熱衷的戶外活動。

在北方，用來獵兔的鷹，以鷹科的黃鷹（蒼鷹）和隼科的兔鶻（獵隼）為主。黃鷹體型較大，單隻即可出獵。兔鶻體型較小，極少一擊斃命，通常反覆搏擊，等到兔子無處可逃，才縱犬追捕。

兔鶻體重不到 1 公斤，但飛行迅速，兇猛無比。牠一看到兔子，會收攏翅膀，像箭一般俯衝下去。蘇軾用兔起鶻落形容下筆迅捷，說不定他就是個兔鶻玩家。

在隼科中，體型最大的是產在（大陸地區）東北北部的海東青（矛隼）。說牠體型大，也不過 1.4 公斤左右。海東青簡稱海青，是最珍貴的獵鷹，飛得又高、又快，可獵取天鵝等大型飛禽。遼代皇帝每年春天在松花江畔用海東青獵天鵝，這可是一年一度的盛事啊！

遼、金、元和清朝，這些北方民族建立的王朝莫不崇尚海東青。從金、元到清代，流放遼東（今東北）者，如捕獲海東青，還可抵罪呢！