米缸裡的小飛象

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

本文轉載自顯微觀點

低調的電子產品之母

拆開任何現代電子產品，都可以發現印刷電路板（Printed Circuit Board, PCB）的踪影。從地球外的人造衛星、最新款 iPhone 到傳統桌上型電話，印刷電路板都在其中乘載元件、傳遞訊號，因此也被稱為「電子產品之母」。

臺灣是舉世聞名的 PCB 出口大國，儘管出現廠商逐廉價勞動力外移的趨勢，臺灣企業的市占率依然超過三成，位居全球第一。

在追求精密化、提高良率的產業進步過程中，分析 PCB 切片顯微影像是不可或缺的步驟。要看得細膩真確，則有賴 PCB 樣本製備及影像判讀，兩項需要精密操作、耐心和敏銳判斷力的技術。

從拋光臺到編輯臺

現年 85 歲的白蓉生，是兩岸 PCB 業界備受尊敬的分析技術權威，曾獨立經營《電路板資訊雜誌》8 年，並擔任臺灣電路板協會《電路板季刊》總編輯 25 年。他磨練 PCB 切片檢驗與判讀能力 40 餘年，持續對業界分享他的獨門 PCB 顯微分析心得。

自 1980 年代以來，白蓉生公開發表超過 800 篇圖文並茂的 PCB 檢測技術文章，並擔任國內外重要廠商的技術顧問。他不藏私的經驗分享，促成 PCB 製造商的技術躍進與營業成長。

PCB 檢測過程中，光學顯微檢驗是最為基礎，也提供最多資訊的步驟。進入顯微載物台之前，PCB 需要經過切片取樣、封膠、研磨、拋光、微蝕等步驟。其中切片與研磨、拋光需要格外細緻的操作能力，才能在顯微鏡下呈現清晰平整的切面。

良好的 PCB 切片樣本，可以將整個切面維持在同一個焦平面，均勻呈現孔道的鍍銅品質、不同金屬間介面的良窳，整個水平面上的顯微景觀都維持清晰對焦。透過尋找細微瑕疵，來改進 PCB 的製造過程。

「在放大 1000 倍、3000 倍後，都可以維持切面對焦的樣本，才是合格的切片樣本。」

—在每一篇技術文章都分享數十張顯微影像的白蓉生如此強調。

精細樣本製備與多重顯微技巧

白蓉生以業界檢驗分級 QC（Quality Control, 品質管理）, QA（Quality Assurance, 品質保證）, FA（Failure Analysis，故障分析）為案例，「合格的 FA，追求整個切片視野的焦聚一致，一覽無遺。一般 QC 或 QA 人員，慣於接受觀察球面樣品，對於看不清楚的部分不了了之。」

他指出，業界常見的球面切片無法得到清晰的全面影像，是研磨與拋光的技術與耐心不足。焦點起伏不定的切面無法展現細節中的魔鬼，工程師自然也無法精進製程、更換材料以祛除瑕疵，。

現任職欣興電子技術顧問的白蓉生，在廠內建立 FA 切片師的培訓與考試機制，30 年來僅有 20 多人合格。製備合格切片之後，影像判讀是分析製程的必須能力，因此白蓉生設立與 FA 切片師並行的 FA 判讀師制度，迄今也只有 20 多人合格。

白蓉生感嘆，「切片與判讀都需要下苦功練習，30 年來只有 3 個人獲得切片師與判讀師雙料合格。」

—來向他學習切片與判讀技術的，往往是 PCB 業界的資深工匠或管理階級，要放下既有經驗與身段並不容易。

白蓉生笑說，「來學切片判讀的，常常是經理或副理，對專業經驗自視甚高。但他們所學愈深，就愈是謙遜。登堂入室，才發現前方學海無涯。」

隨著顯微技術演進，業界流行使用電子顯微鏡觀察切片，認為看愈小愈好。白蓉生卻堅持以光學顯微影像作為判讀依據。因為在電子顯微鏡下，只有黑白影像，無法利用顏色分辨不同材質。

白蓉生說「用電顯判讀的結果，無法分析顏色。我認為都是胡說，像是文盲在看書。儘管能看到很小的顆粒，分析人員也只能看著黑白影像說：『那是雜質』。」

切換明視野、暗視野、偏光干涉等光學技術，再搭配透視與立體顯微鏡的組合，PCB 切片中不同金屬在白蓉生鏡下呈現明顯對比，相同金屬也會因為歷經不同處理而呈現不同顏色。電鍍銅與化學銅的差異、電鍍與焊接的品質，都在白蓉生的顯微影像中一覽無遺。

領導業界規格 畢生追求精進

除了基本的明場自然光，白蓉生也分享他常用的顯微技巧：以明場光源搭配干涉，在最暗與最亮的偏光下可獲得透視效果。明場兼用偏光與干涉可以使銅面呈現立體效果，且電鍍銅會呈現藍色易於分辨。採用偏光與干涉的單純暗場則能呈現最佳的材質對比效果。

白蓉生強調，「因為能看出金屬介面的細緻型態，我們才能知道技術要如何改進。」

—「而不是把顆粒都標籤為『異物』，說服自己製程、材料很完美，失去進步的機會。」

在白蓉生指引的工藝改革下，原本表現平庸的欣興電子成為精密載板的重要國際供應商。他得意地說，「我們製作的 Daisy Chain 載板佈線連貫強韌，承受 500 次熱漲冷縮測試之後，電阻增加不到 5%。技術紮實到連 Nvidia 這種頂級客戶都大吃一驚。」

欣興電子雇用白蓉生為顧問後，他追求精進的態度製程水準帶來革命般的改變。白蓉生回憶，早先欣興電子的產品良率不到八成，「或許剛好可以維持公司運作，但也無利可圖。」

現在欣興電子的高階 IC 載板良率已穩定超過 9 成 5，股價也成長超過十倍。白蓉生笑說，「我沒有因為公司股票賺錢！我原本就不想要賺大錢，因為錢多了沒用，只是徒增煩惱。」

以紙上技藝傳遞電路板工藝

話雖如此，白蓉生也坦承，「當年創立《電路板資訊雜誌》是生活所需，因為從安培離職，沒工作就沒收入啦！」

從資深工程師轉為科技月刊發行人兼總編輯，白蓉生的生活更加忙碌，全副精神都浸泡在 PCB 技術知識的研讀和傳遞中。

他回憶，當時他自己擔任總編輯兼送報生，手稿交由妻子與另一位打字員處理，在沒有網路的時代，每一期要繳出 5 萬字圖文並茂的稿子。除了努力訪問國內廠商、專家，也要大量編譯國外刊物內容。當年雜誌收入以廣告費為主，每個月可以得到超過 20 份廣告委託，在沒有前例的科技月刊市場上，開拓出意外佳績。

《電路板資訊雜誌》從 1988 年發行至 1996 年，白蓉生在 8 年間自力編譯、採訪、寫作，從早晨六點到午夜睡前，都在蒐集資料、勤奮筆耕。

「我一周六天都在編雜誌，沒有應酬娛樂，也沒請過病假，因為連生病的時間都沒有！」

—月刊生涯的辛勤讓白蓉生難以忘懷。

雜誌停刊之後，白蓉生享受了兩年退休生活，發現自己閒得發慌。他受邀擔任臺灣電路板協會（Taiwan Printed Circuit Association, TPCA）的顧問及《電路板季刊》總編輯，繼續研究、傳授電路板顯微影像的判讀方法，以及細緻的製程改善技巧。

《電路板季刊》迄今已發行 100 期，白蓉生也成為華語世界最重要的電路板知識傳遞者。

懷有珍貴 PCB 分析知識與技術的白蓉生，在兩岸業界深受重視，是各大廠商極力邀請的講師。他的判斷力不是來自學校或公司的教育體系，而是靠著多年來的勤奮自學。

好學、勤奮與謙虛的自我養成

白蓉生說，他少時家貧，因此就讀師範學校以省下學費，還能領錢和白米幫助家境。但師範學校學歷不如一般大學（當時師範學校專門培育小學校教師，僅需 3 年教育），心有不甘的白蓉生在小學任教三年後，考上中興大學化學系，同時擔任小學老師和大學生。

白蓉生在大學畢業後進入中華航空擔任化學工程師，反覆的電鍍工作並未帶給他成就感，他於是轉職美商安培電子（Ampex）。1969 年起，白蓉生在安培電子大量接觸 PCB 製造與檢測的第一線作業，開啟了鑽研 PCB 分析判讀的專業道路。

1969 年，安培電子於桃園設廠，是臺灣 PCB 生產王國的發軔時刻。白蓉生在此接觸到國內最先進的 PCB 工藝。他樂於在下班之後繼續研究檢測材料，探索各種慣例外的顯微方法，逐步建立自己的 PCB 切片檢查技巧。

除了 PCB 製造工藝的獨到見解，對文學的喜愛也是白蓉生筆耕不輟的動力來源。他說，自己求學時力求節儉，一直步行上學，超過 40 分鐘的漫漫路途是他背誦古文的時間，對文學的興趣、寫作的欲望隨著路程逐漸滋長。

對於中年轉行，成立沒有前例可循的專業技術雜誌，白蓉生笑稱，「當初發行頭幾期雜誌就燒完 6 萬塊積蓄，我還真不知道能不能回本。」

從技術專家、顧問到專業刊物總編輯，白蓉生拓展並傳承 PCB 分析工藝將近半世紀。他至今保持30年前「永晝方塊每隨飯，長夜蟹文伴枕眠」的強韌動力，投入 PCB 檢測、寫作與講課，建構低調踏實的臺灣電路板工藝文化。

他認為，電子產業是臺灣立國基礎，業界訓練可以彌補產學落差，但好學、勤奮與謙虛的心態是學校或企業不能代勞的，得要由年輕世代主動保持。端正的學習心態結合不藏私的深入技術指導，能養成更多專業人才，使電路板工藝精進，提升業界整體價值。

查看原始文章

• 前情提要：不存在的某櫛角菊虎？——分類學家偵探事件簿（一）
• 前情提要：沒有菜市場名這回事，分類學只允許一個「家豪」的存在！——分類學家偵探事件簿（二）
• 前情提要：怎麼把牠們當成一樣的物種！物種分類出錯怎麼辦？——分類學家偵探事件簿（三）

一般大眾或甚至其他領域生物學家們，對於基礎生物分類學家的刻板印象，無非是常常在顯微鏡下進行形態解剖比較來鑑定物種、描述並發表新物種，或者常常東跑西跑去採集標本，頂多是抽取遺傳物質進行 DNA 分析。然而一位稱職的分類學家，為了搞清楚物種學名的分類地位，將整個命名系統修訂成一個穩定並適合大家使用的狀態，往往需要做大量的歷史文獻，造訪各大博物館並進行模式標本考察，其中的繁瑣和複雜程度，往往令人出乎意料。

再讓我們複習一次模式標本是什麼和其重要性？

如果有閱覽過這系列的文章便會很清楚的知道，模式標本是物種發表時的實體存證，是學者對分類地位有疑慮時，用以判別的客觀證據。每個物種都有其模式標本，而每個屬也有其模式物種，是判定該屬別的決定性物種，模式種和模式標本是進行物種與屬別層級的基礎分類研究時，不可或缺的重要資訊。

這個故事的主角是一類來自南亞和東南亞的露兜樹象鼻蟲，本文將講述其模式標本和背後歷史脈絡的考察，以及我們對於分類處理過程的案例分享。

分布於南亞、東南亞的露兜樹象鼻蟲和研究緣起

露兜樹科（Pandanus）為分布於東半球的亞熱帶及熱帶地區的灌木或喬木植物，其中林投（Pandanus tectorius）具有抗風、耐鹽的特性，是常見的海岸防風定砂植物，而俗稱斑蘭葉（pandan）的七葉蘭（Pandanus amaryllifolius），則是東南亞常見的料理與糕點製作材料，而南亞和東南亞的露兜樹上棲息著一群黑色扁平的小型象鼻蟲——露兜樹象鼻蟲（Lyterius）。

而故事的緣起可追溯到 2022 年，當時筆者正在澳洲進行博士論文題目「澳洲蘇鐵授粉象鼻蟲的多樣性與演化」的研究，我們意外地發現澳洲的蘇鐵授粉象鼻蟲與東南亞產的露兜樹象鼻蟲親緣關係接近，因此我們便想進一步探究本類群的分類。在我們初步搜索模式標本時，我們驚奇地發現德國象鼻蟲學者延斯・普雷納博士 Dr. Jens Prena 似乎曾經有研究過這類象鼻蟲，出於好奇，我們聯繫了普雷納博士，進而開啟了本類群錯綜複雜的分類歷史考察之旅。

露兜樹象鼻蟲分類研究的現存問題

首先露兜樹象鼻蟲的分類問題分成兩個面向，一個是屬別層級的，而另一個是物種層級的。屬別層級的問題比較簡單，我們發現露兜樹象鼻蟲屬有三個相關的屬別，分別為 Lyterius Schönherr, 1844、Barisoma Motschulsky, 1863 和 Plaxes Pascoe, 1885，根據牠們形態的相似性和地理分布的重疊，我們認為牠們應該被合併成單一屬別，也就是說只要我們確認三個屬別的模式種都是屬於同一個屬別後，那自然我們就能依照優先權原則，把 1863 年發表的 Barisoma 和 1885 年發表的 Plaxes 處理為最早發表的 Lyterius 的同物異名。

但是！分類學研究最困難的就是這個但是！

我們雖然追蹤到 Barisoma 和 Plaxes 的模式種和其模式標本，但是 Lyterius 的模式種問題，卻將這個研究的難度拉向了另一個層面——也就是物種層級的問題。

模式標本來源和流向超級複雜的 Lyterius

Lyterius 這個屬別是由瑞典昆蟲學家卡爾・約翰・舍恩赫爾（Carl Johan Schönherr）於 1844 年所提出，並以 Rhynchaenus musculus Fabricius, 1802，這個 1802 年由丹麥昆蟲學家約翰・克里斯蒂安・法布里丘斯（Johan Christian Fabricius ）所發表的種類作為模式物種。他的合作對象瑞典昆蟲學家卡爾・亨利克・博赫曼（Carl Henrik Boheman）也在同一本書中使用了 Lyterius musculus (Fabricius, 1802) 這個學名組合，同時他將德國昆蟲學家弗里德里希・韋伯（Friedrich Weber）在 1802 年所描述的 Curculio abdominalis Weber, 1801 也拉進這個屬別，學名組合變成 Lyterius abdominalis (Weber, 1801) ，並且描述一個菲律賓的新物種 Lyterius instabilis Boheman in Schönherr, 1844 。這其中最為複雜難解的，便是 Lyterius musculus (Fabricius, 1802) 和 Lyterius abdominalis (Weber, 1801) 之間的關係了，因為這兩個物種的模式標本來源，都源自於達戈貝爾特・達爾多夫 Dagobert Karl von Daldorff 這位在俄羅斯出生，擁有德裔血統的丹麥博物學家，在 18 世紀末葉任職丹麥東印度公司時，於 1795 年在蘇門答臘的一次採集。

根據我們對於 19 世紀初期的歐洲甲蟲分類歷史文獻的爬梳，達爾多夫在蘇門答臘的標本被帶回歐洲後，應該至少被他贈與或交換給五位學者或機構，而這五位學者就包含剛剛提到的德國昆蟲學家弗里德里希・韋伯（Friedrich Weber），以及丹麥昆蟲學家約翰・克里斯蒂安・法布里丘斯（Johan Christian Fabricius），這兩位顯然同時對這批標本進行分類學研究。

令人存疑的 Lyterius abdominalis 和 Lyterius musculus

因此第一個疑點就是，韋伯和法布里丘斯分別在 1801 年和 1802 年用達爾多夫所採集的同一批蘇門答臘象鼻蟲標本，發表了後來在 1844 年被博赫曼放在同一個屬別的物種 Lyterius abdominalis 和 Lyterius musculus，這讓人很難不懷疑，這兩個名字會不會根本就是同一個物種，這在當年資訊不流通、分類研究還很粗淺的年代，是非常容易發生的事情。

而支持這樣想法的關鍵則有二，首先德國昆蟲學家約翰・卡爾・威廉・伊利格（Johann Karl Wilhelm Illiger）其實在 1805 年的著作中，就已經提出這兩個物種是同一個物種的論點了，然而這項分類處理卻被博赫曼在 1844 年的著作中，不明地忽略了。雖然博赫曼不小心遺漏了伊利格的分類處理，他卻也在看過兩種的模式標本後，在他那 1844 年的著作中，提出了兩個物種只不過是同一個物種的雄蟲和雌蟲的猜想，然而因為他手邊就只有兩隻標本，一隻是雄的 Lyterius abdominalis ，一隻是雌的 Lyterius musculus ，因此他無法下這個決定情有可原，而我們如今已經知道露兜樹象鼻蟲有很明顯的雌雄二形性，雄蟲的口喙比較短，且足部的前腳腿節有明顯的突起，博赫曼的猜想不證自明。

總而言之，從上述的歷史文獻爬梳，我們可以從

1. 韋伯和法布里丘斯研究的都是同一批蘇門答臘採集的標本
2. 同時代的伊利格和後來的博赫曼都直接或間接的認為 Lyterius abdominalis 和 Lyterius musculus 是同一個物種

來推斷，這兩個種類很有可能是同一個種類！

找不到模式標本啊！

在爬梳大量文獻後，我們同時也造訪歐陸各大標本蒐藏去尋找這些物種的模式標本下落。我們很幸運的在德國基爾的動物學博物館找到兩隻 Lyterius musculus 的總／群模式標本。然而，在尋找 Lyterius abdominalis 模式標本的過程中卻碰了壁，不管是文獻還是實際探訪，幾乎都找不到韋伯收藏的下落，韋伯所發表的模式標本有極大的可能已經遺失了，那要怎麼辦呢？

分類學家的決策

雖然沒辦法找到 Lyterius abdominalis 的模式標本，然而我們從以上的間接證據，可以合理相信 Lyterius abdominalis 和 Lyterius musculus 就是同一個物種。為了最適當的處理分類議題，穩定整個分類命名系統。我們使用了一個技術性的分類學處理，首先我們指定了 Lyterius musculus 的選模式標本，並且我們將「這一個」標本，再次的指定為 Lyterius abdominalis 的新模式標本，這個時候，這兩個學名便產生了動物命名法規上所謂的「客觀同物異名（objective synonym）」關係，相較於分類學家自行主觀認定的同物異名（主觀同物異名 subjective synonym ），客觀同物異名指的是用同一個標本發表不同學名的狀況，這樣這兩個名字無庸置疑的是同物異名關係，只有最早被發表的名字有優先權，因此我們的 Lyterius abdominalis (Weber, 1801) 獲得了優先被使用的地位，也成為露兜樹象鼻蟲屬的模式種。經由這一波操作，我們確立了 Lyterius 的模式和包含的物種，也因此我們終於能進一步處理剛剛提到的 Barisoma 和 Plaxes 的同物異名，最後我們可以大聲的說：露兜樹象鼻蟲屬的學名是 Lyterius Schönherr, 1844 ！

番外篇的 Plaxes 模式標本調查

另外一方面，我們在調查 Plaxes 的模式標本時，也發現到其模式種 Plaxes impar Pascoe, 1885 的總／群模式標本散落在英國倫敦自然史博物館、德國柏林自然史博物館、德國德勒斯登森肯堡博物館、義大利熱拿亞自然史博物館、澳洲國立昆蟲館，幾乎涵蓋了半個地球。這些標本可以分為來自婆羅洲砂拉越和蘇門答臘的標本，採自砂拉越的標本無疑是一個獨立的物種，我們也指定砂拉越的總／群模式標本為本種選模式標本。而來自蘇門答臘的標本，無獨有偶地都和 Lyterius abdominalis 是同一個物種，顯然這個物種在蘇門答臘當地是個常見的物種，這又再次加強我們上面提到的，達爾多夫所採集的同一批蘇門答臘象鼻蟲標本應該就只有一種露兜樹象鼻蟲的推測。

這個研究重新梳理了露兜樹象鼻蟲的分類歷史並考察了歷史文獻和模式標本，最終作出了適宜的分類學處理，為亞洲地區的象鼻蟲研究推進了一步。

• 本論文日前已經線上刊載於《動物分類群 Zootaxa 》
• 此文響應 PanSci 「自己的研究自己分享」，以增進眾人對基礎科學研究的了解。

• Prena, J., Hsiao, Y., Oberprieler, R.G. (2023) New combinations and synonymies in the weevil genus Lyterius Schönherr (Coleoptera, Curculionidae), with a conspectus of historical works on Daldorff’s Sumatran beetles. Zootaxa 5380(1): 26-36. https://doi.org/10.11646/zootaxa.5380.1.2