會使用工具的魚

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

人類培育下，如今狗狗們有眾多「品種（breed）」，它們其實仍然屬於同一個物種，只是體形、外觀等特徵差異明顯。不同狗狗和人一樣有個性差異，屬於同一品種的不同個體，也會有類似的行為、個性嗎？

上述問題需要不少資料與交叉比對的分析，才有機會回答。於 2022 年發表，花費多年搜集材料的論文報告，狗的行為確實與遺傳有關，但是同一品種狗的行為並不一致。例如拉布拉多和拉布拉多不同，邊境牧羊犬和邊境牧羊犬不同，拉布拉多和邊境牧羊犬卻可能相同……^{[參考資料 1, 2, 3]}

寵物狗的公民科學

成為馴化動物超過一萬年來，狗狗們千變萬化，過往研究證實很多外貌與型態特徵可以遺傳，例如毛色、體型、藍眼睛。但是對於行為方面的了解比較少，而且想來也更難研究，畢竟行為不像顏色、尺寸那樣能直接識別與量化。

• 延伸閱讀：狗與狼的遺傳調色盤——怎麼調配黃狗、棕狗，還是黑狗？

若想釐清狗狗的行為，和遺傳、品種的關係，需要搜集很多品種，每一品種都包括多位個體，以及牠們的基因組定序，再加上大批各種特徵的紀錄，才能獲得比較可靠的答案。

任何研究團隊光靠自己，都不可能取得如此龐大的資料量。研究者們成立「達爾文方舟（Darwin’s Ark）」網站，算是公民科學的應用，邀請許多飼主各自上傳狗狗的資訊，從中進一步分析（大部分參與者應該是美國人和美國狗）。

這項研究採用的資料包括來自 18385 狗的資訊，大約一半是「比較純的品種狗」；又從其中 2155 狗取得遺傳訊息，純種狗、混種狗都有。根據人為定義，全部共有 128 款品種。

個體×遺傳×品種：相關性與相關性

論文做了一大堆統計學分析，基本上是這種關聯性分析、那種關聯性分析、這種關聯性和那種關聯性的關聯性分析，層層疊疊，一定很合統計魔人的胃口。有興趣的讀者請自行觀摩體驗，我只講我的理解。

結合基因體學與關聯性分析，光是原理並不太難。基因組上每個 DNA 位置有 ATCG 四種可能，比方說某個位置，不同個體為 A 或 C，配備 A 的狗都親人、C 的狗都兇兇，那麼便能推測，A 變異與親近人類有所關聯，C 變異的效果相反。

實際狀況卻複雜很多。例如配備 A 的狗有 70% 親人、C 的狗有 55% 兇兇，並非 100% 的狗都有影響。或是同一種行為，涉及多個遺傳變異，例如基因組上有 50 處位置影響親人、30 處影響兇人。反正就是有一大堆可能的組合與關聯性，樣本愈大、分項愈多，需要愈繁複的統計學分析。

要是鑽進論文的分析迷宮，恐怕很容易失掉方向，繞不出來，反而搞不懂問題是什麼，我們直接跳到外面。

外貌形態與內在行為，都受遺傳影響

一番分析後得知，不論體型、外觀等外在特徵，或是行為這類內在特徵，都與遺傳相關，只是不同特徵的程度有別，有些相關性非常高，有些沒那麼高。因此狗狗的行為，確實取決於相當的遺傳成分。

假如每款品種狗的個體們，彼此都表現共通的行為，那麼我們應該能看到：某個品種多半都展現某些行為，而不同品種間情慾交流的混血狗，也會獲得不同品種各有比重的行為。

實際上發現，某些行為確實和少數品種的關聯性比較高，但是多數行為似乎不分品種。江湖傳說中的兇狗不見得更容易兇，容易激動的品種也不一定激動。另一方面，不同品種的狗狗，也可能表現類似的行為。

所有狗狗一起考慮，總共偵測到基因組上 11 處位置（以及 136 處沒那麼確定），可能和行為有關。鍵盤分析它們影響的基因，大部分在腦部的表現較高。

還好沒有脫離想像，不然要是影響行為的基因在腸道大量表現，該怎麼解釋？！

• 延伸閱讀：小王子能馴服狐狸嗎？一場歷經近60年的銀狐馴化實驗

人擇結果：以貌取狗，不管內在

上述的分析方式，只能判斷遺傳與表現的關聯性，無法證實因果關係，不過還是能提供有意義的指引。

大量交叉比對得知，與行為有關的遺傳變異，在不同品種間缺乏明確的差異，這大概就是不同品種內，行為缺乏一致性的根本原因。相對地，和外型有關的某些 DNA 變異，在不同品種間差異明顯。

人類與狗相處的歷史超過一萬年，可是絕大部分品種狗的歷史並不久遠。早於 200 年前的狗狗，不是沒有人為選擇培育，卻著重在工作上的狩獵、守衛、駝獸等功能性特色。

要等到 160 年前，也就是 50 到 80 代以前的狗狗開始，人類才大量刻意創造出不同的品種，形成馬爾濟斯、拉布拉多、雪納瑞、貴賓狗、巴哥犬等多采多姿的品種狗。

或許有讀者認為，品種狗的行為之所以缺乏各自的特異性，是由於各品種經歷的時間太短，不足以產生差異，但是這是錯的。因為絕大部分品種狗的歷史雖短，人擇依然已經足以造成明顯的影響，反映在不同品種間，有別的毛色、體型等外觀特徵。

同一批分析指出，行為與型態一樣都可以遺傳，理論上也可以由人擇控制。然而，不同品種的狗狗，行為與個性依然有不少共通性，品種間卻缺乏明顯差異，品種內的不同個體並不一致。

根據這些資訊，我們似乎可以這麼說：近兩百年來的品種培育，人類更偏好挑選外在特色，以貌取狗，不那麼在乎狗狗內在的行為。

最後也提醒各位讀者，作為寵物飼養的品種狗，只是如今全世界龐大狗群的一小部分而已。眾多的狗狗們，有些是人類親近的伴侶，還有些順利融入各地的半野生或野生環境。然而，也有不少所謂的流浪狗，成為人類與自然生態系的禍患。養狗要有責任感，不要因衝動而養狗，養了就不要直接棄養。

延伸閱讀

• 哈士奇的藍眼睛，基因
• 怎麼調配黃狗、棕狗，或是黑狗？——狗與狼的遺傳調色盤
• 影響胰島素，讓小狗變成大狗的基因變異
• 短篇 狗消化澱粉的能力，在何時開始加強？
• 小王子能馴服狐狸嗎？一場歷經近60年的銀狐馴化實驗
• 天殺的月月！你的狼性呢？從 DNA 追尋狗勾起源！
• Genes unleashed: how the Victorians engineered our dogs

參考資料

1. Morrill, K., Hekman, J., Li, X., McClure, J., Logan, B., Goodman, L., … & Karlsson, E. K. (2022). Ancestry-inclusive dog genomics challenges popular breed stereotypes. Science, 376(6592)
2. Your dog’s breed doesn’t determine its personality, study suggests
3. Massive study of pet dogs shows breed does not predict behaviour

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。

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位。

• 採訪撰文／林承勳、簡克志
• 美術設計／林洵安、蔡宛潔

解開 40 年珊瑚同步產卵謎團

早在 1980 年代科學家就發現，珊瑚彼此之間很有默契，會在短時間內一起繁殖，附近水域瀰漫大量珊瑚卵，形成令人歎為觀止的壯麗畫面。對於珊瑚同步產卵現象，過去學者推測是受到溫度、潮汐、光線等因素影響，但觸發產卵的關鍵原因一直都沒有被確認。

經過 40 年，在中央研究院生物多樣性研究中心團隊努力下，終於揭開秘密！中研院「研之有物」專訪野澤洋耕副研究員與林哲宏博士後研究員，他們發現珊瑚同步產卵的關鍵就在於日落到月昇的黑暗時間。

奇怪的知識增加了：原來珊瑚是一群型態差異相當大的動物！

由於珊瑚只能附著在固定位置、無法移動，因此曾被誤認為是植物。而且珊瑚的外觀又很容易誤導民眾，直覺認為一大株珊瑚就是一個生物體。但事實上，大多數的珊瑚其實是一群珊瑚蟲的聚落；只有少數像蕈珊瑚科（Fungiidae）部分種類，才是一隻巨大珊瑚蟲為一株珊瑚個體。

以造礁珊瑚為例，珊瑚蟲聚落可分成非生物與生物兩個部分：成分為碳酸鈣的珊瑚石是保護殼和居所；覆蓋在珊瑚石上面的就是無數隻活跳跳的珊瑚蟲。

珊瑚蟲被分類在刺絲胞動物門，牠們外觀跟同門的海葵相似，有著圓筒身軀、一個開口，開口周圍分布數隻觸手，觸手上密布著刺絲胞，能捕撈浮游生物來吃。珊瑚蟲另一種食物來源是由互利共生的蟲黃藻提供，蟲黃藻會行光合作用產生養分與氧氣，同時也為白色的珊瑚石、透明的珊瑚蟲帶來繽紛色彩。

在海裡看到大大小小的珊瑚，最初都是由一隻體積微小的珊瑚蟲，分裂再分裂而來，珊瑚蟲們不斷進行無性生殖，經年累月分裂出大量個體。為數眾多的珊瑚蟲們世世代代分泌的碳酸鈣逐漸堆積，一直到如城堡般巨大，就形成所謂的「珊瑚礁」。珊瑚礁被科學家們認為是海中的熱帶雨林，提供魚類、甲殼類等生物棲息地與豐富食物、能量。

中研院副研究員野澤洋耕認為，珊瑚是種非常神奇的生物，從原本微小到肉眼無法辨認的一隻珊瑚蟲個體，居然能不停分裂生殖，最後數以億計隻珊瑚蟲群聚成唯一能夠從外太空觀察到的地球生命：大堡礁。

只是，珊瑚蟲用分裂生殖新增的，是跟上一代基因、外形一模一樣的個體，這類無性生殖無法增加基因多樣性，還會讓族群失去面對環境變動的適應能力。因此珊瑚必須要另外花費時間、能量排精產卵，行有性生殖製造具有嶄新基因的後代。

珊瑚也懂投資？雞蛋分籃放與孤注一擲的產卵選擇

不像魚類可以找到配偶後再產卵受精，固定不動的珊瑚只能直接把精卵釋放到海水中。為了克服無法移動的劣勢，牠們會採取同步策略，約好在短時間內一起排出數量驚人的精卵。如此一來就能大大提高精卵濃度來增加受精成功率，即使有掠食者在旁想趁機飽餐一頓，也會頓時眼花撩亂、顧此失彼。

人們眼中珊瑚產卵的美景，同時也是生物為了繁衍而克服大自然困境的努力。

珊瑚同步產卵還能再細分成兩種模式，野澤洋耕指出，珊瑚一年只產卵一次，有些種類偏好分散風險，群體內珊瑚同時產卵，各群體間則是彼此錯開，可能往前往後幾天；另外有些珊瑚則是孤注一擲，約好「全部」一起生。相對來說後者受精機率當然更大，但當天要是碰到暴雨、颱風等天氣因素攪局，該年可能幾乎不會有後代成功生存。

「看起來風險很高，只是既然會演化出不同方法，就代表雙方各有優勢。」野澤洋耕解釋地說。但不管是謹慎還是賭性堅強的種類，無法移動、不能彼此溝通的珊瑚，到底是用什麼方法約好一起產卵？自從 1980 年同步產卵現象被發現後，這謎團足足讓世人困惑了 40 年之久。

七年田野調查資料顯示，關鍵因子藏在月週期裡

從 2010 年開始，野澤洋耕的研究團隊每年都會在珊瑚繁殖季（南臺灣通常是四、五、六月），來到綠島潛水調查。調查期間，團隊每晚下水記錄珊瑚種類、數量與排卵時間，在累積七年的調查資料後，博士後研究員林哲宏發現每一種珊瑚都有明顯的生殖模式。

根據研究團隊現有紀錄，隸屬於繩紋珊瑚科（Merulinidae）的珊瑚是採取分散風險策略，不同群體分批同步產卵。雖然群體間產卵日子錯開，但時程非常固定，都是在「滿月」之後五到八天；綠島還有另一大宗珊瑚，是分在軸孔珊瑚屬（Acropora）下的一些種類，牠們是「全部」約好在同一天產卵，但到底是哪一天，每年觀察到的日期都不太一樣。

「繩紋珊瑚科就是固定在滿月後五到八天產卵；軸孔珊瑚屬也是在滿月後，但毫無規則可言。」林哲宏說。即使如此，兩者都是在滿月後產卵，研究團隊於是鎖定月週期的因子：月光，來進行檢驗。

室內室外重複操作結果都顯示：夜間光源會抑制珊瑚產卵

由於繩紋珊瑚科的環菊珊瑚（Dipsastraea speciosa）在綠島很常見，觀察、樣本取得都很容易，加上生殖時間又有跡可循，團隊就選擇該物種來進行實驗。「將月光遮住後，環菊珊瑚就提早產卵了。」野澤洋耕表示，初步實驗結果意味著滿月後的黑暗，就是通知珊瑚準備產卵的環境訊號。

為了避開其他環境因子干擾，實驗首先是在研究室的水缸中進行；接著團隊來到綠島北邊的公館附近，要確認珊瑚不論是在人工環境或自然棲地中，都會因為黑暗籠罩提前產卵。「我們每天都下水，在滿月前三天、前一天，還有滿月後一天幫珊瑚蓋上不透光的鋁箔布或透明布。」林哲宏說。結果符合預期：珊瑚越早被蓋上黑布，就會越快產卵，很規律地在接收到黑暗訊號之後的五到八天大量產卵。

不同光譜的光源，都會有相同的抑制效果

除了照光與否，林哲宏還加入光源光譜與密集度的試驗。因為 2006 年刊登在《Science》期刊的一篇論文指出，珊瑚可能會偵測月光。野澤洋耕提到，論文中說明珊瑚只要照到月光，體內的 cry 基因就會表現，而且 cry 基因對藍光特別有反應。

所以團隊再回到研究室內，用人工光源模擬月光強度，分別給予紅、藍、綠三種不同色光，想確認是否真的如文獻資料敘述，不同光譜光源會給珊瑚帶來不同程度的刺激。但實驗證實，三種色光照下去，珊瑚都一樣不產卵。也就是說，目前蒐集到的線索都指向：黑暗是珊瑚產卵的關鍵。

40 年珊瑚之謎，謎底就是日昇與月落之間的黑暗時段

經過一連串抽絲剝繭，終於確認夜間光線會抑制珊瑚產卵。然而團隊想進一步了解，珊瑚於漫漫長夜中只要一瞬間照到光就會被干擾，還是要有多長曝光才能達到抑制效果。因此團隊在實驗室環境中，個別探討了整晚黑暗、整晚照光、前半夜（日落到午夜）照光，還有下半夜（午夜到日出）照光等四種情形。

結果顯示，下半夜照光跟整晚保持黑暗的組別一樣，珊瑚在五天之後同步排卵；前半夜照光，效果與整晚照光相同，會讓珊瑚延遲生產且產卵同步率下降。「看到這現象，我們推測珊瑚感應光線的受器應該有『營業時間』。」林哲宏笑著說，受器營業時間大概是在日落後到午夜，不過不同珊瑚個體還是存在著些許差異。

答案終於揭曉：以環菊珊瑚來說，只要連續兩個夜晚，於日落後有一小時左右的黑暗時段，就達成同步產卵的要件。這也解釋了珊瑚為什麼都挑在滿月後繁殖，林哲宏指出，因為地球自轉同時月球又繞地球轉的緣故，每天月球升起的時間會延遲約莫 30-70 分鐘^［註1］。對照繁殖季四月的月週期，月初時月球升起會落在下午兩點多，之後每天延遲直到滿月，月球才會於日落後升起，而中間的黑暗期就是在告訴珊瑚：可以準備生產了。

選在滿月後生產是有其優勢的，野澤洋耕提醒說，環菊珊瑚產卵適逢黑暗、小潮，昏暗的環境能稍微蒙蔽掠食者目光，加上小潮時海浪沒那麼強，精卵不至於馬上被沖散。

收到「暗」示後，珊瑚卵需要五天催熟

至於繩紋珊瑚科固定在滿月後五到八天產卵的微觀機制，研究團隊還在努力研究中，有可能與精、卵的成熟機制有關，以下是研究團隊針對觀察現象的推測。

繩紋珊瑚科是雌雄同體，珊瑚蟲體內先產生精子與尚未成熟的卵子，當珊瑚接收到連續兩天黑暗的刺激，卵子的細胞核就會逐漸往卵細胞邊緣移動。整個過程稱作胚核遷移（germinal vesicle migration, GVM），需要花費五天左右。

胚核遷移完成後，卵細胞核會開始瓦解，耗時約莫三到四個小時，稱作胚核破裂（germinal vesicle breakdown, GVBD），此時卵細胞幾乎已經為受精做好準備。接著，成熟的卵子與精子會被打包在一起，變成叫做「精卵束」的構造。野澤洋耕提到，精卵束被珊瑚排出體外後，會一路浮到水面，畢竟精卵在二維的海面相遇機率要比在三維的水下空間來得大些。

精卵束在水面破裂，釋出的卵子只剩最後一個步驟：擠出細胞內的極體（polar body），就可以跟精子結合了。有趣的是，年輕的卵會優先跟不同珊瑚的精子結合；但時間一長，即使是同一個珊瑚的精子也會接受。「不然再等下去，不是被沖散就是被吃掉，受精機會只會越來越渺茫。」林哲宏補充地說。

成功受精後受精卵會沉到水裡，並發育成一隻具有纖毛、可以自由活動的實囊幼蟲。實囊幼蟲會花好幾天在海底尋尋覓覓，待找到合適的地點，就附著、變態成為再也無法隨意移動的珊瑚蟲。接著珊瑚蟲會不停地分裂、分泌碳酸鈣，長成一株株珊瑚。

奇妙機緣讓多年研究心血登上國際期刊

「說起來實在幸運，原本稿子都投到其他期刊去了。」論文第一作者林哲宏笑著說，前一陣子日本學者高橋俊一來臺灣訪問交流，意外讓這次珊瑚產卵新發現得以刊登在《美國國家科學院院刊》（PNAS）上。

琉球大學教授高橋俊一在中研院停留時，順道拜訪同鄉人野澤洋耕的研究室，閒聊之下發現兩人居然還是大學同學。「大學時我們僅是點頭之交，畢業後再也沒有對方消息了。」野澤洋耕表示，高橋俊一後來在琉球大學進行熱帶生物基因、分子領域研究；自己則是在中研院、綠島兩邊奔走，做珊瑚生態、行為調查，沒想到老同學會偶然在學術圈再度相遇。

在高橋俊一的建議之下，雙方合作將實驗擴展得更加完善。林哲宏提到，高橋提供一些安排實驗、投稿期刊的秘訣，像是在實驗室內與自然環境中重複出相同結果，增加成果的說服力；撰寫論文時盡量保守，只寫已經確定的內容，不要節外生枝；還有花心思修飾文字段落安排，保持耐心與審查委員溝通等等。

巧妙的緣分促成臺日研究團隊跨國合作，也讓野澤洋耕與林哲宏等人多年來勤奮研究的成果有機會能夠被刊登在重量級期刊中，讓珊瑚產卵真相可以得到更多注意。

艱難的生態研究柳暗花明，組成跨國團隊再出發

回想起當初因為潛水的興趣才選擇珊瑚當作研究主題，經過 20 多年後，野澤洋耕慢慢開始期待自己的研究，能為持續減少的珊瑚族群帶來些貢獻。野澤洋耕提到：「很開心可以在這裡研究，中研院的支持讓我沒有後顧之憂。」

解開環菊珊瑚的同步產卵之謎後，林哲宏接下來要到現任老闆的老同學：高橋俊一在琉球大學的實驗室，展開新的珊瑚研究計畫。而野澤洋耕表示，他還是會繼續協助林哲宏的博士後研究，因為這次主要聚焦在環菊珊瑚，他們還想知道同樣是繩紋珊瑚科的其他種類，是否也是因為黑暗刺激同步產卵；還有軸孔珊瑚滿月後不規律的產卵模式，以及缺乏光照反而不產卵的現象，背後是否有更多秘密。

另外值得一提的是，珊瑚產卵的成果發表後，野澤洋耕收到來自以色列巴伊蘭大學學者 Levy Oren 的來信。Levy Oren 是在紅海研究光害對於當地珊瑚族群的影響，他對這次刊登的研究內容非常感興趣，更期待有機會能合作。原本珊瑚產卵的主題，因為一年只有一次觀察產卵機會，還要天天夜間潛水調查，風險之高、過程之辛苦，讓許多學者望之卻步。如今野澤洋耕與林哲宏等人多年來的堅持有了回報，而且橫跨紅海、綠島、琉球三地的搶救珊瑚大冒險，就在前方等待著他們。

註解

註 1：因為月球繞地球轉的軌道不是正圓，因此每天月亮升起的延遲時間會依照月相時間（新月／滿月）和季節而有所變化，延遲時間大約從 30－70 分鐘不等。

延伸閱讀

• Lin, C.-H., Takahashi, S., Mulla, A. J. & Nozawa, Y. (2021). Moonrise timing is key for synchronized spawning in coral dipsastraea speciosa. PNAS, 118(34).
• “Coral Facts.” NOAA Coral Reef Conservation Program.
• “How Do Corals Reproduce ?” Global Foundation for Ocean Exploration.
• “What are corals ?” National Ocean Service.