全盤皆輸的亞馬遜拓荒行動

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

有關這個根本問題的答案，水能提供一些線索——不管是源自森林的溪水，或經常像瀑布一樣傾瀉而下的雨水。

亞馬遜流域的三種水色

這裡我們還是會先以亞馬遜雨林為例，因為如果能認識地表最大熱帶雨林的狀況，自然也就能了解剛果盆地與東南亞這另外兩大雨林。

不過在更深入探究當地的狀況前，我們得先介紹一個早就被發現的現象。亞馬遜地區的河流，可依水色分成三類：白水、黑水與清水。白水並非白色，它帶點乳色混濁，其實更像牛奶咖啡。黑水看起來雖像流動的石油，把它舀進大一點的容器看其實偏棕色。至於清水則就是清澈不混濁。

這些差異意謂著什麼，亞馬遜的原住民印地安人應該都很熟悉，他們甚至是以此來表達不同部族的居住地與人數多寡。這種「印地安模式」，可從水中的礦物含量以及與此相關的肥沃度得到解釋。

白水河源自安地斯山，來自高山的礦物碎屑造成它的混濁，每年特定時間或長或短的氾濫期為河岸地區帶來肥沃物質，程度上雖不如尼羅河氾濫，但原理很類似。白水河的氾濫區在亞馬遜被稱為 várzea，這裡氾濫期的洪水可高達十幾公尺，會叮咬人的蚊蚋也很多，但幾百年來，卻一直有歐洲殖民者的後代，與那些被稱為卡布克羅人（Caboclos）的歐、印混血者在此墾殖定居。

至於被稱為 igapó 的黑水河氾濫區，則與此截然不同。洪水在這裡也會暴漲至樹冠，並經常維持在這個高度數星期之久，氾濫過後卻還是無法留下肥沃的河岸。不僅如此，這裡的土壤因氾濫所流失的養分還比得到的多，所以即使大致沒什麼擾人的蚊蚋，卻也不會有人來種任何東西。

土壤跟它一樣貧瘠的，還有清水河的河岸。河水不混濁，雖然有利於以弓箭或魚叉捕魚，但水清則魚少，所以這方面的收穫也說不上豐碩。

這些印地安人的祖先數百至數千年來累積的經驗，在二十世紀後半期德國馬克斯．普朗克（Max-Planck-Institut）湖沼研究所所進行的測量中得到了證實。研究者發現清水河與黑水河都極度缺乏電解質，也就是那些可做為導電離子的可溶性礦物成分。水中量測到的導電率，是顯示其電離子含量的良好指標，而植物所需的營養鹽就是這類離子。

黑水河暗褐的水色來自腐植酸，這種物質是植物生長無法利用的，而我們通常是從水色偏褐的沼澤湖泊認識到它。白水河則不同，它幾乎含有植物所需的每一種離子，例如鉀、鈣、鎂與磷酸鹽離子，而這些是來自安地斯山風化的岩石。

不過這裡的岩石風化物，其實不如衣索比亞的肥沃多產（尼羅河的兩條主要支流即發源於此），因為亞馬遜河的集水區裡沒有火山。火成岩遠比石灰岩、砂岩或花崗岩肥沃，這也是東南亞大部分雨林區與其他地方最顯著的差異。熱帶研究學的專家恩斯特．約瑟夫．菲特考（Ernst Josef Fittkau）根據這些發現製作了一張亞馬遜地區的生態圖，呈現出一種河川三分法，分別是白水河作為「安地斯山之延續」，與來自黑水河及清水河的流路，在這三種區塊之間，則是亞馬遜中部面積廣大的雨林。

但孕育出這片森林所需要的養分，究竟從何而來？

有更多發現為這個問題提供了線索。例如科學家為精確分析水的成分所測量的導電率，顯示出亞馬遜地區某些林間小河的河水居然還比雨水更純。它甚至不含一點鈣或鎂，連其他礦物成分的含量，也都只在勉強能驗到的臨界值。在一條這樣的林間小溪裡洗手，只要沾一點肥皂，就足以產生多到無法遏止的泡沫。

這個奇怪的發現，事實上背後的問題很嚴峻。極度缺乏礦物質，會讓人牙齒損壞、骨質流失，而熱帶悶熱的環境，更讓人因流汗損失過多鹽分而渴望鹽。水中的礦物成分過低，也意謂著某些水生動物的身體有吸收過多水分的危險，因為當牠體外的水鹽度遠低於體內，滲透率便會產生落差，而為了避免過多水分滲入，牠會迫使自己的身體近乎防水，否則得不斷排出過多水分，非常耗費能量。

這也充分解釋了，為什麼像巨骨舌魚這類皮膚有如鎧甲的魚，偏偏就普遍分布在亞馬遜地區，而且是水裡的贏家。此外，滿口利牙的典型掠食性魚類會吃樹上掉進水裡的果實，也非常合理，因為牠們可以從這類食物中獲取礦物質，以補充在這種環境下無可避免的損失。

不過整座森林，其實也無可避免地在流失它的礦物鹽類。至於到底流失了多少，則可藉測量離開森林後的水體之電解質得知。即使每立方公尺只含幾毫克，它也一點一滴、年復一年地從亞馬遜雨林裡流失，然後被帶進南大西洋。

所以在地力不斷流失的情況下——除了白水河的河岸地帶之外，因為這裡每次氾濫，都會得到來自安地斯山的養分補給——亞馬遜雨林不是應該要逐漸營養不良死去嗎？

更多研究的發現，讓這個問題的答案愈來愈清晰。大部分生長在亞馬遜的「固定土地」上，也就是它面積廣大的非氾濫區裡的樹木，都發展出一種向四面八方水平擴展的根系，與一般認為它能特別深紮在土壤中的想法完全不同。一場普通大小的雷雨風暴，便足以把一棵大樹撂倒，連那些經常長得非常巨大的板根與支柱根，都沒辦法穩固地支撐它。

在此同時我們也從豐富廣泛的雨林研究中得知，其貼近地面擴展的根系，作用就像一個巨大精密的過濾器，而樹木便是以此來攔截吸收落葉或倒木分解後釋放出的礦物成分。這種養分的循環再利用過程真的很短，在其中協助它進行的便是纖細無比的真菌菌絲。

在我們所熟悉的土壤中，負責儲存這些分解物質者是腐植質，也因此它被認為特別肥沃。然而熱帶雨林的土壤沒有腐植質，因為樹木的根，立即吸收了所有在分解與礦化作用中釋放出的物質。樹木的葉與根之間，構成了一種緊密的循環系統。

精密的植被系統

當然這還是無法完全阻止植物所需的養分因雨水而流失，因為水量實在太大，降雨強度也太強。林間小溪貧乏的礦物含量，指出了這種無可避免的損失。而雨林裡的樹木如何取得平衡，只要看看它的葉子與樹冠，便可得到線索。

那些「坐」在它樹冠上的植物，幾乎都是我們最熟悉的室內或裝飾植物，例如蘭花、鳳梨科植物或蕨類。在德文裡它們被有點拗口地慣稱為「坐在上面的植物」，其實也就是附生植物。

它們的根莖沒有觸及地面，也沒有鑽進樹木的枝幹裡，所以不像寄生植物會吸取樹木養分，而只在樹上靠「吸空氣」維生——這點完全名符其實：因為它們不僅像絕大部分植物那樣，會從空氣中吸收二氧化碳，也吸收那裡面的水分與必需的礦物養分。雖然要以這種方式活著，它們得維持很低的需求，但它們的出現與常見卻也表明，借道空路而來的礦物鹽類顯然完全充裕。

只要更仔細觀察，我們甚至還看得到許多附生在樹葉上的小型或微型植物。它們像一小片草地那樣生長在葉面，讓有些大型樹葉看起來好像布滿斑點，而且這很可能也是滴水葉尖發展出來的重要原因之一。這樣的葉尖能讓雨水更快從葉面滴下或流走，如此一來那上面的迷你附生植物才會不斷枯死；這可以避免它們生長過密，對雨林樹木的葉子造成危害。

另一方面，這些葉面附生植物透過其龐大的總表面積，從雨水中過濾出特別多的礦物養分，這點對樹木倒是有利的；在很大的程度上，甚至比那些大型附生植物更有用。後者通常只會偶爾在雷雨風暴中被颳落地面，然後樹根或許還能從它們身上吸收到一些營養。

這裡空氣中的礦物成分究竟從何而來，一直到二十世紀後半都還無人知曉。是來自被信風或暴風颳來拍打在海岸的浪花嗎？還是來自南美洲東北及東南部、有著廣大裸露地面的乾燥區？都有可能。

然而化學微量分析的結果，卻指向一個要遙遠得多的來源地。那些從空中為亞馬遜雨林施肥的礦物成分，是信風遠從撒哈拉沙漠挾帶來的。有時候當沙塵暴特別強勁，大範圍的天氣狀態也許可時，甚至連中歐地區都能體驗到一部分這種來自撒哈拉的沙塵現象。此時降下的雨會偏褐到黃褐色，在過去迷信的時代，人們把它稱作「血雨」，而它顯示出沙塵裡有含鐵化合物。

根據測量的結果，隨著信風由非洲穩定吹向亞馬遜的沙塵量，不僅能與因河水沖蝕與搬運而損失的量達成平衡，也確實含有雨林裡的樹木生長所需要的礦物養分。那些主要是磷、鉀、鎂，但也包括鈣、鐵及一些微量元素。

因此我們可以誇大一點地說，絕大部分的亞馬遜雨林根本只是「站」在一片幾乎已無法再提供給它任何養分的土地上，而且是以它的樹葉與根部組織從空氣中吸收養分。就這點而言，熱帶雨林的表層很類似高位沼澤，因為它也是從空氣中獲取養分。高位沼澤下那些死去植被積累而成的泥炭，主要功能就是做為底部基礎與蓄水。

——本文摘自《熱帶雨林：多樣、美麗而稀少的熱帶生命》，2022 年 8 月，日出出版，未經同意請勿轉載。

流量最大的河川，帶來最大的洪水，這樣的因果關係似乎完全符合邏輯。然而亞馬遜河的洪水，已完全超乎水量增加與氾濫幅度間的正常關係，而這對亞馬遜雨林帶來了某些後果。

洪水氾濫成的水陸兩棲舞台

儘管並非毫不費力就能看出端倪，但原因其實很簡單。

這條大河從安地斯山脈東緣開始，那些巨大的源流河在此離開高地但尚未匯入主流，一直到注入南大西洋為止，其間三千多公里的河道，幾乎完全不再有任何坡度。這甚至使亞馬遜河的洪流，會以潮汐般的規律往上游方向回堵數百公里。連它那些來自北邊或南邊的主要支流——前者最重要的是內格羅河（Rio Negro），後者則是馬代拉河（Madeira）與托坎廷斯河（Tocantins）——在匯入亞馬遜河前，也都已經幾乎毫無坡降地奔流了無數里程。

它在主要雨季的流量每秒可超過三十萬立方公尺，這樣幾乎讓人無法想像的巨大水量，無可避免地必然會暴漲並堵塞。而那些離河道不遠的森林，也因此會大範圍遭洪水泛濫，連續好幾星期，有時候甚至長達數月。

於是一個水陸兩棲的世界形成了，魚穿梭在這個原始森林的樹冠層中，水生植物則聚集成漂浮的大島順流而下，在某些河岸地帶水位可以上升十到十五公尺。

此時有一大部分生命的活動舞台，是在水中或在高高的樹冠上，而毀滅式的大雨不斷傾盆而下，還可能連下數日不休。這裡的河水氾濫會波及廣闊的周邊地區，在某些地方甚至寬達上百公里看不到河岸，因為樹冠已完全沒入水中。而並非所有亞馬遜雨林的樹種，都能忍受這麼長的氾濫期，因此比起那些洪水淹不到的地方，也就是巴西人眼中真正的「陸地」，生長在近河地帶的樹種一直明顯較少。

上演著精采絕倫的動物生存戰

不過即使沒有氾濫，從天而降的驚人雨量，還是會為那些「陸地」帶來過多的水。但它至少有穩固的土壤，生長在這裡的樹木與生長在近河氾濫區者，有著迥異的繁殖策略。

在近河氾濫區的水裡，不僅有等著要埋伏獵物的凱門鱷（Kaiman），還有在靜候著等待果實噗通一聲掉進水裡的魚，牠們會急忙蜂湧而上，就像人、畜見之色變的食人魚撲向（受傷的）獵物那樣，會在最短時間內把目標物吃光抹淨只剩骷髏。

食人魚因為前端齒列是由鋒利如刀的三角尖齒所組成，所以能像鋸子一樣切鋸，牠也因此得到一個有點矬的德文名字：鋸脂鯉（Sägesalmler）。Säge 即鋸子，而 Salmler 則表明牠屬於脂鯉科這種魚。

或許在某些冒險故事裡這種魚確實被描寫得太誇大，不過這改變不了一個事實：當牠們非常飢餓時，牠們在亞馬遜水域裡的危險性要遠比凱門鱷和巨蟒高。任何曾釣過這種魚的人，都不會忘記牠所發出的那種嘎吱嘎吱聲，那是牠用牙齒在狂咬固定魚鉤的鋼絲前導線。

從人類的角度來看，相對溫和無害的是亞河豚科的淡水豚，因為牠只獵食魚類，並不會攻擊人。當牠們成群圍繞在你的小船或獨木舟邊嬉戲時，還會發出平和悅耳的聲響。

然而水中世界的生存競賽，還是繼續在進行。

起初是在水位開始上漲時，因為有些物種所仰賴的食物來源，在水中變得更分散更稀少了。像凱門鱷就首當其衝，還好牠經得起長時間挨餓，相較之下屬於哺乳類的巨獺，也就是亞馬遜河裡以魚為主食的大型水獺，則幾乎每天都得進食。淡水河龜也很擅長耐心等候，而且能捱到洪水退去，牠可以產卵的河岸重新出露。爬蟲類此時的優勢，來自牠比哺乳類動物要低許多的新陳代謝率。牠每天所需要的食物，只有體重相當的哺乳類動物的五分之一到十分之一。

為數不多且原生於亞馬遜雨林的大型哺乳類動物，都以一種明顯較低的基礎代謝率著稱。對體型只差不多與野豬相當，但卻是亞馬遜體重最大的哺乳類動物貘來說，這種新陳代謝強度降低的比例還不算太大；但生活在樹冠層、凡事都「慢慢來」的樹懶，基礎代謝率卻大約只有與牠體型相當的一般哺乳類的一半。然而牠其實並不「懶」，凡事慢慢來對牠是生活之必需。

樹懶以及會把長鼻子伸出水面的貘，都擅長且能持久游水；而那些住在樹冠層的猿猴，反之則會盡其所能地避免下水，落入水中對多數不具游泳能力的猿猴來說意謂著雙重致命，因為牠們根本抵禦不了那裡面的肉食性魚類與鱷魚。

有些事在這個奇怪的水世界裡，或許不足為奇：例如這裡最常見的一種螞蟻切葉蟻，是以培養真菌為生，而一些大型蝴蝶，像全身閃耀著一種夢幻天空藍的大藍閃蝶，壽命可以長達數週或甚至數個月。在悶溼的熱帶亞馬遜，牠們的生命進行得比我們初夏森林裡的蝴蝶慢。

至於鳥類則受惠於牠們的飛行能力，羽色繽紛的巨嘴鳥拜自己敏銳的色覺之賜，總能找到有果實的樹木。

在亞馬遜的水陸兩棲世界裡，鳥類與魚類一樣都多達數百種。

——本文摘自《熱帶雨林：多樣、美麗而稀少的熱帶生命》，2022 年 8 月，日出出版，未經同意請勿轉載。