非洲象害怕蜜蜂，牠們甚至還會因為蜜蜂發出警告。現在，科學家利用這個恐懼，來保護肯亞的農夫們。過去，研究團隊發現，大象這個大塊頭聽到蜜蜂的嗡嗡聲，會迅速離開那個區域，而這個研究團隊在圍籬上，每十公尺掛一箱蜂巢，並在北肯亞一處經常遭到野象襲擊的地帶上，連續17座農場，比較兩種設計阻擋野象的效果；一邊裝置1700公尺的新圍籬，另一面則只有普通的刺樹圍籬。兩年後，裝有蜂巢的圍籬，明顯勝過樹刺對手；只有魯莽的公象，會突破新的圍籬，而有31次野象破壞樹刺圍籬的紀錄。蜂巢圍籬能有效降低人象衝突，但隨著非洲人口增加，大象和農夫爭奪土地及水源的問題也日益嚴重。
資料來源：ScienceShot: ‘Beehive Fences’ Keep Elephants Out [7 July 2011]
我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。
——史蒂芬．霍金（Stephen Hawking） 英國理論物理學家
大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。
圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？
在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？
不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。
在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。
1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。
一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：
總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：
只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！
現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換
x’ = x cosθ + y sinθ
y’ = -x sinθ+ y cosθ
即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？
人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 106 運算，那上圖的轉換只需 10-6 秒鐘！
GPU 可分成兩種：
2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。
事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。
我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。
人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。
黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」
人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？
GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。
（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。
（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?
（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?
（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。
（註五）
或
。
討論功能關閉中。
本文轉載自中央研究院「研之有物」，為「中研院廣告」
每到颱風天或寒流來襲，農作物損害的新聞常攻佔各大版面。在極端氣候影響下，農民需承擔的受災風險加劇！我們常羨慕氣候條件相對穩定的地區，但該處的受災風險真的比較小嗎？
中央研究院「研之有物」專訪院內經濟研究所莊雅婷助研究員，以世界糧食出口大國印度作為研究田野，剖析降雨量的變化對不同地區、不同類型農民的生計影響。跟著莊雅婷走一趟印度農村，以經濟學視角探索意想不到的農村經濟樣貌！
聯合國政府間氣候變遷專門委員會（IPCC）於 2022 年發表最新《氣候衝擊、調適與脆弱度報告》（Climate Change 2022: Impacts, Adaptation and Vulnerability），當中指出如在 2030 至 2052 年間失守 1.5°C 溫升防線，世界各地將面臨多重氣候災害，導致自然環境難以修復的局面。
在第 27 屆聯合國氣候變遷大會（COP27）中，多國持續響應 2050 年全球淨零排放目標，聯合國更重申人類社會必須強化面對極端氣候的調適能力，透過跨領域的資訊共享與合作，建立環境、經濟、社會等各面向韌性。
在各類生產者中，看天吃飯的農民最擔心極端氣候影響收成，農產歉收也將導致糧食短缺、物價上漲，並影響民生經濟。因此，了解氣候變遷對農民的影響，有助及早研擬因應對策。
中研院經濟研究所莊雅婷助研究員以環境經濟學為研究方法，選擇印度作為實證區域，研究降雨量的變化對不同地區、不同類型農民的生計影響，從中探索農民因應天災所發展出的生存之道。
印度是世界糧食出口大國，廣大的國土包含熱帶、亞熱帶、溫帶等不同氣候風貌，再加上各省份的風俗民情各異，塑造出多樣的地理環境、天氣型態及文化特色，有利降低研究取樣上的偏差。
此外，印度在 1970、1981 及 1998 年進行了大規模的農業人口普查，對於各種農業及非農業收入有詳細的統計數據。
莊雅婷共採用 230 個村莊、30 年跨度的印度農業人口普查數據，以及美國德拉瓦大學（University of Delaware）氣候研究中心 1900 至 2008 年蒐集的印度月降雨量和月均溫數據，並請益農業氣候科學家後得知：
6 月平均氣溫、6 至 9 月季風降雨（雨季）是影響印度農作收成的關鍵時期，而「溫度」及「降雨量」是科學家了解氣候變遷如何威脅農業收益的重要指標。
其中，美國德拉瓦大學氣候研究中心數據的優點是，能透過經緯度比對地理區位及空間資料，運用當期降雨量與 20 年歷史氣候資料同期平均值之偏差值，來表示當年雨量與歷史趨勢的差異。
此外，為了確定農民收入與氣候條件之間的連動性，排除與其他變因的交互影響，研究中設定的固定變因包括：家庭規模、村莊人口、戶主年齡及教育程度、農業經驗及替代技能等；環境固定變因則包括：種植模式、土壤類型、村莊特性及農村到城市距離。
藉由上述變因設定，控制非農業工作的可及性、不同區域勞動價格的內生變因，降低歷史天氣模式與非農業收入的交互影響。
臺灣諺語常以「風頭水尾」形容農業條件欠佳的環境，令人好奇的是，對比長年風調雨順的地區，哪類環境下的農民較能調適氣候變遷帶來的威脅？
莊雅婷發現，與以往研究結果類似之處在於，降雨量的變化對印度農民的農業收入有顯著影響，而農民傾向透過收入多樣化來調適降雨衝擊（rainfall shock）。
然而，在分析歷史降雨量變化並實地訪談後卻有意外發現：
歷史降雨量變化較小的地區，雖有氣候穩定優勢，一旦降雨驟變，農業收入與總收入的下降程度卻遠高於降雨量變化大的地區！
莊雅婷進一步根據土地大小及經濟規模，將農民分成：有自耕地的大農、中農、小農，以及無自耕地的農民，並初步分析 4 類農民面對降雨衝擊的收入狀況。
大農與中農通常具備較佳的經營管理能力與資源，例如能建置完善的儲水灌溉系統，因而農業收入雖受到降雨衝擊，但下降程度不大。
小農在一般情況下，靠著耕作小規模農地過著自給自足的生活，但相對缺乏其他替代收入，一旦面臨降雨衝擊，收入反而下降最多。
無自耕地的農民類似臺灣租地耕作的佃農，在農作收入較不穩定的情況下，已習慣兼差非農業工作貼補家用，比方投入村莊附近的建築營造工作。因此，在面對降雨衝擊時，較能迅速調整工作型態，收入下降程度比小農低。
以往的農業輔導政策較常聚焦在氣候變遷劇烈、生產條件不佳的地區，但莊雅婷的研究指出：
過去氣候條件穩定、甚少災荒澇旱的地區，反而容易受到氣候變遷的影響，其弱點在於農民缺乏應變經驗，難以在短時間內應對氣候變遷帶來的生計衝擊。
至於歷史降雨量變化較大的地區，多數農民已藉由代代相傳的生活經驗，建立起農業以外的收入來源、工作技能與求職人脈，降低氣候不佳對收入的影響。
該研究點出過往農業政策忽略之處，提醒在強化氣候變遷適應力的準備工作中，應考量農民行為與當地歷史氣候條件的交互影響，引導農民保有居安思危的觀念，及早研擬因應氣候變遷的對策。
大膽假設、小心求證，向來是做研究應秉持的原則。莊雅婷在進行量化分析時，也輔以工作坊、現地訪談等方法，過程中不僅獲得許多設立假說的靈感，更能得到深入剖析社會現象的觀點。
在印度進行田野調查時，恰巧其他印度研究團隊也在同一區域進行農民收入調查，兩方同時觀察到：當時年不佳時，大農地主通常以低於平時的工資雇用農民。
印度研究團隊認為，這是大農地主趁機剝削受雇農民，但莊雅婷在訪談農民後卻得到完全相反的答案。
原來這是地區社群的互助默契，大農地主在乾旱或澇災時提供工作機會，受雇農民也願意在農作欠收時降低工資，彼此相互體諒、一起度小月。
如何不帶偏見探討現象背後的成因，是莊雅婷走入田野時經常自我提醒的一點。
在偌大的經濟學領域中，莊雅婷選擇環境經濟學、發展經濟學、行為經濟學作為研究領域。在求學過程中了解到環境對人類行為的影響力，藉由分析個人和群體的經濟行為後，能將統計數據回饋到政策執行面上，有助改善環境和社會管理方式。
「經世致用」是經濟學有趣迷人之處，更讓莊雅婷維持源源不絕的研究熱情！
回憶起與印度的不解之緣，源自在印度工作半年多期間，接觸到發展中國家的實際狀況，親眼見到當地貧富差距之大，讓莊雅婷在心中埋下關心貧窮議題的種子。
就讀碩士班期間，在柬埔寨進行農村貧戶家計與微型貸款研究時，更聽聞無力擺脫貧窮的家庭想將女兒送給同行的美國研究人員，此舉讓她深受震撼！「我總會自問：我的研究能為當地人帶來什麼幫助？」
因著生命中的種種機緣，莊雅婷將研究能量聚焦在環境、貧窮及性別等具公益性的議題上，隻身前往東南亞多國農村進行研究，這不僅要抱持不怕困難的勇氣，更培養出因地制宜的反應力。
要在人生地不熟的異國做研究並不容易，需要與熟悉當地生態的「地頭蛇」建立良好關係，再經由他們連結在地人脈，讓農民願意暫時放下手邊工作來配合訪談。
莊雅婷曾遇到一位退休的老先生願意不收分文擔任翻譯，只因得知有遠自臺灣來的朋友，想要傾聽這群無名小農的故事。
一路走來並非總是一帆風順，但喜歡與人交流的莊雅婷牢記每一次與受訪者互動的美好經驗。對研究的熱情、人們釋出的善意，使她面對各種艱難挑戰時，得以發揮超強耐力，更是疲憊至極時「滿血復活」的最佳養分。
2018 年美國耶魯大學經濟學教授諾德豪斯（William D. Nordhaus）、紐約大學經濟學教授羅默（Paul Romer）以總體經濟學模型，找出氣候變遷與經濟成長的關係，同獲諾貝爾經濟學獎。在此之前，誰能料到「環境經濟學」會成為一門顯學。
這讓莊雅婷相信，在研究領域中無需為了追求潮流而惶惶不安，重要的是堅持自己的初衷，盡心耕耘終能有所收穫！
古人類學研究中，如果挖掘現場同時出土石器和化石，多半會判斷石器的製造者，就是化石所屬的古人類。公元 2023 年發表的一項研究，卻讓智人們都很猶豫，因為與石器一起出土的死人骨頭竟然不是「人」，而是 Homo 的近親：傍人。究竟誰才是人之初的石器匠？
空間上，遺址地點位於肯亞西部的 Nyayanga，非洲東部有多個大湖，這兒也是維多利亞湖的東北角，古時候算是適宜人居的優質地段。
時間上，年代不是那麼清楚。論文寫法是距今 259.5 到 303.2 萬年前之間，意思不是說延續 40 萬年那麼久，而是這段期間的某個時間點，或是某幾段時間，無法精確區分。如果簡單說一個大概年份，可以採取 290 萬年。
年代的判斷方式不只一種。原理為放射性元素的鈾釷／氦定年法（(U-Th)/He dating）得到將近 300 萬年的數字，地磁反轉則判斷早於 258 萬年。地球的地磁曾經不定期反轉過好幾次，假如確認地層早於 258 萬年前的反轉，便能推測樣本比 258 萬年更早。
遺址總共出土 330 件人造物，195 件在地表撿到，135 件在遺址內挖到。石器數量不少，材質是當地不難取得的石英和流紋岩（rhyolite）。從形貌看來，確實是人為製作的工具，已經可以視為成熟的奧都萬（Oldowan）風格。
奧都萬石器最早於 1930 年代在坦尚尼亞出土，研究領導者正是上古神獸：路易斯．李奇（Louis Leakey）。2019 年的論文報告，衣索比亞的 Bokol Dora 1 出土的石器，比 258 萬年前的地磁反轉更早一些；這回肯亞的遺址年代似乎更早，也就是最早的奧都萬石器。
過往知道超過 200 萬年的奧都萬產品，大部分位於衣索比亞的阿法地區（就是命名「阿法南猿 Australopithecus afarensis」的那個地名阿法），距離這回的遺址超過 1300 公里。看來初期奧都萬使用者，分佈範圍不小。
討論這些古人類學的議題時，我們習慣統稱作「東非」，不過東非概念類似東亞，相關地區的面積實際上很大，有時候距離可能超級遠。
儘管相距甚遠，遺址當年似乎都是 C4 植物為主的草地，夾雜一些樹木，也就是如今常見的東非草原地形。這應該就是奧都萬使用者喜歡的環境。
石器是工具，做什麼用呢？根據磨痕等資訊判斷，有些石器曾接觸過堅硬的植物部位，如樹幹，也有些處理過軟的植物部位；另外還切割、砍砸過動物的骨頭與肉肉。
遺址出土的動物骨頭不少，能確定遭到石器迫害過的有河馬和牛科動物（包括各款式的牛、羊），石器使用者藉此取得肉肉和骨髓，可謂充分發揮石器的作用。動物未必是擊殺，也可能是撿屍取得。
據此判斷奧都萬最初的使用者，會用石器處理各種材料，不限於植物或動物。他們不只是熟練的石器匠，也是手巧的用戶。
製造與使用石器的人是誰？出土石器的遺址，不少沒有死人骨頭。Nyayanga 遺址倒是有化石，可是卻不是 Homo，而是 2 個「傍人」的牙齒。
這些名詞的關係有點複雜，先來解釋人的部分。傍人（Paranthropus）是何許人也？人類演化史上，300 到 400 萬年前是南猿（Australopithecus）的時代，傍人、Homo 應該都是南猿的衍生型號。
直立人、智人、尼安德塔人所屬的 Homo，和傍人、南猿是近親，都算是古人類；至於「人」是否包含傍人與南猿，看狀況。
再結合石器與年代的資訊，已知最早有 Homo 特徵的化石（無疑的「人」）為 280 萬年，最早的石器不是奧都萬，而是作工更簡陋的拉米關（Lomekwian），存在 330 萬年前的肯亞。所以最早的石器匠不是 Homo，想來也不意外。
按照之前的資訊推敲，最早的拉米關石器早於 Homo，接著 Homo 距今 280 萬年誕生，260 萬年左右研發出奧都萬石器，看似井然有序。
可是 Nyayanga 遺址的年代十分曖昧，剛好卡在 Homo 最初誕生的階段。至今缺乏直接證據，證明那時已經有 Homo 存在，有的話卻也不意外，符合奧都萬最早製造者的時程。
然而，最早的奧都萬石器，卻與傍人化石一起出土，莫非最早的奧都萬是傍人手筆嗎？
傍人的外貌更加粗壯，或許也有更猛的咬合力。以前推測傍人的適應主要在肉體和生理，Homo 則是製作工具的行為。此前缺乏明確證據，支持傍人也使用石器，所以這回即使傍人和石器一同出土，依然不敢認定傍人就是使用者。
倘若某些南猿，已經摸索出最初的石器奧義，那麼身為南猿後裔的傍人也會操弄石頭，似乎沒那麼意外。
可是其他遺址也見到過，傍人和南猿與 Homo 住在附近；所以也可能是遺址當年同時住著沒有石器的傍人，以及使用石器的 Homo，後來卻只有傍人留下化石。總之，目前難以判斷誰是石器匠。
還有個黑暗的可能性：與石器一同出土的傍人，搞不好是被石器處理的對象？
我們對傍人的認識不多，這項研究儘管無法判斷傍人是否會使用石器，依然獲得重要的新知。
傍人一度被歸類於南猿旗下，比較粗壯的南猿，後來才另立新屬 Paranthropus；para 意思是旁邊（beside 或 near），anthropus 是人。目前可分為 3 個物種，這項研究沒有斷言是哪個物種。
以前知道最早的傍人化石距今 260 萬年，出土於衣索比亞的 Omo Kibish，被歸類為衣索比亞傍人（Paranthropus aethiopicus）。
這項研究沒有特別討論，有趣的是，如果年代估計無誤，曾經於肯亞 Nyayanga 出沒的傍人極可能早於 260 萬年，那麼這就不只是最早的奧都萬石器，也是最早的傍人。距離最近的傍人化石 230 公里，也拓展了傍人的分佈範圍。
劃重點：
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。
fierycloud
