在紛擾人群中也能獨享音樂世界－指向性喇叭

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

久旱不雨，植物悲鳴，^{[1, 2]}類似教育部《臺灣閩南語常用詞辭典》所謂「因飢餓而吵鬧」的「哭枵」（khàu-iau）。^[3]別問為何沒聽過，也不怪天地寡情，人類無義，從來漠不關心。植物叫那種超音波，傳至咱們耳裡就只剩寧靜。幸好靠著以色列科學家幫忙，轉換到常人的聽覺範圍，並分享於 2023 年 3 月底的《細胞》（Cell）期刊，才廣為周知。^[1]

傾聽植物的聲音

面臨乾旱或草食動物的威脅，植物會做出多種反應，例如：改變外貌，或是以揮發性有機化合物影響鄰居等。^[1]過去的文獻指出，缺水引發空蝕現象（cavitation），使植物負責輸送水份的木質部，因氣泡形成、擴張和破裂而震動。^{[1, 4]}現在科學家想知道，這是否也會產生在特定距離內，能被其他物種聽見的聲音。^[1]

受試的對象是番茄與菸草，分別拆成乾旱、修剪和對照 3 組。對照組又有常態生長的一般對照、有土卻無植物的盆器，以及每株植物實驗前的自體對照 3 種。實驗大致有幾個階段：首先，在隔音箱裡，距離每個受試對象 10 公分處，各立 2 支麥克風收音。將聲音的紀錄分類後，拿去進行機器學習。接著移駕溫室，讓訓練好的模型，分辨雜音和不同情況下植物的聲音。再來，觀察乾旱程度與植物發聲的關係。最後，也測試其他的植物和狀態。^[1]

植物錄音與機器學習

隔音箱裡常態生長的植物，每小時平均發聲少於一次；而沒植物的盆器當然完全無聲。相對地，遭受乾旱或修剪壓力的實驗組植物，反應則十分劇烈：^[1]

隔音箱中實驗組的錄音，被依照植物品種以及所受的待遇，歸納為 4 個組別，各組別再彼此配對比較，例如：乾旱的番茄對修剪的番茄等。以此資料訓練出來的機器學習模型，判別配對中各組別的準確率為 70%。第二階段在溫室中進行，自然較隔音箱嘈雜。科學家拿空蕩溫室的環境錄音，來教模型分辨並過濾雜訊。訓練後，令其區別乾旱與對照組番茄的聲音，結果 84% 正確。^[1]既然能聽得出基本的差別，下一步就是了解水量對番茄發聲的影響。

體積含水量

為了操縱體積含水量（volumetric water content，縮寫VWC），即水份與泥土體積的比值或百分比，^{[1, 5]}科學家狠下心，連續幾天都不給溫室裡的番茄植栽喝水。一邊觀察 VWC 的變化；一邊錄下它們的聲音。起先水份充足，番茄不太吵鬧；4、5 天下來，發聲的次數逐漸增加至高峰；然後應該是快渴死了，有氣無力，所以次數又開始減少。此外，番茄通常都在早上 8 點（圖表較像 7 點）到中午 12 點，以及下午 4 點至晚上 7 點，這兩個時段出聲。^[1]科學家覺得這般作息，可能與規律的氣孔導度（stomatal conductance），也就是跟光合作用的換氣以及蒸散作用的水份蒸發，兩個透過氣孔進行的動作有關。^{[1, 6]}

大部份的聲音都是在 VWC < 0.05 時出現；當 VWC > 0.1，水份還足夠，就幾乎無聲。科學家將比較的條件進一步分成 VWC < 0.01 與 VWC > 0.05、VWC < 0.05 跟 VWC > 0.05，以及 VWC < 0.01、VWC > 0.05 和淨空溫室的聲音。機器學習模型分辨起來，都有七、八成的準確率。^[1]

植物發聲的原理

實驗觀察所得，都將植物發聲的機制，指向木質部導管中氣體的運動，也就是科學家先前預期的空蝕現象。^[1]下面為支持這項推論的理由：

1. 木質部導管的口徑，與植物被錄到的聲波頻率相關：寬的低；而窄的高。^[1]
2. 乾旱與修剪所造成的聲音不同：在木質部導管中，前者氣泡形成緩慢，發聲時數較長；而後者則相當迅速，時數較短。^[1]
3. 聲音是由植物的莖，向四面八方傳播。^[1]
4. 空蝕現象造成的震動，跟記錄到的超音波，部份頻率重疊；而沒有重疊的，其實已經超出其他物種的聽力以及麥克風收音的範圍。^[1]

問誰未發聲

觀察完番茄和菸草之後，科學家不禁好奇，別的植物是否也會為自己的處境發聲？還是它們都默默受苦，無聲地承擔？研究團隊拿小麥、玉米、卡本內蘇維濃葡萄（Cabernet Sauvignon grapevine）、奇隆丸仙人掌（Mammillaria spinosissima）與寶蓋草（henbit）來測試，發現它們果然有聲音。不過，像杏仁樹之類的木本植物，還有木質化的葡萄藤就沒有了。另外，科學家又監聽感染菸草嵌紋病毒（tobacco mosaic virus）的番茄，並錄到它們的病中呻吟。^[1]

你敢有聽著咱的歌

之前有研究指出，海邊月見草（Oenothera drummondii）暴露於蜜蜂的聲音時，會產出較甜的花蜜。^[2]若將角色對調過來：植物在乾旱、修剪或感染等壓力下釋出的超音波，頻率約在 20 至 100 kHz 之間，理論上 3 到 5 公尺內的某些哺乳動物或昆蟲，例如：蝙蝠、老鼠和飛蛾，應該聽得到。^{[1, 2]}以色列科學家認為幼蟲會寄住在番茄或菸草上的飛蛾，或許能辨識植物的聲波，並做出某些反應。同理，人類可以用機器學習模型，分辨農作物的聲音，再給予相應的照顧。如此不僅節省水源，精準培育，還能預防氣候變遷所導致的糧食危機。^[1]

備註

本文最後兩個子標題，借用音樂劇《Les Misérables》歌曲〈Do You Hear the People Sing?〉的粵語和臺語版曲名。^[7]

1. Khait I, Lewin-Epstein O, Sharon R. (2023) ‘Sounds emitted by plants under stress are airborne and informative’. Cell, 106(7): 1328-1336.
2. Marris E. (30 MAR 2023) ‘Stressed plants ‘cry’ — and some animals can probably hear them’. Nature.
3. 教育部「哭枵」臺灣閩南語常用詞辭典（Accessed on 01 APR 2023）
4. McElrone A J, Choat B, Gambetta GA, et al. (2013) ‘Water Uptake and Transport in Vascular Plants’. Nature Education Knowledge, 4(5):6.
5. Datta S, Taghvaeian S, Stivers J. (AUG 2018) ‘Understanding Soil Water Content and Thresholds for Irrigation Management’. OSU Extension of Oklahoma State University.
6. Murray M, Soh WK, Yiotis C, et al. (2020) ‘Consistent Relationship between Field-Measured Stomatal Conductance and Theoretical Maximum Stomatal Conductance in C3 Woody Angiosperms in Four Major Biomes’. International Journal of Plant Sciences, 181, 1.
7. FireRock Music.（16 JUN 2019）「【問誰未發聲】歌詞 Mix全民超長版 粵+國+台+英 口琴+小童+學生+市民 Do you hear the people sing?」YouTube.

• 本文轉載自特有生物研究保育中心，《自然保育季刊》第 112 期
• 作者 / 鄭錫奇｜行政院農業委員會特有生物研究保育中心研究員兼主任秘書、陳宏彰｜行政院農業委員會特有生物研究保育中心計畫助理、周政翰｜台灣蝙蝠學會理事

台 9 線蘇花公路山區路段改善工程歷時 9 年的努力終於在 2020 年 1 月 6 日全線通車。近年政府進行重大建設時日益重視工程對環境及生物多樣性的影響評估，蝙蝠類因其物種繁多、族群數量龐大、食性獨特、活動範圍廣泛且對環境變化敏感，其生存棲地品質攸關族群存續狀況，因此相當適合作為反應環境變化的類群。

上一篇〈台灣蝙蝠知多少？沿著蘇花公路，探尋豐富的蝙蝠多樣性（上）——蘇花改特輯（二）〉我們介紹了許多種臺灣蝙蝠以及調查過程，這篇我們將探討這些資料的分析結果。

棲所難尋但資料珍貴

蝙蝠棲息的處所通常隱密而不易探尋。不過， 一旦發現某種蝙蝠的棲所及族群，則可以進行深入研究以獲得許多生態相關的珍貴資訊。除了在夜間外飛覓食時段，蝙蝠在棲所度過很長的時間，包括其生活史的不同階段，諸如白天休息、尋覓伴侶交配、生殖育幼、日間休眠或冬季冬眠等。棲所還能提供保護的功能，降低蝙蝠被天敵掠食或人類干擾的機會，以及抵禦外界環境或氣候變化的影響，可見適當的棲所對涵養蝙蝠族群而言相當重要。

本計畫歷年陸續在調查樣區中發現蝙蝠的棲所，諸如群居型的臺灣葉鼻蝠、臺灣小蹄鼻蝠，以及獨居型的臺灣大蹄鼻蝠喜歡陰暗潮濕的洞穴、隧道、涵洞等處；日間棲息在林道旁新生芭蕉捲葉中的玄彩蝠；會利用東岳冷泉鐵路高架橋橋墩下作為夜間棲所的堀川氏棕蝠。當發現臺灣葉鼻蝠或臺灣小蹄鼻蝠的族群時，我們會持續瞭解其族群量的變動趨勢，以及生殖育幼的季節；相對而言，獨居的臺灣大蹄鼻蝠雖較不容易發現，然而我們曾觀察到有 1 隻雌性個體居然連續使用同一處廢棄木屋長達 3 年之久， 而在春季時又發現另 1 隻雌性個體共棲，這種現象相當罕見；依據尤宣亞 (2015) 針對臺灣大蹄鼻蝠配對系統的研究指出，成體雌蝠間並不會共處於同一 棲所，但在懷孕期（4-5 月）則會和去年生產的幼蝠（或亞成蝠）共棲，因而推測牠們可能是去年繁殖的 一對母女蝠。

地區新紀錄種的發現

我們執行計畫的第一 (2012) 年即發現了 17 種蝙蝠，之後每年均可調查到 17-19 種之多，而且在前 5 年幾乎每年都有地區新種類的發現，譬如 2013 年增加了東方寬耳蝠（網具捕捉）及臺灣家蝠（音頻判識）而達 19 種；2014 年增加寬吻鼠耳蝠（網具捕捉）達 20 種；2015 年則再增加金芒管鼻蝠（網具捕捉）達 21 種；2016 年新增毛翼管鼻蝠（網具捕捉）後使得物種累積達 22 種至今 (2020) 年上半年。

參考特生中心於 2007 至 2010 年間在雲林縣斗六丘陵湖山水庫預定地與周邊區域所進行的多年蝙蝠調查結果，亦呈現類似的物種數累加趨勢，即幾乎每年都會有 1-2 種地區新紀錄種蝙蝠的發現 (鄭錫奇等 2010)。也就是說，若要確切得到一個地區相對完整的蝙蝠相，不僅需要運用多樣化的調查方法，而且須按季節持續 進行多年（至少 5 年）的調查始能達成。然而，納悶的 是，雖然我們努力調查多年，除了顯著地增加調查區域內 15 種蝙蝠的新發現紀錄外，迄今仍無發現弘益生態有限公司於 2010 年在同一區域調查所得之高頭蝠 (Scotophilus kuhlii) 分布資料。

與昔日調查資料比較

特生中心 2003 年在宜蘭與花蓮兩縣市進行的蝙蝠類調查，總計發現了 19 種蝙蝠(鄭錫奇與張簡琳玟 2003)，然而若只篩選該成果中，沿蘇花公路及兩側延伸海拔 500m 以下區域（因本蘇花改計畫調查範圍低於海拔 500m），則為 12 種；另於 2004 年執行宜蘭縣和花蓮縣野生哺乳類動物及花東地區的翼手目調查，共發現 20 種蝙蝠，而在低於 500m 的區域則僅發現 9 種(鄭錫奇等 2004)；而 2006 年進行花蓮縣野生哺乳類動物調查時，於秀林鄉發現了臺灣葉鼻蝠與渡瀨氏鼠耳蝠（現稱赤黑鼠耳蝠）2 種蝙蝠 (鄭錫奇等 2006)。

根據上述文獻所發現的物種與本計畫多年 (2012-2019 年) 的結果比較，同一海拔區域內僅臺灣無尾葉鼻蝠為本計畫迄今尚未有記錄的種類，而本計畫所發現的堀川氏棕蝠、絨山蝠、東方寬耳蝠、寬吻鼠耳蝠、毛翼管鼻蝠、金芒管鼻蝠、 黃胸管鼻蝠、隱姬管鼻蝠及東亞游離尾蝠等 9 種則為昔日文獻未曾記錄的地區新紀錄種。

太魯閣國家公園管理處曾委辦執行「太魯閣國家公園蝙蝠族群動態智慧監控規劃」(謝伯娟與陳宏彰 2016)，該計畫同樣採網具捕捉、超音波測錄及棲所探查等 3 種調查方法進行調查，惟其執行範圍（於花蓮縣山區）沿台 8 線中橫公路東段涵蓋園區內低、中、高海拔區域，結果發現 5 科 15 屬 24 種，其中除了分布於中高海拔的臺灣長耳蝠、紅棕鼠耳蝠與姬管鼻蝠外，其他 21 種在本計畫皆有發現。可見台 9 線蘇花公路沿線及周邊範圍的蝙蝠物種多樣性堪稱豐富。

蝙蝠的季節性遷移行為

由近 8 個年度的調查結果顯示，雖然不同季節發現之種數不盡相同，然而春、夏、秋季為物種出現較多的季節（2018 年春季最多可達 17 種），蝙蝠活動力較低的冬季則相對較少（2015 年最少僅發現 8 種）。雖然至少 15 種蝙蝠四季均可在調查範圍中發現，但部分物種僅於特定季節出現，如黃頸蝠和絨山蝠只零星於春、夏、秋季發現（音頻資料），在冬季則無任何紀錄。

臺灣的蝙蝠會隨著季節的更迭而進行海拔垂直遷徙現象陸續被發現 (鄭錫奇及張簡琳玟 2008；鄭錫奇等 2009)，其中以黃胸管鼻蝠最為典型，牠們在溫暖的季節 (如夏季) 通常會在低海拔區域棲息、活動及繁殖育幼，而在冬季時則遷到高海拔超過 3,000m 的山區度冬，年復一年地在不同海拔間遷移。

然而，我們調查捕獲的資料顯示，在 2013 年秋季及 2017 年冬季在花蓮秀林鄉同一樣區 (海拔 120m) 各捕獲 1 隻東方寬耳蝠，這 2 筆資料為該物種目前全臺海拔分布最低紀錄；同樣地於 2014、2017 年冬季及 2019 年秋季分別在花蓮秀林鄉樣區內各捕獲 4 隻、1 隻及 1 隻的寬吻鼠耳蝠雄性個體，此紀錄亦為寬吻鼠耳蝠於臺灣的最低海拔 (120m) 分布資料；另外也於 2015 年秋季及 2018 年度春季於花蓮秀林鄉和平地區的不同樣區內捕獲各 1 隻個體的金芒管鼻蝠。唯一 1 隻毛翼管鼻蝠則在 2016 年秋季以網具捕獲。這些溫暖季節主要分布於中高海拔的物種竟然在冬季時逆向降遷至蘇花改低海拔區域活動，其原因仍不清楚。

捕捉標放探討時空變動

歷年研究人員以網具捕獲或棲所探查捕撈的個體都會以具號碼的翼標標示個體，並在原地釋放， 之後藉由再捕獲紀錄探討其不同時空下的變動情形。近 8 個年度本計畫總共捕捉標放了 17 種共 580 隻的蝙蝠，其中以臺灣管鼻蝠 219 隻最多，其次為玄彩蝠 (85 隻)、隱姬管鼻蝠 (66隻)、長趾鼠耳蝠 (64 隻)、長尾鼠耳蝠 (36 隻)、赤黑鼠耳蝠 (25 隻)、堀川氏棕蝠 (24 隻)、臺灣小蹄鼻蝠 (22 隻) 等，其餘如臺灣葉鼻蝠、東亞摺翅蝠、黃胸管鼻蝠、寬吻鼠耳蝠、臺灣大蹄鼻蝠、東方寬耳蝠、山家蝠、金芒管鼻蝠及臺灣家蝠之標放個體都少於 10 隻。

標放個體中有 8 種 78 隻陸續再被重複捕捉，最多者為臺灣管鼻蝠 31 隻，其中有 2 隻重複捕捉 4 次，10 隻 3 次，再捕捉間隔時間最長為標放 3 年後於相同樣點再次捕獲。這些重復捕捉資料顯示， 臺灣管鼻蝠對於當地棲地有明顯的棲地重複利用習性，牠們會棲息的處所包括乾枯的香蕉捲葉叢 (周政翰等 2008)、戶外枯木燈罩 (謝伯娟與陳宏彰等 2016)、枯萎的月桃捲葉 (鄭錫奇等 2017) 等。次多者為玄彩蝠，有 22 隻個體被重覆捕捉，有 3 隻捕捉紀錄達 5 次 (次數最多者)，其中 1 隻連續 4 年 (2012- 2015) 在相同樣區的新生芭蕉捲葉中被發現，其餘達 4 次者有 4 隻、3 次者 1 隻、2 次者有 13 隻。

換言之，這些玄彩蝠經常出現在捕捉標放的地點或鄰近區域內。根據許家維 (2016) 在臺中烏石坑地區的研究，玄彩蝠對於當地蕉叢棲所及棲息環境有相當程度的依賴性，因此一旦蕉叢大量消失，都將影響玄彩蝠族群的存續。此外，有 4 隻長趾鼠耳蝠在不同年間於相同樣點捕獲，其中間隔年度最長為第一次捕捉標放 (2012年) 後的第 6 年 (2018)(間隔年度最長紀錄)。

另如前述，我們也曾發現臺灣大蹄鼻蝠會連續數年四季中均棲息在同一洞穴中、堀川氏棕蝠會多年重複利用一處橋墩下作為夜間休息處；其他較零星的捕捉標放資料尚包括赤黑鼠耳蝠、長尾鼠耳蝠、隱姬管鼻蝠等亦會經常使用某些棲地與處所 而被重複捕捉。這些現象顯示出蝙蝠對特定棲息地具有相當高的忠誠度 (fidelity)。

蘇花改工程會影響蝙蝠嗎?

由 8 個年度 (2012-2019) 的調查結果顯示，以年間蝙蝠組成而言尚稱穩定，雖然蘇花改不同路段的工程施工時程有別，而不同蝙蝠物種對於棲地工程干擾的反應也可能不一。蘇澳～東澳路段（本計畫北段）共計發現 5 科 10 屬 18 種蝙蝠，南澳～和平路段（中段）5 科 14 屬 22 種蝙蝠，而在和中～大清水路段（南段）則發現 5 科 10 屬 18 種蝙蝠，中段樣區內記錄的種類較多，主要差異為捕捉到一些主要分布於中高海拔山區的物種，如東方寬耳蝠、寬吻鼠耳蝠、毛翼管鼻蝠及金芒管鼻蝠等。

此外，由調查資料較多者之堀川氏棕蝠、長趾鼠耳蝠及山家蝠（視為指標物種）的 監測趨勢顯示，長期而言不同年間物種組成的差異 雖然不明顯，但在短期只要樣區環境發生突然的變化，如工程施作、棲地破壞（如林木大量砍除）、環境汙染（如除草劑或農藥噴灑），或每年的夏、秋季颱風來襲，常會立即反映在蝙蝠類群的調查結果（數量）上。

因此，我們認為天災為自然現象，但人為的工程施作則應儘量縮小範圍，並避免非必要的植被移 除或破壞，因為森林型棲息地對某些蝙蝠（如臺灣管鼻蝠、隱姬管鼻蝠及玄彩蝠等）至關重要，一旦破壞則會嚴重影響其族群存續。事實上，每個物種對生態系都有牠們重要的功能，我們會在工程完成通車後持續瞭解蝙蝠利用棲地與棲所的狀況，咸信對物種的生活史及生態習性更為瞭解後，將可避免或降低人為工程施作對生物的干擾與傷害，以維持當地生物多樣性的豐富，達到與生態保育雙贏的局面。

後記

本文描述的年度主要為 2012 至 2019 年的調查結果，然而今 (2020) 年仲夏 7 月間研究人員特別在南澳至和平間新選一處樣點，利用網具進行捕捉調查，結果一夜間總計捕獲了 32 隻蝙蝠，其中還包括歷年只有超音波音頻資料的黃頸蝠，捕獲數量竟有 14 隻之多，同時亦捕獲 1 隻華南水鼠耳蝠，為本區域的新紀錄種，令人意外又驚喜。

這種結果除了直接證實以往僅利用音頻辨識發現的黃頸蝠的確存在蘇花公路沿線環境中外，更使得本計畫在蘇花公路沿線多年的蝙蝠調查紀錄（22 種）再添 1 種而達 5 科 14 屬 23 種，占臺灣本島食蟲性蝙蝠物種數之 72%，顯 示自然環境豐富而多樣的蘇花公路沿線所孕育的蝙蝠資源確實是多樣而特殊，值得我們持續瞭解並積極保育。