謠言傳播的8½條定律（上）

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

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？

CPU 與 GPU

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。

依序計算和平行計算

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：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

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：

• 同時計算 7×5 及 6/3；
• 將結果相加。

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 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

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。

結論

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。」

附錄

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。

註解

（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。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

本文由 交通部中央氣象署 委託，泛科學企劃執行。

• 文／陳儀珈

災害性大地震在臺灣留下無數淚水和難以抹滅的傷痕，921 大地震甚至直接奪走了 2,400 人的生命。既有這等末日級的災難記憶，又位處於板塊交界處的地震帶，「大地震！」三個字，總是能挑動臺灣人最脆弱又敏感的神經。

因此，當我們發現臺灣被各式各樣的地震傳說壟罩，像是地震魚、地震雲、蚯蚓警兆、下雨地震說，甚至民間地震預測達人，似乎也是合情合理的現象？

今日，我們就要來破解這些常見的地震預測謠言。

漁民捕獲罕見的深海皇帶魚，恐有大地震？

說到在坊間訛傳的地震謠言，許多人第一個想到的，可能是盛行於日本、臺灣的「地震魚」傳說。

在亞熱帶海域中，漁民將「皇帶魚」暱稱為地震魚，由於皇帶魚身型較為扁平，生活於深海中，魚形特殊且捕獲量稀少，因此流傳著，是因為海底的地形改變，才驚擾了棲息在深海的皇帶魚，並因此游上淺水讓人們得以看見。

因此，民間盛傳，若漁民捕撈到這種極為稀罕的深海魚類，就是大型地震即將發生的警兆。

然而，日本科學家認真蒐集了目擊深海魚類的相關新聞和學術報告，他們想知道，這種看似異常的動物行為，究竟有沒有機會拿來當作災前的預警，抑或只是無稽之談？

可惜的是，科學家認為，地震魚與地震並沒有明顯的關聯。當日本媒體報導捕撈深海魚的 10 天內，均沒有發生規模大於 6 的地震，規模 7 的地震前後，甚至完全沒有深海魚出現的紀錄！

所以，在科學家眼中，地震魚僅僅是一種流傳於民間的「迷信」（superstition）。

透過動物來推斷地震消息的風俗並不新穎，美國地質調查局（USGS）指出，早在西元前 373 年的古希臘，就有透過動物異常行為來猜測地震的紀錄！

人們普遍認為，比起遲鈍的人類，敏感的動物可以偵測到更多來自大自然的訊號，因此在大地震來臨前，會「舉家遷徙」逃離原本的棲息地。

當臺灣 1999 年發生集集大地震前後，由於部分地區出現了大量蚯蚓，因此，臺灣也盛傳著「蚯蚓」是地震警訊的說法。

新聞年年報的「蚯蚓」上街，真的是地震警訊嗎？

​當街道上出現一大群蚯蚓時，密密麻麻的畫面，不只讓人嚇一跳，也往往讓人感到困惑：為何牠們接連地湧向地表？難道，這真的是動物們在向我們預警天災嗎？動物們看似不尋常的行為，總是能引發人們的好奇與不安情緒。

如此怵目驚心的畫面，也經常成為新聞界的熱門素材，每年幾乎都會看到類似的標題：「蚯蚓大軍又出沒 網友憂：要地震了嗎」，甚至直接將蚯蚓與剛發生的地震連結起來，發布成快訊「昨突竄大量蚯蚓！台東今早地牛翻身…最大震度4級」，讓人留下蚯蚓預言成功的錯覺。

然而，這些蚯蚓大軍，真的與即將來臨的天災有直接關聯嗎？

蚯蚓與地震有關的傳聞，被學者認為起源於 1999 年的 921 大地震後，在此前，臺灣少有流傳地震與蚯蚓之間的相關報導。

雖然曾有日本學者研究模擬出，與地震相關的電流有機會刺激蚯蚓離開洞穴，但在現實環境中，有太多因素都會影響蚯蚓的行為了，而造成蚯蚓大軍浮現地表的原因，往往都是氣象因素，像是溫度、濕度、日照時間、氣壓等等，都可能促使蚯蚓爬出地表。

大家不妨觀察看看，白日蚯蚓大軍的新聞，比較常出現在天氣剛轉涼的秋季。

因此，下次若再看到蚯蚓大軍湧現地表的現象，請先別慌張呀！

事實上，除了地震魚和蚯蚓外，鳥類、老鼠、黃鼠狼、蛇、蜈蚣、昆蟲、貓咪到我們最熟悉的小狗，都曾經被流傳為地震預測的動物專家。

但可惜的是，會影響動物行為的因素實在是太多了，科學家仍然沒有找到動物異常行為和地震之間的關聯或機制。

遍地開花的地震預測粉專和社團

這座每天發生超過 100 次地震的小島上，擁有破萬成員的地震討論臉書社團、隨處可見的地震預測粉專或 IG 帳號，似乎並不奇怪。

國內有許多「憂國憂民」的神通大師，這些號稱能夠預測地震的奇妙人士，有些人會用身體感應，有人熱愛分析雲層畫面，有的人甚至號稱自行建製科學儀器，購買到比氣象署更精密的機械，偵測到更準確的地震。

然而，若認真想一想就會發現，臺灣地震頻率極高，約 2 天多就會發生 1 次規模 4.0 至 5.0 的地震， 2 星期多就可能出現一次規模 5.0 至 6.0 的地震，若是有心想要捏造地震預言，真的不難。 

在學界，一個真正的地震預測必須包含地震三要素：明確的時間、 地點和規模，預測結果也必須來自學界認可的觀測資料。然而這些坊間貼文的預測資訊不僅空泛，也並未交代統計數據或訊號來源。

作為閱聽者，看到如此毫無科學根據的預測言論，請先冷靜下來，不要留言也不要分享，不妨先上網搜尋相關資料和事實查核。切勿輕信，更不要隨意散播，以免造成社會大眾的不安。

此外，大家也千萬不要隨意發表地震預測、觀測的資訊，若號稱有科學根據或使用相關資料，不僅違反氣象法，也有違反社會秩序之相關法令之虞唷！

​地震預測行不行？還差得遠呢！

由於地底的環境太過複雜未知，即使科學家們已經致力於研究地震前兆和地震之間的關聯，目前地球科學界，仍然無法發展出成熟的地震預測技術。

與其奢望能提前 3 天知道地震的預告，不如日常就做好各種地震災害的防範，購買符合防震規範的家宅、固定好家具，做好防震防災演練。在國家級警報響起來時，熟練地執行避震保命三步驟「趴下、掩護、穩住」，才是身為臺灣人最關鍵的保命之策。

延伸閱讀

• 廖光正，李明進（2002）。集集大地震後蚯蚓大量爬出現象之解析。特有生物研究，4（1），41－51。https://bit.ly/3zF8OD8
• 離人心上秋意濃，清晨地上蚯蚓多：為何秋天經常有大量蚯蚓出沒？跟地震有關嗎？
  http://bit.ly/3DYNMSG
• Orihara, Y., Kamogawa, M., Noda, Y., & Nagao, T. (2019). Is Japanese folklore concerning deep‐sea fish appearance a real precursor of earthquakes?. Bulletin of the Seismological Society of America, 109(4), 1556-1562.
  https://pubs.geoscienceworld.org/ssa/bssa/article-abstract/109/4/1556/571628/Is-Japanese-Folklore-Concerning-Deep-Sea-Fish

• 作者／李承叡
  • 臺灣大學生態學與演化生物學研究所副教授

• Take Home Message
  • 農作物在馴化後的傳播受到人類活動影響，綠豆於南亞印度次大陸被馴化，往東南亞、東亞到中亞的逆時針方向傳播。
  • 因南北方環境差異大，綠豆順著環境梯度小的路徑傳播。傳播到北方的綠豆（中亞）也發展出躲避乾旱的性狀。
  • 《天工開物》、《齊民要術》記載古代綠豆的性狀和栽種方法，佐證氣候影響傳播路徑，更塑造現今多樣的品系。

小麥與大麥起源於中東，稻米起源於長江流域，玉米起源於中美洲，這些是生物學家已經證實的農作物起源。但是你有沒有想過，農作物在被馴化之後如何擴散到世界各地，又為什麼產生如此多樣的形態？

除了人類傳播之外，有沒有其他因素會影響農作物散播的時間和路徑，進而改變同一種作物在不同地區的形態特質，最後甚至決定了人們栽種與使用它們的方式？我們能否使用語源學（etymology）與千年前的中國文獻記載，佐證現代遺傳學研究？

以起源於印度次大陸的綠豆為例，筆者的研究團隊就在近期解析了綠豆傳播到整個亞洲的特殊路徑，並找出了關鍵的決定因子。

從遺傳資訊推敲綠豆的傳播路徑

和我們日常接觸到的蔬果不同，野生的植物既不好吃也不適合栽種。於是人類在漫長的歷史中慢慢把野生植物改變為自己喜歡的樣子，這個過程就是「馴化」（domestication）。被馴化的農作物有一個關鍵性狀：無法自然散播種子，人類能藉此確保農作物的收穫量。

野生豆科植物（Fabaceae）成熟的豆莢會自然開裂，但這樣的能力在栽培豆類卻早已消失，因此許多作物栽培品系的繁衍與傳播只能依靠人類。這是不是代表農作物在馴化後的傳播只會受到人類活動影響呢？

研究團隊與國際農作物種原中心合作，使用超過千個綠豆栽培品系（以下簡稱綠豆）並解析遺傳多樣性，發現綠豆可分為與地理位置緊密相關的四大族群：東亞、中亞、東南亞、南亞族群。

過去考古證據顯示，綠豆在數千年前首先於南亞印度次大陸被馴化。有趣的是，遺傳分析發現它們並非向各個方向同時擴散，而是尋著南亞、東南亞、東亞，再到中亞的逆時針方向傳播（圖一）。

在東亞，這樣的傳播方向也許有跡可循。身處東亞的古中國人通稱西域、中亞民族為「胡人」，因此以「胡」為名的作物多半是由中亞往東傳播到東亞。

成書於約 544 年的中國古代農牧著作《齊民要術》記載當時黃河流域中下游的農業狀況，其中提到胡麻、胡瓜、胡蒜（大蒜）、胡荽（香菜）、胡豆（蠶豆或豌豆）等作物，只有綠豆是以「菉豆」稱之。這似乎支持綠豆不是由中亞向東傳播，符合由遺傳資訊推導出的傳播路徑。

一般來說，動植物的傳播是循序漸進的，因此栽培綠豆在南亞被馴化後，應該會同時先往較近的東南亞與中亞傳播，最後才進入東亞。

中亞和南亞的地理位置相對近，但為什麼綠豆卻輾轉繞了亞洲一大圈之後才出現在中亞呢？植物的自然傳播通常會受到地形阻隔的影響，因此南亞與中亞之間的興都庫什山脈（Hindu Kush）可能是個明顯的地理屏障。

但是如同前文所說，綠豆已經沒辦法自然傳播，只能靠人類散播種子了，因此我們更應該關注：興都庫什山脈對人類活動會不會是個屏障，阻隔了中亞與南亞居民的交流？在過去，穿越興都庫什山的交通雖然不便，但並非不可能。

早在 4000 年前，中亞與南亞之間已經有文化交流的證據，歷史上跨越興都庫什山的商業活動（如絲路的南亞支線）其實並不少見，且許多政權的領土均包含興都庫什山南北兩側（如貴霜帝國與帖木兒帝國）。既然兩地間的交流如此頻繁，綠豆為什麼沒有直接從南亞傳播到中亞？

形態與環境差異是重要線索

歷史上南亞與中亞的頻繁交流顯示，人類很有可能曾經嘗試把起源於南亞的綠豆直接帶到中亞種植，但最後沒有成功，所以今日的中亞綠豆後來才由東亞傳入。而這個歷史疑案也許可以從氣候環境與生態學找到解答。

從亞洲的衛星照片來看，我們第一時間就會發現各地「顏色」不同：南亞與東南亞比較綠，中亞卻是一片褐色，直接反映各地的氣候條件有所差異。

於是研究團隊比較了不同綠豆族群的棲地環境，發現南亞與中亞的環境相差非常多：南方的生長季長、降雨多，但北方的中亞生長季短、且剛好是乾季（圖二）。因此人類活動雖然有可能把綠豆往各個方向傳播，但起源於南亞的綠豆卻無法在中亞被順利種植。

相對地，東南亞和南亞的氣候環境相近，綠豆可以順利在當地被種植。接著，東南亞和東亞的靠海地區降雨較多，由東南亞向北傳播相對沒那麼困難。我們可以因此推論，綠豆順著環境梯度較小的路徑、以逆時針的趨勢從南亞傳播到亞洲各地。

地理學名著《槍炮、病菌與鋼鐵》（Guns, Germs, and Steel）提到，因為南方與北方環境差異較大，與人類相關的動植物較容易沿著大陸的東西軸線快速傳播。綠豆的傳播路徑也印證了這個論點。

如果環境差異真的讓數千年前南亞的綠豆品系無法順利在中亞被栽培，那現代的綠豆為什麼可以存活在中亞地區？是不是中亞的綠豆已經產生了一些改變，讓它們可以適合當地環境？

為了釐清這個問題，研究團隊設計了田間試驗，結果發現南方的綠豆生長期較長、開花較晚、豆莢較多、種子較大；北方綠豆（尤其是現代的中亞品系）在這些性狀都有相反的趨勢。

此趨勢符合一種植物躲避乾旱的典型策略：當植物生活在生長季短又乾燥的北方，在土壤水分耗盡前盡快開花結果是最有利的，但也造成產量較低的副作用。

有人可能會問，在這些 20 世紀蒐集的綠豆品系中看到的性狀差異，真的能反映他們歷史上的不同嗎？科學家測量到的差異會不會是近代育種的結果？幸運的是，千年前的中國文獻幫了大忙。

根據宋神宗熙寧年間（約 1068～1077 年）的文獻《湘山野錄》對宋真宗（968～1022 年）的記載：「真宗深念稼穡，聞占城稻耐旱、西天綠豆子多而粒大，各遣使以珍貨求其種。」文中清楚提到，相較於身處北宋國都開封（中國中北部）的宋真宗所熟知的綠豆，西天（南亞）的綠豆產量高、種子大（圖三），與21世紀科學家的研究結果相符。

栽種條件與方式也會影響傳播

除了氣候之外，還有其他因素也有可能限制南方綠豆在北方的種植、進而影響傳播路徑嗎？研究團隊也發現，古人的記載隱藏了植物生理學的精髓。1637 年由宋應星撰寫的《天工開物》記載：「綠豆必小暑方種，未及小暑而種，則其苗蔓延數尺，結莢甚稀。若過期至於處暑，則隨時開花結莢，顆粒亦少。」

24 節氣與太陽運行有關，因此當年的小暑應與現在相近，在國曆7月7日左右，處暑應在 8 月 23 日左右。不過，24 節氣和植物生理學有什麼關係呢？事實上，24 節氣反映了太陽的相對位置，也就是日照時間的長短。

綠豆是原生於南方的短日照植物：一天內的日照長度（簡稱日長）必須低於某個時數，綠豆植株才會開花。在北方高緯度地區，若在 7 月初之前種綠豆，日長太長，短日照植物只長大不開花，造成「其苗蔓延數尺，結莢甚稀」；若在 8 月底才種，日長太短，因此「隨時開花結莢，顆粒亦少」。

綠豆種植之後也必須在秋季的低溫來臨之前收成，由此可見日照長度與秋季低溫大大限制了綠豆可以在北方種植的時間，尤其是在中亞，這個時間點正好是乾季（圖四）。因此各種氣候條件均在北方偏好生活史短的綠豆品系，讓南方生活史較長的品系沒辦法直接在北方穩定栽培。

氣候條件的差異影響綠豆在亞洲的傳播路徑，塑造亞洲各地具有不同生活史及形態的栽培品系，也再次佐證研究團隊推估的逆時針傳播路徑。

相對於南方著重於產量的育種方式，北方綠豆生活史短但產量低，這樣的特質其實也影響到當地人們運用與栽培綠豆的方式。

有趣的是，相較於糧食作物，6 世紀的《齊民要術》更加強調綠豆身為「綠肥作物」的角色：「若糞不可得者，五六月中，穊種菉豆，至七月、八月，犁掩殺之。如以糞糞田， 則良美與糞不殊，又省功力。」

豆科植物會與根瘤菌共生，將空氣中的氮氣轉換為生物可利用的形式。這段敘述甚至不太重視綠豆種子的收成，直接將植株埋入土內當肥料，更強調了效果與糞肥一樣好。

在近代中亞，當地人也不會把綠豆當成主要作物，而是在冬小麥收成後（6 月）與下一輪冬小麥播種前（10 月），利用田裡剩餘的水分栽培綠豆。

在過去，這或許有點碰運氣的味道——有收成很好，沒有的話就當綠肥。當然，這是指過去的農耕情形，若在近代農業科技與灌溉技術發達的東亞，情況可能就不太一樣了。

跨領域探索農作物傳播歷史

在綠豆的傳播故事中，研究團隊的論點是南亞與中亞巨大的氣候環境差異造成此特殊的傳播路徑。但是就如同大多數的生物學研究，反例依然存在：胡椒、胡麻、胡瓜這三種作物，考古學研究證明它們起源於印度，但它們的名字（胡）卻顯示它們可能由印度先傳播到中亞，再到東亞。

為什麼這些作物不像綠豆一樣受到氣候條件限制？筆者研究團隊認為，這些相對高價值的重要香料、油料、瓜類等作物可能受到人類更細心地照顧與灌溉，因此或許較不受氣候環境逆境影響。

如前文所述，綠豆在北方一開始的角色可能是農閒時的綠肥或是碰運氣的作物，不太需要照顧與灌溉，因此受氣候環境影響相對大。

這個研究雖然以綠豆為出發點，最後卻回答了更大的問題：什麼因素會影響農作物的傳播、傳播的後果又為何？

研究團隊證明了氣候環境會決定農作物傳播的路徑、促進形態多樣性、甚至最後改變了人類對這個作物的種植與使用方式：在南方，人們追求產量與大種子；在北方，農人只能趁短暫的夏季種植生活史快、產量低的品系，順便當綠肥。

連結遺傳多樣性、氣候環境、植物適應及人文歷史，這個綠豆的故事為農作物跨領域研究開啟了新的視野。

延伸閱讀

• Ong, P. W. et al. (2023). Environment as a limiting factor of the historical global spread of mungbean. Elife, 12, e85725.

• 〈本文選自《科學月刊》2023 年 8 月號〉
• 科學月刊／在一個資訊不值錢的時代中，試圖緊握那知識餘溫外，也不忘科學事實和自由價值至上的科普雜誌。