此影片可全螢幕觀賞，如頻寬夠可在放映後點選更高畫素觀看，效果更佳。錄影器材：Panasonic HDC-HS700
巨網燈蛾，昆蟲綱鱗翅目燈蛾科，片中幼蟲黑色身體長滿白毛，模樣有些嚇人，這是一種保護機制，告訴天敵不要來惹我，其實牠的毛沒有毒。片中可以看到牠停下來啃噬青苔，也可看到牠可愛的腹足。此片攝於義縣竹崎鄉仁壽村圓潭生態園區。
學名：Macrobrochis gigas (Walker, 1854)
20110712攝於義縣竹崎鄉仁壽村圓潭生態園區
19990424攝於台北縣（現為新北市）烏來鄉雲仙樂園
20090518攝於嘉義縣阿里山鄉里佳村
原發表於賴鵬智的野FUN特區
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。
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！
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。
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。
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。
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。
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。
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
討論功能關閉中。
一般大眾或甚至其他領域生物學家們，對於基礎生物分類學家的刻板印象，無非是常常在顯微鏡下進行形態解剖比較來鑑定物種、描述並發表新物種，或者常常東跑西跑去採集標本，頂多是抽取遺傳物質進行 DNA 分析。然而一位稱職的分類學家，為了搞清楚物種學名的分類地位，將整個命名系統修訂成一個穩定並適合大家使用的狀態，往往需要做大量的歷史文獻，造訪各大博物館並進行模式標本考察，其中的繁瑣和複雜程度，往往令人出乎意料。
如果有閱覽過這系列的文章便會很清楚的知道，模式標本是物種發表時的實體存證，是學者對分類地位有疑慮時，用以判別的客觀證據。每個物種都有其模式標本，而每個屬也有其模式物種，是判定該屬別的決定性物種，模式種和模式標本是進行物種與屬別層級的基礎分類研究時，不可或缺的重要資訊。
這個故事的主角是一類來自南亞和東南亞的露兜樹象鼻蟲，本文將講述其模式標本和背後歷史脈絡的考察，以及我們對於分類處理過程的案例分享。
露兜樹科（Pandanus）為分布於東半球的亞熱帶及熱帶地區的灌木或喬木植物，其中林投（Pandanus tectorius）具有抗風、耐鹽的特性，是常見的海岸防風定砂植物，而俗稱斑蘭葉（pandan）的七葉蘭（Pandanus amaryllifolius），則是東南亞常見的料理與糕點製作材料，而南亞和東南亞的露兜樹上棲息著一群黑色扁平的小型象鼻蟲——露兜樹象鼻蟲（Lyterius）。
而故事的緣起可追溯到 2022 年，當時筆者正在澳洲進行博士論文題目「澳洲蘇鐵授粉象鼻蟲的多樣性與演化」的研究，我們意外地發現澳洲的蘇鐵授粉象鼻蟲與東南亞產的露兜樹象鼻蟲親緣關係接近，因此我們便想進一步探究本類群的分類。在我們初步搜索模式標本時，我們驚奇地發現德國象鼻蟲學者延斯・普雷納博士 Dr. Jens Prena 似乎曾經有研究過這類象鼻蟲，出於好奇，我們聯繫了普雷納博士，進而開啟了本類群錯綜複雜的分類歷史考察之旅。
首先露兜樹象鼻蟲的分類問題分成兩個面向，一個是屬別層級的，而另一個是物種層級的。屬別層級的問題比較簡單，我們發現露兜樹象鼻蟲屬有三個相關的屬別，分別為 Lyterius Schönherr, 1844、Barisoma Motschulsky, 1863 和 Plaxes Pascoe, 1885，根據牠們形態的相似性和地理分布的重疊，我們認為牠們應該被合併成單一屬別，也就是說只要我們確認三個屬別的模式種都是屬於同一個屬別後，那自然我們就能依照優先權原則，把 1863 年發表的 Barisoma 和 1885 年發表的 Plaxes 處理為最早發表的 Lyterius 的同物異名。
我們雖然追蹤到 Barisoma 和 Plaxes 的模式種和其模式標本，但是 Lyterius 的模式種問題，卻將這個研究的難度拉向了另一個層面——也就是物種層級的問題。
Lyterius 這個屬別是由瑞典昆蟲學家卡爾・約翰・舍恩赫爾（Carl Johan Schönherr）於 1844 年所提出，並以 Rhynchaenus musculus Fabricius, 1802，這個 1802 年由丹麥昆蟲學家約翰・克里斯蒂安・法布里丘斯（Johan Christian Fabricius ）所發表的種類作為模式物種。他的合作對象瑞典昆蟲學家卡爾・亨利克・博赫曼（Carl Henrik Boheman）也在同一本書中使用了 Lyterius musculus (Fabricius, 1802) 這個學名組合，同時他將德國昆蟲學家弗里德里希・韋伯（Friedrich Weber）在 1802 年所描述的 Curculio abdominalis Weber, 1801 也拉進這個屬別，學名組合變成 Lyterius abdominalis (Weber, 1801) ，並且描述一個菲律賓的新物種 Lyterius instabilis Boheman in Schönherr, 1844 。這其中最為複雜難解的，便是 Lyterius musculus (Fabricius, 1802) 和 Lyterius abdominalis (Weber, 1801) 之間的關係了，因為這兩個物種的模式標本來源，都源自於達戈貝爾特・達爾多夫 Dagobert Karl von Daldorff 這位在俄羅斯出生，擁有德裔血統的丹麥博物學家，在 18 世紀末葉任職丹麥東印度公司時，於 1795 年在蘇門答臘的一次採集。
根據我們對於 19 世紀初期的歐洲甲蟲分類歷史文獻的爬梳，達爾多夫在蘇門答臘的標本被帶回歐洲後，應該至少被他贈與或交換給五位學者或機構，而這五位學者就包含剛剛提到的德國昆蟲學家弗里德里希・韋伯（Friedrich Weber），以及丹麥昆蟲學家約翰・克里斯蒂安・法布里丘斯（Johan Christian Fabricius），這兩位顯然同時對這批標本進行分類學研究。
因此第一個疑點就是，韋伯和法布里丘斯分別在 1801 年和 1802 年用達爾多夫所採集的同一批蘇門答臘象鼻蟲標本，發表了後來在 1844 年被博赫曼放在同一個屬別的物種 Lyterius abdominalis 和 Lyterius musculus，這讓人很難不懷疑，這兩個名字會不會根本就是同一個物種，這在當年資訊不流通、分類研究還很粗淺的年代，是非常容易發生的事情。
而支持這樣想法的關鍵則有二，首先德國昆蟲學家約翰・卡爾・威廉・伊利格（Johann Karl Wilhelm Illiger）其實在 1805 年的著作中，就已經提出這兩個物種是同一個物種的論點了，然而這項分類處理卻被博赫曼在 1844 年的著作中，不明地忽略了。雖然博赫曼不小心遺漏了伊利格的分類處理，他卻也在看過兩種的模式標本後，在他那 1844 年的著作中，提出了兩個物種只不過是同一個物種的雄蟲和雌蟲的猜想，然而因為他手邊就只有兩隻標本，一隻是雄的 Lyterius abdominalis ，一隻是雌的 Lyterius musculus ，因此他無法下這個決定情有可原，而我們如今已經知道露兜樹象鼻蟲有很明顯的雌雄二形性，雄蟲的口喙比較短，且足部的前腳腿節有明顯的突起，博赫曼的猜想不證自明。
總而言之，從上述的歷史文獻爬梳，我們可以從
來推斷，這兩個種類很有可能是同一個種類！
在爬梳大量文獻後，我們同時也造訪歐陸各大標本蒐藏去尋找這些物種的模式標本下落。我們很幸運的在德國基爾的動物學博物館找到兩隻 Lyterius musculus 的總／群模式標本。然而，在尋找 Lyterius abdominalis 模式標本的過程中卻碰了壁，不管是文獻還是實際探訪，幾乎都找不到韋伯收藏的下落，韋伯所發表的模式標本有極大的可能已經遺失了，那要怎麼辦呢？
雖然沒辦法找到 Lyterius abdominalis 的模式標本，然而我們從以上的間接證據，可以合理相信 Lyterius abdominalis 和 Lyterius musculus 就是同一個物種。為了最適當的處理分類議題，穩定整個分類命名系統。我們使用了一個技術性的分類學處理，首先我們指定了 Lyterius musculus 的選模式標本，並且我們將「這一個」標本，再次的指定為 Lyterius abdominalis 的新模式標本，這個時候，這兩個學名便產生了動物命名法規上所謂的「客觀同物異名（objective synonym）」關係，相較於分類學家自行主觀認定的同物異名（主觀同物異名 subjective synonym ），客觀同物異名指的是用同一個標本發表不同學名的狀況，這樣這兩個名字無庸置疑的是同物異名關係，只有最早被發表的名字有優先權，因此我們的 Lyterius abdominalis (Weber, 1801) 獲得了優先被使用的地位，也成為露兜樹象鼻蟲屬的模式種。經由這一波操作，我們確立了 Lyterius 的模式和包含的物種，也因此我們終於能進一步處理剛剛提到的 Barisoma 和 Plaxes 的同物異名，最後我們可以大聲的說：露兜樹象鼻蟲屬的學名是 Lyterius Schönherr, 1844 ！
另外一方面，我們在調查 Plaxes 的模式標本時，也發現到其模式種 Plaxes impar Pascoe, 1885 的總／群模式標本散落在英國倫敦自然史博物館、德國柏林自然史博物館、德國德勒斯登森肯堡博物館、義大利熱拿亞自然史博物館、澳洲國立昆蟲館，幾乎涵蓋了半個地球。這些標本可以分為來自婆羅洲砂拉越和蘇門答臘的標本，採自砂拉越的標本無疑是一個獨立的物種，我們也指定砂拉越的總／群模式標本為本種選模式標本。而來自蘇門答臘的標本，無獨有偶地都和 Lyterius abdominalis 是同一個物種，顯然這個物種在蘇門答臘當地是個常見的物種，這又再次加強我們上面提到的，達爾多夫所採集的同一批蘇門答臘象鼻蟲標本應該就只有一種露兜樹象鼻蟲的推測。
這個研究重新梳理了露兜樹象鼻蟲的分類歷史並考察了歷史文獻和模式標本，最終作出了適宜的分類學處理，為亞洲地區的象鼻蟲研究推進了一步。
***溫馨提醒，本文有小強畫面，請斟酌觀看***
周星馳的唐伯虎點秋香上映後，讓小強成為蟑螂的代名詞，但你看到小強的瞬間，是順手將它解決，還是尖叫著逃跑呢？
台灣曾做過調查——不做調查也知道，蟑螂絕對是大家最討厭的害蟲第一名。美國甚至做過大規模調查，有超過四分之一的美國人表示自己最討厭的害蟲就是蟑螂，是第二名蜘蛛的兩倍之多！
所以，若要幫全人類找一個共同的敵人，蟑螂肯定算得上是一個。
但過去的日本節目中，卻發現北海道人竟然不怕蟑螂，難道他們都是勇者嗎？或是我們能從他們身上找到克服蟑螂恐懼的方法？
你是不是光想到蟑螂的外表，就覺得全身起雞皮疙瘩？
面對蟑螂還能如此淡定，甚至能覺得牠們可愛的北海道人，別說你不敢相信，一群演化心理學家也是覺得匪夷所思，開始針對這些人做起了研究。
演化心理學就如字面上的意思，是將達爾文演化論套用到現代人的心理特質上，試圖以天擇的角度解釋許多無法解釋的人類心理現象。
例如近年來被診斷率越來越高的注意力不集中與過動症，也就是所謂的 ADHD，在演化心理學看來其實不是需要治療的「病」，而是環境變化太大導致的適應不良。想像一下，如果你是上萬年前生活在野外的人類，每天都必須在山林裡一邊躲避猛獸、一邊想辦法靠打獵與採集獲取食物。
在這種環境下，眼觀四面、耳聽八方，且隨時保持能戰能跑的機動性，反而都是生存必須的特質，自然會成為演化過程中被保留下來的心理特質。隨著人類社會在近幾百年快速進步，我們不需要再去當高風險的獵人，但那些經年累月刻印在基因裡的特質還來不及被汰換掉，反而讓這些天生的獵人無法適應現代生活。
同樣的道理，演化心理學認為人類對蟑螂的莫名恐懼，其實是來自於大腦主動識別並排斥潛在威脅的生存機制。在醫療資源匱乏的過去，隨便受個傷、生個病都有可能是致命的，人類只能戰戰兢兢，想辦法避開任何可能會傷害到自己的東西。這讓我們在無法辨別敵友時，會本能地戒備未知的東西。
即使從生態系的角度出發，同時兼具環境清道夫與許多動物主要食物來源的蟑螂，是維持自然平衡不可或缺的益蟲。但在無法感受到牠們好處的普通人眼裡，經常出沒於被我們視為髒亂、有害健康的垃圾與廚餘堆的蟑螂身上，只會被貼滿很髒，甚至是有害的負面標籤，當然不可能有好印象。
我猜這時有些觀眾心中閃過了「那又如何」、「我就討厭蟑螂啊」的念頭，但千萬別小看這份理所當然。雖說蟑螂因為生存與繁衍力強，被人類刻意撲殺這麼多年都還沒有要絕跡的意思，但其他昆蟲就沒那麼幸運了。由於人類對昆蟲，特別是只占大約10%的害蟲抱有負面觀感，使得這些小生物常在生態保育的討論中被冷落，甚至就這樣默默絕種，在地球生態系中留下無法彌補的缺口。久而久之，嘗到苦果的還是人類自己。
話說回來，既然演化心理學表明恐懼來自於未知，那只要我們學到關於這些昆蟲的正確知識，就能扭轉刻板印象了，對吧！那麼看完泛科學，想必你就能擺脫對小強的恐懼！
——雖然我很想這樣說，但很可惜，事情沒這麼簡單。還記得北海道人的訪問嗎？按照演化心理學，這些從來見過蟑螂本螂的北海道人，既然對蟑螂完全陌生，那麼應該不會有這麼正向的反應。就算不覺得被威脅，至少也該有點基本的戒備才是啊？
一篇發表於 2021 年的日本研究，正是想探討這個落差。研究團隊分析過往研究，發現「增加昆蟲相關知識」與「減輕恐懼」之間似乎沒有必然的關聯。而且，與出身郊區的人相比，從小生活在都市的人對於昆蟲竟然普遍有著較強、也較難改變的昆蟲嫌惡。
深入研究後，才發現，原來連怕不怕蟑螂這種事都得要看出身的。
在針對13,000名日本人進行調查後，研究團隊提出了「都市化—嫌惡假說」。此假說以都市化為起點，拆解出兩條人類培養對昆蟲嫌惡感的路徑。
首先，由於都市化導致自然環境縮減，無法適應都市環境的昆蟲大量減少，相對的，像蟑螂、蒼蠅、蜘蛛等適應良好的昆蟲，數量不可避免地會增加，也更容易出現在室內環境裡。對我們來說，穩固的牆壁與天花板會帶來與外界隔絕的安全感。因此，當有不請自來、侵門踏戶的東西出現，除了對昆蟲本身的厭惡，我們對所處環境原有的信任也跟著崩塌了。
回想一下，上次在家裡或辦公室茶水間看到蟑螂，就算當下就把它消滅了，在接下來的一段時間內，是不是會到處疑神疑鬼，總覺得某些角落或通風管裡藏著一支蓄勢待發的蟑螂大軍，準備趁你不注意時再出來嚇你一跳？
同樣的，就算不是在你家，而是外出用餐時在餐廳裡看見蟑螂，基於恨烏及屋的情感連結，你對於餐廳的信任感也跟著下降，甚至激動一點當場走人也有可能。但換個場景，假如你今天是在馬路上看見蟑螂，或許還是會覺得害怕、覺得噁心，但反應很可能不會像在家裡這麼大。
這便是都市化—嫌惡假說第一條路徑強調的重點。在都市化程度高的環境裡「室內」跟「室外」的界線變得分明，因此當有不該存在的東西出現，我們的反應也會更強烈。
至於都市化—嫌惡假說的第二條路徑，是延續演化心理學裡，人們對於不了解的事物會產生恐懼的觀點。但比起針對單一種昆蟲，都市化—嫌惡假說發現，都市化環境會普遍降低其居民接觸大自然的頻率。就算是出生於郊區環境的人，在都市生活久了也會喪失這股熟悉感，甚至開始對大自然出現排斥心理。
同樣的，今天即便你是個都市小孩，只要到郊外生活夠久，而且自發地去接觸自然環境，那份對昆蟲的恐懼便會在洪水療法下逐漸被減敏感。說不定某天你會跟北海道人一樣，開始欣賞蟑螂的可愛之處喔！
除了解釋了我們對蟑螂的厭惡，都市化—嫌惡假說其實也點出了現代社會一個很重要的議題，那就是在現代科技的干擾下，我們接觸真實世界的頻率正在下降，無形中也失去不少珍貴的「經驗」。
我們的大腦仰賴經驗法則才能運轉，想學習新技能、建立穩固的知識結構，都需要持續且頻繁地暴露在特定刺激下。讀書、背講義是一種刺激，與人社交締結關係是一種刺激，走出戶外接觸山林也是一種刺激，任何一種刺激少了，我們就會錯過發展相應能力的機會。
就好像最近幾年特別被重視的語言教育、科學教育、情感教育，甚至是平權與美感教育，其實都是在努力把握小孩子學習的黃金期，讓他們盡早接觸到足夠的相關刺激，打下扎實基礎。這在教育心理學叫做「早期暴露」(early exposure)，這個理論反對只把重心放在學齡後與學校教育的傳統觀念，認為父母在學齡前給予孩子多元化刺激同樣重要。
不需要花大錢上才藝班，平時多帶孩子出門走走，或是準備不同的課外讀物與嗜好，都是很好的新奇刺激，不單能增進大腦發展，還可以培養認知彈性，讓他們在未來遇到未知事物時能保持好奇心、積極自發地去吸收新知，而非縮在固有觀念裡。
這個乍看很冷門、沒什麼了不起的研究，其實衍生出來的意義可是與我們息息相關。就好像我們常說在家裡看到一隻蟑螂，代表看不見的地方還有十隻。怕不怕蟑螂事小，因為享受現代科技的便利而錯失與真實世界互動的經驗，才是最得不償失的。
要在都市中增加對昆蟲的好感不容易，但也有像是中山女中蔡任圃老師，成功透過一系列的觀察、研究等課程活動，讓許多學生愛上了蟑螂這個小生物。那麼你呢，你覺得你還有機會跟小強達成和解嗎？
歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！
waiyuewaiyue27
