防救災成效就看災害管理能力——巴基斯坦經驗的反思

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

本文轉載自「研之有物」，為「中研院廣告」。

• 採訪撰文｜田偲妤、王怡蓁
• 責任編輯｜田偲妤
• 美術設計｜蔡宛潔

震盪整個台灣的巨響

1999 年 9 月 21 日凌晨 1 點 47 分，一場芮氏規模 7.3 強震將眾人從睡夢中驚醒。震央位於南投縣集集鎮，主因是車籠埔斷層逆向抬升導致全臺多處災情慘重，史稱九二一大地震。

中央研究院「研之有物」專訪院內社會學研究所林宗弘研究員，他與國家地震工程研究中心、國內外學者攜手合著《巨震創生：九二一震災的風險分析與制度韌性》統整臺灣 20 年來地震科學研究成果，記錄受災社區的重生故事。一起了解這場世紀強震，如何促使臺灣災害科學與政策改革向前跨出一大步！

地震災害中隱藏的風險

地震可說是最致命的天災，1989 至 2019 年間，全球前 25 起死亡人數最多的災難，地震就佔了半數以上。而臺灣更是好發地震的高風險區，根據全球地震模型估計，臺灣幾乎全島都有地震風險，在全球地震危害度排行上名列前茅。

其中，九二一地震是臺灣二戰後最嚴重的震災，導致 2444 人不幸罹難、近 11 萬戶房屋全倒或半倒，財產損失超過新臺幣 3 千億。

難以預測的地震造成生命財產的一夕損失，如再加上人為缺失、制度不健全，以及社會本身的貧富差距、階級與族群不平等因素，將加劇災害的嚴重程度。

為防範悲劇再度發生，中研院社會學研究所研究員林宗弘，與國家地震工程研究中心劉季宇博士、國家災害防救科技中心前主任陳亮全教授、師大環境教育研究所林冠慧教授等共同作者，參考聯合國政府間氣候變遷專門委員會（IPCC）多篇文獻，採用包含以下 4 組風險因子的「風險函數」來評估震災隱藏的各種風險。

風險＝

f (危害度 (hazard,+), 暴露度 (exposure,+), 脆弱度 (vulnerability,+), 韌性 (resilience,-),…)

究竟臺灣面臨哪些受災風險與制度缺失？人們如何走出地震陰霾？面對災難我們還可以做什麼？讓我們從 4 組風險因子出發，深入發掘問題癥結！

傷亡主因：無法承受地震的建築物倒塌

地震發生時，我們最先感受到的通常是房屋的晃動。如房屋無法承受震度而倒塌，還是地震引發火災、山崩或土壤液化等災害，都將導致民眾生命財產的損失。

「危害度」與「暴露度」是從地震造成的各種災害，探討如何減緩災害對生命財產的衝擊程度。

九二一地震發生後，全臺的死亡與重傷案例高達 87% 至 96% 是建築物倒塌所致，其中又以「集合住宅」的死傷最為嚴重。

以臺北東星大樓為例，雖然離震央遙遠，卻傳出房屋全倒，造成 73 死、138 傷、14 失蹤的嚴重災情。為何集合住宅會發生大量死傷？這跟臺灣長期落後的法規有關。

「很多制度改革都是被災難推著走的」，林宗弘指出問題癥結。1970 年代以前的建築規範主要沿用日治時期的法規，落後的法規趕不上日新月異的建築技術，更難以規範黑心建商，直到 1964 年白河地震發生後，才刺激政府推出新的建築規範。

然而，70、80 年代正好是臺灣經濟起飛的時期，大量湧入城市的移居人口有高度的居住需求，許多倉促興建的公寓大樓在法規不健全的情況下相對脆弱。

此外，民間還存在許多故意或無心的違法情事，例如黑心建商偷工減料、民眾因風水或生意需求而打掉樑柱等，建築結構的破壞升高了受災風險。

不幸的是，根據國家地震工程研究中心等機構的初步調查，至 2022 年第 2 季，臺灣興建達 30 年以上的老屋數量已超過 460 萬戶，其中隱藏不少危老集合住宅，但礙於產權複雜、都更不易，是防災工作中急待解決卻也最棘手的問題！

如果民眾無法接受拆除危老房屋，還有其他替代方案嗎？國家地震工程研究中心邱聰智博士等研究發現，「危老補強」是大樓管委會、多數民眾較能接受的折衷方案，可在房屋既有結構下進行耐震補強，費用比重建便宜許多。

可惜在建築師簽證、檢驗或補強成本無人願意承擔的情況下，立意良善且成本低廉的危老建築補強政策，尚缺乏激勵民眾參與的制度創新，是目前防災制度上相對弱勢、值得持續思索對策的一環。

創傷心靈的重建

地震不僅震垮房產，還揭露人心脆弱無助的一面，對於社會弱勢族群來說更是雪上加霜。

風險因子之中的「脆弱度」、「韌性」帶我們檢視災民所處的社會、經濟與身心條件，探討如何發揮人際網絡相互扶持的力量，緩解社會不平等加劇的受災風險。

其中，災後的心理復健長期遭到漠視，面對親友驟逝、身體傷痛、家園破滅且頓失經濟依靠等變故，災民得承受排山倒海的身心壓力，需要專業人士適時伸出援手。

臺大心理系吳英璋與陳淑惠等教授看見九二一災民的需求，成立「臺大 921 心理復健小組」，並號召其他院校的心理學家、臨床醫師與社工人員積極投入救災。

1999 年的臺灣社會仍對「災難與創傷心理學」相當陌生，小組成員抱持從做中學的精神累積經驗，開啟了臺灣災難心理衛生元年。

主要服務據點位於受災最嚴重的臺中東勢，由多位臨床心理博士開設「東勢 921 災後身心聯合門診」，也投入在地種子教師的培訓工作，傳授篩檢高危險族群、輔導孩童因應災難創傷的方法。

許多心理輔導人員更陪伴失依孤兒成長，參加孩子們的畢業典禮、婚禮，建立如同親人般堅定的情誼。

災民最常諮商的主題中，有 72% 是因震災而產生的身心症狀、家庭經濟困境，屬於創傷後壓力疾患之一。國際上對於災後心理復原有 5 項介入原則：安、靜、能、繫、望，如今已成為國內因應疫情、公安災難的主要介入策略。

在 5 項心理介入原則中，「能」指的是「促進效能感」，引導災民重新察覺自己有調節情緒、處理人際關係、修復財產與接受職業訓練等能力，有助災民逐步重返正常生活。

而「繫」則是指「促進聯繫感」，協助災民獲得與所愛者、社交族群的聯繫，從中找到解決問題、接納情緒、分享創傷經驗等支持管道。

研究團隊分析九二一震災村里追蹤資料後發現，東勢在震災後 20 多年間，是災區自殺率最低的鄉鎮，證實社區緊密的人際網絡、專業的心理諮商與陪伴，有助降低社會脆弱度、強化災後復原韌性。

災後重建——社區營造的集體力量

社區營造也是災民展現生命韌性的案例之一。過去有人質疑社區營造對災區重建的效益，但林宗弘等學者實際比較南投埔里 33 個里 1999 至 2012 年的家庭平均所得後發現，農村重建和社區營造補助同時投入的里，平均家戶所得明顯提升。

社區營造的目標在於發掘地方資源、發現新價值，提升社區的自信與自主性，為災後重建注入活水。而農村聚落的重建補助主要用來修復硬體設施，缺乏創造新產業價值的作為，也無法留住青壯年人口。

南投縣埔里鎮的桃米社區即是經典的災後創生案例。在九二一地震前，桃米社區是埔里鎮最窮的村里之一，震災重建後卻成為當地 33 個里中，平均家庭所得排行前 5 名的村里，擁有著名的紙教堂與生態園區，吸引每年多達 40 萬遊客造訪。

究竟桃米社區如何成功翻身？關鍵在於社區營造帶起的三層面連結：

內部組織由下而上動員、外部組織跨區交流合作、國際資源跨國援助

桃米社區在災後，由行政院勞工委員會「以工代賑」計畫支付基本工資，鼓勵居民投入家園重建與社區營造工作。

長期與社區合作的新故鄉基金會，也與特有生物研究保育中心、世新大學觀光系合組區域活化運籌團隊，協助居民學習當地生態知識、發展生態旅遊，並於 2001 年啟動生態旅遊試營運，讓「桃米生態村」日漸廣為人知。

2008 年，在新故鄉基金會廖嘉展先生等人的牽線下，日本鷹取紙教堂落腳桃米社區。這座教堂是日本名建築師坂茂為阪神大地震災民所建的精神地標，而神戶災區也在九二一地震後捐贈近千戶組合屋給南投縣。

紙教堂的移地重建不僅展現了人性普世的友愛光輝，新成立的紙教堂新故鄉見學園區，更是結合軟硬體綜效的社會基礎建設，在五年內為社區創造 1.3 億產值、近 200 個就業機會，成為九二一災後復興的象徵。

社會互救！強化韌性應對未來的災難

從 4 組風險因子綜合歸納出潛在的震災風險後，再從歷史制度論分析國家與社會關係對防災制度演化的影響可知：

如果國家與公民社會皆具備動員能力，且願意化解利益分歧、共同投入防救災，將可強化制度韌性，減少下一次震災的風險。

例如在九二一地震後，政府與民間在撤離與搶救政策改革、公有基礎設施與建築補強重建方面，展現較強的制度韌性，從而推動《災害防救法》的立法，在災害發生後能較有系統、有法源依據地實施緊急應變措施，包含動員軍隊、徵用民間機具等。

林宗弘對於震災搶救過程記憶猶新，九二一地震發生時他剛好在成功嶺服役，從事救災物資的運輸補給工作。當時消防署的救災分工尚不完備，再加上許多消防單位也被震垮，屋漏偏逢連夜雨，導致最初的救災工作不是很系統化地進行。

九二一地震讓救災工作獲得重視，後來的桃芝颱風、莫拉克颱風也強化了風災與水災的救災經驗，臺灣現在的救災工作已提升到國際水準。國家及民間力量能在短時間內投入撤離與搶救作業，並提供緊急醫療、臨時安置、心理重建等服務。

然而，還是有一些問題是目前國家與民間都難以解決的，例如危老建築存在很高的暴露度風險，如不進行都市更新或建築補強，難保不會成為下個災難現場。

雖然中央政府有推動國土規劃政策，但都市更新是地方政府職權，需要地方行政單位的積極介入，否則將陷入民間業主與營建財團的利益衝突，使都更停頓或變質。

四面環海的臺灣位處地震帶、颱風必經路徑上，也是全球貿易與交通要衝，導致我們難逃地震、颱風、疫情三大災難的襲擊。惟有掌握各種潛在風險、了解當前的強項與弱勢，才能從國家政策與公民網絡著手，做好面對下一場災難的萬全準備！

延伸閱讀

• 林宗弘、劉季宇、陳亮全等著（2022）。巨震創生：九二一震災的風險分析與制度韌性。臺大出版中心。
• 【研之有物】災前改善社會不公，更是真正地救人一命
• IPCC. 2012. Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation. New York: Cambridge University Press. 
• Turner, B. L. II et al. 2003. A Framework for Vulnerability Analysis in Sustainability Science. Proceedings of the National Academy of Sciences of the United States of America 100(14): 8074-8079.
• Lei, Yongdenget al. 2014. Rethinking the Relationships of Vulnerability, Resilience, and Adaptation from A Disaster Risk Perspective. Natural Hazards 70: 609-627.
• Hobfoll, Steven E. et al. 2007. Five Essential Elements of Immediate and Mid-Term Mass Trauma Intervention: Empirical Evidence. Psychiatry: Interpersonal and Biological Processes 70(4): 283-315.
• 私有建築物耐震階段性補強資訊網

雞這種動物被人類馴化至今，成為存在感最高的鳥類，不過最初的起源頗有爭議，有多種說法。一些文章甚至論文的訊息支離破碎，愈讀愈不對勁。

2022 年問世的一項研究，主張馴化雞誕生於東南亞，年代未滿 4000 年，並且提出一套合理的生態脈絡。不論新論點是否正確，都相當有參考價值，我們一起來瞧瞧。

馴化雞考古學的三大迷障

馴化雞的考古學至少有三大難題：

第一，以為是雞的骨頭，其實不是雞。
第二，真的是雞，卻是尚未馴化的野雞。
第三，真的是馴化雞，但是年代不對。

一套常見的說法是，馴化雞源自東亞北方，華北超過 8000 年前的新石器時代 。此一廣傳的說法其實莫名其妙，因為馴化雞的祖先肯定是紅色叢林雞（red junglefowl，學名 Gallus gallus，紅原雞），而紅色叢林雞住在東南亞，華南還有可能，華北未免太跳 tone。

目前看來，華北及其周圍早期的「馴化雞」，要不是年代錯誤，沒有那麼早，就是辨識錯誤，把雉雞誤判為雞（pheasant，學名 Phasianus colchicus，環頸雉）。因此，好幾千年以前的華北並不存在馴化雞，更不可能是起源地。

還有兩套主流論點，一是源自南亞，距今 4600 年前開始的哈拉帕文明，另一是 6000 年前的東南亞 。上述觀點也被新研究否定，新的論點是：馴化雞源自東南亞，但是再早也不會超過 4000 年前太久。

始於東南亞，未滿 4000 年

考察世界各地約 600 處遺址，能肯定最早有雞出沒的遺址，位於泰國的 Ban Non Wat，最早距今 3600 多年。此處這個時期屬於新石器時代的農村，存在豬、狗這些馴化動物；遺址中不但出土雞骨，還有很高比例的小雞，很可能是人為飼養的結果。

之前問世的研究們，報告過許多「年代更早的馴化雞」，但是經過三大難題的刁難，都無法確定真的存在更早的馴化雞。印度最早的雞，如今可以肯定的年代，也比東南亞更晚一點。

另一方面，遺傳學證據指出紅色叢林雞有 5 個亞種，馴化雞最接近東南亞的 Gallus gallus spadiceus，而南亞住著 Gallus gallus murghi。這是一項佐證，支持馴化雞並非源自南亞的印度、巴基斯坦，而是東南亞，至少在 3600 年前那個時刻已經馴化。

遺址中雞骨年代容易誤判，以為更早

雞在東南亞馴化後，傳往各方。北邊的東亞北部，距今 3000 多年的商代遺址中有雞。日本在 2000 年前左右的彌生時代首度見到雞。

南太平洋島嶼的雞，顯然和南島族群的遷徙與交流有關。不清楚台灣什麼時候引進雞，不過我猜後來南島語族的雞，並非來自台灣，因為馴化雞的原產地東南亞，距離大洋洲更近得多。

中亞，已知最早的雞於阿爾泰地區出土，約 2500 年前的巴澤雷克文化墓葬。過去有個論點認為，歐洲的雞由中亞引進，更早之前又能追溯到東亞北部。上述說法如今看來並不成立，歐洲雞更可能來自西南亞的方向。

往印度洋、西南亞方向，可以肯定雞在 3000 多年已經來到中東，又傳到東北非的埃及。地中海東部的雞，接著又傳入歐洲。更南方的非洲，雞傳入的年代似乎比較晚，要等到一千多年前，應該不超過 2000 年。

有趣的是，東非外海的馬達加斯加，居民為講南島語的南島語族，但是馬達加斯加語言中的雞，卻不是南島雞的名稱，反而來自非洲的班圖語。新研究推測，即使這兒的南島移民一開始帶雞前來，後來也被東非雞取代。

新研究列舉的各地年代，常常比原本認知更晚。過往研究中，雞骨的年代有多不可靠呢？同時問世的另一項研究，探討雞何時傳入歐洲。

直接對雞骨進行碳同位素定年，驚覺 23 個樣本中，只有 5 個符合其出土地層的年代，其餘都是比實際雞齡更早的誤判。最誇張的是，有幾件樣本明明只有幾十年，是不折不扣的現代雞，卻掉進新石器時代的地層，被誤會是好幾千歲的老司雞。

由此看來，雞骨很容易掉到更深的地層，從而被高估年代；並非由雞骨直接取樣定年的年代，都要謹慎使用。

• 延伸閱讀：歐洲人最初把雞當成寵物，不是食物

馴化雞的兩個條件：野雞碰上農夫

紅色叢林雞住在東南亞，為什麼馴化大成的年代不是 6000 年前，而是距今 4000 年以內呢？搞懂這件事，就能直接突破野雞馴化的關鍵。

馴化，本質上是人與動物建立關係，那麼就要擺在文化與生態環境的背景中思考。

紅色叢林雞通常住在植物茂密的環境中，人類經營農業，種植稻米、小米，勢必改變植被，創造出更加開放，又有不少穀粒的環境。這會誘惑野生的紅色叢林雞，大幅增加與人類接觸的機會，促成馴化的契機。

考古學研究指出，東南亞大陸等到 4000 多年前，才開始出現有稻、小米等馴化生物的農業，進入新石器時代。野生的紅色叢林雞馴化為雞，假如和穀物農業密切相關，可想而知，馴化雞真正誕生的年代不會更早。

• 延伸閱讀：古代東南亞南向的DNA、語言、農業

有趣的是，東南亞的農業源自其北方：東亞南部的農夫，可是馴化雞沒有那麼快傳入東亞南部的稻米產區。詳情不明，也許是當時東南亞多半種旱稻，東亞南部主要種水稻，一開始的雞沒那麼適應。

故人具雞黍

假如馴化雞誕生的條件是「野雞碰上農夫」，回顧過往解釋馴化雞來歷的三大時空，東南亞 6000 年前沒有農夫，紅色叢林雞只能是野雞。南亞 4000 多年前的哈拉帕文明，以及華北 8000 年前的新石器時代，都已經存在穀物農業，但是華北不存在紅色叢林雞，故不可能為起源地。

南亞地區比哈拉帕文明更早以前（哈拉帕常被稱為「印度古文明」或印度河流域文明，可是照現在的國家疆域，多數遺址其實位於巴基斯坦），已經經營農業，也一直存在紅色叢林雞，理論上滿足馴化雞誕生的條件。

• 延伸閱讀：短篇 古印度文明的複合式農業，本地原產稻米

南亞的紅色叢林雞為什麼沒有變成馴化雞，或是一度馴化過卻最終失敗，是有趣的問題。如今比較確定的是，東南亞的馴化雞引進後，和南亞本地的紅色叢林雞又培育出新的型號，成為有南亞特色的馴化雞。

這回的新研究強調，雞的傳播和穀物農業息息相關。原產地的東南亞大陸以外，南亞、中東、非洲東部，雞和穀物也往往同時存在，它們或許是一起傳播。

孟浩然詩句「故人具雞黍」，也許是世界很多地方普遍的現象。

延伸閱讀

• 歐洲人最初把雞當成寵物，不是食物
• 短篇 東非的雞與黑鼠，因中世紀的印度洋貿易網抵達
• 雞排的起源？從古 DNA 探索雞的馴化與育種過程
• 吃雞思源！老祖先馴養家雞，讓我今天有雞腿吃
• 短篇 長江下游7000年前，河姆渡文化最早馴化鵝？
• 短篇 墨西哥居民約在1500年前，最早馴化火雞
• 美國西南10到12世紀，金剛鸚鵡養殖場
• 古代東南亞南向的DNA、語言、農業
• 印度河流域文明，哈拉帕人的DNA
• 短篇 古印度文明的複合式農業，本地原產稻米

參考資料

1. Peters, J., Lebrasseur, O., Irving-Pease, E. K., Paxinos, P. D., Best, J., Smallman, R., … & Larson, G. (2022). The biocultural origins and dispersal of domestic chickens. Proceedings of the National Academy of Sciences, 119(24), e2121978119.
2. Best, J., Doherty, S., Armit, I., Boev, Z., Büster, L., Cunliffe, B., … & Sykes, N. (2022). Redefining the timing and circumstances of the chicken’s introduction to Europe and north-west Africa. Antiquity, 1-15.
3. How the wild jungle fowl became the chicken
4. Before chickens became food for people, they were regarded as special exotica

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。