七根手指～讓你單手做更多事！

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

旋鈕多大才好轉？誰知道啊！

有些問題是生活中不斷遇到，卻從來不會加以思索的。像是當你在開車時調整車上的冷氣溫度，還有聽音樂時調整藍芽音響的音量與音色。此時，指尖所操控的旋鈕該做多大，才是最好轉的呢？

「誰知道啊！」你心裡這麼想。

這種日常體驗的問題看似微不足道，但其實就是產品設計和工業設計這類領域最關注的焦點，甚至能幫你贏得搞笑諾貝爾獎！

本年度的搞笑諾貝爾獎頒獎典禮在線上舉辦，表揚世界各地的研究者如何用專業能力探討奇妙的問題。今天要介紹的工程學獎，頒給了日本千葉工業大學的松崎元教授，以及他扎實的研究論文《如何用手指操控柱狀旋鈕》。透過實驗室中的實際測量，松崎教授紀錄了人們使用各種大小的旋鈕時，如何下意識地將不同手指放在不同位置來操作。

當我們看見一顆旋鈕，我們會透過目測其大小，來決定該用怎麼樣的手勢轉它。如果是直徑一公分左右的小旋鈕，我們會選擇只用拇指和食指來操作，更多的手指只會徒增不便；但如果是快十公分的大旋鈕，就需要動用四五根手指。這個決定不單純只是個人偏好，而是跟人類手掌和手指的構造有關聯。只有某種握法才是最舒服方便的。

此外，通常看到旋鈕就直接給它轉下去了，不會在旋鈕上面嘗試並修正來達成「最佳觸感」。也就是說，這個決策過程從小多次練習後，已經完全變成下意識的過程，只能透過實際測試結果來描繪。

下意識的選擇，只有做實驗才知道

在實驗室中，松崎教授的透明桌面上平放一個白色的圓形旋鈕，並請 32 名受試者順時針旋轉這個旋鈕，並從桌面下的攝影機捕捉人們手指的位置。旋鈕的直徑從七毫米到十三公分，總共 45 種。結果顯示，當旋鈕越大，動用的手指數量越多（一如預期）。只要旋鈕直徑超過五公分，大多數受試者便會開始使用五根手指。

根據所有受試者的統計結果，松崎教授整理出了上方這個十分優雅的圖表。標靶一般的同心圓代表各種大小的旋鈕。圖下半的粗黑直線是基準線，所有測試結果的拇指位置統一對齊這條線，以利進行比較。上方的四條曲線，由左到右分別是食指到小指的位置，虛線則是統計標準差（當然，實際上的實驗結果應該是一個一個離散的點，這裡簡單地用二次曲線進行擬合，比較好看）。

這張圖總結了不同旋鈕大小的情況下，人們手指位置如何變化。有趣的是，隨著旋鈕變大，四根手指的位置並非簡單地輻射向外，而是呈現螺旋狀。猜測是跟手掌張開並旋轉的方式有關。這種細微的趨勢不做實驗還真猜不到。

不是為了搞笑，每份研究都超認真

這份研究其實在 1999 年就已經發表，時隔二十多年獲得搞笑諾貝爾獎。儘管中文翻譯是「搞笑」諾貝爾獎，但是包括松崎教授在內的所有獲獎者，可是從來沒有要搞笑，而是以非常專業的態度在做他們的工作，這些研究成果也都發表在正式的期刊。自 1999 年的旋鈕研究之後，松崎教授又相繼研究了提袋握把和雨傘握把，可說是精通抓握之道的男人。

松崎教授表示，他很樂見這個獎項讓更多人開始關注設計工程的領域。這門學問專注於探索人與物品之間的關係，並藉此創造最舒適的使用體驗，打造出實用的工業產品。

更多有趣的研究，請到【2022 搞笑諾貝爾獎】

1. Japanese professor wins Ig Nobel prize for study on knob turning
2. Japanese researchers win Ig Nobel for research on knob turning
3. 松崎元, 大内一雄, 上原勝, 上野義雪, & 井村五郎. (1999). 円柱形つまみの回転操作における指の使用状況について. デザイン学研究, 45(5), 69-76.

蝴蝶的美，源於牠們擁有的千變萬色的翅膀，這些色彩是門面，也是保護傘，鮮豔顯目派警戒掠食者別靠近！小心牠們有毒（即便有些蝶其實没毒 XD）；擬態派能巧妙地偽裝成自然環境中的枯葉、樹木等騙過掠食者的眼睛，或是如猛禽眼睛樣貌的翅膀，嚇唬掠食者。多數蝴蝶們視顏色為性命，但對玻璃翼蝶來說……就是不給顏色瞧瞧，幾近透明如玻璃的翅膀，即使飛行也如穿上一層隱形罩袍，讓大家都難以察覺牠的存在。究竟，這個蝶界的「小透明」是如何成長？又何以成為科學家們研發新型抗反射材料的重要靈感？Let’s check it out !

玻璃翼蝶的成長日誌

玻璃翼蝶，又名寬紋黑脈綃蝶（學名：Greta oto，俗稱透翅蝶），屬於鳳蝶總科的蛺蝶科（Nymphalidae），主要分布在中南美洲的雨林及山區。牠們的卵殼型態非常多變，有些如珍珠般光滑透亮，有些點綴上小撮鱗毛，有些具有雕刻般的紋路。

幼蟲時，牠們主要吃的是夜香樹屬的植物，這類植物含有具毒性的生物鹼，且能夠存儲於幼蟲體內，當有些鳥兒吃了他們，輕則拉肚子，重則中毒身亡。玻璃翼蝶向來與眾不同，即便同屬鱗翅目（Lepidoptera），他們卻不與其他蝶一般擁有鱗翅目的招牌特徵 —— 成蟲全身布滿鱗毛，取而代之的是光滑剔透如玻璃般的翅膀，而成蟲的牠們一樣喜愛吃「毒」口味的食物，例如菊科（含生物鹼 （pyrrolizidine alkaloids））、馬纓丹屬植物，讓掠食者們敬而遠之。

隱形翅膀的誕生

玻璃翼蝶是如何生成如此獨特的翅膀呢？帕特爾（Nipam H. Patel）和他的同事們首度將玻璃翼蝶詳細的成長時間序公開於《實驗生物學期刊》（Journal of Experimental Biology），他們分別在其成蛹不同時間點（16, 30, 48, 60 hr）進行解剖，並觀察其生成翅膀型態的變化（如圖一）。

• 成蛹 16 小時

起初牠們與其他鱗翅目物種一樣，蛹翅由一層輕薄、勻稱的上皮組織組成，接著許多表皮細胞已分化為平行排列的感覺器官前細胞（Sensory Organ Precursor cells , 以下簡稱 SOP 細胞）。在翅膀生成前期，帕特爾等人發現翅膀透明區域與非透明區域相比，具有較低密度的 SOP 細胞，因此他們猜測，玻璃翼蝶翅膀上形成透明區域及非透明區域的關鍵點就在於 SOP 細胞密度的差異，導致兩個區域的 SOP 細胞日後受到不同的調節，進而影響成體翅膀上兩區域的鱗片密度和表面翼膜分布具有極端的差異。

• 成蛹 30 小時

此時玻璃翼蝶身上的 SOP 細胞開始分化成為鱗狀細胞（scale cells）及似人類的神經膠質細胞的界面上皮細胞（socket cells），鱗狀細胞主要位於翅膀內部，而界面上皮細胞肌動主要負責連接每個鱗狀細胞，並位於翅膀較為表層的位置。此外，他們透過染色技術發現翅膀上開始出現由肌動蛋白組成的小圓柱狀增生鱗片，而這群增生鱗片甚至長到超出翅膀表面。這個階段的透明翼區域鱗片細胞型態跟不透明區域的未分化鱗片細胞一樣，像極了一個個被吹成橢圓狀的氣球。

• 成蛹 48 小時

鱗狀細胞開始延展並擴散生長，這時候透明翼區和非透明翼區要開始分道揚鑣了！非透明翼區（尤其是翅膀周圍有顏色的分界線）有很粗的肌動蛋白束，鱗片細胞呈圓扁狀；而透明翼區的鱗狀細胞開始向上延伸，並產生兩種型態（短小倒三角狀及狹長鬃毛狀）的細胞交替分布於其中。

• 成蛹 60 小時

透明翼區的短小倒三角鱗狀細胞們的兩個角角開始伸出「觸鬚」，形成兩個似觸角型的細胞並開始延伸生長，而長鬃毛鱗狀細胞的長度早已生長至一定長度，甚至還長到彎曲。非透明翼區的鱗狀細胞則會再長得更長、更寬、更平坦（葉狀），並在尖端處形成鋸齒狀。

我們之所以能看到非透明物體具有色彩，是由於物體會吸收部分光線，並將其他光線反射入我們的眼睛。反射程度主要取決於生物組織和環境介質之間的折射率差異，差異越大，表面反射越高。以會呈現透明的水生生物為反例，因為其組織與周遭環境（水）的折射率相近，因此他們就能施展「隱身術」。但是呢！在陸地上，要隱身可難囉～因為陸地生物組織的折射率（n＝～1.3-1.5）和空氣（n＝1）的折射率差異很大，所以易產生極大的表面反射。

有色翅膀的蝴蝶擁有於一排排扁平、重疊的鱗片，每個鱗片都可以通過色素沉澱產生顏色，並與光於奈米結構層級上進行交互作用，產生所謂的「結構色（structural coloration）」，選擇性吸收特定波長的光，且使光發生散射、漫反射、衍射或干涉而產生各式炫麗色彩。相反地，像透明翼蝶與部分蛾類的翅膀之所以會呈現透明，讓光線穿透，並能夠從透明翅膀區域看見他們身後的物體，關鍵在於他們只含有一層幾丁質膜（chitin membrane，也稱甲殼質），這層膜並不會明顯地吸收或反射光線，因此光線能輕易透射這層膜。

仿生靈感：抗反射材料的誕生

然而，幾丁質膜的加持還不夠，因為幾丁質本身具高折射率（n=1.56），因此即便透明，還是會有反射光。為此，透明翼蝶的翅膀發展出一款新型態的「抗反射構造」，造就此構造的三大功臣：微小且垂直稀疏的鱗片、幾丁質組成的奈米柱、蠟質層。垂直的鱗片能順著光線移動，使光線更容易致穿透翅膀；奈米柱使翅膀顯得凹凸不平，不但能減少因相同角度反射所產生的眩光，還能使光線呈現漫反射的效果；可是，透過電子顯微鏡的觀察，科學家們發現透明翼蝶的透明翼區的漫反射率僅約 2 % （空氣與翅膀介面的比率），後來他們查出這是翅膀表面覆蓋蠟質層的功勞，蠟質層似緩衝膠，因為比空氣密度大，能緩衝光線穿透翅膀的速度，還能大幅減緩光線照射鱗片所產生的眩光，若去除透明翼區的奈米柱及蠟質層，則會使反射率提升 2.5 倍，使翅膀受光照而閃亮。

這項驚人的發現不只有帕特爾等人注意到，卡爾斯魯厄理工學院（Karlsruhe Institute of Technology）的研究團隊也曾於 2015 年在《自然通訊》（Nature Communications）期刊發表，玻璃翼蝶翅膀表面不規則的奈米結構能降低反射，並透過蝕刻沈積技術（etching techniques）製造了仿透明蝶翅的塗層，厚度僅 500 奈米，且具有防水及自潔功能。

雖然目前研究處於測試階段，但在未來可望將這類新型塗層應用於防眩光的眼鏡鏡片、相機鏡頭、3C 產品的螢幕上，還能用於太陽能板以提升太陽能轉換效率，甚至軍事領域能發展出「隱形效果」的武器或裝備，這就是透明翼蝶帶來的重大效應。

結語

來自杜克大學的生物學家桑克‧強森（Sonke Johnsen）曾指出儘管許多具透明性質的物種都在身體結構上演化出奈米柱，但蠟質層倒是個令人費解的新發現，蝴蝶的幾丁質覆蓋層是個牢固的結構，為何還要加上蠟質層削弱其堅固度呢？因此他認為這個問題的解答或許會發掘出更多酷東西！不過一想到能在大太陽底下使用仿透明翼蝶的仿生手機，不再受惱人的反光所擾，這個對重度使用 3C 產品的捧由們已經是件很酷的事了！

1. See through the Glasswing Butterfly’s Fascinating Wings
2. New images clarify how glasswing butterflies make their wings transparent
3. Developmental, cellular and biochemical basis of transparency in clearwing butterflies
4. The role of random nanostructures for the omnidirectional anti-reflection properties of the glasswing butterfly
5. How glasswing butterflies grow their invisible wings
6. 抗反射塗層 仿透明蝶翼
7. 科技大觀園：抗反射表面塗層仿生透明蝶翅
8. 求真百科：玻璃翼蝶
9. 寬紋黑脈綃蝶:形態特徵,棲息環境,生活習性,分布範圍,繁殖方式,種群現狀,保護級別
10. MPlus | 隱形的翅膀：玻璃蝴蝶的透明演化之謎