黑紋蒼藍天牛（斯文豪氏天牛）屬昆蟲綱鞘翅目天牛科，台灣特有種，廣泛分佈於全島平地至1600公尺左右的山區。
學名：Paraglenea swinhoei Bates, 1866
同種異名：Paraglenea swinhoei posticeaperta, Paraglenea swinhoei swinhoei,
影片與相片攝於2011年7月12日嘉義縣竹崎鄉仁壽村圓潭生態園區
下列相片由影片擷取而得：
參考資料：周文一（2004），「台灣天牛圖鑑」，貓頭鷹出版社,台北市。
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。
公元 1823 年華勒斯在英國誕生，於 1913 年以 90 歲高壽去世，今年 2023 年是他誕生 200 年。我們懷念他是因為，他曾經和達爾文聯名發表演化觀點，以及提出解釋東南亞海島間生物分佈差異的「華勒斯線」。
Alfred Russel Wallace 在台灣常翻譯為華萊士，不過如威廉華勒斯等等 Wallace 都翻譯作華勒斯，本文就統一作華勒斯。
達爾文會提出演化論，深受他知名的小獵犬號之行影響。華勒斯的東南亞考察也給予他不少啟示，一如達爾文的加拉巴哥群島等地；然而在此之前，華勒斯已經在亞馬遜有 4 年經歷。為了紀念華勒斯兩百歲生辰，Nature 期刊 2023 年初刊登兩篇文章，緬懷他的亞馬遜之旅。
和前輩達爾文相比，華勒斯的家境普通，也沒有受過正規的學術研究訓練。所幸身處文化發達的大英帝國，有志青年仍有不少學習和出人頭地的機會。何況他爸爸是學過法律的自耕農，文化資本其實不算低。
成年後喜歡生物的華勒斯在 1844 年，21 歲之際遇見小他 2 歲的貝茲（Henry Walter Bates），兩人志同道合；華勒斯也從一般愛好者，升級為有系統的標本搜集者，可謂一隻腳踏入研究領域的門檻。
1848 年，華勒斯 25 歲之際與貝茲一同航向大西洋對岸的亞馬遜。不過兩人大部分時候分開行動，貝茲在亞馬遜南部，華勒斯在北部的尼格羅河（Rio Negro）一帶。
華勒斯年輕時在談笑無鴻儒，往來皆白丁的階段，我猜朋友大概不會只有貝茲一位。不過貝茲後來提出的貝氏擬態（Batesian mimicry）沿用至今，可謂華勒斯的強者我朋友，事後諸葛的我們建構歷史敘事時，也就津津樂道兩人的友誼。
離家萬里的華勒斯，依然透過經紀人與國內保持聯繫，郵寄異鄉產品回英國賺錢。在亞馬遜待了 4 年後他決定返鄉，期間一直被疾病威脅生命，可謂現實意義上的英國病人（The English Patient）。
最慘的是他弟弟 1849 年遠渡重洋來照顧他，卻自己也感染黃熱病，返國途中不幸病逝。而華勒斯要等到幾個月後才收到消息。
1852 年華勒斯搭乘海倫號（Helen）貨船返國，沒想到出海三個星期後火燒船，使他漂浮在大西洋海面上，眼睜睜看著攜帶的行李大多損毀。最後他耗費 80 天返回英國，比起與貝茲的去程 29 天漫長得多。好在經紀人有買保險，讓華勒斯獲得部分補償，不至於血本無歸。
回到英國的華勒斯將近 30 歲，闖出一些名號，卻沒有受到太多重視。所幸保住生命加上幾年累積的知識，賦予他東山再起的契機。1854 年他得到前往東南亞的機會，1858 年 35 歲時就和達爾文聯名發表歷史巨作。
華勒斯僅管在亞馬遜一直生病，也淬煉出不侷限於觀察的科學眼光，從船難撿回一條命回到英國後，展露學術鋒芒。1852 年 12 月 14 日，他在倫敦的動物學會發表研究亞馬遜猴子的論文，主張亞馬遜各地的猴子款式，受到大河形成的地理障礙強烈影響。
當時華勒斯受到一些批判，後來證明他的論點無誤，而且是生態分佈的普遍現象。現在我們知道更多：亞馬遜的河道歷史上改道多次，導致生物的分佈範圍持續變化。
用現代標準看，前往亞馬遜考察的 4 年差不多等同華勒斯的博士班修行，回國後發表的報告則是他的博士論文。這篇博士級論文中還觸及一個要點，所謂的「亞馬遜雨林」內部其實差異不小，他是首先有意識提及此事的研究者。
華勒斯觀察到亞馬遜的不同地區，物種組成不太一樣。他劃分 4 大區域：幾內亞、厄瓜多、秘魯、巴西，由其間的亞馬遜河、尼格羅河、馬德拉河（Madeira）這些大河分割出不同地區的地理障礙。如今所知更多，還可以切得更細。
具體是觀察到有幾條河分割出幾塊地，超乎其上普世性的生物學道理是，由於地理環境的阻隔，各地會形成不同的「特有種（endemism）」。華勒斯領悟地理障礙會影響生物分佈，可謂生物地理學的先驅。
現在的人可能覺得上述觀點都是些普通常識。可是華勒斯是在 1852 年提出，那時演化論尚未問世，跟他同齡的孟德爾，當時也尚未開始種植豌豆。
一百多年後的常識，首度問世時常常是驚天動地的新突破！
年輕的華勒斯沒有受過正規學術訓練，還是需要持續賣標本換錢的月光族，提出的研究成果竟有如此理論性。由此可知亞馬遜之行，確實讓華勒斯從所謂的集郵者，蛻變為具備洞察力的科學家。
法國詩人韓波（Arthur Rimbaud）認為，詩人必需是能看穿事物表面，有洞察力的洞觀者（voyant），我想這也是頂級科學家必需配備的能力，亞馬遜的神秘力量加持過後，華勒斯可謂成功通靈。
這類自學成才的科學家，當時英國不只華勒斯一位。以時代來說，那時的英國社會有點厲害。後來華勒斯沈迷於「唯靈論（spiritualism ）」就是另一個故事了……
華勒斯年輕的南美洲經歷，讓人聯想到更早將近一百年的洪堡（活到很老，1859 年 90 歲時去世）。身為晚輩，華勒斯讀過洪堡作品，他站在洪堡巨人的肩上，觸及到更高的思想境界。
許多人覺得遺憾，遺傳、演化並稱，但是孟德爾提出遺傳學法則後被埋沒超過 30 年，等到 1900 年代才重現於世，因此 1882 年去世的達爾文沒有機會知悉。這方面華勒斯比較幸運，他年紀比孟德爾小半歲，又一直活到 90 歲，有機會見證遺傳學的發揚光大。
多年在亞馬遜、東南亞走跳的華勒斯，有不少接觸原住民的機會。照文字紀錄看來，他年輕時的思想應該和同時期的普通英國人差距不大，沒有特別進步或反動；不過相比於同時代人，他更尊重在地知識，這也有助於他的成功。
亞馬遜的生物多樣性如今依然天下第一，世界卻變化不少。尼格羅河盆地的原住民，在華勒斯時代是被觀察者，類似實驗動物的角色，現在漸漸變成主動的研究者，他們用源自不同文化的手法探索自己的世界，成為現代知識體系的一份子。
然而，曾經啟發華勒斯的尼格羅河盆地，至今仍缺乏一流的研究機構，無法培育本土的研究人才，本地學子必需離鄉背井。科學從華勒斯到現代突飛猛進，仍有不少進步空間。
上圖是華勒斯描述為「黑暗中一團燦爛之火」的圭亞那動冠傘鳥（Guianan cock-of-the-rock ，學名 Rupicola rupicola），目前沒有滅團危機，依然在華勒斯探索過的雨林中飛翔。希望燦爛之火永不熄滅，但是不要變成失控的森林大火。
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。
突然想到黑水河?比較酸? 然後想到古代溫暖期通常也是二氧化碳比例高的時候? 所以，其實相關時間段，可能酸雨也不少? 各種養分循環(包含動植物外表跟微生物等的移動傳播)也會跟二氧化碳比較低的時候有差?
隱翅蟲是一群小型甲蟲的總稱；牠們以毒聞名，卻不見得都具有毒性。有些隱翅蟲會生產毒液儲存在身體裡，需要時噴射攻擊。毒液不只是嚇唬人的工具，像是跟螞蟻搶地盤這類場合，生化武器能發揮實在的優勢。
本文沒有真實隱翅蟲的圖像，閱讀時不用擔心。
隱翅蟲的毒液包含毒素和溶劑兩部分，有意思的是，兩者是獨立生產；溶劑本身沒有毒，毒素單獨存在也沒多少毒性。兩者極為依賴彼此，生產線卻是獨立運作，此一狀況是怎麼形成的？一項新研究投入大筆資源，便探討其演化過程。
這項研究探討的隱翅蟲叫作 Dalotia coriaria，為求簡化，本文之後稱之為「隱翅蟲」。它的毒素並非導致隱翅蟲皮膚炎的隱翅蟲素 (pederin) ，切莫混淆。
隱翅蟲的毒液發射器位於背上，體節的 A6、A7 之間，這兒有部分表皮細胞特化成儲存囊壁，並分泌脂肪酸衍生物作為溶劑。而毒素為配備苯環的化學物質 benzoquinone（苯醌），簡稱 BQ；另有一群細胞專門生產 BQ，再運送到儲存囊，和其中的脂肪酸衍生物混合後形成毒液。
生產毒素和溶劑的細胞，是兩類完全不一樣的細胞，各有不同的演化歷史。隱翅蟲的祖先，沒有毒素也沒有溶劑，兩者都可謂演化上的創新 (novelty) 。
論文將生產溶劑的細胞稱為「溶劑細胞」；分析成分得知溶劑總共有 4 種，是碳數介於 10 到 12 的脂肪酸衍生物。合成脂肪酸，本來就是各種生物的必備技能，但是溶劑細胞製作的脂肪酸衍生物，原料並非一般常見的脂肪酸。
脂肪酸的合成，都是以 2 個碳的基礎材料開始，作為類似 PCR 中引子 (primer) 的角色，然後由 FAS（全名 fatty acid synthase）這類酵素一次加上 2 個碳，2、4、6、8 碳一直加上去。人類的 FAS 通常會製作長度為 16 碳的棕櫚酸，昆蟲則會造出 14、16、18 碳的最終產物。
隱翅蟲的溶劑細胞中，脂肪酸衍生物只有 10 到 12 個碳，比 FAS 一般的產物更短。奇妙的是，這兒的脂肪酸並非由 14 或 16 個碳縮短而來，而是溶劑細胞內 FAS 的最終產物直接就是 12 個碳。
要闡明其中奧妙，必需先稍微認識昆蟲的脂肪酸合成系統。昆蟲有一群特殊的脂肪酸衍生物，稱為「表皮碳氫化合物（cuticular hydrocarbon，簡稱 CHC）」，具有防止水分散失、費洛蒙等作用。
表皮碳氫化合物多半由 oenocyte 所製造（類似人類的肝細胞），在 FAS 酵素催化形成 14 到 18 個碳長的脂肪酸以後，繼續由延長酶 (elongase) 增加長度，去飽和酶 (desaturase) 加上雙鍵，最後經過兩道尾端的還原手續，分別由 FAR（全名 fatty acyl-CoA reductase）和 CYP4G（全名 cytochrome p450 family 4 subfamily G）兩類酵素執行，產生通常介於 20 到 40 個碳長的產物。
隱翅蟲和其他昆蟲一樣，oenocyte 細胞內有完整的表皮碳氫化合物生產線，每一步驟的酵素一應俱全。比對可知，溶劑細胞內也有一條脂肪酸衍生物的產線，顯然是由表皮碳氫化合物的生產線改版而成。
隱翅蟲至少有 4 個 FAS 基因，3 個負責製作一般的脂肪酸和表皮碳氫化合物，只有一個特定的 FAS 參與溶劑生產，專職在溶劑細胞中大量表現，製造 12 碳的脂肪酸，最後也由 FAR 和 CYP4G 收尾形成衍生物。值得一提，已知產物長度為 12 碳的 FAS 酵素相當罕見。
溶劑細胞和表皮碳氫化合物的生產線，兩者都有 FAS、FAR、CYP4G 三類酵素，但是在溶劑細胞作用的三種酵素，都不管其他細胞的脂肪酸合成。除此之外，有時候還有另一種酵素 α-esterase 的參與。依靠這些專門在溶劑細胞工作的酵素們，隱翅蟲能生成 4 種溶劑。
演化上，隱翅蟲並沒有捨棄原本的脂肪酸生產線，整套都還存在；相對地，隱翅蟲在少數特定細胞新增一條產線，不影響原本的重要部門。這是隱翅蟲在遺傳和細胞層次的演化創新。
類似的狀況，也在毒素生產線觀察到。隱翅蟲的毒素，也是由原本有重要功能的古老生產線，調整再改版而成。
論文將生產毒素的細胞稱為「BQ 細胞」，這部分沒有溶劑細胞了解的那麼詳盡，不過經由碳的穩定同位素追蹤，還是得知毒素原料來自食物中的氨基酸：酪胺酸 (tyrosine) ，經過一系列加工後形成 BQ。
這條生產線上有個關鍵酵素叫作 laccase，它一般的功能是參與 Coenzyme Q10，也就是 ubiquinone 的合成。這是粒線體有氧代謝中的重要成分，對生存不可或缺。和其他甲蟲相比，隱翅蟲多出一個 laccase 酵素，專門在 BQ 細胞表現，將 HQ (hydroquinone) 催化成 BQ 作為毒素。
由此看來，隱翅蟲祖先演化出溶劑和毒素的道理是一樣的。
溶劑方面，以舊的表皮碳氫化合物生產線為基底，改用多個新酵素基因，形成新的生產線。毒素方面，源自古老的粒線體代謝線路，同樣加入新的酵素基因，改版後變成毒素產線。兩者各自皆為遺傳與細胞層次的新玩意，合在一起則衍生出功能上的演化創新。
這項研究有許多潛在的討論方向，有興趣的讀者可以自行鑽研。像是生物學研究者能估計所有實驗耗資多少，感受自己的微渺（例如為了分辨不同細胞的作用，論文使用大量昂貴的「單細胞轉錄組 single cell transcriptome」進行分析）。這邊只提兩點。
第一點有趣的問題是：隱翅蟲的溶劑和毒素要同時存在才有效果，可是演化上是哪個先出現呢？論文推測是溶劑細胞先出現。
假如只有 BQ 這類毒素存在，殺傷效果非常差（論文用果蠅幼蟲做實驗），但是溶劑細胞的產物，即使不作為 BQ 的溶劑，脂肪酸衍生物也可以有其他用途，像是潤滑油之類的，或是扮演別種物質的溶劑。
想來新的脂肪酸生產線比較可能先出現，扮演某些不是太重要的角色，接著再加入 BQ；毒素加上溶劑，兩者合體產生新的強大功能，脂肪酸生產線又由於獲得新功能而調整優化，最終形成現在的樣貌。
第二點有趣的是，這回發現產物為 12 碳的 FAS 酵素。乍看沒什麼，影響卻很關鍵。
FAS 這類酵素的差異，在於催化生成的脂肪酸最終產物有幾個碳（或是說，可以加到幾個碳那麼長）；已知幾乎皆為 14、16、18 個碳，隱翅蟲的溶劑細胞表現的 FAS 卻是 12 個碳。好像只差一點，然而實際測試發現，脂肪酸衍生物超過 13 個碳，作為 BQ 溶劑的效果便會差一大截。
也就是說，隱翅蟲倘若沒有脂肪酸產物僅 12 碳長的 FAS，儘管仍然可以生成溶劑，毒性將弱化不少。由此推想，隱翅蟲如今威力強大的毒液，並非透過少數變化一次到位，而是逐漸累積有利變異的結果。
想得更遠一點，由兩種細胞合作衍生而成的毒液，可以視為由多種細胞合夥，複雜器官的最簡單版本。原本不相關的各式細胞們，持續累積一個一個微小的改變，也有機會組合發展成複雜的組織或器官。
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。
fierycloud
sci-1