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
本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位。
人工智慧（Artificial Intelligence，簡稱 AI）在 21 世紀的今日已大量運用在生活當中，近期掀起熱議的聊天機器人 LaMDA、特斯拉自駕系統、AI 算圖生成藝術品等，都是 AI 技術的應用。多數 AI 的研發秉持改善人類生活的人文思維，除了仰賴工程師的先進技術，更需要人文社會領域人才的加入。
中央研究院「研之有物」專訪院內人文社會科學研究中心蔡宗翰研究員，帶大家釐清什麼是 AI？文科人與工程師合作時，需具備什麼基本 AI 知識？AI 如何應用在人文社會領域的工作當中？
一場緊張刺激的詩詞對決在線上展開！人類代表是有「AI 界李白」稱號的蔡宗翰研究員，AI 代表則是能秒速成詩的北京清華九歌寫詩機器人，兩位以「人工智慧」、「類神經」為命題創作七言絕句，猜猜看以下兩首詩各是誰的創作？你比較喜歡哪一首詩呢？
答案揭曉！A 詩是蔡宗翰研究員的創作，B 詩是寫詩機器人的創作。細細賞讀可發覺，A 詩的內容充滿巧思，為了符合格律，將「類神經」改成「類審經」；詩中的「福落天赦」是「天赦福落」的倒裝，多念幾次會發現，原來是 Google 開發的機器學習開源軟體庫「Tensor Flow」的音譯；而「拍拓曲」則是 Facebook 開發的機器學習庫「Pytorch」的音譯，整首詩創意十足，充滿令人會心一笑的魅力！
相較之下，B 詩雖然有將「人工」兩字穿插引用在詩中，但整體內容並沒有呼應命題，只是在詩的既有框架內排列字句。這場人機詩詞對決明顯由人類獲勝！
由此可見，當前的 AI 缺乏創作所需的感受力與想像力，無法做出超越預先設定的創意行為。然而，在不久的將來，AI 是否會逐漸產生情感，演變成電影《A.I. 人工智慧》中渴望人類關愛的機器人？
近期有一則新聞「AI 有情感像 8 歲孩童？Google 工程師爆驚人對話遭停職」，讓 AI 是否已發展出「自我意識」再度成為眾人議論的焦點。蔡宗翰研究員表示：「當前的 AI 還是要看過資料、或是看過怎麼判讀資料，經過對應問題與答案的訓練才能夠運作。換而言之，AI 無法超越程式，做它沒看過的事情，更無法替人類主宰一切！」
會產生 AI 可能發展出情感、甚至主宰人類命運的傳言，多半是因為我們對 AI 的訓練流程認識不足，也缺乏實際使用 AI 工具的經驗，因而對其懷抱戒慎恐懼的心態。這種狀況特別容易發生在文科人身上，更延伸到文科人與理科人的合作溝通上，因不了解彼此領域而產生誤會與衝突。如果文科人可以對 AI 的研發與應用有基本認識，不僅能讓跨領域的合作更加順利，還能在工作中應用 AI 解決許多棘手問題。
「職場上常遇到的狀況是，由於文科人不了解 AI 的訓練流程，因此對 AI 產生錯誤的期待，認為辛苦標注的上千筆資料，應該下個月就能看到成果，結果還是錯誤百出，準確率卡在 60、70% 而已。如果工程師又不肯解釋清楚，兩方就會陷入僵局，導致合作無疾而終。」蔡宗翰研究員分享多年的觀察與建議：
如果文科人了解基本的 AI 訓練流程，並在每個訓練階段協助分析：錯誤偏向哪些面向？AI 是否看過這方面資料？文科人就可以補充缺少的資料，讓 AI 再進行更完善的訓練。
認識 AI 的第一步，我們先從分辨什麼是 AI 做起。現在的數位工具五花八門，究竟什麼才是 AI 的應用？真正的 AI 有什麼樣的特徵？
基本上，有「預測」功能的才是 AI，你無法得知每次 AI 會做出什麼判斷。如果只是整合資料後視覺化呈現，而且人類手工操作就辦得到，那就不是 AI。
蔡宗翰研究員以今日常見的語音辨識系統為例，大家可以試著對 Siri、Line 或 Google 上的語音辨識系統講一句話，你會發現自己無法事先知曉將產生什麼文字或回應，結果可能正是你想要的、也可能牛頭不對馬嘴。此現象點出 AI 與一般數位工具最明顯的不同：AI 無法百分之百正確！
因此，AI 的運作需建立在不斷訓練、測試與調整的基礎上，盡量維持 80、90% 的準確率。在整個製程中最重要的就是訓練階段，工程師彷彿化身老師，必須設計一套學習方法，提供有助學習的豐富教材。而 AI 則是史上最認真的學生，可以穩定、一字不漏、日以繼夜地學習所有課程。
AI 的學習方法主要分為「非監督式學習」、「監督式學習」。非監督式學習是將大批資料提供給 AI，讓其根據工程師所定義的資料相似度算法，逐漸學會將相似資料分在同一堆，再由人類檢視並標注每堆資料對應的類別，進而產生監督式學習所需的訓練資料。而監督式學習則是將大批「資料」和「答案」提供給 AI，讓其逐漸學會將任意資料對應到正確答案。
學習到一定階段後，工程師會出試題，測試 AI 的學習狀況，如果成績只有 60、70 分，AI 會針對答錯的地方調整自己的觀念，而工程師也應該與專門領域專家一起討論，想想是否需補充什麼教材，讓 AI 的準確率可以再往上提升。
就算 AI 最後通過測試、可以正式上場工作，也可能因為時事與技術的推陳出新，導致準確率下降。這時，AI 就要定時進修，針對使用者回報的錯誤進行修正，不斷補充新的學習內容，讓自己可以跟得上最新趨勢。
在了解 AI 的基本特徵與訓練流程後，蔡宗翰研究員建議：文科人可以看一些視覺化的操作影片，加深對訓練過程的認識，並實際參與檢視與標注資料的過程。現在網路上也有很多 playground，可以讓初學者練習怎麼訓練 AI，有了上述基本概念與實務經驗，就可以跟工程師溝通無礙了。
AI 的應用領域相當廣泛，而蔡宗翰研究員專精的是「自然語言處理」。問起當初想投入該領域的原因，他充滿自信地回答：因為自然語言處理是「AI 皇冠上的明珠」！這顆明珠開創 AI 發展的諸多可能性，可以快速讀過並分類所有資料，整理出能快速檢索的結構化內容，也可以如同真人般與人類溝通。
著名的「圖靈測試」（Turing Test）便證明了自然語言處理如何在 AI 智力提升上扮演關鍵角色。1950 年代，傳奇電腦科學家艾倫・圖靈（Alan Turing）設計了一個實驗，用來測試 AI 能否表現出與人類相當的智力水準。首先實驗者將 AI 架設好，並派一個人操作終端機，再找一個第三者來進行對話，判斷從終端機傳入的訊息是來自 AI 或真人，如果第三者無法判斷，代表 AI 通過測試。
換而言之，AI 必須擁有一定的智力，才可能成功騙過人類，讓人類不覺得自己在跟機器對話，而這有賴自然語言處理技術的精進。目前蔡宗翰的研究團隊有將自然語言處理應用在：人文研究文本分析、新聞真偽查核，更嘗試以合成語料訓練臺灣人專用的 AI 語言模型。
目前幾乎所有正史、許多地方志都已經數位化，而大量數位化的經典更被主動分享到「Chinese Text Project」平台，讓 AI 自然語言處理有豐富的文本資料可以分析，包含一字不漏地快速閱讀大量文本，進一步畫出重點、分門別類、比較相似之處等功能，既節省整理文本的時間，更能橫跨大範圍的文本、時間、空間，擴展研究的多元可能性。
例如我們想了解經典傳說《白蛇傳》是怎麼形成的？就可以應用 AI 進行文本溯源。白蛇傳的故事起源於北宋，由鎮江、杭州一帶的說書人所創作，著有話本《西湖三塔記》流傳後世。直至明代馮夢龍的《警世通言》二十八卷〈白娘子永鎮雷峰塔〉，才讓流傳 600 年的故事大體成型。
我們可以透過「命名實體辨識技術」標記文本中的人名、地名、時間、職業、動植物等關鍵故事元素，接著用這批標記好的語料來訓練 BERT 等序列標注模型，以便將「文本向量化」，進而找出給定段落與其他文本的相似之處。
經過多種文本的比較之後發現，白蛇傳的原型可追溯自印度教的那伽蛇族故事，傳說那伽龍王的三女兒轉化成佛、輔佐觀世音，或許與白蛇誤食舍利成精的概念有所關連，推測印度神話應該是跟著海上絲路傳進鎮江與杭州等通商口岸。此外，故事的雛型可能早從唐代便開始醞釀，晚唐傳奇《博異志》便記載了白蛇化身美女誘惑男子的故事，而法海和尚、金山寺等關鍵人物與景點皆真實存在，金山寺最初就是由唐宣宗時期的高僧法海所建。
在 AI 的協助之下，我們得以跨時空比較不同文本，了解說書人如何結合印度神話、唐代傳奇、在地的真人真事，創作出流傳千年的白蛇傳經典。
除了應用在人文研究文本分析，AI 也可以查核新聞真偽，這對假新聞氾濫的當代社會是一大福音，但對 AI 來說可能是最困難的挑戰！蔡宗翰研究員指出 AI 的弱點：
如果是答案和數據很清楚的問題，就比較好訓練 AI。如果問題很複雜、變數很多，對 AI 來說就會很困難！
困難點在於新聞資訊的對錯會變動，可能這個時空是對的，另一個時空卻是錯的。雖然坊間有一些以「監督式學習」、「文本分類法」訓練出的假新聞分類器，可輸入當前的新聞讓機器去判讀真假，但過一段時間可能會失準，因為新的資訊源源不絕出現。而且道高一尺、魔高一丈，當 AI 好不容易能分辨出假新聞，製造假新聞的人就會破解偵測，創造出 AI 沒看過的新模式，讓先前的努力功虧一簣。
因此，現在多應用「事實查核法」，原理是讓 AI 模仿人類查核事實的過程，尋找權威資料庫中有無類似的陳述，可用來支持新聞上描述的事件、主張與說法。目前英國劍橋大學為主的學者群、Facebook 與 Amazon 等業界研究人員已組成 FEVEROUS 團隊，致力於建立英文事實查核法模型所能運用的資源，並透過舉辦國際競賽，廣邀全球學者專家投入研究。
蔡宗翰教授團隊 2021 年參加 FEVEROUS 競賽勇奪全球第三、學術團隊第一後，也與合作夥伴事實查核中心及資策會討論，正著手建立中文事實查核法模型所需資源。預期在不久的將來，AI 就能幫讀者標出新聞中所有說法的資料來源，節省讀者查證新聞真偽的時間。
AI 的未來充滿無限可能，不僅可以成為分類與查證資料的得力助手，還能照護並撫慰人類的心靈，這對邁入高齡化社會的臺灣來說格外重要！許多青壯年陷入三明治人（上有老、下有小要照顧）的困境，期待有像動畫《大英雄天團》的「杯麵」（Baymax）機器人出現，幫忙分擔家務、照顧家人，在身心勞累時給你一個溫暖的擁抱。
機器人陪伴高齡者已是現在進行式，新加坡南洋理工大學 Gauri Tulsulkar 教授等學者於 2021 年發表了一項部署在長照機構的機器人實驗。這名外表與人類相似的機器人叫「娜丁」（Nadine），由感知、處理、互動等三層架構組成，可以透過麥克風、3D和網路鏡頭感知用戶特徵、所處環境，並將上述資訊發送到處理層。處理層會依據感知層提供的資訊，連結該用戶先前與娜丁互動的記憶，讓互動層可以進行適當的對話、變化臉部表情、用手勢做出反應。
長照機構的高齡住戶多數因身心因素、長期缺乏聊天對象，或對陌生事物感到不安，常選擇靜默不語，需要照護者主動引導。因此，娜丁內建了注視追蹤模型，當偵測到住戶已長時間處於被動狀態，就會自動發起話題。
實驗發現，在娜丁進駐長照機構一段時間後，住戶有一半的天數會去找她互動，而娜丁偵測到的住戶情緒多為微笑和中性，其中有 8 位認知障礙住戶的溝通能力與心理狀態有明顯改善。
至於未來的改進方向，研究團隊認為「語音辨識系統」仍有很大的改進空間，需要讓機器人能配合老年人緩慢且停頓較長的語速，音量也要能讓重聽者可以清楚聽見，並加強對方言與多語混雜的理解能力。
臺灣如要發展出能順暢溝通的機器人，首要任務就是要開發一套臺灣人專用的 AI 語言模型，包含華語、臺語、客語、原住民語及混合以上兩種語言的理解引擎。這需花費大量人力與經費蒐集各種語料、發展預訓練模型，期待政府能整合學界與業界的力量，降低各行各業導入 AI 相關語言服務的門檻。
或許 AI 無法發展出情感，但卻可以成為人類大腦的延伸，協助我們節省處理資料的時間，更可以心平氣和地回應人們的身心需求。與 AI 共存的未來即將來臨，如何讓自己的行事邏輯跟上 AI 時代，讓 AI 成為自己的助力，是值得你我關注的課題。
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。
刺葉樹（Xanthorrhoea; grasstrees）是僅分布於澳洲的特有植物，木質莖幹頂上有一圈又細又長的葉子，開花季時會從頂上長出一根細細長長的花柄，常被利用為園林造景植物，澳洲原住民傳統上也會利用刺葉樹的樹脂於器具製作和容器修補。
刺葉樹象鼻蟲（Paratranes）是體態呈長橢圓形而扁平的黑色象鼻蟲，和刺葉樹有著相存相依的伴生關係，更是僅僅分布於澳洲的獨特昆蟲。
在我們最新發表的分類學研究論文中[2]，我們確認了本屬有兩個物種，分別為長細刺葉樹象鼻蟲（Paratranes monopticus (Pascoe, 1870)） 和一個全新物種——齊氏刺葉樹象鼻蟲（Paratranes zimmermani Hsiao & Oberprieler, 2021），這個新物種紀念來已故的澳洲象鼻蟲分類學家埃爾伍德．齊默爾曼（Elwood Zimmerman）以彰顯這位極具貢獻的分類學者。
不過這次的研究並非是在田野調查中找到了新物種，而是過往研究中，出現了把不同物種當作同一物種的狀況。
1898 年，亞瑟．米爾斯．李（Arthur Mills Lea）描述了一種外型與長細刺葉樹象鼻蟲極為相似的物種 Tranes xanthorrhoeae Lea, 1898。
我們重新比對李在 1898 年發表的科學文獻與模式標本，發現在原始文獻中，並未指定正模式標本（Holotype），而文獻中引用的不同物種的複數標本，全被視為同一種物種的群模式標本（Syntypes）。
分類學家除了形態分類鑑定外，「維穩生物的學名分類系統」也是相當重要的任務。為了避免相同物種被重複命名，或是不同的物種被當作同一種，分類學家會用實體標本來說明特定物種的特徵，這些標本統稱為「模式標本（Type specimens）」。
在分類學中，模式標本作為物種發表時的實體存證，是回顧前人描述的物種，重新對其物種假說地位進行檢視的客觀證據。
具有權威性的模式標本，或稱為「具（載）名模式標本（Name-bearing type）」有三類，分別為「正模式標本（Holotype）」、「群（總）模式標本（Syntype）」和「選模式標本（Lectotype）」。
其中，群模式標本是研究者描述一個物種時，指定多個標本來代表該物種，而每具標本皆能定義該物種，但這產生了一個問題，在群模式標本中，不小心混入其他物種該怎麼辦呢？
為了避免這個狀況，生物分類命名規約規定，後人學者可重新指定這些群模式標本中的其中一隻，作為代表該物種定義的唯一模式標本，這個被再次選出來的模式標本，就叫「選模式標本」。
一般來說，若群模式標本都是同一物種的話，並不需要特別挑選選模式標本（Lectotype）。但李用來引證 Tranes xanthorrhoeae Lea, 1898 的群模式標本中，混合了兩個物種，分別是長細刺葉樹象鼻蟲，以及被李誤認為是 Tranes xanthorrhoeae Lea, 1898 雌性個體的新物種，也就是後來被我們新分類出來的齊氏刺葉樹象鼻蟲，而面對這種情況，就必須特別思考該用哪一個物種當作選模式標本。
選模式標本的選擇，並不只是為物種選擇正確的模式標本這麼簡單。以李的情況為例，背後就牽扯到 Tranes xanthorrhoeae Lea, 1898 這個學名最後會代表什麼物種，以及李是否發現了新物種。
就李的狀況，分類學家會有以下兩種做法：
那麼作為一個專業的分類學家，我們應當選哪個方案呢？
在參考李對 Tranes xanthorrhoeae Lea, 1898 的原始描述後，我們發現李在形態描述，大部分只有長細刺葉樹象鼻蟲的形態，而新物種的描述卻是寥寥數語，因此我們選擇了方案一，認為李並沒有發現新物種。
除了發現、描述未知的生物多樣性，分類學家更應回顧過去前人所做的研究，考據、檢視過往的文獻以及模式標本以檢驗物種假說，並作出合理的決策處置。這個研究成果也再次將澳洲的象鼻蟲分類學往前推進了一步。
狐禪
sci-1
