在蛻變成蛾或是蝴蝶之前，毛蟲必須經歷幾次的蛻皮，讓身體有空間能長得更大。但它們怎麼知道何時該蛻皮呢？或許呼吸困難是個關鍵。一篇發表在《美國國家科學院院刊》（Proceedings of the National Academy of Sciences）的研究中，科學家測量天蛾（Manduca sexta）幼蟲的氣管尺寸，發現在兩次蛻皮之間，氣管並不會隨著身體長大。因此，當身體發育到氣管無法維持呼吸效率時，蟲子就開始憋氣，而體內的低氧狀態，會刺激蛻皮。這樣的過程重複幾次後，終會蛻變成為蛾或是蝴蝶。
資料來源：ScienceShot: Breathless Caterpillars Await Molting [25 August 2011]
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。
幾年前，有一則蝴蝶遷徙的新聞，引起了我的興趣。澎湖有位民眾發現住家的花園內有隻蝴蝶，身上被標示了日期和日本地名，原來是一隻從日本富山縣標放的青斑蝶，歷經46天從日本飛行了2,277公里來到台灣。富山縣自然博物館負責人說：「這隻青斑蝶創下了富山縣蝴蝶的最長距離飛行紀錄，飛到翅膀已破裂，令人感到心碎。」
創下地表上最長昆蟲遷徙紀錄的是帝王斑蝶。每年會有上億隻帝王斑蝶在接近冬天時，由北美寒冷的洛磯山往南遷徙至溫暖的墨西哥，並在春天來臨時往北飛回洛磯山，但因為不順風，長達4,800公里、歷時四個月的長途遷徙，讓生命週期僅有一個多月的蝴蝶沒辦法在有生之年飛抵目的地，中途還得暫停德州來繁衍下一代，一共要歷經三代接棒才能返回洛磯山。
在台灣新竹苗栗等地山區，多達五十萬隻的紫斑蝶，也會在秋末準備南飛度冬，常落腳在高雄茂林。「氣溫是蝴蝶長程遷徙的一個很重要的因素，溫暖的環境讓蝴蝶能夠生存並產卵，還能讓剛孵化的幼蟲找到豐富的食物。」嘉義大學生物資源學系黃啟鐘教授這麼告訴我，他對昆蟲生態及植物病蟲害都很有研究。
「也許是遺傳基因，這裡的氣溫一直刻劃在牠們的記憶之中，驅動著牠們歷代返回。」黃教授說，「雖然蝴蝶一代只有一個多月的生命，但為了下一代，牠們長途遷徙到最適合幼蟲出生的氣溫及生態環境，等到春天清明節前，經數代後剛羽化之成蝶，就開始往北飛，回到牠們此生未曾到過的故鄉。」
昆蟲願意冒這樣的風險長途跋涉，那人類也有這種追求溫度的本能嗎？
我們得從現代人類的起源「智人」（Homo sapiens）的發展談起。科學家普遍認為，在二十萬年前智人起源於非洲。直到了四萬年前，智人已經遍布歐亞大陸。科學家一直在探索，究竟是什麼原因造成我們這個物種「遠離非洲」。
亞利桑那大學地球科學系Jessica Tierney教授透過氣候重建資料，並比對化石及石器的狀況，推論八萬年前非洲東北部溫暖且溼潤，適合居住。然而，在七萬年前，氣候開始變得寒冷而乾燥，艱難的氣候條件，使人類在六萬年前走出非洲進行大遷徙，這才讓歐亞大陸有人類出現。
無獨有偶，德國科隆大學Frank Schäbitz教授等人則是透過衣索比亞湖岩芯來重建氣候，同樣也發現，在距今六萬到一萬四千年間非洲氣候的極度乾燥達到頂峰，使智人最終在距今五萬到四萬年間抵達歐洲。
除了因為溫度而遷徙之外，比智人更早，比「露西」（Lucy）[註1]更晚的「直立人」（Homo erectus），大概在一百萬年前開始會用火來獲取他們想要的溫度。除了用來烹煮食物，火還可以使身體溫暖來度過寒冬，得以生存。
以前的人類，就像會遷徙的蝴蝶及候鳥一樣，追求溫度是為了活命，是最基礎的生理需求 [註2] 。然而，時至今日，人們追求溫度的目的已經不同。
經濟學家西托夫斯基（Tibor Scitovsky）認為，近代人類的第一個需求，就是「舒適」[註3]。
近代的人們會為了追求更舒適的氣溫而遷徙。對英國君主來說，白金漢宮是他們的冬季宮殿，溫莎城堡則是夏日宮殿，讓他們在不同的季節中得以維持長時間舒適的居住環境。另外則是觀光旅遊，近代西歐人（如德、法、荷）冬天移動至地中海旁溫暖的國家西班牙、希臘旅遊，或是更遠的東南亞國家，以求得數日的舒適氣溫。
然而，人們逐漸覺得為了追求舒適而頻繁地遷徙和移動有點麻煩，因此反過來想要讓日常生活居住的空間及場域能配合人的需要，常保舒適，於是開始思考如何打造一個四季都舒適的居住空間。在寒冷的國家，增加牆面的厚度，提高隔熱性，來達到保溫的效果，或在屋頂做一個閣樓，能阻擋大雪的低溫直接傳到室內。而在炎熱的國家，則利用室內通風、窗戶遮陽，來確保室內維持舒適，並透過選用適合的植栽、設置水域來調節戶外氣溫，讓人們在戶外行走或活動時都感到舒適。
這些使居住環境舒適的方法，其實都不需要耗用能源及資源，我們稱為被動式設計（passive design，或稱誘導式設計）。它雖然能讓冬天暖一點，夏天涼一點，但是沒辦法維持在一個恆定的氣溫。
因此，人們又想更進一步控制生活及居住環境的溫度，我們開始利用能源及資源來介入控制。一開始是耗費較少電力及資源的手段，例如溫帶國家燒柴的暖爐，熱帶國家使用的電風扇，而後一些更耗能源的設備出現了，如冷氣或暖氣的設備及系統，這些都屬於主動式控制（active control）。以冷氣或暖氣來改變氣溫，讓我們不必大老遠遷徙及移動，可以四季都維持在恆溫舒適的狀況。
而在生活環境中，我們也開始控制各種溫度。例如控制液體的溫度，把冬天冰冷的水加熱，洗澡才舒服；或是使用電冰箱讓飲料涼一些，使用電熱水瓶來保持最適合入口的水溫。
人類當然不會滿足於基本的溫度，我們對於溫度的控制只會愈加精確及全面。我們希望冷暖氣控制的溫度是恆定的，最好一年四季，一天二十四小時，都能維持相同的溫度。我們還希望冬天冰冷的廁所能溫暖些，所以現在廁所的馬桶座不但可以加熱，甚至還可以整晚持續保溫，讓你隨時都能享受剛剛好的溫度。
然而，有時人對溫度需求的還不只是為了舒適。追求「刺激」，則是西托夫斯基提出的人類第二個需求—人們追求溫度，有時只是想要有不一樣的體驗。
就像長年低溫的寒帶國家中，一旦有個難得的溫暖晴天，人們就會傾巢而出到公園做日光浴。同樣的，像台灣一樣位處於熱溼氣候區的人們，偶有山區下雪的機會，許多人會不畏寒冷地上山賞雪，這就是本於氣候刺激造成的新鮮感。
不過，如果是為了刺激而想要控制環境，就可能造成不必要的能源浪費。冬天時，人們湧入滾燙的三溫暖或烤箱，這麼高的溫度絕對算不上是舒適吧，但人們希望透過這樣的生理刺激來滿足心理的需求。
又比如說在寒帶地區滑雪是常態，但位在熱帶國家興建一個室內滑雪場，甚至是單純造雪讓人們遊玩，就是要讓人們能感受到溫帶國家寒冷的天氣能帶來的體驗。
你或許有過這樣的經驗：當你滑著手機上的社群、新聞、影片，你點擊的每個按鈕，停留的每段時間，都在告訴媒體你喜歡的是什麼；不久之後，頁面上跳出的內容你都喜歡極了，不順眼的內容都消失了，這一切彷彿為你量身打造，你就這麼瀏覽下去。回過神才發現時間已過了大半，你接受了不重要（甚至錯誤）的資訊，買了你不需要的東西。
讓我們從虛擬環境切換到實體空間。當我們進入一個室內空間，你直覺地按下空調開關，它也許就記憶著你上次設定的溫度。先進的系統還能觀察現在室內有多少人、你是靜止或移動的、你以前喜歡什麼樣的溫度，就幫你調得好好的。太冷的時候，你也許會選擇穿上外套，而不是起身去調整溫度設定，或是反映給管理者知道。
這就是舒適圈，為你量身打造客製化的體驗。舒適的感受可能掠奪你的專注力，讓你忘了你真實的需求。
從智人遠離非洲到歐亞大陸，到近代人類移動到舒適的地點、建立舒適的住居，都是有意識地了解需求，因為，這都有風險，也需要付出代價。
然而，當空間內的氣溫控制變成輕鬆自在的生活常態，卻可能導致我們不認真去思考我們的需求。我們得自問：「為什麼要設定在這個溫度呢？」是為了舒適，還是為了刺激，還是只是習慣性地延續你昨天的設定，或是直接由人工智慧幫你決定？
一個根本的問題是，舒適究竟是怎麼一回事？是生理的需求，還是心理的滿足？每個人對舒適需求的差異，又是怎麼產生的？是體質的差異，過去的經驗，還是個人的喜好？
唯有理解舒適的起源，我們才能客觀地檢視我們的觀點及行為，並做出適當的調整與改變。下一節，就讓我們從一盤蛋炒飯，來談談什麼是舒適吧。
消暑涼方03：動物和原始人只為生存而追尋溫度，但現代人卻是為了舒適而改變溫度。嘿，享受舒適的同時，也為地球上其它生物想想吧！
——本文摘自《跳出溫度舒適圈》，2022 年 9 月，商周出版，未經同意請勿轉載。
突然想到適應宿主體溫的病原體? 因為相關酶可能已經適應相關部位的溫度、PH值等? (包含氮源碳源種類、胺基酸種類? 密碼種類? 特別是那種生活史需要跨不同物種宿主的?)
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，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。
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）。
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。
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。
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。
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。
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。
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！
fierycloud
mk-nv-shield
