明星「蛙」露水

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

被放大存在感的叫聲

春雨樹蛙的發聲方式，是從肺部抽入一陣氣流送向氣管內的聲帶，喉囊收到爆衝而來的聲音和氣流鼓脹起來，將聲音向四面八方播送出去。

緊接著彈性十足的氣囊把空氣送進肺部，春雨樹蛙因此不需要打開鼻孔吸氣，就能夠再叫一聲。兩棲動物沒有肋骨和橫膈膜，所以牠們靠核心肌群推送空氣，這些核心肌群的重量占雄蛙體重的百分之十五。

為什麼要這麼大費周章？ 一隻春雨樹蛙的叫聲可以傳到至少五十公尺外，方圓大約七千八百平方公尺內都聽得見。而牠的體長只有二．五公分，占用的地面也只有四平方公分。

透過叫聲，春雨樹蛙將自己在森林裡的存在感放大將近兩千萬倍，這還沒算上聲音往上傳送到枝頭聽眾的耳朵。聲音讓動物在複雜的環境裡找到彼此，促進物種繁衍，否則物種的傳承將會面臨考驗。

從陸地上的蛙類、昆蟲和鳥類，到大海裡的魚類、甲殼動物和海洋哺乳類，聲音通訊帶來諸多益處，間接幫助發聲動物完成各自在生態中所扮演的角色。

春雨樹蛙也有安全社交距離

春雨樹蛙不只宣揚牠的存在與所在，還透露牠的體型大小、健康狀態，或許還有個別身分。這些資訊是遠距社交的媒介。相互競爭的雄蛙在沼澤區彼此保持距離，降低面對面衝突的危險。

雌蛙不只藉此找到伴侶，還能評估對方，不需要冒著受傷或感染疾病的風險接近對方。因此，聲音增加了動物行為中身體距離與意思表達的細緻度，取代爭奪領域時的直接戰鬥，對潛在配偶的觀察也比耳鬢廝磨時更全面、更仔細。

當雌春雨樹蛙從落葉堆裡的冬季藏身處出來，一面等待充滿防凍糖分的身體回溫，一面根據聲音線索獲知繁殖沼澤的位置。她或許也還記得這片土地的輪廓與氣味，因為她已經在這處森林裡棲息兩年以上，吃著蜘蛛和昆蟲，才長成有繁殖能力的成蛙。

科學家研究其他蛙類發現，牠們有極佳的空間記憶和找路的能力，尤其擅長尋找繁殖地點。春雨樹蛙或許也是如此。雌蛙在記憶（當然還有聲音）的引導下，出發前往溼地。在她生命旅程的這個階段，聲音引導她前往潛在對象的所在。

如何增加尋覓配偶的準確度

繁殖鳴聲最原始的功能，可能就是為了在廣大的環境中找到伴侶。對於森林裡的嬌小動物而言，聲音方便牠們在幾分鐘內找到伴侶。

如果漫無目標以肉眼搜尋，恐怕要花上幾星期。某些物種也靠氣味軌跡覓偶，留下線索讓嗅覺靈敏的追求者跟隨，但聲音能傳得更遠，也更容易追蹤。

物種特有的聲音也增加尋覓配偶的準確度，降低被獵食的風險。尋找潛在配偶的過程也可能遇上掠食者。聲音遠距離表明身分，尋找配偶的危險性因此大幅降低。但有些掠食者會利用獵物的求偶信號，增加獵物誤認配偶身分的危險。例如澳洲的掠食螽斯會模仿母蟬的求偶聲，讓多情的公蟬自投羅網。

當雌蛙橫越森林地面抵達溼地，聲音的功能就改變了。現在她聆聽隱藏在個別聲音裡的資訊。雄蛙彼此相隔十到一百公分，所以她或緩行或游泳，穿過各種洪亮的鳴聲和鼓脹的喉囊。

大多數的叫聲是嗶，但如果雄蛙彼此距離太近，就會用粗嘎的哩對決，以聲音爭奪領域。有別於人類只有一片耳膜，雌春雨樹蛙的內耳跟所有蛙類一樣，有三簇對聲音靈敏的毛細胞。其中一簇毛細胞對應雄蛙的音頻，另一簇接收的頻率比較寬，可能是為了偵測森林的各種聲響，第三簇只接收低頻振動。

有趣的是，雄蛙的耳朵聆聽的音頻比牠們自己的叫聲來得高。也許是為了適應漫漫長夜的噪音，或者偵查更高頻的窸窣聲，辨識逼近的危險。另一種可能是，雄蛙的耳朵在尋找聲音結構的細微差異，藉此辨識周遭動物的身分。

牛蛙能辨認熟悉的叫聲，對陌生蛙類的反應比較強悍。雄春雨樹蛙能記住鄰居的攻擊性格，如果對方突然來勢洶洶，牠們就會哩哩喝斥。牠們也會跟鄰居輪唱，同步調整鳴叫的時間，變成一隻蛙帶頭，其他立即跟上，嗶，嗶嗶，嗶。

這種同步對唱有時會擴大為群體活動，每組最多五隻雄蛙，節奏幾乎一致。至於春雨樹蛙能不能辨認個別聲音，現階段我們還不清楚。

雌春雨樹蛙的擇偶條件

雌春雨樹蛙偏好響亮、快速重複的叫聲。演化於是依據這種偏好塑造嗶聲的強度和速度，從豌豆大小的肺臟激發出最大的聲響。在比冰點略高的溫度裡，雄蛙每分鐘大約叫二十聲。

而在溫和的夜晚，牠們嗶嗶叫的速度提高到每分鐘八十聲。不過，無論夜風沁涼或溫暖，總有某些雄蛙的叫聲比別人快上兩倍。雌蛙察覺這差異，於是朝叫聲比較快的那些游或跳過去，選中沼澤地裡最健康的雄蛙。

鳴叫是費力的活動，有些雄蛙一個晚上叫了一萬三千聲，每一聲都靠肌肉收縮提供力道，這些肌肉裡儲存的脂肪，供應了百分之九十鳴叫所需的能量。肌肉脂肪存量不足的雄蛙耐力比較差。

相較於軟弱無力的鄰居，叫聲迅猛的雄蛙通常比較重、比較年長，心臟比較大，血球裡的血紅素含量比較高，肌肉也儲存更多用來燃燒脂肪的酵素。牠們通常每晚出現，而不是整個春季偶爾露個臉。

繁殖後代的必要條件

她做出選擇，主動接近雄蛙，拍拍牠。在連串肢體動作後，雄蛙爬上她背部，前腿緊抱她頸子。雌蛙划過水面，把胡椒粒大小的卵黏附在水中的植被上，再以背上雄蛙的精子為每一顆卵子授精。

大多數蛙類把成團的卵堆在一起，春雨樹蛙卻不然，牠們一顆一顆安置，或許是為了避免被掠食者找到、一口氣吃光。將受精卵安置好以後，雌蛙和雄蛙轉身離開，放任受精卵自生自滅。

蝌蚪從父母身上得到的，只有卵黃的營養素和ＤＮＡ。雌蛙偏好極高速叫聲，可以讓她的基因跟強健雄蛙的基因結合，對她的後代有實質好處。短期內她自己也可能得到好處，也就是避免生病的雄蛙趴在她背上時把疾病傳染給她。

整個繁殖季當中，雌春雨樹蛙的產卵量高達上千枚。她消耗自己辛苦儲存的脂肪和營養素，給每一顆卵留下一份卵黃。早春食物匱乏，所以這些東西是在昆蟲繁多的溫暖秋天儲存下來的。

卵黃提供胚胎發育和蝌蚪孵化時所需的營養素。雄蛙的鳴叫也勞神費力，既消耗牠儲存的能量，也容易被掠食者察覺。牠的付出沒有為下一代提供食物或其他實質好處，卻讓雄蛙與雌蛙之間的溝通多了點真誠。

只有健康雄蛙的鳴叫能響亮、快速又持久。任何雄蛙都能輕鬆鳴叫，但這樣的叫聲音不會隱含有關體格與狀態的可靠訊息。

既然鳴叫的成本如此高昂，那麼春雨樹蛙的叫聲必然攜帶有價值的資訊。雌蛙利用聲音挑選配偶，藉此確保她選中的雄蛙的基因品質對她的後代有利。由於鳴叫附帶成本，雌蛙的偏好和雄蛙的鳴聲因此成為春雨樹蛙繁殖活動的核心。

這並非成本影響演化的一貫模式。春雨樹蛙身體（從趾端的吸盤到捕捉昆蟲的黏性舌頭）的構造沒有浪費能量和原料。但對於牠們的叫聲，成本卻是信號功能的關鍵。少了這些成本，整個溝通網絡就會瓦解。

那麼，鳴叫的成本有兩個相對的影響。對於行動緩慢又欠缺防衛力的物種，發出響亮聲響可能是自取滅亡。不管那聲音能傳遞多少有關鳴唱者的健康資訊，這樣的成本對所有聲音傳訊系統都太高昂。

但如果是能跳躍或飛離危險的物種，發聲的成本確保聲音有意義，因此受到演化偏愛。演化賦予春雨樹蛙的信號不至於極端到為牠們招致死亡，卻會讓春雨樹蛙費勁展現自身的活力。

——本文摘自《傾聽地球之聲》，2022 年 11 月，商周出版，未經同意請勿轉載。

人類培育下，如今狗狗們有眾多「品種（breed）」，它們其實仍然屬於同一個物種，只是體形、外觀等特徵差異明顯。不同狗狗和人一樣有個性差異，屬於同一品種的不同個體，也會有類似的行為、個性嗎？

上述問題需要不少資料與交叉比對的分析，才有機會回答。於 2022 年發表，花費多年搜集材料的論文報告，狗的行為確實與遺傳有關，但是同一品種狗的行為並不一致。例如拉布拉多和拉布拉多不同，邊境牧羊犬和邊境牧羊犬不同，拉布拉多和邊境牧羊犬卻可能相同……^{[參考資料 1, 2, 3]}

寵物狗的公民科學

成為馴化動物超過一萬年來，狗狗們千變萬化，過往研究證實很多外貌與型態特徵可以遺傳，例如毛色、體型、藍眼睛。但是對於行為方面的了解比較少，而且想來也更難研究，畢竟行為不像顏色、尺寸那樣能直接識別與量化。

• 延伸閱讀：狗與狼的遺傳調色盤——怎麼調配黃狗、棕狗，還是黑狗？

若想釐清狗狗的行為，和遺傳、品種的關係，需要搜集很多品種，每一品種都包括多位個體，以及牠們的基因組定序，再加上大批各種特徵的紀錄，才能獲得比較可靠的答案。

任何研究團隊光靠自己，都不可能取得如此龐大的資料量。研究者們成立「達爾文方舟（Darwin’s Ark）」網站，算是公民科學的應用，邀請許多飼主各自上傳狗狗的資訊，從中進一步分析（大部分參與者應該是美國人和美國狗）。

這項研究採用的資料包括來自 18385 狗的資訊，大約一半是「比較純的品種狗」；又從其中 2155 狗取得遺傳訊息，純種狗、混種狗都有。根據人為定義，全部共有 128 款品種。

個體×遺傳×品種：相關性與相關性

論文做了一大堆統計學分析，基本上是這種關聯性分析、那種關聯性分析、這種關聯性和那種關聯性的關聯性分析，層層疊疊，一定很合統計魔人的胃口。有興趣的讀者請自行觀摩體驗，我只講我的理解。

結合基因體學與關聯性分析，光是原理並不太難。基因組上每個 DNA 位置有 ATCG 四種可能，比方說某個位置，不同個體為 A 或 C，配備 A 的狗都親人、C 的狗都兇兇，那麼便能推測，A 變異與親近人類有所關聯，C 變異的效果相反。

實際狀況卻複雜很多。例如配備 A 的狗有 70% 親人、C 的狗有 55% 兇兇，並非 100% 的狗都有影響。或是同一種行為，涉及多個遺傳變異，例如基因組上有 50 處位置影響親人、30 處影響兇人。反正就是有一大堆可能的組合與關聯性，樣本愈大、分項愈多，需要愈繁複的統計學分析。

要是鑽進論文的分析迷宮，恐怕很容易失掉方向，繞不出來，反而搞不懂問題是什麼，我們直接跳到外面。

外貌形態與內在行為，都受遺傳影響

一番分析後得知，不論體型、外觀等外在特徵，或是行為這類內在特徵，都與遺傳相關，只是不同特徵的程度有別，有些相關性非常高，有些沒那麼高。因此狗狗的行為，確實取決於相當的遺傳成分。

假如每款品種狗的個體們，彼此都表現共通的行為，那麼我們應該能看到：某個品種多半都展現某些行為，而不同品種間情慾交流的混血狗，也會獲得不同品種各有比重的行為。

實際上發現，某些行為確實和少數品種的關聯性比較高，但是多數行為似乎不分品種。江湖傳說中的兇狗不見得更容易兇，容易激動的品種也不一定激動。另一方面，不同品種的狗狗，也可能表現類似的行為。

所有狗狗一起考慮，總共偵測到基因組上 11 處位置（以及 136 處沒那麼確定），可能和行為有關。鍵盤分析它們影響的基因，大部分在腦部的表現較高。

還好沒有脫離想像，不然要是影響行為的基因在腸道大量表現，該怎麼解釋？！

• 延伸閱讀：小王子能馴服狐狸嗎？一場歷經近60年的銀狐馴化實驗

人擇結果：以貌取狗，不管內在

上述的分析方式，只能判斷遺傳與表現的關聯性，無法證實因果關係，不過還是能提供有意義的指引。

大量交叉比對得知，與行為有關的遺傳變異，在不同品種間缺乏明確的差異，這大概就是不同品種內，行為缺乏一致性的根本原因。相對地，和外型有關的某些 DNA 變異，在不同品種間差異明顯。

人類與狗相處的歷史超過一萬年，可是絕大部分品種狗的歷史並不久遠。早於 200 年前的狗狗，不是沒有人為選擇培育，卻著重在工作上的狩獵、守衛、駝獸等功能性特色。

要等到 160 年前，也就是 50 到 80 代以前的狗狗開始，人類才大量刻意創造出不同的品種，形成馬爾濟斯、拉布拉多、雪納瑞、貴賓狗、巴哥犬等多采多姿的品種狗。

或許有讀者認為，品種狗的行為之所以缺乏各自的特異性，是由於各品種經歷的時間太短，不足以產生差異，但是這是錯的。因為絕大部分品種狗的歷史雖短，人擇依然已經足以造成明顯的影響，反映在不同品種間，有別的毛色、體型等外觀特徵。

同一批分析指出，行為與型態一樣都可以遺傳，理論上也可以由人擇控制。然而，不同品種的狗狗，行為與個性依然有不少共通性，品種間卻缺乏明顯差異，品種內的不同個體並不一致。

根據這些資訊，我們似乎可以這麼說：近兩百年來的品種培育，人類更偏好挑選外在特色，以貌取狗，不那麼在乎狗狗內在的行為。

最後也提醒各位讀者，作為寵物飼養的品種狗，只是如今全世界龐大狗群的一小部分而已。眾多的狗狗們，有些是人類親近的伴侶，還有些順利融入各地的半野生或野生環境。然而，也有不少所謂的流浪狗，成為人類與自然生態系的禍患。養狗要有責任感，不要因衝動而養狗，養了就不要直接棄養。

延伸閱讀

• 哈士奇的藍眼睛，基因
• 怎麼調配黃狗、棕狗，或是黑狗？——狗與狼的遺傳調色盤
• 影響胰島素，讓小狗變成大狗的基因變異
• 短篇 狗消化澱粉的能力，在何時開始加強？
• 小王子能馴服狐狸嗎？一場歷經近60年的銀狐馴化實驗
• 天殺的月月！你的狼性呢？從 DNA 追尋狗勾起源！
• Genes unleashed: how the Victorians engineered our dogs

參考資料

1. Morrill, K., Hekman, J., Li, X., McClure, J., Logan, B., Goodman, L., … & Karlsson, E. K. (2022). Ancestry-inclusive dog genomics challenges popular breed stereotypes. Science, 376(6592)
2. Your dog’s breed doesn’t determine its personality, study suggests
3. Massive study of pet dogs shows breed does not predict behaviour

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。