豆科植物如何保持不多不少的根瘤？

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

作者：何郁庭│國立中興大學森林系碩士畢業，現職計畫專任助理。

一個尋常午後，窗台邊突然傳來巨響。

原先以為是鳥撞上玻璃，走近一看，才發現是前幾天隨手採下木豆 (Cajanus cajan) 的莢果，因乾燥後開裂，發出巨大的爆裂聲。兩片木質果皮分別捲曲成螺旋狀，數顆木豆種子則彈射到各處，窗台前一片狼藉。

開裂的兩片果皮很堅韌，怎樣也沒辦法回復成打開前的樣子，這引起了我的好奇。我猜想，部分的豆科植物是不是利用莢果開裂，使種子「彈射」到更遠的地方，以利於種子在更遠的地方發芽呢？

為此，我開始搜尋一些跟「豆科」以及「種子傳播」有關的報告，發現一篇來自雨林生態期刊 (Journal of Tropical Ecology)的文獻，這個研究位於西非的加彭 (Gabon)，講述 Tetraberlinia moreliana 這種雨林中的喬木，如何讓光滑扁平的種子，從樹冠「彈射」到 50 公尺以外的沙地上。

T. moreliana 是豆科下甘豆亞科的大喬木，根據描述，樹高可以生長至 51 公尺，同時，它也是加彭地區雨林的「突出樹」，比週遭大多樹木來得更高，半圓形的樹冠遮住了週圍其他樹的樹冠。T. moreliana 的木質莢果生長於樹冠層並突出於樹冠，像一枝枝三角旗豎立。每個莢果內含 0-4 顆扁平盤狀的種子，而平均是 2 顆。

種子可以彈射多遠呢？

研究人員嘗試觀測 T. moreliana 的種子究竟能彈射多遠，因此設計了試驗：

首先，他們定義了「水平傳播距離」，也就是彈射落底的種子，到樹冠邊緣的最近水平距離。

然後，在莢果成熟的 12月至 2月期間，每日計算有多少種子彈射到預設的區域，以 50 公尺為界，由於密集的植被和起伏的地形，水平距離小於 50公尺的區域並沒有計算種子落下的數量。又因為觀測的地點是沙地地形，所以也毋須擔心種子落地後滾去很遠的地方。實驗之所以不計算所有彈射的種子，而僅僅計算 50 公尺之外的種子，其實是因為觀測地點的限制，使得研究人員無法計算所有的彈射種子數量。T. moreliana 是雨林中特別高聳的獨立樹，距離林緣 50 公尺，除了落在雨林外沙地的種子，剩下的皆會落進雨林中，而雨林有複雜的垂直結構，包含樹冠層、第二樹冠層、灌叢、地被、腐植質…等，除此之外，還有各種附生植物及藤蔓，要從雨林中找到觀測樹所有的種子，是非常困難的！

這個觀察共調查了 4 棵樹，經過 3個月的計算，研究人員記錄到最遠的彈射距離可達 61 公尺，而彈射距離取決於樹的高度。他們對其中一棵樹進行較詳細的觀察，根據莢果估算了總種子數，大約有 15,000- 20,000 顆種子，其中 1.5- 2% 的種子彈射距離超過 50 公尺。

此外，研究中也爬上樹將莢果採下，將果序插在沙地上，觀察開裂時種子彈射的角度和距離。18 顆種子中，距離最遠的可達 23.2 公尺，仰角則平均 17.3°。

研究人員試圖重建種子彈射的彈道，並繪製剖面圖。而這個預測的彈道有一些前提：

1. 起始點為樹冠外層
2. 沒有受到風及其他外力作用
3. 受到的空氣阻力與速度平方成正比
4. 接觸地面後便不再移動

依照以上前提而重建的軌跡，其起始點仰角為 21.2°，初始速度為 37.1公尺/秒，比前人研究沙盒樹 ( Hura crepitans) 彈射的起始速度 70 公尺/秒還要低得多。沙盒樹是大戟科的植物，彈射距離最遠紀錄是 41 公尺。

與沙盒樹同屬 Hura polyandra 果實爆開的畫面。（這邊是用暴力砸開）

生活中其他靠彈力傳播的種子與問題發想

毛毛蟲以會即將爆開的果實為食，會發生什麼事呢？

回想我們生活中常見的彈力傳播種子，不外乎兒時共同回憶的非洲鳳仙花、紫花酢漿草，除此之外，還有蕨類的孢子囊，彈射距離不外乎數十公分，然而 T. moreliana 卻能將種子傳遞到數十公尺之外，飛越其他樹木直至雨林的邊緣。

不過，有趣的是，若這是一個有效的傳播方式，又為什麼彈射距離超過 50 公尺的比例僅僅 2%呢？這個問題，並沒有在報告中得到明確解答。

再看看木豆，儘管原先的疑惑得到解答，卻隨之而來出現更多問題。木豆並非雨林中的突出樹，而是高 1- 2公尺的灌木，彈射的種子傳播策略，在原生育地有怎樣的優勢？此外，木豆的種子又能彈射多遠、速度多快？是否有方向性？這些問題，也許得自己設計實驗才能獲得解答了。

參考資料：

• Van Der Burgt, X. M. (1997). Explosive seed dispersal of the rainforest tree Tetraberlinia moreliana (Leguminosae–Caesalpinioideae) in Gabon. Journal of Tropical Ecology, 13(1), 145-151.

可別說你沒有在路邊看過它，是不是也曾心癢難耐的用手撥弄兩下，看著他緩緩收攏的模樣呢？你我都有經驗，含羞草（Mimosa pudica）的枝葉對機械碰觸非常敏感，甚至連當初林奈為他命名時，pudica 就是拉丁文中的害羞、瑟縮的意思。

但含羞草有趣的地方還多著呢，比如說他會氣噗噗地放屁。

許多植物在遭到取食者啃咬時會放出化合物來禦敵，不論是將自己變得難吃［註一］、具備毒性或刺激性、甚至是招來取食者的天敵，都是紀錄有數的例子。然而，這些案例大多數屬於被動防禦，也就是當植株組織受到破壞時才會啟動相關反應，原因很合理，畢竟沒事就拿把大刀揮舞嚷嚷是件挺累人、挺浪費能量的事。

過往科學家即發現，含羞草的根部會製造二硫化碳（carbon disulfide, CS2）來抑制某些真菌滋長，主動控制根際（rhizosphere）環境［1］［註二］。而在2015年，紐約阿伯尼大學（University at Albany）的拉比．穆沙（Rabi Musah）博士留意到這個主動釋放化學物質的現象，並進一步觀察到其在防禦用途的情況。

拉比的團隊經由質譜儀檢測發現，盡管含羞草平時便會主動釋放許多種有機硫化物，然而在受到機械型碰觸時，某些化合物的濃度會陡然升高，這些情況包含了人指直接碰觸、在土中拖動含羞草讓根部受到拉扯等等，其濃度甚至從原本無法被人體感知，提升到能以嗅覺察覺的程度。

更進一步的檢視發現，含羞草的機械敏感度（mechanosensitivity）竟然還具備選擇性。他們能辨別根部是遭受到了什麼類型的碰觸，因為當實驗者以玻璃、不鏽鋼等材質擾動根部時，相關的化合物濃度卻沒有顯著變化。不過目前尚未釐清含羞草這項辨識能力的相關機制。

那麼這些化合物是從何而來呢？有沒有可能是像洋蔥一樣，在組織破損受由細胞釋出？或者其實不是經由根部釋放，而是以根部感覺後經由葉子等其他組織釋放呢？抑或是與其共生的微生物製造所得？為了釐清這一點，團隊利用密閉環境、無菌培養以及洋菜膠分隔植株的根部與地上部（aerial parts），將環境、其他部位、微生物等因素排除，確認了這些有機硫化物的確是由根部主動釋放而出。

談到這裡就不禁令人好奇含羞草根部的結構了，團隊當然也透過顯微鏡檢視，發現在含羞草根部有許多微小的囊狀根瘤（sac-like root protuberances），且在釋放氣味前後有塌縮的情況，推論這些囊狀根瘤便是含羞草儲存、釋放硫化物的構造；生理分析也顯示，尚未碰觸前的囊狀根瘤含有較周圍組織高濃度的鉀、氯離子──恰恰是非常常見的生理調節成分，也不出所料，在碰觸反應後囊狀根瘤組織的鉀、氯離子濃度都顯著下降。

而拉比副教授本人是這麼陳述這個氣味的：「老天，他聞起來就像是有人放屁！」（OH MY goodness! It smells like someone has broken wind.）

截至目前，團隊確認起碼還有另外六種含羞草（Mimosa sp.）也有相同情形。而目前團隊正磨刀霍霍地檢視含羞草的近親──金合歡屬（Acacia)，並猜測植物或許比我們所設想的還要廣泛採用類似機制作為防禦系統。不過用途可能也不若我們所猜測是用來防禦取食者，愛丁堡大學（University of Edinburgh）的安東尼．特維瓦斯（Anthony Trewavas）教授就想，這搞不好是為了與其他植物一爭地盤，而聞起來臭臭的只是湊巧呢。

下次在路邊看到含羞草，不妨偷偷挽一小段聞聞看吧。

備註：
［註一］拙作介紹過番茄利用茉莉酸甲酯使得毛毛蟲自相殘殺的研究。
［註二］根際（rhizosphere），指圍繞根部表層受到該植物分泌物與相關微生物直接影響的土壤區域。

參考資料：

1. Feng, Z., Hartel, P. G., Roncadori, R. W., & Sung, S. J. (1998). Inhibition of fungal colonization on the rhizoplane of the CS2-producing plant, Mimosa pudica L. In Root Demographics and Their Efficiencies in Sustainable Agriculture, Grasslands and Forest Ecosystems (pp. 115-126). Springer Netherlands.
2. Musah, R. A., Lesiak, A. D., Maron, M. J., Cody, R. B., Edwards, D., Fowble, K. L., … & Long, M. C. (2015). Mechanosensitivity Below Ground: Touch-Sensitive Smell-Producing Roots in the” Shy Plant,” Mimosa pudica L. Plant physiology, pp-01705.

豆科（legume）植物能在缺乏氮素的土壤中生長，完全是依靠著他們能與根瘤菌（rhizobia）共生的本事；而人們也很早就發現，把豆科植物納入輪作系統，可以使土地保持肥沃。

中國在漢朝時已發展出精緻的三年輪作系統，由夏季種黍開始，接著是小麥，第二年春天收穫小麥後種下大豆，然後到第三年夏天種小米。如此循環三年，同時將土地分成三份，第一年夏天第一塊地種黍、第二塊地種小米、第三塊地種大豆….這樣田地的養分會因為有大豆加入輪作而不至於缺氮，而每年都可以有小米、黍、大豆、小麥可吃。 歐洲直到一千年後才發展出輪作，但是複雜的程度則遠遠不及漢朝。

對於豆科植物來說，雖然根瘤菌可以使他們得以在缺氮的土地上繁衍，但如果根瘤長太多，對植物本身也會造成負擔。所以，植物一定要有個方法來調節根瘤生長的量。

過去透過研究長太多根瘤的植物發現，在百脈根（Lotus japonicus，為豆科的模式植物）裡面有個類受體激酶（receptor-like kinase）HAR1，它負責接收來自根的信息。當根與根瘤菌建立共生關係之後，由根部分泌出CLE-RS1與CLE-RS2（RS是「根的信號」Root Signal的意思）兩個多肽並經由導管傳送到植物的莖與葉（shoot）；在莖與葉，由HAR1負責接收這兩個信號之後，然後莖與葉的細胞分泌一個化學物質來抑制更多的根瘤形成。

最近的研究發現，原來這個由莖與葉負責分泌的化學物質，應該就是細胞分裂素（cytokinin）。研究團隊發現，缺少HAR1的植物，只有細胞分裂素的分泌量顯著下降，而在過度表現CLE-RS1與CLE-RS2的植物中，細胞分裂素反而上昇；接下來更有意思的是，當植物被根瘤菌感染時，細胞分裂素也呈現上昇的趨勢。

於是研究團隊把缺少HAR1的植物用細胞分裂素處理，結果發現，原本缺少HAR1的植物會有非常多的根瘤，但是在使用細胞分裂素處理後，它的根瘤的數目甚至可以回到野生種的水平。

所以，豆科植物透過分泌細胞分裂素來抑制根瘤的產生；而細胞分裂素的分泌則有賴於HAR1的活化，而CLE-RS1與CLE-RS2（由根部分泌）可以活化HAR1。可以看到，植物透過層層嚴密的負回饋控制（negative feedback control）來調節根瘤產生的數目，使自己取得平衡，不至於因為產生太少根瘤造成氮不足，但也不會因為產生過多根瘤，使得養分分配錯置，影響生長。

參考文獻：

• T.R. Sinclair,C.J. Sinclair. (2010) Bread, Beer and the Seeds of Change：Agriculture’s Imprint on World History. ISBN：9781845937058
• Takema Sasaki, Takuya Suzaki, Takashi Soyano, Mikiko Kojima, Hitoshi Sakakibara & Masayoshi Kawaguchi. (2014) Shoot-derived cytokinins systemically regulate root nodulation. Nature Communications 5, Article number: 4983 doi:10.1038/ncomms5983

原刊載於作者部落格老葉的植物王國