人類祖先在一千萬年前就開始飲酒了？！

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

本文由 財政部國庫署 委託，泛科學企劃執行。

你注意到了嗎？在品酒時，品酒師不會一口乾，而是充分觀察、品嚐後才會下肚。這些動作可不是單純裝模作樣，而是有科學根據的。品酒有五個基本動作：觀察、搖晃、聞、啜飲與漱口、吞嚥，究竟我們的感官跟大腦是怎麼接收酒的訊號呢？

從最簡單的「嗅覺」開始，酒杯湊近口鼻、進入口腔，我們可以聞到「外部」和「內部」的香氣。外部指的就是用鼻子聞到的香氣，是先穿越鼻孔到達嗅上皮組織，形成我們所熟悉的正鼻嗅覺。而內部呢？那些已經在我們嘴巴裡的酒液，會走鼻咽和後鼻孔這條路，最終到達嗅覺粘膜。即使這口酒已經被喝下去，只要輕輕呼口氣，也依然能「聞」到酒味。

另外，口鼻之間的通道，也就是鼻咽，在吞嚥的過程中會關閉，所以在吞嚥時會有一種「味道好像弱掉了」的錯覺，但其實只是你暫時無法靠鼻間的任何通道呼吸而已。這也是為什麼品酒師會要把酒液含在嘴巴裡漱口，甚至還會打開嘴巴吸一口氣。

緊接在嗅覺之後的「味覺」，則是重頭戲！食物進到嘴巴，溶解在唾液中，啟動了味覺受器。人類可以透過味蕾的受器感受到「鹹、酸、苦、甜、鮮」五種味道。不過，也有部分的人不喜歡酒的原因，正是因為味覺。美國賓州大學農學院過去研究發現，人體中的苦味受體來自基因 TAS2R13 和 TAS2R38，辣椒素受體則來自基因 TRPV1。因此不同的基因表現，影響著人們對這兩種味道的感受，也決定了他們的攝取喜好。

講完了嗅覺和味覺，別忘了品酒前的「觀察」。事實上，人們對風味的知覺基礎，來自多重感官的整合。當我們在觀看一杯酒的色澤和濁度時，大腦已經在默默「品嚐」它了。就像是望梅止渴、看到好吃的大餐肚子就先餓了起來。

除上述提到的「身體」感官，其實喝酒的時段、溫度、聲音、順序也會影響我們「心裡」的感受。但話說回來，在品酒前，最重要的應是選擇安全以及衛生的酒品來源，就是要慎選合法的販售業者，並挑選標示內容清晰、完整的酒品。

財政部自 2003 年起委託專業執行機構共同推動「優質酒類認證」制度，從原料、製程、品管、後續追蹤等層層把關，最後通過優質酒類認證技術委員會審查的酒品，才能被授予使用 Ｗ 字型認證標誌。因此，選購有 W 認證標誌的優質酒品，可以讓我們在品飲時更加安心！

 資料來源：財政部國庫署 廣告

廷貝亨是在某個意外情況下偶然發現「超常刺激」概念的。

當時，他在荷蘭實驗室研究有著亮紅色腹部的公刺魚：即使養在水族缸裡，公刺魚依然保有領域行為，會攻擊其他侵入領域的公刺魚。

顏色鮮豔的「超常刺激」實驗

為了研究這種行為，廷貝亨和他的學生利用鐵絲操作死魚，接近守護領域的公刺魚；為方便操作，他們改用木假魚，結果沒多久就發現原來是公魚腹部的紅顏色會誘發攻擊行為——就算假魚再怎麼逼真，只要它的腹部不是紅色的，公刺魚似乎便完全不在意，但牠們會攻擊所有底部為紅色的物體，即使長得再不像魚也照樣攻擊不誤；養在窗邊的公刺魚就連看見路上駛過的紅色廂型車也會起反應。最重要的是，廷貝亨注意到：如果假魚身上的紅色比真魚更耀眼，公刺魚會無視真魚、攻擊假魚。

顏色鮮豔的假魚即為「超常刺激」，也就是比所有自然刺激更能強烈激發動物反應的人為刺激。廷貝亨發現，要製造這類刺激其實不難：譬如，習慣撿「流浪蛋」回家的鵝媽媽會為了把體積碩大的排球滾回家，而對自己生的一窩蛋置之不理。

如果綁在木棍上的假鳥嘴有著比親鳥嘴喙更鮮明的記號，剛孵化的雛鳥也會無視自己的爸媽，轉而向假鳥嘴索討食物。廷貝亨發現，放諸整個動物界，任何一個為了增強吸引力而刻意設計的人為刺激，似乎都能改變並控制動物的本能行為——這也是加工食品製造商、香菸產業、違禁藥藥頭們、還有那些供應類鴉片藥物的大藥廠對「顧客」所做的勾當。

透過加工讓使用者更容易成癮

最易成癮的物質或行為活動都屬於超常刺激。正如同超常刺激對刺魚世界的影響，它們也會擾亂人類世界的自然平衡。比方說，最容易使人上癮的藥物其實都源自植物，只是它們被精煉成高濃度，意即透過加工製成更強效、使主成份能更快被吸收並進入血液循環的產品。^[1]

各位不妨再想想古柯葉（coca leaf）：若是放在口中嚼嚼或煮成茶汁，它只會產生輕微刺激，成癮性也不強；若是精煉成古柯鹼或「快克」，不只吸收速度變快，成癮性也會大幅提高。同樣的，如果罌粟花是人類取得類鴉片物質的唯一途徑，大概也就不會有嗎啡濫用的問題了。

香菸的情況也差不多。由於人類將採集來的菸草加工製成能以「菸氣」的形式抽吸，又加入數百種能增添香氣與風味、且令其能更快進入肺部的添加物，結果做出「香菸」這種明顯比未加工菸草葉更容易使人上癮的菸草產品。

酒也是加工品。如果我們在店裡買不到伏特加，只能靠馬鈴薯自然腐爛發酵的方式取得，或許也就不會有這麼多酒鬼了。

現今的肥胖問題也屬於超常刺激

現代社會的肥胖問題同樣源自超常刺激，食品科學界稱這類食品為「超可口食品」（hyperpalatable food）。為了避免營養不良，演化讓大腦偏好熱量密度高、像是漿果或肉類這種含糖量高或高油脂的食物；不過這種食物在自然界相對不易取得，故肥胖在古代並不常見。

工業時代以前，人類主要以榖類和富含蛋白質的未加工食物維生，再加上這類食物鹽分不高，因此肥胖問題依舊罕見。

然而，近數十年來，加工食品製造商學會利用類似藥頭製造成癮性藥物的手法，改變食物風味——他們一發現人類酬賞系統會對哪些物質起反應，就馬上把這些物質變成非自然、能更快進入血液循環的高濃度型態。於是，含有這類物質的食品就像違禁藥一樣，憑藉其高濃度和快速吸收的特性，增強酬賞系統反應。

今天，食品公司每年投入數百萬美元研究如何開發超可口食品——業界稱為「食品最適化研究」（food optimization）。

某位哈佛出身、從事食品研發的實驗心理學家表示：

「我做過披薩最適化，也改良過沙拉調料和椒鹽餅乾風味。我可以說是改變這個領域遊戲規則的人。」^[2]

這群食品改良員之所以能改變遊戲規則，理由是超可口食品會干擾人類的自然傾向，就像排球對母鵝母性直覺、或假鳥嘴對雛鳥餵食的超常影響。於是乎，人類對這類最適化食品的渴望程度會遠大於愉悅感激發的需要程度。

成為良好的消費者，做出對的選擇

光是在美國，每年大約有三十萬人死於肥胖問題。^[3]由於這種情況就像溫水煮青蛙一樣，並非突然發生，而是漸進使然，導致我們意識到問題時多半已經來不及了——容易取得並導致濫用的藥物和突飛猛進的商業食品加工技術，雙雙愚弄了人類的情緒酬賞系統。

儘管科學能闡釋食品使人上癮的機制，但留心警訊、避免被操縱導致肥胖，仍需仰賴消費者本身的自覺，方能達成。

喜歡和欲求系統的設計與機制、還有發現這些機制的故事，無一不教人驚歎。一旦明白酬賞系統在分子層次的運作方式，有些人便學會以之牟利，譬如利用生化機制操縱人類行為的菸草、食品及藥品製造商（違禁藥頭和某些大藥廠皆然）。

你我都是教育良好的消費者，既然已知他們的所作所為，我們更應該運用知識，做出更好、更健康的選擇，見招拆招。

1. Gearhardt et al., “Addiction Potential of Hyperpalatable Foods.”
2. Moss, “Extraordinary Science of Addictive Junk Food.”
3. K. M. Flegal et al., “Estimating Deaths Attributable to Obesity in the United States,” American Journal of Public Health 94 (2004): 1486–89.

——本文摘自《情緒的三把鑰匙：情緒的面貌、情緒的力量、情緒的管理－情緒如何影響思考決策？》，2022 年 8 月，網路與書出版，未經同意請勿轉載。

在現代人的生活中，不管是應酬、開趴、療傷似乎都離不開酒精，而人類又是從何時開始喝酒呢？根據一篇發表在《美國國家科學院院刊》（Proceedings of the National Academy of Sciences of the United States of America，PNAS）的研究論文，我們的祖先大概在一千萬年前就開始飲酒了，這比人類懂得釀酒的時間還要早得多！

關於人類祖先什麼時候開始接觸乙醇，有兩種說法，一種說法是，大概在九千年前，當人類發展出農業，並且有其他足夠的食物來釀酒時，酒類才出現在人類日常飲食中；另一種說法是，早在八千萬年前，靈長類就因為吃了腐爛水果而接觸到其自然發酵的酒精。目前新的研究結果較偏向後者。

為了瞭解人類身體何時演化出分解酒精的能力，研究人員選定了ADH4（alcohol dehydrogenase 4）基因作為研究對象，ADH4是一種酶（又稱酵素），它能代謝乙醇等多種醇類，主要分布在靈長類的胃、喉嚨及舌頭，是酒一入口後首先遇到的酶之一。

他們針對28種不同的哺乳動物（包括17種靈長類）的ADH4，分析這28種哺乳類的祖譜，研究他們的祖先是否為近親而又是在什麼時候分道揚鑣，他們總共研究了約7000萬年的靈長類進化史，並以此推估ADH4如何演化，而過去這些祖先的ADH4基因又是什麼樣態。

此研究的主要作者卡里根（Carrigan）是聖達菲學院（Santa Fe College）的古遺傳學家，他和他的同事從這28種哺乳類中取出ADH4，連著他們模擬的祖先基因放入細菌中以轉譯基因並製造ADH4，然後測試這些細菌分解乙醇及其他醇類的效果，卡里根：「我們無法從化石觀察此基因變化的過程，便以細菌去模擬，是一種全新的方法。」。

而結果發現在一千萬年前這個酶發生了基因突變，使人類祖先分解酒精的能力大增，「那時發現這個基因的差異帶來如此巨大改變讓真的讓我很驚訝。」卡里根表示。研究人員也指出這個突變發生的時間點正好與人類祖先從樹上轉移到地面生活的時間一樣，讓人類祖先得以在食物匱乏時消化掉到地面的腐爛水果維生。

「我想酒精是次要選擇」卡里根表示「若有正常水果跟腐爛水果讓他們選擇，他們還是會選擇正常新鮮的那一個，縱使當時的人類祖先能夠吸收腐爛水果，不代表他們能代謝良好，吸收少量酒精或許有某些益處，但過量的話就另當別論了。」

對現代人來說，適量的飲酒對身體有益，但過量勢必造成身體的負擔，科學家們認為，飲酒對人類帶來的問題（如心臟疾病、肝臟疾病及心理疾病等）是因為人類基因還沒演化到能充分代謝酒精，同樣的，人類基因也還未能負擔大量的糖、鹽及脂肪，因此帶來糖尿病、高血壓等健康問題。

關於人類接觸酒精的歷史，此研究只是第一步，在未來卡里根及他的同事希望研究過去地上腐爛水果中的酒精含量可能是多少，而大猩猩是否會因為水果中酒精含量不同而有所偏好。「同時，我們也想研究其他參與酒精代謝的酶是否也與ADH4在同一時間演化」卡里根表示。

參考資料：

• Origins of Human Alcohol Consumption Revealed. Livescience[12.01.14]
• Matthew A. Carrigan;Oleg Uryasev;Carole B. Frye;Blair L. Eckman;Candace R. Myers;Thomas D. Hurley;Steven A. Benner. (2014) Hominids adapted to metabolize ethanol long before human-directed fermentation.Proceedings of the National Academy of Sciences of the United States of America.