洪堡的軼事或瀑布上的懸崖球－《從世界變得寂靜開始》

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

• 李玲玲／臺灣大學生態學與演化生物學研究所教授。

Take Home Message

• 《生物多樣性公約》（CBD）根據定期舉辦的締約方大會（COP）決定執行工作，以達成全球生物多樣性目標。
• 去（2022）年底的 COP 15 訂下新的策略計畫與目標，以接續COP 10未完成的工作。雖更全面和具體，但未來成敗仍取決於執行狀況。
• 臺灣過去在 CBD 的目標上有所貢獻，然而政府對 CBD 重視的程度仍不及國際公約，應繼續滾動修正並將生物多樣性納入主流。

任何關心生物多樣性現況與未來的讀者都需要了解《生物多樣性公約》（Convention on Biological Diversity, CBD）的內容與它的發展。這份在 1993 年正式生效、具有法律約束力的國際公約，目前有 196 個成員（締約方），它們共同承諾且致力於達成三項主要目標：保育生物多樣性、永續利用生物多樣性，以及公正合理分享由利用遺傳資源（genetic resources）^１所產生的惠益。

《生物多樣性公約》的運作

和其他國際性公約組織的運作方式類似，CBD 依據定期舉辦的締約方大會（Conference of Parties, COP）所通過的決定執行各項生物多樣性工作，並以大約每十年一期的間隔檢討生物多樣性工作的執行狀況，滾動修正下一個十年預計推動的整體策略計畫與目標。同時鼓勵締約方配合修正與執行各國的國家生物多樣性策略計畫（National Biodiversity Strategies and Action Plans, NBSAP），藉此協調眾國的努力以達成全球生物多樣性目標。因此每十年一次的策略規劃與目標設定都是一個里程碑，締約方需要檢視、累積過去成功與未能成功的經驗與教訓，調整步調使下一階段的執行成果能更接近理想目標。

例如 2002 年第六屆締約方大會（COP 6）通過了該公約的 2002～2010 年策略計畫和「2010生物多樣性目標」，預期到了 2010 年時能顯著減緩生物多樣性的流失速度，並在兩年後的COP 7通過了「2010生物多樣性目標」的 11 項具體目標與 21 項次目標。而在 2010 年的 COP 10 則在檢討「2010生物多樣性目標」的進展與缺失後，通過了「2011～2020年生物多樣性策略計畫與愛知生物多樣性目標」（以下簡稱愛知目標），設定出 20 項要在十年內達成的目標。

2020 年原本預計舉辦 COP 15 檢討執行成果、滾動修正，並提出 2021～2030 年的策略計畫與目標，但卻因嚴重特殊傳染性肺炎（COVID-19）疫情在全球升溫，策略計畫草案工作小組、各締約方與民間團體代表的會前協商討論無法順利進行，使得策略計畫草案的內容遲遲無法定案，最終就連 COP 15 也無法如期舉辦。會議時間不斷地延後，直到 2021 年才決定將 COP 15 分兩階段召開，第一階段的會議在 2021 年 10 月 11～15 日以線上與實體並行方式進行，重點是決定 CBD 的預算；第二階段的會議又因疫情經過兩次延宕，終於在去（2022）年 12 月 7～19 日完成實體會議。

有進展卻未達目標？過去的執行情況及COP 15 的新目標

檢視全球生物多樣性的狀況與檢討各期生物多樣性策略計畫與目標進展的主要依據是「全球生物多樣性展望」（Global Biodiversity Outlook, GBO），也就是 CBD 定期出版的報告。它總結了各方和各區域、國家新發布的生物多樣性研究與評估資料，呈現出全球生物多樣性的狀況與趨勢，並提出需要採取行動的綜合證據與建議，供CBD相關決策和制定新的策略計畫與目標參考。

2020 年出版的 GBO 5 指出，20 項愛知目標中有 10 項目標進展顯著，有六項目標可算部分實現，包括實行良好漁業管理的地區，海洋魚類族群豐度得以維持或恢復（目標6）；成功清除外來入侵種的島嶼數和鎖定優先處理的外來入侵種進入途徑以避免再度入侵的案例數增加（目標9）；2000～2020 年，陸域保護區面積從 10％ 增加到 15％，海洋保護區面積從約 3％ 增加到 7％ ，同時對生物多樣性具有特別重要意義區域的保護也從 29％ 增加到 44％ （目標 11）；《名古屋議定書》（Nagoya Protocol）^２已在至少87個國家和國際間充分運作（目標 16）；170個國家已根據《2011～2020年生物多樣性策略計畫》更新了 NBSAP （目標 17）；各界可獲得的生物多樣性資料和資訊大幅增加（目標 19）；透過國際資金流動使生物多樣性可用財務資源加倍（目標 20）。然而整體而言，全球生物多樣性仍在流失中，沒有任何一項愛知目標被完全實踐。

根據 GBO 5的總結及針對諸多未達標的分析所提出的改善建議，再經過多方的諮詢、協商、討論，甚至辯論，COP 15 終於通過了雖不能讓所有締約方滿意，卻勉強能接受的「昆明－蒙特婁全球生物多樣性框架」（Kunming-Montreal Global Biodiversity Framework, GBF）^３作為 2022～2030 年全球推動生物多樣性工作的依據。

GBF 的內容涵蓋了《 2050 年願景》和《 2030 年使命》，以及希望在 2030 年能夠實現的 23 項目標。這 23 項目標可歸類為：減少對生物多樣性的威脅（目標 1～8）、透過永續利用和惠益分享滿足人們的需求（目標 9～13）以及執行和使生物多樣性主流化的工具和解決方案（目標 14～23）。希望在未來十年（到 2030 年時）逐步減緩生物多樣性喪失的趨勢，並在往後的 20 年扭轉此一現象，改善生物多樣性、恢復自然生態系，以實現 2050 年「一個與自然和諧相處的世界」的願景。

根據長期觀察 CBD 發展的媒體分析：除延續愛知目標中尚待達成的目標外，GBF 比愛知目標更包容、更全面、具體，但也更複雜。特別是目標 2 和 3 比以前的目標更具企圖心，分別是到 2030 年前確保至少 30％的退化陸地、內陸水域、沿海和海洋生態系得到有效恢復（愛知目標是 15％ ）；以及透過保護區和其他有效的區域保護措施，有效保護 30％ 的陸地、內陸水域、沿海和海洋區域（愛知目標分別是陸域17％、海域 10％）。

而目標 12 增加城市地區藍綠空間面積並改善它們的品質與生態連通性；目標 15 要求大型跨國公司和金融機構對業務、供應和價值鏈及投資組合監測、評估和透明地披露風險、依賴性和對生物多樣性的影響，均是愛知目標沒有提到的項目；目標 19 則有更明確、量化的資源調動目標。此外，COP 15 還為了配合GBF通過相關的指標與監測架構、能力建構和發展的長期策略框架等決定，以及規劃、監測、報告和審查的機制，以利締約方執行。但無論 GBF 的內容如何，成敗仍取決於未來實際的執行狀況。

臺灣生物多樣性的目標與執行，跟得上國際公約嗎？

臺灣雖非 CBD 締約方，但行政院自 2001 年通過《生物多樣性推動方案》以來，相關單位皆持續追蹤 CBD 的進展，並檢視國內生物多樣性狀況，先後於 2007 年與 2015 年依據《 2010 生物多樣性目標》與愛知目標，滾動修正臺灣 NBSAP 的內容，並透過 22 部會共同執行，至今已有相當豐碩的成果^４。對大部分愛知目標的達成也都有所貢獻，包括減緩棲地流失（目標 5）、保護脆弱生態系（目標 10）、保存基因多樣性（目標 13）、更新 NBSAP（目標 17），以及累積、分享、應用生物多樣性資訊與知識（目標 19）等，其餘各項目標大都有程度不一的進展，唯有目標 16（遺傳資源的獲取與惠益分享立法）與目標 20（增加生物多樣性工作的預算比率）較無進展。

然而在國際間紛紛倡議加強保護自然以達成全球永續發展目標、氣候變遷減緩與調適、巴黎協定等目標的同時，臺灣政府對 CBD 重視的程度遠不及氣候變遷綱要公約。無論在國家永續發展目標、氣候變遷減緩調適、淨零排放、水資源管理、防減災等重要政策的推動上，生物多樣性可以扮演的角色與可以發揮的潛力卻嚴重被忽視。投入生物多樣性工作的人力與資源更遠不足氣候變遷相關事務，包括政府尚無具體的生物多樣性監測架構，也從未評估整體生態系服務，因此仍無法掌握生物多樣性與生態系服務變化的趨勢，以及變化趨勢對達成上述各項重要政策的影響。

因此在 GBF 定案後，臺灣除了需要繼續依據 GBF 滾動修正 NBSAP 的內容外，還需注意以下重點： 

1. 深刻了解維護與改善生物多樣性與生態系服務對於提升人類福祉、氣候變遷減緩與調適及達成永續發展目標的重要性，並將它主流化。也就是說，需改變公私部門以往「將生物多樣性只視為自然保育部門業務」的錯誤認知。在規劃和執行與永續發展目標、氣候變遷減緩調適、淨零排放、綠能、國土計畫、水資源、防減災等重要政策、策略、行動時，應納入維護、改善生物多樣性與生態系服務的思考，同時注意部門間縱向與橫向的協調整合，以及從中央政策規劃到地方落實執行的連貫性，以協調一致的方式推動生物多樣性相關工作。

2. 落實維護良好的生態系、恢復退化的生態系以逐步達成 CBD 2030 目標及 2050 年願景。「維護良好的生態系與恢復退化的生態系」是 GBF 目標 2 與 3 的重點，也是聯合國將 2021～2030 年定為生態系恢復十年、並鼓勵各國致力於恢復劣化生態系、增加自然資產與強化生態系服務，以提升人類福祉的目的。然而臺灣的農田、淺山、流域、海岸、海洋生態系仍持續劣化中，從中央到地方都輕忽生態系維護與恢復的重要性。此方面的工作應是後續 NBSAP 特別需要加強的工作。

3. 無論永續發展目標或是生物多樣性目標的達成，都需要政府和全社會進行必要的變革，包含確定生物多樣性與國家發展目標的關聯，將自然的價值內化，並依此規劃整合性策略、優先行動，盡快調整相關政策、法規、制度、組織，合理分配財務和其他資源，加強能力建設、研發適當的政策工具。

註解：

• ［註1］根據 CBD 第二條，遺傳資源是指具有實際或潛在價值的遺傳材料；遺傳材料則是指任何植物、動物、微生物或其他來源中含有遺傳功能的材料。
• ［註2］《名古屋議定書》的全名為「關於遺傳資源獲取與公平平等分享使用惠益的名古屋議定書」，是 CBD 的第二份議定書，目的在以公平合理的方式分享對遺傳資源的利用所帶來的惠益。
• ［註3］詳見閱讀 GBF 目標內容：https://www.toolskk.com/qrcode-scanner。
• ［註4］詳見閱讀「2020 生物多樣性國家報告」：https://reurl.cc/ZXQ1zV。

• 〈本文選自《科學月刊》2023 年 3 月號〉
• 科學月刊／在一個資訊不值錢的時代中，試圖緊握那知識餘溫外，也不忘科學事實和自由價值至上的科普雜誌。

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。

• 採訪撰文／寒波、簡克志
• 美術設計／蔡宛潔

臺灣「野生釀酒酵母」的多樣性研究

釀酒酵母，一種被人類廣泛利用的微生物，釀酒、做麵包都會用到，此外也被大量用於科學研究。可以說不論在食品或學術上，釀酒酵母早已進入你我的生活。然而，釀酒酵母除了人類常用菌株（strain）是來自原有已知的幾個馴化譜系（domesticated lineage）之外，其實還有非常多野生譜系不為人知。中央研究院「研之有物」專訪院內生物多樣性研究中心蔡怡陞副研究員，他與研究團隊尋覓臺灣野生的釀酒酵母，意外發現臺灣島的面積雖然相比之下較小，野生釀酒酵母的遺傳多樣性卻是世界最高！論文已於 2022 年 3 月 31 日發表於《基因組研究》（Genome Research）。

不管釀酒還是做麵包，都不可或缺的釀酒酵母

釀酒酵母的學名叫作 Saccharomyces cerevisiae（簡稱 S. cerevisiae），它在釀酒或烘焙等食品業中最具代表性，也是最常見的模式生物之一。釀酒酵母作為單細胞真核生物的代表，大量用於學術研究，蔡怡陞團隊的成果即是一例。

至於釀酒酵母的產業應用，例如常見的愛爾（Ale）與拉格（Lager）啤酒來說，前者發酵溫度在 20℃ 左右，菌株就是上述的 S. cerevisiae，味道較濃郁；後者的特色是低溫發酵 10℃ 左右，菌株是人類特別選殖的雜交品系（註 1），味道較清爽。

有趣的是，世界各地的人、歷史與文化也許有別，愛酒的心卻都一樣，歐洲培育出發酵啤酒的品系，日本也獨立馴化獲得釀造清酒的酵母菌。

除了釀酒之外，製作麵包也需要釀酒酵母，故 S. cerevisiae 也稱作麵包酵母。仰賴小規模手工業的古時候，麵包師都有自己的獨家酵母，師傅教徒弟時，傳承的不只技術，也包括酵母麵團。

邁入近代社會以後，各行各業都走向標準化，釀酒酵母也不例外。如今不同麵包師大都使用同一種量產酵母。

啤酒與麵包這些案例鮮活地說明，釀酒酵母深受人類影響，這也是大部分酵母菌演化研究關注的主題。

然而蔡怡陞實驗室則不同，他關心的對象是處於人類影響以外、還沒有被馴化的野生釀酒酵母們。這些野生釀酒酵母們和食品業常用的菌株是同一物種（species），學名都是 S. cerevisiae，但是為不同菌株（strain）。

由於釀酒酵母的產業運用和微觀機制探討已經相當成熟，但是人們對於釀酒酵母在生態中的角色依然所知有限，以前人們甚至懷疑過，真的有野生的釀酒酵母嗎？後來才知道不但有，而且多樣性還不小，與人類密切接觸的只是少數幾款。

那麼，蔡怡陞團隊是如何找出低調的臺灣野生釀酒酵母呢？

看不到卻無所不在：臺灣野生釀酒酵母的探尋之旅

蔡怡陞過去就對酵母菌相當有興趣，因為這是他在倫敦帝國學院就讀博士班的起家主題！當時他研究的是釀酒酵母最近的親戚 Saccharomyces paradoxus。

回到中研院後，他決定在臺灣再度開啟野生釀酒酵母的研究，與博士生李佳燁、助理劉育菁、柳韋安等人多年奮鬥後，有了出乎意料的發現！如今回首 6 年來的探索過程，並不容易。

要研究野生的釀酒酵母，第一步當然是去野外採集，可是人的眼睛看不見酵母菌，所以沒辦法用視覺辨識直接採樣，要把樣本帶回實驗室，初步處理後浸入培養液，等待兩個星期才能得知結果：釀酒酵母是否存在。

實驗室使用特製培養液，有利於釀酒酵母生長，不利其他微生物。理想上，即使釀酒酵母原本的存在感很低，也能在培養液中放大。

假如等待一段時間後，培養液長不出酵母菌， 也許是一開始就真的沒有，但是有沒有可能是因為採樣和培養時有缺失，害得酵母菌長不出來？或是釀酒酵母確實存在，卻由於數量太少而無法見到？

蔡怡陞回憶，開始這項計畫的第一年，幾乎一無所獲。根據歐洲與美洲的研究經驗，野生釀酒酵母常常於橡樹表面生長，橡樹屬於殼斗科植物，所以一開始多半以市區外圍森林，如殼斗科的樹皮為目標，卻不斷失敗。

後來往更廣的範圍採樣，並與生多中心研究人員鍾國芳、黃仁磐等實驗室合作，這才克服難關，順利從多種植物的果實、樹葉、樹幹、地面、甚至是地衣等來源獲得酵母菌，並且訝異地得知，釀酒酵母在臺灣的森林其實非常普遍。

蔡怡陞歸納出的模式是：臺灣野外森林中，釀酒酵母普遍存在，但是比例非常低，可謂低調卻無所不在。

如何歸納出以上結論呢？這要利用如今基因體學的新工具：總體基因體學（metagenomic）。原理是取得環境樣本後，直接定序其中所有 DNA 片段，或是所有物種都有的擴增子（amplicon），再與資料庫對照；如此一來，便能估計目標佔整體的比例，蔡怡陞團隊就是去估算釀酒酵母佔其生長環境中的比例。

從環境採樣培養出釀酒酵母以後，由中研院定序核心實驗室的呂美曄，回頭定序該樣本的擴增子，接著由蔡怡陞實驗室的林渝非分析。野外採集的樣本中，絕大部分是細菌，通常高達至少 99% 之多；剩下多半為真菌（和原生生物等等），其中只有極低比例是釀酒酵母，最多也只佔 0.012%。因此同樣是細菌、真菌等微生物，釀酒酵母的存在感是低於 1% 中的 0.012% 以下，換句話說，不超過百萬分之 12！

透過總體基因體學的分析，能夠量化釀酒酵母在天然環境下的存在感。蔡怡陞也強調培養液很重要，否則無法讓低調的酵母菌現形。抓到目標後就能分離酵母菌，培育建立新的菌株，並且經由團隊成員李昕翰、柯惠棉的定序、組裝獲得完整的基因組。藉此獲得一百多個臺灣各地的菌株及其遺傳訊息，用於進一步研究。

釀酒酵母的多樣性，臺灣竟然世界最複雜？

要了解蔡怡陞實驗室新論文的意義，必須先認識別人過去的研究。

2018 年就有研究者從世界各地收集超過一千個釀酒酵母品系，探討親緣關係。分析發現野生釀酒酵母們彼此的變化差異還不小，東亞的中國為最多變之處；將所有酵母菌擺在一起畫演化樹，中國採集到的品系能歸類到不同譜系（lineages），包括與同類最早分家，差異最大的譜系。

演化樹是一種建構親緣關係的工具，所有樣本中，兩個樣本假如有最近的共同祖先，通常遺傳上的差異也會愈少，便會被歸類到一塊；這一批和其次相近的另一批樣本們，又會被歸類到一群，就這樣一直向前回溯（見下圖），形成看似樹狀的關係。而這棵樹上愈早分離的譜系，也就代表差異愈大，愈早和其他樣本分家。

中國採集的釀酒酵母們，不但有些被歸類到較晚分家的不同群，幾個樣本更自成一群，形成最早分出的演化樹枝。這些證據有力地支持：中國是釀酒酵母的起源地。然而，案情並不單純！

將臺灣的一百多個菌株擺進演化樹，驚奇的事發生了！臺灣存在的釀酒酵母們，竟然也被歸類進各大譜系，並有新的譜系，這表示臺灣的釀酒酵母多樣性，和中國一樣高。而且還有一款進入之前於中國採集到，與同類最早分家的那一群。

驚奇之處在於，擺在全世界的尺度下看，臺灣只是一個很小的島，地處東亞大陸邊緣。中國面積龐大，釀酒酵母具備全世界最高的多樣性並不意外，也被認為很可能是發源地；可是小小的臺灣，竟然也存在一樣高的複雜度。

有沒有可能臺灣多變的品系，並非起源自當地，而是被人類無意間帶來的呢？應該不可能，因為根據遺傳差異估計，那些野生譜系們分家後衍生的年代，都早於人類在附近活動的時間；由此可以推論，目前的分佈狀況，非常可能是自然傳播的結果（或許是隨著殼斗科森林）。

所以我們可以說，臺灣是釀酒酵母最初的起源地嗎？不行。符合已知證據，比較合理的解釋是，釀酒酵母於東亞發跡，所以在東亞地區的遺傳多樣性也最高；而臺灣也包含於此一交流範圍之內，從最早的始祖開始，從古至今逐漸分家的釀酒酵母們，可能陸續，或是在同一段交流時期進入臺灣，一直低調默默生存到現在，仍保持原鄉的面貌。

然而，好的研究不只要知道有多少已知，更要知道還有多少未知。蔡怡陞提醒我們，目前研究有個盲區：東南亞地區的取樣仍十分有限。根據已知的樣本，最早與同類分家的酵母菌，它們的後裔位於中國和臺灣，故推論東亞地區是起源地。

可是取樣匱乏的東南亞，會不會住著更早分家前輩的後裔呢？這是目前無法回答的問題。

你我所不知道的小世界，野生釀酒酵母的生殖、生態學

總之根據現有的資訊，臺灣釀酒酵母的多樣性在同樣尺度下比較確實為世界最高。

大量取樣下還能觀察到，距離非常近的採集地點，竟然同時住著遺傳上差異很大，不同譜系的菌株（甚至在同一棵樹！）。相比之下，中國酵母的多樣性也高，但是分佈並不密集，相近的地理範圍內通常存在遺傳上類似的菌株。

不同研究的手法不同，這會不會是中國研究者採集較為稀疏，取樣方式導致的偏誤呢？蔡怡陞表示，的確無法排除前述可能性；但是他反而認為過去的採集方式，說不定都忽略了微生物近距離的分佈與多樣性，所以更需要反思過往認知微生物的生物地理關係。

不過他也認為中國的釀酒酵母確實住的比較分散；因此差異大的品系住在附近這回事，搞不好真的是臺灣特色，至少是率先在臺灣觀察到。

另一件有趣的發現是遺傳交流。釀酒酵母是單細胞真核生物，實驗室環境下可以無性生殖，自己複製自己；也可以隨時切換成有性生殖，和同類一起生寶寶。利用菌株間的遺傳差異，可以預測自然界的釀酒酵母，大部分時候採行無性生殖（這是蔡怡陞博士班時期努力的主題！）。

既然臺灣存在許多遺傳有別的野生品系，有時候又住的很近，它們之間會遺傳交流嗎？

比對基因組得知，會，不過不常見，大約每幾百到幾萬次無性生殖才有 1 次有性生殖。這證實蔡怡陞對酵母菌生殖的推論，替釀酒酵母生態學新添一分認識。

讓學術研究結合產業應用，找到野生釀酒酵母之後

有趣歸有趣，但是研究臺灣野生釀酒酵母有什麼意義呢？

從學術上來說，蔡怡陞指出，臺灣生態系複雜，本次透過基因體學手法得到量化證據，支持釀酒酵母這種微生物，在臺灣的多樣性很高。這項在臺灣採樣的本土研究，也大幅增進全世界對釀酒酵母的認識，並可更進一步開始探討釀酒酵母在自然界所扮演的角色。

從產業上來說，在蔡怡陞團隊的辛苦調查與記錄之後，未來我們是否可以期待廠商用臺灣在地的野生釀酒酵母做啤酒呢？

釀酒酵母是與人類互動最密切的微生物之一，但是人們對野生的釀酒酵母了解卻很有限，可謂無比熟悉的陌生人。蔡怡陞採集到眾多野生的菌株品系，不論學術研究或產業應用，都可能有進一步發展。

目前實驗室正在把這些菌株「帶」回實驗室，開始量化相關的表現型（phenotypes）。等到時機成熟，他歡迎各界合作，一起探索臺灣自然資源的潛力。

註解

1. 拉格啤酒採用的菌株是 Saccharomyces pastorianus，為 S. cerevisiae 及 S. eubayanus 兩者雜交而成。

參考資料

1. 蔡怡陞（2017）。〈多樣性決定味覺豐富度，釀酒酵母的「萬年傳統全新感受」〉，《環境資訊中心》。
2. Lee, T. J., Liu, Y.-C., Liu, W.-A., et al. (2022). Extensive sampling of Saccharomyces cerevisiae in Taiwan reveals ecology and evolution of predomesticated lineages. Genome Research.
3. Peter, J., De Chiara, M., Friedrich, A. et al. (2018). Genome evolution across 1,011 Saccharomyces cerevisiae isolates. Nature, 556, 339–344.
4. Duan, S. F., Han, P. J., Wang, Q. M. et al. (2018). The origin and adaptive evolution of domesticated populations of yeast from Far East Asia. Nat Commun, 9, 2690.
5. White, C., & Zainasheff, J. (2010). Yeast: The Practical Guide to Beer Fermentation. Brewers Publications.
6. Tsai, I. J., Bensasson, D., Burt, A., & Koufopanou, V. (2008). Population genomics of the wild yeast Saccharomyces paradoxus: Quantifying the life cycle. PNAS, 105(12), 4957–4962.