0

0
0

文字

分享

0
0
0

自己的國家自己救,自己的流浪動物族群自己模擬

YTLai_96
・2015/01/01 ・6506字 ・閱讀時間約 13 分鐘 ・SR值 455 ・五年級

-----廣告,請繼續往下閱讀-----

之前在PanSci上的這一篇文章,介紹了用電腦模型模擬流浪動物族群變化的研究及其結果。

研究結果顯示,如果一個流浪動物族群沒有移入(可以等同於棄養)的個體進來,那麼捕捉移除要做到50%以上的強度(也就是每年要抓掉一半以上),才可能讓動物數量在25年後有明顯下降,但依然永遠不會消失。而如果有移入(棄養)個體,在每年不過是10%族群量的移入(棄養)個體狀況下,那就得要做到75%以上的捕捉移除,才能讓動物數量才可能讓動物數量在25年後有明顯下降,但依然不會消失。

至於TNR的效果,在沒有移入(棄養)的狀況下是跟捕捉移除差不多的。也是要做到每年50%以上的強度,才能夠讓流浪動物數量在25年後明顯下降。但是一旦有移入(棄養)個體,即使是每年10%族群量左右而已,TNR就沒有辦法讓流浪動物數量下降了。

但我越想,覺得這個模型有個不太對勁的地方:那就是以「比例」的角度來設定處理強度。

-----廣告,請繼續往下閱讀-----

以捕捉移除為例,捕捉移除的強度為25%的時候,就表示每年要抓走25%的動物個體。今年動物數量是500隻就抓125隻,如果今年動物數量只剩200隻那就抓50隻。以TNR為例也一樣,就是把「今年還沒有結紮的個體」的25%(假設這是處理強度)抓去結紮,無論動物數量是一開始的500隻都還沒結紮,還是到後來整群裡面只剩下200隻的未結紮個體。這樣的「比例」處理原則,使得「處理手段」與「流浪動物的生育率」最後會達成平衡。於是,即使是75%的處理手段,都只能在25年後將流浪動物數量維持在一個水準,而不能完全消滅流浪動物。

說真的,現實生活中誰會這樣「照比例」做事情啊??

一般狀況下的做法,應該都是在時間、空間、經費與人力的限制下盡可能的去處理最多數量的流浪動物,所以每年處理的流浪動物數量應該是個固定數量(例如每年捕捉結紮送養三千隻)。當流浪動物很少的時候,大家當然是做到沒動物可以做為止,幾乎不可能會『酌情減少處理數量』。但是像台灣現況這種流浪動物很多的時候,要跟著增加處理數量也實在很難,大概也只能徒呼負負力有未逮而已。

總之,模型裡面以『比例』來做為處理強度,是一個不太貼近現實的瑕疵。現實生活中的做法,應該是個『現有財力物力精力所能做到的最大數量』的定數才對

-----廣告,請繼續往下閱讀-----

同樣的,研究模型裡面也是以「比例」方式來模擬移入個體。這一點如果是拿來模擬「移入」還說得過去,但是如果拿來模擬「棄養」的狀況就有點失真了。畢竟,要棄養的飼主哪會管你族群是不是已經滿了啊?不負責任的飼主就是有那麼多,每年會丟出來的棄養動物我覺得也應該是個固定數量才對。如果要拿來模擬台灣的狀況,因為我們四面環海,若說要有移入的流浪動物,只可能是從家裡被丟出來的個體。於是,棄養個體的數量當然也不會跟『現有流浪動物族群多寡』有關,而也應該是個定數。

也因此,我決定把這個模型修改一下,改成模擬「固定數量」作為處理方式,以及在不同「固定棄養數量」的狀況下會出現的結果。而我的目標,當然是想要知道在什麼樣的處理強度下,可以讓流浪動物族群迅速衰亡。同時也可以評估一下,這樣的處理強度,在現實狀況下有沒有可能達成。

c.c. by rudresh_calls in Flickr
c.c. by rudresh_calls in Flickr

不過很不幸,我根本不會寫程式,對於研究裡面用的那個軟體也是毫無概念。但既然這麼模型只不過是把生育率死亡率還有密度相關因子包含進去計算出動物數量,那其實用EXCEL也是可以模擬的,只不過沒有辦法讓生育率和死亡率在一定範圍內浮動罷了,但還是極具參考價值跟模擬意義。

在焚膏繼晷夙夜匪懈費盡千辛萬苦捻斷數百根頭髮抓破幾處頭皮之後,這就是我用excel生出來的模型(點我下載)

-----廣告,請繼續往下閱讀-----

由於這一篇文章頗長,我就先把結論說清楚:

從結果看來我們可以發現,在降低流浪動物數量上,如果以「固定數量」作為處理方式,的確會比「固定比例」來得更有效。固定比例的處理方式永遠無法讓流浪動物消失,因為處理強度最後會和補償的生育率達成平衡;反之,固定數量的處理方式的確可以讓流浪動物消失。每年的捕捉移除如果都能夠做到一開始族群的一半數量,那麼流浪動物就會在十三年內消失,就算強度降低,每年捕捉移除一開始族群數量的二成五,只要可以針對單一性別的動物,也是可以讓族群在十多年內消失。若是採用TNR的話,每年如果都能夠做到一開始族群的一半數量,流浪動物也會在十年內消失,就算強度降低,每年TNR一開始族群數量的二成五,只要可以針對單一性別的動物,也是可以讓族群在十多年內消失。但是,一旦有了棄養,即使每年的棄養率只是初始族群的5%,定數處理每年捕捉移除原始族群的一半數量也只能降低動物數量但永遠無法消失,最好的狀況是把這每年的固定處理量都用在雌性身上,雖然不能完全消滅族群,但至少還有明顯的改善。如果是每年定數TNR原始族群的一半數量流浪動物的數量也是只能降低但永遠無法消失,而且就算是把這每年的固定處理量針對雌性結紮,結果也不會更好。

結論說完了,如果你還有興致的話,那我們就來玩一玩,模擬一下吧。

投影片1

首先,模型的設定就如同paper裡面的一樣,我都寫在excel表格裡面了。然後大家可以根據待處理(或想像中)的流浪動物族群現況,自己設定「初始未結紮雌性」、「初始未結紮雄性」、「族群最大承載量」、「年後代量」、「年雌性死亡率」、「年雄性死亡率」這些參數。有了這些參數以後,每一年的動物數量,也就是根據paper的模型計算而得。

-----廣告,請繼續往下閱讀-----

然後,處理方式也包含了「捕捉移除」「TNR」兩種,而且可以選擇使用跟paper一樣的「照比例處理」,或者是我覺得比較貼近現實的「固定數量處理」。無論你要單獨使用捕捉移除或TNR,或是想要兩者混用都沒問題。最後,模型裡當然也包含「移入」,更加入了「棄養」的因子。如果你想要模擬一個鄉鎮的流浪動物狀況,那麼就在移入率的格子裡填上你想測試的比率,這樣就是依照原本paper模型的設定,採用「按每年族群尚有缺額比例移入」的方式來計算。但如果你要模擬的是個小島或是整個台灣這種不會有流浪動物從外面移入的環境,那我建議就直接在「棄養」的格子裡輸入數字就好。這模型的設定是一跑四十年然後作圖,所以我們可以清楚看到在你自己的設定的各項參數、處理方式和強度、以及移入與棄養狀況底下,整個動物數量的變化。當然,我們並不希望流浪動物問題得要搞上四十年,我自己是把目標放在哪些處理方式和強度,可以讓流浪動物族群在五年內顯著下降、十多年內完全消失這樣。

模型還很貼心的幫你計算出這四十年來用你所設定的處理方式得要處理掉多少動物,這樣方便我們評估要花多少錢、心力、空間、時間、或是有些人最在乎的–要造多少殺業。

那我們開始模擬吧。
c.c. by Rachid H in Flickr
c.c. by Rachid H in Flickr

如果有個地方有6000隻流浪動物,未結紮雄雌性各半,該處族群承載量為7000(通常族群承載量都不會比既有的動物數量多到哪去),每隻雌性的年後代量為3.075(paper提供的流浪貓數據),雌性年死亡率為0.15,雄性為0.45。

先假設這個族群沒有移入&棄養的個體。

-----廣告,請繼續往下閱讀-----

投影片1

按照前一篇文章中的做法,每年照比例捕捉移除五成,雌雄各半,結果就是動物數量只會往下跌三年,然後就跟增加的生育率達成平衡,並且一路維持在4000隻不動如山。所以,要想把流浪動物族群消滅,照比例處理的做法就算做到了五成還是個失敗。(想想也該失敗,族群變小了應該要繼續努力啊,怎麼可能就從每年處理3000隻「照比例」的減少為每年處理2000隻呢?難怪會失敗)

好,現在我們改成用TNR當作處理方式,其他設定照舊,也依然是個沒有移入&棄養的族群。

投影片2

按照paper的做法,每年照比例把未結紮的雄雌性各TNR一半,結果就是動物數量只會漸漸往下跌十年,然後就跟增加的生育率達成平衡,並且一路維持在4000多隻不動如山,比捕捉移除的效果還爛,唯一可以說嘴的是總處理量只有25400,比起同樣強度的照比例捕捉移除要處理的83000隻是好的多了。所以,要想把流浪動物族群消滅,照比例處理的做法就算TNR做到了五成還是個失敗。

以上兩個用EXCEL模型模擬出來的結果,跟paper裡面的結果是吻合的,這表示了我們的模型應該是可信的。

-----廣告,請繼續往下閱讀-----

好,那如果是定數處理,每年捕捉移除3000隻,也就是雄雌各1500隻呢?

投影片3

你可以看到,到了第三年族群就狂崩到2500左右,然後在第九年的時候又崩了一次,到第十三年這個族群就消失了。因為在十三年之後就沒有動物可以處理,所以模型所謂的40年總處理數=31500,也就是在十三年之內捕捉移除掉的數量。本來只有六千隻,抓了又生生了又抓,累積起來就是這麼多。所以,想要把流浪動物族群消滅,定數處理每年做到一開始的五成,十三年後就成功。

現在,假設我們沒那麼多金錢心力,得把處理強度降低。如果每年固定捕捉移除雌雄各750隻的話,族群數量會維持在5000多上下,實在是沒什麼用。而且,其實也跟按比例每年處理25%的動物(也就是第一年雌雄各750隻)的結果一樣,動物數量會穩定維持在5000隻左右,對族群幾乎沒有影響。

投影片4

但是,如果把這1500隻的處理量通通針對雌性,那麼族群就會在11年左右完全消失,若是實際狀況則大概是七八年吧(因為雌性在第四年就抓光了,剩下的雄性就只能等著老死),總處理量為6000。若是1500隻處理量都是針對雄性,那麼族群則要到四十年左右才會消失,實際狀況大概是十多年(因為雄性在第五年被抓光,剩下的雌性要全部老死會稍微久一點,因為雌性通常活比較久),總處理量7500稍微差一點,但重點是動物數量會在前五年沒有明顯下降且有劇烈波動。所以如果只有每年1500隻的處理能耐,顯然通通投入到雌性上會比較好。

-----廣告,請繼續往下閱讀-----

投影片5

前面採用的是每年定數捕捉移除的方式,結果已經很不錯了。那如果是每年定數TNR3000隻,也就是雄雌各1500隻呢?

投影片6

你可以看到,到了第五年族群就開始顯著下降,漸漸到三十年的時候這個族群就消失了。下拉表格可以發現,到第三年其實就把所有動物紮光,所以實際狀況應該會在十年內讓所有的個體都自然老死。總處理數=7500,非常之少。所以,想要把流浪動物族群消滅,每年定數TNR處理做到一開始的五成數量,十年內就可以成功,而且動物處理量比起捕捉移除少得多。

現在,同樣假設我們沒那麼多金錢心力,得把處理強度降低。如果是按比例每年TNR25%的動物(也就是第一年雌雄各750隻)的話,對族群就幾乎沒有影響,動物數量會穩定維持在5400隻左右。但是,如果改成每年固定TNR雌雄各750隻的話就不一樣了:族群數量會在第七年開始大降,四十年左右會消失。表格下拉會發現第六年的時候所有個體就都結紮完畢了,所以實際上應該會在十五年內讓整個族群老死光光。總處理量為8250隻。

投影片7

如果把這1500隻的TNR量通通針對雌性,那麼族群會稍早一點,在第五年左右就開始崩盤,在35年左右完全消失。因為雌性在第三年就紮光了,剩下的就是等著老死,所以若是實際狀況則大概是十年上下族群消失吧。總處理量為4500。若是1500隻處理量都是針對雄性,那麼族群也是在第三年開始崩盤,35年左右消失。因為雄性在第二年就紮光了,剩下的雌性要全部老死大概也是十年上下。總處理量3000也是挺省事。

投影片8

到此,我們可以做個小結:在沒有移入和棄養的狀況下,如果是照比例處理,即使強度達到七成五,無論是捕捉移除或TNR都無法讓流浪動物族群在四十年內消失,因為最後補償的生育率和處理率會達成平衡。但如果固定數量作為處理強度,那麼只要每年固定捕捉移除一開始族群的五成,就可以讓流浪動物在十五年內全部消失;若能夠針對雌性或雄性捕捉移除(以針對雌性為佳),那只要每年固定捕捉移除一開始族群的二成五,就可以讓流浪動物在十年左右全部消失。而如果是TNR,每年只要固定處理一開始流浪動物族群數量的二成五,就可以讓流浪動物在十五年內全部消失;同樣的處理強度,若是針對雌性或雄性捕捉移除(以針對雌性為佳)的話,則可以讓流浪動物在十年左右全部消失

另外,在相同的處理強度下,若是比較經手的動物數量,TNR需要經手的動物數量遠少於捕捉移除,這一點也是跟先前paper中的結果一致。

c.c. by Valentin Komposterov in Flickr
c.c. by Valentin Komposterov in Flickr

不過,一旦有棄養,好比說每年有個300隻雌雄各半的棄養個體,這狀況就很不一樣了。

一樣是定數處理,每年捕捉移除3000隻,也就是雄雌各1500隻。本來可以在十三年內讓這個族群消失,但是一旦有了每年區區300隻的棄養(棄養率為初始族群的5%)流浪動物的數量只會在前三年下跌,之後就會維持在4000隻左右,永遠無法消失。模型的40年總處理數也爆增到=123000,做這麼多完全就是把錢丟到水裡。除非把這每年3000隻的處理量都用在雌性身上,那麼族群還可以在七年後壓到1000隻上下然後維持下去,雖然不能完全消滅族群,但至少還有明顯的改善;但如果這每年3000隻的處理量都用在雄性身上,那就連壓低族群數量的效果都沒有了,真的是把錢丟到水裡而已。

而當然,要是處理強度更低的話,就會連壓低流浪動物數量的效果都完全不存在。

每年300隻雌雄各半的棄養個體的狀況下採用每年定數捕捉移除方式的結果是如此,那如果是每年定數TNR呢?

如果我們每年固定TNR3000隻未結紮個體雌雄各半,本來可以在十年內讓流浪動物全部消失,但一旦有了每年區區300隻的棄養(棄養率為初始族群的5%),流浪動物的數量就只會在十五年內降到3000隻並且維持,永遠無法消失,而且就算是把這每年3000隻的處理量針對雌性結紮,結果也不會更好。

投影片11 投影片12

如果每年的固定處理量有一開始的五成都還無力回天,處理強度更低的狀況當然就更不用看了。當然,處理強度高一點是有機會讓流浪動物消失的,但是一般來說,五成的處理量已經是難如登天了,更何況更高的強度呢?

到此,我們的模型也玩得差不多了。從結果看來我們可以發現,在降低流浪動物數量上,如果以「固定數量」作為處理方式,的確會比「固定比例」來得更有效。固定每年處理數量的做法甚至只要做到每年處理初始族群的兩成五的數量並且針對單一性別,就可以在十多年內讓流浪動物消失。但是一旦有棄養,即使只有相當少數的棄養(初始族群的5%年棄養率),也會讓處理的效果大打折扣,讓減少流浪動物數量變得非常困難,更讓流浪動物消失變得幾乎不可能。
2014年是個自己的國家自己救的一年,希望這一篇文章,可以成為年底的重要禮物,並且讓2015年元旦成為「自己的流浪動物TNR自己模擬」的開始,讓所有關心流浪動物議題的人,都可以找到理想的、科學的、有所依據的方式,無論是透過捕捉移除努力送養也好,或是透過不得不為的TNR也好,來解決台灣的流浪動物問題。

模型裡面當然還可以設定捕捉移除和TNR雙管齊下的狀況,甚至可以把移入跟棄養也一起設定進去,那就看各位自己的需求跟時間,自己去嘗試各種參數吧。

文章難易度
YTLai_96
51 篇文章 ・ 29 位粉絲
也許永遠無法自稱學者,但總是一直努力學著

0

3
3

文字

分享

0
3
3
圖形處理單元與人工智慧
賴昭正_96
・2024/06/24 ・6944字 ・閱讀時間約 14 分鐘

-----廣告,請繼續往下閱讀-----

  • 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?

黃仁勳出席2016年台北國際電腦展
Nvidia 的崛起究竟是時勢造英雄,還是英雄造時勢?圖/wikimedia

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。

-----廣告,請繼續往下閱讀-----

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:

-----廣告,請繼續往下閱讀-----
  • 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

-----廣告,請繼續往下閱讀-----

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?

圖形處理的例子

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。

-----廣告,請繼續往下閱讀-----
典型的CPU與GPU架構

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?

-----廣告,請繼續往下閱讀-----

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?

-----廣告,請繼續往下閱讀-----

(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)

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。
文章難易度

討論功能關閉中。

賴昭正_96
43 篇文章 ・ 56 位粉絲
成功大學化學工程系學士,芝加哥大學化學物理博士。在芝大時與一群留學生合創「科學月刊」。一直想回國貢獻所學,因此畢業後不久即回清大化學系任教。自認平易近人,但教學嚴謹,因此穫有「賴大刀」之惡名!於1982年時當選爲 清大化學系新一代的年青首任系主任兼所長;但壯志難酬,兩年後即辭職到美留浪。晚期曾回台蓋工廠及創業,均應「水土不服」而鎩羽而歸。正式退休後,除了開始又爲科學月刊寫文章外,全職帶小孫女(半歲起);現已成七歲之小孫女的BFF(2015)。首先接觸到泛科學是因爲科學月刊將我的一篇文章「愛因斯坦的最大的錯誤一宇宙論常數」推薦到泛科學重登。

0

12
4

文字

分享

0
12
4
【2013 諾貝爾化學獎】用程式計算化學:電腦模擬催化知識發展!
諾貝爾化學獎譯文_96
・2022/01/11 ・4460字 ・閱讀時間約 9 分鐘

-----廣告,請繼續往下閱讀-----

本文轉載自諾貝爾化學獎專題系列,原文為《【2013 諾貝爾化學獎】將實驗帶入網際空間

  • 譯者/曹一允|美國德州農工大學 Karen Wooley 教授指導下取得博士,現於日本萊雅公司進行研究。
  • 譯者/蔡蘊明|台大化學系名譽教授

化學反應以閃電的速度進行著;電子在原子核間跳躍,閃避著化學家們虎視眈眈的雙眼。2013 年的諾貝爾化學桂冠得主們利用電腦,讓化學的神祕路徑得以現形。對於化學運作的細部暸解,使得催化劑、藥物以及太陽能電池的最佳化變得更有效率。

將實驗帶入網際空間

全世界的許多化學家幾乎每天在電腦上設計以及執行實驗,透過馬丁.卡普拉斯(Martin Karplus)、麥可.李維特(Michael Levitt)以及艾瑞.瓦歇爾(Arieh Warshel)於 1970 年代所發展的方法,化學家們檢視著用肉眼無法看到的複雜化學過程之中的每一個小小的步驟。

爲了讓讀者感受到人類如何因此而受惠,讓我們用一個例子來開頭。請穿上你的實驗衣,因為我們要給你一個挑戰:創造人工光合作用。這個在綠葉中進行的化學反應,讓大氣充填了氧氣,也是地球上有生命存在的必要條件之一。但是從環境的角度來看,這是很有意義的,因為如果你能夠模擬光合作用,就能創造更有效率的太陽能電池。當水分解時會產生氧氣,但隨伴產生的氫氣則可以用於驅動我們的車輛。因此你有十足充分的理由參與這個計畫,假若你成功了,對解決溫室效應的問題,你也會有所貢獻。

一張圖超過千言萬語──但並非全部

做為第一步,你應該會上網去找尋那些控制光合作用的蛋白質的三維結構圖像。這些圖像均可從網路裡自由的取得,你可將圖像在電腦上隨意旋轉和扭曲,它揭露了巨大的蛋白質分子裡數以萬計的原子。在其中心某處,有一個小小的區域,被稱為反應中心,這就是水分子被裂解的地方。不過只有幾個原子是直接參與這個反應的。圖像很清楚的顯示了原子與離子相互坐落的位置,但卻無法說出這些原子與離子如何運作,這就是你需要搞清楚的。不知如何地,電子必須從水分子中取出,另有四個質子(H+)必須處理,這到底如何發生呢?

-----廣告,請繼續往下閱讀-----
現在的化學家在電腦上做實驗幾乎與在實驗室做實驗一般頻繁,從電腦上得到的計算結果經由真實的實驗得到證實後,讓我們對原子的世界如何運作得到新的線索。此可謂理論與實踐相輔相成。圖/諾貝爾化學獎專題系列

這個過程用傳統的化學方法基本上是無法弄清楚的,有太多的事情發生在一個毫秒(10-3秒)之內,這種速度排除了用試管實驗來研究之可能。從你的電腦圖像也仍然很難猜測反應的過程,因為圖像是在靜態取得的,然而當太陽照射在綠葉上時,那些蛋白質充滿了能量,而整個分子的結構改變了。為了瞭解這個化學反應,你需要知道充填了能量的分子結構是什麼樣子。

這就是需要召喚電腦程式來幫助你的時刻,而這些電腦程式就是基於 2013 年的諾貝爾化學獎得主們所奠定的基石。

理論與實踐──一個成功的相輔相成

利用這種電腦程式,你可以計算各種可能的反應路徑,這被稱為模擬(simulation or modeling),此法讓你對那些原子在化學反應的不同階段扮演的角色有些概念,而當你有一個可能的反應路徑時,會較容易執行真實的實驗,來證實電腦的對錯,這些實驗反過來提供了新的線索,以導致更好的電腦模擬結果;理論與實踐達到相輔相成的效果。結果是,化學家們花在電腦前面的時間,與花在試管之間的時間幾乎一樣多!

那麼這次諾貝爾化學獎得主們發展的電腦程式,到底有何神奇之處呢?

-----廣告,請繼續往下閱讀-----

將兩個世界最好的整合起來

過去,當科學家們要在電腦上模擬分子時,他們擁有的程式不是基於古典牛頓物理,就是基於量子物理,二者各有其長處與短處。基於古典物理的程式能計算與處理大的化學分子,它們只能顯示靜態的分子,給予化學家們關於分子內的原子的相對位置很好的圖像,可是你無法用這些程式去模擬化學反應。在化學反應時,分子是充滿能量的,處在激發的狀態,古典物理就是無法理解這些狀態,而這就成為一個嚴重的限制。

牛頓與薛丁格的貓:從前,古典物理與量子化學分屬兩個相互對抗的世界,2013 年的諾貝爾化學獎得主們替這兩個世界打開了一扇大門,帶來了暢旺的合作。圖/諾貝爾化學獎專題系列

當科學家們要模擬化學反應時,他們需要轉而求助量子物理;其二元理論(dualistic theory)將電子視為同時具有粒子與波動的雙重性質,其中著名的「薛丁格的貓」,藏在盒中,可能是活的也可能是死的。量子物理的強項在於它是沒有偏見的,其模型不包括科學家們的預測,因此這樣的模擬較為真實。但其缺點在於計算需要耗費龐大的電腦資源,因為電腦需要處理分子中的每一個電子以及原子核。這就好像一張數位圖像的像素(pixel)數目,像素越多,解析度越佳,但是需要較多的電腦空間。類似地,透過量子物理的計算,雖然可以描繪化學反應中的詳細過程,但是需要強大的電腦。在 1970 年代,這意味著科學家們只能對小分子進行計算。在模擬時,他們被迫忽略分子與周遭環境的作用,雖然真實世界中的化學反應大都在某些溶液中進行,但是假若科學家們計算時,要電腦將溶劑也一併考慮的話,他們將需要等待個幾十年才能得到結果。

所以古典物理與量子化學是兩個本質上不同,而且在某些方面相互衝突的世界。但是 2013 年的諾貝爾化學獎得主們,替這兩個世界打開了一扇大門。在他們的模型裡,牛頓與他的蘋果,跟薛丁格和他的貓合作。

量子化學與古典物理合作

在 1970 年代,在美國劍橋哈佛大學卡普拉斯的實驗室裡,開展了合作的第一步。卡普拉斯具有深厚的量子背景,他的研究小組發展的電腦程式,藉著量子物理的幫助可以模擬化學反應。他也發展了所謂的「卡普拉斯方程式」應用於核磁共振(NMR),那是一個化學家熟知的方法,乃基於分子的量子化學性質所建立的。當瓦歇爾完成他的博士學位後,在 1970 年進入了卡普拉斯的實驗室。他的博士學位是在以色列 Rehovot 的 Weismann 科學研究院所獲得的,該研究院擁有一台能力強大的電腦,被稱為 Golem,那是取自猶太傳說中的一位有生命的泥人的名字。透過 Golem 的幫助,瓦歇爾與李維特基於古典理論,發展了一個突破性的電腦程式,此程式能夠模擬各種分子,甚至於真正很大的生物分子。

-----廣告,請繼續往下閱讀-----

當瓦歇爾加入卡普拉斯在哈佛大學的研究小組時,帶著他那古典的電腦程式,以這個程式為起點,他與卡普拉斯發展了一個新的程式,以不同的方式計算不同的電子。在大部分的分子中,每一個電子繞著特定的原子核運行,但是在某些分子中,某些電子可以毫無阻礙的在數個原子核間移動,這些「自由電子」可以存在於像是視網醛(retinal)這個分子中,此分子是嵌在眼睛的視網膜上。卡普拉斯對於視網醛有著長期的興趣,因為這個分子的量子化學性質,影響了某些生物的功能;當光照射在視網膜上,視網醛的自由電子就會得到能量,因此改變了分子的形狀,這是人類視覺的第一步。

最後,卡普拉斯與瓦歇爾終於能夠處理視網醛,不過他們是從具有簡單結構的類似分子開始的。他們發展了一個電腦程式,運用量子物理來處理自由電子的計算,但是用簡單的古典理論來處理其它的電子以及所有的原子核。在 1972 年,他們發表了研究結果,這乃是第一次有人能夠透過古典與量子物理的合作來處理化學相關的問題,但是此法僅能處理具有鏡面對稱性的分子(像人一般有一面鏡子在身體正中央而左右對映)。

一個萬用程式來計算生命的化學

在哈佛大學待了兩年之後,瓦歇爾又與李維特合作。此時李維特已經完成了英國劍橋大學的博士訓練,正值全球尖端的研究都在於探討像是 DNA、RNA 以及蛋白質這類的生物分子。他企圖用他的古典電腦程式,來對生物分子的結構做進一步的瞭解,然而限制仍然存在,僅能觀察靜態的分子。

李維特與瓦歇爾瞄準了一個很高的目標,他們想要發展一個程式用來研究酵素;也就是生命活體中,控制與催化化學反應的許多蛋白質。早在瓦歇爾還是一位年輕的學生時,他就對於酵素如何運作很好奇。透過酵素間的相互合作,生命才可能存在,它們控制了基本上所有生命體內的各種化學,如果你想要瞭解生命,你就必須瞭解酵素。

-----廣告,請繼續往下閱讀-----

爲了能夠模擬酵素的反應,李維特與瓦歇爾必須讓古典與量子物理的合作更為順暢,這花了他們許多年去克服各種障礙。他們的探索始於 Weismann 科學研究院,但是當李維特在數年後完成了他的博士後研究的訓練,他回到了劍橋,在那裡瓦歇爾也來加入。在 1976 年,他們達成了目標,並發表了第一個酵素反應的電腦模擬,他們的程式是革命性的,因為它可以用在各種分子上,在模擬化學反應時,大小已經不成問題。

聚焦於運作的心臟

現在當化學家模擬化學反應時,他們需要時就會運用這種力量。他們對每一個直接影響化學過程的電子與原子核,進行吃力的量子物理計算,這樣,他們取得關鍵所在儘可能最佳的解析,分子其他的部分則用古典的方程式來模擬。

爲了不浪費電腦的能力,李維特與瓦歇爾將計算的負載進一步修減,電腦不需要一直處理分子中不重要部分的每一個原子,他們展示了可以將多個原子合併計算。

現在的計算中,科學家還在模擬時加入了第三個層次。簡單的來說,電腦可將離化學反應中心很遠的原子們包裹在一起,成為一個均勻的質體。在科學圈內,這被稱為介電介質(dielectric medium)。

-----廣告,請繼續往下閱讀-----
現今化學家們模擬分子的運作時,若有需要就會運用電腦的力量。量子物理的計算成為了此一系統的核心,其外則是基於古典物理的處理,而在最外層的原子和分子則視為聚集在一起的一團均勻物質,這種簡化的方式,讓我們能用計算來處理那些巨大的化學體系。圖/諾貝爾化學獎專題系列

模擬將帶我們進展至多遠決定在未來

因為現今的科學家可以用電腦來進行實驗,這讓我們對化學反應如何的進行得到了更深的理解。卡普拉斯、李維特以及瓦歇爾發展的方法的強度在於它們是萬用的,它們可以用來研究各種化學;從生命的分子到工業上的化學反應,科學家可以將太陽能電池、汽車用的催化劑或甚至於藥物最佳化,而這僅是舉幾個例子而已。

不過進展不會停在那裡,在李維特的一篇論文中,寫到了他的夢想:在分子的層次模擬生命體,那真是個極為誘人的想法。由 2013 年的諾貝爾化學獎得主們發展的電腦模擬,是極為有力的工具,到底它可將我們的知識推進到多遠,只有未來才能決定。

參考資料

諾貝爾化學獎譯文_96
15 篇文章 ・ 23 位粉絲
「諾貝爾化學獎專題」系列文章,為臺大化學系名譽教授蔡蘊明等譯者,依諾貝爾化學獎委員會的新聞稿編譯而成。泛科學獲得蔡蘊明老師授權,將多年來的編譯文章收錄於此。 原文請參見:諾貝爾化學獎專題系列

7

8
3

文字

分享

7
8
3
英國「流浪貓口普查」發現:社經條件較差、人口密度高的區域有較多流浪貓
Yiting_96
・2021/12/10 ・2778字 ・閱讀時間約 5 分鐘

你知道英國有幾隻流浪貓嗎?根據統計,在英國約有 1 千萬隻貓主子有貓奴飼養,但那些流浪在外的貓有多少,始終是個未知數。

若是能知道一個區域中有多少浪貓,就能提供動物福利機構許多有效資訊,使得有限的資源能被善加利用,以救助更多浪貓。但為什麼得知浪貓的數量如此困難?其實是因為我們實在很難斷定路上的這隻貓,到底是遭棄養/走失的浪貓、野貓,或只是一時興起跑出來散步的家貓——畢竟英國人很愛自家貓咪出門閒晃。

當今流行的公民科學(citizen science)在這方面或許可以幫上忙,藉由地方民眾與科學家的相互合作,分析路上的浪貓有多少。不過這項方法同樣有些困難待解決,例如公民在收集資料時潛在的取樣偏差,或是漏報、重複通報同一隻貓等情形,可能導致統計模型預測數據的效度(validity)降低。

灰色混凝土地板上的白貓
貓咪可能長得十分相似,並不容易清點數量。圖/Pexels

數值模型 ft. 公民科學,找出英國浪貓到底有幾隻

為了解決公民科學遭遇的困難,來自英國布里斯托大學 (University of Bristol)的研究團隊,使用了一種稱為 IAM(Integrated Abundance Model)的計算方式,整合當地居民有無養貓的訊息及專家資訊,將這種計算方式應用在公民科學資料庫「Cat Watch」裡的貓咪目擊資訊上,嘗試算出該地區有多少浪貓存在。

-----廣告,請繼續往下閱讀-----

Cat Watch 是由英國最大的貓科動物慈善福利機構「Cats Protection」所發起的一項社區計畫,鼓勵當地居民主動回報他們在戶外目擊到的貓,並將這些目擊資訊上傳至手機 app、社群媒體,或直接通知 Cat Watch 團隊。藉由當地居民回報的資訊,Cat Watch 團隊就能夠得知該區域有多少浪貓被目擊,整理成統計數據以便後續分析使用。

藉由 IAM 計算方式與 Cat Watch 的調查資料,研究團隊分析了五個英國鄉村地區,包括畢斯頓(Beeston)、布拉福市(Bradford)、布爾韋爾(Bulwell)、鄧斯特布爾(Dunstable)、侯頓瑞基斯(Houghton Regis),以及英國知名海港城市利物浦的埃弗頓區(Everton)發現,在社會經濟條件較差、人口密度高的地區,會有更多浪貓出現。而利用英國官方人口統計資料與社會經濟條件數據等訊息,團隊更進一步推測整個英國約有 25 萬隻浪貓存在!

Brown貓與棕緬因庫恩貓
在社會經濟條件較差、人口密度高的地區,會有更多浪貓出現。圖/Pexels

結紮與否,對浪貓而言關係重大!

為什麼社會經濟條件較差、人口密度高的地區會有較多浪貓?其實在先前研究已經指出,在社會經濟條件較差的地區,不論是有人飼養的寵物貓或是浪貓,曾接受過結紮手術的比例都較低。一但絕育過的貓咪數量少,該地區的貓口數可想而知會隨之上升。

那麼人口密度與浪貓之間的關係呢?這部分能探討的因素就比較多了。舉例來說,人口多的地方,寵物貓的數量也會較多,若是這些寵物貓並未結紮,很可能「不小心」就會有小貓咪誕生,導致貓口數激增;此外,遭人棄養或是走失的寵物貓,也會較人口數少的地區多。而人口多的地方,通常也代表著食物資源充足,豐富的食物資源同樣也吸引著浪貓前去。

當一個城市的浪貓過多,將造成公共衛生問題,例如跳蚤等寄生蟲感染,或是一些人畜共通傳染病的傳播;而對於其他野生動物來說,浪貓的存在相當於環境中的獵食者,可能威脅野生物種的生存。浪貓數量過多,也可能進一步衍伸出動物福利問題,例如城市中的浪貓健康狀況不佳、死亡率高,甚至人為虐待浪貓的事件也時有耳聞。

-----廣告,請繼續往下閱讀-----

英國浪貓團體的做法:落實TNR,讓社區參與浪貓照顧

主持這項研究的英國布里斯托大學獸醫學院 Jennifer McDonald 博士指出,目前的數值模型還有許多待改善的地方,若該模型能套用到更廣大、人口更多的地理區域(例如倫敦),將使模型預測出的浪貓數量更為精確。

發起該研究計劃的英國浪貓動保協會「Cats Protection」的浪貓節育負責人 Jane Clements 指出:「若我們對一個地區的浪貓數量有更多了解,一些與浪貓有關的社會福利機構就能更精準的投注資源,讓該地區的浪貓能得到較為妥善的照料。」

Jane Clements 表示,我們將把無法被家庭領養的浪貓進行絕育,並為當地居民提供在社區中照顧牠們的方法,例如提建造貓窩的材料;Jane Clements指出,社區參與是確保所有浪貓都得到長期和可持續照顧的關鍵,「這項研究將使我們能夠將 Cat Watch 計劃帶到最需要的地區。」

動物, 動物攝影, 哺乳動物 的 免費圖庫相片
流浪的生活,可能讓貓咪生病、發生交通意外。圖/Pexels

解決浪貓問題,TNR 是最佳解嗎?

關於上述 Cats Protection 「讓社區參與照顧浪貓」的前後整套做法,前段的「落實節育」其實就是廣為人知的「TNR」手段;TNR 指的是 Trap(誘捕)、Neuter(絕育)、Return(原放),是一種相對「捕捉移除」而言較人道的管理方式。理論上,在沒有新增移入個體的前提下,是可減少流浪動物繼續繁殖、擴大族群的做法。

-----廣告,請繼續往下閱讀-----

TNR 作為降低浪貓族群繁殖的做法,有其人道上的考量,理論上在執行一定程度的時間後,的確可能降低浪貓族群的數量;但問題是「國情不同」,英國浪貓團體的整套做法未必能直接套用在台灣,有種種的變數可能導致浪貓不減反增——例如台灣相對狹小的城市環境,很可能讓「社區參與」反而造成浪貓為了爭奪有限的食物資源而讓貓群更密集,也讓愛貓人士更容易餵養浪貓。

而在浪貓族群擴大後,在沒有足夠預算及人力 100% 執行 TNR 的情況下,TNR 的效果恐怕非常有限。很諷刺的,人類對浪貓的一番善意,最終可能導致更多一生飽受苦難的浪貓在街頭流浪並死去……。

總結來說,浪貓的出現與人類行為脫不了關係。尤其以來台灣的地理條件來看,導致TNR無法有效降低浪貓族群的關鍵,絕對是無良飼主的「棄養」行為——被棄養的家貓,就是浪貓族群的「新增移入個體」,就是導致浪貓不斷繁衍的關鍵。

本次分享的英國貓口普查研究,是透過公民科學家的參與,再加上科學研究的學理輔助,讓我們能更進一步掌握流浪動物數量的方法。期望未來這些技術能被有效使用,讓我們找出人類與浪貓共生的平衡方程式。

-----廣告,請繼續往下閱讀-----

最後,讓我們再說一次,「棄養」是造成浪貓苦難的一切源頭,貓咪的確非常可愛,但領養前得三思——你真的有條件可以照顧牠的一生嗎?

參考資料:

  1. McDonald, J.L., Skillings, E. Human influences shape the first spatially explicit national estimate of urban unowned cat abundance. Sci Rep 11, 20216 (2021). https://doi.org/10.1038/s41598-021-99298-6
  2. 不曾終止的流浪動物之殤——圖解台灣動保現況2020版,窩窩,2020/11/26。
  3. 當TNR和捕捉移除的效果遇上棄養
  4. 在減少整體流浪動物數量上,TNR與捕捉移除的效果誰好?
所有討論 7
Yiting_96
4 篇文章 ・ 1 位粉絲
在鳳梨田裡唸生科的人類,畢業後意外走上了科普路,目前還在緩慢前行中。喜歡有趣怪知識、諧音爛笑話,還有床。