欲擒故縱的萊佛士豬籠草

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

從一株捕蠅草開始

提到植物職司味覺的部位，我們會直覺地看向土壤。畢竟植物大半養料來源就在裡頭。可是，有多種植物另有攝食之道。這些便是所謂的肉食性植物。接下來我們就要看看，植物學家最早發現的肉食性植物：捕蠅草。

1760 年 1 月 24 日，亞瑟．多布斯（Arthur Dobbs）寫了封信給英國皇家學會（the British Royal Society）會員植物學家彼得．科林森（Peter Collinson，1694 年至 1768 年）。多布斯是北卡羅來納的富裕地主，於 1754 年至 1765 年間擔任殖民地總督。他在信中描述，有種令人驚奇的新植物能捕捉蒼蠅：「但是，這植物界的奇觀是非常古怪的新種敏感植物：矮生植物；葉部像是球體扁平切片，共有兩瓣，好比手提包內裡外翻，各瓣會如鐵製獵狐陷阱闔起，邊緣呈鋸齒狀；若遭觸碰，或有物闖入，葉部就會捕獸夾一般緊閉，將置身其中的昆蟲或別種物體困住；花朵為白色。我將這出人意表的植物取名為『敏感捕蠅草』（Sensitiva Acchiappamosche， Fly Trap Sensitive）。」

科林森將這發現最早的神奇植物樣本寄到歐洲給英國植物學家約翰．埃里斯（John Ellis），而埃里斯為此物種定下了拉丁文學名（Dionaea muscipula）。一七六九年，他察覺了該植物屬肉食性，便致信林奈道：「……如所附精確圖解及花葉樣本所示，這植物顯現了大自然對其滋養也許另有看法，才會讓上面這節的葉部有如器械，可捕獲食物：葉部中央有誘餌，以獵食不走運的昆蟲。有許多紅色腺體覆蓋內層表面，也許能釋放甜味液體，引倒霉的動物前來一嚐。要是動物的腳刺激了這些細嫩部位，葉片雙瓣便會即刻升起，把動物牢牢抓住，而一排排尖刺會閉緊而將其擠斃。再者，為免獵物奮力求生，竟能掙脫，腺體之間近葉瓣中心處，還挺立著三根小刺，能有效讓一切掙扎畫下句點。」

毫無疑問，這種植物會獵捕昆蟲！但林奈不做此想。他排斥埃里斯的結論，反而贊同多布斯最初的評估，將捕蠅草歸類為「敏感植物」，會因觸覺刺激而有不由自主的舉動。

對現代人而言，捕蠅草顯而易見能捕捉昆蟲。但林奈將之與一樣會在觸碰下閉起的含羞草視為同種。他與埃里斯的論斷天差地別：後者認為捕蠅草能捕獵動物，前者則將獵捕行為看做不假思索的反應。

食蟲究竟是不是一種意識行為？

兩名科學家的觀察怎會引來迥然不同的推斷？埃里斯名氣較小，不受通行觀念左右，只是描述所見，並出以合理推論。但林奈正值聲名巔峰，離不開當時整體科學社群的思潮，仍由「自然界秩序」的角度來看待生物間的關係。他所受影響極深，以至於否定證據。試圖使觀察所得遷就理論，不惜扭曲事實。因此，儘管有長年的研究，也有無可反駁的憑證指出捕蠅草會捕殺昆蟲，林奈仍不願斷言捕蠅草具肉食性（從而認定此論符合科學事理），因為這等植物行為實在難以想像。

然而，誰都看得很清楚，捕蠅草似乎真能捕殺某些昆蟲。人如何能貶低這般能耐？那時有很多科學家馳騁想像，要把這事搪塞過去。他們主張，葉片闔起是反射動作（亦即，並非有意取命），而昆蟲若是有心，自能脫出。若未脫身，則是因為過於衰老，或有意求死。在我們來看，這樣的理路很可笑。但彼時的科學社群卻欣然接納，未見猶疑。只要能反駁植物可能以動物為食，什麼樣的說明都行。「食肉植物說」不得不被下放到冒險故事裡。那年頭，這類故事差不多都會提到很厲害的食人樹。

但是，該怎麼解釋捕蠅草從未放出遭捕昆蟲，而總是將之殺死並消化？又該怎樣理解葉片在捉住無滋無味或難以分解的物體後，會隨即再次張開？

要等到達爾文於 1875 年出版《食蟲植物》（Insectivorous Plants）一書，科學社群才有了合理答案，也才開始提到「會吃昆蟲的植物」。如此定義固然貼近實情，仍嫌不夠精準。畢竟，到了達爾文的年代，已發現為數可觀的植物能捕食老鼠、蜥蜴一類小動物。而這可很難說是「食蟲」！十九世紀中期，很多植物劃歸為此類的原因，並不是能獵捕昆蟲，而是人們覺得把植物說成「肉食性」太過頭了。縱然已經曉得有很多植物，尤其是某些豬籠草屬，會捕殺小型哺乳類動物，十九世紀末的人依然很難想像真有草能食肉。

昆蟲的致命陷阱

話說回來，為何某些植物要以動物為食？理由再度和演化有關。幾百萬年前，在演化出這些物種的潮濕沼澤裡，生物生成蛋白質所必須的氮，不是數量稀少，就是無從取得。植物生長於缺乏氮的地方，就必須找到不涉及根部與土壤的方式，來獲取此重要元素。

這是怎樣辦到的呢？植物會利用在地面上的部位：隨著時間流轉，調整葉片形狀，轉變成陷阱，好捕捉昆蟲這類會移動的「小型氮儲存槽」。而在囚禁並殺死獵物後，將之消化以攝取養分。其實，這正是肉食性植物的決定性特質：產生酵素分解養分，以利葉部吸收，藉此代謝掉所吃的動物。

讓我們看看捕蠅草和豬籠草兩大王牌獵食者的狩獵技巧。和所有厲害的獵人一樣，兩者都由引誘獵物著手。捕蠅草會將相當芬芳、帶有糖分的分泌物排放到如今已成陷阱的葉部，讓昆蟲擋不了誘惑。儘管林奈的成就教人尊敬，我們仍必須提到，捕蠅草並無多餘能量可浪費，不會一以為碰到獵物就把葉片倏然闔起。若是這麼做，有可能會抓到不能吃的物體，甚至讓昆蟲得以在葉部邊緣定住，而後逃脫。相反，捕蠅草會等到狩獵標的恰在葉片中央才行動，避免徒勞無功。

構成死亡陷阱的兩瓣葉片各有三根細毛，用以觸動陷阱緊閉。昆蟲一次觸碰一根細毛，尚不足以啟動陷阱。至少得觸及兩根，間隔不超過二十秒。這時植物才會清楚上門的東西有搞頭，並將葉瓣闔上。受困的昆蟲扭來動去，不斷碰觸細毛，卻只是讓捕蠅草越抓越緊。等獵物一死，動也不動，葉部便漸漸釋放酵素，幾乎將之消化殆盡。陷阱再次開啟後，仍可看到這場動植物大戰的遺痕：在捕蠅草葉片上找到吃剩下的獵物殼甲，並不是新鮮事。

至於另一類可怕的獵食者，則運用別套戰術。在演化過程中，豬籠草發展出特殊囊狀器官，邊緣灑滿帶有甜味的芳香物質。動物一旦聞香而來，吸吮甜液，便會滑入囊中，逃脫無門。此陷阱囊的內裡極其平滑，在自然界數一數二，乃至於有人加以研究，想要以科技仿造。在陷阱中，動物最終會陷溺於消化液裡，而且由於一再努力要爬出求生，弄得筋疲力竭。這會兒，豬籠草會開始消化獵物，將之化為含養分的泡泡，再緩緩吸收。

豬籠草不僅吃昆蟲，還會吃蜥蜴一類小型爬蟲。就連相當大隻的老鼠也會遭殃。獵物屍骨就積存在陷阱囊底部，既是老舊的戰利品，又能給下一個成為受害者的不幸動物一點含糊的警告。

還有更多……

肉食性植物除了是很有趣的例子，讓人看清植物如何應用味覺，還促使人思索花草樹木的攝食。首先，我們以前受了誤導。這類植物其實不少，已知的起碼有六百種，每一種都使用相異的陷阱和謀劃來捕食形形色色動物。確切地說，肉食性植物比人們過往所想的還多樣，牽扯到數以百計物種。要是把在某些方面間接受益於捕捉昆蟲的植物也計入，數量還會更多。幾年前，科學家仍以為唯有可明確定義為肉食性的植物才有能力消化小型動物，攝取所需營養。但新近研究證實，植物廣泛以動物為養料來源。

拿馬鈴薯、菸草，和甚至更具異國風情的毛泡桐[1]為例。你如果看過這些植物的葉子，也許會留意到上頭時常有小蟲屍體：既然不能消化昆蟲，為何要以葉部分泌帶黏性或毒性的物質來殺蟲呢？答案很簡單，而且想起來非常有道理。即便難以消化，昆蟲屍體墜落地面後會分解，釋出植物所需的氮；還留在葉子上的，則成為細菌的養料，而細菌所製造的廢棄物含有豐富的氮，很容易為植物吸收。

於是，縱然很多植物實際上並非肉食性，也會利用動物來使食物攝取更營養、更有變化。用科學術語來說，這些是「原始肉食性植物」（“protocarnivores”）

花草樹木的攝食，還有別的地方出人意表。二○一二年初，一份新研究描述了有種捕食蟲子的植物能使用特別的……地下陷阱。這種紫羅蘭生長於巴西喜拉朵十分乾燥而貧瘠的土地，是以發展出地下葉來捕食常見的小小線蟲：蟲子一靠近葉片就會被黏住，然後遭消化，以有效補足食物攝取中原本不足的氮。這發現很是重要：頭一次有研究提到了地底下的捕獵技巧，而這等技巧或許在其他荒蕪土壤特有的植物身上也找得到。

如前所述，肉食性植物約有六百種。如果加上所謂的原始肉食性植物和可能具備地底捕獵能力的物種，數量便更多。而我們對植物的食物攝取也會刮目相看。

• 註：[1]這一種樹源自中國，在歐洲和中國越來越普遍

本文摘自《植物比你想的更聰明：植物智能的探索之旅》，商周出版。

編譯 / 洗碗精

印度的學者指出，有些食蟲植物會發出藍色螢光吸引獵物

對於食蟲植物稍有了解的人應該都知道，食蟲植物可利用蜜汁、色彩及氣味吸引獵物，然而出人意料的是，最近又發現一種誘引機制—研究團隊以紫外光照射，發現植物的捕捉區（capture spots）竟然會發出藍色螢光！這項研究由印度熱帶植物園暨研究協會發表，刊登於《植物學》（Plant Biology，點此看文章）期刊上，研究團隊的成員Sabulal Baby博士指出「以前從未有人發現食蟲植物的捕蟲器上竟然會發出這麼獨特的藍光」、「就我們所知，它發出的這種藍色螢光應該是所有已知植物中最強最清楚的」。

重大意義

這種藍光在豬籠草、瓶子草及捕蠅草的捕蟲囊都可觀察得到，其原理與分子層面的反應機制有關。以波長366 nm的紫外燈照射食蟲植物，可觀察到捕蠅草的捕蟲葉內側、豬籠草及瓶子草的籠蓋、捕蟲囊內側及唇上緣發出藍色螢光。多數昆蟲及節肢動物可感知紫外光譜，因此豬籠草、瓶子草會發光的籠唇就像是個清楚的停機坪，吸引飛行昆蟲降落。螢光同時也會吸引老鼠、蝙蝠及樹鼩（tree shrews）等小型哺乳類。

這種藍色螢光在光線微弱的時候也能觀察得到，因此在夜間也具有誘引效果。

研究團隊設計了一項實驗來證明藍色螢光與誘捕獵物有關，他們以植物園中的印度豬籠草（Nepenthes khasiana）為材料，在籠唇上塗佈不會發出螢光的物質，結果在實驗進行的十天中，這些瓶子的獵物捕獲率遽降。由此證明，這種非常醒目的藍光訊號在誘捕獵物中扮演了重要角色。

珍貴的發現

生長在貧瘠土壤的食蟲植物，演化出了獨特的養分獲取方法，透過陷阱式（pitfall traps）、捕獸夾式（snap traps）、黏蠅紙式（flypaper traps） 等方法捕捉並消化獵物。例如捕蠅草利用類似捕獸夾的構造快速捕捉獵物，其夾子闔上的速度可說是植物界第一；以瓶子捕捉獵物的食蟲植物則具有光滑的唇緣，能 使獵物滑落跌至消化液中。除了上述已知的捕蟲機制之外，這次的研究發現了部分食蟲植物能在紫外燈下發出藍色螢光吸引獵物，使我們對於捕蟲機制以及動植物間 的互動又有了更深的了解。

資料來源：Carnivorous plant species glow blue to lure prey. BBC [19 February 2013]

譯者：洗碗精，中山生科學士班、中興園藝碩士班畢業。希望一生都能與植物相伴的園藝愛好者，特別喜歡熱帶果樹、蔬菜和食蟲植物，目前於貝里斯技術團工作，閒暇時間寫個網誌或翻個文章有助於放鬆身心

原產於馬來半島與東南亞的萊佛士豬籠草（Nepenthes rafflesiana，Raffles’ pitcher plant），從外觀上看起來，跟其他的豬籠草也沒多大不同；不過，在每天中午前後的幾個小時之間，它的籠子內側會變得不滑。這時候，附近的螞蟻就會跑到籠子裡面去採食它的蜜汁（nectar）。

但是，除了這幾個小時以外，其他的時候籠子內側都是滑溜溜的；此時只要有螞蟻走到籠子內側，就很容易會失足墜崖–下面可沒有魚蝦可吃，也沒有萬年玄冰，只有充滿了酵素的化屍水消化液等著將螞蟻給消化得屍骨無存。

來自德國、英國與汶萊的研究團隊，對於為何萊佛士豬籠草為何有幾個小時乾燥覺得很好奇，進行了田野研究。他們在中午那幾小時，用稀釋的糖溶液保持籠子內側濕潤；結果發現，中午有幾個小時乾燥的豬籠草，比保持濕潤的多抓了36%的螞蟻。

筆者想，或許一天二十四小時都保持濕潤的豬籠草，由於每一隻螞蟻都有去無回，使得過去探路的螞蟻少了，於是就抓到比較少的螞蟻；又或者，當有螞蟻失足墜崖時，倖存的螞蟻會回去通風報信，使其他的螞蟻不敢去，但有時乾燥的籠子，會使得螞蟻認為，這裡是安全的，可以一再造訪？這是否也間接告訴我們，螞蟻的記憶其實並不長久？

原文轉載自作者部落格。

參考資料：

1. Sid Perkins. 2015/1/13. Why this plant is only a part-time killer. Science Now.