行動超音波掃描

• 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。

久旱不雨，植物悲鳴，^{[1, 2]}類似教育部《臺灣閩南語常用詞辭典》所謂「因飢餓而吵鬧」的「哭枵」（khàu-iau）。^[3]別問為何沒聽過，也不怪天地寡情，人類無義，從來漠不關心。植物叫那種超音波，傳至咱們耳裡就只剩寧靜。幸好靠著以色列科學家幫忙，轉換到常人的聽覺範圍，並分享於 2023 年 3 月底的《細胞》（Cell）期刊，才廣為周知。^[1]

傾聽植物的聲音

面臨乾旱或草食動物的威脅，植物會做出多種反應，例如：改變外貌，或是以揮發性有機化合物影響鄰居等。^[1]過去的文獻指出，缺水引發空蝕現象（cavitation），使植物負責輸送水份的木質部，因氣泡形成、擴張和破裂而震動。^{[1, 4]}現在科學家想知道，這是否也會產生在特定距離內，能被其他物種聽見的聲音。^[1]

受試的對象是番茄與菸草，分別拆成乾旱、修剪和對照 3 組。對照組又有常態生長的一般對照、有土卻無植物的盆器，以及每株植物實驗前的自體對照 3 種。實驗大致有幾個階段：首先，在隔音箱裡，距離每個受試對象 10 公分處，各立 2 支麥克風收音。將聲音的紀錄分類後，拿去進行機器學習。接著移駕溫室，讓訓練好的模型，分辨雜音和不同情況下植物的聲音。再來，觀察乾旱程度與植物發聲的關係。最後，也測試其他的植物和狀態。^[1]

植物錄音與機器學習

隔音箱裡常態生長的植物，每小時平均發聲少於一次；而沒植物的盆器當然完全無聲。相對地，遭受乾旱或修剪壓力的實驗組植物，反應則十分劇烈：^[1]

隔音箱中實驗組的錄音，被依照植物品種以及所受的待遇，歸納為 4 個組別，各組別再彼此配對比較，例如：乾旱的番茄對修剪的番茄等。以此資料訓練出來的機器學習模型，判別配對中各組別的準確率為 70%。第二階段在溫室中進行，自然較隔音箱嘈雜。科學家拿空蕩溫室的環境錄音，來教模型分辨並過濾雜訊。訓練後，令其區別乾旱與對照組番茄的聲音，結果 84% 正確。^[1]既然能聽得出基本的差別，下一步就是了解水量對番茄發聲的影響。

體積含水量

為了操縱體積含水量（volumetric water content，縮寫VWC），即水份與泥土體積的比值或百分比，^{[1, 5]}科學家狠下心，連續幾天都不給溫室裡的番茄植栽喝水。一邊觀察 VWC 的變化；一邊錄下它們的聲音。起先水份充足，番茄不太吵鬧；4、5 天下來，發聲的次數逐漸增加至高峰；然後應該是快渴死了，有氣無力，所以次數又開始減少。此外，番茄通常都在早上 8 點（圖表較像 7 點）到中午 12 點，以及下午 4 點至晚上 7 點，這兩個時段出聲。^[1]科學家覺得這般作息，可能與規律的氣孔導度（stomatal conductance），也就是跟光合作用的換氣以及蒸散作用的水份蒸發，兩個透過氣孔進行的動作有關。^{[1, 6]}

大部份的聲音都是在 VWC < 0.05 時出現；當 VWC > 0.1，水份還足夠，就幾乎無聲。科學家將比較的條件進一步分成 VWC < 0.01 與 VWC > 0.05、VWC < 0.05 跟 VWC > 0.05，以及 VWC < 0.01、VWC > 0.05 和淨空溫室的聲音。機器學習模型分辨起來，都有七、八成的準確率。^[1]

植物發聲的原理

實驗觀察所得，都將植物發聲的機制，指向木質部導管中氣體的運動，也就是科學家先前預期的空蝕現象。^[1]下面為支持這項推論的理由：

1. 木質部導管的口徑，與植物被錄到的聲波頻率相關：寬的低；而窄的高。^[1]
2. 乾旱與修剪所造成的聲音不同：在木質部導管中，前者氣泡形成緩慢，發聲時數較長；而後者則相當迅速，時數較短。^[1]
3. 聲音是由植物的莖，向四面八方傳播。^[1]
4. 空蝕現象造成的震動，跟記錄到的超音波，部份頻率重疊；而沒有重疊的，其實已經超出其他物種的聽力以及麥克風收音的範圍。^[1]

問誰未發聲

觀察完番茄和菸草之後，科學家不禁好奇，別的植物是否也會為自己的處境發聲？還是它們都默默受苦，無聲地承擔？研究團隊拿小麥、玉米、卡本內蘇維濃葡萄（Cabernet Sauvignon grapevine）、奇隆丸仙人掌（Mammillaria spinosissima）與寶蓋草（henbit）來測試，發現它們果然有聲音。不過，像杏仁樹之類的木本植物，還有木質化的葡萄藤就沒有了。另外，科學家又監聽感染菸草嵌紋病毒（tobacco mosaic virus）的番茄，並錄到它們的病中呻吟。^[1]

你敢有聽著咱的歌

之前有研究指出，海邊月見草（Oenothera drummondii）暴露於蜜蜂的聲音時，會產出較甜的花蜜。^[2]若將角色對調過來：植物在乾旱、修剪或感染等壓力下釋出的超音波，頻率約在 20 至 100 kHz 之間，理論上 3 到 5 公尺內的某些哺乳動物或昆蟲，例如：蝙蝠、老鼠和飛蛾，應該聽得到。^{[1, 2]}以色列科學家認為幼蟲會寄住在番茄或菸草上的飛蛾，或許能辨識植物的聲波，並做出某些反應。同理，人類可以用機器學習模型，分辨農作物的聲音，再給予相應的照顧。如此不僅節省水源，精準培育，還能預防氣候變遷所導致的糧食危機。^[1]

備註

本文最後兩個子標題，借用音樂劇《Les Misérables》歌曲〈Do You Hear the People Sing?〉的粵語和臺語版曲名。^[7]

參考資料

1. Khait I, Lewin-Epstein O, Sharon R. (2023) ‘Sounds emitted by plants under stress are airborne and informative’. Cell, 106(7): 1328-1336.
2. Marris E. (30 MAR 2023) ‘Stressed plants ‘cry’ — and some animals can probably hear them’. Nature.
3. 教育部「哭枵」臺灣閩南語常用詞辭典（Accessed on 01 APR 2023）
4. McElrone A J, Choat B, Gambetta GA, et al. (2013) ‘Water Uptake and Transport in Vascular Plants’. Nature Education Knowledge, 4(5):6.
5. Datta S, Taghvaeian S, Stivers J. (AUG 2018) ‘Understanding Soil Water Content and Thresholds for Irrigation Management’. OSU Extension of Oklahoma State University.
6. Murray M, Soh WK, Yiotis C, et al. (2020) ‘Consistent Relationship between Field-Measured Stomatal Conductance and Theoretical Maximum Stomatal Conductance in C3 Woody Angiosperms in Four Major Biomes’. International Journal of Plant Sciences, 181, 1.
7. FireRock Music.（16 JUN 2019）「【問誰未發聲】歌詞 Mix全民超長版 粵+國+台+英 口琴+小童+學生+市民 Do you hear the people sing?」YouTube.

• 本文轉載自特有生物研究保育中心，《自然保育季刊》第 112 期
• 作者 / 鄭錫奇｜行政院農業委員會特有生物研究保育中心研究員兼主任秘書、陳宏彰｜行政院農業委員會特有生物研究保育中心計畫助理、周政翰｜台灣蝙蝠學會理事

台 9 線蘇花公路山區路段改善工程歷時 9 年的努力終於在 2020 年 1 月 6 日全線通車。近年政府進行重大建設時日益重視工程對環境及生物多樣性的影響評估，蝙蝠類因其物種繁多、族群數量龐大、食性獨特、活動範圍廣泛且對環境變化敏感，其生存棲地品質攸關族群存續狀況，因此相當適合作為反應環境變化的類群。

上一篇〈台灣蝙蝠知多少？沿著蘇花公路，探尋豐富的蝙蝠多樣性（上）——蘇花改特輯（二）〉我們介紹了許多種臺灣蝙蝠以及調查過程，這篇我們將探討這些資料的分析結果。

棲所難尋但資料珍貴

蝙蝠棲息的處所通常隱密而不易探尋。不過， 一旦發現某種蝙蝠的棲所及族群，則可以進行深入研究以獲得許多生態相關的珍貴資訊。除了在夜間外飛覓食時段，蝙蝠在棲所度過很長的時間，包括其生活史的不同階段，諸如白天休息、尋覓伴侶交配、生殖育幼、日間休眠或冬季冬眠等。棲所還能提供保護的功能，降低蝙蝠被天敵掠食或人類干擾的機會，以及抵禦外界環境或氣候變化的影響，可見適當的棲所對涵養蝙蝠族群而言相當重要。

本計畫歷年陸續在調查樣區中發現蝙蝠的棲所，諸如群居型的臺灣葉鼻蝠、臺灣小蹄鼻蝠，以及獨居型的臺灣大蹄鼻蝠喜歡陰暗潮濕的洞穴、隧道、涵洞等處；日間棲息在林道旁新生芭蕉捲葉中的玄彩蝠；會利用東岳冷泉鐵路高架橋橋墩下作為夜間棲所的堀川氏棕蝠。當發現臺灣葉鼻蝠或臺灣小蹄鼻蝠的族群時，我們會持續瞭解其族群量的變動趨勢，以及生殖育幼的季節；相對而言，獨居的臺灣大蹄鼻蝠雖較不容易發現，然而我們曾觀察到有 1 隻雌性個體居然連續使用同一處廢棄木屋長達 3 年之久， 而在春季時又發現另 1 隻雌性個體共棲，這種現象相當罕見；依據尤宣亞 (2015) 針對臺灣大蹄鼻蝠配對系統的研究指出，成體雌蝠間並不會共處於同一 棲所，但在懷孕期（4-5 月）則會和去年生產的幼蝠（或亞成蝠）共棲，因而推測牠們可能是去年繁殖的 一對母女蝠。

地區新紀錄種的發現

我們執行計畫的第一 (2012) 年即發現了 17 種蝙蝠，之後每年均可調查到 17-19 種之多，而且在前 5 年幾乎每年都有地區新種類的發現，譬如 2013 年增加了東方寬耳蝠（網具捕捉）及臺灣家蝠（音頻判識）而達 19 種；2014 年增加寬吻鼠耳蝠（網具捕捉）達 20 種；2015 年則再增加金芒管鼻蝠（網具捕捉）達 21 種；2016 年新增毛翼管鼻蝠（網具捕捉）後使得物種累積達 22 種至今 (2020) 年上半年。

參考特生中心於 2007 至 2010 年間在雲林縣斗六丘陵湖山水庫預定地與周邊區域所進行的多年蝙蝠調查結果，亦呈現類似的物種數累加趨勢，即幾乎每年都會有 1-2 種地區新紀錄種蝙蝠的發現 (鄭錫奇等 2010)。也就是說，若要確切得到一個地區相對完整的蝙蝠相，不僅需要運用多樣化的調查方法，而且須按季節持續 進行多年（至少 5 年）的調查始能達成。然而，納悶的 是，雖然我們努力調查多年，除了顯著地增加調查區域內 15 種蝙蝠的新發現紀錄外，迄今仍無發現弘益生態有限公司於 2010 年在同一區域調查所得之高頭蝠 (Scotophilus kuhlii) 分布資料。

與昔日調查資料比較

特生中心 2003 年在宜蘭與花蓮兩縣市進行的蝙蝠類調查，總計發現了 19 種蝙蝠(鄭錫奇與張簡琳玟 2003)，然而若只篩選該成果中，沿蘇花公路及兩側延伸海拔 500m 以下區域（因本蘇花改計畫調查範圍低於海拔 500m），則為 12 種；另於 2004 年執行宜蘭縣和花蓮縣野生哺乳類動物及花東地區的翼手目調查，共發現 20 種蝙蝠，而在低於 500m 的區域則僅發現 9 種(鄭錫奇等 2004)；而 2006 年進行花蓮縣野生哺乳類動物調查時，於秀林鄉發現了臺灣葉鼻蝠與渡瀨氏鼠耳蝠（現稱赤黑鼠耳蝠）2 種蝙蝠 (鄭錫奇等 2006)。

根據上述文獻所發現的物種與本計畫多年 (2012-2019 年) 的結果比較，同一海拔區域內僅臺灣無尾葉鼻蝠為本計畫迄今尚未有記錄的種類，而本計畫所發現的堀川氏棕蝠、絨山蝠、東方寬耳蝠、寬吻鼠耳蝠、毛翼管鼻蝠、金芒管鼻蝠、 黃胸管鼻蝠、隱姬管鼻蝠及東亞游離尾蝠等 9 種則為昔日文獻未曾記錄的地區新紀錄種。

太魯閣國家公園管理處曾委辦執行「太魯閣國家公園蝙蝠族群動態智慧監控規劃」(謝伯娟與陳宏彰 2016)，該計畫同樣採網具捕捉、超音波測錄及棲所探查等 3 種調查方法進行調查，惟其執行範圍（於花蓮縣山區）沿台 8 線中橫公路東段涵蓋園區內低、中、高海拔區域，結果發現 5 科 15 屬 24 種，其中除了分布於中高海拔的臺灣長耳蝠、紅棕鼠耳蝠與姬管鼻蝠外，其他 21 種在本計畫皆有發現。可見台 9 線蘇花公路沿線及周邊範圍的蝙蝠物種多樣性堪稱豐富。

蝙蝠的季節性遷移行為

由近 8 個年度的調查結果顯示，雖然不同季節發現之種數不盡相同，然而春、夏、秋季為物種出現較多的季節（2018 年春季最多可達 17 種），蝙蝠活動力較低的冬季則相對較少（2015 年最少僅發現 8 種）。雖然至少 15 種蝙蝠四季均可在調查範圍中發現，但部分物種僅於特定季節出現，如黃頸蝠和絨山蝠只零星於春、夏、秋季發現（音頻資料），在冬季則無任何紀錄。

臺灣的蝙蝠會隨著季節的更迭而進行海拔垂直遷徙現象陸續被發現 (鄭錫奇及張簡琳玟 2008；鄭錫奇等 2009)，其中以黃胸管鼻蝠最為典型，牠們在溫暖的季節 (如夏季) 通常會在低海拔區域棲息、活動及繁殖育幼，而在冬季時則遷到高海拔超過 3,000m 的山區度冬，年復一年地在不同海拔間遷移。

然而，我們調查捕獲的資料顯示，在 2013 年秋季及 2017 年冬季在花蓮秀林鄉同一樣區 (海拔 120m) 各捕獲 1 隻東方寬耳蝠，這 2 筆資料為該物種目前全臺海拔分布最低紀錄；同樣地於 2014、2017 年冬季及 2019 年秋季分別在花蓮秀林鄉樣區內各捕獲 4 隻、1 隻及 1 隻的寬吻鼠耳蝠雄性個體，此紀錄亦為寬吻鼠耳蝠於臺灣的最低海拔 (120m) 分布資料；另外也於 2015 年秋季及 2018 年度春季於花蓮秀林鄉和平地區的不同樣區內捕獲各 1 隻個體的金芒管鼻蝠。唯一 1 隻毛翼管鼻蝠則在 2016 年秋季以網具捕獲。這些溫暖季節主要分布於中高海拔的物種竟然在冬季時逆向降遷至蘇花改低海拔區域活動，其原因仍不清楚。

捕捉標放探討時空變動

歷年研究人員以網具捕獲或棲所探查捕撈的個體都會以具號碼的翼標標示個體，並在原地釋放， 之後藉由再捕獲紀錄探討其不同時空下的變動情形。近 8 個年度本計畫總共捕捉標放了 17 種共 580 隻的蝙蝠，其中以臺灣管鼻蝠 219 隻最多，其次為玄彩蝠 (85 隻)、隱姬管鼻蝠 (66隻)、長趾鼠耳蝠 (64 隻)、長尾鼠耳蝠 (36 隻)、赤黑鼠耳蝠 (25 隻)、堀川氏棕蝠 (24 隻)、臺灣小蹄鼻蝠 (22 隻) 等，其餘如臺灣葉鼻蝠、東亞摺翅蝠、黃胸管鼻蝠、寬吻鼠耳蝠、臺灣大蹄鼻蝠、東方寬耳蝠、山家蝠、金芒管鼻蝠及臺灣家蝠之標放個體都少於 10 隻。

標放個體中有 8 種 78 隻陸續再被重複捕捉，最多者為臺灣管鼻蝠 31 隻，其中有 2 隻重複捕捉 4 次，10 隻 3 次，再捕捉間隔時間最長為標放 3 年後於相同樣點再次捕獲。這些重復捕捉資料顯示， 臺灣管鼻蝠對於當地棲地有明顯的棲地重複利用習性，牠們會棲息的處所包括乾枯的香蕉捲葉叢 (周政翰等 2008)、戶外枯木燈罩 (謝伯娟與陳宏彰等 2016)、枯萎的月桃捲葉 (鄭錫奇等 2017) 等。次多者為玄彩蝠，有 22 隻個體被重覆捕捉，有 3 隻捕捉紀錄達 5 次 (次數最多者)，其中 1 隻連續 4 年 (2012- 2015) 在相同樣區的新生芭蕉捲葉中被發現，其餘達 4 次者有 4 隻、3 次者 1 隻、2 次者有 13 隻。

換言之，這些玄彩蝠經常出現在捕捉標放的地點或鄰近區域內。根據許家維 (2016) 在臺中烏石坑地區的研究，玄彩蝠對於當地蕉叢棲所及棲息環境有相當程度的依賴性，因此一旦蕉叢大量消失，都將影響玄彩蝠族群的存續。此外，有 4 隻長趾鼠耳蝠在不同年間於相同樣點捕獲，其中間隔年度最長為第一次捕捉標放 (2012年) 後的第 6 年 (2018)(間隔年度最長紀錄)。

另如前述，我們也曾發現臺灣大蹄鼻蝠會連續數年四季中均棲息在同一洞穴中、堀川氏棕蝠會多年重複利用一處橋墩下作為夜間休息處；其他較零星的捕捉標放資料尚包括赤黑鼠耳蝠、長尾鼠耳蝠、隱姬管鼻蝠等亦會經常使用某些棲地與處所 而被重複捕捉。這些現象顯示出蝙蝠對特定棲息地具有相當高的忠誠度 (fidelity)。

蘇花改工程會影響蝙蝠嗎?

由 8 個年度 (2012-2019) 的調查結果顯示，以年間蝙蝠組成而言尚稱穩定，雖然蘇花改不同路段的工程施工時程有別，而不同蝙蝠物種對於棲地工程干擾的反應也可能不一。蘇澳～東澳路段（本計畫北段）共計發現 5 科 10 屬 18 種蝙蝠，南澳～和平路段（中段）5 科 14 屬 22 種蝙蝠，而在和中～大清水路段（南段）則發現 5 科 10 屬 18 種蝙蝠，中段樣區內記錄的種類較多，主要差異為捕捉到一些主要分布於中高海拔山區的物種，如東方寬耳蝠、寬吻鼠耳蝠、毛翼管鼻蝠及金芒管鼻蝠等。

此外，由調查資料較多者之堀川氏棕蝠、長趾鼠耳蝠及山家蝠（視為指標物種）的 監測趨勢顯示，長期而言不同年間物種組成的差異 雖然不明顯，但在短期只要樣區環境發生突然的變化，如工程施作、棲地破壞（如林木大量砍除）、環境汙染（如除草劑或農藥噴灑），或每年的夏、秋季颱風來襲，常會立即反映在蝙蝠類群的調查結果（數量）上。

因此，我們認為天災為自然現象，但人為的工程施作則應儘量縮小範圍，並避免非必要的植被移 除或破壞，因為森林型棲息地對某些蝙蝠（如臺灣管鼻蝠、隱姬管鼻蝠及玄彩蝠等）至關重要，一旦破壞則會嚴重影響其族群存續。事實上，每個物種對生態系都有牠們重要的功能，我們會在工程完成通車後持續瞭解蝙蝠利用棲地與棲所的狀況，咸信對物種的生活史及生態習性更為瞭解後，將可避免或降低人為工程施作對生物的干擾與傷害，以維持當地生物多樣性的豐富，達到與生態保育雙贏的局面。

後記

本文描述的年度主要為 2012 至 2019 年的調查結果，然而今 (2020) 年仲夏 7 月間研究人員特別在南澳至和平間新選一處樣點，利用網具進行捕捉調查，結果一夜間總計捕獲了 32 隻蝙蝠，其中還包括歷年只有超音波音頻資料的黃頸蝠，捕獲數量竟有 14 隻之多，同時亦捕獲 1 隻華南水鼠耳蝠，為本區域的新紀錄種，令人意外又驚喜。

這種結果除了直接證實以往僅利用音頻辨識發現的黃頸蝠的確存在蘇花公路沿線環境中外，更使得本計畫在蘇花公路沿線多年的蝙蝠調查紀錄（22 種）再添 1 種而達 5 科 14 屬 23 種，占臺灣本島食蟲性蝙蝠物種數之 72%，顯 示自然環境豐富而多樣的蘇花公路沿線所孕育的蝙蝠資源確實是多樣而特殊，值得我們持續瞭解並積極保育。