樹幹甲蟲(Stenopelmus rufinasus)大戰滿江紅(azolla)

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

有些故事代代相傳之下，經歷非常漫長的時光。過去很久以後，五百年、三千年或一萬年，都已經是「很久很久以前」，難以判斷到底多久。2023 年發表的一項研究認為，澳洲南方的塔斯馬尼亞島，有個故事似乎能追溯到超過一萬年前。

塔斯馬尼亞的祖傳故事

大英帝國的調查隊抵達塔斯馬尼亞初期，估計島上約六千到八千位居民；原住民們統稱為「palawa」，不過又能分成多個有所區別的族群。英國人在公元 1803 年建立第一個殖民地，然後，不意外地起爭議。

走訪塔斯馬尼亞各地，留下許多紀錄的英國人魯賓遜先生（George Augustus Robinson）。圖／參考資料3

殖民者與原住民的衝突加劇後，1823 到 1832 年間導致約兩百位殖民者及九百位原住民身亡。有些英國人希望能和平解決問題，最終勸誘加上強迫，1829 到 1835 年間將島上的原住民，都成功遷移到位於塔斯馬尼亞和澳洲之間，巴斯海峽的弗林德斯島（Flinders）。

英國人認為這是一次「友善」的轉移任務。以當時狀況而言，確實算是相對和平的收場，但是慘遭強制搬遷的原住民依然損失慘重，人口以外，他們脫離原本的家園「Lutruwita」，文化、語言幾乎喪失殆盡。

遷徙計畫中，英國人魯賓遜先生（George Augustus Robinson）可謂關鍵角色。他走訪塔斯馬尼亞各地，說服原住民搬家，也對當地風俗文化非常好奇，留下大量紀錄。

這些 1830 年代的紀錄，就像塔斯馬尼亞傳統文化的切片。後來有些原住民重返塔斯馬尼亞，試圖擺脫殖民時，英國殖民者當初搜集原汁原味的資料，也成為重建傳統的材料之一。

魯賓遜等人搜集的紀錄來自多位原住民的說法，其中一個故事相當費解，至少當年魯賓遜無法理解，新問世的論文總算揭開奧秘。

情節湊不上，是因為發生在太久之前

祖先的遷徙故事，提到他們來自一片大陸；後來大陸被海水淹沒，當時岸邊附近有冰山漂浮。那時望向南方的天空，可以見到一顆很亮的星。

塔斯馬尼亞與澳洲之間的地形。兩地之間原本存在陸橋，海水上升後形成巴斯海峽。圖／參考資料1

塔斯馬尼亞原住民一代一代仰望星空，也建立一些自己的天文學知識，被魯賓遜忠實收錄。那顆南方大星星卻令人費解，因為星空中根本沒有符合描述的那顆星。最可能的對象是老人星（Canopus），也稱為船底座α（α Carinae）。

星空中最亮的是天狼星，第二就是老人星，顯然它非常顯眼，可是位置明顯有差。是原住民唬爛，還是魯賓遜唬爛，或是魯賓遜紀錄錯誤呢？新的分析指出，他們都是正確的，因為一萬兩千年前的星空，老人星確實處於故事中的那個位置。

首先，故事提到祖先前來的道路被大海淹沒，冰山在岸邊漂浮。對照現代科學知識，能輕易推論這講的是冰河時期結束，海平面上升，淹沒澳洲與塔斯馬尼亞之間的陸橋，形成巴斯海峽，讓塔斯馬尼亞成為一個四面環海的島。

接著是星空為什麼不同？從地球表面仰望夜空，星星的分布位置會由於「歲差」緩慢改變。回溯調整成一萬多年前的星空，老人星的確就在那兒。

地表很多位置都能見到南方明亮的老人星，不同民族、文化各有自己的想像。台灣人即使沒有親眼注意過，也肯定知道老人星，因為這就是福祿壽中的「壽星」，形象化叫作南極仙翁。

有趣的是，中文名字叫老人星，英文名字 Canopus 則來自特洛伊戰爭傳說中的一位年輕人，他是航海家，後來不幸在埃及被毒蛇咬死……所以中國想像這顆星是老人，歐洲卻想像是年輕小夥。

回溯塔斯馬尼亞 1831 年 8 月 1 日，凌晨 5 點時的星空。圖／參考資料1

難以理解的時候，先忠實紀錄

考慮到魯賓遜紀錄的日期是 1830 年代，更加深故事的真實感，因為當時英國人還不知道「冰河時期結束導致海面上升」。阿加西（Louis Agassiz）首度宣稱冰川歷史的想法要等到 1837 年，更多年後取得較多支持，十九世紀後期才廣為人知。

魯賓遜等歐洲人對聽到的故事內容難以理解，他們或許會聯想到聖經的大洪水，但是完全想像不到冰河時期。所以這些內容，大概更能免於印象或偏好影響，反映忠實的紀錄。

據此推敲，塔斯馬尼亞祖傳故事講的是：「大約 1.2 萬年前海水上升之際，明亮的老人星在那個位置」。如果推論正確，這便是傳承 1.2 萬年的口述歷史，堪稱全人類罕見的文化遺產。

有人或許會好奇，一些研究認為早在四萬年前，已經有人穿過澳洲，抵達塔斯馬尼亞。可是島上原住民的祖先故事，卻是一萬多年前？

我想可能是因為，記憶對於愈久遠的事情常常會愈壓縮，把更早發生的事情疊加到比較近期，印象很深的事件中。或許原住民的祖先很早就過去，但是海水上升淹沒陸橋令人印象太過深刻，就變成故事的素材。

另一件啟示是，世界上不知道的事情太多了，當你不太理解聽到什麼的時候，不要試著腦補，就照聽到的忠實紀錄下來！

延伸閱讀

• 短篇 比文學更古老的重金屬故事
• 手指彩虹會發生不好的事？——白樂思的最後研究「彩虹禁忌」
• 過了一萬年，如何仍能讓這些原住民認祖歸宗？
• 遺傳學怎麼協助澳洲原住民，尋回失竊的一代？

參考資料

1. Hamacher, D., Nunn, P., Gantevoort, M., Taylor, R., Lehman, G., Law, K. H. A., & Miles, M. (2023). The archaeology of orality: Dating Tasmanian Aboriginal oral traditions to the Late Pleistocene. Journal of Archaeological Science, 105819.
2. Rising seas and a great southern star: Aboriginal oral traditions stretch back more than 12,000 years
3. GEORGE AUGUSTUS ROBINSON
4. 老人星名字來源神話人物 Canopus 維基百科

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。

虛構人物福爾摩斯，就是偵探的代名詞。英國小說家柯南道爾創作的這位名偵探，活躍於 19 世紀晚期到 20 世紀初期，那時古人類學已經起步，博學多聞的福爾摩斯應該有機會知道某些化石。奇妙的是，他竟然還見過尚未出土的死人骨頭？

請注意，本文包含古人類遺骸的圖像。

福爾摩斯遇見古人類化石

柯南道爾的故事設定中，福爾摩斯是存在於現實歷史的虛構人物。例如故事中公元 1896 年發生的事件，現實中也應該在這個時候上演，而 1899 年更晚的事情還沒有發生。

短篇小說《三名同姓之人（The Three Garridebs）》，以一個罕見姓氏 Garridebs 導引出簡短卻高潮起伏的探案。故事中有一位角色喜歡收藏古物，也包括幾件人類化石。

華生醫師第一人稱的描述是：

「當我環顧四周，我驚訝於此人興趣之廣。這兒是一箱古錢幣。那兒有一櫃子的燧石工具。中間桌子後方是個裝著化石骨頭的大櫃子，裡頭擺著一排石膏頭骨，有尼安德塔人（Neanderthal）、海德堡人（Heidelberg）、克羅馬儂人（Cro-Magnon）等名字標示。很顯然他是許多主題的學習者。」

「As I glanced round I was surprised at the universality of the man’s interests. Here was a case of ancient coins. There was a cabinet of flint instruments. Behind his central table was a large cupboard of fossil bones. Above was a line of plaster skulls with such names as “Neanderthal,” “Heidelberg,” “Cro-Magnon” printed beneath them. It was clear that he was a student of many subjects. 」

故事中這位角色有哪些收藏品並不影響劇情，不過敘述這般瑣碎的細節，有助於強化真實感，算是一項創作技巧。這些頭骨化石不是原件，而是石膏複製品（plaster skulls），也證實角色自稱家中藏品沒什麼值得偷竊的價值。

可是故事開頭，華生醫師十分明確表示此案發生在 1902 年：

「那日期我記得特別熟，因為福爾摩斯在同一個月，拒絕一項也許有一天會講出來的爵位。……然而我重申，這使我能夠確定日期，亦即 1902 年 6 月下旬，南非戰爭結束後不久。」

「I remember the date very well, for it was in the same month that Holmes refused a knighthood for services which may perhaps some day be described…… I repeat, however, that this enables me to fix the date, which was the latter end of June, 1902, shortly after the conclusion of the South African War. 」

這兒提到 1902 年結束的南非戰爭是「第二次波耳戰爭」。真實歷史中，那時柯南道爾已經靠著福爾摩斯成為知名作家；他以醫師的本行親自參戰，擔任軍醫而受封爵士，也是柯南道爾爵士（Sir Arthur Ignatius Conan Doyle）名號中「爵士（Sir）」的由來。

對照如此明確的日期，令人愈想愈不對勁。與尼安德塔人並列的「Heidelberg」顯然指的是 Homo heidelbergensis ，但是第一件海德堡人化石要等到 1907 年才在德國出土，更早的 1902 年絕不可能存在石膏複製品，被福爾摩斯與華生見到。

• 延伸閱讀：海德堡人－人類承先啟後的演化關鍵

容易起爭議的海德堡人

解開此一謎題大概不需要福爾摩斯的推理能力。《三名同姓之人》於 1924 年發表，那時海德堡人大概已經有點名氣，被取材用於偵探故事中增添血肉。柯南道爾與編輯卻沒有注意到 1902 年之際，海德堡人仍不存在。

另一方面，即使是故事發表的 1924 年，「海德堡人」也應該還沒有頭骨，不會有石膏複製品。1907 年出土，隔年公開的化石 Mauer 1 只有下顎，沒有頭骨。

1921 年在非洲南部 Kabwe 出土的化石包括頭骨，但是當時將其分類為羅德西亞人（Homo rhodesiensis），多年後才歸入海德堡人旗下。這條消息或許影響過柯南道爾 1924 年發表的創作，詳情不得而知。

Kabwe 在 1921 年屬於大英帝國的北羅德西亞（Northern Rhodesia）殖民地，現在則是尚比亞的疆域。有人主張這群死人骨頭算是非洲的海德堡人，也有人認為是不同的羅德西亞人，還有人提出應該歸於波多人（Homo bodoensis）……反正一百多年來，海德堡人的爭議持續不休，即使配備福爾摩斯的智謀，大概也無法解開這些難題。

故事中海德堡人以外的兩款化石，尼安德塔人最初問世於 1856 年，克羅馬儂人則是 1868 年。到 1902 年都已經是特定圈子內普及的知識，也買得到石膏頭骨複製品，可謂有血有肉的安排。

• 延伸閱讀：克羅馬儂人是什麼人？尼安德塔人跟智人是不是同種？

大英帝國的榮耀

古人類化石中，1924 年的柯南道爾想必也知道皮爾當人（Piltdown Man）。這是英國人 1912 年偽造的化石，由紅毛猩猩和數百年前的智人骨頭加工而成，但是要等到 1953 年才證實造假。

捏造的皮爾當人被不少英國人認同，也騙過不少專家，讀過《三名同姓之人》好像能稍加體會時代背景。

故事中那位收藏家以史隆（Hans Sloan，1753 年去世後他的收藏催生出大英博物館）為楷模，實則相當平凡。他的藏品應該能代表當時對人類化石的普遍印象，也就是說，德國出土的尼安德塔人、海德堡人，以及法國出土的克羅馬儂人……榮耀的大英帝國豈能忍受！

可惜 1910 年代以後，福爾摩斯便退隱江湖不再辦案。否則以他的才智展開調查，哪需要等 40 多年才確認皮爾當人造假！

不追究那些死人骨頭，《三名同姓之人》也相當有意思。故事雖短，卻發生壞人打槍、華生流血，福爾摩斯激動、華生興奮、福爾摩斯用小刀割開華生褲子等情節，鐵與血的糾葛、靈與肉的碰撞，亂七八糟的 ❤️

延伸閱讀

• 海德堡人－人類承先啟後的演化關鍵
• 舊化石重新定義，古人類新物種：Homo bodoensis 波多人
• 短篇  30萬年前Kabwe海德堡人，智人祖先的鄰居
• 人類對自身起源的百年追尋
• 人類演化研究史上最大造假醜聞－皮爾當人
• 她是考古學的先驅，也是劍橋大學第一位女性教授｜桃樂絲．加洛德(上) 
• 加洛德的掙扎與偉大：不是不能兼行政，但還是最愛考古研究｜桃樂絲．加洛德(下) 

參考資料

1. 《三名同姓之人》小說原文：THE THREE GARRIDEBS

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。