烏鴉很聰明？－《烏鴉的教科書》

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

比孔雀還要顯眼、高調的鳥類並不多，但如果可以的話，我想請各位先忽略牠那華麗又色彩斑斕的尾羽。我們要將關注焦點放在孔雀頭上形成冠羽的那些硬挺羽毛。

細節藏在羽毛的「振盪頻率」裡

這些長得像鍋鏟的羽毛雖然也很醒目，卻常常被忽略。蘇珊．阿瑪德．康恩（Suzanne Amador Kane）從專門繁殖鳥類的鳥舍與飼養員那裡找來了一些孔雀，再加上一隻來自動物園、曾經不小心飛進北極熊圍欄裡的倒霉孔雀，想要研究孔雀冠羽的用途。

她的學生丹尼爾．凡．貝爾倫（Daniel Van Beveren）在孔雀冠羽上裝設了機械振盪器，並且觀察冠羽的擺動。當機器的振盪頻率為二十六赫茲時──也就是一秒振盪二十六次──冠羽擺動得特別劇烈。這是會令孔雀冠羽產生共鳴的頻率，也正好是雄孔雀求偶時擺動尾羽的頻率，因此康恩對我說：「這不可能只是巧合。」

凡．貝爾倫對著架設好儀器的孔雀冠羽播放各種錄音，假如播出的是真正的孔雀搖動尾羽的聲音，冠羽就會產生共鳴；若是播放其他聲音，例如 Bee Gees 的〈Staying Alive〉，就沒有這種效果。

該研究結果顯示，站在求偶的雄孔雀面前的雌孔雀或許真的能夠感知到雄孔雀尾羽製造出的氣流。除了看見雄孔雀賣力的求偶動作以外，雌孔雀或許也能感覺到這一番努力。（這種現象也會反過來，有時候雌孔雀也會對雄孔雀展現自己。）

康恩想要拍攝真實的孔雀求偶時冠羽的模樣，觀察牠們擺動冠羽的頻率是否真和尾羽相同，藉此證明她的論點。假如真是如此，就表示孔雀求偶的過程中除了有浮誇的視覺效果以外，其實還存在著人類一直以來都沒注意到的元素；而我們會忽略這些細節，是因為缺少適當的配備。

假如連大自然中如此耀眼浮誇的行為展演中，都有被我們忽視的環節，我們到底還錯失了多少東西？

孔雀細小的纖羽會告訴我們答案

從孔雀冠羽底部細小的纖羽（filoplume）就能找出線索。纖羽的樣子就像一根尖端為簇狀的茅，還能做為機械性受體之用。

當空氣流動擾動了冠羽，便會擠壓到纖羽，進而觸發神經。大部分的鳥類都有纖羽，而且幾乎都會伴隨其他羽毛一起發揮作用。

鳥類可以透過纖羽掌控羽毛的狀態，因此或許能夠在鳥羽澎亂時即時整理羽毛，重整態勢。不過纖羽還有一項最重要的功用──幫助鳥類飛行。

避免失速墜落的技巧

鳥飛行的樣子看起來是如此地輕鬆自在，因此我們很可能根本想不到那是一件多費力的事。為了維持在空中飛行，鳥必須一直調整翅膀的型態與角度。如果一切都對了，氣流就能順著翅膀流動，鳥類的身體也就能順利抬升至空中。

然而如果鳥的翅膀角度太大，原本順暢的氣流會形成擾流，抬升的力量也就隨之消失，這種現象叫做失速（stalling）。一旦鳥無法避免這種狀態產生或即時修正，就會從天上掉下來。不過這不常發生，一部分原因是因為纖羽能為鳥類提供必要資訊，因此能夠因應各種情況快速調整翅膀的狀態，避免不幸。

老實說，這種能力實在相當驚人。我記得有次站在船上看著一隻海鷗緊跟船身飛行；那天風很大，而我們──也就是我坐的船和那隻海鷗──都在高速移動。當我伸出手感受從手上與指間吹過的風時，不禁讚嘆海鷗的翅膀竟然也能產生同樣的作用，讓鳥類能夠在天空中飛翔。

然而我當時我根本不知道鳥類還會運用纖羽判讀氣流，在飛行時不斷微調姿態。法國的眼科醫師安德烈．羅尚－杜維尼奧（André Rochon-Duvigneaud）曾描述鳥是「一對靠雙眼引導方向的翅膀」，不過這個說法還不夠正確──鳥的翅膀其實會為自己找到方向。

蝙蝠翅膀長得不一樣，功能卻一點都不差

蝙蝠的翅膀也是如此。牠們翅膀的薄膜雖與鳥羽構造大不相同，敏感度卻不相上下。蝙蝠的翅膀薄膜上布滿有敏銳觸覺的毛髮，這些毛髮從小小的半圓球狀上凸出，並且連接著機械性受體。

蘇珊．斯德賓發現這些毛髮大多數只會對來自蝙蝠背後往前吹拂的氣流有反應，而這種現象通常在蝙蝠快要失速時才會出現。因此蝙蝠其實就跟鳥類一樣，都能感覺出快要失速的狀態，也能夠及時採取行動修正。

多虧這些毛髮，蝙蝠能以陡峭的角度飛行、在空中盤旋和後空翻，捕捉在尾巴附近的昆蟲，甚至還能以頭下腳上的姿態降落。當斯德賓以除毛膏去除蝙蝠翅膀上的毛髮，並讓牠們飛過障礙物後，可以發現毛髮消失對牠們產生的影響非常明顯。

牠們雖然不會墜落，卻會選擇與周邊的物體保持相當的距離，轉彎的角度也比平常更大，姿態更笨拙；反之，假如牠們翅膀上的毛髮完好無缺，就能夠以離物體僅僅幾公分的姿態飛行，還能做出過髮夾彎一般的飛行動作。

對牠們來說，氣流感受器的存在與否決定了牠們只能用一般方式飛行，還是能夠進一步做出各種飛行特技。

對於其他動物來說，這些感受器的存在很可能更是存亡與否的關鍵。這或許就是為什麼它們會演變為這世上數一數二敏感的器官。

——本文摘自《五感之外的世界：認識動物神奇的感知系統，探見人類感官無法觸及的大自然》，2023 年 8 月，臉譜出版，未經同意請勿轉載。

認知功能與新皮質

人類優越的認知功能，是我們與我們的靈長類親戚最大的差別。我們的視覺和聽覺能力與猴子相似，但只有人類會使用複雜的語言，製造複雜的工具如電腦，以及能夠探討演化、遺傳和民主之類的概念。

弗農・蒙卡索（Vernon Mountcastle）認為，新皮質中每一個皮質柱都執行相同的基本功能。果真如此，在某個基本層面上，語言和其他高階認知能力，與視覺、觸覺和聽覺能力是一樣的。這不是顯而易見的事，閱讀莎士比亞的著作與拿起一個咖啡杯看來並不相似，但根據蒙卡索的想法，兩者基本上是同一回事。

蒙卡索知道皮質柱並不完全相同，例如從手指獲得輸入的皮質柱，與理解語言的皮質柱有物質上的差異，但兩者相似之處多過差異。蒙卡索因此推斷，一定有某種基本功能支撐新皮質所做的一切——並非僅限於感知，還包括我們視為屬於智能的所有能力。

視覺、觸覺、語言、哲學之類的不同能力本質上相同，這樣的想法是許多人難以接受的。至於這背後的共同功能是什麼，蒙卡索沒有提出他的想法，而答案實際上也很難想像，人們因此很容易忽視他的理論或直接否定。

例如語言學家就經常把語言說成與所有其他認知能力不同；如果他們接受蒙卡索的想法，他們可能會尋找語言與視覺能力的共同點，以便更好地認識語言。對我來說，蒙卡索的想法令人興奮到不容忽視，而我發現，實證證據壓倒性地支持這個想法。

我們因此面對一道引人入勝的謎題：什麼樣的功能或演算法，可以創造出人類智能的所有方面？

我們如何處理對抽象事物的認知？

到這裡為止，我陳述了一個理論，說明皮質柱如何習得實物——例如咖啡杯、椅子、智慧型手機——的模型。這個理論說，皮質柱為每一個觀察到的物體創建參考框架。如前所述，參考框架就像一個無形的三維網格，圍繞著一個物體並附在它上面。參考框架使皮質柱得以習得物體各個特徵的位置，這些特徵界定了物體的形狀。

較抽象而言，我們可以視參考框架為組織任何類型的知識的一種方式。咖啡杯的參考框架對應一件我們看得見、摸得到的實物，但參考框架也可以用來組織關於我們無法直接感知的事物的知識。

想想那些你知道但不曾直接感知的事物，例如你如果學過遺傳學，會知道 DNA 分子是怎樣的。你可以想像它們的雙螺旋形狀，你知道它們如何利用核苷酸的 ATCG 鹼基為氨基酸序列編碼，你知道 DNA 分子如何解旋複製。

當然，從來沒有人曾直接看到或觸摸過 DNA 分子，我們做不到，因為它們太小了。為了組織我們關於 DNA 分子的知識，我們製作圖片，就像我們可以看到那樣，也製作模型，就像我們可以觸摸那樣。我們因此得以利用參考框架儲存關於 DNA 分子的知識，就像我們利用參考框架儲存關於咖啡杯的知識那樣。

概念知識的認知，同樣使用參考框架

我們利用這種方式處理我們知道的許多東西，例如我們對光子有很多認識，對銀河系也有很多認識。我們同樣把這些事物想成彷彿看得見、摸得到的東西，因此可以利用我們用在日常實物上的那種參考框架機制，組織我們所知道的關於這些事物的事實。

人類的知識也延伸到無法視覺化的事物上，例如關於民主、人權、數學等概念的知識。我們知道關於這些概念的許多事實，但無法利用類似三維物體的東西組織這些事實——你無法輕易想出一個圖像來代表民主這個概念。

概念知識必須有某種形式的組織，民主和數學之類的概念並非只是一堆事實，我們可以加以思考並作出推論，預測我們採取某種行動時將發生什麼事。我們做這種事的能力告訴我們，概念知識必須也是儲存在參考框架中，但這些參考框架可能不容易等同於我們用在咖啡杯和其他實物上的參考框架。

例如，對某些概念最有用的參考框架可能有三個以上的維度，我們無法將超過三個維度的空間視覺化，但站在數學的角度，它們的原理與三維或較少維度的空間相同。

——本文摘自《千腦智能新理論》，2023 年 5 月，星出版出版，未經同意請勿轉載。

跟玩耍同樣很常被問的問題，是「烏鴉很聰明吧」。不過，這個問題非常難回答。而且話頭只要一起，講起來就長了。所以每次被問到的時候，我都只有發出「哼～嗯」的聲音，想就這樣含混過去，可是卻沒有成功過。沒辦法，還是要講一下吧。

在調查動物智能的方法上，有使用史金納箱（Skinner Box）的條件學習實驗。在箱子裡面關著鴿子或猴子[1]，只要問題答對、做對就會得到食物當獎賞。這種機關，不知道你是否曾經看過。這就是史金納箱。在用此做調查後，發現巨嘴鴉記憶事物的速度的確比野鴿快，記得的時間也長。不過，這就像是智能指數測驗一樣。智能指數可能是聰不聰明的要素之一，卻不是聰明的絕對值。也因為如此，我們不是經常會說「考試成績跟聰明與否是不一樣」之類的嗎？

讓問題變得更為麻煩的，是真的有方法能夠統一測量不同種動物的「聰明程度」嗎？例如使用只要能夠接連按下正確答案的按鈕，不久之後就能得到食物的這種裝置讓鴿子做功課的話，鴿子到有食物出現為止，可以連續的啄上幾千次。因為牠們不懂得放棄。舉例來說，當我們把硬幣投入自動販賣機、按下按鈕之後若是果汁沒有掉出來，「不出來耶？不出來耶？不出來耶？」的連續按下幾千次的是野鴿的做法。人類的話應該就會說：「你是白癡嗎？那一定是故障了啊。」一般來說也應該是會按退幣鈕來取回硬幣，再去試別台自動販賣機。那就是人類的「聰明」。

不過在這裡，讓我們從鴿子的觀點來看一看。野鴿的食物是果實或種子，即使是被踩進地裡般的種子，也只是只要持續不停的啄，不久之後總會進到嘴裡。這樣一來，停下來想「該怎麼獲得這個食物才好」等，反而會讓效率變差。野鴿具有的世界觀是禁欲型的「不要思考多餘的事情，只要默默動手就好」。也就是說「不懂得放棄」、「什麼也不想」對野鴿來說是最正確、最聰明的做法。那麼，站在生物的立場，「聰明」的究竟是誰呢？

話說回來，把兩片煎餅重疊得好好的再一口氣啣在嘴裡的烏鴉看起來很聰明。比起用蠻力來敲破核桃，從上空往下丟的方式顯得非常聰明。不特地使用翅膀，而是把核桃放在馬路上，讓車子經過把它壓破的方式看起來更加聰明。對的，問題就在於「看起來」。對人類來說，「看起來很聰明」就是「聰明」的定義。雖然這會陷入「因為聰明所以聰明」的循環論法之中，但是用人類的基準來計測動物的能力原本就是相當勉強的。何況「聰明」還具有「有效的處理」、「想出高效率的方法」等幾種不同的意義。人類所感到的「聰明」應該是指人類本身所必要的能力，也就是指能夠維持複雜的社會、想出補足人手不足的高效率方法，因為如此就必須要記憶經驗加以理解、訂定計畫等的一連串能力吧。在這樣的前提之下（我有說過這會變得很長吧？）再來看烏鴉的能力。的確，牠們能很快的記憶、記憶力良好，而這些特徵就成為讓人類判斷牠們「很聰明」、「頭腦很好」的理由之一了吧。

分布於新喀里多尼亞島上的新喀里多尼亞烏鴉（Corvus moneduloides）不只會使用工具，還會自己製作工具。加拉巴哥群島的啄木樹雀（Camarhynchus pallidus）雖然會把仙人掌的刺當工具使用，但並不會自己加工。新喀里多尼亞烏鴉則會彎曲葉柄，把葉緣切開、調整成容易使用的樣子，然後當做「自己的工具」來重複使用多次。由於「製作」工具一直到不久之前都被認為是人類的專利，即使是近年來也最多只擴張到黑猩猩的程度而已，所以新喀里多尼亞烏鴉讓這件事一口氣做了大幅度的跳躍。

不只如此，在實驗條件下，把食物放進用管子組合而成的裝置中，「啄這邊是沒有用的，所以要從那邊壓下去，讓食物掉在這個洞裡面」般的事情，烏鴉能立刻就看出來，就連「由於用這個工具沒辦法搆到食物，所以得先用這個短的工具把那個長的工具從管子裡拉出來，再換成用長的工具來把食物拉出來」的這種計畫都能夠訂得出來。這只能認為烏鴉並不是單純的「雖然不知道是為什麼，不過啣著這種東西隨便咚咚咚的敲就好了」般的曖昧理解，而是能夠了解工具的特性來訂定計畫。這種能力，果然還是應該很誠實的說是「聰明得驚人」吧。

新喀里多尼亞烏鴉一躍而知名，劍橋大學等也進行了各種各樣的實驗。其中當然有像是「那其他種烏鴉又是如何呢？」般的研究。令人驚訝的是禿鼻鴉會彎曲鐵絲製作工具，把食物鉤上來。老實說，根據我對在日本的冬天看見的禿鼻鴉的印象，是只會成群撿拾掉在地上的稻穗，比較偏向「以烏鴉來說有點笨」的鳥。我真是把牠們給看扁了。只不過禿鼻鴉完全沒有在野外製作工具、使用工具的紀錄。看起來似乎在飼養下所顯露出來的潛在能力，跟在野外很平常的做給大家看的事情是不一樣的呢。

還有一樣，必須要考慮到因物種的不同所造成的生活史差異。關於靈長類的智能，是以「社會性智能」被視為重要。記得整群的成員、整理順位及力量的高下、順利的掌握個體間的關係來平安度日，這些是社會性智能。也可以說是政治頭腦。有種說法認為，也許是由於這被轉移到其他方面，才產生了「高度的智能」。在烏鴉之中，也以渡鴉展現出非常高度的社會性智能，而全面性的被認為是「聰明的動物」。但是，卻完全沒有渡鴉使用工具的報告。牠們明明就會在意別人的視線，觀察其他個體的行為來學習，卻不會想到要使用工具來獲得食物。在鳥類的例子，特化成覓食方法的工夫與厲害程度，可能也具有催生出使用工具的這種特殊「聰明」的一面呢。

以靈長類來說，在聰明程度上有可能不輸給黑猩猩的紅毛猩猩並不會成群。也就是說，牠們被認為不太需要社會性智能。所以我們還不能斷言只有社會性智能對於智能的發展發達是重要的（也有假說認為紅毛猩猩所具有的、能夠預測在樹上移動路線的效率的能力可能與智能有關）。這也就是說，我們不能整個、全面性的說「烏鴉是」很聰明的，因為在烏鴉的「聰明」之中也有各種各樣的種類。以我個人來說，雖然只要做實驗，小嘴烏鴉也應該能夠做出什麼樣的事情來，但是關於覓食，總之要讓什麼都是用蠻力解決的巨嘴鴉來做的話應該就有點難吧？

[1]譯注：當然有時也會使用老鼠或其他動物。

本文摘自《都市裡的動物行為學：烏鴉的教科書》，由貓頭鷹出版。

延伸閱讀：

鳥寶寶還沒出生前也很聰明喔！

鳥兒也會發明、創新和學習！