海洋界的變色龍

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

唉！好曬呀！前兩集，一些觀眾發現我曬黑了。

在臺灣，一向不缺陽光。市面上，美白、防曬廣告亦隨處可見，不過，為什麼我們會被陽光曬傷呢？卻又好像沒聽過被日光燈曬傷的事情？

事實上，這也跟量子力學有關，而且和我們今天的主題密切連結。

之前我們討論到量子概念在歷史上的起點，接下來，我們會進一步說明，量子概念是如何被發揚光大，以及那個男人的故事。

光電效應

在量子力學發展過程中，光電效應的研究是非常重要的轉捩點。

光電效應指的是，當一定頻率以上的光或電磁波照射在特定材料上，會使得材料發射出電子的現象。

在 19 世紀後期，科學家就已經發現某個奇特的現象：使用光（尤其是紫外線）照射帶負電的金屬板，會使金屬板的負電消失。但當時他們並不清楚背後原理，只猜測周遭氣體可能在紫外線的照射下，輔助帶負電的粒子從金屬板離開。

於是 1899 年，知名的英國物理學家 J. J. 湯姆森將鋅板放置在低壓汞氣之中，並照射紫外線，來研究汞氣如何幫助鋅板釋放負電荷，卻察覺這些電荷的性質，跟他在兩年前（1897 年）從放射線研究中發現的粒子很像。

它們是比氫原子要輕約一千倍、帶負電的微小粒子，也就是我們現在稱呼的電子。

1902 年，德國物理學家萊納德發現，即使是在抽真空的玻璃管內，只要照射一定頻率以上的光，兩極之間便會有電流通過，電流大小跟光的強度成正比，而將光線移除之後，電流也瞬間消失。

到此，我們所熟知的光電效應概念才算完整成型。

這邊聽起來好像沒什麼問題？然而，若不用現在的量子理論，只依靠當時的物理知識，很難完美解釋光電效應。因為根據傳統理論，光的能量多寡應該和光的強度有關，而不是光的頻率。

如果是光線把能量傳給電子，讓電子脫離金屬板，那為什麼需要一定頻率以上的光線才有用呢？比如我們拿同樣強度的紫外線跟紅外線去照射，會發現只有照射紫外線的金屬板才會產生電流。而且，當紫外線的頻率越高，電子的能量就越大。

另一方面，若我們拿很高強度的紅外線去照射金屬板，會發現無論如何都不會產生電流。但如果是紫外線的話，就算強度很低，還是會瞬間就產生電流。

這樣難以理解的光電效應，使得愛因斯坦於 1905 年一舉顛覆了整個物理學界，並建立了量子力學的基礎。

光電效應的解釋

為了解釋光電效應，愛因斯坦假設，電磁波攜帶的能量是以一個個帶有能量的「光量子」的形式輻射出去。並參考先前普朗克的研究成果，認為光量子的能量 E 和該電磁波的頻率 ν 成正比，寫成 E=hν，h 是比例常數，也是我們介紹過的普朗克常數。

在愛因斯坦的詮釋下，電磁波的頻率越高，光子能量就越大，所以只要頻率高到一定程度，就能讓電子獲得足以逃脫金屬板的能量，形成電流；反過來說，如果電磁波的頻率不夠高，電子無法獲得足夠能量，就無法離開金屬板。

這就像是巨石強森一拳 punch 能把我打昏，但如果有個弱雞用巨石強森百分之一的力道打我一百拳，就算加起來總力道一樣，我是不會被打昏，大概也綿綿癢癢的，不覺得受到什麼傷害一樣。

而當電磁波的強度越強，代表光子的數目越多，於是脫離金屬板的電子自然變多，電流就越大。就如同我們挨了巨石強森很多拳，受傷自然比只挨一拳要來得重。

雖然愛因斯坦對光電效應的解釋看似完美，但是光量子的觀點實在太過激進，難以被當時的科學家接受，就連普朗克本人對此都不太高興。

對普朗克來說，基本單位能量 hν，是由虛擬的「振子」發出的；但就愛因斯坦而言，電磁波本身的能量就是一個個光量子，或現在所謂的「光子」。

然而，電磁波屬於波動，直觀來說，波是綿延不絕地擴散到空間中，怎麼會是一個個攜帶最小基本單位能量的能量包呢？

美國物理學家密立根就堅信愛因斯坦的理論是錯的，並花費多年時間進行光電效應的實驗研究。

到了 1914 年，密立根發表了世界首次的普朗克常數實驗值，跟現在公認的標準數值 h=6.626×10^-34 Js（焦耳乘秒）相距不遠。

在論文中，密立根更捶心肝（tuî-sim-kuann）表示，實驗結果令人驚訝地與愛因斯坦那九年前早就被人拋棄的量子理論吻合得相當好。

這下子，就算學界不願相信愛因斯坦也不行了。愛因斯坦也因為在光電效應的貢獻，獲得 1921 年的諾貝爾物理獎。

光電效應的應用

在現代，光電效應的用途廣泛。我們日常生活中常見的太陽能發電板，利用的就是光電效應的一種，稱為光生伏打效應，材料內部的電子在吸收了光子的能量後，不是放射到周遭空間，而是在材料內部移動，形成正負兩極，產生電流。

而會不會曬傷也跟光子的能量有關。

曬傷是皮膚受到頻率夠高的太陽光，也就是紫外線裡的 UVB 輻射造成的損傷。這些光子打到皮膚，會讓 DNA 分子裡構成鍵結的電子逃逸，引起皮膚細胞中 DNA 的異常變化，導致細胞損傷和免疫反應，這就是為什麼曬傷後皮膚會出現紅腫、疼痛和發炎的原因。

而頻率較低的光線，因為光子能量偏低，所以就不太會造成傷害，這也是為什麼我們沒聽過被日光燈曬傷這種事。

結語

從 17 世紀後半，惠更斯和牛頓各自提出光的波動說和微粒說開始，人們就聚焦於光到底是波動還是粒子的大哉問；19 世紀初，湯瑪士．楊用雙狹縫干涉實驗顯示了光的波動性，而到 19 世紀中後期，光屬於電磁波的結論終於被馬克士威和赫茲分別從理論和實驗兩方面確立。

經過約莫兩百年的研究發展，世人才明白，光是一種波動。

怎知，沒過幾年，愛因斯坦就跳出來主張光的能量由一個個的光量子攜帶，還通過實驗的檢驗——光又成為粒子了。

物理學家不得不承認，光具有波動和粒子兩種性質，而會呈現哪一種特性則依情況而定，稱為光的波粒二象性。

愛因斯坦於 1905 年提出的光量子概念，顛覆了傳統認為波動和粒子截然二分的觀點，將光能量量子化的詮釋也被實驗印證，在那之後，除了光的能量之外，還有其他物理量被發現是「量子化」的，像是電荷。

我們現在知道，電荷也有個基本單位，就是單一電子攜帶的電荷大小。

儘管之後又發現組成原子核的夸克，具有 -1/3 和 +2/3 單位的基本電荷，但並沒有改變電荷大小是不連續的這件事，並不是要多少的電量都可以。

如果你覺得很奇怪，不妨想想，我們用肉眼看會覺得身體的每一個部位都是連續的，但其實在微觀尺度，身體也是由一個個很小的原子和分子組成，只是我們根本看不出來，才覺得是連續的。

光子的能量和電荷的大小，其實也是像這樣子，細分下去就會發現具有最基本的單位，不是連續的。

事實上，量子力學在誕生之後，一直不斷地為人們帶來驚喜，簡直就是物理學界突然闖進一隻捉摸不定的貓。我們下一個故事，就要來聊量子力學發展過程中，打破世間常識的某個破天荒假說，而假說的提出者，是大學原本主修歷史和法律，擁有歷史學士學位，但後來改念物理，並憑藉博士論文用 5 年時間就拿到諾貝爾物理學獎的德布羅意。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

在爬蟲動物中，變色龍是善變的偽裝高手，而在茫茫大海中，其實也藏有偽裝的高手。

在這深一千米，連陽光發出的紅色波長都無法穿透的海洋裡，導致紅色有機物就像隱形般看不見。不過在六百到一千米的水深處可就沒這麼容易躲藏了，在這裡陽光仍然可以展現出色彩豐富的海洋生物，所以居住在這的頭足類動物－章魚、魷魚就想出了一些靈活的策略:一開始全身是透明的，而當有掠食者在附近時就轉換身上的顏色來躲避。這一項研究是今天在《當代生物學》(Current Biology)上發表的。

科學家觀察章魚(Japetella heathi)和魷魚(Onychoteuthis banksii)的行為。可能是來自於某些發光的掠食者或者受到其他刺激例如通過陰影使牠們被暴露在其中，當有藍色光束打在牠們身上時，頭足類會透過肌肉收縮放出體內含有染料的細胞，讓自己變成紅色。在藍光下紅光是無法看見的，當遇到掠食者就會快速的轉變為紅色來躲避，就算章魚和魷魚不是保持著透明的，掠食者也無法看見牠們。

翻譯:陸子堯

資料來源:ScienceShot:Blue Light Turns an Octopus Red[10 November 2011]

• 作者／賽．蒙哥馬利（Sy Montgomery）；譯者／鄧子衿

雖然章魚通常不和同類打交道，和其他種類動物之間的關係，除了獵捕和被吃之外，也幾乎都不清楚。如果要在家飼養頭足類動物，專家的建議是不要把牠們和其他水族養在同一個水槽中，因為章魚可能會吃掉牠們。

不過章魚對於同槽水族也並非都處在敵對狀態。溫哥華水族館的館員丹尼．肯特（Danny Kent）發現在卑詩省水域展區中，「有些章魚能夠和許多石斑魚一起生活多年，不會吃牠們，但是有些章魚就會迫不及待的把同水槽中的其他動物吃掉。」

在這座水族館容量高達六萬五千加侖（ 25 萬公升）的「喬治亞海峽」（Strait of Georgia）展示槽中，有一條章魚喜歡爬到接近水面的岩石上，把一條腕伸到流下的水柱中。肯特發現這條章魚把腕當成釣魚線，等著鯡魚撞到腕，就把鯡魚抓來吃。

複雜的「同槽」關係可能暗藏殺機

同槽水族之間的關係也可能非常複雜。2000 年，西雅圖水族館做了一個很冒險的決定：把一條北太平洋巨型章魚放到四萬加侖（15 萬公升）的水槽中，裡面有數條一公尺多長的白斑角鯊（dogfish shark，Squalus acanthias），他們覺得章魚如果受到鯊魚的威脅時，會好好躲著。但是他們錯了。

他們非常驚訝章魚非但沒有受到威脅，反而有計畫地逐一殺死了那些白斑角鯊（重現這個意外的影片在 2007 年放上網路後便瘋傳，有 290 萬人看過這個影片，也都非常驚訝）。研究人員發現鯊魚沒有消失，但是死亡了，沒有被吃掉。章魚沒有獵食牠們，也沒有因為直接威脅而馬上逃走。

根據最原始的新聞報導和影片的字幕，在鯊魚進行瘋狂殺戮之前，章魚就先發制人，進行攻擊。在鯊魚還沒有機會造成威脅之前，章魚就先把有可能掠食自己的動物殺死了。

直擊章魚下毒現場？

在科蘇美，我親眼目睹了另一個不同的跨物種互動，我從來沒有看到有人報告過這樣的景象。

在這趟旅程中最後一次潛水時，我們前往的礁岩樸實無華，沒有幾個大朵的珊瑚頭，也沒有許多突出的長礁與岩石。在潛水半個小時後，我們下潛到約十公尺深，這時看到在突出岩塊下的白沙子上，有一條加勒比礁章魚（Caribbean reef octopus，Octopus briareus）。

我靠近到兩公尺，發現在章魚前面幾公分的位置，大約有十幾隻活螃蟹聚集，有紅的也有黑的，身體的殼約五、六公分大。這些螃蟹看起來非常平靜，想到這些螃蟹所處的狀況，我極為驚訝。有些螃蟹慢慢爬著，如果有一隻螃蟹想要遠離章魚，章魚便伸出腕，把螃蟹（我認為非常溫柔地）撥回來。

這個狀況非常詭異。章魚的周圍是牠最喜歡的食物，但是牠並沒有因為興奮而變成紅色。牠的皮膚是白色的，夾雜了些明亮的藍色。章魚並沒有用吸盤把溜走的螃蟹抓回來，而是用腕把螃蟹掃到自己面前。螃蟹沒有急忙逃脫，這也很奇怪。

另外，我在旁邊沒有看到有螃蟹殼和其他殘骸，章魚巢穴外面通常會有這些東西。不過這裡可能不是那條章魚的巢穴。不論如何，這裡的螃蟹也太多了，牠們或許是站在以前同伴留下的外骨骼上，但是我也沒有看到。章魚看了我一眼，就回去專心看顧那些螃蟹了。就算我近到只有一公尺，牠也沒有退避。

我想在這裡待久一點，但是海流強勁，我們是在放流潛水中，停不住。後來我問水族館中的朋友：那些螃蟹在幹什麼？為什麼不逃走？那條章魚在打什麼注意？章魚為什麼要看顧這群螃蟹？我半開玩笑地拋出一個點子：那條章魚是不是用墨汁對那些螃蟹下藥了？

墨汁除了掩人耳目，還真有可能影響其他動物的行為

美國海洋動物學家馬吉尼蒂夫婦（G. E. and Nettie MacGinitie）有次把一條熱帶海鰻放到有泥灘章魚（mudflat octopus）的水槽中。熱帶海鰻開始尋找章魚，章魚在牠靠得太近的時候，便對牠噴墨汁。熱帶海鰻會繼續狩獵，但是不會攻擊章魚。就算熱帶海鰻真的觸碰到章魚，也不會想要攻擊章魚或是吃掉章魚。每次都這樣。

章魚的墨汁中含有黑色素（melanin），以及其他有重要生物功能的成分，其中一種是酪胺酸酶（tyrosinase），這種酵素能刺激眼睛，並堵住鰓。不過它可能還有其他效果。

1962 年，《英國藥理學期刊》（British Journal of Pharmacology）上有一篇論文指出，這種酵素能夠阻礙催產素（「擁抱激素」）與血管升壓素（vasopressin）¹這兩種激素的活性。鳥類、爬行動物、無脊椎動物（包括章魚）等，都有個別的催產素和增壓素，哺乳動物的催產素曾經試驗用在魚身上，結果改變了魚的社會性行為。

如果這種激素正常的濃度受到影響，那麼像螃蟹這樣獨居的動物，可能會變得特別平靜，還能聚集在一起，面對主要掠食動物時也依然如此。

註解：

1. 抗利尿激素，能夠影響血液循環。

——本書摘自《章魚的內心世界》，2019 年 9 月，馬可孛羅。