流感，不只在現在：那場被遺忘的台灣大瘟疫

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

1858 年 10 月 30 日星期日早晨，一件離奇的事件席捲布拉德福德這個英國城市。

2 名男孩突然身亡，其他人則突然染上怪異、可怕的疾病。

有人說這是因為霍亂暴發，其他人則認為是瘟疫。隨著日子過去，更多的死亡案例被報導出來，警方懷疑這是預謀犯案，他們很快就發現了原因：硬薄荷糖。

有問題的薄荷糖

幾天前，人稱「薄荷糖比利（Humbug Billy）」的威廉．哈達克（William Hardaker）一如往常在布拉德福德格林市場擺攤賣糖果，他照常販售大受歡迎的硬薄荷糖，儘管這一批以折扣買到的糖果顏色似乎有點不太一樣。

哈達克從糖果批發商喬瑟夫．尼爾（Joseph Neal）那裡購買，這位批發商向來喜歡用「daft」這種成分來替換昂貴的糖。

Daft 是混合熟石膏（plaster of Paris）、石灰粉、硫酸石灰或其他無害物質，用來取代昂貴的糖。

不幸的是，喬瑟夫．尼爾後來訂購的 12 磅 daft 訂單由藥局裡年輕助手處理，他並非測量 12 磅重的 daft，而是從一旁容器裡取出 12 磅的砒霜（三氧化二砷，arsenic trioxide），這兩種白色粉末質地類似。

為喬瑟夫工作的糖果製造師覺得這批加了 daft 的硬薄荷糖有點奇怪，但是他們沒有阻止喬瑟夫試吃一顆，以及將其販售給哈達克。

哈達克也吃了一顆糖果，兩人吃完後馬上就覺得不舒服。不過因為哈達克當時以折扣價購買這批硬薄荷糖，所以他也用折扣價將糖果販售出去，那天的銷售特別好。

超過 200 人感到不適，更有 20 人中毒身亡

星期日午夜，當地的鳴鐘者喊叫著可怕硬薄荷糖的事，在布拉德福德掀起軒然大波。那時候已經有超過 200 人感到不適，更有 20 人因砒霜中毒而死。

結果證實每一顆硬薄荷糖內含有足以殺死兩名成人的砷含量。隔天，藥師、助手及喬瑟夫．尼爾都站在法庭上被控殺人罪（manslaughter），不過最後他們卻沒有一個人去坐牢。

食物與飲料摻假法案

儘管如此，該名助手的悲慘失誤促成了 1860 年的《食物與飲料摻假法案》（Adulteration of Food and Drink Bill），正式奠定了製造糖果必須使用的原料。

布拉德福德糖果中毒一案也促進 1868 年英國的《藥局法》（Pharmacy Act），針對藥師處理、販售已知毒藥必須遵守的嚴謹規範。而 1874 年廢除糖稅，終於也讓糖成為所有人都能負擔得起的成分。

——本文摘自《毒物犯罪研究室：解析23種經典致命植物、礦物、藥劑、毒品，從醫學鑑識＆毒物科學揭秘恐怖毒殺與謀殺手法》，2022 年 11 月，創意市集出版，未經同意請勿轉載。

鼠疫桿菌導致的黑死病，史稱鼠疫桿菌的第二次大流行，公元 1346 到 1353 年的大瘟疫影響歐洲非常深遠。已知最早 1346 年的病例位於黑海附近，不少學者卻主張這波鼠疫桿菌來自更東方。2022 年發表的論文報告，在天山地區的古墓中，找到黑死病起源的線索。

威脅潛伏：來自黑海更東方的鼠疫桿菌

取樣古代 DNA 的技術成熟後，如今可以直接定序遺骸中的 DNA 片段，查看是否存在鼠疫桿菌（Yersinia pestis）等微生物。一系列研究得知，人類感染鼠疫桿菌的歷史超過五千年，因此在黑死病的年代，鼠疫桿菌並非新型傳染病，只是以前都沒有過那麼嚴重。

• 延伸閱讀：花粉揭秘：黑死病災情，歐洲各地很不一樣

鼠疫桿菌和所有生物一樣，會持續改變遺傳序列。假如黑死病源自黑海的更東方，那麼在比黑死病興起更早的時間點，黑海東邊的某處，應該能見到導致黑死病的鼠疫桿菌品系，變成黑死病品系之前，還差一點的樣貌。

最近一隊專家重新調查，早在一百多年前便已得知的遺址。用現代的國家疆域劃分，地點位於吉爾吉斯北部，伊塞克湖（Issyk-Kul）周圍的楚河谷（Chüy Valley）兩處遺址：Kara-Djigach 和 Burana。

早在公元 1885 到 1892 年，俄羅斯帝國時代的考古學家 Nikolai Pantusov、Daniel Chwolson 便探索過這兒。

世界各地的考古遺址，數量其實非常多，但是大部分都沒有受到重視。吉爾吉斯古墓時隔一百多年後又引起注意，是因為有些墓葬的石碑記錄提到「瘟疫」，剛好被新時代的專家聽到。

蒙古帝國宗教寬容政策下的新移民社群

接下來一段和黑死病不直接相關，卻不失為有趣的歷史，能順便認識現代的跨領域手段，如何探討這類問題。沒興趣的讀者可以直接略過。

石碑上紀錄的名詞為 mawtānā，這是敘利亞語（Syriac）的瘟疫。報導這回新發現的新聞對此都一提而過，論文正文受限於篇幅也沒有多作描述，所幸附錄中有較為完整的介紹，我覺得背後的歷史故事相當有趣。

Kara-Djigach 地理上位於新疆西方，天山地區的南側。政治上，現在屬於吉爾吉斯，黑死病年代算是大蒙古帝國的轄區，更早之前則是西遼的國土。

提及西遼和蒙古帝國是因為，在西遼統治的年代 Kara-Djigach 沒有住人（另一處遺址 Burana 有），要等到蒙古帝國統治時，才有源自西方的基督徒移民，長途遷徙到此處建立社區。等下！基督徒？

不少人對蒙古帝國有很殘暴的印象，成吉思汗堪稱人類毀滅者。但是征服時對敵人不手軟以外，蒙古帝國擺在當時，統治並不算暴虐，而且特別重視貿易。蒙古帝國算是繼承後世所謂的「絲路」，然而，中亞的民族、宗教、文化非常複雜，衝突屢見不鮮。

成吉思汗開創蒙古帝國以來，憑侍強大武力，持續實施宗教寬容政策，不在意子民信什麼宗教，不論摩尼教、伊斯蘭、基督教、佛教、道教、諾斯替、亞那毛毛……只要乖乖聽話，能創造利益，帝國就保障其地位與安全。

在此背景下，許多在原本居住地受到迫害、排擠的人，移民到新天地討生活（蒙古統治當然也沒有那麼美好，有些移民是受到蒙古帝國的迫害，被迫或主動搬家）。

創立 Kara-Djigach 社群的基督徒，不屬於羅馬、君士坦丁堡的兩大基督教系統，而是東方亞述教會（Church of the East，或稱作 Nestorian 聶斯脫里教會）。他們從西方移民到察合台汗國轄下經營新家園，他鄉變故鄉，一代一代的基督徒長眠於此，數百年來留下不少石碑。

公元 1338 年，塞琉古 1649 年，虎年瘟疫爆發

石碑大部份是敘利亞語，也有少數突厥語。總共 600 多個石碑，公元 1248 到 1345 年有 467 個，整理後能一眼看出光是 1338 一年就有 118 個，比例高的不尋常。其中 10 個出現 mawtānā：敘利亞語的瘟疫。

所以 1338 年這個年代，不是科學定年法的估計，而是直接的文字紀錄。但是石碑寫的不是公元 1338 年，而是「1649 年」和「虎年」。

Kara-Djigach 這群居民是基督徒，卻不使用根據基督生辰的曆法，他們遵循一套更古老的曆法：塞琉古紀年（Seleucid）。

塞琉古紀年來自亞歷山大大帝去世後，衍生出的塞琉古帝國，從公元前 311 年開始計算。因此塞琉古 1649 年，也就是公元 1338 年。那時還在用塞琉古紀年的人不多，堪稱活化石。

另一方面，突厥、蒙古等古代草原文化習慣以十二生肖紀年，不過動物項目和漢人略有不同。Kara-Djigach 所屬地區時常會與十二生肖紀年的人交流。公元 1338 年是草原十二生肖的虎年，也是天干地支的戊寅年。

已知最早的黑死病出現在 1346 年的黑海，1338 年只是短短的 8 年前。顯而易見，如果在 8 年前的吉爾吉斯找到鼠疫桿菌，便有機會追溯黑死病的起源。

為求簡便，本文之後稱這場虎年發生的瘟疫為「虎疫」。其實虎疫是以前日本人對霍亂的稱呼，但是名字帥，這邊先借用一下。

快要變成黑死病前不久的鼠疫桿菌

即使由於鼠疫去世，死人骨頭內也不見得會殘留鼠疫桿菌。幸運的是，Kara-Djigach 遺址的 3 位長眠者體內，順利偵測到鼠疫桿菌的古代 DNA。

3 個樣本的平均覆蓋率分別為 0.13、2.8、6.7。論文判斷品質比較好的兩個基因組，遺傳上或許完全一樣，因此後續分析時直接合併，變成覆蓋率 9.5 的一個樣本。

將虎疫和古代、現代鼠疫桿菌樣本一起分析，不得了，不得了，不得了。用虎疫當模板，再變化一點點，便可以衍生出所有 14 世紀黑死病的基因組！

• 延伸閱讀：中世紀黑死病，之後數百年的餘波

非常清楚，導致黑死病的鼠疫桿菌，由虎疫品系衍生而成。根據遺傳差異估計年代，導致黑死病的品系們的共同祖先，估計介於公元 1316 到 1340 年。因此 1346 年起大爆炸的黑死病，遺傳上只能追溯到不久以前的 14 世紀初期。

有派觀點主張，蒙古帝國 13 世紀主導的戰爭與貿易，促使歐亞大陸的大流動，與黑死病發跡有關。根據現有資訊看來，蒙古帝國起家的時刻，距離黑死病的發源還有點早。

遺傳上最接近虎疫的現代鼠疫桿菌，地理上都位於天山一帶，具體來說就是吉爾吉斯、哈薩克、新疆的土撥鼠（marmots，旱獺屬，統稱土撥鼠，不過有好幾個物種）。

論文推論黑死病品系的直系祖先，應該一直都在天山地區流傳。它在公元 1338 年的虎疫爆發，首度於吉爾吉斯留下記錄，8 年過後的 1346 年於黑海現蹤，然後繼續往西向歐洲廣傳，一發不可收拾。

貨出去，人進來，黑死病襲來

多數讀者大概不熟悉中亞地理。從新疆出發，往西是吉爾吉斯，再往西是哈薩克、烏茲別克，再來是土庫曼，接下來是裏海和伊朗，更往西是高加索地區，更西邊是土耳其和黑海。這應該就是黑死病，由東向西傳播的路線。

發生虎疫的吉爾吉斯 Kara-Djigach 在當年是人進來，貨出去的國際貿易中心，發大財之餘，爆發瘟疫並不稀奇。光從遺傳上比對，黑死病之前與大爆發之後的鼠疫桿菌，並沒有很明顯的變化。從公元 1338 到 1346 年發生什麼事，讓黑死病大魔王有登上舞台的發揮機會，值得繼續深究。

也很有趣的是，中亞發跡的鼠疫往西方廣傳形成黑死病，會不會也往東方傳播呢？公元 1338 年，統治中國的政權是元朝，元順帝的至元四年。

公元 1368 年創立明朝的朱元璋 1328 年出生，和元順帝是同時代的人，元順帝也是最後一位統治漢地的元朝皇帝。元朝末代皇帝任內的國家大亂，是否和鼠疫有關？

延伸閱讀

• 拉脫維亞5000年前，最古早的鼠疫桿菌，源自動物傳染？
• 花粉揭秘：黑死病災情，歐洲各地很不一樣
• 中世紀黑死病，之後數百年的餘波
• 18世紀初的鼠疫桿菌，大北方戰爭到馬賽大瘟疫
• 「猛虎」起疫

參考資料

1. Spyrou, M. A., Musralina, L., Gnecchi Ruscone, G. A., Kocher, A., Borbone, P. G., Khartanovich, V. I., … & Krause, J. (2022). The source of the Black Death in fourteenth-century central Eurasia. Nature, 1-7.
2. Ancient plague genomes reveal the origins of the Black Death
3. Black death: how we solved the centuries-old mystery of its origins
4. 800-year-old graves pinpoint where the Black Death began
5. Ancient DNA traces origin of Black Death

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。