潛龍勿用、亢龍有悔，那又潛又亢的棘龍呢？

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

1. 愛情召喚陣：雄性白斑河豚會藉由沙畫來吸引雌性產卵

在日本奄美大島有一種白斑河豚，會花一周的時間，在海底打造直徑為自己身長20 倍的巨大圓形沙畫，像是海底的麥田圈！但河豚這麼做的原因不是為了藝術，而是為了吸引雌性。沙畫特殊的沙丘構造使得中央留下了細緻的沙，雌性便在此產卵。

2. 非賣品：青蛙利用液壓的原理將舌頭快速射出

青蛙的舌頭上層有黏質蛋白可以用來沾附獵物，舌頭肌肉間空隙充滿了水，當發現獵物時，可以利用液壓的原理讓平時捲起的舌頭快速而精準地射出。不但如此，舌頭可以觸及的角度還十分廣闊多變喔！

3. 交叉：雄性大角羊的角重量可達身體其他骨頭的總重

大角羊的角是永久性的，不會脫落，雄性的角可重達14 公斤，跟全身的骨頭一樣重，用來對抗捕食者和爭奪交配權。但若是長的角度不正確，有可能會影響進食，導致餓死，或甚至插入自己的頭部而導致死亡。

4. 本末倒置：浣熊喜歡洗手或洗食物不是因為愛乾淨

牠們十分依靠手部觸覺來辨識物體，浣熊前爪的觸覺神經數量高出大部分的哺乳動物四到五倍。並且前爪浸泡在水裡時觸覺會變得更為敏銳，所以就產生了浣熊什麼東西都要放入水中感覺一下的習性。

5. 旋轉馬殺雞：鱷魚和成年的海牛可以和平共存

在美國的佛羅里達州的水域，可以看到海牛與鱷魚和平相處在同個環境的情況，儘管鱷魚看似兇猛，但牠們鮮少會去攻擊成年的海牛，有時甚至可以看到鱷魚和海牛共游的情況，鱷魚有時還會攀附在海牛身上搭便車。

——本文摘自《天生就是超級咖》，2022 年 10 月，遠流出版，未經同意請勿轉載。

• 作者 / 史提夫．布魯薩特（Steve Brusatte）
• 譯者 / 黎湛平

嚴格來說，恐龍時代始於侏儸紀。當然，初代真恐龍在侏儸紀前至少三千萬年就已踏進歷史舞台。誠如你我所見，這群早期的三疊紀恐龍壓根算不上優勢物種。後來，盤古大陸分裂，恐龍從末日餘燼探出頭來，看到了一個更為空曠的嶄新世界，讓牠們得以盡情征服。在初入侏儸紀的數千萬年內，恐龍家族開枝散葉，繁衍出大批眼花撩亂的新物種並組成子群（subgroups），有些血脈甚至延續一億三千多萬年。

恐龍的體型也越來越大，分布全球，在潮濕區、沙漠區及兩者之間的所有區域開疆闢地，大量繁殖。來到侏儸紀中期，世界各地都能見到數群最龐大、最具代表性的幾種恐龍。博物館展覽或童書經常出現的經典畫面並非虛構，而是事實：恐龍轟隆隆踩過大地，站上食物鏈頂端；凶猛的肉食恐龍和體型巨大、脖子長長或自帶盔甲的植食恐龍生活在一起，至於小小的哺乳動物、蜥蜴、青蛙及其他非恐龍動物就只能在恐懼中苟且偷生。

在盤古大陸的裂隙火山孕育出侏儸紀之後，以下幾種大家熟悉的恐龍也一個個躍上舞台：譬如肉食的獸腳類恐龍「雙冠龍」（Dilophosarus），頭上有兩道龐克風的「莫霍克式」（mohawk）突起物，體長約二十呎，比騾子大小的腔骨龍及其他多數三疊紀肉食動物大上許多。至於以植物為食、全身覆滿骨板的鳥臀目動物（如「稜背龍」〔Scelidosaurus〕、「小盾龍」〔Scutellosaurus〕）沒過多久即進化成你我更為熟悉、外形像坦克的厚頭龍，或是背覆骨板的劍龍；體型小、移動快、可能為雜食型的「畸齒龍」（Heterodontosaurus）和「賴索托龍」（Lesothosaurus）也是這個支系的早期成員，後來演化成三角龍及鴨嘴龍。其餘耳熟能詳、現蹤於三疊紀，但大多局限在少數環境的幾種恐龍（譬如長脖子的原蜥腳類、以及最原始的鳥臀目恐龍）也開始向外移動，散布至整個地球。

巨龍現身

在這群新近取得生存優勢、且多樣性急劇增加的恐龍家族中，最具代表性 的就是蜥腳類（或稱「蜥腳下目」）：頭小身體大，長脖子，大肚腩，四肢如柱 ，進食時宛如一座超級植物處理機。恐龍界最有名的幾種大多出自蜥腳類，包 括雷龍、腕龍（Brachiosaurus）和梁龍，不僅博物館展覽少不了牠們，牠們也是 電影《侏儸紀公園》的明星主角；卡通《摩登原始人》訓練牠們挖板岩，美國 「辛克萊爾石油」（Sinclair Oil）數十年來都以長脖子綠恐龍為公司標誌。與霸 王龍相比，蜥腳類才是最出名、最具代表性的恐龍。

蜥腳類是在三疊紀末期、從一群我習慣稱之為「原蜥腳類」（proto-sauropods）的原始恐龍演化來的。這些原始種是一群體型小如犬、或大至長頸鹿，脖子超長，以植物為食的動物，也是兩億三千萬年前現身伊沙瓜拉斯托的首批原始恐龍之一。後來，牠們成為三疊紀盤古大陸潮濕帶的主要植食動物，卻因為無法在沙漠區生存，故無法發揮潛能，登上顛峰。不過，這種有志難伸的窘境在侏儸紀早期有了變化：蜥腳類終於突破環境限制，邁向全球，演化出最具特徵性的細長脖子，亦逐步成長為怪物級的龐然巨獸。

小島上的巨龍

過去數十年來，學界陸陸續續在蘇格蘭西側的美麗島嶼「天空島」（Isle of Skye）發現真正的初代蜥腳類恐龍化石―這些動物個個重達十餘噸，體長超過五十呎，頸長高達數層樓。雖然線索還不夠多（頂多在這裡挖到幾支粗壯腿骨、在那裡翻出幾根牙齒或幾節尾椎），但證據顯示這種巨型動物約莫生活在一億七千多萬年前―當時早已進入侏儸紀時代（盤古大陸分裂、火山洪災已成遙遠記憶）―恐龍處於主宰地球前的最後一次大量繁殖期。

二○一三年，我一拿到博士學位就接下愛丁堡大學的新職，從紐約遷居蘇格蘭，想到即將主持自己的研究室就滿心雀躍。天空島的蜥腳類恐龍化石正巧引起我的興趣。剛到職的最初幾週，我常跟系上兩位同事一塊打發時間，一位是老練的田野地質學家馬克．威金森（Mark Wilkinson），他的馬尾與略為邋遢的落腮鬍使他看起來一副嬉皮樣；另一位是湯姆．恰蘭德（Tom Challands），這位虎背熊腰的紅髮男子是古生物學博士，專攻四億年前的微化石。

湯姆才剛結束為能源公司探勘石油的工作合約（算是應用地質所學吧）。那段時間，他幾乎都住在客製化的露營車裡（車上有床和小廚房），並且把車停在調查點附近。後來他結了婚，這種生活方式就此喊停，但那輛露營車仍隨時支援野地考察，而湯姆也常在週末駕車沿著蘇格蘭霧茫茫的海岸尋找化石。湯姆和馬克都在天空島做過地質調查，對那塊土地暸若指掌，因此我們決定組隊尋找更厲害的寶藏―巨大、神祕的蜥腳類恐龍化石。

關於天空島，我們涉獵的資料越多、就越常看到「杜加德．羅斯」（Dugald Ross）這個名字。我對這個名字毫無印象。他既不是古生物學家、地質學家，也不是任何一類科學家，然而他卻發現並描述過許多出自天空島的恐龍化石。杜加德從小在天空島東北深處的小村落「艾利沙德」（Ellishadder）長大，那是一片擁有崎嶇山峰、蓊鬱丘陵與泥灰溪流的荒地，海岸長年受強風侵襲，十足「魔戒風」（Tolkienesque），活像從奇幻小說蹦出來的地方。羅斯家族講「蓋爾語」（Gaelic） ―這是蘇格蘭高地的母語，目前僅一萬五千人操持。你不只會在路標上看到蓋爾語，像天空島這類偏僻島嶼的學校也會教。羅斯十五歲那年，在他家附近發現一個藏有箭尖和銅器時代工藝品的隱蔽洞穴。這項發現使他迷上家鄉島嶼的歷史，到了成年都還如此，也為自己開創「建築工兼農場主人」的事業。（在蘇格蘭高地，「農場主人」〔crofter〕專指從事小規模農業兼牧羊的人。）

件大概是我寄過最幸運的信件之一，它開啟了一段友誼，也是這段科學合作的 濫觴。數個月後，我們踏上天空島，羅斯―他比較喜歡我們喊他「杜吉」―立 刻邀請我們去找他。他指示我們開上天空島東北沿岸蜿蜒的雙線幹道，在一幢 牧場風格的長型建築前與他會合。屋子外牆以各種大小不一的灰石拼貼而成， 屋頂則是黑色磚瓦；古老農具四散在屋外草坪上。農場前方有塊牌子寫著 「TAIGH-TASGAIDH」，即蓋爾語「博物館」之意。

杜吉從他的紅色工作用卡車 裡冒出來，身上掛著一大串鑰匙，短暫自我介紹之後便驕傲地領著我們走進博 物館。他以歌唱般的輕軟口音―融合史恩．康納萊（Sean Connery）迷人的蘇格 蘭腔和愛爾蘭腔―說明他如何接管這幢無隔間的校舍廢墟，再改建成我們此刻 置身的「斯塔芬地質暨恐龍博物館」（Staffin Museum）。這座博物館是他十九 歲那年成立的，今天，這座博物館依舊沒有隔間―沒有咖啡休憩區，沒有禮品區，沒有任何大城市博物館常見的昂貴設施、標誌或裝飾，甚至沒有電！裡頭 收藏許許多多他在天空島找到的恐龍化石，還有能回顧天空島住民歷史的種種 工藝品。這次體驗相當超現實：在巨大的恐龍骨頭和腳印旁，擺著老磨坊的木 輪子，還有挖蕪菁的鐵桿和高地農民使用的古式補鼴鼠陷阱。

踏破鐵鞋無覓處

那禮拜的其餘幾天，杜吉帶我們去他最愛的幾處地點。我們找到一大堆侏儸紀化石―有體型如犬的鱷魚下顎骨，某種屬於「魚龍目」（ichthyosaurs）爬行類牙齒和脊骨（魚龍目的外形似海豚，生活在海裡，牠們出現的時間差不多是恐龍開始稱霸陸地的年代）―獨獨不見巨無霸恐龍的身影。接下來幾年，我們仍持續返回天空島不斷搜尋。

二○一五年春天，我們終於找到尋尋覓覓的夢幻化石。起初我們並未領悟這個事實。那天，我們幾乎整天都趴在地上，尋找埋在侏儸紀岩塊裡的小小魚齒和鱗片（這片岩石平台直直探入北大西洋的冰水中，就在一座十四世紀城堡廢墟的正下方）。咱們之所以在這裡，都是湯姆的主意：最近他在研究魚類化石，為了請他幫我找恐龍化石，我便答應幫他採集魚骨魚末作為交換。我們瞇眼皺眉、盯著這些岩石已有個把鐘頭，身上裹了三層防水衣卻依然冷得快凍僵了。午後陽光逐漸西沉，潮水上漲，晚餐正在向我們招手。於是湯姆和我動手整理工具、收拾幾袋魚齒，準備慢慢走回停在海灘另一頭的多功能廂型車。就在這時候，某樣東西引起我們的注意：那是一塊印在石頭上、跟汽車輪胎差不多大的變形凹痕。先前之所以沒注意到它，是因為我們專注在尋找尺寸更小的魚骨，這麼大的痕跡完全不符合當下的搜尋目標。

我們繼續往前走，一路上頻頻發現更多類似的痕跡；在午後斜陽的映照之下，這些凹痕更加明顯，大小幾乎都差不多。我們越是仔細瞧，看見的凹痕就越多，而且還繞著我倆朝四面八方延伸出去。這些凹痕似乎呈現某種模式：一枚枚凹洞接續組成兩道長排，且呈「之」字型排列―左、右、左、右、左、右。這些長列有如緞帶，在我們工作一整天的岩石平台上散布交錯。湯姆和我對看一眼。那是兄弟之間心知肚明的一瞥，基於多年共同經驗、無須言語即可領會的連結。我們以前也看過這種痕跡。地點不在蘇格蘭，而是西班牙、北美西部這類地方。我們知道這是什麼玩意兒。咱們眼前這窪凹洞是足跡化石。尺寸超大，毫無疑問是恐龍的足跡。我們湊近細瞧，看出這些凹痕有些是掌印、有些是足印，有的甚至還留下掌指和足趾的印跡。依形狀判斷，這絕對是蜥腳類的掌足跡。我們竟然找到了一億七千萬年前的恐龍大舞池，而留下這片紀錄的是身型龐大、體長約五十呎、重量可比三頭大象的蜥腳類恐龍。