簽訂蒙特婁議定書｜科學史上的今天：9/16

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

• 作者／茹絲．卡辛吉；譯者／鄧子衿

想回到 37 億年前，你可能需要先準備好「氧氣裝備」！

想像你自己來到三十七億年前的地球，在地球從宇宙塵埃聚集成行星之後，已經過了約七億五千萬年。

你站在一座岩石火山島上，往四面八方望去，只見富含鐵質的綠色海水延伸到地平線那端。你所在的這座島嶼上沒有植物，也沒有可供植物生長的土壤。因為土壤中含有植物被分解之後產生的有機成分，然而在三十億年前，地球上還沒有植物。

你可能要像是水肺潛水者那樣攜帶氧氣裝備，因為那個時候的地球上沒有氧氣。事實上，你周圍的大氣是由一氧化碳、二氧化碳和甲烷混合而成，其中可能還有氫氣、氮氣和二氧化硫，或許會致人於死，不過至少溫度是宜人的。

雖然當時太陽的亮度只有現在的七成，但是有二氧化碳和甲烷為地球表面保溫。當時地球自轉的速度是現在的兩倍，所以日出之後六小時就日落，這可能會讓你驚慌失措。

那時候月球和地球的距離是現在的十分之一，讓月球看起來有十倍大，在天空中非常明亮。由於距離地球很近，月球造成的重力效應也很強，海面漲落潮差超過數百呎。你或許可以看到月球上的隕石坑，不過可能得看日子。

當時地球上的火山活動比現在活躍，經常會噴出火山灰和硫酸到大氣中。在清晨與落日時分，天空會呈現黃色和橘紅色。

37 億年前的地球沒有臭氧層，那還有生命存在嗎？

當時地球上的海水量是現在的兩倍，但是水分子一個個消失了，因為大氣中沒有氧氣，也就沒有臭氧層。

在沒有臭氧層的狀況下，來自太陽的大批紫外線能毫不受阻攔地轟炸水，讓水分子分解成氫和氧。比較輕的氫原子很快地逸散到太空中，氧原子則馬上和水中的礦物質結合。在沒有臭氧層的狀況下，地球會朝著毫無生機的狀況進展。金星的命運便是如此，曾經有水的金星，現在乾燥無比。

不過這時候的地球有海洋，海洋中棲息著單細胞細菌，以及類似細菌的單細胞生物—古菌（archaea）。這些微生物和其他所有生物一樣，都需要能量才能運作，以及製造更多細胞的組成成分，以便分裂複製。

它們的細胞壁堅硬，因此不可能經由掠食其他同類來得到能量。不過它們可以把細胞壁外的硫化氫吸收到細胞內，經由化學反應讓硫化氫的電子釋放出來，再利用這些電子合成暫時儲存能量的分子 ATP（三磷酸腺苷）。細胞利用 ATP 和溶解在水中的二氧化碳合成有機化合物，包括生長和生殖所需要的胺基酸、蛋白質、脂質和醣類。

現在地球上依然有許多這類化學自營生物（chemoautotroph），它們生活在海底熱泉，或是黃石國家公園充滿硫的熱泉等這些極端的環境中。但是差不多在你拜訪古代地球的時候（或是前後一兩億年），一種新的細菌在太陽下演化出來了。

這種細菌漂浮在海面下附近，因為含有葉綠素和其他色素而呈現藍綠色。這些色素能吸收含有太陽能量的光子。藍綠菌用這些能量把水分解成氫和氧，產生電子，製造 ATP。然後它們就和化學自營生物一樣，利用 ATP 合成有機化合物，這個過程稱為光合作用。藍綠菌把氧氣當成廢棄物排出， 因此這過程稱為產氧型光合作用（oxygenic photosynthesis）。這是非常複雜的過程，就連今日的科學家依然還沒有解開這個機制的細節。

藍綠菌具備的功能讓它們繁榮昌盛。古菌和其他細菌只是到處飄盪，企盼能遇到它們各自喜愛的化學食物，但是這種新出現的生物並不是分解水中偶然才能遇到的成分，而是分解無所不在的水分子。藍綠菌只要在有陽光的狀況下就能進食，因此繁殖的速度非常快，而且持續產出氧氣。（在二十億年中）這些氧氣飄到大氣中，形成具有保護作用的臭氧層，讓我們的藍色行星免於籠罩於沉沉死氣之中。¹

藍綠菌和閃電竟然也有共通之處？！

如果這還不夠厲害，有些藍綠菌種類還有比舞動它們的藍綠色身段更厲害的技術。

地球上的生物需要氮，DNA、ATP、蛋白質和其他生物所必須的化合物中都含有氮原子。地球大氣中一直有很多氮氣，但是氮氣（N2）中的氮原子彼此結合得很緊密，生物無法直接運用。而閃電的電壓高達一億伏特，這等或是更高的能量能夠打破氮氣分子，讓個別的氮原子和氫或氧結合，形成氨、銨鹽（ammonium）或硝酸鹽等把氮固定起來的分子。

但是棘手的地方在於閃電雖然壯觀，卻無法大量產生這類分子。如果生命只能依靠閃電，就永遠無法登上陸地。正當此時，藍綠菌登場了。它們能做到和閃電一模一樣的事，只不過是在微生物的尺度下。

藍綠菌成為地球上主要的固氮生物（diazotroph）。幸好藍綠菌樂於分享，它所固定下來的氮有一半會排入水中，可以被細菌和古菌吸收。如果沒有具備固氮能力的藍綠菌，海洋中的生物形式將會非常簡單，而且數量也不多，只因固定下來的氮不足。

有創意的藍綠菌，讓自己在固氮時，不被氧氣擊倒

不論在過去或現代，藍綠菌固氮都相當不容易。首先它們要能夠製造固氮酶（nitrogenase），這種酵素含有鐵和鉬，能催化固氮反應。除此之外，它們還要防範一個由自己製造的問題：氧氣。

這個問題是這樣的：氧原子的最外層有六個電子，因此它還要再抓住兩個電子，才能讓最外層有八個電子，形成穩定的狀態。早期的海水溶滿了鐵，而鐵原子在最外層有兩個電子，所以你可以想見會發生什麼事──藍綠菌拋棄的氧很快就會抓住鐵，如此一來，藍綠菌就沒有能用來製造固氮酶的鐵原子了。

藍綠菌得要有創意才行。有些藍綠菌在固氮的時候停止光合作用（這樣就不會釋放氧氣了），有些藍綠菌只在晚上不進行光合作用時行固氮作用（但如果沒有陽光照射就會發生混亂）。有些則和同種的其他個體合作，細胞彼此連接成細微的絲狀結構，就像是一串珠鍊。約有十分之一的珠子會停止光合作用，並且讓細胞壁變得更厚，以阻擋氧氣進入。這些特殊的細胞稱為異型細胞（heterocyst），專門固氮，會把含氮分子分享給左右細胞，換來糖類以維持生存。現在能固氮的藍綠菌依然採用這些方法。

藍綠菌要讓自己繁榮昌盛，真的不容易！

藍綠菌要散播到全世界，不只必須解決固氮的問題。它們還面臨兩難的困境：它們需要靠近海洋表面，但是又要避免紫外線破壞 DNA。

為此它們演化出一層細胞外的多醣類（由糖分子連接而的長鏈），稱為黏質（mucilage），它可能是世界上最早的防曬成分，也是它讓藍綠菌具有那典型的黏滑表面。最後，所有的藍綠菌都因為有黏質而變得黏黏滑滑。

總加起來，藍綠菌確實具有各種讓它自己繁榮昌盛的能力。大部分的藍綠菌每七到十二小時可以複製一次，換算下來，一平方呎的藍綠菌可以在兩天之內覆滿一間小辦公室的地板。有些種類的藍綠菌每兩個小時便複製一次，於是同樣的大小在兩天之內就可以蓋滿六座足球場。

不論是哪一種，最早的藍綠菌在數億年中複製的幅度，遠遠超過我們的想像。這段其間，它們也演化出許多不同大小和形狀的種類：球狀、卵狀、桿狀、螺旋狀或絲狀（數量最多的是圓形原綠球藻〔Prochlorococcus〕，它們在 1986 年才被發現，也是最小的藍綠菌，一茶匙的海水有四十萬個原綠球藻）。

藍綠菌如果漂浮在水面上，並且經由黏質黏在一起，就會形成綠色的團塊。這些團塊會吸收當時在水中漂蕩的各種成分，包括碳酸鈣和碳酸鎂之類的礦物質，以及其他死亡的微生物而變得愈來愈稠密。自始至終，這些活生生的藍綠菌能夠藉由黏質滑動，往有陽光的海面移動，並持續增殖。

註解：

1. 最早進行光合作用的生物並不會造氧氣，它們以紫色的色素吸收近紅外線，從含硫化合物中取得電子，把細小的純硫顆粒當成廢棄物排出。它們沒有如同近親藍綠菌那般昌盛，但是依然能夠在現在無氧的水中續存。

——本文摘自泛科學 2020 年 1 月選書《藻的祕密：誰讓氧氣出現？誰在海邊下毒？誰緩解了飢荒？從生物學、飲食文化、新興工業到環保議題，揭開藻類對人類的影響、傷害與拯救》，2019 年 12 月，臉譜出版

由化石記錄可知，如今千奇百怪的動物，大多數祖先最早都可以追溯到寒武紀（Cambrian），這個距今約4.8到5.4億年前的地質時期。比起已經出現30億年以上的生命，5億年很短，但相較只有20萬年歷史的智人，5億年又長的無法想像。

海洋、大地、生命，跟現在截然不同的遠古年代

許多人知道寒武紀，是因為「寒武紀大爆發（Cambrian Explosion）」，也就是寒武紀時冒出來，大批前所未見的奇形怪狀動物。事實上，欣欣向榮的新生命不只眷顧寒武紀，開始於6.35億年前，更早前的埃迪卡拉紀（Ediacaran）也出現過許多新種動物，只是這批動物絕大部分都滅絕了，被寒武紀繼之而起的新世代所取代。

為什麼？為什麼生命在30幾億年前就已經誕生，卻要經過20多億年，等到埃迪卡拉紀才出現構造比較複雜的動物？為什麼？為什麼埃迪卡拉紀的動物又一夕間大量消失，相對迅速地被後輩取代？為什麼？為什麼寒武紀的動物與之前如此不同？

這些問題至今都沒有確定的答案，畢竟我們對那個悠遠古老，大地與海洋都跟現代截然不同的年代，所知相當有限，目前大致只能確定，那時的動物都是水生，尚未登陸。埃迪卡拉紀的動物相對簡單，沒有眼睛、肢體等構造，宅在海床上不會動；寒武紀的動物比較複雜，出現眼睛、長腳、硬殼、還會游泳。

過去一派看法認為，寒武紀大爆發的關鍵在演化上的創新，例如視覺；另一派則主張生命複雜度與氧濃度息息相關，等到寒武紀時，氧濃度才上升到足以支撐複雜動物，因此寒武紀大爆發是氧濃度增加的結果[1]。最近研究卻發現，埃迪卡拉紀跟寒武紀交界時期的氧濃度，其實沒什麼差異，無法直接用氧濃度增加，解釋生命形態的轉變[2]。

插播一個有趣的相關問題：最早的動物何時誕生？已知最古早的動物化石距今5.8億年，然而分子演化估計的年代卻是7到8億年前，也許線索就藏在氧濃度中。8億年前的氧濃度是現在的2到3%，應該已足以讓最初構造極簡的動物誕生，但要等到埃迪卡拉紀時，氧濃度才高到足以出現更複雜的動物，形成化石保存下來。

掠食刺激寒武紀大爆發？

回到寒武紀大爆發，有人認為掠食者才是關鍵。稍早研究認為，氧濃度低於0.5%只能支撐極簡單的生態系，動物只有微生物能吃；略升為0.5到3%，動物種類會變多，但還是只能吃微生物；然而氧濃度升為3到10%後，以別的動物為食的動物，也就是掠食者就能出現，更加複雜的食物網於是誕生[3]。

埃迪卡拉紀的典型動物，身體柔嫩，欠缺防禦，又不會跑，簡直是生來給掠食者享用的大餐，競爭失敗的軟弱動物最終被淘汰，發展出有效防禦措施的動物則隨之興起，掠食者刺激了生物多樣性誕生，造成寒武紀大爆發。

抵擋掠食者的方法之一，是靠硬殼保護肉體。埃迪卡拉紀末期時至少出現3種動物，配備礦物化的身體構造，其中一種叫作Cloudina，科學家在它的鈣質外殼上觀察到洞，可能是曾被掠食者攻擊的痕跡[4]。耗費能量的外骨骼不可能無緣無故誕生，有學者認為為了抵擋掠食者演化出殼，是最合理的解釋。

除了變硬以外，還有別的辦法避免被吃掉，像是更靈敏的感官、行為改變。埃迪卡拉紀的動物住在海床的微生物層（microbial mat）上，算是活在二維的平面世界，但一旦動物能挖穿微生物層，鑽入海床躲避掠食者（氧也能跟著接觸到底下的沉積層），或是游泳離開海床，2D就升級為3D，從此成為多彩多姿的立體世界。

輻射造成寒武紀大爆發？

以上解釋寒武紀大爆發的說法看似合理，但最近有另一個假說提出[5]。新研究報告，5.5億年前，也就是埃迪卡拉紀末期，地球歷經比現在頻繁20倍的地磁反轉，這波劇烈的地磁變化，也許導致那時損失高達20到40%的臭氧層，讓穿透的紫外線輻射大增[6]。

在狠毒的陽光下，沒有防禦、不會移動的軟弱動物將紛紛陣亡，能防禦輻射傷害的動物才能生存。用硬殼遮蔽肉體、長出眼睛偵測光線、從海床往下挖掘尋求庇護，都可能是動物演化而來抵抗輻射。這個假說聽來驚人，不過基本上跟前一個類似，只是把「掠食者」的角色換成「紫外線」。

驅使寒武紀大爆發的關鍵為何，目前仍沒有答案。氧濃度與掠食者的假說證據較多，看來有希望，但仍不足夠；紫外線假說則疑點重重，畢竟地磁反轉對輻射強度的影響，以及輻射對生物遺傳的影響，都還有許多未知之處，要證實這套論點，比前一個假說需要更多後續研究。

參考文獻：

1. What sparked the Cambrian explosion?
2. Sperling, E. A., Wolock, C. J., Morgan, A. S., Gill, B. C., Kunzmann, M., Halverson, G. P., … & Johnston, D. T. (2015). Statistical analysis of iron geochemical data suggests limited late Proterozoic oxygenation. Nature, 523(7561), 451-454.
3. Sperling, E. A., Frieder, C. A., Raman, A. V., Girguis, P. R., Levin, L. A., & Knoll, A. H. (2013). Oxygen, ecology, and the Cambrian radiation of animals. Proceedings of the National Academy of Sciences, 110(33), 13446-13451.
4. Bengtson, S., & Zhao, Y. (1992). Predatorial borings in late Precambrian mineralized exoskeletons. Science(Washington), 257(5068), 367-369.
5. Hyperactive magnetic field may have led to one of Earth’s major extinctions
6. Meert, J. G., Levashova, N. M., Bazhenov, M. L., & Landing, E. (2016). Rapid changes of magnetic Field polarity in the late Ediacaran: Linking the Cambrian evolutionary radiation and increased UV-B radiation. Gondwana Research.

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。