文章專區

Take Home Message
• 生物多樣性分為遺傳多樣性、物種多樣性與生態系統多樣性，多樣性的維護對物種生存至關重要，但目前正面臨多重威脅。
• AI能夠在短時間內處理龐大資料，彌補目前生物多樣性監測、維護與研究工作上的人力限制。應用範圍包括森林火警預防、即時監測盜伐行為與協助生物辨識。
• AI 雖然效率高，但仍有潛在風險，例如資料品質不一可能導致誤判；缺乏對 AI 判斷依據的理解，將難以分辨AI 與專家意見衝突時誰較正確；開發與運行的高耗能問題可能違背環境保護初衷。

世界由地球生態與人類社會組成，前者是後者的基礎。地球生態也就是所謂的「自然」，人類與許多物種皆賴以維生。自然界的資源分為可再生與不可再生兩種，不可再生的資源包括石油、煤炭等，可再生資源則又分為生物資源與非生物資源。生物資源的基礎，即為生物多樣性（biodiversity）。因此生物多樣性不只是地球生命力的展現，更是攸關人類與萬物存亡的根基。

生物多樣性的消亡

然而，這樣的根基正迅速瓦解中。根據聯合國《生物多樣性公約》（ Convention on Biological Diversity, CBD） 的智庫IPBES〔註〕於2019 年所出版的《全球生物多樣性與生態系服務評估報告》（the Global Assessment of Biodiversity and Ecosystem Services ）內容，從18 世紀至今，全球生物滅絕狀況急速惡化，全球95% 的濕地已經消失，每六秒鐘消失一個足球場大小的雨林。世界經濟論壇（World Economic Forum, WEF）近年出版的《2025 年全球風險報告》（Global Risks Report 2025）中持續強調「生物多樣性喪失與生態崩解」（biodiversity loss and ecosystem collapse）是以十年為期的關鍵全球風險，嚴重程度僅次極端天氣事件（extreme weather event）。

〔註〕生物多樣性和生態系統服務政府間科學政策平臺（Intergovernmental Science-Policy Platform on Biodiversity and Ecosystem Services, IPBES）。

2022 年下半年，當CBD 於加拿大蒙特婁總部通過《昆明－蒙特婁全球多樣性框架》（Kunming - Montreal Global biodiversity framework, GBF）時，另一個改變世界格局的事件同時發生。美國人工智慧研究公司OpenAI 發表的ChatGPT（chat generative pre-trained transformer）生成式人工智慧（generative artificial intelligence, GAI）問世，引發新一波的人類革命性發展。人工智慧（artificial intelligence, AI）作為一種新興科技，雖然可能與其他科技應用一樣，因為耗用大量能源而增加環境負擔，但也可以是守護自然的重要力量。AI 的優勢在於強大的資料處理與模式辨識能力，能處理原先需要大量人力、時間才能解決的問題。AI 模型的大量運用正在改變我們理解、監測與保護生態環境的方式。隨著AI 技術不斷演進，我們正站在一個嶄新的十字路口上，科技與自然過去或許彼此對立， 如今卻有機會攜手合作。這篇文章將討論生物多樣性的意義，以及AI在生物多樣性保護中的應用實例，剖析AI 的潛力與限制，思考未來如何透過跨領域合作，讓科技成為自然守護者，而非破壞者。

生物多樣性的分類

什麼是生物多樣性？ 1992 年通過的CBD 第二條定義〔註〕就有清楚說明，我們主要將生物多樣性分成三個層次――造成同一物種內個體間差異的遺傳多樣性、不同物種的存在所形成的物種多樣性，以及涵蓋不同物種、不同環境的生態系統多樣性。

〔註〕公約中的定義為：「生物多樣性是指所有來源的形形色色生物體，這些來源除了其他外，包括陸地、海洋和其他水生生態系統及其所構成的生態綜合體；包括物種內部、物種之間和生態系統的多樣性。」

・遺傳多樣性

遺傳多樣性可以由同種物種個體之間的基因或遺傳物質多樣化的程度判斷。以人類來說，同是人屬智人種 ( Homo sapiens )，種內又分爪哇人、高加索人、亞洲人、非洲人等；即使同為亞洲人，亞洲人之間還是有身高、膚色、單雙眼皮等變異。這些變異來自於基因序列的不同，小至單一核苷酸的突變（single nucleotide polymorphism, SNP），大至整段序列的插入（insertion）或缺失（deletion）。而這些基因序列層面上的結構變異主要來源，即為生物體進行減數分裂形成生殖細胞時所發生的重組事件。由於重組事件的發生，生物體可以產生異於親代的重組型配子（gamete）〔註〕，促使後代產生變異。由同一物種的不同個體聚集而成的群體稱為「族群」（population），而一個族群若具有豐富的遺傳多樣性，有助於該物種適應環境改變造成的選拔壓力，使物種具有更高的演化潛力。

〔註〕配子為攜帶遺傳基因的載體，例如動物的精子和卵子。重組型配子是指細胞減數分裂後，產生配子的等位基因組合和親代染色體不一樣，形成不同基因組合。例如親代染色體原本為AB和ab，產生的配子為Ab或aB，即為重組型配子。

・物種多樣性

物種多樣性可以用一個區域具有多少種物種來理解。就生物學物種的定義而言，當個體之間的遺傳成分差異巨大到無法交配產生後代時，即分化成兩個不同的物種，稱為「種化」（speciation）事件。種化事件的發生可以有許多原因，包括地理隔離（族群被地理障礙如山脈、河流、海洋隔開）、生態隔離 （例如同地區鳥類一部分棲息在樹上，另一部分在地面）、行為隔離（不同的求偶行為、聲音、氣味或顏色偏好）等。目前地球上總計約有175萬種物種，顯示了高度的物種多樣性；而臺灣面積雖小，但根據「台灣生物多樣性網絡」（Taiwan Biodiversity Network） 統計， 臺灣本島具有15 萬種物種，且其中三成為臺灣特有種。

・生態系統多樣性

最後是涵蓋範圍最廣的生態系統多樣性，包含在一個地區棲息的所有物種以及牠們的生活環境。生態多樣性造就了一塊大陸或島嶼整體的生態延續性，因此面對外來衝擊時，生態體系不至於完全崩解。在一個生態系中，每種生物都扮演不同的角色，例如生產者、消費者、分解者等，能量與養分的流動也因此形成了食物鏈（食物網），不僅反映出生物之間的依賴性，也體現了能量在生態系中流動與轉換的脈絡。

不同的環境會造就不同生態系，例如海洋中的生物體就跟森林中的不一樣，分別屬於不同種類的生物體所構成的不同生態系統。然而，各個生態系統之間也可能是接續的，例如海洋與森林生態系中間有著許多像河流、湖泊以及半淡鹹水的河口區域等交界區的生態系。

生物多樣性的應用與危機

生物多樣性的重要性，從你我的生活就可以一窺究竟。以我們常吃的米飯為例，近年宜蘭地區盛行「鴨間稻」， 在水稻田放養鴨子， 讓鴨子、稻米、水生生物與土壤微生物形成了多樣、互惠的生態系統，這就是生態多樣性的展現。而我們平常吃的稻米百百種， 主要由秈稻、稉稻以及糯稻為主，不同種類的米口感大不相同，正是物種多樣性增加了我們的選擇。另一方面，水稻栽種時最怕遇到的就是病害，例如稻熱病（rice blast disease）、紋枯病（sheath blight of rice） 等。當農民遭遇水稻病害，常仰賴農業試驗單位進行品種改良，此時就需要引進抗病品系進行育種操作，而水稻的遺傳多樣性可以使育種家在同一種水稻內選拔出能夠抗病的植株，提供了非常珍貴的育種材料。

至於生物多樣性所遭遇到的危機，首當其衝便是棲地減少與破壞。人類的過度開發，使得生物的原生棲息地不再宜居。其中最嚴重的莫過於林地開發，不僅加速生物多樣性流失，樹木的濫伐也加劇了溫室氣體排放。據統計， 自1990 年以來，全球已失去約4.2 億公頃的森林，主要原因是農業擴張和其他土地用途的轉換，目前全世界僅剩下9% 的森林完好無損。棲息地減少也使大量物種面臨滅絕危機， 根據世界自然基金會（World Wildlife Fund, WWF）的報告，1970 ～ 2020 年間，全球野生動物族群平均減少了73%，最嚴重的拉丁美洲和加勒比地區，下降幅度甚至達到95%。

外來種的入侵也是危害生物多樣性的主因之一。當生態系中有生物從外地遷入並大量繁殖，就可能影響生物間的交互關係， 使生態系失去平衡。例如從國外引入臺灣的福壽螺和螯蝦被不當野放後，由於環境中沒有天敵，得以大量繁殖，嚴重威脅到水田、池塘和河溝中的原生物種。最初作為觀賞植物以及綠肥作物引進的大花咸豐草，因擁有極強繁殖力，目前在全臺低海拔地區普遍逸生〔註〕，排擠本土草本植物的生長空間。除此之外，野生動植物的過度捕獵也會大幅降低環境的生物多樣性，像是象群的盜獵、山老鼠盜採林木、漁民過度捕撈藍鰭鮪魚等案例，在陸域、水域都帶來不小的危害，亟需引進配套措施減少這些現象發生。

〔註〕指外來植物脫離人工栽培控制，在自然環境中自行生長的現象，經常發生於入侵初期階段。

AI結合生物多樣性

AI 的優勢在於高速計算與大數據處理能力，能以極短時間分析大量資料，在影像、語音、語意分析方面的辨識能力也可以應用在各領域，例如醫療診斷、農業監測、氣候預測、風險控制管理等。就生物多樣性而言，每個層面各有急待解決的困難。在遺傳多樣性的研究上，遺傳種原管理以及基因定序工程都涉及龐大資料，處理上需消耗大量計算時間。在物種多樣性的監測及統計上，不論是物種豐富度（species richness）、物種均勻度（species evenness）的計算或是實地野外監測，皆依賴生物學專家辨識物種，耗時且受限於專業人力短缺；對於微小、罕見的夜行性物種，辨識的困難度更會提高。且數據延遲與判讀門檻高，往往導致我們無法即時偵測物種數量的急遽變化，因此錯失即時補救或調整的時機。如果能結合AI 模型的應用以及高品質的資料集，便可以有效縮短研究時間，同時提高辨識的精準度，洞察人類用肉眼無法觀測到的趨勢，有助於突破以上的問題。接下來筆者將介紹生物多樣性研究的AI模型應用領域：

・森林火災防範技術

今（2025）年初美國發生的加州大火事件，對當地環境、居住區造成嚴重破壞。這類的森林火災事件往往造成生物多樣性的極大損失，不僅使原生動物棲息地減少，也使得森林碳匯（carbon sink）〔註〕大幅降低，導致更嚴重的溫室效應。為了防範森林火災的蔓延，已有許多公司針對高風險地區裝設攝影機，透過AI識別技術進行即時影像辨識，例如加州部署了 ALERTCalifornia AI 火災偵測系統，由超過1000 臺攝影機組成，利用AI 分析影像以盡早發現野火，有效降低火災損害（圖一）。

〔註〕碳匯為任何從大氣中移除溫室氣體、氣膠或前驅物質的程序、活動或機制。森林因樹木行光合作用將大氣中的二氧化碳轉化為有機碳，且地表與土壤也可吸存碳，單位時間可以吸收的碳量即為碳匯，為一種流量的概念。

・即時監測森林砍伐

森林盜伐一直是威脅棲地保育的一大問題，可是森林面積這麼大，要怎麼有效監測非法砍伐活動？美國非營利組織Rainforest Connection（RFCx） 近年開發的太陽能聲音監測裝置Guardian 解決了這個問題。只要將Guardian安裝於熱帶雨林的樹冠層中，這些裝置便能即時捕捉電鋸聲等非法伐木活動的聲音，透過AI分析後， 裝置會立即向當地護林員發出警報。該系統已在全球17 個國家的森林中部署，成功保護了超過2600 平方公里的森林免於盜伐的危害，同時也保護了當地的原始生態環境。

・物種多樣性調查與AI辨識

如果不知道動植物的名字，可以問誰？也許你需要下載愛自然（iNaturalist）應用程式。這是由美國加州科學院（California Academy of Sciences）與國家地理學會（National Geographic Society）共同開發的平臺，使用者拍攝野生動植物後可上傳照片，平臺會透過電腦視覺模型（神經網路Residual Network） 即時推薦可能的物種名稱。該系統目前能辨識超過五萬種物種，且能不斷自我學習。在臺灣也已經有相關應用協助物種辨識調查，例如農業部生物多樣性研究所開發了生物音智慧辨識與標記系統（Sound Identification and Labeling Intelligence for Creatures, SILIC），透過野外錄音資料辨識不同物種，目前可精確辨識包括鳥類、蛙類及哺乳類等共184 種生物，準確率達95%。此系統的解析度極高，一分鐘可解讀一小時音檔，不僅大幅節省調查人力，還可以擴大資料收集，拓展調查範圍，大幅降低了部分野外夜行性生物或微小昆蟲的調查難度。

AI 的潛在風險與未來發展

AI 模型應用在生物多樣性保護上有很高的發展潛力，然而一旦過度仰賴AI 時，潛在風險也將逐一浮現。首先，大部分AI 模型依靠高品質的訓練資料集產生精準判讀結果，然而具有較高拍攝難度的物種照片，如果在解析度或是音波擷取數據方面沒有掌控好品質，則可能使模型的準確度降低。另外， 訓練資料集的取得也需具有代表性，例如大部分資料來自於特定物種或族群，可能產生資料偏誤使判讀結果失準。此外，有些模型的演算法具有黑盒子特性，我們無法得知判讀的邏輯，當人工辨識與AI 模型的辨識結果有出入時，究竟該相信科技，還是信任專家累積多年的實地觀察經驗？此議題還有待商榷。另一個可能會被大眾忽略的潛在風險，是訓練與維護大型AI 模型運行所需的資源、電力可能會造成額外的碳排放，與保護自然環境的初衷產生矛盾，這也是未來必須去面對的課題之一。

儘管AI 模型在生物多樣性的應用尚有改善空間，但兩者的結合仍舊是利大於弊，我們無可避免地會借助AI 的力量增加生物多樣性相關研究的工作效率。如何妥善運用，又不至於不過度依賴，將會是專家學者必須學習與適應的問題。在未來，不論是透過推動AI 模型的開源，或是強化可解釋性設計（explainable AI）讓人進一步了解AI決策背後的理由，提升使用者對結果的理解與信任，還是發展低功耗、低成本的AI 系統減少碳排放，都有賴相關的專家學者去研發。而生物多樣性，乃至於環境保育的監測及維護議題，則會與AI 模型並進，一同邁入嶄新的合作模式。