top of page


追尋外星生命:科學證據、太空探測與人工智慧帶來的線索
隨著太空探測器、無人探測車、電波望遠鏡、資料分析技術的進步,我們所能觸及的宇宙資訊愈來愈多,而人工智慧的加入,更讓龐雜的宇宙訊號與化學資訊得以在短時間內被整理與辨識。儘管如此,人類至今仍未能確認外星生命是否存在,但一系列來自隕石、太空探測、電波訊號、歷史記錄與 AI 分析的資料,正逐步堆疊起可能的線索,也揭示了生命或許不僅侷限於地球這個舞台。 第一類證據來自隕石。19 世紀在法國墜落的 奧蓋爾隕石 (Orgueil),是科學界最早引起激烈爭論的案例。這顆含有高比例有機物與水分的碳質球粒隕石中,不僅觀察到胺基酸、葉綠素降解物等被視為「強力生物指標」的分子,更在高倍顯微鏡下看到大量形態類似微化石的結構。雖然早期有研究者質疑這些構造可能來自地球污染或礦物生成的假象,但後續研究逐步排除了花粉等污染的可能性,表明這些有機分子與組織結構確實源自隕石本體,並在它脫離母體天體前就已形成。

演化之聲
2025年12月11日讀畢需時 5 分鐘


AI 看見野外:從照片重建動物的三維世界
三維重建(3D reconstruction)在這幾年於人工智慧與電腦視覺領域成為熱門話題,而「重建動物的三維形態與動作」更是其中具挑戰性的一項任務。其目標是從一般的相機拍攝影像或影片中,推算出動物真實的三維外型、姿勢以及動態變化。這樣的技術不僅能應用在娛樂產業、虛擬實境(VR/AR)、電影動畫等內容創作上,也對野生動物的保育、畜牧管理以及生物學研究都有重要價值。想像一下,藉由攝影機重現牠們的體態與動作,就能讓我們在不打擾動物的情況下,獲得許多額外有用的資訊。 傳統上,研究人員若想取得真實動物的 3D 模型,必須使用雷射掃描或多視角攝影等方式,這些方法不但昂貴、流程複雜,還要求動物保持靜止,幾乎不可能在自然環境中進行。不過,深度學習(deep learning)的出現改變了一切。在近幾年,許多研究團隊成功利用類神經網路(neural networks)直接從一般 RGB 影像或影片中推算三維形狀,讓動物重建變得非侵入式又更靈活。 然而這項技術仍面臨不少難題,動物不像人類,牠們有著高度的多樣性與不穩定性。不同物種之間的體型與身形差距極大,即使是同一

演化之聲
2025年11月6日讀畢需時 7 分鐘


真實版演化模擬道具,ESM3模型如何模擬五億年的演化
在日本漫畫多啦A夢中,存在這樣一個道具。這個道具被稱作進化退化光線槍(日文:進化退化放射線源),它可以使被照射到的生物發生進化,或著退化回祖先的樣貌,十分的有趣。當然我們都知道,像這樣的道具在現實生活中是不可能存在的。演化本身是非常複雜且漫長的過程,人類難以用器具去觀察生物體的變化,更別說把整個生物的演化歷程模擬出來。 然而,在2025年一篇發表在《Science》期刊上,名為《Simulating 500 million years of evolution with a language model》的文章卻顛覆了這個看法。該團隊利用生成式人工智能成功復現了綠色螢光蛋白(GFP)五億年的演化歷程。用白話文來說,就是作者們利用AI人工智慧模擬出類似進化退化槍的功能,讓一段蛋白序列在電腦裡逐漸變成類似螢光蛋白的模樣,而這個蛋白也確實擁有螢光蛋白的功能。 圖(一) GFP序列模型。(圖片來源:Zephyris,採用 CC BY-SA 3.0 授權。) 那麼,研究團隊是如何利用人工智慧模擬演化? 首先,研究人員設計一項名為ESM3的生成式語言模型,

Rodrigo
2025年10月30日讀畢需時 3 分鐘


人工智慧設計的噬菌體,合成生物學的一大突破
在分子生物學與合成生物學的研究中,如何從整個基因組的角度設計並創造全新的生命體,一直是這些研究者心中的終極目標。隨著基因定序與合成技術的快速進展,人類對於 DNA 序列的解讀與編輯能力已經大幅提升,但以往的編輯技術都是從已存在生物上的 DNA 序列進行部份修改,而真正能夠從無到有的設計,仍然存在巨大的挑戰。 DNA 基本上是藉由 4 種去氧核糖核苷酸分子串聯所組成,這些分子上的鹼基種類分別是腺嘌呤(adenine)、胸腺嘧啶(thymine)、胞嘧啶(cytosine)、鳥糞嘌呤(guanine),為了簡單明瞭,我們也常取它們的第一字母 A、T、C、G 作為序列表示。例如人類的β-肌動蛋白基因的編碼區有 1,128 個核苷酸,而其序列如下: 5'-ATGGATGATGATATCGCCGCGCTCGTCGTCGACAACGGCTCCGGCATGTGCAAGGCCGGCTTCGCGGGCGACGATGCCCCCCGGGCCGTCTTCCCCTCCATCGTGGGGCGCCCCAGGCACCAGGGCGTGATGGTGGGCATGGGTCAGAAGGA

演化之聲
2025年9月27日讀畢需時 5 分鐘
bottom of page


