當手機開始聽懂鳥叫：公民科學的耳朵變大了，錯誤也跟著飛得更遠

一、手機說那是白耳畫眉，但森林沒有義務配合演算法

過去走進森林，聽見一串鳥鳴卻看不到鳥，是自然觀察最常見的挫折。現在打開手機，App 會即時列出可能物種，聲音頻譜像跑馬燈一樣滑過，名字與照片迅速跳出。這種經驗非常迷人：原本模糊的聲音突然被命名，陌生環境像多開了一層字幕。

鳥聲 AI 的普及，確實降低了自然觀察門檻。新手不必先背完圖鑑，也能開始注意季節、棲地與物種差異。大量使用者的觀察若進入 eBird 等公民科學平台，還可能補足專業調查在人力、時間與空間上的限制。2026 年 7 月，Merlin Bird ID 的聲音辨識資料將更進一步與 eBird 生物多樣性資料體系連結，引發對全球公民科學規模的新想像。

但手機辨識出一個名字，不等於森林交出身分證。模型會受背景噪音、裝置麥克風、重疊鳴聲、地理範圍、季節與訓練資料影響。都市裡的車聲、溪流、蟬鳴、風與人聲，都可能讓頻譜變形；不同物種也可能有相似叫聲，同一物種則有地區方言、年齡與情境差異。App 顯示的是模型根據既有資料做出的概率判斷，不是鳥類親自簽名的證詞。

公民科學的關鍵因此不是「每個人都能辨識」，而是「每個人都能留下可被檢查的觀察」。當便利的辨識結果開始大量進入資料庫，資料品質治理必須跟著升級，否則我們會得到一張非常精密、非常漂亮，也可能局部錯得很有自信的自然地圖。

二、數量不是品質，兩億筆錯誤不會因為很大就變成真相

大數據最容易產生一種政治美學：點位越多、地圖越亮、儀表板越即時，看起來就越科學。但生態資料不是社群按讚數。觀察紀錄的價值，取決於時間、位置、方法、努力量、錄音證據、觀察者經驗與可驗證性。

例如，同一地點有一百筆鳥聲辨識，可能代表一百隻鳥，也可能只是同一隻鳥被一百位遊客反覆錄到。某個城市公園資料極多，不一定表示物種特別豐富，可能只是交通方便、網路穩定、使用者多。偏遠山區、私人土地、軍事區、夜間與惡劣天候的資料較少，也不代表那裡沒有生物，只是人類的手機比較少到達。

這種「觀測努力偏差」若沒有校正，會讓模型與政策彼此強化。資料多的地方更容易被辨識、被研究、被列入保育；資料少的地方則被判定為低重要性，進一步失去調查資源。最後，我們以為在繪製生物多樣性，其實繪製的是人類休閒路線、手機品牌分布與基地台訊號。

因此，公民科學平台需要保留原始錄音、信心分數、模型版本、地理範圍與人工複核狀態，也要讓專家和社群能更正結果。錯誤並不可恥，無法追溯與修正才可怕。科學資料的成熟，不是從不出錯，而是知道錯誤如何被發現、標記與傳播。

三、生物聲學 AI 的突破，是讓小樣本物種也有被聽見的機會

傳統生物聲學監測面臨一個殘酷瓶頸：錄音很容易累積，標註卻非常昂貴。感測器可以在森林裡連續錄數月，研究者回來後卻要面對成千上萬小時音檔。熱門鳥種有大量資料，稀有蛙類、昆蟲、幼鳥、島嶼物種或尚未明確命名的聲音，往往缺乏足夠樣本訓練專用模型。

2025 年提出的「Search for Squawk」工作展示一種較敏捷的流程：利用已在大型鳥聲資料上預訓練的聲學嵌入、音檔索引搜尋與主動學習，讓生態研究者在較短時間建立新辨識器。案例涵蓋珊瑚礁未知聲音、夏威夷幼鳥與島嶼鳥類占域。這種技術的真正價值，不只是模型速度，而是降低小型研究團隊與資源不足地區進入自動監測的門檻。

然而，轉移學習也帶來新的偏差。用鳥聲模型理解蛙、昆蟲或珊瑚礁聲景，可能有效，也可能把不同生態系硬塞進既有特徵框架。模型在某一地區表現很好，換到另一個氣候、方言或錄音設備後可能失準。研究者必須公開測試條件、錯誤類型與不適用範圍，而不是只展示平均準確率。

對台灣而言，這尤其重要。島嶼地形、海拔梯度、季風、颱風、蟬與蛙的大量聲音，加上許多特有種與地區性鳴聲，使本地資料不能只依賴海外模型。建立開放、分級授權、可追溯的在地聲音資料集，會比單純購買一個「辨識萬物」的 API 更有長期價值。

四、錄音不只錄到鳥，也會錄到人、地點與敏感物種

被動聲學監測常被描述為非侵入式，因為它不像捕捉、裝環或近距離追蹤那樣直接干擾動物。但「不碰動物」不代表沒有倫理問題。感測器也可能錄到人的對話、工作聲音、祭儀、私有土地活動與可識別位置。若設備設在部落、農地、步道或社區邊界，資料治理就不能只問研究許可，還要問居民是否知情、音檔保存多久、誰能下載，以及人聲如何去識別。

敏感物種位置更需要謹慎。稀有鳥類、巢位與繁殖地若即時公開，可能吸引攝影者、盜獵者或過度觀察。公民科學平台通常會對部分物種模糊座標，但 AI 即時辨識與社群分享速度更快，使用者可能在官方遮蔽前就把精確位置、照片與聲音上傳到公開平台。

原住民族傳統領域中的聲景，還可能包含文化意義。某些鳥聲是季節指標、狩獵知識、禁忌提醒或祖先敘事的一部分，不只是可自由擷取的訓練資料。研究與平台若把所有聲音都視為「自然資源」，會忽略知識權利與社群同意。雙向知識的做法不是拒絕科技，而是要求科學分類與在地理解同時存在，並由社群參與決定哪些內容可公開、哪些只能在特定脈絡使用。

五、AI 可以提醒「可能有鳥」，不能單獨決定「這裡沒有鳥」

自動辨識最危險的用途，不是偶爾認錯一隻鳥，而是被拿來證明某地沒有重要物種。開發單位若在短期監測中未偵測到保育類，就可能主張影響有限；但沒有偵測到，可能源自季節不對、設備故障、模型不含該地區叫聲、物種當時未發聲，或環境噪音掩蓋。

生態調查需要把聲學 AI 與目視、棲地、季節、歷史紀錄及專家判讀結合。模型適合擴大篩查、找出待確認片段、分析長期變化，卻不應成為單一否定證據。尤其在環評、保育區調整與工程開發中，「未偵測」與「不存在」之間必須保持清楚距離。

同樣地，公民科學資料可以提示趨勢，卻不必然代表族群數量。某物種回報增加，可能是族群擴張，也可能是 App 更會辨識、使用者變多或觀察熱潮。好的研究會把平台變化納入模型，而不是把每一條曲線都解讀成自然界本身。

六、真正革命性的不是機器聽懂鳥，而是更多人開始願意聽

鳥聲辨識 App 最美好的成果，也許不是生成全球最大的資料庫，而是讓原本對自然無感的人停下來。當一個人第一次知道凌晨窗外不是「鳥在叫」，而是兩三種鳥在不同距離回應，他與居住地的關係會改變。名稱不是終點，而是注意力的入口。

但注意力若要成為公共知識，必須接受科學紀律與倫理約束。使用者要知道辨識結果有不確定性；平台要提供修正與資料來源；研究者要處理地理、階級與設備偏差；政策者不能把 App 清單當成完整生態調查；社群則應有權決定聲音、位置與文化知識如何被使用。

AI 讓人類的耳朵變大了，卻沒有自動讓判斷變謙虛。下一階段的生物聲學，不是追求一個永遠秒答的自然版搜尋引擎，而是建立一個能保存證據、承認錯誤、尊重地方知識，並在必要時說「我不確定」的公共聆聽系統。森林從來沒有沉默，只是我們過去聽得太少；現在終於聽得更多，更要小心別把自己的模型誤認成森林的全部。

source-check notes

• The Guardian, “Birdsong data from Merlin ID app to help global biodiversity project,” 2026-07-04, https://www.theguardian.com/environment/2026/jul/04/merlin-app-birdsong-identification-ebird-biodiversity-conservation 。核對重點：Merlin Sound ID 與 eBird 資料整合方向、使用規模、可辨識物種數與專家對誤判的提醒。
• Cornell Lab of Ornithology, “Merlin Bird ID,” https://merlin.allaboutbirds.org/ 。核對重點：Sound ID 功能、支援地區與物種範圍、使用者應如何確認辨識。
• Dumoulin et al., “The Search for Squawk: Agile Modeling in Bioacoustics,” 2025-05-05, https://arxiv.org/abs/2505.03071 。核對重點：預訓練聲學嵌入、索引搜尋、主動學習，以及珊瑚礁、夏威夷幼鳥與島嶼鳥類案例。
• Convention on Biological Diversity, “Kunming–Montreal Global Biodiversity Framework,” 2022, https://www.cbd.int/gbf/ 。核對重點：生物多樣性監測、知識與資料在保育決策中的角色；本文未將 App 資料等同官方指標。