一棵植物消失時，失去的不只是物種：Nature 把 5,796 種植物與 156 種語言畫成一張可能斷裂的「知識網」

# 一棵植物消失時，失去的不只是物種：Nature 把 5,796 種植物與 156 種語言畫成一張可能斷裂的「知識網」

作者：莊溪｜認識植物網站｜教育奉獻獎得主

今天這篇專題不是要把「傳統」和「科學」排成高低，而是追問：當兩套知識同時面對同一個自然世界時，彼此能不能指出對方看不見的地方？這個問題之所以重要，是因為 AI、氣候模型、GIS 與大型資料庫正在快速進入土地、文化、心理健康與公共治理；如果資料進來了，脈絡卻被刪掉，我們可能得到更快的答案，卻離真正的知識更遠。

第1章｜90,536 筆資料不是一座普通植物百科

本章先把研究證據與文化敘事分開。最重要的是：2026 年《Nature》研究整合 700 個來源、90,536 筆植物服務紀錄、5,796 種亞馬遜原生植物與 8,429 個物種分布模型。三種氣候情境下，地方尺度 Indigenous cultures 平均可能失去 28–34% 被使用植物物種與 18–23% 相關服務。資料涵蓋 156 種 Indigenous languages；在作者明示的 worst-case language-loss assumption 下，knowledge metaweb 可能縮減約 26%。。這些材料讓我們看見，研究問題本身會因為地方知識加入而改變。自然科學擅長把現象轉成可比較的數值、模型與不確定性；原住民族與地方知識則常把時間、地點、關係、責任與生活後果一起保留下來。兩者並置時，不需要誰替誰背書，而是要問：哪一種尺度被另一種方法漏掉了？

從編輯角度看，第一個防呆就是不要把研究論文、博物館／政府的文化資源、社群敘事與本文分析混成同一種證據。每一個具體數字、研究方法或制度描述都必須能回到來源；文化意義則應清楚標示來源脈絡。這樣讀者才能知道哪些是研究結果，哪些是文化說明，哪些是原傳媒AI的跨領域分析。

第2章｜氣候改變的是植物能不能留在原來的地方

知識不是離開現場後仍完全不變的物件。誰觀察、何時觀察、為什麼需要這項判斷、錯誤會造成什麼後果，都可能是知識的一部分。如果研究只留下可以塞進資料表的欄位，資料會變整齊，但意義可能變薄。雙向知識真正困難的地方，是既要讓資料能被比較，又不能把文化脈絡、社群權利與使用界線刪掉。

如果未來把這些內容放進傳統知識聊天機器人，資料欄位至少要能回答：這項知識屬於誰？在哪裡成立？何時成立？誰記錄？可否公開？可否訓練模型？是否有版本差異？誰能修正？若系統只保存名詞與定義，AI 很容易把局部知識說成普遍真理。

第3章｜語言斷掉時，知識網的「邊」也可能斷

當模型、統計或制度分類與地方觀察不一致時，不一致本身就是高價值資料。研究者應檢查空間解析度、時間尺度、變數缺漏、樣本選擇與研究目的；社群觀察也有自己的適用範圍，不能任意外推。成熟的合作不是追求『大家得到同一答案』，而是建立一套可以保存差異、回到現場、再驗證的流程。

這也是 Two-Eyed Seeing 最容易被誤解的地方。它不是把兩套知識平均混合，也不是要求雙方永遠同意；更重要的是讓不同證據方式都有位置，並建立可以互相校正而不互相吞沒的研究設計。當差異被保留下來，新的研究問題才會出現。

第4章｜把知識存進 AI，可能保存，也可能再次抽取

本章特別處理不能超譯的地方：28–34%、18–23% 與 26% 都是模型或情境估計，不是必然預言。26% 依賴 worst-case assumption；知識可能跨語言延續。研究也未把 deforestation、fire、mining 與極端事件的所有交互作用全部納入。。這些限制不是削弱文章，而是保護可信度。生成式 AI 很容易把不完整證據補成流暢故事；在原住民族知識領域，流暢不等於正確。來源沒有支持的儀式、禁忌、身份、名稱或因果關係，系統應保留未知，而不是依相似文化自動補完。

媒體敘事也需要同樣的節制。吸睛標題可以提出張力，但正文必須把因果、相關、模型情境、參與式研究與文化敘事分清楚。若一篇文章把『可能』改寫成『一定』、把『特定案例』改寫成『所有原住民族』，再漂亮的故事都會變成新的誤導。

第5章｜台灣可以做 biocultural knowledge graph，而不是植物百科全書

回到台灣時，最值得移植的是方法而不是答案。可以從社群真正關心的問題開始，共同定義要記錄什麼，再決定感測器、GIS、RAG、知識圖譜或多媒體工具如何加入。資料必須保留來源、時間、地點尺度、權限、版本與不確定性，也要讓社群有修訂與拒絕公開的能力。這樣科技才是支援地方決策的工具，而不是要求地方經驗配合科技格式。

對教育而言，可以讓學生把『科學模型使用的變數』與『地方知識持有人實際關心的訊號』列成兩欄，再討論哪些內容能量化、哪些需要敘事、哪些涉及權限。這比背誦傳統知識名詞更接近真正的雙向知識，也更適合未來 AI 素養教育。

原傳媒AI編輯觀察

這個題目真正值得留下的，不是一句「古老智慧值得保存」，而是一套更嚴格的知識工程觀：科技必須知道自己看不見什麼。模型可以提供廣域比較與推演，地方知識可以指出生活尺度、文化責任與長期變化；兩者都需要說清楚適用範圍與限制。

若未來進一步做 RAG、多模態辨識、語音轉譯或知識圖譜，最重要的不是把資料量做大，而是把 provenance、permission、place、time、community authority、version 與 uncertainty 做進架構。真正成熟的 AI，不是每一題都回答，而是知道何時應該查證、何時應該讓社群自己說、何時必須回答「目前不知道」。

不可超譯

28–34%、18–23% 與 26% 都是模型或情境估計，不是必然預言。26% 依賴 worst-case assumption；知識可能跨語言延續。研究也未把 deforestation、fire、mining 與極端事件的所有交互作用全部納入。

主要來源

• Nature research article
• PMC article record
• Zenodo data record

方法補充｜如何把這篇文章變成可追溯的數位知識

建議每一項研究事實建立 source_id，每一段文化說明建立 community/context 欄位，每一項編輯推論標記 analysis。若來源更新，保留舊版本與日期，不直接覆蓋。對敏感文化內容則設定 access level，讓公開版、研究版與社群內部版可以不同。這種做法雖然比單純建立全文向量庫麻煩，卻能大幅降低 AI 把脈絡錯置、跨族群套用或生成虛構細節的風險。

讀者如何讀這份證據

讀者閱讀這個研究時，應先確認數字的單位、模型情境與地方尺度。植物物種、植物服務、語言與 knowledge metaweb 並不是同一個量；把它們排在同一張圖上，可以幫助我們看見關聯，卻不能把圖上的連線當成已證明的因果。研究提供的是跨資料集的風險估計，並不保證每個社群會以相同方式失去知識。

如果地方要建立 biocultural knowledge graph，第一步不是把所有名字輸入資料庫，而是先和知識持有人確認欄位、權限、版本與使用目的。哪些植物可以公開、哪些名稱需要保留語境、哪些資料不可訓練模型，都應由有權決定的人共同訂定。搜尋方便不等於授權完成，資料完整也不等於關係被保存。

這種做法也要求研究者留下沒有被回答的問題：氣候、砍伐、火、採礦與語言變化如何交互作用，還需要哪些跨期觀察才能判斷。把未知保留下來，正是避免 AI 把模型情境改寫成命定故事的基本條件。

最後，任何延伸應用都要保留原始來源、審閱日期、資料權限與修訂紀錄，讓受影響的人能看見、補充、反對或要求停止使用。公開版本也應清楚標示哪些是已知事實、哪些是情境推演、哪些仍待地方共同確認，避免後續轉載時失去證據邊界。