Tuesday, March 03, 2026

鰻苗捕撈漁期結束 全台捕撈量估約3500公斤 漁期結束收盤價每尾8元

不如預期!鰻苗捕撈漁期結束 全台捕撈量估約3500公斤

蔡宗勳
台灣鰻苗捕撈漁期結束,全台捕撈量估約3500公斤。(資料照,記者蔡宗勳攝)
台灣鰻苗捕撈漁期結束,全台捕撈量估約3500公斤。(資料照,記者蔡宗勳攝)

〔記者蔡宗勳/嘉義報導〕台灣鰻苗捕撈漁期已於2月28日結束,嘉義縣政府農業處宣布,依「鰻苗捕撈漁期管制規定」距岸3浬內海域、潮間帶及河口水域,自3月1日起至10月31日止為期8個月禁捕期,禁止捕撈鰻苗,讓鰻苗得以成長繁衍下一代,永續鰻魚資源,請從事捕撈鰻苗者務必配合。

上季台灣、日本、韓國與中國等東亞四國鰻苗捕撈量創下10年來新高,光中國就捕獲9萬7000公斤,日本也有2萬1000公斤,韓國9000公斤,最少的台灣也有6300公斤。本季截至目前為止,中國已有2萬8950公斤左右,日本約4400公斤,台灣則在2月28日以約3500公斤結束鰻苗捕撈漁期。嘉義沿海本季捕獲量為315公斤,雖優於往年平均值,但因價格偏低,漁民靠鰻金賺年終獎金的希望落空。

受到上季大豐收的影響,目前台灣、日本、韓國與中國等東亞四國養殖成鰻在池量仍居高不下,致台灣這季開盤就只有每尾22元的低迷水準,之後由於去年11、12月的捕獲量寥寥無幾,價格略有浮動,去年12月25日出現每尾24元的本季最高價,但今年1月中旬衝出大量後,隨即在1月20日跌至每尾5元的最低價,最終漁期結束收盤價則是每尾8元。


Thursday, January 29, 2026

從200元跌到5元! 鰻苗價"斷崖式雪崩"

從200元跌到5元! 鰻苗價"斷崖式雪崩"漁民苦嘆

民視影音

中部中心/李文華 彰化報導

每年入冬之後,彰化漁民都會到出海口捕鰻苗,爭搶"海上白金"!但是,今年鰻苗價格卻雪崩式下跌,每尾只剩5至6元,漁民甚至直言,這是30年來最慘!原本被視為"年終獎金"的鰻苗季,今年幾乎化為烏有,主要原因,是無奈日本市場被中國搶走!

從200元跌到5元! 鰻苗價「斷崖式雪崩」漁民嘆
從200元跌到5元! 鰻苗價「斷崖式雪崩」漁民嘆

鰻魚農嘆恐無年終獎金。大火烤出焦香,再刷上獨門醬料,吃鰻魚三步,先趁熱品嚐,也加點蔥花和山葵,最後淋上柴魚高湯,變成湯泡飯!

鰻魚他幼小時,又叫做"玻璃鰻",你見過本尊嗎?像這樣渾身透明,在水中拼命游動,每一條魚身上,黑亮亮的兩隻小眼睛。漁民回憶,補抓鰻苗大約10年前,行情最熱時,一尾鰻苗最高甚至超過200元,但是短短10年間,魚苗價格一路探底!養殖戶認為,鰻苗價格崩跌,也與日本方,因為今年氣候寒冷,停止養殖,需求瞬間消失有關。另外,中國養殖量大,外銷還享有大約17%補貼優惠,價格具優勢,搶走日本等買家!

廣告
從200元跌到5元! 鰻苗價「斷崖式雪崩」漁民嘆
從200元跌到5元! 鰻苗價「斷崖式雪崩」漁民嘆

鰻魚農嘆恐無年終獎金。鰻苗捕撈作業,屬於高風險、短期收入,本來想賺個年終獎金,現在價格這麼低,難道要他們不要抓,早點休息嗎?國際競爭情勢,我們無法掌握,鰻農認為當務之急,是先撐起內銷市場,靠國人吃爆鰻魚美食,期望重振台灣"養鰻王國"名號。

Tuesday, January 20, 2026

基因功能不應被視為固定的標籤, 語言學啟發:從「關係語義」到「分布語義」

認識基因:基因功能的分布假說
Kwon et al.,(2024) Knowing a gene: A distributional hypothesis of gene function (2024) https://doi.org/10.1016/j.cels.2024.04.008。

提出一個新穎的觀點:基因功能不應被視為固定的標籤,而應被理解為跨越不同細胞背景(Cellular contexts)的分布。這項提議深受自然語言處理(NLP)領域中「分布語義學」發展的啟發。

大綱與核心內容:

一、 現狀與挑戰:傳統基因功能研究的侷限

• 功能定義的瓶頸:目前分子生物學旨在鑑定基因序列的功能,通常將其描述為生物知識圖譜中的一條邊(例如「基因 A 是通路 B 的成員」)。

• 現有方法的缺點:

    1. 速度失衡:基因序列發現的速度遠快於功能解密的速度。

    2. 路燈效應(Streetlight effect):研究往往偏向於已知且易於實驗的複合物或通路。

    3. 忽略生物背景:基因功能取決於細胞狀態,同一個基因在不同細胞或不同刺激下可能扮演完全不同的角色。

    4. 本體論(Ontology)的限制:如基因本體論(Gene Ontology, GO)雖然提供了層級化結構,但通常不指定動作發生的時間、地點或背景。

二、 語言學啟發:從「關係語義」到「分布語義」

• George Miller 的觀點:1990 年代語言學家 Miller 意識到,僅靠「關係語義」(如 WordNet 中的「是一個」關係)無法區分具有多重含義的詞彙(多義詞)。

• 分布語義學(Distributional Semantics):主張「透過詞彙周圍出現的詞來認識該詞」。詞彙的含義可以從其出現的語境(Sentence context)中經驗性地推導出來。

• 現代語言模型的成功:從早期的詞向量(Word Embeddings)到現代的大型語言模型(LLM,如 GPT),皆是利用上下文來捕捉複雜的語義特徵。

三、 詞彙與基因之間的「奇妙平行」

語言系統與生物系統在多個層面上的相似性:

1. 層級組織:字母/核苷酸 → 單詞/基因 → 句子/蛋白質複合物 → 主題/功能模組。

2. 動態演化:詞彙語義會隨時間產生「語義漂移」,基因則會產生「遺傳漂移」或「新基因誕生」。

3. 擾動研究:語言學使用「完形填空」(Cloze test)測試理解,遺傳學則透過「基因敲除」(Gene knockout)觀察表型變化。

4. 數據爆炸:數位文本庫與基因組學、蛋白質組學等大規模生物數據集(如 GTEx, TCGA, DepMap)同樣具備高維度與稀疏性。

四、 核心提議:基因功能的分布假說

• 轉向向量表示:提議不再將基因映射到固定的功能分類,而是直接從生物數據中學習基因功能的分布表示(Vector representations)。

• 潛在變量(Latent Variables):在訓練模型中,基因被映射到一個潛在空間的向量。這些潛在變量可以被解讀為「生物過程」或「通路」,類似於語言模型中的「主題」。

• 納入細胞狀態:強調**背景(Context)**的重要性。同一個基因在不同組織或發育階段的分布,定義了其完整的功能譜。

五、 實施路徑與未來展望

分階段的倡議來建立新的範式:

1. 第一階段:語料庫策劃。整合大規模且處理一致的生物數據集,涵蓋基因與其在不同背景下的關係。

2. 第二階段:自監督學習目標。推薦使用語言建模或對比學習等目標,並建立評估基準。

3. 第三階段:大規模預訓練。在更廣泛的功能任務上訓練模型,捕捉複雜的相互關係。

4. 第四階段:跨學科驗證。與實驗學家合作,生成新的功能測量數據來測試模型的預測能力與通用性。

總結來說,這篇文章主張利用變換器(Transformer)技術與自監督學習,將生物學研究從靜態的描述轉向動態的、基於數據驅動的分布模型,以更全面地理解生命的語言。