如果你聽過 ChatGPT、Gemini 或 Claude，大概知道「大型語言模型」（LLM）是近年 AI 的主角。
它們靠著讀取大量文字，從中學會人類語言的規律。然後，他們運用這種規律來跟人類「交談」，甚至讓有些人以為AI是好朋友！
但最近有研究團隊把這套方法運用在自然界──
不是去「讀」語句，而是去「讀」植物。
在今年（2025） ，《Nature Plants》刊登了一篇研究〈Learning the syntax of plant assemblages〉。
研究團隊訓練了一個名為 Pl@ntBERT 的模型，讓它從超過140 萬筆歐洲植被資料中，學會不同植物之間的「共現語法」。
簡單來說，他們讓 AI 玩一種特別的接龍遊戲──不是接文字，而是接植物。
什麼是「植物接龍」？
研究團隊把每一個樣區的植物紀錄資料（記錄某地有哪些植物）視為一句「植物句子」：
如夏櫟（Quercus robur）, 常春藤（Hedera helix）, 大花銀蓮花（Anemone nemorosa）
他們讓AI閱讀所有這些樣區中出現的植物名稱，於是AI從中學會了哪幾種植物的名稱最常一起出現（如上），就能「學會」從一個植物清單預測最可能出現的下一個植物是什麼。
接著，他們會在這串名單中隨機遮掉一種植物，再請 AI 猜猜那個空格裡應該是誰。
這其實就像語言模型的「填空練習」──
它學會哪些植物常一起出現、哪些少見、誰是關鍵角色。
另外，他們還讓AI 練習：只看植物名單，就要判斷這是哪一種棲地。這就像丟給ChatGPT一個句子，要他猜出這個句子是從哪一本書出來的。
結果 Pl@ntBERT 的表現超出預期──
它辨識歐洲 227 種棲地的準確率高達 92%，甚至比專家製作的分類系統還穩定。
它到底「懂」了什麼？
當然，Pl@ntBERT 並不真的懂植物，就像 ChatGPT 也不懂句子的意義，它只是學會「誰跟誰常連在一起」。
AI 並不知道「夏櫟」為什麼常和「常春藤」共生，
但它能偵測到這種模式──
而這些模式，正是過去生態學家們花數十年才能觀察到的結構。
所以 Pl@ntBERT 的價值，不在「理解」，而在於忠實反映資料中潛藏的關聯，
讓我們能看見被忽略的植物群落「語法」。
那麼，AI 為什麼能夠成為生態學的好幫手？
首先，人類觀察自然時常帶著預設立場。例如：
「這裡濕，所以應該有蕨類。」
但 AI 沒有這種偏見。它只是從共現資料，從中找出規律。
也就是說，AI能夠去除人類的直覺偏誤，這讓研究者能以更中性的方式探索自然。
其次，野外調查常有遺漏──可能是稀有植物沒被記錄到、或因為形態類似而被誤判。
但是，AI 可以根據其他植物的組合推測出可能的遺漏。
就像它在玩植物接龍時，自動補上缺的那一張牌。
更好的是，透過AI的LPLM（大型植物「語言」模型）的協助，每個樣區的植物資料都可被快速分類，節省了人工判讀與專家比對的時間。
對保育工作、紅皮書更新、氣候變遷監測都有實際幫助。
最後，AI 還能找到人類不易察覺的關係，例如某兩種植物從未同場出現，但都與同一個第三種植物共現。
找到這種「隱性語法」，能幫助研究者開發新的生態假說。
那麼，AI能幫我們「預測自然」嗎？
這是最有哲學意味的問題。
雖然Pl@ntBERT 不能理解生態因果，但它能預測結構的變化。拿掉A，會造成BCDE發生什麼樣的變化？如果要讓F重新回來，要先讓哪些植物出現？
由於生態系統的複雜性，過去在嘗試復育的時候，往往會功敗垂成；現在有了植物AI，在未來，研究者希望用它來模擬：
氣候變遷後植物群落如何重組；
外來種入侵對原生植物會發生何種影響；
森林復育後最可能回來的物種有哪些。
這些都不是「AI 取代人類」，
而是 AI 提供一面鏡子，幫我們看見人類未曾觀察到的規律。
它是一個沒有理論偏見的輔助觀察者。
不過，就像ChatGPT、Gemini等LLM，使用植物AI也要小心新的偏誤：
雖然AI 不會迷信理論，但因為它是透過我們蒐集的資料學習，而資料本身也有偏誤──
所以它也不真正「中立」。
資料的偏誤是什麼？例如，多人採樣的樣區資料就會多、比較不容易採樣的季節/地區少人觀察，提供的資料就少。這樣，Pl@ntBERT就會以為，資料較少的季節/地區的這些「植物句子」不夠「自然」。
打個比方說，現在LLM學到的中文資料，絕大部分是從中國來的；於是就會看到ChatGPT、Gemini、Claude動不動就給我們來個「至關重要」、「基因組」，讓臺灣的我們看了渾身不舒服。
所以 Pl@ntBERT 呈現的「自然語法」，其實仍是人類觀察過的自然投影。
要真正理解自然，仍需要人類的批判思考與實地觀察。
人類用語言描述自然，也用語言誤解自然。
Pl@ntBERT 的出現，讓我們第一次能讓「機器」去讀自然的語法。
它不會說話，卻能幫我們讀出植物之間的細微對話。
AI 不會懂植物，但它能提醒我們：
自然界確實在「說話」，只是我們不容易傾聽。
參考文獻與延伸閱讀：
LeBlanc, C. et al. (2025). Learning the syntax of plant assemblages. Nature Plants.https://doi.org/10.1038/s41477-025-02105-7
植物語法與生態網絡分析的比較研究（2024, Ecology Letters）
BirdNET：AI 分析鳥鳴聲辨識物種的開放資料計畫
