打造第一台奈米碳管電腦

本文轉載自顯微觀點

DNA-PAINT：易脫落的奈米「漆」

DNA-PAINT 屬於單分子定位顯微術（SMLM）大家族一員，它突破繞射極限的途徑類似 PALM 與 STORM：以閃爍（blinking）的螢光讓多個目標分子的位置輪番呈現，最後將多次定位影像以電腦疊合重建成完整的超解析分子地圖。結合電腦運算輔助和光學成像的統計原理，DNA-PAINT 可以達成極端細緻的 RESI 定位術，清楚區別兩個距離不到 1 奈米的螢光來源。

單看字面，DNA-PAINT 給人「以 DNA 作為油漆」的印象。事實稍有不同，這種技術以 DNA 作為「點累積奈米成像術」（PAINT , Point Accumulation for Imaging in Nanoscale Topography）的探針。接上螢光染劑的短小 DNA 片段，可以靈敏標記蛋白質、染色體以及許多細胞內構造。

DNA-PAINT 的特別之處，在於利用「不牢固」的螢光標記製造閃爍效果。不同於 PALM, STORM 以光調控「固著在目標上」的螢光來源，DNA-PAINT 使用與目標連結力量薄弱的螢光探針，結合目標之後會快速分離。只有在探針與目標結合的瞬間，同時被激發光照射，探針上的螢光團才能發出螢光。目標分子與螢光探針分離後，依然保有和下一個探針結合的能力，因此不必擔心螢光團的放光能力衰退。

DNA-PAINT 使用的 DNA 探針片段長度不超過 10 個鹼基，又稱寡核苷酸（oligonucleotides 或oligomers）。這些短小 DNA 片段可以附加上螢光染劑的螢光團分子，成為螢光探針。

DNA 探針的結合對象是另一段互補的 DNA 片段，此互補序列會預先透過抗體與定位目標連結，等待 DNA 探針前來結合。DNA 探針因為具有螢光團，被稱為「成像片段（imager strand）」，而牢固於目標的互補序列則稱為「嵌合片段（docking strand）」。對生物細胞進行 DNA-PAINT 時，嵌合片段與目標分子之間常有抗體或配體做為銜接，需要類似免疫螢光染色的前置作業，目標表面的抗原也可以因應實驗需求進行設計。

因為兩個短小 DNA 片段之間的結合力有限，成像片段與嵌合片段結合後會快速分離。而螢光團只有在結合目標時才容易放光，因此可以形成閃爍的螢光定位標記。經由電腦疊合閃爍的定位影像，DNA-PAINT 可以達成 10 奈米左右的超解析定位，若沒有序列成像的幫助，依然無法突破奈米以下解析度的光學障礙。

核孔複合體（Nuclear Pore Complex）上的 Nup96 蛋白是科學家經常探索的重要目標，即使是超解析顯微術也未能在自然狀態下呈現其構造。隆曼團隊以 RESI 對 Nup96 進行定位，不但清楚定位出符合電子顯微鏡拍攝的 8 對 Nup96 蛋白沿著核孔形成環狀結構，還能清楚呈現每對蛋白之間的 11 奈米的間距。

結合序列成像（Sequential Imaging）與 DNA-PAINT 兩種技術，RESI 讓科學家得以運用一般門檻的顯微儀器、耗材，就能達到超乎以往想像的定位解析度。而 DNA-PAINT 這種巧妙的定位方法並非一蹴而就，而是數種有趣的技術累積而成。

PAINT 起源：不穩定又不專一的尼羅紅

PAINT（Point Accumulation for Imaging in Nanoscale Topography, 點累積奈米成像術）系列定位法的螢光探針由一個螢光染劑分子與一個分子探針（probe）構成。親和性抗體、寡核苷酸（短小 DNA 片段）都可作為分子探針的材料，再由此探針結合目標分子或其上的抗體。除了 DNA-PAINT, PAINT 家譜上還有 FRET-PAINT, Exchange-PAINT, u-PAINT 等不同特質的成員。

在 2006 年由沙羅諾夫（A. Sharonov）和霍克崔瑟（R. M. Hochstraser）發表的第一代 PAINT 中，僅僅使用螢光染料尼羅紅（Nile Red）為標記。這種染劑在含水溶劑中無法發光，必須進入磷脂層等非極性環境才能展現其螢光活性。

因此尼羅紅無須結合探針，只要以低濃度加入樣本溶液中，就能觀察到其進入細胞膜脂雙層、大型磷脂囊泡（large unilamella vesicles）表層等疏水性環境中，受到激發放出螢光。尼羅紅與磷脂層的親和性不強，很快就會再次脫離，也容易遭到光漂白（photobleaching）而失去螢光，因此可作為一種閃爍的螢光定位標記。

尼羅紅可以結合所有疏水性（hydrophobic）的構造，無法真的標記特定分子，缺乏分子生物學重視的專一性。但它開啟了 PAINT 以「不牢固螢光染劑」增進解析度的先河。與多數螢光顯微術追求螢光團穩定性與強度的定位技巧背道而馳。

4 年後，吉安諾內（G. Giannone）和荷西（E. Hosy）以具目標專一性的配體，例如抗體蛋白，連接螢光團形成螢光探針，達成具有專一性的 PAINT 超解析定位。透過進步的生化技術製作配體，這種技術幾乎可以定位所有類型的目標，因此被命名 universal-PAINT, 簡稱 uPAINT。

uPAINT 可以提升多種目標的定位解析度，但其螢光探針即使游離在溶液中，也能接受激發、放出螢光，形成背景雜訊。且結合螢光染劑的抗體無法穿透細胞膜，因此只能定位細胞膜上的目標。

因此 uPAINT 必須限縮激發光照射的範圍，對準目標、減少雜訊，例如微調全內反射顯微鏡（TIRF）的角度，形成「高傾斜層光照明」（Highly Inclined and Laminated Optical sheet, HILO）以限定激發範圍。

同在 2010 年，隆曼與史坦豪爾（C. Steinhauer）嘗試以寡核苷酸為探針，定位 DNA 摺紙構造（DNA origami structure）上的目標，達到了奈米等級的解析度。DNA-based Point Accumulation for Imaging in Nanoscale Topography 正式誕生，善用「不牢固的螢光探針」與電腦運算的輔助，以一般螢光顯微鏡就能突破繞射極限。

無限調色的虛擬油漆：Exchange-PAINT

2014 年，隆曼與同事阿凡達尼歐（M. S. Avendaño）、沃爾斯坦（J. B. Woehrstein）發表 DNA-PAINT 的巧妙變化，除了同時以不同探針標記不同構造，達成精準的多重定位（multiplexed localization），更實現以一種螢光超解析定位多種目標，讓多重標記的潛力加速實現。

這種多重標記被隆曼與同事稱為 Exchange-PAINT，同樣使用 DNA 片段作為探針。在同一個樣本的 10 種不同目標上，連結了 10 種不同的嵌合片段（docking strands），隆曼等人再以 10 種互不干涉的短小 DNA 序列（orthogonal sequences）作為成像片段（imager strands）。

他們每次只加入一種成像片段，針對一種目標進行閃爍（blinking）定位，並由電腦套上特定顏色，接著洗去既有成像片段，再加入下一種成像片段。最後將所有目標的獨立定位圖疊合起來，便能得到完整的奈米級定位。

只需要一種螢光染劑接上多種成像片段，Exchange-PAINT 便能以基本的實驗設備達到多重目標的超解析定位，不像多重標記的 DNA-PAINT 受限於染劑顏色數目，Exchange-PAINT 的門檻在於互不相干寡核甘酸片段的數目，在實驗中幾乎不可能窮盡。而可以使用一般螢光顯微鏡與螢光染劑達到埃（ångström）解析度的 RESI 技術，就是將 Exchange-PAINT 的多種目標定位應用於單種目標定位，透過不同探針標記同種目標製造發光順序落差，大幅提升解析度。

在「眼見為真」的生物學影像趨勢中，「增加偵測光子數量」是螢光顯微技術提升解析度的基礎光學原理，也是最主流的技術改良方向。而 DNA-PAINT 系列技術跳脫了對光子數量的追求，不受螢光染劑的光漂白及螢光壽命限制，以快速脫落的探針另闢蹊徑，使低成本的超解析影像得以實現，更展現生物物理學蘊藏的廣泛技術可能性。

參考資料：

• DNA-PAINT 的最新應用：RESI序列成像解析度增強術
• Jungmann, Ralf, et al.  Nature methods 11.3 (2014): 313-318.
• Agasti, Sarit S., et al.  Chemical science 8.4 (2017): 3080-3091.
• Nieves, Daniel J., Katharina Gaus, and Matthew AB Baker. Genes 9.12 (2018): 621.
• Schlichthaerle, Thomas, et al.  Angewandte Chemie 131.37 (2019): 13138-13142.

本文轉載自顯微觀點

電腦運算是近 20 年來生物影像突破繞射極限的可靠工具，例如 STORM（Stochastic Optical Reconstruction Microscopy）, PALM（Photo-Activated Localization Microscopy），以電腦記憶、疊合，將多次拍攝的零散螢光重建成完整輿圖，解析度極限可接近 10 奈米。

現在，透過電腦輔助的序列成像解析度增強術（RESI, Resolution Enhancement by Sequential Imaging），科學家能將細胞內分子的定位解析度大幅提升到埃（Ångström, Å.等於1/10奈米）的尺度，清晰定位緊鄰的分子、觀察它們在細胞內的變化。

RESI 定位可呈現 DNA 相鄰鹼基間距，超越超解析顯微鏡，達到與電子顯微鏡同等的解析度，而且只需基本的細胞固定，近乎完全保持樣本原貌。

在德國馬克斯．普朗克生化研究所率領團隊研發 RESI 的榮曼（Ralf Jungmann）認為，RESI 能填補介於光學顯微術與結構生物學之間的資訊空白，揭露更多複雜生命系統的真相，為分子生物學與藥物動力學開闢道路。

「發光順序」成為解析度新要素

使 RESI 成為「超級超解析」定位術（super-super resolution）的核心概念，是以不同 DNA 螢光探針對目標進行多次標記定位，定位過程由電腦為目標編上號碼（DNA-barcoding），使「發光順序」成為分辨目標的新維度，並以「定位次數」來大幅提升解析度、為量化分析提供充沛樣本。

例如，淋巴癌與自體免疫疾病的關鍵標靶：B 細胞表面 CD20 蛋白﹐雖然早已發現是重要的癌細胞特徵，也確認有效藥物，但其結構與分子動力學依然曖昧不明，學界對它的了解還不足以研發進一步療法。

儘管 CD20 蛋白的結構已被電子顯微鏡呈現，但電子顯微鏡的拍攝條件會破壞細胞膜結構，導致 CD20 變形、偏移。現在透過 RESI 進行定位，CD20 的構造、藥物效果，都可以在接近生理狀態下一探究竟。

在 RES I分析下，榮曼等學者發現 CD20 總是成對出現（as dimers），並且在關鍵藥物 RTX（一種抗 B 細胞的單株抗體）加入後，會在細胞膜上聚集成緊密的長鏈。這些資訊是過往電子顯微鏡與超解析光學顯微鏡都未曾展現的。

序列成像：以次序換取空間

各種超解析單分子定位術的共同難題，是兩個目標分子過於接近，連電腦運算也無法辨別。假使兩個距離 1 至 2 奈米的相同分子輪流被激發，PALM, STORM 等仰賴隨機放光的超解析定位術即使分別收到兩個光源的螢光訊號，重建時也容易將緊密的兩者混為一點。

榮曼也強調，當兩個螢光團的距離小於 10 奈米，近場光學效應會大幅影響光調控螢光染色分子（photoswitchable fluorescent dyes）的表現。分辨兩個距離數奈米甚至數埃（Å）的分子，是單分子定位技術的最後關卡。

面對諾貝爾級超解析技術也無法克服的障礙，RESI 巧妙地以「標記」技術避開了光學難關。RESI 採用進化版本的 DNA-PAINT，螢光探針與目標結合轉瞬即脫落，並能使相鄰的目標結合不同探針，避免兩者同時發光，兩個緊密的分子幾乎不會干擾彼此成像。

奠基於隨機放光的單分子定位術（SMLM），序列成像（Sequential Imaging）用不同顏色、不同激發光譜的 DNA 螢光探針，標記鄰近的兩個目標，使兩者輪流發光。如此一來，發光順序便成為辨別螢光標記的新方法：兩個目標距離僅 1 奈米左右，但因為發光順序、螢光顏色不同，在重建過程中能夠被電腦清楚區分。

在真實的細胞中，若想以不同嵌合片段（docking strands）標記鄰近的相同蛋白（例如Nup96 dimer, CD20 dimer），則多少需要仰賴運氣。目前的 RESI 使用隨機標記（stochastically labelling），而非直接指定標記種類與位置。

定位 Nup96 的實驗就是一個例子，榮曼團隊的4種嵌合片段中，需要有 2 種分別標記相鄰的 Nup96 蛋白，才能夠使兩個相鄰蛋白分別依序發光。榮曼強調，得到理想標記的機率，會隨著嵌合片段的種類提升。在榮曼團隊的定位實驗中，RESI 對 Nup96 的定位達到和掃描式電子顯微鏡同等精密的解析度。

榮曼認為：「理論上，透過發光順序的差異，RESI 技術可以分辨無限接近的兩點。」

定位次數帶來解析度新境界

基於光波繞射的性質，點光源的光線不會透過顯微鏡聚焦為理想的一點，而是呈現一個立體球狀照射範圍。這個讓科學家困擾一個半世紀的照射範圍，就是此光學系統的點擴散函數（PSF, Point Spread Function）。

在顯微鏡焦平面上，PSF 會形成一個中心最亮、四周漸黯的圓形光斑（艾里斑，Airy Disk），若兩個光點的光斑大幅重疊，就會難以辨別。這也就是遠場光學顯微鏡的最大天然障礙：阿貝繞射極限的由來。

包含 PALM, STORM 等超解析技術的單分子定位顯微術（SMLM, Single-Molecule Localization Microscopy）也必須考慮 PSF。它們定位解析度（也稱定位精準度，σ_SMLM），接近點擴散函數的標準差（σ_Diff）除以每次定位偵測光子數（N）的平方根：

 σ_SMLM ≈ σ_Diff / N^1/2

解析度數值愈小，代表辨別極限的距離愈近，定位結果愈清晰。超解析定位技術不斷追求的，就是縮小 σ_SMLM。

在點擴散函數標準差（σ_Diff）隨儀器性能固定的情況下，每次定位偵測的光子數 N 就是定位解析度的主要變數。多數單分子定位技術，都需要設法提升偵測光子數以看得更清晰。

與其他單分子定位術不同的是，RESI 採用的 DNA-PAINT 探針對目標分子反覆結合、脫落，不斷有新的螢光探針前仆後繼，迅速與目標短暫結合，可以對每個目標累積多次定位。

因此目標的「定位次數」（K）進入解析度數值核心。每個目標定位的解析度由單次定位的點擴散函數標準差（σ_SMLM），轉變為多次放光定位的平均值標準誤差（SEM, Standard Error of the Mean），其大小和定位次數（k）的平方根成反比。

SEM_≈ σ_SMLM / k^1/2 _≈  (σ_Diff / N^1/2) / k^1/2

此時只要提升定位次數（k），就可以得到更精密的定位（σ_RESI），毋須追求更強或更漫長的螢光來增加每次偵測的光子數（N）。再搭配以定位順序區分鄰近分子，RESI 就能得到近乎無限小的解析度。這種靈活的反覆定位模式，有賴 DNA-PAINT 技術奇特的「不牢固」結合（transient binding）搭配榮曼團隊研發的開源影像處理軟體Picasso 合力實現。

（DNA-PAINT 技術介紹請見：DNA-PAINT：短暫標記 奈米解析）

參考資料

• Reinhardt, S.C.M., Masullo, L.A., Baudrexel, I. et al. Ångström-resolution fluorescence microscopy. Nature 617, 711–716 (2023).
• Max-Planck-Gesellshft. Ångström-resolution fluorescence microscopy. (2023)
• Agasti SS, Wang Y, et al. DNA-barcoded labeling probes for highly multiplexed Exchange-PAINT imaging. Chem Sci. 2017 Apr 1;8(4):3080-3091.

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。