如何測量蘇格蘭的海岸線與科羅拉多河？—《股價、棉花與尼羅河密碼》

• 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。

本文由 德州儀器 委託，泛科學企劃執行。

從 IC 之父 Jack Kilby 在德州儀器發明世上第一顆積體電路，到現在已過了 65 年，而這項科技已經成為我們的日常，並且還在不斷進步。德州儀器不僅是積體電路的先驅者，更長期投資氮化鎵 (GaN) 的電源應用，例如資料中心伺服器電源、再生能源、或是小體積的電源供應器等，開發許多獨創的電路結構。在已到來的次世代半導體浪潮中，德州儀器早已站穩了腳步，成為高壓半導體領域的領導者。

氮化鎵作為新材料的崛起，已成為充電領域的新寵，甚至打敗了傳統的矽 (Si) 基充電頭。然而，要充分發揮氮化鎵的潛力，需要量身定制相對應的策略和戰術。

何謂電路拓樸？電路設計要考量什麼？

拓樸電路是氮化鎵最好的後勤部隊，能讓它發揮 100% 的力量。但這個拓樸電路又是什麼呢？

先來談一下比較陌生的名詞「拓樸」。拓樸是幾何學中重要的概念，主要在研究物體在連續變化下時的不變性質。舉個數學家最愛的例子，就是研究如何把一個帶手把的馬克杯變成甜甜圈。這是什麼鬼題目？這就像問炭治郎什麼時候要開 5 檔，八竿子打不著吧？但對數學家來說，這個題目是可能的，因為帶手把的馬克杯和甜甜圈有個共通特徵，就是有一個洞！只要有這個共同特徵，我們確實就可以透過一系列的數學運算，將馬克杯變成甜甜圈。

舉例來說，漫威電影中班納博士變身成浩克，如果希望浩克的身上能看得出班納博士的影子，就必須用拓樸學先將班納博士的五官這些「特徵」定位好，製作成大家常看到有如網格的 3D 建模，變身成浩克時才不會整個走鐘（台語），臉部比例亂成一團。沒錯，拓樸解決的，是在兩種形狀間切換時，這些特徵與圖案的比例不會隨便亂跑，成為四不像的東西。

回到我們的氮化鎵電路，難道我們要利用拓樸學，把電路板的形狀變成一個甜甜圈或是浩克嗎?當然不是，這邊指的是用更少的元件、更低的延遲與漏電的設計，把相同功能的電路重新改寫配置。

簡單來說，電路拓樸就像是電路板上的藍圖，告訴我們如何把各種電子元件，比如電阻、電容、電感、電晶體等組織在一起，來完成我們想要的任務。

每種電路拓樸都有它的優點和適用的場合。例如，Buck轉換器可以將輸入的電壓降低，適合用在需要較低電壓的應用上。Boost轉換器則可以提升電壓，適合用在需要較高電壓的應用上。LLC轉換器具有高效率和寬輸入電壓範圍的特性，適合用在需要高效率和靈活性的應用上。PFC（Power Factor Correction）則是一種用來提高電源效率的技術，它可以使輸入電流與電壓同步，減少能量損失等等。

然而，這些都是以矽為主的拓樸電路，為了充分發揮氮化鎵百分之百的潛力，我們不能僅僅依賴傳統的電路設計方法和拓樸，而是要重新塑造！

GaN＋電路拓樸=最強？

那麼，我們要如何重新塑造才能全部發揮 GaN 的實力呢？讓我們以一種常見的電路拓樸—功率因數校正 PFC 為例。

PFC，是電路中的交通指揮，負責將電路中電流與電壓同步，以達到最佳的效率。在電訊號經過漫長電路之後，常常導致輸出的電流與電壓波形出現時間差，不再同步。我們知道功率等於電壓乘以電流，因此兩者好好配合，才能發揮最大效益，如果兩者沒有同步，就會降低整體電路的有效功率。

PFC 功率因數修正電路，現在看到在做的事情，就是讓它們好好同步，降低無謂的能量浪費。目前世界各地許多法規都直接要求在電路中加入 PFC，提升用電效率。

那麼問題來了，同樣是 PFC 電路拓樸，現在我們有兩種設計，下方的圖 1－雙升壓 PFC，跟下方圖 2－圖騰柱 PFC。

依照我們希望體積盡可能小的需求，直覺來說你要選哪一個呢？

當然是圖 2，因為他看起來比較簡單嘛。可惜的是，市面上大多矽基半導體的 PFC，都是選擇圖 1 方案。因為圖 2 方案的簡約設計，前提是關鍵的二極體必須具備低的「反向恢復時間」。

所謂反向恢復時間，指的是電晶體在電源切斷的瞬間，電晶體內仍有殘留電荷，會反向放電，造成電路阻塞。而矽基半導體過長的反向恢復時間，會導致電源損耗上升。反之，氮化鎵因為反向恢復時間為零，可以完全適應高效的圖騰柱 PFC。

這邊提到的 PFC 只是氮化鎵的其中一種運用，別忘了，除了零反向恢復時間外，它還有著能承受高電壓與高溫的特性，再加上低漏電率的關鍵被動技能，在目前的半導體戰場上，可說是最強的挑戰者。未來在各種電源供應器上，應該很快都能看見它的身影。

當然，講到這邊，都僅止在題本作答。在實際的晶片設計中，各元件間的距離與電路安排，都需要經過多次的試驗和調整，才能找到最適合的電路拓樸和元件配置，而這也正是德州儀器所擅長的領域。

德州儀器設計出的電源供應器，已經遍佈全世界的重要設備中。除了提供高效的能源供應，節省下的能源，也直接減少了許多碳排。根據估計，對一個 100 MW 的資料中心來說，換上 GaN FET 之後，就算只有提升 0.8% 的效率增益，在 10 年內就能節省多達 700 萬美元的能源成本。尤其在 AI、量子電腦等科技發展蓬勃的現在，在「節流」這一塊的投資，真的非常重要！

看到這鋰，如果你也想訓練這個「黑科技」氮化鎵，打造更強的電路、為世界的節能貢獻一份心力。或甚至像 IC 之父 Jack Kilby 那樣，發展全新的電路架構，做出足以改變世界的創舉，德州儀器歡迎所有熱血人才加入，一起來改變世界吧！

數學家通常都想很多，這是我們的習性。我們會分析對稱或相等這類大家都知道的基本概念，試圖找出更深層的意義。

形狀就是一個例子。我們多少都知道形狀是什麼。我們看到一個物體時，很容易就看得出它是圓形、方形還是其他形狀。但數學家會問：形狀是什麼？構成形狀的要素是什麼？我們以形狀分辨物體時，會忽略它的大小、色彩、用途、年代、重量、誰把它拿來的，以及最後誰要負責歸位。我們沒有忽略的是什麼？當我們說某樣東西是圓形時，看到的是什麼呢？

形狀百百種，可以量化嗎？

當然，這些問題沒什麼意義。就實際用途而言，我們對形狀的直覺理解就已經夠了——生活中沒有什麼重大決定是需要仰賴我們對於「形狀」的確切定義。但如果你有空又願意花時間來想一想，形狀倒是個很有趣的主題。

假設我們現在要思考了，我們或許會問自己這個問題：

這個問題很簡單，但不容易回答。這個問題有個比較精確和有限的說法，稱為廣義龐卡赫猜想（generalized Poincaré conjecture，或譯龐加萊猜想）。這個猜想提出至今已經超過一百年，目前還沒有人解答出來。嘗試過的人相當多，有一位數學家解出這個問題的大部分，因此獲得了100萬美元獎金，但還有許多種形狀沒有找到，所以目前我們還不知道世界上一共有幾種形狀。

動手把形狀畫出來

我們來試著解答這個問題。世界上有幾種形狀？如果沒有更好的點子，有個不錯的方法是畫出一些形狀，看看會有什麼結果。

看來這個問題的答案取決於我們區分形狀的方式。大圓和小圓是相同的形狀嗎？波浪線（squiggle）應該全部算成一大類，還是應該依彎曲的方式細分？我們需要一種通用規則來解決這類爭議，才不用每次都需要停下來爭論。

從幾何學到拓樸學

可用於決定兩個形狀是否相同的規則相當多。如果是木匠或工程師，通常會希望規則既嚴謹又精確：必須長度、角度和曲線都完全相等，兩個形狀才算相同。這樣的規則屬於幾何學（geometry）這個數學領域。在這個領域裡，形狀嚴格又精確，經常做的事情是畫垂直線和計算面積等等。

但我們的要求比較寬鬆一點。我們想要找出所有可能的形狀，但沒時間慢慢區分幾千種不同的波浪線。我們想要的是在比較兩個形狀是否相同時比較寬鬆的規則，它能夠把所有的形狀分成若干類別，但類別的數量又不至於太多。

——本文摘自《不用數字的數學：讓我們談談數學的概念，一些你從沒想過的事……激發無窮的想像力！》，2022 年 9 月，經濟新潮社，未經同意請勿轉載。