動物星球：那些被動物占據的島嶼—《知識大圖解》

• 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。

筆者在觀看電影《神力女超人 1984》時，對於神秘動物學家芭芭拉一角印象深刻，劇中她因私心向許願石許願成為「頂級掠食者」，於是變成了攻擊性強、移動速度快的大反派豹女，然而許願的後果使她漸漸失去人性，變得貪婪狂暴。

自古以來，人類在食物鏈上的位置會隨著演化、行為模式、民俗文化而有所不同，也出現了為滿足口腹之慾而將非牲畜類動物變成餐桌佳餚的現象，如：取食鯊魚鰭的魚翅、將熊掌做為補品等。人類征服了這些大型動物，是否也意味著，現代人類處在食物鏈的最頂端，成為真正的「頂級掠食者」了呢？

生物在食物鏈上的等級是怎麼訂定的？

在討論人類是否是頂級掠食者前，我們先來了解什麼是營養級。

營養級（trophic level）為各生物在食物鏈上的位置，通常以 1～5 等級進行評分。利用陽光獲取能量的植物和其他初級生產者處於第一營養級，隨後的計算則是以該動物所吃的物種其營養級加一：草食性動物處於第二級（吃第一級：1+1），三（2+1）級動物只吃二級草食性動物，四（3+1）級則吃第三級的肉食性動物。以此類推，一條食物鏈通常最多達五級。

若從多個營養級獲取食物的物種，則是以所吃食物的營養級取平均作為依據。以雜食性動物為例：若該生物吃 50% 的植物（第一營養級）和 50% 的草食性動物（第二營養級），則此生物為 2.5 級。

而「頂級掠食者」（apex predator）在生態學上的定義為「此生物在生活範圍內的食物鏈中，不存在對其做出掠食行為、更高營養級的其他物種」，如上圖中的老鷹。

其實人類沒有想像中的高等級！？

2013 年，法國海洋開發研究院（IFREMER）海洋生態學家 Sylvain Bonhommeau 的研究團隊在《美國國家科學院院刊》（PNAS）發表了一篇論文，確認人類在食物鏈上的營養級（human trophic level; HTL）。他們利用聯合國糧食及農業組織（Food and Agriculture Organization of the United Nations; FAO）統計世界各地人類食物消費的數據，為所吃的每種食物分配了一個營養級。研究結果顯示，人類每天有平均 80% 的卡路里來自植物，20% 來自魚肉類。這邊我們可以用漢堡來理解，內容物除了肉片、蛋、起司外，其餘的食材皆為植物，或是以植物為原料，如麵包體就是從小麥而來的。

這份論文的數據計算出人類處於 2.21 的平均營養級——介於鯷魚和豬之間。不過人類的營養級在世界各地不盡相同，例如在蒲隆地共和國（位於非洲東部的小型內陸國家），植物佔當地飲食的 96.7%，使得該國人民的營養級為 2.04，但在冰島，飲食中約 50% 為肉類，使得該國人民的營養級高達 2.57。

看來是時候越級打怪了！

大型貓科動物、老鷹和虎鯨有一個共同點：他們都是頂級掠食者！牠們是標準的肉食性動物，食物來源幾乎完全由肉類組成，這些動物沒有天敵——除了人類以外。

那麼，如果我們是頂級掠食者的掠食者，這是否意味著人類處於食物鏈頂端呢？

答案取決於如何定義「掠食者」，也就是說，是為了進食而殺戮，還是僅殺死其他動物。

無論是非掠食性的大型草食性動物（如象、犀牛等攻擊性極強的物種），或是具致命性的有毒物種，均能殺死其他動物，但牠們在食物鏈上仍有天敵，且無法捕食大型獵物，因此在定義上無法納入頂級掠食者。

在生態學或生物環境相關的研究中，人類在食物鏈中的位置並非基於我們殺死了什麼，或是被什麼生物吃掉。相反地，Bonhommeau 指出「這完全取決於你吃什麼。」

若根據這個定義，人類是否處於食物鏈頂端呢？答案是否定的，因為我們不會吃掉所有被我們殺死的生物。

在多數情況下，我們不是為了吃野生動物而殺死它們，例如獅子數量下降的主要原因是棲息地喪失，以及人類不希望獅子威脅到自身或所飼養的牲畜而發生衝突。亦有研究指出，漁民會將 10% 至 20% 的總漁獲量作為混獲（意外捕獲到原本不打算捕撈的魚種）丟棄，而這些無意中捕獲的動物大多面臨受傷或死亡。

史前人類的等級竟然比現代人類還高？

另外，在探討人類的食物鏈位置時，也需考量「人類」是指史前人類還是現代人類。

從歷史上來看，我們吃的東西和殺的東西，之間差異可能較小。2021 年，有研究團隊整合人類生理學、遺傳學、考古學和古生物學，重建了更新世（260 萬至 1.17 萬年前，也就是人類出現的時期）人類祖先的營養級。這份研究發表在《美國自然人類學雜誌》（American Journal of Physical Anthropology）。

研究顯示當時的人類很可能是頂級掠食者。直到 1.2 萬年前，最後一個冰河時代結束前，人類在這 200 萬年的時間裡主要是吃肉的，證據有兩項：一是古代人類遺骸中的氮同位素（與飲食以植物為主的人相比）比例較高，而氮同位素比例往往會隨著以肉類為主的飲食而增加；另一項證據則是人類與肉食性動物的生理相似性（與草食性動物相比）來得更高。

然而，一些變化可能導致人類食物鏈下降，該團隊認為主要的變化是大型動物的消失。大約在同一時期，人類開始發展出能夠食用更多植物的技術，例如學會磨製用於加工穀物的石器等。

不強求最高等，或許才是最好的

即使我們曾經可能是肉食性頂級掠食者，並不意味著現代人類也應該登上食物鏈頂端。隨著時代演替，人類在食物選擇上更加多元，但我們不該為滿足口腹之慾而肆意殺戮，破壞生態系統的平衡。每種生物的存在（包括屬於 2 級的我們，以及真正的頂級掠食者）都是維持生態系統中各物種數量的平衡和食物鏈穩定的重要貢獻者。

參考資料

1. Are humans at the top of the food chain？
2. Eating up the world’s food web and the human trophic level
3. The evolution of the human trophic level during the Pleistocene

冒險電影中，場景時常在偏遠不為人知的荒山野嶺，甚至住著猛獸的遙遠孤島，有著顛覆常識的生態環境和駭人怪物。然而根據新發表在《美國博物學家》的一篇論文，在現實中就有一個島嶼，由蜈蚣擔當島上食物鏈的最頂端掠食者。

此菲利浦島，非彼菲利浦島

地點位在澳洲的菲利浦島（Phillip Island）——說到這個島嶼，可能會聯想到島上每年吸引上百萬觀光客的小藍企鵝棲地，以及世界摩托車競速的主要賽場之一。

故事並非發生在這個澳洲南岸的菲利浦島，而是在距離澳洲本土東方 1500 公里遠，過去做為囚犯流放地的諾福克群島。那裡有另一個面積僅 2.07 平方公里，無人居住的菲利浦島。兩個島正巧都以 18 世紀後半的英國海軍上將亞瑟‧菲利浦（Arthur Phillip）為名，但地理位置相距甚遠。

無人定居的菲利浦島兇猛島民

菲利浦島有 13 種海鳥會產卵繁殖，還有一些小型動物在此生活。其中最引人側目的居民是菲利浦島蜈蚣（Cormocephalus coynei），這種蜈蚣最長可達 23.5 公分，雖然比起現生蜈蚣中最大的 30 公分等級還差一些，仍遠勝長約 10 公分的常見蜈蚣。

研究團隊調查紀錄菲利浦島蜈蚣在夜間的捕食行為，並以穩定同位素分析蜈蚣的食物來源比例，發現這種蜈蚣的食物來源，48% 來自脊椎動物，52% 來自無脊椎動物，各占約一半比例。

菲利浦島蜈蚣最主要的食物是島上居住的蟋蟀、壁虎、石龍子，這些動物都小於體長超過 20 公分的大蜈蚣，算是合理的菜單。然而菲利浦島蜈蚣還有另外一個獨門佳餚，就是島上繁殖海鳥的幼雛。

菲利浦島蜈蚣的嘴下亡鸌

菲利浦島上最主要的築巢海鳥是黑翅圓尾鸌（Pterodroma nigripennis），2017 年的紀錄約有 19000 對。黑翅圓尾鸌的成鳥體長約 30 公分，顯然蜈蚣面對牠們無法輕易取勝，因此脆弱的雛鳥就成為蜈蚣的下嘴目標。

菲利浦島蜈蚣會咬住黑翅圓尾鸌雛鳥的後頸並注入毒素，等雛鳥死亡後再啃食牠的頭頸部。而在兩年的調查期間，紀錄的雛鳥各有 19.6% 及 11.1% 被蜈蚣捕食。結合前面一年約有 19000 對黑翅圓尾鸌在此繁殖的紀錄來看，估計每年被蜈蚣吃掉的幼鳥在 2109~3724 隻之間。

其他在菲利浦島上繁殖的海鳥，活動期間可能跟蜈蚣活躍的夏季錯開，或是數量較少，黑翅圓尾鸌可能是菲利浦島蜈蚣最主要的獵捕鳥類。相較於脊椎動物吃節肢動物的紀錄，節肢動物大部分是清除死亡的脊椎動物屍體，像這樣反過來鳥類被節肢動物主動獵捕的紀錄非常罕見。

咦，蜈蚣怎麼吃到海裡的魚？

根據穩定同位素分析，菲利浦島蜈蚣的飲食中有 7.9% 是鳥類，然而魚類卻有 9.6%。住在陸地上的蜈蚣要怎麼吃到海裡的魚呢？這是另一個值得注目的問題。

據推測海鳥帶回巢中，供應給雛鳥食用的魚屍，應該是蜈蚣能吃到魚的主要來源。也就是海鳥不僅本身是蜈蚣的獵物，牠們為了育雛的投食被蜈蚣吃掉後，也帶動了海洋和陸地間的營養循環。

過去在諾福克群島流放囚犯時期，由人類引入的山羊、豬和兔子等大型動物對島上的環境造成破壞，也讓當地獨有的生態體系遭受嚴重威脅。這些外來物種在 20 世紀期間逐一從島上移除，受破壞的環境現正緩慢復原。

雖然菲利浦島蜈蚣離最大的蜈蚣還有點距離，在牠所住的環境卻已經足以佔地為王。現已滅絕的諾福克卡卡鸚鵡（Nestor productus）體型比菲利浦島蜈蚣大，但以果實為主食，顯然不會威脅到蜈蚣作為掠食者的地位。

在島嶼生物地理學中，孤立海島上動物體型改變是一個重要的研究議題。在大陸上的大型動物，移居海島後因島嶼資源限制、天敵缺乏等因素，會縮小體型，稱之為島嶼侏儒化（Island Dwarfism）；然而小型的動物卻會反過來巨大化，甚至取代原本大型動物所處的生態棲位，此現象即為島嶼巨型化（Island Gigantism）。

島嶼巨型化的案例如紐西蘭的奇異鳥、馬達加斯加島已滅絕的象鳥，以及在許多島嶼上各自獨立產生的巨大化齧齒動物；台灣在墾丁和部分離島分布的椰子蟹也是一個案例，不僅是保育類的甲殼動物，更是最大型的陸生寄居蟹。地處偏遠的菲利浦島，正是島嶼特殊生態系的一個案例，也是蜈蚣稱霸的極端案例。

參考文獻

• Luke R. Halpin, Daniel I. Terrington, Holly P. Jones, Rowan Mott, Wei Wen Wong, David C. Dow, Nicholas Carlile, and Rohan H. Clarke,（2021）Arthropod Predation of Vertebrates Structures Trophic Dynamics in Island Ecosystems
• wikipedia，〈Island gigantism〉
• wikipedia，〈Island dwarfism〉