Q參數啊！請告訴我何時才能在學術圈出人頭地？

• 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。

近期科技界最熱烈討論的新聞，應該就屬韓國有研究單位宣布找到了新的室溫常壓超導體 LK-99 ，聽說可以在一般的高中大學實驗室中完成。這讓我不禁好奇它的製作原理，但，大部分的朋友應該跟我一樣都不是專業材料工程人員，看不懂論文怎麼辦呢？除了等泛科學出影片，別忘了我們有 AI 呀！今天我要來分享一套專門訓練來閱讀論文的 AI —— SciSpace Copilot。

今天的影片簡單的跟大家分享了基於 GPT 技術且針對閱讀學術文章進行特別優化的 AI —— SciSpace ，我只要遇到研究型文章都會特別開這個工具起來使用，其他的大語言模型都無法做到如此細緻。我覺得生成式人工智慧的未來就會到處是這種基於某種目的，比如讀論文，使用某個大模型進行微調 Fine-Tuning 之後的小模型，將會協助我們解決各種問題。

是說現在的研究生做研究的工具真是越來越多，你會想要把這支影片分享給你的指導老師看嗎？
歡迎你把使用的經驗與想法在影片下方留言與我分享！

也歡迎加入泛科學院的頻道會員，或者泛科學AI的Discord論壇，一起討論交流。

如果這支影片對你有幫助的話，請幫我在影片下方點個喜歡，或是透過超級感謝展現你的心意，讓我製作更多實用有趣的 AI 教學影片，最後別忘了訂閱泛科學院的頻道，我們下支影片再見囉。

更多、更完整的內容，歡迎上泛科學院的 youtube 頻道觀看完整影片，並開啟訂閱獲得更多有趣的資訊！

大腦的預測模型

大腦創建了一個預測模型。這只是意味著大腦不斷預測它將接收到怎樣的輸入。預測不是大腦偶爾做的事；它是大腦永不停止的一種固有特性，在學習中發揮至關重要的作用。大腦的預測證實正確代表大腦的世界模型是準確的，預測出錯則使你注意到錯誤並更新模型。除非大腦接收到的輸入與預測不符，我們通常不會注意到這些預測，因此也就不會意識到絕大多數的預測。

我隨意伸手去拿我的咖啡杯時，沒有意識到我的大腦正在預測每一根手指會有什麼感覺、杯子應該有多重、杯子的溫度，以及當我把杯子放回桌子上時會發出什麼聲音。

但如果杯子出乎意料地變重、變冷，或發出奇怪聲音，我就會注意到這種變化。我們可以確定大腦作出這些預測，因為即使是相關輸入與預測稍有不同，我們都會注意到。但是，如果預測是正確的，就像絕大多數的預測那樣，我們不會意識到大腦曾經作出預測。

建立預測模型的功臣：新皮質

你的新皮質在你出生時幾乎一無所知，不認識任何字詞，不知道建築物是怎樣的，不知道如何使用電腦，也不知道門是什麼，當然也就不知道門如何在鉸鏈上移動。它必須學習無數東西。新皮質的整體結構不是任意的，它有多大、有多少個區域，以及這些區域如何連結起來，很大程度上由我們的基因決定。例如基因決定了新皮質哪些部分與眼睛相連、哪些部分與耳朵相連，以及這些部分如何相互連結。

因此，我們可以說，新皮質在人出生時，就被設計成將具有看東西、聽聲音以至學習語言的能力。但是，新皮質也確實不知道它將看到什麼、聽到什麼，以及將學習什麼語言。我們可以把新皮質想成生來就對世界有一些固有的假設，但完全不知道世界的具體情況。透過經驗，它習得一個豐富和複雜的世界模型。

新皮質習得的東西極多。我現在身處的房間裡有數百件東西，我就隨便以印表機舉例。我的新皮質已經習得一個印表機的模型，內容包括印表機有一個紙匣，以及如何把紙匣裝進和取出印表機。我知道如何改變印表機使用的紙張大小，也知道如何拆開一疊新的印表機用紙，把這疊紙放進紙匣裡。我知道印表機卡紙時清除廢紙的正確步驟。我知道電源線一端有個 D 型插頭，只能以某個方向插入。我知道印表機運作時的聲音，也知道雙面列印時的聲音有何不同。

我房間裡的另一個物件，是一個雙抽屜的小型檔案櫃。我記得關於這個檔案櫃的數十樣事情，包括每個抽屜裡有什麼東西，以及抽屜裡的東西是怎麼放的。我知道這個檔案櫃有一道鎖，也知道鑰匙在哪裡，以及如何插入和轉動鑰匙來上鎖。我知道拿著鑰匙和上鎖時的感覺，也知道使用時產生的聲音。鑰匙繫在一個小圈上，我知道如何用指甲扳開這個小圈來放入或取出鑰匙。

大腦學會的東西比你想像中多很多

想像一下，你在家裡逐個房間去看。在每個房間裡，你可以想到數以百計的物品，而對每一件物品，你都習得一連串的東西。你居住的城市也是這樣，你記得各個地方有哪些建築、公園、自行車架和樹木。針對每一樣東西，你可以想起與它有關的經歷，以及你如何與它互動。你知道的東西多不勝數，相關的知識連結似乎永無止境。

我們也習得許多高層次的概念。據估計，我們每個人都認識約四萬個字彙。我們有能力學習口語、書面語、手語、數學語言和音樂語言。經由學習，我們知道電子表格怎麼用、恆溫器的功能，甚至知道同理心或民主的意思，雖然各人的理解可能有所不同。

無論新皮質可能做什麼其他事情，我們可以確定地說，它習得一個極其複雜的世界模型，這個模型是我們預測、感知和行動的基礎。

——本文摘自《千腦智能新理論》，2023 年 5 月，星出版出版，未經同意請勿轉載。

編譯／莊霈淳｜成功大學心理系學生，PanX 實習生

成功是什麼？對科學家們來說，賺不賺大錢不一定是重點，但自己努力大半輩子的研究成果，若不被世人所接受，那可不是「藍瘦，香菇」就能形容的辛酸了。

少年得志的科學家並不少，像是達爾文（Charles Darwin）、瑪莉‧居禮（Marie Curie）、愛因斯坦（Albert Einstein），都在三十歲前就發表了奠定自己科學影響力地位的學說，成為該領域重量級的人物。

但有些科學家就沒那麼幸運了。例如電腦科學之父圖靈（Alan Turing）在戰後遭受迫害、統計大師費雪（R. A. Fisher）則在學術生涯中受到另一位統計先驅皮爾森（Karl Pearson）打壓。他們所做的貢獻，一直要到晚年甚至是在他們過世之後，才重新被世人重視且讚揚。

這些科學家的生命故事，看似都是毫無關聯的個案。但是，一個人的學術生涯是否飛黃騰達、或鬱鬱不得志，究竟能不能用模型預測呢？

論文的引用像是買樂透？

2016 年 11 月，一份發表在《科學》（Science）期刊上的論文，研究者為了回答「如何以模型預測科學家影響力」的命題，分析了多個領域的科學家所發表的論文。

如果說要定義一篇論文的影響力，該用什麼方法將影響力量化？在這篇論文中，研究者將影響力的參數設定為 C₁₀，也就是一篇論文出版十年後的總引用數。

讓你猜猜，科學家一生中最具影響力的論文，會出現在他學術生涯的哪個階段？

一般來說，我們會設想到了學術生涯的後期，科學家會隨著學識的累積和研究經驗成熟，產出更好的研究，而這現象應該會反映在論文引用的數量上——也就是科學家越後期的研究論文，被他人引用的次數應該會更多。不過要讓你失望了，此研究的預測模型並沒有偵測到這個趨勢。

研究者發現，科學家們的高引用次數著作是隨機出現在他們學術生涯中的。可能是初次發表的論文就獲得了極高引用數，或是在學術生涯中期、甚至是最後一篇發表的論文，這種隨機性出現在不同學科、不同職業生涯長度、著作是獨自發表的或是與其他學者聯名發表的科學家身上。

匈牙利中歐大學（Central European University Budapest Hungary）教授羅伯塔．辛納屈（Roberta Sinatra）告訴 Science 的記者：「科學論文本身比較像是樂透彩券，能被多少人引用幾乎是靠運氣。所以發表越多論文，就像是買越多張樂透彩券。在你發表論文數量越多的那幾年，你作為科學家的影響力就可能越大。」

不過有些情況是，研究人員不僅發表論文數量相同，連發表的期刊都相去不遠，但其中偏偏有人的論文就是可以被更多人看到，得到更多引用數。這時候就不能僅用買樂透的運氣來解釋了。

要成為廣為人知且備受肯定的科學家，可能是做了具有開創性的實驗，懂得與其他研究成員共同合作，且能很清楚的闡述自己的研究內容。雖然常常聽到有些人，被詢問是如何取得這般成就時，會以自謙的語氣回答：「沒有啦，運氣好而已。」但認真說來，他的成功其實是綜合天時地利人和的結果。

用參數 Q 預測你的學術地位

這份研究分析了 2887 名符合「學術生涯至少 20 年、發表過至少 10 篇論文，且至少每 5 年有一篇論文發表」這組條件的科學家們。並將這個綜合「天時地利人和」的科學家成功因素，定為參數 Q，講白了點 Q 指的就是個體差異，特別是：口才、團隊合作能力、創作力等能力。研究團隊結合隨機性參數和固定性因素，搭建出預測學術生涯論文影響力的 Q 模型。

研究者表示，透過這個 Q 模型，他們有 80% 的機率能準測預測一個有 20 篇論文、10 年論文發表經驗的科學家 ，第 40 篇發表論文能獲得的引用數。

美國密西根州立大學（Michigan State University）的心理學教授札克．哈布瑞克（Zach Hambrick）如此評論這個預測模型中的參數 Q：

「Q 參數非常有趣，因為它可能涵蓋了一些人們的確擁有，但並不那麼重視的能力：像是清楚說明的能力。比方說，你可能發表了一篇有意思的數學心理學論文，但如果文章不好讀，你就無法獲得廣泛的影響力，因為沒人明白你在說什麼。」

不過也有人懷疑，與其說這個參數 Q 是科學家的個人技能因素，也有可能是科學家的背景、種族、甚至是非理性群體思維和潮流效應等外在因素。

這會是個幫科學家打分數的方式嗎？

艾倫人工智慧研究所（Allen Institute for Artificial Intelligence）的計算機科學家歐倫．伊茲歐尼（Oren Etzioni）認為，對於充斥著各種衡量科學家成就的工具的現代，這份研究著實提供了一份具有價值的參考。

不過當 Science 記者詢問辛納屈自己的 Q 參數時，她說她還沒有達到 20 篇論文的門檻，因此也沒有計算過自己的 Q 參數。至於未來到達了預測門檻，是否會計算自己的 Q 參數，辛納屈也坦白說自己將不會計算。

那麼如果是你，你想知道自己的 Q 參數嗎？

原始論文：

• Roberta Sinatra et al., Quantifying the evolution of individual scientific impact, Science 04 Nov 2016: Vol. 354, Issue 6312, DOI: 10.1126/science.aaf5239

參考資料：

• When It Comes to Success, Age Really Is Just a Number
• Hey scientists, how much of your publication success is due to dumb luck?