0

5
4

文字

分享

0
5
4

世上最孤獨的鯨魚「52赫茲」,你還獨自在唱寂寞的歌嗎?

Gilver
・2017/01/18 ・5171字 ・閱讀時間約 10 分鐘 ・SR值 526 ・七年級

-----廣告,請繼續往下閱讀-----

編譯/Gilver

52 赫茲,是一隻鯨魚的名字。牠的歌聲比同伴鳴唱的頻率都來得高、不被同伴們聽見,因此被稱做「世界上最孤獨的鯨魚」。雖然真面目仍然深藏在藍海之下,牠的故事卻令人動容而廣為流傳,甚至成為了歌曲和電影的題材。

在美國,人們發動群募計畫資助紀錄片的拍攝,希望導演和海洋學家能讓人們能夠再次見到牠,知道牠過得好不好。然而經歷二十幾年的追尋,科學家們卻認為這隻鯨魚可能並不如人們想像的如此孤單,所謂 52 赫茲鯨魚的孤獨,可能只是我們內心渴望愛與陪伴的情感投射。

illustration-1807105_1280
52 赫茲鯨魚的孤獨,可能只是人們內心渴望愛與陪伴的情感投射。圖/phtorxp@pixabay

「因為我愛,因為我活著,因為孤獨,我探索」——〈52 赫茲〉歌詞

「52 赫茲」首次在太平洋被捕捉到的鳴唱紀錄,距今已有二十年餘。牠還在未知的某處徘徊、唱著沒有同類聽見的歌嗎?還是牠仍然持續著孤獨漫遊,持續著找不到同伴的旅途?

-----廣告,請繼續往下閱讀-----

先別說那個了,假如先將你內心最柔軟細膩的那塊擱置一邊,你一定也很好奇:牠究竟是否真的像我們所想的那般孤單寂寞?或者,更進一步的問一些生物學的問題:牠是男、還是女?牠是隻齒鯨還是鬚鯨,是藍鯨、抹香鯨、長鬚鯨還是大翅鯨?真的都沒有鯨魚聽見牠嗎?

往好處想,也許「52 赫茲」的歌聲只是比較獨特,牠可能其實沒有那麼寂寞?或許,其他鯨魚只當牠是隻怪異的邊緣鯨?或許牠如此歌唱,反而能使牠比較容易被聽見?難道牠這樣唱,只是想讓異性同伴印象深刻?然而,不管是有什麼樣的猜測,如果能夠再次聽見這隻獨特鯨魚的聲音、甚至看見牠的容貌,不僅是能夠讓人們的感情獲得救贖,科學家更能從中得知更多關於鯨魚的知識和他們歌聲的秘密。

目前沒人確定牠是雌是雄,屬於什麼物種,甚至是牠究竟是否仍然活著。牠的聲音最後一次被記錄到是在 2004 年的事情了······

我們那天所聽見的歌聲

「52 赫茲」鯨魚的故事起源於 1989 年,美國海軍建立了別稱為「SOSUS」的水下聲音監測系統(Sound surveillance system),也就是以陣列式的水下麥克風來偵測敵軍潛艦的一套設備。有一天,它收到了一些奇怪的訊號,聽起來像是藍鯨的歌聲,但有個重大的差別:它的頻率為 52 Hz,相較於藍鯨經常鳴唱的 10~40Hz,它的頻率是顯著的太高了些;聽起來也不像長鬚鯨(fin whale),長鬚鯨鳴唱的頻率通常是 50Hz

-----廣告,請繼續往下閱讀-----

52 赫茲鯨魚的歌聲,聽起來是這樣的:

最早查覺到這段錄音獨特之處的人,是麻省的伍茲霍爾海洋研究所(WHOI, Woods Hole Oceanographic Institution)的海洋哺乳類學家瓦特金斯(Bill Alfred Watkins),從此之後他持續追尋這隻以 52 Hz 鳴唱的鯨魚,直到 2004 年辭世、享齡 78 歲。在告別人世的前幾個月,他與研究夥伴把他們在北太平洋中部及東部海域追尋「52赫茲」的研究成果正式發表在學術期刊上,其成果主要指出聲音綿延的範圍很小,軌跡主要都由西向東、主要由北向南。

「即使仔細地年復一年又無所不包的監聽,有這樣特色的聲音卻只有一個,而且每季都只有一個來源。」瓦特金斯等人的研究如此寫道。

於是,這項發現——或者說是它所造就的更多謎團——集結了各種引人入勝的元素:全心投入的卓越科學家,與軍方好幾年的合作研究,加密的聲音檔案,以及這些秘密資料,終於以研究出版的形式在世人眼前解密。

主流媒體稱它為「一隻孤單動物的故事」。2013 年,英國的小報《快報》(the Express)聲稱這隻鯨魚不尋常的鳴唱「使牠難以找到愛情。」於是牠的故事開始被反覆傳頌,逐漸感動了全世界,成了動物界最神秘的明星之一。

-----廣告,請繼續往下閱讀-----

被故事感動的人們,想要見牠一面。想要知道,牠是否仍舊孤獨。

3592026992_aa58840ddb_b
在海面下悠游的藍鯨,是否就是 52 赫茲的本尊?目前還沒人知道。圖/greatbluemarble

導演為尋鯨啟航,科學家卻提出質疑

2015 年,美國製片人喬許.澤曼(Josh Zeman)和演員安瑞葛雷(Adrian Grenier)在網路上發起群眾募資,計畫製作一部關於 52 赫茲鯨魚的紀錄片。網站上鼓勵捐款的宣傳大力強調:「這隻最孤單的鯨魚需要朋友。」而這些募款將會用於該年秋天的考察隊資金,希望能找到「52 赫茲」並進行拍攝工作。最後,在名演員李奧納多.狄卡皮歐的 5 萬美金大力贊助下,募款目標 30 萬美金終於達標。

但想在整座太平洋尋找一隻鯨魚,是否搞錯了什麼呢?

整部紀錄片最大的挑戰,無疑就是找到對的鯨魚、並且拍攝牠。然而,雖然,縱使一隻鯨魚的歌唱能在水下綿延數百至數千英里,但要在整片太平洋尋找一隻鯨魚,仍然如大海撈針般困難重重。

-----廣告,請繼續往下閱讀-----

不只如此,製片人澤曼還遇到其他問題,有些鯨魚科學家對他的做法提出質疑。其中一個批評來自紐約康乃爾大學的克拉克(Christopher Willes Clark)博士,他在 1993 年記錄了 52 赫茲鯨魚,認為這件事並沒有乍聽之下如此的「超自然」。他認為,過去有許多種類的特殊鯨魚歌聲曾被人們偵測,另外也有些研究認為在特定區域內共同生活的鯨魚會有屬於牠們的方言(dialects)。「考量到這一點,52 赫茲鯨魚就沒那麼獨特了。」克拉克說道。

克拉克和其他人也反對,這隻孤獨的鯨魚「不能被其他唱著尋常低頻的藍鯨們聽見或了解」的看法。

「牠的鳴唱仍然具備了許多典型藍鯨的特質。藍鯨、長鬚鯨和座頭鯨都沒聾掉,都能聽見牠。52 赫茲鯨魚只是很怪。」

對於科學家提出的批評,澤曼雖不感同意,卻也承認這也確實讓人備感掙扎。「我們的確是說得誇張了點。」澤曼說道,「不過如果目的是想知道這隻鯨魚是否孤單──我不認為這個計畫有所偏離。我的目的就是希望科學家真的去思考這個事情。」

6928134121_e07ab7c5dc_z
人們看著藍鯨擺盪著尾鰭遁入水中,但對於 52 赫茲鯨魚卻還是滿頭問號。圖/Michiel van Nimwegen @ Flickr

是不甘寂寞,還是順應環境的變遷?

另一個發現又讓整件事更複雜。加州斯克里普斯海洋研究所(Scripps Institution of Oceanography)的希爾德布蘭(John Hildebrand)博士指出,這隻鯨魚已經好幾年沒有以 52 赫茲鳴唱了。先前瓦特金斯其實也有注意到這點,這隻鯨魚鳴唱的頻率似乎逐漸降低,縱使距離上次紀錄已經好幾年前的事了。

-----廣告,請繼續往下閱讀-----

這並不是鯨魚改變鳴唱頻率的特例。根據希爾德布蘭博士在 2009 年發表的研究,全世界的藍鯨自從 1960 年代起唱歌頻率就逐漸降低,暗示著「52 赫茲」和藍鯨可能存在著某種關係。有趣的是,北大西洋露脊鯨(North Atlantic right whale)則相反,牠們的鳴唱頻率是逐漸變高。

沒人知道鯨魚如此改變牠們的鳴唱頻率是為了什麼。在 2009 年,希爾德布蘭博士和他的同事麥克唐納德(Mark McDonald)認為藍鯨降低牠們的歌唱頻率,能使得牠們的聲音在海上船隻造成的噪音中顯得突出,而不會被蓋過。但這個想法後來似乎又是錯誤的。「這些鯨魚降低歌唱的頻率,實際上卻是牠們正轉移到一個噪音不減反增的地方。」希爾德布蘭博士說道。

康乃爾大學的克拉克表示,鯨魚對人造噪音會產生的反應難以預期。他曾經實際觀察到石化燃料探勘船投下爆裂物探索海床的同時,也接觸到正在歌唱的鯨魚,有時候鯨魚的反應會相當劇烈。「有許多次鯨魚會全然改變他們的行為,」克拉克說道,「雄性鯨魚停止歌唱,整個聲幕寂靜下來。牠們會離開現場,但不總是這樣。有時候這並不會造成什麼改變。」

5857828257_6c003001bd_z
圖/Oregon State University @ Flickr

難道從未現身的「52 赫茲」是隻混種鯨魚?

或許鯨魚是因為全然不同的理由,而改變了牠們的鳴唱。希爾德布蘭博士認為藍鯨正在跟彼此競爭,每過一季就變得更加低沉。「如果你隔壁的傢伙聲音比你更低沉一些,你最好配合他調整。」他說。「我們觀察到了。牠們每季都會聆聽彼此、調整牠們的歌聲,以求協調。」

-----廣告,請繼續往下閱讀-----

這又引發了另一個問題。如果鯨魚傾向都唱相似的歌曲,會是什麼原因,驅使牠們其中的一隻唱起和同伴完全不同的曲調?其中一個主流的假說是:52 赫茲鯨魚是隻由兩種不同鯨魚雜交生下的混種(hybrid)。若是如此,這樣的鯨魚可能就會有一副與眾鯨不同的軀體,進而可能去影響到它的鳴唱。

非營利研究機構卡斯卡迪亞研究團隊(Cascadia Research)的成員之一卡蘭布基迪斯(John Calambokidis)表示,藍鯨和長鬚鯨的混種有詳實的記錄,遇到了也能夠分辨得出來,舉例來說,牠們的體型通常比較接近長鬚鯨,但吻部和鰭狀肢則更大,比較像藍鯨。西雅圖華盛頓大學史塔福(Kate Stafford)也認為,或許「52 赫茲」表現得比較像隻藍鯨。

「牠確實有藍鯨的季節性,而且如果你觀察瓦特金斯等人發現的遷徙模式,其實和藍鯨是一樣的。所以我很有信心牠至少有部分是隻藍鯨。」

但是,即使是曾經貼身記錄過混種鯨魚的卡蘭布基迪斯,也無法肯定這樣的說法,因為沒有人記錄過一隻混種鯨魚的叫聲,而牠們的鳴唱紀錄是非常關鍵的證據。他正在積極改進研究技術,其中一個急需解決的問題是:如何找出是哪隻鯨魚正在唱歌。

技術力發威,誓言找回「52 赫茲」

科學家經常在鯨魚身上安裝麥克風,好記錄牠們的鳴唱,但這種方法有時候也會記錄到其他鄰近鯨魚的聲音。因此, 卡蘭布基迪斯和他的同事們為麥克風增裝了加速計(accelerometers),跟手機感測使用者如何運動的原理一樣。「當牠正在鳴唱時,牠的身軀也會隨之震盪,加速計就會抓住那個訊號。」同為研究團隊成員之一,英國聖安德魯大學的泰克(Peter Tyack)說道,「這是目前最好掌握到一群動物之中誰正在鳴唱的方法。」在一份 2014 年發表的研究之中,他們已經能夠即刻掌握到歌聲是來自哪一隻被標記的鯨魚了。

-----廣告,請繼續往下閱讀-----

而在伍茲霍爾海洋研究所,海洋生物學家鮑格納(Mark Baumgartner)也著手開發一套監聽系統:透過繫泊在麻州海岸的浮標和無所不聽的水下麥克風,它將能夠即時自動分析鯨豚的叫聲、透過衛星傳遞到研究所的電腦,利用鮑格納撰寫的程式將記錄到的聲音分門別類,然後將這些聲音即時發布到網路上。理論上,如果鯨豚發出的聲響夠突顯,這個偵測方法就能用來鎖定特定的動物,用來尋找「52 赫茲」的本尊。不過,照理來說這套系統應該要裝設在「52 赫茲」過去曾經出現過的地方,比如說美國西海岸外圍。

找到了,我們就能知道「52 赫茲」是否真的寂寞嗎?

事實是,人們常傾向想像動物如同我們一樣,會經歷和人類相同的情緒。鯨魚是複雜且充滿謎團的生物,或許鯨魚跟人類一樣會感到孤單的想法,讓這隻動物看起來與我們更親近了。但在有憑有據之前,它仍然只是個幻想,唯有再次找到 52 赫茲鯨魚才能更向前邁進一步。

52 赫茲鯨魚聲蹤再現,卻不再孤單

就在 2010 年,加州沿海岸線的感測器找到了和瓦特金斯的紀錄相同模式的鯨魚鳴唱。

這段錄音是被一位實習生所發現,感測器的位置就位在希爾德布蘭博士辦公室距離不到 6 英里的地方。然而,感測紀錄卻顯示——現在已不只有一隻鯨魚正唱著不尋常的高頻歌曲!兩個分隔相當遠的感測器上同時出現這樣的訊號,顯示來源這可能不是來自單一隻鯨魚,而是多隻。

可想見希爾德布蘭博士等人找到了一群鳴唱著相同而特殊頻率的鯨魚。「52 赫茲」可能是這群鯨魚的一份子,只不過偶爾會獨自會遊蕩、離開鯨群。如果屬實,那這就是一個好的故事結局:這隻鯨魚一點都不孤單。

52 赫茲鯨魚們,與科學家未完的故事

從 1989 年發現「52 赫茲」的聲音開始,瓦特金斯展開了長達 12 年探尋「52 赫茲」蹤跡的研究,於此同時這份研究被媒體的想像力撰寫成故事,一隻想像的孤單鯨魚隨著浪漫傳說的口耳相傳,游進了全世界所有孤獨的人心中,促成了群眾募資的紀錄片開拍計畫。這份計劃後來又與科學家追根究柢的精神彼此衝擊,繼而產生更多想法:這樣鳴唱究竟是適應環境還是配合同類?牠是不是隻由藍鯨和長鬚鯨所誕下的混種鯨魚?然後,科學家們也加入了改進尋蹤科技的行列,最後終於在加州海岸聽見了多隻「52 赫茲」同時鳴唱的聲音。

能夠找到確鑿的證據,真的不容易。雖然目前尚不能算是鐵證確鑿,但對於關心這隻鯨魚是否孤獨的普羅大眾,或許已經可以相信當年那隻「52 赫茲」其實並不孤單。而對於這隻引燃火苗的鯨魚,科學家們熊熊燃起的好奇心可不會就此罷休,還得找出更多的證據才能回答他們心中的問題。

直至今日,所有人都還正在尋找著「52 赫茲」的身影。那或許是海面之下人們內心孤獨的倒影,也或許是科學家渴望見其貌而聞其聲的混種鯨魚。無論如何,想要探索 52 赫茲鯨魚的真實樣貌,我們只能等待——並且仔細的聆聽。

12932160393_fb99fc78c3_o
52 赫茲鯨魚的全貌,仍然還在深水之下。圖/Gwenn Seemel @ Flickr

資料來源

原始研究

  • Watkins, W. A., Daher, M. A., George, J. E., & Rodriguez, D. (2004). Twelve years of tracking 52-Hz whale calls from a unique source in the North Pacific. Deep Sea Research Part I: Oceanographic Research Papers, 51(12), 1889-1901.
  • McDonald, M. A., Hildebrand, J. A., & Mesnick, S. (2009). Worldwide decline in tonal frequencies of blue whale songs. Endangered Species Research, 9(1), 13-21.
  • Shamir, L., Yerby, C., Simpson, R., von Benda-Beckmann, A. M., Tyack, P., Samarra, F., … & Wallin, J. (2014). Classification of large acoustic datasets using machine learning and crowdsourcing: Application to whale calls. The Journal of the Acoustical Society of America, 135(2), 953-962.
文章難易度
Gilver
28 篇文章 ・ 3 位粉絲
畢業於人人唱衰的生科系,但堅信生命會自己找出路,走過的路都是養份,重要的是過程。

0

3
3

文字

分享

0
3
3
圖形處理單元與人工智慧
賴昭正_96
・2024/06/24 ・6944字 ・閱讀時間約 14 分鐘

  • 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?

黃仁勳出席2016年台北國際電腦展
Nvidia 的崛起究竟是時勢造英雄,還是英雄造時勢?圖/wikimedia

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。

-----廣告,請繼續往下閱讀-----

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:

-----廣告,請繼續往下閱讀-----
  • 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

-----廣告,請繼續往下閱讀-----

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?

圖形處理的例子

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。

-----廣告,請繼續往下閱讀-----
典型的CPU與GPU架構

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?

-----廣告,請繼續往下閱讀-----

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?

-----廣告,請繼續往下閱讀-----

(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)

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。
文章難易度

討論功能關閉中。

賴昭正_96
43 篇文章 ・ 56 位粉絲
成功大學化學工程系學士,芝加哥大學化學物理博士。在芝大時與一群留學生合創「科學月刊」。一直想回國貢獻所學,因此畢業後不久即回清大化學系任教。自認平易近人,但教學嚴謹,因此穫有「賴大刀」之惡名!於1982年時當選爲 清大化學系新一代的年青首任系主任兼所長;但壯志難酬,兩年後即辭職到美留浪。晚期曾回台蓋工廠及創業,均應「水土不服」而鎩羽而歸。正式退休後,除了開始又爲科學月刊寫文章外,全職帶小孫女(半歲起);現已成七歲之小孫女的BFF(2015)。首先接觸到泛科學是因爲科學月刊將我的一篇文章「愛因斯坦的最大的錯誤一宇宙論常數」推薦到泛科學重登。

0

1
1

文字

分享

0
1
1
電磁波全揭秘:了解頻帶、頻寬、頻率和通信技術的基礎知識
數感實驗室_96
・2024/06/13 ・672字 ・閱讀時間約 1 分鐘

本文由 國立臺灣師範大學 委託,泛科學企劃執行。 

先前我們介紹了多位為通信科技發展做出貢獻的科學家。現在,我們要深入探討無線通信的技術層面。

無線通信,顧名思義不像傳統的電話或電報那樣需要一條實體的線路來傳遞信號。但這些信號並非憑空傳遞,它們依賴的正是電磁波。

電磁波在現代社會無處不在,從微波爐、手機到基地台,這些設備都會發射電磁波。但其實即使沒有這些科技裝置,電磁波依然存在於我們周圍。什麼意思呢?答案就是:當我們白天走到戶外,看到的光,它其實也是電磁波的一種。

-----廣告,請繼續往下閱讀-----

希望大家掌握了這些電磁波、頻帶、頻寬等基礎知識後,未來在閱讀相關的電信新聞時更加了解他們提到的術語,以及各種縮寫。以後無論是科技發展的動態還是市場新技術,都能更有概念地理解。

更多、更完整的內容,歡迎上數感實驗室 Numeracy Lab 的 YouTube 頻道觀看完整影片,並開啟訂閱獲得更多有趣的資訊!

參考資料

討論功能關閉中。

數感實驗室_96
76 篇文章 ・ 49 位粉絲
數感實驗室的宗旨是讓社會大眾「看見數學」。 數感實驗室於 2016 年 4 月成立 Facebook 粉絲頁,迄今超過 44,000 位粉絲追蹤。每天發布一則數學文章,內容包括介紹數學新知、生活中的數學應用、或是數學和文學、藝術等跨領域結合的議題。 詳見網站:http://numeracy.club/ 粉絲專頁:https://www.facebook.com/pg/numeracylab/

0

0
0

文字

分享

0
0
0
賭博與愛情公式:用數學擬定你的擇偶策略——《數盲、詐騙與偽科學》
大牌出版.出版大牌_96
・2024/01/06 ・2486字 ・閱讀時間約 5 分鐘

-----廣告,請繼續往下閱讀-----

理解期望值,有助於分析賭場裡的大部分賭局,以及美國中西部和英國的嘉年華會中,常有人玩、但一般人比較不熟悉的賭法:骰子擲好運(chuck-a-luck)。

招攬人來玩「骰子擲好運」的說詞極具說服力:你從 1 到 6 挑一個號碼,莊家一次擲三顆骰子,如果三個骰子都擲出你挑的號碼,莊家付你 3 美元。要是三個骰子裡出現兩個你挑的號碼,莊家付你 2 美元。

假如三個骰子裡只出現一個你挑的號碼,莊家付你 1 美元。如果你挑的號碼一個也沒有出現,那你要付莊家 1 美元。賽局用三個不同的骰子,你有三次機會贏,而且,有時候你還不只贏 1 美元,最多也不過輸 1 美元。

我們可以套用名主持人瓊安.李維絲(Joan Rivers)的名言(按:她的名言是:「我們能聊一聊嗎?」),問一句:「我們能算一算嗎?」(如果你寧願不算,可以跳過這一節。)不管你選哪個號碼,贏的機率顯然都一樣。不過,為了讓計算更明確易懂,假設你永遠都選 4。骰子是獨立的,三個骰子都出現 4 點的機率是 1/6×1/6×1/6=1/216,你約有 1/216 的機率會贏得 3 美元。

-----廣告,請繼續往下閱讀-----

僅有兩個骰子出現 4 點的機率,會難算一點。但你可以使用第 1 章提到的二項機率分布,我會在這裡再導一遍。三個骰子中出現兩個 4,有三種彼此互斥的情況:X44、4X4 或 44X,其中 X 代表任何非 4 的點數。而第一種的機率是 5/6×1/6×1/6=5/216,第二種和第三種的結果也是這樣。三者相加,可得出三個骰子裡出現兩個 4 點的機率為 15/216,你有這樣的機率會贏得 2 美元。

圖/envato

同樣的,要算出三個骰子裡只出現一個 4 點的機率,也是要將事件分解成三種互斥的情況。得出 4XX 的機率為 1/6×5/6×5/6=25/216,得到 X4X 和 XX4 的機率亦同,三者相加,得出 75/216。這是三個骰子裡僅出現一個 4 點的機率,因此也是你贏得 1 美元的機率。

要計算擲三個骰子都沒有出現 4 點的機率,我們只要算出剩下的機率是多少即可。算法是用 1(或是100%)減去(1/216 +15/216 + 75/216),得出的答案是 125/216。所以,平均而言,你每玩 216 次骰子擲好運,就有 125 次要輸 1 美元。

這樣一來,就可以算出你贏的期望值($3×1/216)+($2×15/216)+($1×75/216)+(–$1×125/216)=$(–17/216)=–$0.08。平均來說,你每玩一次這個看起來很有吸引力的賭局,大概就要輸掉 8 美分。

-----廣告,請繼續往下閱讀-----

尋找愛情,有公式?

面對愛情,有人從感性出發,有人以理性去愛。兩種單獨運作時顯然效果都不太好,但加起來⋯⋯也不是很妙。不過,如果善用兩者,成功的機率可能還是大一些。回想舊愛,憑感性去愛的人很可能悲嘆錯失的良緣,並認為自己以後再也不會這麼愛一個人了。而用比較冷靜的態度去愛的人,很可能會對以下的機率結果感興趣。

在我們的模型中,假設女主角——就叫她香桃吧(按:在希臘神話中,香桃木﹝Myrtle﹞是愛神阿芙蘿黛蒂﹝Aphrodite﹞的代表植物,象徵愛與美)有理由相信,在她的「約會生涯」中,會遇到 N 個可能成為配偶的人。對某些女性來說,N 可能等於 2;對另一些人來說,N 也許是 200。香桃思考的問題是:到了什麼時候我就應該接受X先生,不管在他之後可能有某些追求者比他「更好」?我們也假設她是一次遇見一個人,有能力判斷她遇到的人是否適合她,以及,一旦她拒絕了某個人之後,此人就永遠出局。

為了便於說明,假設香桃到目前為止已經見過 6 位男士,她對這些人的排序如下:3—5—1—6—2—4。這是指,在她約過會的這 6 人中,她對見到的第一人的喜歡程度排第 3 名,對第二人的喜歡程度排第 5 名,最喜歡第三個人,以此類推。如果她見了第七個人,她對此人的喜歡程度超過其他人,但第三人仍穩居寶座,那她的更新排序就會變成 4—6—1—7—3—5—2。每見過一個人,她就更新追求者的相對排序。她在想,到底要用什麼樣的規則擇偶,才能讓她最有機會從預估的 N 位追求者中,選出最好的。

圖/envato

要得出最好的策略,要善用條件機率(我們會在下一章介紹條件機率)和一點微積分,但策略本身講起來很簡單。如果有某個人比過去的對象都好,且讓我們把此人稱為真命天子。如果香桃打算和 N 個人碰面,她大概需要拒絕前面的 37%,之後真命天子出現時(如果有的話),就接受。

-----廣告,請繼續往下閱讀-----

舉例來說,假設香桃不是太有魅力,她很可能只會遇見 4 個合格的追求者。我們進一步假設,這 4 個人與她相見的順序,是 24 種可能性中的任何一種(24=4×3×2×1)。

由於 N=4,37% 策略在這個例子中不夠清楚(無法對應到整數),而 37% 介於 25% 與 50% 之間,因此有兩套對應的最佳策略如下:

(A)拒絕第一個對象(4×25%=1),接受後來最佳的對象。

(B)拒絕前兩名追求者(4×50%=2),接受後來最好的求愛者。

如果採取A策略,香桃會在 24 種可能性中的 11 種,選到最好的追求者。採取 B 策略的話,會在 24 種可能性中的 10 種裡擇偶成功。

以下列出所有序列,如同前述,1 代表香桃最偏好的追求者,2 代表她的次佳選擇,以此類推。因此,3—2—1—4 代表她先遇見第三選擇,再來遇見第二選擇,第三次遇到最佳選擇,最後則遇到下下之選。序列後面標示的 A 或 B,代表在這些情況下,採取 A 策略或 B 策略能讓她選到真命天子。

-----廣告,請繼續往下閱讀-----

1234;1243;1324;1342;1423;1432;2134(A);2143(A);2314(A, B);2341(A, B);2413(A, B);2431(A, B);3124(A);3142(A);3214(B);3241(B);3412(A, B);3421;4123(A);4132(A);4213(B);4231(B);4312(B);4321

如果香桃很有魅力,預期可以遇見 25 位追求者,那她的策略是要拒絕前 9 位追求者(25 的 37% 約為 9),接受之後出現的最好對象。我們也可以用類似的表來驗證,但是這個表會變得很龐雜,因此,最好的策略就是接受通用證明。(不用多說,如果要找伴的人是男士而非女士,同樣的分析也成立。)如果 N 的數值很大,那麼,香桃遵循這套 37% 法則擇偶的成功率也約略是 37%。接下來的部分就比較難了:要如何和真命天子相伴相守。話說回來,這個 37% 法則數學模型也衍生出許多版本,其中加上了更合理的戀愛限制條件。

——本書摘自《數盲、詐騙與偽科學》,2023 年 11 月,大牌出版,未經同意請勿轉載。

討論功能關閉中。

大牌出版.出版大牌_96
3 篇文章 ・ 0 位粉絲
閱讀的大牌不侷限於單一領域, 視野寬廣,知識豐富,思考獨立。