0

6
1

文字

分享

0
6
1

顛覆世界的「電腦」是怎麼誕生的呢?

寫點科普,請給指教
・2017/05/18 ・5537字 ・閱讀時間約 11 分鐘 ・SR值 548 ・八年級

二十世紀是人類史上科學技術進展最快的世紀。短短的 100 年間,湧現了大量對世界產生重大的影響的科學發現和技術突破,包括電視、飛機、抗生素、基因科學、量子力學……。

但若要評選一項滲透至人們日常生活的所有角落、改變人類生活型態最劇烈的科技發明,則非電腦莫屬。

第一次工業革命是機械與工廠、第二次工業革命是電力、第三次工業革命乃由電腦發明所激起的資訊時代。有著「第四次工業革命」之稱的人工智慧,我們已在深度學習簡史中有所探討。但追本究源,人工智慧所奠基的電腦(計算機)科學,又是怎麼來的?

今天就讓我們來思考一個有趣的問題:電腦是怎麼來的?

-----廣告,請繼續往下閱讀-----

ENIAC:情人節誕生的奇蹟

普遍認為最早的通用電腦,是美國賓州大學的莫奇來 (Mauchly)和他的學生埃克特 (Eckert)在 1946 年 2 月 14 日情人節當天所發表的「ENIAC」 。(情人節剛過不久但別再討論單身魯了,人家可是在情人節顛覆世界呢 XD)

ENIAC 計算機在進行每一次運算之前,都須根據運算要求、把不同的元件用人工插接線路的方式連接在一起。將輸入裝置和輸出裝置設好後,才進行通電……啪!一聲,電腦噠噠噠的開始運作。

但現在可能正用電腦看這篇文章的你,好像不需要在開機前把電線插來插去才能使用?

因為這個電路沒有儲存程式的功能。最早的計算機器僅內涵固定用途的程式,比如一台「計算機器」僅有固定的數學計算程式,除此之外便無其他,無論是文書處理或玩遊戲都不行。若想要改變這台機器的程式,你必須更改線路、結構甚至重新設計機器。

馮.紐曼結構與現代電腦

1945 年 6 月,是現代電腦科學的里程碑。著名的美籍猶太裔數學家馮.紐曼 (John von Neumann) 與多位學者聯名發表了一篇長達 101 頁的報告,其中包括大膽捨棄了十進制、改以二進制運算取代,同時將電腦明確分成五個部分組成(包括:記憶體、控制單元、算術邏輯單元、輸入 / 輸出裝置等),並描述了這五個部分的功能和相互關係,為電腦的邏輯結構設計奠定了基礎。

-----廣告,請繼續往下閱讀-----

事實上,EDVAC 報告中最核心的概念即是「可儲存程式的電腦 (Stored Program Computer) 」。如果是一台能儲存程式的電腦,只要一開始先將「文書程式」與「遊戲程式」都載入記憶體中,再告訴電腦去記憶體的哪一個位置開始執行就可以完成,在不需更動硬體的情況下就能讓電腦變得更加有彈性。

1951 年,美國軍方透過馮.紐曼的協助,斥資五十萬美元打造了計算機「EDVAC」。相較於十進位、又須人工插接電路的 ENIAC,可以說 EDVAC 是第一台現代意義的通用計算機,直至今的現代電腦皆仍採用馮.紐曼架構。

在我們介紹馮.紐曼其人其事、與現代電腦的運作原理前,先讓我們重看一次標題所提出的問題:「電腦是怎麼來的?」為什麼馮.紐曼能夠造出這樣的一台電腦?

不少人把馮.紐曼當作是電腦科學的奠基人,有人甚至稱他為「電腦之父」。然而他本人並不接受這個稱號。

-----廣告,請繼續往下閱讀-----

馮.紐曼認為他的研究成果是受到了英國數學家圖靈 (Alan Turing) 所啟發,他僅僅是發揚光大圖靈的原始概念。這台「可儲存程式電腦」真正的意義,其實就是通用圖靈機。馮.紐曼將這個概念的創始人公正無私地還予圖靈。

圖靈:可計算理論與圖靈機

好吧這麼來看,如果我們想要瞭解「電腦是怎麼來的?」,勢必得再先去瞭解圖靈這位同樣有著「電腦科學之父」與「人工智慧之父」之稱的偉大學者,與其圖靈機 (Turing Machine) 的理論了。

1934 年,年僅 22 歲的圖靈從劍橋大學畢業、到美國普林斯頓大學攻讀博士學位。二戰爆發後,圖靈在 1939 年被英國皇家海軍招聘,協助軍方成功破譯德國的密碼系統 Enigma,讓英國軍方對德國的軍事計劃瞭如指掌。圖靈小組的傑出工作,更使得盟軍提前至少兩年戰勝納粹。

--上述是電影《模仿遊戲》的史料。對於圖靈生平有興趣的讀者,可以參考這部向圖靈致敬的電影。 (只是嚴防許多出錯的史實)

除了作為一位傑出的密碼學家,在電影沒詳述的部分中,圖靈在電腦科學上的貢獻更是難以抹滅。

-----廣告,請繼續往下閱讀-----

1936 年,24 歲的圖靈發表了一篇論文《論可計算數及其在判定問題上的應用》(On Computable Numbers, with an Application to the Entscheidungsproblem)。在這篇極富開創性的論文中,圖靈提出了「圖靈機」(Turing Machine) 概念。

「圖靈機」不是一台具體的機器,而是一種運算模型,可製造一種十分簡單但運算能力極強的機械裝置,用來計算所有能想像得到的可計算函數。

圖靈機是闡明現代電腦原理的開山之作,奠定了整個電腦科學的理論基礎。如果說馮紐曼是實際打造出一台現代電腦的電腦之父,其所依據的理論基礎即源自於圖靈機。

但,什麼叫可計算?為什麼圖靈會探討這個問題?實際上,上述關於圖靈論文與圖靈機的介紹,更明確的說法應是:圖靈在 1936 年發布的論文中,對於「哥德爾不完備定理」重新做了論述。相較於哥德爾在證明其不完備定理時、採用的通用算術形式系統,圖靈使用了叫做「圖靈機」的簡單裝置作為代替。

-----廣告,請繼續往下閱讀-----

咦,我們這邊又多提到一個人了?!哥德爾……?

哥德爾不完備定理

哥德爾 (Gödel) 被譽為自亞里士多德以來、歷史上最偉大的邏輯學家之一。毫不誇張地說,正是哥德爾使數理邏輯與哲學界發生了極大的革命。

愛因斯坦曾說:我之所以還到研究院來,只是為了與哥德爾一起走路回家。

1931 年,19 歲的圖靈進入劍橋大學就讀;但這一年,同時成了撼動數學界的里程碑——奧地利數學家哥德爾提出不完備定理,證明不存在既完備又一致的數學體系,粉碎了無數位數學家追求聖杯的野心。

人類總是渴求著確定的知識,也稱為真理——藉由純數理論與邏輯證明,數學家不斷尋找著真理的可確定性。

-----廣告,請繼續往下閱讀-----

哥德爾當年的發現,簡單來說是:「並非所有為真者,皆可循一邏輯演繹過程而得知」。再更直白點就是:「真理的範圍、比我們所能證明的範圍還大。」

數學家乃藉由公理(不證自明、理所當然為真的命題)進行一連串的推理、最後得出數學定理;基本上是活在一個以邏輯演繹為本質的世界。今天突然有人成功證明了:有些數學命題,我們既沒辦法證明它為真,也沒辦法證明它為假……,可想而知,這對於數學界無非是一項沈重的打擊!

五年後的圖靈之所以提出「圖靈機」計算模型,即是以計算機的形式重新演繹了哥德爾的不完備定理,同時補充了判定問題--是否存在一個程式,能判斷:我們任意輸入的一個程式,是否能在有限的時間內結束步驟?或者會陷入無窮迴圈?(當我們對電腦下兩個指令:【往左後往右】與【往右後往左】,電腦就會陷入無窮的迴圈)

哥德爾的發現,引起了當時重要數學家如希爾伯特與馮.紐曼(還記得這個人嗎? 這位計算機之父早年是希爾伯特的助手)等人的重視。到後來不但啟發了後續眾多數學家、哲學家:若無法使用邏輯演繹完全瞭解宇宙,該何以為繼?更激起圖靈創造出了電腦科學在理論上的濫觴。

-----廣告,請繼續往下閱讀-----

但是,為什麼哥德爾會探討這樣的問題呢?因為有人下了戰帖!

誰?就是上上句我們提到的大數學家希爾伯特!

希爾伯特的 23 個問題

希爾伯特 (David Hilbert) 是二十世紀初期德國最偉大的數學家之一。

在世紀之交的 1900 年、一場巴黎國際數學家大會的演講當中,希爾伯特根據 19 世紀的研究成果和發展趨勢,以卓越的洞察力提出了 23 個當時尚未被解開的困難數學問題,並鼓舞年輕數學家積極攻克:

「在我們中間,常常聽到這樣的呼聲:這裡有一個數學問題,去找出它的答案!你能通過純思維找到它,因為在數學中沒有不可知。」(希爾伯特大大按曰:只要解出來就能名留青史噢!)

這就是著名的希爾伯特的 23 個問題。

希爾伯特的 23 個問題對 20 世紀的數學研究起了積極的作用,不但超乎希爾伯特的預期,更未曾預料到從其中衍生而出的電腦科學、將會對世界產生無比重大的影響。

而哥德爾之所以提出不完備定理,想解答的正是這 23 個問題中的第二個問題:算術公理系統的無矛盾性。簡單來說,希爾伯特希望能以一個完美的形式系統,成功證明所有的真理、同時找出所有矛盾的陳述。

在這個問題上,希爾伯特原先堅定地表示:「沒有人能將我們逐出康托爾的樂園。」不僅僅是第二個問題,希爾伯特在 23 個問題中所提出(顯然最在意)的第一個問題連續統假設,也是康托爾的研究中所面臨問題。

康托爾……?請放心,這會是本篇文章中所出現的最後一位人名了。

無限多的危機:康托爾集合論

到目前為止,我們已經使用了許多強烈的形容詞,包括:電腦科學之父、偉大的邏輯學家、數學家……。但在這些學者的研究基礎上,我們不能不提現代數學的奠基者——集合論之父康托爾 (Cantor) 。

令集合 A = {1, 2, 3, 4, 5 },B = {1, 3, 5, 7, 9}
則 1, 3, 5 同時為集合 A 和 B 的元素,且 A 集合和 B 集合的大小相等。

康托爾可以說是數學史上最富有想像力的數學家之一,其所開創的集合論則可以說是人類最偉大發明之一--當年康托爾面臨的,正是數學界幾百年幾千年的疑懼:「無限」。

1-1+1-1+1… = 0, 1 還是 1/2? 0.99999….. = 1?還是 <1?

無限有多大?正整數、整數 (正整數 / 負整數 / 0)、實數(有理數 / 無理數) ……等數系的數量相同嗎?

Z+: ∞ (正整數有無限多個), Z-: ∞ (負整數有無限多個), Z: ∞ (整數有無限多個)。
因此: ∞ = 2∞+1 (所有整數個數 = 正整數個數+負整數個數 + 一個 0), 移項得: -∞ = 1,
故: ∞ = -1 …?!

為了處理「無限」這個長久得不到解決的難題,康托爾在 19 世紀下半葉創立了「集合」理論,證明了各個數系雖然是都是無限多,還是有數量上的差別:

| 正整數 | = | 整數 | = | 有理數 | < | 無理數 | = | 實數 | = | 複數 |

無限多的正整數數量 = 無限多的整數數量 = 無限多的有理數數量 < 無限多的無理數數量 = 無限多的實數數量 = 無限多的複數數量

然而集合論實在太過創新、對於無限的解釋也背離了傳統,剛開始時康托爾受到了嚴厲的譴責與撻伐。

但隨後,許多年輕的數學家開始意識到集合論非常的有用--基於自然數 (正整數)與集合論,當時一切的數學成果都可以成功被推證出來。

1900 年在國際數學家大會上,法國數學家龐加萊興高采烈地宣稱:「藉助集合論,我們可以建造起整個數學大廈。」1925 年,希爾伯特也提出了「希爾伯特旅館悖論」來應和康托爾的理論。

然而康托爾集合論仍然面臨了許多問題。首先是連續統假設--我們已知:

| 正整數 | = | 整數 | = | 有理數 | < | 無理數 | = | 實數 | = | 複數 |
那麼還有沒有一個數系,介於此二者間呢?

始終證明不出問題、又受到世人無數攻訐的康托爾,晚年發了瘋、死在精神病院中。

但除此之外,集合論還有一個問題是羅素悖論:「這句話是假的。」讀者只要稍加推論就會發現:如果這句話是真的,那麼這句話是假的會成立……?!如果這句話是假的,那這句話就是真的……?! 這個命題就矛盾了。

羅素悖論應用在集合論的問題即是:如果我們創造一個集合 A,裡面收集了所有不包含在自己這個集合的集合:A = {x|x∉x}。若是 A∈A 成立,則 A 是 A 的集合、使得 A∉A。但若 A∉A,則符合命題,使得 A∈A。

好不容易我們在集合論的基礎上構築起了數學大廈,結果發現集合論也是不完美的。究竟能不能找到一個完備的系統,從上面建築起整個數學的基礎呢?

這樣的系統是否存在呢?希爾伯特除了在 23 個問題中的第一個問題提出「連續統假設」,身為康托爾堅定的擁護者(腦粉),也在第二個問題中提了這樣的難題。

這也接續到我們先前的介紹:再後來哥德爾成功證明了不完備定理、解決了 23 個問題中的第二個問題,到圖靈用「圖靈機」的概念更加簡單明瞭的重新演繹一次哥德爾不完備定理,最後馮.紐曼基於通用圖靈機的概念、建出了第一台具備現代電腦架構雛形的電腦。

哇!「電腦是怎麼來的」居然爬梳出這麼多的問題?

哲學:不懈探究真理的精神

若要探究下去,你知道:康托爾、希爾伯特、哥德爾、馮.紐曼…等人都是德國人嗎(哥德爾和馮.紐曼皆為奧匈帝國人)?19 世紀的德國究竟是一個什麼樣的時代,造就了如此多的數學大家?

事實上,你知道這些數學家同時還有著哲學家的頭銜嗎?更進一步來說,19 世紀知名德國哲學家,尚包括了:黑格爾、叔本華、馬克思、尼采、康德… 毫無疑問地,當時的德國可說是歐洲最具代表性的哲學重鎮。

哲學反映了人類對真理的追求,體現人類的智能與認知極限。因而數學的發展不只是解一些生活問題,而成為一種學問、一種探求真理的道路與哲學手段。

哲學在西方文化中扮演了非常重要的角色,也是現代科學會出現在歐洲的重要原因。至於西方哲學追求真理的精神,又是起源於何時何處呢?這又要回溯到希臘時期,比如亞里斯多德的三段式證法或畢達哥拉斯學派……。

觀察過往,出現像上述「無限有多大」這樣的數學危機,在人類史上也不是第一次發生了:負數的英文為--Negative Number、無理數--Irrational Number、虛數--Imaginary Number。否定的 (Negative)、不合理的 (Irrational)、想像的 (Imaginary)……。

從這些詞彙中可以看出在探究真理的過程中,人類總是不斷遭遇思想上的困難,卻又能在突破後、成功踏上嶄新的道路。 今天我們思考了一個問題:「電腦是怎麼來的?」,並從中衍生出了更多值得探索的問題:

.數學是邏輯、也是哲學?
.歷史上其他的數學危機有哪些、又是如何被解決的?
.希臘亞里斯多德時代至一戰前的德國,哲學是如何百花齊放?
.無限有多大?
.悲劇性的數學家康托爾為什麼偉大?
.希爾伯特的 23 個問題?
.我們能造出一台判別真理的機器嗎?
.哥德爾不完備定理是什麼?圖靈機呢?
.計算機的電路是怎麼計算和記憶的?

沒有了探求宇宙真理的精神,或許工業革命就不會出現在歐洲了? 人類也不會有科技發展、或者今日的生活。

少年啊,你渴望真理嗎?

後續幾篇,我們會繼續用深入淺出的方式一一來討論這些問題,歡迎一起加入這樣的思考訓練吧!


本文轉載自寫點科普,請給指教。 《電腦是怎麼來的?(思考訓練)》,歡迎贊助和訂閱Lynn的網站喔。

文章難易度
寫點科普,請給指教
2 篇文章 ・ 3 位粉絲
我是Lynn,【寫點科普,請給指教】是一個針對各產業現況進行科普的寫作計畫, 期望能用淺顯易懂的文字,讓讀者瞭解各產業領域的運行規則,以培養思考與觀察力的敏銳。

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

-----廣告,請繼續往下閱讀-----

  • 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
替晶片打造數學工具的喬治.布爾(George Boole)
數感實驗室_96
・2024/06/01 ・561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。 

煮湯時看到調理包背面寫著「加水且加入鹽巴或味精,就大功告成了」。

這句話該怎麼解讀呢?邏輯思維好的人可能很快就能反應過來,意思是加水是必須的,鹽巴和味精至少要加一個。當然,兩者都加也行,但似乎不太健康。

你可能會說:「煮湯時誰會想那麼多?這太哲學了!」其實,19 世紀有位數學家將邏輯建立在數學而非哲學之上,他的貢獻深深影響了現代電腦的運算。他就是我們今天的主角——喬治.布爾(George Boole)。

-----廣告,請繼續往下閱讀-----

在工作會議中,清晰的邏輯思維能幫助我們有條理地表達觀點,並迅速理解他人的意見;程式設計中,邏輯是核心,透過布林代數和邏輯運算,電腦能根據條件執行不同的任務,在智慧家電中利用邏輯閘判斷多個輸入條件來控制輸出結果。

因此,布爾提出的這一套邏輯思維與布林代數,不僅在學術領域至關重要,更是日常生活中不可或缺的工具。

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!

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
民眾黨是未來台灣政治的樞紐?
林澤民_96
・2024/01/30 ・3382字 ・閱讀時間約 7 分鐘

一、前言

選後的立法院三黨不過半,但民眾黨有八席不分區立委,足以與民進黨或國民黨結成多數聯盟,勢將在國會居於樞紐地位。無獨有偶的是:民眾黨主席柯文哲在總統大選得到 26.5% 的選票,屈居第三,但因其獲得部分藍、綠選民的支持,在選民偏好順序組態的基礎上,它卻也同樣地居於樞紐地位。這個地位,將足以讓柯文哲及民眾黨在選後的台灣政壇持續激盪。

二、柯文哲是「孔多塞贏家」?

這次總統大選,誰能脫穎而出並不是一個特別令人殷盼的問題,更值得關心的問題是藍白綠「三跤㧣」在選民偏好順序組態中的消長。台灣總統大選採多數決選制,多數決選制英文叫 first-past-the-post(FPTP),簡單來講就是票多的贏,票少的輸。在 10 月中藍白合破局之後,賴蕭配會贏已經沒有懸念,但這只是選制定規之下的結果,換了另一個選制,同樣的選情可能就會險象環生。

從另一個角度想:選制是人為的,而選情反映的是社會現實。政治學者都知道天下沒有十全十美的選制;既定的選制推出了一位總統,並不代表選情的張力就會成為過眼雲煙。當三股社會勢力在制度的帷幕後繼續激盪,台灣政治將無法因新總統的誕生而趨於穩定。

圖/作者自製

如果在「三跤㧣」選舉之下,選情的激盪從候選人的得票多少看不出來,那要從哪裡看?政治學提供的一個方法是把候選人配對 PK,看是否有一位候選人能在所有的 PK 中取勝。這樣的候選人並不一定存在,如果不存在,那代表有 A 與 B 配對 A 勝,B 與 C 配對 B 勝,C 與 A 配對 C 勝的 A>B>C>A 的情形。這種情形,一般叫做「循環多數」(cyclical majorities),是 18 世紀法國學者孔多塞(Nicolas de Condorcet)首先提出。循環多數的存在意涵選舉結果隱藏了政治動盪。

-----廣告,請繼續往下閱讀-----

另一方面,如果有一位候選人能在配對 PK 時擊敗所有的其他候選人,這樣的候選人稱作「孔多塞贏家」(Condorcet winner),而在配對 PK 時均被擊敗的候選人則稱作「孔多塞輸家」(Condorcet loser)。三角嘟的選舉若無循環多數,則一定會有孔多塞贏家和孔多塞輸家,然而孔多塞贏家不一定即是多數決選制中贏得選舉的候選人,而多數決選制中贏得選舉的候選人卻可能是孔多塞輸家。

如果多數決選制中贏得選舉的候選人不是孔多塞贏家,那與循環多數一樣,意涵選後政治將不會穩定。

那麼,台灣這次總統大選,有沒有孔多塞贏家?如果有,是多數決選制之下當選的賴清德嗎?我根據戴立安先生調查規劃的《美麗島電子報》追蹤民調第 109 波(1 月 11 日至 12 日),也是選前最後民調的估計,得到的結果令人驚訝:得票墊後的柯文哲很可能是孔多塞贏家,而得票最多的賴清德很可能是孔多塞輸家。果然如此,那白色力量將會持續地激盪台灣政治!

我之前根據美麗島封關前第 101 波估計,侯友宜可能是孔多塞贏家,而賴清德是孔多塞輸家。現在得到不同的結果,顯示了封關期間的三股政治力量的消長。本來藍營期望的棄保不但沒有發生,而且柯文哲選前之夜在凱道浩大的造勢活動,還震驚了藍綠陣營。民調樣本估計出的孔多塞贏家本來就不準確,但短期內的改變,很可能反映了選情的激盪,甚至可能反映了循環多數的存在。

-----廣告,請繼續往下閱讀-----

三、如何從民調樣本估計孔多塞贏家

根據這波民調,總樣本 N=1001 位受訪者中,如果當時投票,會支持賴清德的受訪者共 355 人,佔 35.4%;支持侯友宜的受訪者共 247 人,佔 24.7%。支持柯文哲的受訪者共 200 人,佔 19.9%。

美麗島民調續問「最不希望誰當總統,也絕對不會投給他的候選人」,在會投票給三組候選人的 802 位支持者中,一共有 572 位對這個問題給予了明確的回答。《美麗島電子報》在其網站提供了交叉表如圖:

根據這個交叉表,我們可以估計每一位明確回答了續問的受訪者對三組候選人的偏好順序,然後再依這 572 人的偏好順序組態來判定在兩兩 PK 的情形下,候選人之間的輸贏如何。我得到的結果是:

  • 柯文哲 PK 賴清德:311 > 261(54.4% v. 45.6%)
  • 柯文哲 PK 侯友宜:287 > 285(50.2% v. 49.8%)
  • 侯友宜 PK 賴清德:293 > 279(51.2% v. 48.8%)

所以柯文哲是孔多塞贏家,賴清德是孔多塞輸家。當然我們如果考慮抽樣誤差(4.1%),除了柯文哲勝出賴清德具有統計顯著性之外,其他兩組配對可說難分難解。但在這 N=572 的小樣本中,三位候選人的得票率分別是:賴清德 40%,侯友宜 33%,柯文哲 27%,與選舉實際結果幾乎一模一樣。至少在這個反映了選舉結果的樣本中,柯文哲是孔多塞贏家。依多數決選制,孔多塞輸家賴清德當選。

-----廣告,請繼續往下閱讀-----

不過以上的分析有一個問題:各陣營的支持者中,有不少人無法明確回答「最不希望看到誰當總統,也絕對不會投給他做總統」的候選人。最嚴重的是賴清德的支持者,其「無反應率」(nonresponse rate)高達 34.5%。相對而言,侯友宜、柯文哲的支持者則分別只有 24.1%、23.8% 無法明確回答。為什麼賴的支持者有較多人無法指認最討厭的候選人?一個假設是因為藍、白性質相近,對許多綠營選民而言,其候選人的討厭程度可能難分軒輊。反過來說,藍、白陣營的選民大多數會最討厭綠營候選人,因此指認較無困難。無論如何,把無法明確回答偏好順序的受訪者歸為「遺失值」(missing value)而棄置不用總不是很恰當的做法,在這裡尤其可能會造成賴清德支持者數目的低估。

補救的辦法之一是在「無法明確回答等於無法區別」的假設下,把「遺失值」平分給投票對象之外的其他兩位候選人,也就是假設他們各有 1/2 的機會是無反應受訪者最討厭的候選人。這樣處理的結果,得到

  • 柯文哲 PK 賴清德:389 > 413(48.5% v. 51.5%)
  • 柯文哲 PK 侯友宜:396 > 406(49.4% v. 50.6%)
  • 侯友宜 PK 賴清德:376 > 426(46.9% v. 53.1%)

此時賴清德是孔多塞贏家,而柯文哲是孔多塞輸家。在這 N=802 的樣本中,三位候選人的得票率分別是:賴清德 44%,侯友宜 31%,柯文哲 25%。雖然依多數決選制,孔多塞贏家賴清德當選,但賴的得票率超過實際選舉結果(40%)。用無實證的假設來填補遺失值,反而造成賴清德支持者數目的高估。

如果擔心「無法明確回答等於無法區別」的假設太勉強,補救的辦法之二是把「遺失值」依有反應受訪者選擇最討厭對象的同樣比例,分給投票對象之外的其他兩位候選人。這樣處理的結果,得到

-----廣告,請繼續往下閱讀-----
  • 柯文哲 PK 賴清德:409 > 393(51.0% v. 49.0%)
  • 柯文哲 PK 侯友宜:407 > 395(50.8% v. 49.2%)
  • 侯友宜 PK 賴清德:417 > 385(52.0% v. 48.0%)

此時柯文哲又是孔多塞贏家,而賴清德又是孔多塞輸家了。這個樣本也是 N=802,三位候選人的得票率分別是:賴清德 44%,侯友宜 31%,柯文哲 25%,與上面的結果一樣。

以上三種無反應處理方法都不盡完美。第一種把無反應直接當遺失值丟棄,看似最不可取。然而縮小的樣本裡,三位候選人的支持度與實際選舉結果幾乎完全一致。後兩種以不同的假設補足了遺失值,但卻過度膨脹了賴清德的支持度。如果以樣本中候選人支持度與實際結果的比較來判斷遺失值處理方法的效度,我們不能排斥第一種方法及其結果。

無論如何,在缺乏完全資訊的情況下,我們發現的確有可能多數決輸家柯文哲是孔多塞贏家,而多數決贏家賴清德是孔多塞輸家。因為配對 PK 結果缺乏統計顯著性,我們甚至不能排除循環多數的存在。此後四年,多數決選制產生的總統能否在三角嘟力量的激盪下有效維持政治穩定,值得我們持續觀察。

四、結語

柯文哲之所以可以是孔多塞贏家,是因為藍綠選民傾向於最不希望對方的候選人當總統。而白營的中間偏藍位置,讓柯文哲與賴清德 PK 時,能夠得到大多數藍營選民的奧援而勝出。同樣的,當他與侯友宜 PK 時,他也能夠得到一部份綠營選民的奧援。只要他的支持者足夠,他也能夠勝出。反過來看,當賴清德與侯友宜 PK 時,除非他的基本盤夠大,否則從白營得到的奧援不一定足夠讓他勝出。民調 N=572 的樣本中,賴清德得 40%,侯友宜得 33%,柯文哲得 27%。由於柯的支持者討厭賴清德(52.5%)遠遠超過討厭侯友宜(23.7%),賴雖然基本盤較大,能夠從白營得到的奧援卻不多。而侯雖基本盤較小,卻有足夠的奧援。柯文哲之所以成為孔多塞贏家,賴清德之所以成為孔多塞輸家,都是這些因素的數學結果。

-----廣告,請繼續往下閱讀-----

資料來源

討論功能關閉中。

林澤民_96
37 篇文章 ・ 243 位粉絲
台大電機系畢業,美國明尼蘇達大學政治學博士, 現任教於美國德州大學奧斯汀校區政府系。 林教授每年均參與中央研究院政治學研究所及政大選研中心 「政治學計量方法研習營」(Institute for Political Methodology)的教學工作, 並每兩年5-6月在台大政治系開授「理性行為分析專論」密集課程。 林教授的中文部落格多為文學、藝術、政治、社會、及文化評論。