且看卡西尼號呈現泰坦眾相

• 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。

如果天空少了月亮？文學家應該會很難過，音樂家也會少了創作的題材，沒有中秋節就少了月餅，也沒有烤肉。不過夜晚少了一個大光害，天文學家絕對會很高興！

潮汐變小、一天變短

地球上的潮起潮落，主要是月球繞地球運行造成的。太陽也會影響地球的潮汐，不過對地球的潮汐力只有月球的 46%。如果沒有月球的話，造成地球潮起潮落就只剩下太陽，滿潮和乾潮的幅度就會變小。

月球讓地球產生的潮汐，使地球愈轉愈慢。數十億年前，地球剛形成時，地球自轉的速度比現在快許多；因為月球的潮汐力，讓地球自轉的速度漸漸變慢，慢到現在的一天 24 小時。如果沒有月球，地球的一天可能不到 10 小時。

左搖右晃的地球

月球就像是走鋼索的人握的平衡桿，讓地球自轉軸保持穩定，如果少了月球這個平衡桿，地球自轉軸左搖右晃的幅度就會變大。

目前地球自轉軸相對於公轉平面的傾斜角是 23.4 度，因為月球的存在，這個傾角的變化幅度不大，大約在 22.1 度和 24.5 度之間。傾角讓太陽直射地球的位置在北回歸線和南回歸線間移動，讓地球出現四季變化。

如果沒有月球，地球的自轉軸變動的幅度就會變大，自轉軸的變動會對我們有什麼樣的影響？假設兩個極端的例子，地球的自轉軸傾角是 0 度和 90 度。

如果地球傾角是 0 度，太陽永遠直射赤道，地球上不會有北回和南回歸線，地球將不再有四季變化。

如果地球傾角是 90 度，太陽直射的區域會從北極到南極，也就是北回歸線位在北緯 90 度（也就是北極點），而南回歸線在南緯 90 度（南極點）。這種情況下，地球四季變化會非常劇烈，北半球夏天時，北極不會結冰，溫度比現在還高，南半球冰凍的區域比現在還大，這種極端氣候絕對不利現在地球上生物的生存。

月球替地球擋子彈

月球是地球的衛星，一直以來它都保護著我們的地球。用望遠鏡看月球，會發現月球上有許多坑洞，這些坑洞幾乎都是隕石撞擊後形成的隕石坑，表示月球在早期受到許多的撞擊。如果少了月球擋下這些隕石，這些隕石可能就會撞上地球。

隕石撞擊對地球的生命影響很大。6600 萬年前，一顆 10 公里左右的隕石撞擊地球，造成恐龍滅絕。恐龍滅絕後，哺乳類才能興起，人類才有機會出現在地球上。

那些沒有被月球擋下的隕石，如果撞上地球，可能會改變地球物種的演化，人類說不定就不會出現在地球！ 最後，如果沒有月亮，阿姆斯壯和另外 11 名阿波羅太空人也就無法登陸月球。人類少了探索月球的寶貴經驗，要直接踏上其他行星表面（例如火星），難度會高許多，甚至變得不可能！

在座各位地球人肯定對「水」一點不陌生。不論是液態水還是固態冰，在生活中都隨處可見。但如果你以為我們已經完全了解水和冰的構成與變化，那你可就錯了，因為它可是超乎想像的複雜。

冰也會七十二變？常見的物質竟然有這麼多型態！

學校裡教過的三相圖將水區分成固、液、氣三種相（Phase）。不過除了這種簡單的分類，固態的冰在不同的壓力與溫度條件下其實還有許多不同面貌。

一般條件下，自然結凍的水只會呈現六角結晶或立方結晶，兩種晶體結構合稱為「冰一」（Ice I）。你可能有些好奇：既然有一，那或許會有二（咦）

沒錯！目前已知的冰共有二十幾種型態，比 iPhone 的型號還多！只是除了冰一之外，其他的型態都極為少見。

所謂少見是有多少見呢？

一直到 2017 年時，科學家才首次在實驗室中合成出冰七（Ice VII），這種稀有的結晶形態通常只有在彗星或系外行星上才見得到，因為它需要超大的壓力（例如：兩個含冰量豐富的小行星體對撞），才有可能形成。

相隔一年後，另一組研究團隊利用 X 光繞射技術，在世界各地的鑽石中發現冰七的蹤影。

為什麼鑽石中會有冰七？推測原因是由於當初在地底時，有少量水分被困在高溫高壓的鑽石礦脈中，而後這些水分隨著鑽石一同被挖掘到地表，雖然溫度下降到普通室溫，但堅固的鑽石內卻仍然維持著高壓。如此獨一無二的條件，讓冰七得以自然生成。

零度以下也不結冰？神秘的過冷水！

光是固態冰就有這麼多花樣了，水結冰的過程同樣也是科學家有興趣的主題。在 Science 期刊上最新的研究發現，過冷水其實是由兩種結構不同的形態混搭而成。

一般的情況下，零度以下的水需要一些雜質或擾動來「啟動」結晶的過程，才能凝固成冰。在缺乏這些條件時，水可以在零度以下仍維持液態，也就是所謂的「過冷」。

關於過冷水的理論模型可說是眾說紛紜，因為這種狀態十分不穩定，輕微的干擾就會讓過冷水全部結晶，讓實驗學家十分頭痛。另外，也很難單從實驗中觀察並判斷過冷水不結晶到底是不是因為還未達到熱平衡。

以往的相關研究通常只能依賴分子模擬，不過最近在實驗上有了最新突破。

美國西北太平洋國家實驗室的研究人員準備了一片僅有 15 奈米厚的薄冰，接著利用短暫的雷射脈衝，極速加熱一小塊區域，使其轉為液態過冷水，直到它很快地降溫並重新結晶。

整個過程只有短短幾十奈秒，不過，這個突破已經足夠讓我們使用紅外線光譜來測量過冷水的分子結構。

結果發現，早在結晶開始的短短的幾十奈秒之間，過冷水就找到了它最舒服的平衡狀態；這個狀態還是由兩種結構不同的液體型態所組成，分為高密度與低密度結構，密度分別約為 0.9 和 1.1 g/cm³。

實驗發現，過冷水中高密度水所佔的比例，會隨著溫度降低逐漸減少。也就是說，過冷水能在低於攝氏零度的環境下維持液態，很有可能是兩種不同密度的水比例不同所造成的。

其實，這種特殊的二元性質也能在一般常溫的液態水中看到，分為四面體和非四面體結構。不過這類的現象在過冷水是首次被發現，也為水在低溫時的行為提供重要的實驗數據。關於水的各種理論模型，我們終於得以區分何者較接近真實。

參考資料

1. Water structure and science
2. Gleason, A. E., Bolme, C. A., Galtier, E., Lee, H. J., Granados, E., Dolan, D. H., … & Swift, D. (2017). Compression freezing kinetics of water to ice VII. Physical Review Letters, 119(2), 025701.
3. Tschauner, O., Huang, S., Greenberg, E., Prakapenka, V. B., Ma, C., Rossman, G. R., … & Tait, K. (2018). Ice-VII inclusions in diamonds: Evidence for aqueous fluid in Earth’s deep mantle. Science, 359(6380), 1136-1139.
4. Kringle, L., Thornley, W. A., Kay, B. D., & Kimmel, G. A. (2020). Reversible structural transformations in supercooled liquid water from 135 to 245 K. Science, 369(6510), 1490-1492.
5. Shi, R., & Tanaka, H. (2020). Direct evidence in the scattering function for the coexistence of two types of local structures in liquid water. Journal of the American Chemical Society, 142(6), 2868-2875.