才、才不是在裝文青呢，在咖啡廳工作真的能激發創造力！──《哇賽心理學》

• 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。

台灣的 COVID-19 疫情，在今（2022）年四月急遽升溫，許多公司行號也再度實行遠端上班、分流上班，減少接觸以及染疫風險，許多染疫者、接觸者也必須居家隔離。任何需要跟人接觸的活動，都改以線上的方式進行。因此，視訊會議就成為了一個相對安全、又便利的新選擇。多虧了現代電腦、網路，和通訊軟體的發達，我們不必非得要面對面才能「見面」。

這樣遠端工作、開不完的視訊會議所帶來的結果是，我們必須整天盯著螢幕看，造成眼睛、精神上的疲勞。國外有人甚至發明了「視訊會議疲勞」（Zoom fatigue，或作 videoconference fatigue）一詞^[註一]來形容這種過多視訊開會造成身心疲乏的現象。而且，這種現象，不但在職場中出現^[註二]，就連線上課程也都讓學生覺得更疲累、難以專注、學習困難、焦慮感提升^[註三]。

為何會產生「視訊會議疲勞」？

為什麼「視訊會議疲勞」那麼普遍呢？Bailenson（2021）解釋，我們之所以會在視訊會議中更容易感到疲倦，主要是以下四個原因：^[註四]

1. 過多的眼神交流：在一般的面對面互動中，我們很少會靠一個人的臉那麼近來跟他說話，視線也不需要持續聚焦在一個人的臉上。尤其對於會議主講人來說，一次有那麼多雙眼睛直勾勾地盯著你看，大腦很容易進入一種過度激發（hyper-aroused）的狀態。
2. 看到自己在說話的畫面，讓你時時刻刻都在審視、評價自己：同樣地，在一般的面對面互動中，幾乎沒有人會一邊拿鏡子照自己，一邊跟別人說話，但這種不自然的狀況卻會在視訊會議中出現。一旦我們看得到自己的影像，難免會注意自己在鏡頭前好不好看，臉上有沒有沾到東西，表情和談吐是不是夠優雅、自信。一邊說話，還要一邊持續自我審查的過程，對大腦來說非常耗能。
3. 視訊會議限制了我們身體的活動空間：視訊會議進行期間，尤其是自己的鏡頭必須開啟時，我們基本上只能端坐在電腦前，眼睛直視螢幕，免得被誤認為是在分心、做別的事。身體要僵直地維持在這種狀態一到兩小時，屁股坐麻、手腳痠痛不說，大腦要控制身體維持姿勢也會變得疲乏。
4. 透過視訊來進行社交互動更為困難、費力：面對面互動的時候，任何語言的、非語言的社交訊息（例如眨眼和微笑）都可以即時被互動者接收，但在視訊會議時，難免會遇到畫面卡卡的、網路不順的狀況，這都使得訊息傳達更為費力、耗時。

當然，這些容易讓我們疲勞的因素，並不是無法可解。Bailenson 也提到一些簡單的方法，像是把視窗從全螢幕調整成讓你沒有壓迫感的大小、關掉自己的個人畫面、在會議與會議之間安排休息等，都能有效降低疲勞。

疲勞的問題或許是解決了，但另一個可以探討的問題是，視訊會議的成效和面對面開會一樣嗎？尤其針對需要創意發想的行業，哪種討論方式更有助於人們想出新穎的好點子？

發想創意提案，到底是面對面還是視訊比較好？

為了探討這個問題，一篇 2022 年刊登於《自然》（Nature）的研究^[註五]邀請了 300 名受試者，隨機分成兩兩一對，進行腦力激盪的作業。內容是花 5 分鐘跟夥伴討論「飛盤」有哪些非典型的用法或功能，再花 1 分鐘選出最有創意的答案。

在這些兩兩一組的受試者中，一半的受試者（75 對）被分配到「面對面互動組」，而另外 75 對則被分到「視訊互動組」。研究人員想知道，哪種形式的討論方式可以產出更多有創意的點子，還有，每個小組花一分鐘討論出來的最終方案，是不是最有創意的點子（用以判斷小組的決策準確度）。

研究人員除了記錄每個小組所產出的創意總數（想出幾種飛盤的新用法）之外，還邀請了兩位事先不知道研究假設的「裁判」，依據創意性和實用性評分受試者的點子。研究團隊將「有創意的點子」定義為「創意分數高於整體平均創意分數的點子。」

為了減少實驗題目造成的偏誤，並增加受試者總數，團隊接著找了另外 302 位受試者參與類似的實驗流程，但是腦力激盪的題目改成：討論「泡泡紙」有哪些非典型的用法或功能。

根據這 602 位受試者的結果顯示，「面對面互動組」想出的平均點子總數是 16.77 個，不但在統計上顯著多於「視訊互動組」的 14.74 個，「面對面互動組」也產出更多被評定為有創意的點子，平均有 7.92 個創意點子，相較於「視訊互動組」平均只有 6.73 個創意點子。

在小組的決策準確度方面，研究人員發現，「視訊互動組」選出的最有創意點子，似乎比較符合裁判對其的創意性評分；也就是說，「視訊互動組」的決策準確度較「面對面互動組」高。可是，這樣的差距，在控制了每組所想出的點子數量後，就消失了。

以「實地實驗」驗證研究結果

上述的研究發現都是在實驗室情境下的結果，真實世界的互動也會有這樣的差異嗎？

為了驗證這一點，研究團隊在芬蘭、匈牙利、以色列、葡萄牙、印度等五個國家，都進行了實地實驗（field experiments）^[註六]。實驗最終邀請到 1490 位工程師，隨機分派成為兩兩一組，以 45 到 60 分鐘的時間討論出可以向公司提案的新點子，並在所有想到的點子中，選出一個他們自認最有創意的想法。

這些實地實驗的結果都驗證了一開始在實驗室的發現。在五個國家的研究數據均顯示面對面互動比視訊討論更有助於發想更多有創意的點子；而視訊討論則能提高決策準確度。

為什麼在面對面討論時，人們較能想到更多有創意的點子？

研究也針對這些現象的原因作出探討。首先，在實驗室進行實驗的過程中，「面對面互動組」和「視訊互動組」的受試者在腦力激盪時，手邊都有筆電或平板，提供他們紀錄或視訊。研究人員事先安裝了 OpenFace 眼動追蹤軟體在這些 3C 產品上，透過電腦或平板的前鏡頭，測量受試者的視線動態，目的是為了得知受試者在跟夥伴討論時，視線多常放在實驗夥伴、手邊作業和實驗室環境。

眼動追蹤的結果發現，「視訊互動組」的受試者在過程中，花更多時間注視螢幕上的實驗伙伴，而且比較不常環顧實驗室四周。至於視線關注手邊作業的時間，兩個組別間並沒有差異。事後的分析更發現，花越長時間環顧環境周遭的人，他們想到的點子越多！

另一方面，為了再次確認受試者到底放多少注意力在四周環境上，研究人員在做實驗室佈置時，也特地放置了五個常見於心理學實驗室的物品（抽屜櫃、文件夾、紙箱、音響喇叭、鉛筆盒）和五個不常見於實驗室的物品（人體骨架海報、巨大盆栽、一籃檸檬、藍色的碗、瑜珈球的盒子），目的是，受試者做完腦力激盪之後，要他們畫出實驗室的擺設。結果顯示，能夠記得越多「不常見物品」的受試者，想到的創意點子就越多！

所以，我們該怎麼用注視時間和對環境的記憶，去解釋「面對面討論的人有更多創意想法」這件事？研究團隊認為，在視訊面談的情境中，我們的注意力會聚焦在螢幕上，同時也限縮了我們認知處理的廣度，阻礙「創意發想」這種需要發散性思考的活動。

當然，疫情中，以視訊會議取代面對面接觸，主要是防疫考量。我們不得不以遠端的方式互動、開會。但如果未來疫情趨緩，我們有得選擇工作模式的時候，不妨優先把面對面開會的機會留給需要發揮創意的事情，或時不時提醒自己從電腦桌前站起來動動筋骨，幫大腦伸個懶腰！

註解與參考資料

• 註一：雖然叫 Zoom fatigue，但不限於使用 Zoom 平台進行的視訊會議。
• 註二：Riedl, R. (2021). On the stress potential of videoconferencing: definition and root causes of Zoom fatigue. Electronic Markets, 1-25.
• 註三：Peper, E., Wilson, V., Martin, M., Rosegard, E., & Harvey, R. (2021). Avoid Zoom fatigue, be present and learn. NeuroRegulation, 8(1), 47-47.
• 註四：Bailenson, J. N. (2021). Nonverbal Overload: A Theoretical Argument for the Causes of Zoom Fatigue. Technology, Mind, and Behavior, 2(1).
• 註五：Brucks, M. S., & Levav, J. (2022). Virtual communication curbs creative idea generation. Nature, 1-5.
• 註六：實地實驗（field experiments）是指在真實生活環境中，實驗者操控獨立變項，以測量其對依變項的因果關係。實地實驗雖然不能像實驗室實驗一樣嚴謹控制環境，但其研究發現的可類推性（generalizability）較高，也就是可以應用在現實生活的程度可能會較高。

廣義相對論的基本

廣義相對論，簡單地說就是兩點。

• 第一，一個有質量的物質，會彎曲它周圍的時空。這是「物質告訴時空如何彎曲」。
• 第二，在不受外力的情況下，一個物體總是沿著時空中的測地線運動。這是「時空告訴物質如何運動」。

這裡根本沒有引力的事，根本不需要引力。

這個畫面是這樣的。你可以將時空想像成一張彈簧床，本來彈簧床是平的，往上面放幾顆球，彈簧床上有球的地方周圍就變成彎曲的了——這幾顆球，彎曲了各自周圍的時空。

地球為什麼繞著太陽轉？牛頓認為那是因為太陽對地球有引力。但是廣義相對論認為，地球根本不知道太陽在哪裡，只是太陽把時空彎曲得比較厲害，地球是根據自己所在時空的測地線運動而已。就好像彈簧床上的小球可以繞著大球滾動，而你知道大球並沒有吸引小球，那只是因為彈簧床上大球的周圍有凹陷。

同樣的時空，每個物體的速度不一樣，它們遵循的測地線也不一樣。有的物體會直接掉向太陽，有的會繞著太陽做橢圓運動，有的與太陽擦肩而過，這些都只不過是物體在沿著自己的測地線運動而已。

當然，每個有質量的物體在彎曲時空當中運動的同時，也是在彎曲著自己周圍的時空，只是彎曲的程度不同。時空的形狀由這些物質共同決定，而所有物質都會沿著自己周圍時空的測地線運動。

用彈簧床打比方是不得已而為之，物質彎曲時空並不是如同小球在彈簧床上往下「壓」的結果，而是自然地彎曲周圍所有方向上的時空，所造成的結果。而且請注意，被彎曲的不僅僅是空間，還有時間，只是這部分，我們留到後面的章節再細說。

在這裡，我還要澄清一點。你也許會有這樣的疑問：既然高速運動物體的質量會增加，那多出來的質量是不是也會彎曲空間呢？答案是不會。廣義相對論裡說的「物質彎曲了空間」，可以理解成是物質的「靜止質量」在彎曲空間，靜止質量是所有座標系都同意的不變數。時空的內在幾何形狀是絕對的，但是時空在不同的座標系中被看成了不同的樣子。

廣義相對論就是這麼簡單。

自然運動狀態

愛因斯坦再一次看破了紅塵。什麼是引力？可以說根本沒有引力，有的只是時空的彎曲。

或者也可以說，所謂引力，就是在大尺度下才能看出來的、時空的彎曲。鯨魚的身體是曲線型的，但是如果近距離看，它身上每個地方都近似一塊很平的小平面。局部的測地線就是很直很直的直線，這就是為什麼我們上一章說「局部沒有引力」。

講到這裡，我們要重新定義「自然運動狀態」這個概念。所謂自然運動，就是在沒有任何外力干擾的情況下，一個物體自由自在的狀態。

亞里斯多德（Aristotle）認為自然的運動狀態是靜止。這符合我們的生活經驗——沒有外力干擾的東西好像都是靜止不動的。

後來，伽利略和牛頓說這不對，力並不是讓物體運動的原因，力其實是改變物體運動狀態的原因。一個物體在光滑的平面上滑動，如果沒有任何摩擦力干擾，它就會一直這樣運動下去。所以等速直線運動和靜止沒有差別，它們都是自然運動。

而現在，愛因斯坦表示，一切沿著測地線的運動，都是自然運動。

可以想像太空中有一個周圍非常空曠、沒有任何星體的地方，這裡的時空是平直的，測地線是完美的直線，所以物體沿著測地線運動，正好就是等速直線運動。

如果時空是彎曲的，太空人就會繞著地球轉，而失控的電梯就會直接掉下去，這兩個運動看似不同，但其實都是自由落體運動，它們謹守本分地沿著自己的測地線運動。所以它們雖然有加速度，仍然是自然運動。

自由落體運動、等速直線運動，以及靜止，它們沒有本質上的差別。你在一個封閉的實驗室裡不管做什麼實驗，都沒有辦法區分它們。愛因斯坦表示它們是同一回事，都是沿著測地線運動，都是自然運動。

反過來說，你站在地面不動，站一會兒就累了，這其實是一種不自然的運動。你本來想沿著測地線往下掉，可是地板阻止了你。想要體驗真正的自由，你應該做自由落體運動。

為什麼引力質量正好等於慣性質量，為什麼一輕一重兩個鐵球會同時著地？現在，廣義相對論給這個巧合提供了一個解釋——因為只要質量沒有大到能與地球相提並論、足以顯著影響周圍時空的形狀的程度，測地線就只和物體的初始速度有關，與質量無關！

回頭再看上一章中講的兩個想像實驗。不管你是在加速的火箭上，還是站在地面不動，都有一個外力在阻止你沿著測地線走，所以它們是一樣的。

無論是在地球附近自由落體，還是在太空中空曠、沒有任何星體的地方做等速直線運動，都是沿著該地測地線的自然運動，所以它們也是一樣的。

只要你接受時空尺寸是相對的，你就能接受狹義相對論；只要你接受時空可以彎曲，你就能接受廣義相對論。接受了時空的這兩個性質，光速為什麼不變、慣性質量為什麼等於引力質量、引力到底是不是真實的存在⋯⋯這些問題就不用再糾結了。

所以，相對論是個簡單理論，它只是相當深刻；其實我覺得廣義相對論比狹義相對論還容易理解，它只是美麗非常。

也許下次看見鯨魚的時候，你可以想起廣義相對論。