拉普拉斯誕辰 │ 科學史上的今天：3/23

• 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。

每天都要風險評估

我們的現代生活是由一連串決定所組成，要根據各種可能的結果進行評估。我們的每一天都必須經過風險分析才能順利度過。

今天的降雨機率是 28%，我要不要帶雨傘？

報紙上說，吃培根會讓罹患腸癌的機率增加 20%，那我該戒掉培根三明治嗎？

考慮到發生事故的風險，我的汽車保險費會不會太高？

我買樂透彩券有什麼用呢？

玩桌遊的時候，我接下來擲出的點數讓我排名下降的機會有多少？

許多職業都要算出機會才能做關鍵決定。某支股票上漲或下跌的機會有多大？

如果有DNA證據，被告就有罪嗎？

病人要不要擔心偽陽性的篩檢結果？

足球選手在罰球時應該踢向哪裡？

越過不確定的世界是一項充滿挑戰的任務，但找出一條穿過迷霧的路並非不可能。數學已經發展出強大的捷徑，幫助我們處理從遊戲到健康、從賭博到理財投資的一切不確定性，那就是「機率的數學」。

擲骰子是通往機率的捷徑

若想探索這條捷徑的本領，擲骰子是最佳方法之一。

本章開頭的題目，曾讓十七世紀的著名日記作者皮普斯（Samuel Pepys）坐立不安。

皮普斯著迷於機率遊戲，但他不會隨便拿辛苦賺來的錢當作擲骰子的賭注，他總是很謹慎。皮普斯在 1668 年 1 月 1 日的日記寫道，正要從劇院回家時撞見「骯髒的學徒和無所事事之人在賭博」，回想起孩提時僕人帶他去看人試圖擲骰子贏錢的情景。

皮普斯記下自己看到「一個人向另一個人拿走所輸的錢，反應大不相同，有一人不停罵髒話，另一人只是喃喃自語和發牢騷，還有一人絲毫沒有明顯的不滿」。

他的朋友布里斯班德（Brisband）先生提議，給他十枚硬幣試試運氣，還說「大家都知道從來沒有人第一次玩會輸，因為魔鬼太狡猾了，不會勸阻賭徒」。但皮普斯拒絕了，躲回他的房間。

皮普斯小時候看到賭博時，還沒有什麼捷徑能讓他比別人有優勢。但在他從青少年到成年的歲月裡，一切已經有了改變，因為海峽對岸有兩位數學家，費馬和巴斯卡，提出一種新的思考方式，透過這條深具潛力的捷徑，應該能讓賭徒賺錢，不然至少是少輸些錢。

皮普斯可能還未聽說費馬和巴斯卡已取得重大進展，把魔鬼手中的骰子努力搶到數學家手上。如今，從拉斯維加斯到澳門，費馬和巴斯卡開創的機率數學讓世界各地的賭場得以經營下去──犧牲者是來賭錢的無所事事之人。

發生的機會有多大？

費馬和巴斯卡之所以會想出捷徑，是因為他們聽到某個跟皮普斯所想類似的難題，然後受到啟發。

與兩人都相識的梅雷騎士（Chevalier de Méré）想要知道把賭注下在以下哪一個比較好：

• (A) 擲一顆骰子 4 次後，擲出六點。
• (B) 連續擲兩顆骰子 24 次後，擲出雙六。

這位騎士實際上不具有騎士的貴族身分，他是一名學者，名叫龔博（Antoine Gombaud），他喜歡在對話作品中用這個頭銜代表自己的觀點。然而，這個頭銜沿用了下來，他的朋友們開始稱他為騎士。他選擇走遠路，做一大堆實驗，拿骰子擲了一遍又一遍，試圖解決這個骰子難題，但一直沒有確定的結果。

於是龔博決定把這問題帶到一個由耶穌會士舉辦的沙龍，修士名叫梅森（Marin Mersenne），地點則是他在修道院的小房間。梅森有點像是當時巴黎的知識活動中心，他把收到的有趣問題寄給他認為可能會有高明見解的其他通信者。

說到龔博的難題，他毫無疑問寄到了很好的人選手中，費馬和巴斯卡的答覆確立了本章要談的捷徑：機率論（theory of probability）。

機率論真的能幫龔博贏錢嗎？

毫不意外的，走遠路其實並沒有幫龔博判定選哪一個賭注最有可能贏錢。費馬和巴斯卡把他們的機率新捷徑應用到骰子上，就發現選項 A 的發生機率是 52%，而選項 B 的發生機率為 49%。

如果賭骰子 100 次，隨機過程中存在的誤差會輕易掩蓋這種差異，也許要等差不多賭 1,000 次之後，真正的模式才會浮現。這就是為什麼這個捷徑會如此強大──它避免你一定得做很多苦力，反覆實驗，畢竟實驗結果搞不好還會讓你對問題理解錯誤。

長期執行才有可能取得優勢

費馬和巴斯卡提出的捷徑有個特質很有趣，它長期下來才會真正幫你取得優勢。它不是幫忙賭徒在任何一次賭博中贏錢的捷徑，那仍然要碰碰運氣。但長期下來，情況就大不相同，這也解釋了為什麼它對賭場來說是好消息，然而對遊手好閒、巴望擲一次骰子就輕鬆賺到錢的賭徒來說，卻不是什麼好消息。

鏡頭回到倫敦。皮普斯寫下他在走路回家的途中，看賭徒設法擲出七點看得津津有味：

「聽到他們罵手氣怎麼這麼差，但沒什麼用，因為有個男子想要擲出七，但擲了很多次都擲不出，絕望透頂，嚷嚷說以後打死也不會再擲出七，而其他的人手氣很好，幾乎每次都擲出七。」

這個人的手氣是不是特別背，連一次七點也擲不出來？費馬和巴斯卡提出的策略，是用來算出以兩顆骰子擲出特定點數和的機會有多大，要先分析可能擲出的各種點數，然後看點數和為七的情形發生的比例。第一顆骰子可能擲出 6 種點數，加上第二顆骰子也有 6 種點數，總共就有 36 種不同的點數組合。在這些組合當中，有 6 種的點數和是七：

1 + 6、2 + 5、3 + 4、4 + 3、5 + 2、6 + 1

他們認為，假如每種組合發生的可能性一樣大，那麼 36 次當中就會有 6 次擲出七。這實際上是擲兩顆骰子時最有可能出現的點數和，但沒有擲出七的機會仍有六分之五。考慮到機率問題，皮普斯所看到的那位對擲了很多次骰子都沒出現七點感到如此絕望的紳士，手氣到底有多差？

骰不出 7 到底是不是因為手氣特別爛？

他擲了 4 次骰子都沒擲出七的機會有多大？把所有不同的情形都列出來，看起來相當嚇人，因為總共有 364 =1,679,616 種結果。但費馬和巴斯卡伸出援手了，因為有捷徑。要算出 4 次都沒擲出七點的機會，只須把每次擲骰子的機率相乘：5/6 × 5/6 × 5/6 × 5/6 = 0.48。這表示連續 4 次沒有擲出七點的機會仍大約有二分之一。

相反的，這表示兩顆骰子擲 4 次之後，有一半的機會出現七點。同樣的分析可證明，一顆骰子擲 4 次後出現六點的機會也是一半一半。因此，皮普斯看到那個紳士擲 4 次骰子都沒出現七，不是什麼出人意料的事，就像丟一次硬幣的結果不是正面一樣。

在玩很多像西洋雙陸棋或《地產大亨》這樣要擲骰子的遊戲時，你可以把「最有可能擲出七」轉化成對自己有利的條件。

舉例來說，坐牢是《地產大亨》棋盤上最常造訪的格子，再加上兩顆骰子可能點數和的分析結果，就意味許多玩家在走到坐牢這格之後，下一步會走到橘色房地產區的次數比其他格子還要多。所以你如果可以搶先在橘色區買地，在上面蓋旅館，就會讓自己在遊戲中更勝一籌。

——本文摘自《數學就是這樣用：找出生活問題的最佳解》，2022 年 11 月，天下文化出版，未經同意請勿轉載。

• 作者 / 楊建鄴

我們已經改造了數學，下一步是改造物理學，再往下就是化學。──希爾伯特（David Hilbert，1862−1943）

1925 年到 1926 年，在物理學中出現了一件「怪事」，讓幾乎所有的物理學家都感到困惑。一件什麼樣的怪事呢？原來，當時世界上最頂尖的物理學家都在集中精力思考電子到底如何運動。他們都發現，想利用經典物理學的辦法去克服探索中的困難，無異於像唐．吉訶德用他那支破矛去攻擊堅實的磨坊一樣，是註定會落個頭破血流、遍體鱗傷的。一批年輕的物理學家如玻恩、海森堡、包立（Wolfgang Pauli，1900−1958，1945 年獲得諾貝爾物理學獎）等人，都越來越傾向於相信物理學的基礎必須從根本上改變，應該建立起一種新的力學，即「量子力學」。這個新的名詞是玻恩在 1924 年發表於德國《物理雜誌》上一篇文章中首次提出的。但量子力學到底是什麼樣的呢？當時誰也不清楚。

為了新力學的誕生，物理學家們真可謂廢寢忘食、嘔心瀝血。1925 年春天，兩位對量子力學將作出重大貢獻的物理學家都病倒了。一位是海森堡，另一位是薛丁格。海森堡被花粉折磨得無法工作，他的導師玻恩破例給他放了假，還建議他到地處北海的黑爾戈蘭島上去休息，那兒怪石嶙峋，大約不會有什麼花粉折磨他。恰好這時薛丁格也因肺病在阿爾卑斯山上寧靜的阿羅紮木村休養。一個在島上，一個在山上，都想遠離喧囂的城市，讓自己的頭腦清醒一下，以便再次投入緊張的思考。美國作家梭羅（H. D. Thoreau，1817−1862）說得好：太陽，風雨，夏天，冬天……大自然的不可描寫的純潔和恩惠，它們永遠提供這麼多的健康，這麼多的歡樂！

寧靜而清新的北海！寧靜而清新的阿爾卑斯山！它們不僅為兩位物理學家帶來了健康、歡樂，而且還奇異地誘發了他們的靈感，使他們的思想得到了昇華！於是，「奇蹟」降臨了。說是奇蹟，實在不誇張，因為他們兩人幾乎從完全對立的概念出發，得到了各自偉大的發現。兩人的發現在表現上完全對立，但又都能自洽地解釋微觀粒子的運動！

海森堡認為，量子的不連續性是最本質的現實，以這一思想為基點，他認為描述微觀粒子運動的力學，應該像愛因斯坦建立相對論那樣，以「可觀測量」作為基點，不可觀測的量如軌跡等，不予考慮。但是，牛頓力學一直是以考慮連續量為己任，用的是微積分；現在考慮的物件是不連續的量，那麼該使用什麼樣的數學工具才行呢？海森堡當時只有 24 歲，真可謂「明知山有虎，偏向虎山行」，「落在鬼手裡，不怕見閻王」！他決定自己去闖出一條路，尋找適當的數學形式和方法來描述微觀粒子運動。他的數學老師玻恩曾驚歎地說：這個外行雖然不知道適合他的用途的數學分支，可是一旦需要，他就能給自己創建適用的數學方法。這個外行該是多大的天才啊！

有一天晚上，他用自己發明的方法計算到凌晨 3 點鐘。奇蹟出現了！他發現自己很可能取得了突破性的進展。他後來回憶這天凌晨的激動情形時說：一天晚上，我就要確定能量表中的各項，也就是我們今天所說的能量矩陣，用的是現在人們會認為是很笨拙的計算方法。計算出來的第一項與能量守恆原理相當吻合。我十分興奮，而後我犯了一些計算錯誤。但後來在凌晨 3 點鐘的時候，計算的結果都能滿足能量守恆原理，於是，我不再懷疑我所計算的那種量子力學具有數學上的連貫性與一致性了。我感到極度驚訝，我已經透過原子現象的外表，看到了異常美麗的內部結構。當我想到大自然如此慷慨地將珍貴的數學結構展現在我眼前時，我幾乎陶醉了。我太興奮了，以致不能入睡。天剛濛濛亮，我就走到了這個島的南端，以前我一直嚮往著在這裡爬上一塊突出於大海之中的岩石。我現在沒有任何困難就攀登上去了，並等待著太陽的升起。

但是海森堡心中還有一個沒有解開的疑團，讓他「非常不安」。這是因為在他的數學方案中，將兩個可觀測量（如頻率、強度……）A 和 B 相乘時，A、B 不能交換，即 AB≠BA。這顯然與我們熟知的乘法交換律不符（如 2×3＝3×2），這點「異常」幾乎使海森堡喪失了信心。他沒有料到，正是 AB≠BA 中，潛藏著微觀世界中極為重要的一個規律。

幸虧後來玻恩知道了，並告訴海森堡他用的數學方法在數學中叫「矩陣代數」。於是在玻恩的幫助下，海森堡終於建立起微觀世界的力學──矩陣力學。

正在這時，又出了一件怪事。在阿爾卑斯山上日漸康復的薛丁格，在強調微觀粒子波動性（波動性強調的連續性！）的基礎上，提出了鼎鼎大名的「薛丁格方程式」。這是一個描述波動的微分方程式，借助於它薛丁格也成功地描述了微觀粒子的運動。由於波動方程式是物理學家十分熟悉的數學工具，而且薛丁格方程式強調的是連續性思想，這使得絕大部分物理學家感到欣慰、振奮，甚至認為物理學終於得救，從此不再需要那些不連續性的勞什子了！

1926 年春天，海森堡得知薛丁格的波動力學以後，極度震驚且困惑。為什麼兩人對同一事物的看法會如此不同呢？打個比方說，面對同一景色，在海森堡看來是險峰峭壁（量子躍遷）；而薛丁格看到的卻是起伏平緩的丘陵地（物質波）。其實這並不奇怪，正如中國著名詩人蘇軾在一首詩中所說：橫看成嶺側成峰，遠近高低各不同。不識廬山真面目，只緣身在此山中。

可惜海森堡、玻恩以及薛丁格都未能參悟這種天機，卻各執一端，相互攻擊對方的理論。

海森堡寫信給薛丁格說：

「我越是思考你那理論的物理意義，我越感到對你的理論不滿，甚至感到厭惡。」

薛丁格也毫不留情地回敬說：

「我要是對你的理論不感到厭惡，至少會感到沮喪。」

當物理學界都感到莫衷一是、極度迷惘時，當薛丁格和海森堡兩人相互指責、爭論不休時，在哥廷根的希爾伯特卻頗有幾分得意地哈哈大笑起來，並且調侃地說：

「你們這些物理學家呀，誰讓你們不聽我的話？早聽了我的話，豈不省卻了如今這場麻煩嗎？」

玻恩和海森堡聽了這句話，不由倒吸幾口涼氣，而且後悔不迭；但其他人聽了卻莫名其妙，還以為希爾伯特又在裝神弄鬼，故作驚人之語。因為希爾伯特素有這種小愛好，說些沒來由的話讓人摸不著頭緒。

為什麼玻恩和海森堡兩人後悔不迭呢？原來當矩陣力學剛剛由海森堡提出來的時候，他們兩人曾專門向希爾伯特請教過有關矩陣代數運算方面的問題。希爾伯特是大數學家，曾對矩陣代數有過專門研究。他說：

「根據我的經驗，每當我在計算中遇到矩陣時，它們多半是作為波動微分方程式的特徵值出現的。因此，你們那個矩陣也應該對應一個波動方程式，你們如果找到了那個波動方程式，矩陣也許就很容易對付了。」

遺憾的是，這兩位物理學家都犯了一個致命的錯誤，那就是他們沒有認真聽取希爾伯特的勸告，去找出「那個波動方程式」，還以為希爾伯特根本不懂量子力學，在那兒胡說八道。結果，薛丁格找到了這個波動方程式，還得了諾貝爾物理學獎。如果他們兩人虛心一點，認真向希爾伯特深入討教一下，詳細瞭解一下希爾伯特的數學思想，那麼，在物理學中薛丁格方程式就可能不會出現，出現的將是「玻恩–海森堡方程式」了！而且還會早半年出現！這就難怪希爾伯特看見物理學家們那副吃驚而窘迫的模樣時，不由得哈哈大笑起來！

玻恩和海森堡由於自己缺心眼而失去這一寶貴發現的機會，真是後悔不迭了！