0

0
0

文字

分享

0
0
0

常常跟著指標迷路?「尋路」設計原理大解密

活躍星系核_96
・2018/06/19 ・5028字 ・閱讀時間約 10 分鐘 ・SR值 597 ・九年級

  • 文/施登騰 │ 中國科技大學互動娛樂設計系助理教授
「全台最大迷宮」台北車站有無數位旅客指點迷津的指示牌,你有想過它們是如何被設計出來的嗎? 圖/Asacyan [CC-BY SA 3.0] via wikipedia

「尋路」(Wayfinding)是 Kevin Lynch 在 《The Image of the City 》(1960)這本書中所提出的,談的是利用建築的環境元素(Environment Elements)協助訪客在複雜空間中成功導航。此篇直譯Wayfinding為「尋路」,但事實上也能譯為「導視」。也就是說,如果從使用者觀點就是「尋路」功能,若以設計者角度就是「導視」設計。而本文所談的主要是「指示牌 (Signage)」設計的功能檢視。

「尋路」設計有哪些分類?

「尋路」可以說是視覺設計上可以好好用來練功的一個有趣、重要、且又嚴肅的課題,說誇張些,這絕對是使用者導向/中心(User Oriented/Centred Design)的設計手法。「指示牌 Signage」是在許多公共空間中都很常見的視覺設計成品。無論是開車到旅遊景點,或者身處於台北火車站、百貨公司……等公共空間,在行進的途中,都會需要指示。而無論是在高速公路、省道、台北車站大廳,都會看到指標;這些指標通常都是簡潔的視覺化圖文,基本上分為下面幾類,在本文稱為「尋路資訊視覺設計系統」:

  • 資訊標示(Information Signs):提供更細節的圖文資訊,以利使用者閱讀、參考其內容。像是提款機上方或機體上的「功能列表」、百貨公司 Kiosk 導覽機螢幕上各樓層「商家列表」、或者高速公路上標示距離。
  • 方向標示(Direction Signs):提供圖像指示方向(通常是箭頭),以利立即判斷後續的行進方向。像是火車站大廳標示台北捷運站、桃園機捷站方向的「箭頭」,或者是停車場懸掛或地板上地面指示行進路線的「箭頭」。
  • 識別標示(Identification Signs):提供圖像與名稱識別,以利立即辨別確定目標地點。像是百貨公司中的「電梯」、「電扶梯」、「廁所」標示,或者是提款機上方或機體上各家銀行的「企業標誌與名稱」。
  • 警告標示(Warning Signs):提供警告標誌訊息,以作示警用途,通常在設計上會掌握通用、易懂、鮮明等特點。
即使上圖是國外使用的路標,但設計原則都相同,辨識方式亦相通。圖/shutterstuck

這些不同類別的圖文指標,都是協助使用者「取得必要服務」或「到達想去地點」的視覺設計成果(設計簡潔易懂有效益的標示真的不容易)。相信大家都有經驗與體會,那就是這些指標並非總能提供有效的協助。所以說,問題到底在哪裡?這篇分享就是希望透過這部分去探討清楚。

越大的空間越容易迷路:指標如何設計?

基本上「尋路(Wayfinding)」在設計概念與做法上是被視為一種「資訊設計系統(Informative Design System)」是為了創造「環境易讀性(Environment Legibility)」,也就是專注在如何透過視覺設計,提供使用者路線指標(設計端),並強化其空間經驗的理解(使用端)。這系統相當的重要,因為「設計端」與「使用端」必須在摒除認知與資訊落差的情況下,才能讓「資訊設計系統」 成品達到應有的效果。

-----廣告,請繼續往下閱讀-----

因為一旦有了不必要的權傾,出現落差,嚴重者會無法遂行使用目的,像是:無法找到地點、無法取得服務等等;輕者至少會影響到達成/取得的時間,像是:多花了半小時,多走了 500 公尺。這些情況都是「設計端」與「使用端」都不願意看到的。

在概念上,「尋路」既然是種空間經驗的理解與解決能力,所以在空間中的「環境元素」就特別重要。在應用上,必須理出「尋路」應用與設計上的共用元素,才能有效橋接「設計端」的用意與「使用端」的用途。Kevin Lynch 在 「The Image of the City 」(1960)這本書將環境元素分為以下幾項:

  • 路徑(Paths):在建築中的走廊、通道、電梯,在環境中的街道、人行道、高速公路等等可以提供通行的元素。。
  • 邊緣(Edges):在建築中的牆壁,在環境中的圍牆、河流等造成阻礙無法通行的元素。
  • 地區(Districts):在建築中規劃的特定區域或樓層,在環境中的特定區域,像是東區、西門町、士林夜市等。
  • 節點(Nodes):在建築中的轉角、大廳,在環境中的交叉路口、集合場所等等行進路徑的暫留處。
  • 地標(Landmarks):明顯可辨識,可在遠處提供定位參考的結構或建築。

相信大家都同意,對於許多大型公共空間、商業空間來說,如何提供適當的引導是真的很重要的。應該沒人會想在不熟悉的空間中迷路,也沒有商家能承受顧客迷途無法來店消費的負面效應。然而「尋路難度」卻恰好與「空間尺寸」、「路線複雜」、「導引地點數量」是成正相關的,也就是空間越大、路線越複雜、導引地點越多,尋路難度就越高,這個邏輯與事實其實不難懂。

辦公大樓樓層常見的識別標示、方向標示、與資訊標示。圖片來源

將尋路應用在互動設計系教學:自助導引設計

此外,若換個角度看這個設計用途,試著從互動系教學設計上去看「尋路」對於教與學的功能。那麼,重點會落在「自助導引設計(Self-Guided Tour Design)」上,無論是用於導覽路徑或者是展示動線,視覺設計的功能必須要有特定的規劃,將尋路作為重要的設計技術觀念,或將此概念導入博物館的展示規劃中。

-----廣告,請繼續往下閱讀-----

之所以會有這樣的概念,主要是基於以下幾個理由:

  • 以「尋路」技術與概念為主體的設計,與許多場域的「導覽動線」的規劃概念是相通的。
  • 「尋路」技術與概念很適合作為設計訓練課程,特別是在「標示視覺設計(Sinage Visual Design)」的教學與測試。

在展覽場域實施「尋路」式視覺設計前,也必須將空間進行拆解,分析並理出其環境元素。Kevin Lynch 的環境元素,應用在展場空間識別與動線規劃中的表現:

  • 路徑(Paths):在展場中的動線、通道等等可以提供通行的元素。
  • 邊緣(Edges):在展場中的牆壁、展品區等阻礙或無法通行的元素。
  • 地區(Districts):在展場中的特定主題展區。
  • 節點(Nodes):在展場中的展品、展櫃、展架等,在展區被設定暫留欣賞展覽之地點。
  • 地標(Landmarks):大型、獨立、明顯可辨識的展間或展櫃,可在遠處提供定位參考。

將「尋路」運用於導覽規劃

而能具體實現「展場動線規劃」與「展覽故事內容」的,無疑就是「導覽」,「導覽」就像是敘事(Narrative/Storytelling)的引導式線性架構,也具有「尋路」的特徵。Othman、Petrie 與 Power (2013)的研究將目前常見的導覽類型分為「隨選型(free tour)」與「引導型(guided tour)」兩類,而且透過實驗,結果顯示「隨選型」較具有互動品質(quality of interaction);而「引導型」則有較佳的學習性與控制性(learnability and control)。

所以在導覽實施上,因為「引導型」架構具起始與結束的故事軸引導效果,所以適合主控路線行進,但在導覽歷程中,則應適時導入「隨選型」形式,由觀者自由嘗試、探索。如此才能兼擅兩種形式的優點。

-----廣告,請繼續往下閱讀-----

其實展覽就像說故事,一個段落,一個情節,就像由幾個別具興味的「節點」,而順著情節發展移動,留下的足跡就串連成「故事線」,這隱隱然的「故事線」其實既是策展單位心中的「展覽動線」。而且從結構分析的角度來看,故事也是可以被結構化的。

ML Ryan (2001)在《Narrative as Virtual Reality: Immersion and Interactive in Literature and Electronic Media》一書中提出九種「具尋路設計之互動敘事結構」,雖然 Ryan 的理論主要是用來架構在故事敘事理論形式上的,但是其中所見的空間與路徑分析,也很適合做為具有「路徑」、「節點」等元素的「展區導覽」去使用。像是 Ryan 所提出的迷宮(The Maze)架構,在他的「時間敘事」與「空間敘事」兩大分類上,是屬於偏向空間類的,而且此結構可自成一個迴路,使用者可雙向來回,且有設定開始與目標機制,是比較具有任務性質的導覽動線結構。而史詩漫遊(Epic Wondering)架構則是開放式的空間體驗,比較不具有起始點限制,可任意地在空間中遊走體驗。

這樣的敘事架構形式對於「展區動線規劃」與「尋路視覺設計」都有幫助的。前面所談的「標示 Signage」設計與應用其實都是重要的輔助工具。

Ryan 所提出的「史詩漫遊」架構。圖/WeiXuan_Zhao
Ryan 所提出的「史詩漫遊」架構。圖/WeiXuan_Zhao

此外,就像前面提到的「迷宮」互動敘事架構,在密室脫逃的設計上,也有學者做過結構分析,就像下面的圖。共分為「開發式(Open)」、「序列式(Sequential)」、「路徑式(Path-Based)」,其共通的重點就是指向式的單一終點/出口,透過密室脫逃玩家一一突破各種設計過的謎題、機關去找到最後出口或破解所有謎團。

密室脫逃的路線設計架構分析圖。圖/Huonepakopelin projektinhallinta

如果套用 Kevin Lynch 所提出的環境元素,並且從「尋路」為目的之「資訊設計系統 Informative Design System」檢視下面所見到的密室脫逃架構。就會發現密室脫逃架構其實是在「路徑」的每個「節點」設計上,試圖把「節點」變成「牆壁」,反向的阻礙「尋路」目的的遂行,這是相當有趣的差異。

-----廣告,請繼續往下閱讀-----

將「尋路」觀念導入展場設計細節

「資訊標示」、「方向標示」、「識別標示」、「警告標示」等等「尋路資訊視覺設計系統」是「尋路」用以協助使用者去強化空間理解的視覺標示類別,這些不同類別的標示透過視覺設計手段完成,也肩負不同的資訊指示功能。但是目前在使用上,卻往往因為少了空間環境元素的思考,所以常無法達到協助使用者去理解空間、找到路線的設計目地。

本文以前面所列出的「Kevin Lynch環境元素對於展場空間識別與動線規劃的應用」去分析展區中的「環境元素」(「路徑」、「邊緣」、「地區」、「節點」、「地標」),並且確認「展覽動線/故事線/互動敘事結構」等等所架構出的「線型路線結構」,再將「資訊標示」、「方向標示」、「識別標示」、「警告標示」這幾類視覺圖文標示的製作成果去使用在遂行「尋路」目的上。

「展場視覺設計」項目條列:

  • 資訊標示(Information Signs):在展場提供更細節的圖文資訊,以利使用閱讀與參考其內容。像是展品說明、展覽概述、作者介紹等等。
  • 方向標示(Direction Signs):提供圖像指示方向(通常是箭頭),或是不同展區空間的位置與方向指引。一般展場通常比較少提供方向標示,但適度的「節點(展品)」與「節點(展品)」的引導是有必要的。
  • 識別標示(Identification Signs):提供圖像與名稱識別,以利立即辨別確定展品、展區、主題等內容。
  • 警告標示(Warning Signs):提供警告標誌訊息,以作示警用途。像是展區中的「請勿碰觸」、「請勿越線」、「請勿照相」等標示。

以「尋路」讓參觀導覽者跟隨故事路徑前進

在本文沒有特別碰觸的,是「尋路」的一項重要功能與目的,那就是追求「最短路徑抵達」,要找出需時最短、路線最近的最佳路線。各位點開 Google Map 應用程式,輸入兩個地點,就會得到「需時短、路線近」的幾個路徑選擇。

-----廣告,請繼續往下閱讀-----

而未特別提出的原因,就是因為「參觀展覽」在乎的是「歷時式空間體驗」,也就是說,展覽動線雖然也同樣具有「空間性」與「時間性」,但前面所提的隱隱然的「展覽動線/故事線/互動敘事結構」並非只是追求「空間移動最近」、「時間歷時最短」的優勝路線。因此「尋路」概念與原則施作展區的動線與路徑規劃上,更像是自我在展區地圖中移動,透過與展品間對話足跡,去串聯出一個專屬路線,有自己設定的「起點」與「終點」。

而在「展場設計」上導入「尋路機制」,目的也就在於讓參觀者的「參觀行進路線」可以更接近策展者的「展覽動線/故事線/互動敘事結構」。就像如下的等式:

參觀者的「參觀行進路線」=策展者的「展覽動線/故事線/互動敘事結構」

個人以為具體來說,兼善「引導型導覽」與「隨選型導覽」兩者優點的「展覽動線/故事線/互動敘事結構」,在導覽上效果較佳。就如前面所說:

「『隨選型』較具有互動品質(quality of interaction);而『引導型』則有較佳的學習性與控制性(learnability & control)。所以在導覽實施上,因為『引導型』架構具起始與結束的故事軸引導效果,所以適合主控路線行進,但在導覽歷程中,則應適時導入『隨選型』形式,由觀者自由嘗試、探索。如此才能兼擅兩種形式的優點。」





文章難易度
活躍星系核_96
752 篇文章 ・ 126 位粉絲
活躍星系核(active galactic nucleus, AGN)是一類中央核區活動性很強的河外星系。這些星系比普通星系活躍,在從無線電波到伽瑪射線的全波段裡都發出很強的電磁輻射。 本帳號發表來自各方的投稿。附有資料出處的科學好文,都歡迎你來投稿喔。 Email: contact@pansci.asia

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。