編寫第一本微積分課本──瑪利亞・阿格尼西誕辰│科學史上的今天：5/16

• 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。

• 文／游森棚｜臺灣師範大學數學系教授

讀者手上的書是一本非常特別的數學科普書。

這本書談的數學，會和絕大部分讀者心中的「數學」非常不一樣，也和絕大部分的數學科普書非常不一樣。一言以蔽之，這本書用淺顯的語言介紹現代高等數學中幾個抽象的核心領域：拓樸、分析、代數，最後提及數學的哲學基礎、建模與自動機。所有篇章都談「概念」，都沒有「數字」。

沒有數字的數學是數學嗎？！

讀完初稿，不禁啞然失笑，回憶起自己年輕時在數學系的惶恐與不知所措。僅僅一個月我就發現大學的數學和高中數學「很不一樣」。高中數學範圍有限，目標是解設計好的題目：不要有計算失誤，快速地解題得到正確的答案。但是大學的數學範圍茫茫無際，大一的微積分（Calculus）與線性代數（Linear Algebra），除了像高中數學一樣的計算與解題，更多的是要求理解與論證。我在這兩門課的證明題中掙扎前行，不知不覺進了大二。

然後我就在大二的高等微積分（Analysis）與代數學（Algebra）卡關了。這兩門課是數學系真正的入門課程，幾乎沒有像高中數學一樣的計算題，而是一整片的理論。前面沒弄懂，後面就根本無法前進。簡單來說，這兩門課從課本內容、習題、到考試，全部是證明題。我可以整個下午在書桌前，只為了想弄懂從這一行到下一行的理由。一道敘述只有十幾個字的習題，可以耗掉好幾天，而且還做不出來，更糟的是書後面還沒有答案。同學們互相自嘲，一本薄薄的課本可以讀這麼久，真的太划算了。

我原以為這兩門課已經嘆為觀止，但到了大三時，修了一門更誇張的課，叫做拓樸學（Topology）。幾百頁的課本中沒有任何數字（數字只出現在頁碼、定理標號、足碼）。每星期連續幾堂課老師寫滿七、八個滿滿的黑板，可以完全不出現任何一個數字。我們一路顛簸，掙扎忍耐到快要學期末，然後老師很興奮地預告，下學期，在書本的後半，我們將會證明 Jordan Curve Theorem 這個大定理：這個定理是說，你拿筆在紙上畫一個圓，會把紙分成兩部分，「圓內」和「圓外」。台下同學一片譁然，這能不譁然嗎！我簡直矇了，那一瞬間，我覺得我在外星球上……

這是數學嗎？！

「數學」研究的是純粹的論證與推理

是的，這是數學。經過大學數學系，我知道從定義出發，純粹的論證與推理，推出夠一般的結論，是數學理論發展的步驟。而論證與推理，才是數學的核心本質。數學和其他學門非常不同，數學是一步推一步的，要下結論必須要有理由。「論證」與「推理」在數學各個不同的主題或領域上所佔的份量不盡相同，但這個本質不會改變。即使是小學的九九乘法表，三七是二十一也是有理由的。

如果我們抽離出最根本的概念，數學就是在研究形狀，研究變化，研究結構，應用之以解決實際問題，資訊時代又賦予數學新的觀點與力量。

用數學專業的語言來說，數學研究形狀，就是「幾何學與拓樸學」；數學研究變化，就是「分析學」；數學研究結構，就是「代數學」；數學解決實際問題，就是「應用數學」；數學與資訊結合，就是「離散數學」。這幾個領域，就是當代數學這棵參天大樹的幾個主幹。

作者的野心藏在這本書中

這正是本書的內容。這本書的五個章節中，第一章是拓樸學（形狀），第二章是分析（變化），第三章是代數（結構），第五章是建模（應用數學與離散數學）。數學既然是一步推一步，根基是否穩固就很關鍵，這個部分穿插在第四章的基礎（數學基礎與數學哲學）。

由此可看到作者的野心非常宏大——他想要在一本小書中一網打盡介紹數學的各個主幹。這當然是不可能的，因此本書作者相當努力，在每一章中，盡量選取那些可以用口語解釋概念的主題材料。在解釋的過程中，盡可能貼近讀者的生活經驗，或是藉由各式各樣生活上的例子來讓讀者體會數學的概念。

要對一般讀者講解抽象的高等數學，細節與精確定義是不可能講清楚的。但是既然只抽離出概念，還是有機會在概念上讓讀者體會的。一個簡單的例子如下：三角形、橢圓、長方形、叉叉，這四個東西哪一個「看起來跟別人最不一樣」？很顯然就是叉叉，這個小朋友都能做。但這樣的直覺，就已經碰觸到拓樸學中的核心概念了，這正是本書第一章的第一部分要介紹的內容。所以很容易理解吧！讀者如果想學嚇人的專業術語，我來註解如下：三角形、橢圓、長方形是同胚的（homeomorphic），但是叉叉和它們不同胚。

書中有些材料作者介紹得非常精妙，即使以我專業數學家的眼光來看，都覺得眼睛一亮，比如對稱群、自動機、物理基本粒子等等。既然作者原來的想法就是用口語敘述介紹高層次的概念，讀者就不要有壓力，當作有趣的故事書來讀，會有驚喜的發現：重複圖案的壁紙本質上只有十七種、數學中不同的主義、連續與離散真的天差地遠……

宏觀與有趣的文筆，道出數學的精妙

最後再回到讓全班譁然的 Jordan Curve Theorem。到了研究所後我才知道為什麼這個定理這麼特別─這是平面獨有的一個特別性質。到了三維空間中的流形（manifold）事情就變得非常複雜，讀者可以查「Alexander horned sphere」看看有多詭異。至於什麼是「維度」和「流形」，可以看這本書的第一章……

我欣見這本書的出版，也佩服作者的宏觀與有趣的文筆，把數學某些本質層面藉由適當的選材呈現出來。但數學何其浩瀚，不管是哪個主幹，本書提及的材料都還只是很小的部分，茫茫數學大海，還有非常多新奇的事物。但囿於篇幅與主題限制，許多重要的領域本書沒有碰觸，是較為可惜之處。但這是我太苛求了，本書的視野和高度在數學科普書中是非常少見的，碰觸到的領域已經非常廣闊，足以讓讀者對數學有完全不同的認識與體悟。

無論如何，希望本書能開一扇門，引領有緣的讀者或未來的數學家，體會當代數學的面向，從而進入數學的嚴肅、深邃與美麗。

——本文摘自《不用數字的數學：讓我們談談數學的概念，一些你從沒想過的事……激發無窮的想像力！》，2022 年 9 月，經濟新潮社，未經同意請勿轉載。

查爾斯．巴貝奇（Charles Babbage），1792 至 1871 年。

1843 年，一位英國數學家提出了分析機原理，這個構思將在一百零三年後由後人付諸實踐，並有了一個為大家熟知的名字——計算機（今日俗稱電腦）。很遺憾，查理斯．巴貝奇終其一生也沒能實現造出分析機的願望，但他依舊是當之無愧的計算機先驅。

直到今天，許多計算機書籍扉頁裡仍然刊載著他的照片，以表紀念。

巴貝奇發明小型差分計算機

一七九二年，巴貝奇出生於倫敦一個富有的銀行家家庭，十八歲進入著名的劍橋大學三一學院，成為牛頓的校友。後來他擔任了牛頓擔任過的「盧卡斯數學教授」職務。在進入大學之前，他就展現出極高的數學天分。

進入大學後，巴貝奇發現，當時英國人普遍接受的牛頓建立在運動基礎之上的微積分，不如萊布尼茨基於符號處理的微積分那樣便於理解和傳播。為了推廣已被歐洲大陸普遍接受的萊布尼茨的微積分，他和其他人一同創辦了英國的（數學）分析學會。

不過巴貝奇並不是一個安分的學生，他一方面顯現出超凡的智力，另一方面又不按照要求完成學業，為此他不得不轉了一個學院，才能繼續學業。在學校裡，他還對很多超自然的現象感興趣。

延伸閱讀：巴貝奇誕辰｜科學史上的今天：12/26

如果不是趕上工業革命，巴貝奇或許會尋找某個傳統的數學領域或者自然哲學領域做一輩子研究，並且留下一個巴貝奇定律或者巴貝奇定理。但是，工業革命的大背景，讓他把畢生精力和金錢都投入研究一種能夠處理資訊的機械中。

這也不奇怪，因為工業革命為資訊處理提供了思想上的依據、技術上的條件和廣闊的市場。工業革命是人類歷史上最偉大的事件。它不僅第一次讓人類從此進入可持續發展的時代，也改變了人們的思想。人類從相信神，到今天開始變得自信起來，相信這個世界是確定的、有規律的，而自己能夠發現世界上所有的規律。

早在牛頓時代，著名物理學家玻意耳（Robert Boyle）在總結牛頓等人的科學成就之後，就提出了「機械論」，也被稱為「機械思維」。

玻意耳等人（包括牛頓、哈雷等）認為，世間萬物的規律都可以用機械運動的規律來描述，包括蒸汽機和火車在內的工業革命中那些最重要的發明，都受益於機械思維。人們熱衷於用機械的方法解決問題，從精密的航海導航，到能夠奏樂的音樂盒，再到能織出各種圖案的紡織機。

既然能想到的所有規律都可以用運動規律來描述，那麼就很容易想到讓具有特殊結構的齒輪組運動來完成計算，這便是設計機械計算機的思想基礎。

其實，這種想法早在十七世紀就有人嘗試過。法國數學家帕斯卡（Blaise Pascal）發明了一種手搖計算器——雖然有時人們將它稱為最早的機械計算機，但實際上它和我們今天理解的電腦概念沒有太多相似之處，稱之為「計算器」更為恰當。

帕斯卡計算器從外觀上看有上下兩排旋鈕，每個旋鈕上都刻著○至九這十個數字。在做加減法時，只要將參加運算的兩個數字分別撥到相應的位置，然後轉動手柄，計算器裡的一組組齒輪就會轉動，完成計算。

帕斯卡計算器最初只能做加法，後來經過改良， 可以做減法和乘法， 但做不了除法。在帕斯卡之後，萊布尼茨改良了計算器。他發明了一種以他名字命名的轉輪「萊布尼茨輪」，方便實現四則運算中的進位和借位。

到了十九世紀初，經過近兩個世紀的改進，機械計算器已經能夠完成四則運算，但是計算速度很慢，精度也不夠高，而且設備造價昂貴。不過，這種計算器更大的缺陷在於，對於複雜的運算（比如對數運算和三角函數運算）都做不到。

十九世紀機械工業的發展需要進行大量的複雜計算，比如三角函數的計算、指數和對數的計算等。在微積分出現之前，完成這些函數的計算是幾乎不可能的事。

十八世紀之後，歐洲數學家用微積分找到了很多計算上述函數的近似方法，不過這些方法的計算量極大，需要很長的時間，而且當時除了數學家，一般人是完成不了那些計算的。為了便於工程師在工程中和設計時完成各種計算，數學家設計了數學用表，如此一來工程師就可以從表中直接查出計算的結果。

不過，那個時代的數學用表錯誤百出，為生產和科學研究帶來了很多麻煩。而這個問題很難避免，因為手算很難保證完全不出錯。如果很多數學家分別獨立計算，還可以比對結果發現錯誤。但是巴貝奇發現，那些不同版本的數學用表都是抄來抄去，而犯的錯也都一樣。

因此，巴貝奇想設計一種機械來完成微積分的計算，然後用它來計算各種函數值，得到一份可靠的數學用表。當時他只有二十二歲。

延伸閱讀：兩艘軍艦換不到兩噸重的計算機？巴貝奇與差分機｜《電腦簡史》 齒輪時代（十八）

在隨後的十年裡，巴貝奇造出來一台有六位精度（巴貝奇最初的目標是達到八位精度）的小型差分計算機。隨後巴貝奇用它算出了好幾種函數表，用於解決航海、機械和天文方面的計算問題。

值得指出的是，巴貝奇的這次成功受益於工業革命的成就——當時機械加工的精度比瓦特時代已經高出了很多，這讓巴貝奇能夠加工出各種尺寸獨特的齒輪。

但是，當時並沒有二十世紀的精密加工技術，製造小批量特製齒輪和機械部件的成本高、難度大，這給巴貝奇後來的工作帶來了諸多不便。

不過，首次成功還是讓巴貝奇獲得了英國政府的資助，用以打造一台精度高達二十位的計算機。

幾年後，他又獲得了劍橋大學盧卡斯數學教授的職位，讓他有了穩定的收入。在此之前，他一直在花自己繼承的十萬英鎊遺產。勝利女神似乎正向他招手，但接下來的時日，他在計算機研究方面一籌莫展。

從表面上看，巴貝奇遇到的困難是因為那台差分機太複雜了，裡面有包括上萬個齒輪的二點五萬個零件，當時的加工水準根本無法製造。但更本質的原因是，巴貝奇並不真正理解計算的原理。他不懂得對於複雜的計算來說，不是要把機器做得更複雜，而是要用簡單的計算單元來實現複雜的計算。

當然，在那個年代沒有人瞭解這些。作為現代計算機基礎理論的布林代數要再等十幾年才會被提出來，而且要再過近一個世紀，才會被應用到計算技術中。

——本文摘自《資訊大歷史：人類如何消除對未知的不確定》，2022 年 6 月，漫遊者文化，未經同意請勿轉載。