0

0
1

文字

分享

0
0
1

口渴了嗎?來瓶飲料吧!包裝飲料的誕生祕辛大公開

衛生福利部食品藥物管理署_96
・2018/07/05 ・4606字 ・閱讀時間約 9 分鐘 ・SR值 501 ・六年級

-----廣告,請繼續往下閱讀-----

本文由衛生福利部食品藥物管理署委託,泛科學企劃執行

來認識包裝飲料是如何誕生的吧!圖/igorovsyannykov @Pixabay

炎炎夏日,進便利商店買瓶冰涼的飲料兼吹冷氣,幾乎成為每天的例行活動,面對架上琳瑯滿目、容易讓人產生選擇障礙的各式包裝飲料,你曾想過它們是怎麼被製作出來的嗎?業者運用哪些食品加工技術,才能創造出品質穩定一致,又便於運輸、保存的好喝飲料呢?

來罐「和現泡的一樣」的包裝好茶

現泡茶跟包裝茶有什麼不同呢?圖/congerdesign@pixabay

包裝茶飲號稱「和現泡的一樣」,不僅是行銷文案而已,也是真實的製程!茶飲好不好喝的關鍵在於茶葉,但不論是綠茶、紅茶或烏龍茶,包裝茶和現泡茶一樣,都靠著茶葉泡水將茶湯「萃取」出來。

茶葉的萃取方式分為幾種;常見的是浸泡茶葉進行萃取,這種萃取方式就像是平常我們泡茶包的方法,會將茶包泡在熱水裡提上提下幾次;在包裝茶工廠中則是將茶葉放置在提籃中,再放入 60~70°C 的熱水中浸泡 15~25 分鐘,期間會重複進行浸泡 2~3 次左右。

-----廣告,請繼續往下閱讀-----

而另一種常見的萃取方式,則是使用翻轉煮茶機進行攪拌,將茶葉投入已經有 60~70°C 熱水的萃取罐中,翻轉攪拌。還有一種比較特別的則是讓茶葉籃在密閉的萃取釜中循環萃取茶湯,有點像是我們自己在家做冷泡茶,這種方式可以在比較低的溫度下進行,有些廠商標榜的「冷萃」技術就是利用這種方法。

那麼在製作包裝上由「茶葉萃取液」和「茶粉」製作的茶又是怎麼一回事呢?它們難道是化工合成茶嗎?母湯這樣想喔!(搖手指)

萃取獲得茶湯之後,還會經過很重要的步驟「過濾」:在萃取的過程中,難免有些細碎的茶葉渣渣逃出茶葉籃,如果放任不理的話,會讓茶湯越來越苦澀喔!一定要再經過過濾,而經過濾處理的茶湯就稱為「茶葉萃取液」或是「茶葉萃取物」。包裝茶製作廠商本身如果沒有萃取設備,就會購買茶葉萃取液使用;這樣製作成品的成分說明就必須標明為「茶葉萃取液」或是「茶葉萃取物」。如果廠商是自己從茶葉進行萃取,那麼成分標示寫「茶」、「茶葉」、「茶葉萃取液」或「茶葉萃取物」都可以。

包裝茶是怎麼煉成的?(點圖放大)

萃取液濃縮乾燥製成粉末,就是即溶茶粉啦;另一種茶粉則是將茶葉磨成粉末,如常被作為日本特產的抹茶粉,這些粉末也被稱為「茶粉」。在包裝茶裡添加茶粉可以讓茶飲增添濃厚感。所以下次別再看到「萃取液」或是「茶粉」就擔心喝到化工合成茶,原料都是天然茶葉哦!

-----廣告,請繼續往下閱讀-----

但包裝茶飲還是跟一般的現泡茶有點不一樣,現泡茶通常即泡即飲──如果沒有這樣做,你可能會發覺到隔夜茶會出現變色、味道改變的現象,這是由於天然的茶湯其實相當容易氧化。因此為了能夠較長期存放、運送,包裝茶飲通常會再額外添加「L-抗壞血酸」或是「異抗壞血酸鈉」。這樣的名字聽起來好像很可怕,但其實它們就是「維生素 C」,這些都是符合食品添加物使用規範的「抗氧化劑」,添加的主要目的便是為了避免食品氧化造成色澤、口感和風味的變化。

另一個常在包裝茶飲中出現的食品添加物「碳酸氫鈉」,就是俗稱的小蘇打,可以把茶湯的 pH 值調整為中性偏鹼,茶湯的口味與顏色就能保持更長的時間,小蘇打的另一個妙用是能夠產生微量氣泡,讓茶飲口感更好!

過濾後的茶湯在添加內含成分之後,還要經過降溫、殺菌、冷卻等等步驟,才會裝瓶,變成我們在便利商店中買到的包裝茶飲。

經過繁複的製程,才能獲得常見的包裝茶飲。攝影/TW

香醇的咖啡是怎麼來的?

包裝咖啡的製程與前面的包裝茶飲有點類似;包裝咖啡主要成分通常有咖啡萃取液、水、砂糖、奶粉;其中「咖啡萃取液」其實就是從咖啡豆萃取的咖啡汁液,而不是指化學合成產生的咖啡香精喔!若使用香精都會在成分表另外標示!

-----廣告,請繼續往下閱讀-----
香醇的咖啡是許多人每日必備的飲品。圖/cocoparisienne@pixabay

而包裝咖啡依殺菌方式不同可以將保存方式分為「冷藏」及「常溫」兩者。冷藏的包裝咖啡保存期限較短,但風味會比較接近現煮咖啡。而常溫保存的咖啡則是因為製程中經過高溫高壓殺菌,所以能夠在常溫中保存。不過,由於內含的牛奶成分經過高溫處理後,味道常會發生變化。因此常溫保存的咖啡喝起來往往和現煮咖啡的風味差異甚大。

為了讓產品品質穩定,業者也會在混合各種配料階段加入碳酸氫鈉(小蘇打),調整酸鹼值。小蘇打還有一個附加功能,就是避免讓包裝咖啡裡的牛奶成分凝固。

另一種常見的食品添加物是「乳化劑」,例如脂肪酸甘油酯等,可以讓咖啡中的油脂與水份均勻分布。畢竟打開飲料看見上面浮了一層油,也是會很令人害怕的。同樣含有牛奶成分的奶茶中通常會添加乳化劑,也是同樣為了避免油水分離發生。

認識包裝咖啡。(點圖放大)

 

給外食族的果蔬汁

果蔬汁(俗稱蔬果汁)的原料就跟包裝茶飲一樣,都源自天然來源。果蔬汁一般的製程就像我們手動榨果汁,挑選完水果後使用榨汁或果汁機。果蔬汁會首先經由篩選原料,其次洗滌材料,然後依據果蔬汁的種類使用不同的機器進行破碎與榨汁。

-----廣告,請繼續往下閱讀-----

接下來「篩濾」階段會跟手動榨果汁有點不同,在這個階段中,除了使用物理方法濾掉蔬果碎片,也可能會使用單寧或明膠使果汁中的懸浮物沉澱方便除去。另外,由於目前的蔬果汁類飲料含果肉者較受歡迎,為了避免含果肉的混濁果汁儲存過久容易沉澱,通常也會使用黏稠劑如羧甲基纖維素、修飾澱粉或果膠以增加黏稠性、降低果汁的沉降速率。

罐裝果汁來到手中也是需要經過重重關卡的。圖/stevepb@pixabay

為了維持果汁成品品質的穩定度,篩濾後會再經過「調配」,也就是添加調味劑調整成分中的糖度、酸度、色澤等,調味劑種類包括甜味劑(如果糖、蔗糖〉或是酸味劑(如檸檬酸〉等。調配完成後,果蔬汁後半段的流程就如同包裝茶飲製程,經殺菌、包裝就完成囉。

果蔬汁根據其濃縮或稀釋的比例有非常多種不同的類別,值得注意的是,如果標示為「果蔬汁」,其果蔬汁需佔總體含量 10% 以上。而果蔬汁外標示如果顯示「風味」或是「口味」這樣的關鍵字,其實就是告訴你它果蔬汁含量低於百分之十,或根本沒有含果蔬汁喔!另外標示「濃縮還原果汁」,就是指有些廠商將濃縮果汁再加水還原的產品。

「營養添加飲料」加上營養添加劑,就健康了嗎?

炎炎夏日另一種讓人無法抵抗的誘惑當然是碳酸飲料了,冰涼的碳酸水配上酸酸甜甜的味道,帶來消暑的快感。為了避免只是攝取含熱量的「垃圾食物」,如果改挑選含有維生素添加的「營養添加飲料」有比較健康嗎?

-----廣告,請繼續往下閱讀-----

目前市面上可以找到的「營養添加飲料」,主要的製程跟一般碳酸飲料的製程十分相似(喝起來也差不多)。碳酸飲料的製程,主要步驟在於將原水經過濾、殺菌之後,再「調配」加入香料以及砂糖、檸檬酸等「調味劑」食品添加物;再經冷卻加壓,加入二氧化碳氣體,而後封罐就完成了。

在調配階段,如果額外加入「營養添加劑」,所獲得的碳酸飲料也被稱為「營養添加飲料」。目前市面上這類飲料中最常見的營養添加物主要為可溶於水的維生素C 與維生素 B群;由於維他命B 溶於水帶黃色,也讓這類的碳酸飲料多半為淺黃色。

含有維生素,這類飲料就可以任意享用了嗎?不,其實還是要注意份量喔!這類「營養添加飲料」本質還是滿接近碳酸飲料,應注意其中的糖份,不要不小心就攝取了過多的熱量。

另外,即使是我們生命所需的維生素,使用上也須謹記「劑量決定毒性」這一點,攝取太多無法帶來好處。因此在「食品添加物使用範圍及限量劑規格標準」中,也針對營養添加劑有相當嚴格的標準,對於非特殊營養補充的一般食品(如本文中的營養添加飲料)中添加的含量均限制在每 300 克(或有標示的話每日食用量)不得高於營養素攝取參考量(dietary reference intakes; DRIs)的  150%。如果真的有營養不足的疑慮,應適時請教醫生,並且維持均衡飲食喔。

-----廣告,請繼續往下閱讀-----

除了這類「營養添加飲料」,一般市面上的食品也可能因為加工或儲存而影響內含的營養素,這時就可以透過營養添加劑適度補強或增強營養價值,最常見的例子是在乳製品中添加維生素 A 及 D、在榖類製品中添加維生素 B群等。

透明飲料、氣泡水的製造祕密!

前面我們談了那麼多的飲料,卻還有兩個包裝飲料界的新寵兒沒談到呢:想喝水卻又不甘於平凡嗎?就讓我們來聊聊氣泡水和一樣「透明感」十足的加味水吧!

最近可以看到在便利商店裡氣泡水的選擇變得非常多樣,不過其實氣泡水的製程與前面提到的「碳酸飲料」極為類似,差異則是在與部分高熱量的碳酸飲料相比,氣泡水大部分多為「零熱量」,也就是除了含有碳酸(加壓打入二氧化碳生成碳酸)、加入調味的香料之外,沒有再額外添加其他東西。

有些網路資訊流傳氣泡水可以促進新陳代謝和減肥等等的功效,或者說氣泡水會傷害骨骼、胃以及牙齒等等謠言,目前都沒有值得信賴的研究及證據可以證實。

-----廣告,請繼續往下閱讀-----

近來爆紅、人人都想嚐鮮喝看看的「透明飲料」又是怎麼製成的呢?其實,無論是透明奶茶、透明檸檬紅茶,也和氣泡水差不多,在製程的調味階段添加了香料。香料主要是具有揮發性的芳香物質,可以賦予飲料截然不同的風味。

還有一些透明飲料為了要增加「奶味」卻不想呈現混濁顏色,會在調味時加入「乳清發酵液」,並且另外添加抗氧化劑以穩定產品品質。

各式各樣的透明飲料推陳出新,未來又會有那些新花樣呢?Company@pixabay

目前透明飲料仍然繼續推陳出新,除了水果、茶飲風味之外,還推出「透明拿鐵」和「透明啤酒」等新產品,飲料業者不僅在製造流程發揮巧思,更結合食品添加物翻玩創意,相信未來會出現更多有意思的飲料,為消費者帶來更多感官衝擊!

參考資料:

  1. 宣稱含果蔬汁之市售包裝飲料標示規定(2014)。食品藥物消費者知識服務網。
  2. 密閉容器包裝食品殺菌管理手冊(2015)。衛生福利部食品藥物管理署。
  3. 食品添加物使用範圍及限量暨規格標準
  4. 李錦楓、張哲朗、蔡育仁等《圖解食品加工學與實務》,台灣五南圖書出版股份有限公司。
  5. 施明智等《食品加工學》,台灣五南圖書出版股份有限公司。
  6. 黃登福、陳建元《實用食品添加物》,華格那企業。





文章難易度
衛生福利部食品藥物管理署_96
65 篇文章 ・ 23 位粉絲
衛生福利部食品藥物管理署依衛生福利部組織法第五條第二款規定成立,職司範疇包含食品、西藥、管制藥品、醫療器材、化粧品管理、政策及法規研擬等。 網站:http://www.fda.gov.tw/TC/index.aspx

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。