Loading [MathJax]/extensions/tex2jax.js

0

0
1

文字

分享

0
0
1

史上最多產的數學家,歐拉忌日|科學史上的今天:9/18

張瑞棋_96
・2015/09/18 ・1047字 ・閱讀時間約 2 分鐘 ・SR值 545 ・八年級

1783年的今天,76歲的歐拉與家人用完午餐後,與聖彼得堡科學院的同事討論剛發現的天王星,已失明多年的他仍能在腦中計算其運行軌道。突然間,歐拉倒地不起,幾個小時後,這位數學界仰之彌高的巨人因腦出血離開人世。法國數學家與哲學家孔多塞(Marquis de Condorcet)聞訊寫下著名的感嘆:「他停止了計算與生命」。

是的,直到此刻,史上最多產的數學家才停止計算(註)。他一生持續不間斷地以無窮的精力產出數學論文,若集結成冊可達80巨冊,相當於每年可寫出800頁;尤其難能可貴的是,其中有一半是他在1766年近乎全盲後,以驚人的記憶力與心算能力完成的。

出生於瑞士的歐拉就讀巴塞爾大學時,主修的是哲學與法律,只有在周末下午跟隨老白努利(Johann Bernoulli, 兒子丹尼爾·白努利發現白努利定律)學習數學。老白努利很快發現歐拉的數學天分,說服他父親不要再逼他當牧師,保證歐拉一定會成為偉大的數學家。

1727年,在丹尼爾·白努利的推薦下,歐拉來到聖彼得堡的俄羅斯帝國科學院任職;後因俄國持續動亂,於1741年轉往柏林的普魯士科學院。待了二十五年後,在凱薩琳女皇的重金邀請下,於1766重返聖彼得堡,一直待到過世為止。

-----廣告,請繼續往下閱讀-----

歐拉不但著作浩瀚,在各個領域也都留下開創性的巨大貢獻,例如函數的概念就是他率先引進的,他還發現指數函數與三角函數的關聯(稱為「歐拉公式」);他解決「過橋問題」(也就是一筆畫問題)、發現凸多邊形頂點、邊、面三者之間的數量關係,因而開創了圖論與拓樸學;數獨遊戲也是源自他的發明。在物理方面,他對流體力學、剛體運動、天文學也都做出貢獻。

如今數學不同領域幾乎都可見到以歐拉為名的常數、公式或定理,可見其影響力的深度與廣度。目前許多常用的數學符號也都是他的傑作,如函數符號f(x)、以e代表自然對數的底、以i代表虛數、以Σ表示加總,就連π代表圓周率也是自他引用之後才普及。

在所有歐拉發現的公式中,「歐拉恆等式」最為精簡,卻也最為優美:五個最基本的數學常數就這麼巧妙而不可思議地結合在一起,猶如天上最閃亮而神祕的星座。費曼譽之為「最無與倫比的數學公式」,相信這也是每個看見它的人,心中自然湧現的讚嘆。

e+1=0

註:雖然後來艾狄胥(Paul Erdős)的論文數量超越歐拉,但他很多論文都是與別人合著,若論個人的產量,歐拉還是第一。

-----廣告,請繼續往下閱讀-----

本文同時收錄於《科學史上的今天:歷史的瞬間,改變世界的起點》,由究竟出版社出版。

-----廣告,請繼續往下閱讀-----
文章難易度
張瑞棋_96
423 篇文章 ・ 1028 位粉絲
1987年清華大學工業工程系畢業,1992年取得美國西北大學工業工程碩士。浮沉科技業近二十載後,退休賦閒在家,當了中年大叔才開始寫作,成為泛科學專欄作者。著有《科學史上的今天》一書;個人臉書粉絲頁《科學棋談》。

0

0
0

文字

分享

0
0
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

-----廣告,請繼續往下閱讀-----

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

-----廣告,請繼續往下閱讀-----

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

-----廣告,請繼續往下閱讀-----

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

-----廣告,請繼續往下閱讀-----

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

-----廣告,請繼續往下閱讀-----

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

-----廣告,請繼續往下閱讀-----
研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

2
0

文字

分享

0
2
0
揭開 GaN 的力量:理解電路拓樸在設計中的重要性
鳥苷三磷酸 (PanSci Promo)_96
・2023/08/31 ・2948字 ・閱讀時間約 6 分鐘

本文由 德州儀器 委託,泛科學企劃執行。

從 IC 之父 Jack Kilby 在德州儀器發明世上第一顆積體電路,到現在已過了 65 年,而這項科技已經成為我們的日常,並且還在不斷進步。德州儀器不僅是積體電路的先驅者,更長期投資氮化鎵 (GaN) 的電源應用,例如資料中心伺服器電源、再生能源、或是小體積的電源供應器等,開發許多獨創的電路結構。在已到來的次世代半導體浪潮中,德州儀器早已站穩了腳步,成為高壓半導體領域的領導者。

氮化鎵作為新材料的崛起,已成為充電領域的新寵,甚至打敗了傳統的矽 (Si) 基充電頭。然而,要充分發揮氮化鎵的潛力,需要量身定制相對應的策略和戰術。

何謂電路拓樸?電路設計要考量什麼?

拓樸電路是氮化鎵最好的後勤部隊,能讓它發揮 100% 的力量。但這個拓樸電路又是什麼呢?

-----廣告,請繼續往下閱讀-----

先來談一下比較陌生的名詞「拓樸」。拓樸是幾何學中重要的概念,主要在研究物體在連續變化下時的不變性質。舉個數學家最愛的例子,就是研究如何把一個帶手把的馬克杯變成甜甜圈。這是什麼鬼題目?這就像問炭治郎什麼時候要開 5 檔,八竿子打不著吧?但對數學家來說,這個題目是可能的,因為帶手把的馬克杯和甜甜圈有個共通特徵,就是有一個洞!只要有這個共同特徵,我們確實就可以透過一系列的數學運算,將馬克杯變成甜甜圈。

undefined
在拓樸學中,有一個手把的馬克杯和甜甜圈是相同的。圖/wikimedia

舉例來說,漫威電影中班納博士變身成浩克,如果希望浩克的身上能看得出班納博士的影子,就必須用拓樸學先將班納博士的五官這些「特徵」定位好,製作成大家常看到有如網格的 3D 建模,變身成浩克時才不會整個走鐘(台語),臉部比例亂成一團。沒錯,拓樸解決的,是在兩種形狀間切換時,這些特徵與圖案的比例不會隨便亂跑,成為四不像的東西。

Final product image
用拓樸學先將班納博士的特徵定位好,製作成大家常看到有如網格的 3D 建模。出處:tutsplus

回到我們的氮化鎵電路,難道我們要利用拓樸學,把電路板的形狀變成一個甜甜圈或是浩克嗎?當然不是,這邊指的是用更少的元件、更低的延遲與漏電的設計,把相同功能的電路重新改寫配置。

簡單來說,電路拓樸就像是電路板上的藍圖,告訴我們如何把各種電子元件,比如電阻、電容、電感、電晶體等組織在一起,來完成我們想要的任務。

-----廣告,請繼續往下閱讀-----

每種電路拓樸都有它的優點和適用的場合。例如,Buck轉換器可以將輸入的電壓降低,適合用在需要較低電壓的應用上。Boost轉換器則可以提升電壓,適合用在需要較高電壓的應用上。LLC轉換器具有高效率和寬輸入電壓範圍的特性,適合用在需要高效率和靈活性的應用上。PFC(Power Factor Correction)則是一種用來提高電源效率的技術,它可以使輸入電流與電壓同步,減少能量損失等等。

Boost轉換器。出處:德州儀器
Buck轉換器。出處:德州儀器

然而,這些都是以矽為主的拓樸電路,為了充分發揮氮化鎵百分之百的潛力,我們不能僅僅依賴傳統的電路設計方法和拓樸,而是要重新塑造!

GaN+電路拓樸=最強?

那麼,我們要如何重新塑造才能全部發揮 GaN 的實力呢?讓我們以一種常見的電路拓樸—功率因數校正 PFC 為例。

PFC,是電路中的交通指揮,負責將電路中電流與電壓同步,以達到最佳的效率。在電訊號經過漫長電路之後,常常導致輸出的電流與電壓波形出現時間差,不再同步。我們知道功率等於電壓乘以電流,因此兩者好好配合,才能發揮最大效益,如果兩者沒有同步,就會降低整體電路的有效功率。

-----廣告,請繼續往下閱讀-----
高功率因數。出處:wikimedia
低功率因數。出處:wikimedia

PFC 功率因數修正電路,現在看到在做的事情,就是讓它們好好同步,降低無謂的能量浪費。目前世界各地許多法規都直接要求在電路中加入 PFC,提升用電效率。

那麼問題來了,同樣是 PFC 電路拓樸,現在我們有兩種設計,下方的圖 1-雙升壓 PFC,跟下方圖 2-圖騰柱 PFC。

圖 1、雙升壓 PFC。出處:德州儀器
圖 2、無橋接式圖騰柱 PFC。出處:德州儀器

依照我們希望體積盡可能小的需求,直覺來說你要選哪一個呢?

當然是圖 2,因為他看起來比較簡單嘛。可惜的是,市面上大多矽基半導體的 PFC,都是選擇圖 1 方案。因為圖 2 方案的簡約設計,前提是關鍵的二極體必須具備低的「反向恢復時間」。

-----廣告,請繼續往下閱讀-----

所謂反向恢復時間,指的是電晶體在電源切斷的瞬間,電晶體內仍有殘留電荷,會反向放電,造成電路阻塞。而矽基半導體過長的反向恢復時間,會導致電源損耗上升。反之,氮化鎵因為反向恢復時間為零,可以完全適應高效的圖騰柱 PFC。

這邊提到的 PFC 只是氮化鎵的其中一種運用,別忘了,除了零反向恢復時間外,它還有著能承受高電壓與高溫的特性,再加上低漏電率的關鍵被動技能,在目前的半導體戰場上,可說是最強的挑戰者。未來在各種電源供應器上,應該很快都能看見它的身影。

當然,講到這邊,都僅止在題本作答。在實際的晶片設計中,各元件間的距離與電路安排,都需要經過多次的試驗和調整,才能找到最適合的電路拓樸和元件配置,而這也正是德州儀器所擅長的領域。

德州儀器設計出的電源供應器,已經遍佈全世界的重要設備中。除了提供高效的能源供應,節省下的能源,也直接減少了許多碳排。根據估計,對一個 100 MW 的資料中心來說,換上 GaN FET 之後,就算只有提升 0.8% 的效率增益,在 10 年內就能節省多達 700 萬美元的能源成本。尤其在 AI、量子電腦等科技發展蓬勃的現在,在「節流」這一塊的投資,真的非常重要!

-----廣告,請繼續往下閱讀-----

看到這鋰,如果你也想訓練這個「黑科技」氮化鎵,打造更強的電路、為世界的節能貢獻一份心力。或甚至像 IC 之父 Jack Kilby 那樣,發展全新的電路架構,做出足以改變世界的創舉,德州儀器歡迎所有熱血人才加入,一起來改變世界吧!

-----廣告,請繼續往下閱讀-----
鳥苷三磷酸 (PanSci Promo)_96
225 篇文章 ・ 313 位粉絲
充滿能量的泛科學品牌合作帳號!相關行銷合作請洽:contact@pansci.asia

0

3
2

文字

分享

0
3
2
圓形 = 三角形?形狀之間的秘密關係——《不用數字的數學》
經濟新潮社
・2022/09/27 ・1427字 ・閱讀時間約 2 分鐘

數學家通常都想很多,這是我們的習性。我們會分析對稱或相等這類大家都知道的基本概念,試圖找出更深層的意義。

形狀就是一個例子。我們多少都知道形狀是什麼。我們看到一個物體時,很容易就看得出它是圓形、方形還是其他形狀。但數學家會問:形狀是什麼?構成形狀的要素是什麼?我們以形狀分辨物體時,會忽略它的大小、色彩、用途、年代、重量、誰把它拿來的,以及最後誰要負責歸位。我們沒有忽略的是什麼?當我們說某樣東西是圓形時,看到的是什麼呢?

形狀百百種,可以量化嗎?

當然,這些問題沒什麼意義。就實際用途而言,我們對形狀的直覺理解就已經夠了——生活中沒有什麼重大決定是需要仰賴我們對於「形狀」的確切定義。但如果你有空又願意花時間來想一想,形狀倒是個很有趣的主題。

假設我們現在要思考了,我們或許會問自己這個問題:

-----廣告,請繼續往下閱讀-----
世界上有多少形狀?圖/經濟新潮社

這個問題很簡單,但不容易回答。這個問題有個比較精確和有限的說法,稱為廣義龐卡赫猜想(generalized Poincaré conjecture,或譯龐加萊猜想)。這個猜想提出至今已經超過一百年,目前還沒有人解答出來。嘗試過的人相當多,有一位數學家解出這個問題的大部分,因此獲得了100萬美元獎金,但還有許多種形狀沒有找到,所以目前我們還不知道世界上一共有幾種形狀。

動手把形狀畫出來

我們來試著解答這個問題。世界上有幾種形狀?如果沒有更好的點子,有個不錯的方法是畫出一些形狀,看看會有什麼結果。

我們可以試著畫出一些形狀。圖/經濟新潮社
我們可以試著畫出一些形狀。圖/經濟新潮社

看來這個問題的答案取決於我們區分形狀的方式。大圓和小圓是相同的形狀嗎?波浪線(squiggle)應該全部算成一大類,還是應該依彎曲的方式細分?我們需要一種通用規則來解決這類爭議,才不用每次都需要停下來爭論。

從幾何學到拓樸學

可用於決定兩個形狀是否相同的規則相當多。如果是木匠或工程師,通常會希望規則既嚴謹又精確:必須長度、角度和曲線都完全相等,兩個形狀才算相同。這樣的規則屬於幾何學(geometry)這個數學領域。在這個領域裡,形狀嚴格又精確,經常做的事情是畫垂直線和計算面積等等。

-----廣告,請繼續往下閱讀-----
決定兩個形狀是否相同的規則相當多。圖/經濟新潮社

但我們的要求比較寬鬆一點。我們想要找出所有可能的形狀,但沒時間慢慢區分幾千種不同的波浪線。我們想要的是在比較兩個形狀是否相同時比較寬鬆的規則,它能夠把所有的形狀分成若干類別,但類別的數量又不至於太多。

所以三角形可以等於圓形。圖/經濟新潮社




——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。

-----廣告,請繼續往下閱讀-----