【GENE思書軒】讓我們來趟醉人之旅

• 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。

本文由 財政部國庫署 委託，泛科學企劃執行。

你注意到了嗎？在品酒時，品酒師不會一口乾，而是充分觀察、品嚐後才會下肚。這些動作可不是單純裝模作樣，而是有科學根據的。品酒有五個基本動作：觀察、搖晃、聞、啜飲與漱口、吞嚥，究竟我們的感官跟大腦是怎麼接收酒的訊號呢？

從最簡單的「嗅覺」開始，酒杯湊近口鼻、進入口腔，我們可以聞到「外部」和「內部」的香氣。外部指的就是用鼻子聞到的香氣，是先穿越鼻孔到達嗅上皮組織，形成我們所熟悉的正鼻嗅覺。而內部呢？那些已經在我們嘴巴裡的酒液，會走鼻咽和後鼻孔這條路，最終到達嗅覺粘膜。即使這口酒已經被喝下去，只要輕輕呼口氣，也依然能「聞」到酒味。

另外，口鼻之間的通道，也就是鼻咽，在吞嚥的過程中會關閉，所以在吞嚥時會有一種「味道好像弱掉了」的錯覺，但其實只是你暫時無法靠鼻間的任何通道呼吸而已。這也是為什麼品酒師會要把酒液含在嘴巴裡漱口，甚至還會打開嘴巴吸一口氣。

緊接在嗅覺之後的「味覺」，則是重頭戲！食物進到嘴巴，溶解在唾液中，啟動了味覺受器。人類可以透過味蕾的受器感受到「鹹、酸、苦、甜、鮮」五種味道。不過，也有部分的人不喜歡酒的原因，正是因為味覺。美國賓州大學農學院過去研究發現，人體中的苦味受體來自基因 TAS2R13 和 TAS2R38，辣椒素受體則來自基因 TRPV1。因此不同的基因表現，影響著人們對這兩種味道的感受，也決定了他們的攝取喜好。

講完了嗅覺和味覺，別忘了品酒前的「觀察」。事實上，人們對風味的知覺基礎，來自多重感官的整合。當我們在觀看一杯酒的色澤和濁度時，大腦已經在默默「品嚐」它了。就像是望梅止渴、看到好吃的大餐肚子就先餓了起來。

除上述提到的「身體」感官，其實喝酒的時段、溫度、聲音、順序也會影響我們「心裡」的感受。但話說回來，在品酒前，最重要的應是選擇安全以及衛生的酒品來源，就是要慎選合法的販售業者，並挑選標示內容清晰、完整的酒品。

財政部自 2003 年起委託專業執行機構共同推動「優質酒類認證」制度，從原料、製程、品管、後續追蹤等層層把關，最後通過優質酒類認證技術委員會審查的酒品，才能被授予使用 Ｗ 字型認證標誌。因此，選購有 W 認證標誌的優質酒品，可以讓我們在品飲時更加安心！

 資料來源：財政部國庫署 廣告

納豆原本是日本的傳統食品，現在台灣也到處都可以看得到了。雖然不好聞，而且還黏黏的，很多人卻因此就愛這一味，連台灣人也不例外。那麼納豆到底是怎麼來的？又是怎麼做的呢？

納豆是由大豆經過名為 Bacillus subtilis natto 的枯草桿菌發酵後製成，氣味獨特，類似辛辣的陳年奶酪。攪拌納豆會產生許多粘稠的細絲，通常被當作早餐吃（拌／不拌派戰起來！），可以放在米飯上，再搭配芥茉、醬油，或是日本洋蔥，稱為 納豆ごはん （米飯上的納豆）。

納豆偶爾也用於其他食物，例如壽司、吐司、味噌湯、玉子燒、沙拉，或是作為御好燒、茶飯的成分，甚至可以與義大利麵一起食用。看著看著，再加上想像，是不是就讓人垂涎欲滴呀！

儘管有許多人覺得它的味道令人不快，其他人卻將它作為佳餚。眾所皆知，納豆在日本關東東部地區很受歡迎，但在關西地區不太受待見。

在 1990 年左右，「乾納豆」和「油炸納豆」問世，氣味和黏性降低，這對不喜歡傳統納豆氣味和質地的人來說，更容易食用；而另一種名為「豆乃香」的發酵大豆，也透過改良大豆和納豆芽孢桿菌品種，降低了黏性。

納豆是從哪裡來的？有兩種故事版本！

關於納豆的最早起源眾說紛紜、莫衷一是。一種理論認為，納豆是在遙遠的過去，在多個地方各自起源的，因為它的製作材料及工具，自古以來就很常見。

1. 日本的傳奇起源

西元 1086 年至 1088 年間，武士源義家在日本東北部進行一場戰役。某天，部隊在為馬兒煮大豆時，不巧遭到襲擊。他們急忙收起豆子，過幾天重新打開草袋，發現裡面的大豆竟然已經發酵了！士兵們或毫不在意，或硬著頭皮地吃了下去，才驚覺意外地好吃。於是，這種獨特而濃郁的風味，很快便在日本流行起來。

2. 中國起源

在納豆之前，中國有一種類似的黑豆發酵食品，叫做「豉」或「豆豉」。這些在中國發明的大豆調味料，經由商品化後，傳播到整個東亞。這種食物通常由整粒發酵的大豆，透過鹽漬、發酵和陳化等手法製成。

但是，中國與日本的成分和製作方法有所不同：中國人使用黑豆和黃豆來製作豆豉，日本人卻只使用黃豆來製作納豆。另外，鹽的用量也會影響豆豉和納豆的味道和外觀。

大豆的種植方法是在彌生時代從中國傳入日本的。後來，鹽開始在日本流通，成為豆豉開始生產的契機。不過，當時的鹽非常昂貴，所以有些人認為，納豆是在生產豆豉時，偶然發明出來的食物。

除此之外，平城京出土的木簡上頭寫著「豉」字，因此，也有人認為是在中國豆豉傳入日本後，日本人才得以藉此發明納豆。

想製作納豆？你可能得花費不少時間

納豆是由大豆製成的，通常會優先選擇較小顆的豆子。如此一來，在發酵過程中，就能更輕易地發酵到中心部位。首先，豆子會先被清洗乾淨，然後在水中浸泡 12~20 小時，以增加它們的大小，接下來再蒸 6 小時。

此時，必須特別注意，使材料遠離雜質和其他細菌。這些混合物需要在 40℃ 發酵長達 24 小時。之後置於冰箱冷卻、陳化一個禮拜，使納豆變得黏稠。在這些加工過程中，都必須盡可能地避免接觸到大豆，否則大豆也可能會受到皮膚上的菌群汙染。

納豆富含營養，卻不是人人能吃

那麼，納豆是如何從日常佳餚，搖身一變，成為保健食品呢？

大豆在發酵過程中，化學成分會有很大的改變。除了保有原本的蛋白質、鈣質、維生素 B1、食物纖維等營養素之外，更增加了發酵生產的多種維生素，例如維生素 B2、B6、K2 等等。納豆的營養素相當多元且豐富，每 100 公克就含有多種礦物質與維生素，包括：鐵（每日建議攝取量的 66%）、錳（73%）和維生素 K（22%）。

此外，納豆內含一種稱為「納豆激酶」的酵素，更是有多種保健功效，可以降低血壓、降低動脈硬化、降低因心血管疾病造成的死亡率、溶解血栓、強健骨骼、維護腸道健康、增強免疫系統。

然而，不是所有人都適合食用納豆激酶，因為納豆激酶有抗血栓（凝血）及降血壓的功用，不建議與抗凝血劑、降血壓藥一起服用。如果患有出血性疾病，也不建議食用。但一切都應在醫師的指示下，再作定奪。

參考資料

1. Hosking, Richard (1995). A Dictionary of Japanese Food – Ingredients and Culture. Tuttle.
2. McCloud, Tina (7 December 1992). “Natto: A Breakfast Dish That’s An Acquired Taste”. Daily Press.
3. Deutsch, Jonathan; Murakhver, Natalya (2012). They Eat That?: A Cultural Encyclopedia of Weird and Exotic Food from Around the World. ABC-CLIO.
4. William Shurtleff; Akiko Aoyagi (2012). History of Natto and Its Relatives (1405–2012). Soyinfo Center.
5. “起源は？発祥は？知られざる納豆の歴史 | ピントル”. 納豆専門ページ | ピントル (in Japanese).
6. “History of Natto and Its Relatives (1405-2012) – SoyInfo Center”. www.soyinfocenter.com.
7. “History of Soy Nuggets (Shih or Chi, Douchi, Hamanatto) – Page 1”. www.soyinfocenter.com.
8. “糸引きの少ない納豆「豆乃香」の開発” (PDF) (in Japanese). Ibaraki Prefectural Industrial Technology Center.
9. “納豆が出来るまで。納豆の製造工程”. Natto.in. 2004. Archived from the original
10. USDA Database: https://fdc.nal.usda.gov/fdc-app.html#/food-details/172443/nutrients
11. Chen H, McGowan EM, Ren N, Lal S, Nassif N, Shad-Kaneez F, et al. (2018). “Nattokinase: A Promising Alternative in Prevention and Treatment of Cardiovascular Diseases”. Biomarker Insights.