實驗動物與牠們的產地，恆溫恆濕還有乾淨空氣

• 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。

輾轉反側，徹夜難眠的時候，您幾點起床？就算醒了，工作效率是否異常低落？
在此，請您非但別只想到自己，還要拿出一點同理心：因為被剝奪睡眠的澳洲喜鵲，也深受困擾。

捉野生喜鵲來做失眠相關的實驗

2022 年 4 月的《科學報告》期刊，有一篇標題冗長的論文，叫做〈失眠削弱澳洲喜鵲的認知表現並改變其歌曲產出〉^[1]。其第一作者澳洲 La Trobe 大學博士候選人 Robin Johnsson，認為歌唱的時辰與類型，對於喜鵲的社交生活相當重要，並以此做為研究主題^[2]。且不論在 COVID-19 疫情之前，有些人就已經沒什麼社交生活，更不要談呼朋引伴一起歡唱 KTV，人家喜鵲可是隨時都過得多采多姿。

於是，牠們就被科學家抓去做實驗了。

首先，研究團隊架設陷阱，用起士誘捕野生喜鵲。為牠們戴上標有序號的腳環之後，再關進裝有監視器的房間裡。接著，為了測量腦電波圖（electroencephalogram, EEG）與肌肉電位圖（electromyogram, EMG），科學家把無辜的喜鵲抓來開刀。於其腦部表面和頸部肌肉，植入電極貼片（electrodes），方便之後記錄睡眠狀態^[1]。

然後，喜鵲們就去接受特訓。

反覆訓練後篩選符合資格的喜鵲來做失眠實驗

研究團隊準備了一種木製食器，左右各挖一個淺槽。其中一個槽裡，盛裝少量起士和麵包蟲。第一次食物直接攤在眼前，不加以掩飾；第二次猶抱琵琶半遮面；第三次開始蓋子完全擋住凹槽，令喜鵲啥也看不見。在訓練的初期，全部的食器都採用灰色蓋子。直到最後的「聯想學習」（associative learning），蓋子被換成黑色或白色。喜鵲掀開特定顏色的蓋子，發現下面藏有食物。這樣重複 15 次，讓牠們不把「食」、「色」的關係兜在一起也難^[1]。

結訓後，研究團隊把食器裡的獎勵換成「不會動的麵包蟲冷盤」（chilled, unmoving mealworms），為喜鵲舉辦驗收成果的模擬考。除了執行「聯想學習」的覓食活動，科學家也期望牠們展現「反轉學習」（reversal learning）的能力。將蓋子的顏色調換，要喜鵲嘗試選出有食物的凹槽。這個階段有一些評分要點^[1]，例如：

1. 喜鵲做出第一次選擇時，是否有延遲的行為。緩慢的反應，代表注意力不集中，或動機下降。
2. 喜鵲得經過幾回，才能達到連續 12 次嘗試中，有 10 次正確的及格分數。
3. 喜鵲選擇正確瓶蓋的比率。

凡是順利通過模擬考的喜鵲們，便能晉升至下一關。

在實驗的主要階段，喜鵲們被劃為三組，分別體驗下列三種睡眠模式之一：無干擾睡眠、6 小時睡眠剝奪，以及 12 小時睡眠剝奪。研究人員防止喜鵲睡著的花招，包括：迫近或拍打鳥舍、發出噪音，或是輕撫充滿睡意的喜鵲^[1]。如同可憐的臺灣中學生，明明前晚都沒睡飽，隔天還得參加考試。研究人員存心要看失眠的喜鵲，怎麼失常。

人類跟喜鵲一樣會被睡眠影響行為

正式測驗的結果不出所料，沒睡飽的喜鵲容易犯錯，而且要花較長的時間，才能選出正確答案。有些喜鵲甚至失去參與測驗的動機，傾向找機會補眠。其實以前的研究便顯示，失眠也會降低人類的認知表現。諸如參與動機、清醒程度（alertness）、注意力、警戒等級（vigilance）等，都會受到負面影響^[1]。

除了喜鵲考試的成績，科學家也記錄了牠們社交行為的變化。失眠的喜鵲寧可睡覺，也不要唱歌。最後就算唱了，單曲的長度卻意外地延展。原本的晨曲改在中午演出，頻寬變得狹窄，內容相較貧乏，顫音也明顯減少。這與人類的口語溝通，大同小異。當一個人睡眠不足，說話的速度會緩慢下來，咬字不如平常清晰，語句重覆的機率提高，甚至可能妨礙聽眾理解講者所要傳達的訊息^[1]。

澳洲喜鵲有複雜的家族。牠們用歌聲來劃定疆域，分辨敵友，並建立「鳥」際關係。失眠不僅會害喜鵲把歌唱得七零八落，也會進一步危及其社交生活。既然以往的人類睡眠實驗結果，與喜鵲有那麼多的相似處，下次在抱怨疫情害自己沒朋友之前，我們是不是應該先睡飽，再來思考怎麼社交呢？

備註：此實驗結束後，參與受試的澳洲喜鵲，均在 2019 年 7 月被野放。

參考資料：

1. Sleep loss impairs cognitive performance and alters song output in Australian magpies (Scientific Reports, 2022)
2. Researchers find what magpies lose from hitting snooze (Brisbane Times, 2022)

你聽過科學研究的「再現性」（reproducibility）嗎？如果一個科學研究結果具有再現性，代表它可以被另一個研究團隊，以同樣的控制條件、操作步驟進行重複測量，並獲得與前人相近的結果。這也代表著這項實驗是可以被驗證的，該研究的可信度也越高。

近年來，許多領域都開始重視科學研究的再現性問題，例如 2015 年由科學開放平台（Open Science Framework, OSF）發表在《科學》（Science）的一篇心理學實驗再現性的研究，就重複了三個重要的心理學期刊，包括 Psychological Science、Journal of Personality and Social Psychology、Journal of Experimental Psychology: Learning, Memory, and Cognition 在 2008 年間發表的 100 個研究，結果顯示僅有 36％的研究具有統計顯著性^[1]。

而在 2016 年刊載於《自然》（Nature）的一篇報導中，團隊以線上問卷調查了 1576 位研究者，發現有超過 70％ 的研究者，無法重現其他科學家曾經做過的研究結果；更有超過 50％ 研究者無法重現「自己的」研究結果^[2]。

再現研究論文時，會遇到哪些困難？

同樣的科學研究再現性驗證也出現在生醫領域。一項由 RPCB（Reproducibility Project: Cancer Biology）團隊耗資 200 萬美元、歷時 8 年，嘗試複製各大具影響力的臨床前癌症研究，其結果於去年（2021）12 月發表於 eLife^[3]。

在看這項研究結果之前，或許我們可以先了解 RPCB 究竟是何方神聖？RPCB 是一個由非營利組織「開放科學中心」（Center for Open Science）與學術平台「科學交流」（Science Exchange），在 2013 年開始合作執行的一項計畫。團隊期望能系統性地重現出 53 篇於 2010～2012 年間，刊登在知名期刊《自然》、《科學》、《細胞》（Cell）中的臨床前癌症相關研究。

即使一開始團隊預計重複 53 篇論文中共 193 項實驗，但最終能成功執行的僅有來自 23 篇論文裡的 50 個實驗，且仍使該計畫延宕了五年才完成。為什麼理想這麼豐滿，現實卻如此骨感？研究團隊在論文中提到了幾項實驗再現的困難與挑戰，例如：

1. 許多原始論文缺少敘述統計（descriptive statistics）和推論統計（inferential statistics）的關鍵數據，像是效果量（effect size)、統計檢定力（power）等資訊，儘管團隊聯繫了原始論文的作者，仍有 68％ 的數據無法取得。
2. 在這 193 項實驗中，沒有一個具有足夠詳細的說明，令團隊能設計出重複的實驗步驟。這使得他們不得不轉向論文原始作者，以尋求更進一步的實驗建議，而在詢問的過程中，約 26％ 作者給了極大的幫助，而有約 32％ 作者對實驗完全沒幫助（或是無任何回應）。

癌症研究實驗的再現性僅 46％？

在缺乏合作、需要詳細檢查並調整實驗步驟的情況下，研究團隊平均需要花費 197 週的時間才能複製出一項實驗。此外，每複製一次實驗的成本高達 5 萬 3000 美元——大約是原先預估花費的兩倍，因此再現 193 項實驗的雄心壯志終究無法達成。

那麼這項耗時 8 年、斥資百萬的實驗再現性研究，給了我們什麼結果呢？

根據團隊在 eLife 發布的第二篇論文顯示，這些臨床前癌症相關研究的實驗再現性僅有 46％，且平均的統計效果量也比原始論文低了 85％^[4]。

在這些被再現的實驗中，原始研究效果量大的往往更容易被複製，而動物實驗則是再現性最差的，這可能是因為在生物體內（in vivo）實驗的效果量，大多低於體外（in vitro）實驗。

只做一次的再現實驗，公信力足夠嗎？

發表在知名期刊上的臨床前癌症研究論文，其實驗再現性居然不到一半，這對於生物醫學相關領域的研究者來說，無疑是一項沉重的打擊。

不過僅憑一次的再現實驗，就評斷一項研究的公信力，對這些研究者來說公平嗎？其中一位研究無法被 RPCB 再現的學者就表示：「他無法確定這些一次性實驗有多少價值。」而那些被選中重現的實驗，當中也不乏已經開始進行第二期藥物臨床試驗的研究。同時也有研究者指出，RPCB 在複製實驗時使用了與原研究不同的細胞株（cell line），也並未在實驗中進行三重複確認最終結果^[5]。

針對這些指控，RPCB 說明這項計畫的目的，並非藉此斷言某些特定研究是無用，或需要被停止的，而是為了點出現今研究的再現性危機（reproducibility crisis），以期望找出相對應的解方。目前也有一些提升研究再現性的方法被提出，像是以盲性研究（blinding）進行體外實驗或動物實驗、採用更大的樣本量、更嚴謹的統計分析方法，以及研究計畫的預先註冊制度（preregistration）^{[註 1]}。

雖然這項大型研究充滿著許多爭議，但也提醒了各領域的研究人員：對於自身研究的每個步驟、統計方法等，都應更加詳盡、仔細的記錄。除了能使後人有辦法針對已發表的內容，進行深入探討外，亦可以提升該實驗被再現的可能性，增加研究的公信力。

而看完文章的你，對於科學研究的再現性又有什麼看法呢？

註解

• 註 1：研究計畫的預註冊是指研究者在進行科學研究之前，先對他提出的假設、方法、分析方式上傳到註冊機構，經由該單位的期刊編輯、同儕審查通過後，再進行研究的一種做法。

參考資料

1. Open Science Collaboration, Estimating the reproducibility of psychological science, Science, Vol 349, Issue 6251, 2015. https://www.science.org/doi/10.1126/science.aac4716
2. Monya Baker, 1,500 scientists lift the lid on reproducibility, Nature, volume 533, pages452–454, 2016. https://www.nature.com/articles/533452a
3. Timothy M Errington et al., Reproducibility in Cancer Biology: Challenges for assessing replicability in preclinical cancer biology, eLife, 2021. https://elifesciences.org/articles/67995
4. Timothy M Errington et al.,Investigating the replicability of preclinical cancer biology, eLife, 2021. https://elifesciences.org/articles/71601
5. Asher Mullard, Half of top cancer studies fail high-profile reproducibility effort, Nature, 09 December 2021. https://www.nature.com/articles/d41586-021-03691-0