【GENE思書軒】科技為什麼會讓人欲罷不能？

• 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 國立臺灣師範大學 委託，泛科學企劃執行。 

摩斯發明電報和貝爾發明電話，這些似乎是上古時代的科技，其實都發生在過去兩百年內。而手機，作為近五十年來的產物，又經歷了怎樣的演變呢？

讓我們來探討行動通信是如何從 3G 發展到 6G 的。

1989 年，一張名為《The Great Radio Controversy》的搖滾專輯發布，迅速走紅，登上告示牌熱門榜。雖然專輯的歌詞與通信無關，但它的名字「偉大的無線電爭議」確實讓人聯想到無線通信的歷史。而這張專輯的樂團名為 Tesla，沒錯，這正是向那位傳奇的天才科學家特斯拉致敬。特斯拉對無線通信的貢獻可謂奠基石般的重要，而從 3G 到 6G，行動通信技術又經歷了哪些突破和變革呢？讓我們一起深入了解。

行動通信的歷史雖然只有短短幾十年，但其中包含的豐富內容實在說不完。從精彩的發明故事到商業競爭，再到行動通信所帶來的社會變革，每一個環節都值得深入探討。而在這集影片中，我們僅僅觸及了冰山一角。

下一集將深入探討 WiMAX 那成功的哥哥——Wi-Fi，也就是大家熟悉的無線區域網路技術。讓我們繼續探索這些改變世界的科技！

更多、更完整的內容，歡迎上數感實驗室 Numeracy Lab 的 YouTube 頻道觀看完整影片，並開啟訂閱獲得更多有趣的資訊！

參考資料

• Nikola Tesla predicted smartphones in 1926 like a boss – GeekWire
• Who Invented Radio? https://www.pbs.org/tesla/ll/ll_whoradio.html
• ITU-R FAQ on International Mobile Telecommunications (IMT)
• 你有聽過台灣納稅人的血淚 WiMax 嗎？中離王 Intel 與榮景不再的高通——4G 篇 – 寫點科普Kopuchat
• WiMAX 業者：政府騙了我們

多巴胺與大腦的愉悅中心

腦幹是大腦最早演化出的區域之一，也是連結脊髓的關鍵。腦幹頂部有一組稱為腹側被蓋（ventral tegmentum）的神經元，而大腦中有一個控制行為的區域，稱為依核（nucleus accumbens），腹側被蓋與依核的溝通，是透過一群會釋放多巴胺的神經元，稱為中腦邊緣路徑（mesolimbic pathway）；雖然這些神經元只占了大腦所有神經細胞的一小部分（不到 0.001%），卻對激勵人類生存與繁殖的行為至為關鍵。

人吃東西、解渴或做愛的時候，都會讓中腦邊緣路徑釋放多巴胺。而且觀看、甚至只是去想些色色的事情，就足以刺激多巴胺的分泌。某些讓人覺得心滿意足的事，例如第一章〈文明背後的軟體〉談過的復仇、或是打電玩獲勝，也能刺激我們的多巴胺系統。

人腦接收到這些報償訊號，就會感覺愉悅，因此常有人說多巴胺是大腦裡的快樂物質。在動物界，不是只有人類具備這樣的多巴胺釋放機制。所有哺乳動物都有這樣的中腦邊緣報償路徑，可說是大腦運作最古老而基本的其中一項功能。事實上，整個動物界都很常看到這種用多巴胺或相關神經傳遞物質，來影響行為的系統。

只要遇上對人有利的情形，例如有吃有喝，或特別是意外之喜，中腦邊緣路徑就會大量分泌多巴胺；相對的，遇上對人不利的情形，例如接受到負面經驗，或是沒有得到預期的報酬，則會讓多巴胺濃度下降。所以，為了調整人類行為，好讓我們在自然棲地成功生存，大腦就會讓我們想去重複那些上次啟動多巴胺系統的行為，並避開那些曾經抑制多巴胺系統的舉動。所以，這套關於快樂與報償的神經化學系統，其實也就是一套關於學習的神經化學系統。

這條多巴胺路徑也連結了腹側被蓋與前額葉皮質；前額葉皮質是大腦前側一個有皺摺的區域，人類的這個區域明顯大於其他動物。前額葉皮質掌管各種高階的「執行」功能，例如對特定目標做出決策與規劃，因此也同樣受到多巴胺報償系統的控制。

這套由多巴胺引導的機制，很有效的讓人類表現出有利於在自然界生存的行為。然而，等到人類發現可以用其他方式（也就是各種藥物）來刺激這套機制，目的並不是為了生存，那就開始出問題了。酒精、咖啡因、尼古丁、鴉片，這四種藥物會有效讓人腦的報償系統出現短路，引誘中腦邊緣路徑釋放多巴胺（或是抑制多巴胺的消退、又或是讓神經元表面的受體更加敏感），於是讓人感受到愉悅、甚至是狂喜，強度遠遠超出自然界能給人的快樂。然而，相較於像是「進食」這種自然觸發多巴胺的因素，由這些藥物產生的愉悅永遠不會讓人覺得已經滿足。

這些藥物會在中腦邊緣路徑產生錯誤的訊號，讓人誤以為這種行為大大有益於生存繁衍，於是推動學習機制，重新設計大腦的連線，來反覆追求這些行為。人的癮頭正是由此而生，讓人產生渴望與強迫的行為，追求立刻就要得到的滿足感，不像是在自然世界當中，總得付出一些代價（例如花時間狩獵），才能得到多巴胺的報償。

科學家曾在 1950 年代做過實驗，以手術將電極植入大鼠的大腦深處，讓大鼠只要每次按下某個開關，就能刺激依核。結果發現大鼠開始出現強迫性按開關的行為，每小時高達兩千次。牠們不喝水、不吃飯、不睡覺，不做任何正常的行為，就只為了讓自己不斷感受那純粹的歡愉，直到最後不支倒地。

可悲的是，人類現在可能也困在類似的陷阱裡，只不過並不是有個電極埋在大腦裡直接發出刺激，而是有些化學物質同樣瞄準了提供報償的中腦邊緣路徑。更糟的是，原本的天然植物產品現在還能提煉濃縮，甚至用化學手法提升效力，像是從鴉片原料合成海洛因（heroin）。比起過去口服的方式，現在透過口吸、鼻吸、甚至是直接注射到血管裡，就會讓活性物質更快對大腦發送一波衝擊，不但讓人更為狂喜，也讓人更容易成癮。

由於多巴胺系統會重新校正，經過幾次感受到重大報償後，多巴胺的釋放還是會回到基本水準。這稱為對藥物的習慣化，也是因此，才讓癮君子（不管習慣化的是咖啡因、還是古柯鹼）總會需要愈來愈高的劑量，才能感受到原本的興奮程度。正如神經內分泌學家薩波斯基（Robert Sapolsky）所言：「昨天還覺得是意想不到的快感，到今天就覺得理所當然，再到明天還會覺得怎可以此為滿。」於是不用多久，藥物曾經能夠帶來的愉悅就這樣消逝不再，繼續用藥只是為了避免戒斷時的種種不適。到頭來，這幾種藥物極有效的侵入大腦，劫持了原本能夠調整行為以利生存的報償系統，藥物濫用也成了人類普遍的弱點。

——本文摘自《人類文明：生物機制如何塑造世界史》，2024 年 05 月，天下文化出版，未經同意請勿轉載。