人為利用資源跟自然使用資源最大的不同，就是人為的利用常常以破壞來換取當下想要的結果，比起自然幾乎每種物質都被充分使用，人為的利用常常是破壞性的。
不論是誰都知道用目前的方式下去，地球負擔不起人類的存在，再生性的利用資源跟環境是以後人一定要走的路，但是常常有人懷疑在大的尺度上，資源再生利用的方式真的存在嘛？這演講展示了很多很有創造力的嘗試，希望把自然循環的精神加入到大尺度的建築上。
其實人類從自然中可以學習到很多技術，裡面一個很好的例子就是模仿甲蟲從空氣中讓水珠凝結的本事，設立海水蒸發溫室，一方面利用海風吹海水蒸發引起的內部溫度下降跟溼度增加，一來內部可以養植物，淡水自動凝結後就有多的水分的改變週遭沙漠化的環境。只是一個建築就開始改變周圍沙漠化的生態，所以並不是所有的人為技術都代表破壞，而是要看這樣的技術怎麼跟自然的循環結合。
本文原發表於科學影像Scimage
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？
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。
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：
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：
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 可分成兩種：
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。
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。」
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
。
討論功能關閉中。
我們該怎麼研究金鋼狼的再生能力？一般人的想法或許是：詳細解剖金鋼狼。不過更實際的策略其實是：養很多很多金鋼狼，看看誰的再生能力出現問題，再從他下手！
陳振輝的研究領域是「再生」，作為中央研究院細胞與個體生物學研究所（中研院細生所）的成員，其研究團隊目前有數個有趣的題目正在進行，其中「斑馬魚尾鰭的再生」率先問世。
再生為什麼值得研究？和遺傳、發育、生理、免疫等領域相比，人們對再生的認識仍然不多，學術上有許多深入開拓的空間。另外再生研究也有具體的應用價值：人類壽命大幅增長後，癌症、心臟病、老化成為主要的健康問題，增廣再生的知識，有助於對抗老化、退化，增進生活品質。 做研究，材料很重要，這就是選擇斑馬魚的原因。
為了方便實驗進行，多數基礎研究都圍繞在幾種科學社群精心建立的「模式生物」（model organism）上，然而，常用的模式動物，如果蠅、線蟲、小鼠，卻不太有再生能力，不適合用於研究再生；相比之下，斑馬魚擁有十分全面的再生能力，不只鰭與皮肉能再生，甚至遭受脊椎、大腦受損的重傷害，一段時間以後照樣可以再生、恢復正常生活。
陳振輝是勇於踏出舒適圈的探險家，他在博士後研究時才轉換跑道，投入美國杜克大學的 Ken Poss 門下，與尚在起步階段的斑馬魚再生領域一同成長。一番歷練以後，他帶著新研發的技術與創意回到台灣，開始大展身手，而尾鰭再生是他完成的第一項研究計畫。
再生是重要的問題，斑馬魚是好用的研究工具，但是尾鰭乍看不太起眼，為何探討尾鰭的再生呢？主因是觀察尾鰭再生的過程相對容易。尾鰭由皮膚、血管、神經等不同種細胞組成，構造夠複雜卻又不會太過複雜，切掉多少面積，再生長回來多少、多快，都可以精確地量化。選擇較為單純的身體外部器官來研究再生反應，有助於釐清調控再生過程的複雜機制。
從突變的異常樣本著手，比較它和正常個體之間的不同，抓出關鍵的差異，這就是「養很多很多金鋼狼，看看誰的再生能力出現問題，再從他下手！」的道理，又稱作「正向遺傳學」（forward genetics）。
概念說來簡單，但是光是尋找在誘發突變後，表徵可以穩定遺傳的突變品系，就需要耗時兩到三年；順利找到後又要花費同樣久的時間，確定突變點發生的位置，努力加上運氣，一共經過五到六年，才有我們如今在論文中見到的成果。
動物身上每一個細胞的基因組都是一樣的，透過調控不同的基因表現，卻能產生各式變化。具備再生能力的動物，細胞中儲存了一套復活的遺傳「記憶」，如同電腦的重開機程式一般，有需求的時候就會啟動。尾鰭再生的過程中有許多基因牽涉其中，重要的基因倘若失去作用，尾鰭會喪失再生能力，了解哪些基因是「再生基因」？這些基因如何影響再生？是陳振輝實驗室努力的方向。
經由這個研究方法，陳振輝與其研究團隊，發現有個基因 pola2 ，其表現活性竟然可以影響尾鰭再生後的形狀或大小！也就是說，指引尾鰭重建的「再生記憶」其實也可以改變。
原本以為按部就班，一成不變的再生過程，人為介入後卻可以改變再生的結果。累積更多這方面的知識後，是不是有反過來應用的機會：讓原本不會再生的組織也能重新生長呢？比方說，手指被夾斷是常見的職業傷害，假如能讓斷掉的手指再生，將是多麼實際的用途！
當然，離那一天仍然遙遠，不過這類想像卻不是癡人說夢。陳振輝的研究工具不侷限於斑馬魚，為求了解找到的機制是否只是斑馬魚的特例，他與細生所的同事游智凱與蘇怡璇合作，發現另外兩種具有再生能力的動物：文昌魚和水蚯蚓，在「再生記憶」的調控上也具備類似的機制。
文昌魚、水蚯蚓和斑馬魚，如今是差異很大的動物，演化上的共同祖先能追溯到超過五億年前；然而，它們依舊保有類似的機制維持再生記憶，表示這是一套非常遠古的調控之道。而人類也身為可再生動物的後裔，儘管早已喪失大部分的再生能力，或許仍存在一絲潛力，只待我們找到激活的辦法。
上述研究聽起來很有趣嗎？其實這只是陳振輝實驗室許多研究主題之一，再生研究的領域還有許多基礎問題等待回答。
陳振輝利用博士後研究時研發的「Skinbow」技術，精確標記細胞，追蹤再生時詳細的變化過程，是進一步探討不同題材的基礎。此外，中研院也有多元的人才庫，有需求時能發出穿雲箭，尋訪其他領域的專家合作。
例如再生過程中有一個普遍的現象：「受傷愈重，再生愈快」。像是蠑螈有再生能力，切掉一隻手或一支手指都會再生，可是失去兩者後傷勢不同，長回來的時間卻是一樣。此一至今仍然無解的有趣現象，在陳振輝與中研院物理所、化學所的同儕一同努力之下，似乎已經見到曙光，而且真相令人非常驚喜。至於詳情如何，目前先賣關子，還請各位讀者耐心等待。
成為世界上第一個知道這件事的人，這就是做研究最大的樂趣啊！
每個專業領域都有所謂的權威，當「出了一些狀況」時，我們會向他們求助。
健身不見成效？請找健身教練；經常胃痛？請聽聽醫生怎麼說；在交友軟體尋覓另一半？除了拜月老， 「數學家在尋找真愛上特別在行。」數學家漢娜‧弗萊（Hannah Fry）也是一位值得諮詢的對象。
漢娜的演講「愛的數學」（The mathematics of love），在網路上有近 500 萬觀看次數，從數學家的角度來分析愛情，整理出愛情三部曲，告訴聽眾從零開始的愛情該如何順利發展，從交往一路到婚姻經營，教導在愛情中茫然迷失的人們如何找到方向。
等等，你或許會想，自己只是個想談戀愛的人，晚上打開手機，滑一滑交友軟體為你推薦的對象，思考可以開啟什麼話題來吸引對方。為什麼這樣也能扯上數學？而且教你談戀愛的竟然是，嗯，數學家？
弗萊是倫敦大學學院（University College London, UCL）的教授，一名相當出色的女數學家。
她在倫敦大學學院的先進空間分析中心（Centre for Advanced Spatial Analysis）專職研究人類行為模式。城市中的社會問題是她經常處理的對象：恐怖主義、購物行為、犯罪等。她不僅研究這些議題，她還同時是一位積極讓普羅大眾感受數學之美的數學傳播者。
除了學術方面的工作，弗萊更為一般人所知的身分是講者。上面提到的「愛的數學」是她在知名演講平台TED上的演說。
除了這個，她還會上廣播節目跟聽眾聊一些數學或科學裡有趣的問題，也在BBC主持節目《拉塞福與弗萊的稀奇古怪一籮筐》（The Curious Cases of Rutherford and Fry），回答民眾大大小小的數學或科學疑惑。
不僅如此，她更協助 BBC 拍攝多部紀錄片，提供其中相關的數學知識，像是《天空之城》（City in the Sky）、《數字的喜悅》（The Joy of Data）。《天空之城》在探討航空業的飛行安全，以及航空業後勤工作所仰賴的數學、工程學等領域。《數字的喜悅》則是在說幾個掀起數據時代革命的幾個工程師的故事。
主題再拉回來本次我們主要關心的「愛情議題」。一個研究人類行為又擅長分析數據的數學家，聽起來可能真的能給人愛情上的建議，你一定會好奇她是如何解決大家的愛情困擾？
首先你必須知道，為網路世代的我們鋪上愛情路的專家，其實有許多是數學家。至少對三分之一的美國新婚夫婦來說，數學家就是他們的媒人婆。
我們以弗萊最愛的交友網站 OKCupid 為例。OKCupid 就是由一群數學家建立的免費交友網站，他們有一套配對演算法，幫使用者計算與其他人的速配程度。決定你按下喜歡還是不喜歡的關鍵除了照片之外，就是速配程度了。使用者可以提出一些問題，並且自己排序這些問題的重要性。
系統就像在計算成績一般，以使用者的答案、使用者期望心儀對象的答案搭配題目重要性來加乘權重，最後算出兩人的幾何平均數，產生速配程度。
舉例來說，假設 A 與 B 提出的問題是：
A 的答案兩者皆是。同時，他認為心儀對象答案應該為「否」與「是」，且兩題的重要性為 90 分、10 分。
B 的答案兩者皆否，他認為心儀對象答案應該為「是」、「否」，且兩題的重要性為 20 分、80 分。
從以上的回答，我們可以知道 A 是一位非常怕蟑螂，需要另一半來幫忙打蟑螂的人。他會從牙膏尾端開始擠，但這點對他來說不太重要。B 不僅不怕蟑螂，也很樂意幫害怕蟑螂的另一半處理，不過或許是他自己不常從最後面擠牙膏，他很不希望另一半是認真擠牙膏的人。
於是，A 與 B 的第一題配對成功。第二題配對失敗。再考慮到兩個題目的加權，我們可以得到，對極度害怕蟑螂的A來說，B之於他的速配程度是（90+0）/（90+10）=90%。對受夠為了牙膏吵架的 B 而言，A 之於他的速配程度只有（20+0）/（20+80）=20%。綜合以上，兩人的速配程度（幾何平均數）約為 42%。
交友軟體運作的方式大概如同上述，透過簡潔又易懂的運算方式就可以估算出兩個陌生人適不適合開啟話題，或進一步發展關係。當然，實際的運算會再更複雜一些，問題也會再多上許多。只是背後的原理其實並不難懂。
由於弗萊的演講點擊率相當高，TED組織邀請她把影片提到的數學概念加以整理，擴寫成一本書，書名是《數學的戀愛應用題》。
除了影片中提到的愛情三部曲外，她在書中詳盡地帶讀者從頭愛一遍，在愛情的每條必經之路上分析如何借用數學，讓大家的情路更好過。教你如何更有效率地找到合適對象、對於另一半你該不該忠誠、怎樣才可以度過感情中最大的一關──婚禮，最後，如何經營一段長久的親密關係。這其中會用到包括了最佳停止問題、費米估測、回歸分析產生的婚姻方程式等等。很神奇吧，在愛情的每個環節裡，都有數學的規律可循。
還在愛情上困擾的人們啊，倘若你翻遍了坊間的愛情教戰守則，卻依然無法覓得真愛，不如尋求地表最強助攻的「數學」吧。
