《小飛象》真的能飛得起來嗎？

• 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。

「大象～大象～你的鼻子怎麼那麼長？」

喬治亞理工學院（Georgia Institute of Technology）最新的研究發現，大象皺巴巴的「皮膚」竟然隱藏著超強的「伸展之力」，跟肌肉簡直就是完美搭檔。有了隱藏的伸展力，大象就能夠加倍發揮象鼻的各種功能，還能將象鼻伸得更長、更遠！

又硬又軟的萬用工具！象鼻究竟有多強？

象鼻實在是非常神奇的存在，它擁有超過四萬條肌肉，既能柔軟靈活地捲起水果和樹葉，又能強悍地打斷樹幹、抵禦攻擊。究竟它為何能這樣「又硬又軟」靈活切換呢？

為了深入探索象鼻的秘密，研究團隊特別跑去亞特蘭大動物園（Zoo Atlanta），設置了高速攝影機，紀錄下非洲大象用象鼻拿取食物的過程。

乍看之下，軟軟的象鼻似乎就像我們的舌頭一樣，是充滿肌肉的無骨組織。然而，它真正派上用場時，可一點兒也不像舌頭呢！透過鏡頭，研究人員發現：象鼻頂部跟底部的運動狀況完全不一樣。當大象伸長象鼻時，象鼻外側的延伸能力比內側強多了。仔細看看畫面，就能發現外側的象鼻其實伸得更長！

秘密就在皮膚裡！打開皺紋發揮伸展之力吧！

至於兩邊的長度為何會有如此大的差距呢？秘密原來就藏在象鼻的皺褶中！研究團隊解剖了大象屍體，發現象鼻外側與內側的皮膚非常不同——象鼻外側那摺疊起來的皮膚，比另一側的皮膚多出了約 15% 的彈性。

更有趣的是，大象移動象鼻的方式，跟章魚觸手這種軟趴趴器官常用的「平均伸展大法」十分不同，象鼻伸展時就像是打開了一把折疊傘，內部是固定的，而傘面則可以向外變寬、延伸。不只如此，大象們還會如同開折傘一樣「分批運動」象鼻喔！

怎麼說呢？牠們運用象鼻時，會先探出頂端，然後視需求一節一節依序運用後面的肌肉，不到萬不得已，絕對不會動到靠近身體這側的肌肉群！學者們表示，大象之所以會這樣動，是因為象鼻前端部分的肌肉量較少，動起來也比較不費勁，而大象其實就跟人類一樣懶，當然是追求越省力越好囉！

借我學一下啦！皺褶象皮竟能應用在機器人身上？

另一方面，象鼻上這些皺巴巴的皮膚其實也十分堅硬，能起到重要的保護作用。比如說，在關節部分，一般肌肉容易拉伸，甚至拉傷，但如果有了皺褶，則需要花上整整 13 倍的力量才能拉伸。

這樣的保護力有什麼用呢？在未來，或許可以應用在仿生機器人身上喔！許多仿生機器人都會設計液壓系統，雖然十分靈活，但施力時卻也非常容易斷裂。如果我們能在機器人身上添加一些皺巴巴的皮膚，不僅能提供更強大的保護力，也讓機器人在運用上出現更多不同的可能性。

參考資料

1. Skin: An additional tool for the versatile elephant trunk
2. Schulz, A. K., Boyle, M., Boyle, C., Sordilla, S., Rincon, C., Hooper, S., Aubuchon, C., Reidenberg, J. S., Higgins, C., & Hu, D. L. (2022). Skin wrinkles and folds enable asymmetric stretch in the elephant trunk. Proceedings of the National Academy of Sciences of the United States of America, 119(31), e2122563119. https://doi.org/10.1073/pnas.2122563119
3. How Skin Helps Elephants Move and Twist Their Trunks
4. 動物奇門功夫．象鼻神奇構造

大象極易受到低估，我就低估了牠們使用工具的能力。過去我只見過牠們撿起樹枝搔抓臀部，另外也見過牠們拋擲泥土。在我工作的一座動物園裡，每當寒鴉在象欄的圍牆上啼鳴，那些大象就會這麼做。那些鳥兒就像《拉封丹寓言》（Fables choisies mises en vers）裡的渡鴉一樣。寒鴉也許自認歌聲動人——畢竟鴉科也屬於鳴禽——但音樂品味是極為主觀的。大象會拋擲一大團泥土趕走那些噪音製造者。

我以為大象的能耐就只有這樣而已，實驗從來不曾顯示牠們有更進一步的能力。科學家曾經把食物放在這種厚皮動物搆得到的範圍之外，再提供牠們一根長棍子，看看牠們會不會利用棍子勾取食物。靈長類動物在這項實驗表現得很好，但大象全然不理會那根棍子。實驗的結論認為大象無法理解這道題目，但沒有人想過，說不定問題是出在我們這些研究者根本就不懂大象。

不同於靈長類動物的手，大象的抓握器官同時也是嗅聞器官。大象不只利用象鼻拿取食物，也會加以嗅聞並且觸摸——象鼻充滿神經末梢，尤其是敏感的象鼻末端。大象擁有無可比擬的敏銳嗅覺，因此能夠確知自己抓取的是什麼食物，視覺對牠們而言僅具次要地位。不過，大象一旦捲起一根棍子，鼻道就受到了堵塞。就算棍子能夠接近食物，也還是會對嗅覺造成阻礙。這就像是要求我們蒙上眼睛伸手拿東西一樣，除非是參加派對遊戲，不然我們通常不願這麼做，而且理由很充分。

我在不久前造訪位於華府的國家動物園，普雷斯頓．福爾德（Preston Foerder）與黛安娜．瑞絲（Diana Reiss）向我展示了坎杜拉這頭小公象在同一道題目、但不同方法呈現的情況下所能夠做到的事情。這兩位科學家把帶有水果的樹枝高高掛在象欄上方，就在坎杜拉抓取得到的範圍之外。他們為他提供了幾件可以使用的物品，包括棍子、一個正方形的箱子，還有幾塊厚厚的木砧板。坎杜拉沒有理會棍子，但過了一會兒之後，就開始用腳踢那個箱子。他沿著直線踢了那個箱子許多次，直到那個箱子位於樹枝正下方，然後用前腳踩上箱子，即可用象鼻勾到那根樹枝和水果。

坎杜拉嚼食他的獎賞之際，福爾德與瑞絲表示，為了增加這道關卡的難度，他們得把這些物品挪到不同的地方擺放。他們會把箱子放在象欄裡的另一個區域，在坎杜拉的視線之外，於是在他抬頭看見誘人的食物之後，就必須回想先前的解決方案，然後先走離他的目標，前去找尋工具。能夠做到這一點的動物不多，坎杜拉卻能毫不猶豫地到遠處取回那個箱子。後來不給他箱子，他則會把木板疊起來，藉此墊著腳好勾取食物。

坎杜拉的表現顯示他完全擁有對因果關係的理解能力，也就是所謂的「靈光乍現的時刻」（或是更生活化一點：頭頂冒出電燈泡的時刻），而這種能力被視為是高度智慧的徵象。明顯可見，在我們宣稱另一種動物只會拋擲泥土之前，應該先嘗試以牠們的觀點看待世界——就算我們必須想像自己有個像水管一樣的鼻子也不例外。

欠缺證據，不代表沒有證據

這讓我回想起先前的另一項實驗，當時瑞絲和我一起合作，試圖確認大象是否能夠認得鏡中的自己。連同我當時的學生喬許．普拉尼克（Josh Plotnik），我們在紐約的布朗克斯動物園（Bronx Zoo）進行了一項研究。大象在以前從來不曾展現過任何徵象顯示牠們認得鏡中的自己。牠們是不是以為鏡中的自己是另一頭大象，就像猴子看見另一隻猴子的反應一樣？就我們所知，只有人類、猿類與海豚認得自己的鏡像。

然而，先前的測試都只給這種體型最龐大的陸地動物低矮的鏡子，遠比牠本身小上許多。而且鏡子還是擺在室內獸欄欄杆外頭的地面上。大象在那種情況所看見的，可能只是四條腿立在兩層欄杆後方，因為欄杆也會映照在鏡子裡。從那些實驗獲得的令人失望結果，被視為代表了大象不認得鏡中的自己。不過，我們不禁納悶是不是有更好的測試方法。我們特製了一面昂貴的八英呎見方防撞鏡，並且擺放在室外象欄內，好讓大象能夠觸碰、嗅聞以及查看鏡子後方，然後再探索自己的映影。探索是必要的第一步，黑猩猩與兒童也是如此。

結果，一頭名叫快樂的亞洲象就認得了自己。她站在鏡子前面的時候，不斷摩挲自己前額上一個白色十字痕跡。唯有認知到鏡中的影像就是自己的身體，她才有可能知道那個十字痕跡的存在。這也是對兒童測試自我覺察的做法，大多數兒童都在兩歲以前就會展現出自我覺察的能力。大象被納入擁有自覺能力的動物菁英階層，成了一件備受矚目的大事。新聞媒體的標題忍不住引用一首童謠的歌詞：「她就是快樂，而且她自己也知道！」

事實證明大象比我們原本以為的還要聰明，但更重要的是，這項發現證明了負面證據的局限。你如果在一個特定物種沒有發現使用工具的行為或者自我覺察的徵象，並不能據此認定你對這個物種具有確切的理解。有可能是這種動物欠缺相關能力，但也可能是我們對這種動物欠缺了解：我們有可能提供了錯誤的工具，或是擺放了不適當的鏡子。實驗心理學的一句名言反映了這個洞見：「欠缺證據不代表沒有證據。」

——本文摘自《我們與動物的距離：在動物身上發現無私的人性》，2021 年 12 月，馬可孛羅。