地表最速乘法傳說！碰到大得要命的數字，這是最快的乘法方式

• 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。

非阿貝爾理論

量子色動力學與弱核力理論有個更為奇特的性質，兩者都是「非阿貝爾理論」 （non-Abeliantheories）。非阿貝爾的意思是強核力與弱核力理論核心（參見【科學解釋 6】）的對稱群代數是不可交換的。簡單來說就是「A 乘 B」不等於「B 乘 A」。

一般人的常識會告訴你，如果隨便拿兩個數字 A 和 B，用 A 乘 B 的結果永遠會和用 B 乘 A 一樣，你用計算機怎麼試答案都不變。一個袋子裝三塊錢、兩個袋子總共是六塊錢；一個袋子裝兩塊錢，三個袋子總共還是六塊錢。

這件事對數字永遠都成立，是千真萬確的事實。然而，我們有個很好的方法能定義出一套數學架構，其中的 AB 不等於 BA。實際上，數學家已經鑽研這個領域很多年了。

條條大路通數學

或許更驚人的是，物理學家竟然也在許多地方應用這套數學，因為某些和物理學相關的事物也是 AB 不等於 BA。矩陣就是我們表示這些東西的一種方式。現在我在倫敦大學學院為新生上的數學方法課就有介紹矩陣力學。以前我的學校制定了一套「新數學」的課綱，所以我在年僅十五歲的時候就多少認識一點矩陣了。

數學的一個矩陣是一群按照行列排列整齊的數字。把兩個矩陣 A 和 B 相乘，會得到另一個矩陣 C，方法是把對應的列和行上面的數字依序相乘。

這種矩陣聽起來可能不像某部電影裡面那掌控一切、創造虛擬實境的超級電腦一樣迷人，卻有用的多。這部電影的角色身穿黑色皮衣，還有出現著名的慢動作躲子彈鏡頭^＊。

我來舉個例子。

你可以用一個矩陣來描述你移動某個物體的結果。相乘的順序（AB 或 BA）在這個例子有明顯的區別。物體先在原地轉九十度再向前直直走十公尺，和先走十公尺再轉九十度，兩種移動方式最後的終點顯然不會相同。假設矩陣B代表旋轉，矩陣 A 代表直行，那麼合在一起的「旋轉後直行」就是矩陣（C = AB）；這和「直行後旋轉」的矩陣（D = BA）必定不會相同。C 不等於 D，所以 AB 不等於 BA。要是 AB 和 BA 永遠相同，我們就沒辦法用矩陣來描述這類的移動過程了。正是因為矩陣的乘法不可交換―非阿貝爾，這個工具才會如此有用。

數學和真實世界密不可分

在狄拉克試圖要找出能描述高速電子的量子力學方程式時，矩陣被證實是他所需要的工具。實際上，電子有某項特性讓狄拉克不得不使用矩陣來表示它，這項特性與他描述電子自旋的語言同出一轍；所有原子的行為和元素周期表的規律，都與自旋有深刻的關聯。除此之外，這個性質也啟發狄拉克去預測有反物質的存在。

數學和真實世界之間似乎有緊密的關係，這讓我讚嘆不已。優秀的研究要能解決問題、也要能提出好的問題。而問題永遠比解答還要多，為了研究我們要付出許多的時間和金錢，因此大家得做出抉擇。數學是威力極大的工具，能幫助科學家檢查實驗數據、並從結果當中尋找最有趣的新實驗方向。就算有些方法和結論，好比矩陣及反物質，看起來可是相當古怪的。

秉持著這份精神，我要在繼續討論希格斯粒子搜索實驗之前，先繞個路來講微中子，最後這回要介紹的是一個很重要的真實結果。2012 年 3 月 7 日，中國的大亞灣核反應爐微中子實驗（DayaBay Reactor Neutrino Experiment）發表了最新的研究成果。

他們的實驗結果不但對標準模型影響重大，也會決定粒子物理學未來的研究走向。如果你只想要繼續讀希格斯粒子的故事，大可跳過這一段沒關係，下一節再見。但是微中子的粉絲可千萬別錯過精彩好戲了！

——本文摘自《撞出上帝的粒子：深入史上最大實驗現場》，2022 年 12 月，貓頭鷹出版，未經同意請勿轉載。

文／郭君逸｜數學科普 Unimath 網站作者，國立台灣師範大學數學系助理教授、魔術方塊收藏家

這是一張從高鐵網站下載的票價表。眼前除了一堆數字之外，你還注意到哪些數學呢？

「矩陣！」

對的，你的觀察很正確。矩陣是大學線性代數這門課裡的主角，線性代數和微積分兩者並列為一窺高等數學的計算基礎，因此除了自然科學領域的學生強迫必修，甚至一些社會科學領域的學生也需要修讀，例如經濟、商管······等。聽起來或許有點恐怖，不過別緊張，撇開複雜的計算，單純矩陣表示法其實是生活中蠻常見實用的技巧，可以做為一群事物中兩兩彼此之間的關聯表格。像是上圖高鐵票價關係就是「起」「訖」點間的票價關係，還有各種比賽中選手或球隊彼此間的勝負關係。

這張圖右上半部是半價的優待票，以下討論我們只要看左下半部的全票即可。不知道讀者有沒有發現，「彰化→左營」的票價原本是 670 元，但「彰化→嘉義 250 元」加上「嘉義→左營 410 元」卻是 660 元，分開買居然可以省 10 元！？

是不是一直把票分段買，就可以越來越便宜呢？

其實並非如此！

例如「嘉義→左營」是 410 元，但改成「嘉義→台南 ＋ 台南→左營」兩段票的話，會變成 420 元，反而變貴了。

為什麼會有這種現象呢？

首先我們先來研究一下高鐵的票價訂法。政府每年會先用「消費者物價總指數（GICP）」來訂定每人的基本消費率，交通部把基本消費率乘以 1.2 當作高鐵的基本費率（2016 年）的基本費率是 4.386 元／人公里。（註：詳細計算方式請參閱：交通部高速鐵路工程局常見問答集或高鐵票價調整案說明專區）

而台北到左營站的距離為 339.284 公里，所以 4.386 * 339.284 = 1488.099 元/人，四捨五入到十位，所以才變成了 1490 元。問題就出在四捨五入的部分，1488 若拆成兩段 744 的話，四捨五入都變成 740，總合就是 1480 省了 10 元。相反地，如果 534 拆成兩個 267 的話，四捨五入後就會多出 10 元。

拆票的時機

那到底要什麼時候要拆票，什麼時候不拆呢？這是個很麻煩的問題，只能夠用暴力法，把所有情況都試過，才會知道。這時手算實在太累，我們要藉助電腦的幫忙了。但「暴力法」只是個大方向，實際要如何使用「暴力」，巧妙各有不同。

此類的問題，我們通常會用「動態規劃」（Dynamic Programming），這是一種「用空間換取時間」的概念來寫程式讓電腦幫我們解決問題的方法。當然這細節並非一時一刻可以講的清楚的。不過，教電腦如何解決問題就是數學！若我們可以把生活上遇到的難題（尤其是需要重複操作的動作），跟所學結合，很多都能夠迎刃而解。

筆者利用最短路徑演算法中的「無圈戴克斯特拉演算法」（Acyclic Dijkstra’s Algorithm），經過一些改進，並利用電腦計算出所有最便宜的票要如何購買，結果如下表：

此表要怎麼查呢？是這樣的，不管南下或北上，都先視為南下，例如要買嘉義到新竹的票，先視為「新竹→嘉義」，查上表得「苗, 780」這串字，代表要先拆票買「新竹→苗栗」，剩下「苗栗→嘉義」這段，再查表，得「640」，沒有國字在數字前面，表示直接買是最便宜的。因此嘉義到新竹，就可以拆成「嘉義苗栗」與「苗栗新竹」兩張票買，只有 780 元，比原票價的 790 省了 10 元。

若是「台北→左營」的話，查上表可知，買「台北、桃園、新竹、苗栗、彰化、嘉義、左營」拆成六段票，會是 1480元，也是省 10 元。但這樣買的話，可能屁股還沒坐熱，就又要起來換位置了，還蠻麻煩的。

比較實用的是自由座。我們先來看一下現在高鐵自由座票價：

自由座全票價計算規則是把標準全票打 95 折後取比較靠近的 5 的倍數，也是類似四捨五入，其最佳的拆票表如下：

上表可以看出自由座長途車票拆票的話，最多可以省到 20 元。而且坐上車後，不用換位置，可以坐到底，非常方便。自由座優惠票（半票）最佳拆票表如下，最多可以省到 25 元：

至於商務艙屬於特殊服務，票價並不受交通部規範，所以它的計算方式並沒有用到「四捨五入」，而是每一段直接疊加的，所以怎麼拆票價錢都是一樣的。

至於團體票、早鳥票，實用性不高，這裡就不列出了。若讀者真的有需要，或是想檢驗自己跑出的結果，都歡迎來信跟我索取。

從上面的例子，有個很重要很重要的現象：「誤差是會疊加的！」標準全票因為用到四捨五入，所以會有誤差，最多差到 10 元，自由座把標準全票乘以 0.95 後再四捨五入，最多可以差到 20 元，自由座半票又再乘以 0.5 後再四捨五入，所以最多可以差到 25 元。若自由座半票，直接是把標準全票的原始票價乘以 0.95，再乘以 0.5，最後再做四捨五入的話，這樣誤差就小很多了。

事實上，筆者也把台鐵的票價表做了計算，下表是西部幹線山線的拆票表：
（台鐵各列車票價請參考：台鐵自強號票價查詢；台鐵票價計算方式請參考：台鐵票價試算。）

因為台鐵票價是四捨五入到個位數，所以即使基隆到屏東最長的路線拆成了 13 段票，也只省了 2 元。我想應該沒有人會為了省 2 元，自找麻煩吧。

考考讀者，若所有票價計算，皆改成無條件捨去的話，那會如何呢？改成無條件進入呢？

數學就在你身邊！

由以上幾個分享的例子（以及文末推薦的延伸閱讀），可以了解到數線、平面坐標、極坐標的制定概念，其實早就存在生活中，只是數學家將它更嚴謹地用數學語言描述出來。另外，同餘概念、最優化、微積分、演算法，這些求學過程各階段中學到的數學，也都可以運用到生活上。

大多的知識，其實都有其演進堆疊的過程，而且生活上的事物，常常也可以跟所學連結。因此，多學總是有益無害的，但通常我們的學習環境，都是只有學習，卻不常訓練學生如何去應用，「培養數感」其實就是「培養數學時常能跟生活結合的感覺」，有了「數感」就會有學習動機，有了學習動機，學生就會主動學習。

前陣子爆紅的手機遊戲 Pokémon Go，社群網站上，就可以看到各種神人分享所學與遊戲結合的結果：

• 演算法熟悉的人，就分享怎麼安排行走路線會最省時省力；
• 熟悉統計與最優化的人，就會分享如何撒花比較划算，提升抓到怪的機率；
• 學組合數學的人，可以計算所有怪獸搜集完全所需要時間的期望值、同樣的怪要轉換（transfer）誰、怪的體質與屬性的相剋分析、預估升級時間；
• 學電子的人會設計一個雷達裝置放在身上，路上遇到怪就會發出通知、利用無人裝置孵蛋；
• 駭客就會攔截遊戲訊號，取得怪的隱藏數值（IV）······等。

每個主題都不是一時一刻可以講的清楚，但看到不同背景的人，無不使用渾身解術，把所學運用到生活中，著實為我們帶來了不少正能量。

UniMath，You need Math，本期刊就是希望能培養大眾的數感而生，雖然每個人的學習背景不同，但只要能夠時時抱持著自己的知識都能用在生活上的信念，相信一定能蹦出不少的火花。

後記

編按：這篇文章近期在各大新聞也有許多相關的討論（例如：「數學老師幫你算好了　高鐵票分段買最便宜」 /以及後續的「高鐵票分段買最便宜？高鐵：恐造成行程延誤」），原作者郭君逸老師也在PTT上針對這個主題撰寫的初衷和一些網友的提問做了回答。而這些回應也讓文章的討論更臻完整，於是泛科學以後記的方式在此將原本的回文進行增補。

拆票有可能變便宜，我想很多人很早就知道了；如許多鄉民所講，只要利用加法還有比較大小，就可以知道了。其實會這樣想的話，表示已經可以把數學用到生活中了。

不過再更進一步去想你可能會想問：

1. 有時拆票又會變貴，到底為什麼？是不是高鐵的Bug？
2. 又怎麼拆會最便宜？

不管答不答的出來，會這樣想的人就是有著數學思維，Unimath的目的其實就達到了。而這篇文章的重點其實就是為了幫大家回答這兩個問題：

1. 因為「誤差是會累加的」，高鐵票的計算方式是四捨五入到十元，有誤差，所以分越多段的誤差就會越大。
2. 但怎麼拆才會「最佳」，這就要靠電腦的幫忙了。（演算法用在哪？後面會講）

而記者把重點放錯了，都著重在省20元，或是去售票機買不會影響別人之類的。 而且下的標題還很聳動！（這當然不能怪記者，因為不聳動的標題，沒人要點進去看！但至少重點要放對啊……）其實還蠻高興大家對這個主題有興趣的， 若有什麼好的科普主題或文章，歡迎投稿Unimath，跟大家一起分享。

下面是一些比較 boring 的部份，也順便回答一些鄉民的問題：

1. 演算法用在哪？不是只要加法就可以了嗎？

會這樣問的人，應該是沒有碰過程式。知道怎麼拆票的話，當然是直接把每一段票價加起來即可，所以只用到加法。但問題就是不知道怎麼拆，有時拆了還會變貴。

一個簡單的想法是：如果A到F中間有B,C,D,E站的話，每個站要分不分，總共2^4種切法都去試，這樣就是一種演算法。但這樣的爆力法，效率很差（指數時間），高鐵站可能還好，但如果像台鐵當中間的站點一多，連電腦也會算不完。

那要怎麼省時間呢？我觀察到了中間有很多重複計算的部份，例如： 計算A到F站的話，在試切C點時，也會把AC與CF的最佳解都算過了，後來就不用再重複算。 所以我就採取空間換取時間的方法（Dynamic Programming）把算過的存起來就不用再重算， 這樣的演算法就會快很多，即時算台鐵的所有站的分票，也是按個Enter馬上就算完了。

整個演算法雖然是我自己想的，後來還是查了一下書， 發現在演算法書中，最短路徑一章就有很多類似的東西，然後我的演算法跟Dijkstra無迴圈的版本很像。 （其實還是有點不同只是原理相同， 有興趣的同學可以自己寫程式列出所有站點之間的分票方式，比較能體會其奧妙，程式其實很短。）

2. 誤差疊加很重要，求學時老師每次講，台下的我聽了都沒感覺。

明明多項式計算就代進去就好，為什麼還要改成巢狀計算； 矩陣就直接乘就好，為什麼還要對角化、Jordan Form……然後就會在台下說，學這個到底要幹嘛、多此一舉， 後來等到自己遇到麻煩了，才知道自己當時的無知。

3. 時間成本很重要，誰會省這20元。

這當然是這樣，現在比較忙時間都不夠用，我自己每次坐高鐵都坐直達的，誰想每站在那裡換位置！省錢只是文章的手段，讓讀者願意點進來看，但重點不在此，不要再被記者拉著走了。

4. 數學教授整天算一些沒用的東西。

其實有沒有用每個人都不同， 否則籃球員為什麼要一直把球丟到籃框裡？ 畫家為何要畫畫？攝影不就照起來，再用一些濾鏡就好了？ 這都是他們的工作、成果、興趣。 自然會有欣賞的人，自然也都有它的價值在。

5. 只要會加減乘除就可以活的好好的，為什麼要學這麼多？

這老生常談了。這就讓大家幫忙回答吧！ 連加減都不會，也是可以活的好好的。

• ［數學妙用］不會測速的測速相機，郭君逸，UniMath。
• 生活中的數學：交通篇(上)，郭君逸，UniMath。
• Pokémon Go 指南：如何用數學幫助你 Catch ’em all，賴以威、陳宏賓，UniMath。

本文轉載自 UniMath，《高鐵票分段買比較便宜?》

作者簡介：郭君逸 － 國立台灣師範大學數學系助理教授、魔術方塊收藏家。
主要研究興趣為組合、圖論、演算法。近年來致力於科普的推廣，喜愛玩各種數學遊戲、益智玩具以及各類型魔術方塊。目前為世界魔方聯盟(WCA)台灣地區認證員。曾開設整個學期的魔術方塊通識課程，跑遍全台進行魔術方塊系列演講。

關於 UniMath：UniMath (You Need Math)是一個 Online 數學媒體，我們的目的是成為一個線上平台，發表數學相關的科普文章及影音，使數學用更柔軟的姿態走入群眾，提升數學素養。歡迎加入 Facebook 粉絲團知道第一手訊息！