像憤怒鳥一樣彈射的種子：豆科種子可以「炸」多遠呢？

• 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。

豆科（legume）植物能在缺乏氮素的土壤中生長，完全是依靠著他們能與根瘤菌（rhizobia）共生的本事；而人們也很早就發現，把豆科植物納入輪作系統，可以使土地保持肥沃。

中國在漢朝時已發展出精緻的三年輪作系統，由夏季種黍開始，接著是小麥，第二年春天收穫小麥後種下大豆，然後到第三年夏天種小米。如此循環三年，同時將土地分成三份，第一年夏天第一塊地種黍、第二塊地種小米、第三塊地種大豆….這樣田地的養分會因為有大豆加入輪作而不至於缺氮，而每年都可以有小米、黍、大豆、小麥可吃。 歐洲直到一千年後才發展出輪作，但是複雜的程度則遠遠不及漢朝。

對於豆科植物來說，雖然根瘤菌可以使他們得以在缺氮的土地上繁衍，但如果根瘤長太多，對植物本身也會造成負擔。所以，植物一定要有個方法來調節根瘤生長的量。

過去透過研究長太多根瘤的植物發現，在百脈根（Lotus japonicus，為豆科的模式植物）裡面有個類受體激酶（receptor-like kinase）HAR1，它負責接收來自根的信息。當根與根瘤菌建立共生關係之後，由根部分泌出CLE-RS1與CLE-RS2（RS是「根的信號」Root Signal的意思）兩個多肽並經由導管傳送到植物的莖與葉（shoot）；在莖與葉，由HAR1負責接收這兩個信號之後，然後莖與葉的細胞分泌一個化學物質來抑制更多的根瘤形成。

最近的研究發現，原來這個由莖與葉負責分泌的化學物質，應該就是細胞分裂素（cytokinin）。研究團隊發現，缺少HAR1的植物，只有細胞分裂素的分泌量顯著下降，而在過度表現CLE-RS1與CLE-RS2的植物中，細胞分裂素反而上昇；接下來更有意思的是，當植物被根瘤菌感染時，細胞分裂素也呈現上昇的趨勢。

於是研究團隊把缺少HAR1的植物用細胞分裂素處理，結果發現，原本缺少HAR1的植物會有非常多的根瘤，但是在使用細胞分裂素處理後，它的根瘤的數目甚至可以回到野生種的水平。

所以，豆科植物透過分泌細胞分裂素來抑制根瘤的產生；而細胞分裂素的分泌則有賴於HAR1的活化，而CLE-RS1與CLE-RS2（由根部分泌）可以活化HAR1。可以看到，植物透過層層嚴密的負回饋控制（negative feedback control）來調節根瘤產生的數目，使自己取得平衡，不至於因為產生太少根瘤造成氮不足，但也不會因為產生過多根瘤，使得養分分配錯置，影響生長。

參考文獻：

• T.R. Sinclair,C.J. Sinclair. (2010) Bread, Beer and the Seeds of Change：Agriculture’s Imprint on World History. ISBN：9781845937058
• Takema Sasaki, Takuya Suzaki, Takashi Soyano, Mikiko Kojima, Hitoshi Sakakibara & Masayoshi Kawaguchi. (2014) Shoot-derived cytokinins systemically regulate root nodulation. Nature Communications 5, Article number: 4983 doi:10.1038/ncomms5983

原刊載於作者部落格老葉的植物王國

新的研究指出，亞馬遜的大蓋巨脂鯉（Colossoma macropomum）能帶著植物的種子，橫越超過五公里外的氾濫平原。

過去以來，雖然科學家預期魚在植物種子的傳播上扮演重要的角色，但對於種子的發芽率及傳播距離，卻缺少實際證據。

杜克大學的演化生態學家Jill Anderson，和她的團隊在祕魯的國家保護區裡發現，大蓋巨脂鯉腸道內有數以百計的種子。然而，這種魚能帶著種子多遠的距離，以及種子是否能在新地點發芽都是未知。

為了要找到答案，Anderson和她的團隊利用無線電，在河水會氾濫的季節，追蹤24隻大蓋巨脂鯉的位置，結果發現魚移動5.9公里遠。配合在實驗室中，種子能在魚腸道內存活多久的資料，推測大蓋巨脂鯉平均移動337~55英尺，而且種子能被帶到5.5公里之外。

這是食果動物傳播種子最遠的紀錄，與非洲犀鳥及亞洲象不相上下。

更重要的關鍵是，這些分布在氾濫平原的種子，偏好在這樣的環境發芽，而非在像是湖泊這樣不流動的水域中。

美國加州的生態學家Michael Horn認為，過去我們都低估了魚對種子傳播的貢獻，即使科學家們都認為魚在生態系中扮演潛在的重要角色；熱帶非洲、北美及歐洲，都有魚攜帶種子傳播的例子。然而，我們對於細節卻都不清楚，其中一個原因是，和魚相比，鳥類及陸上哺乳類傳播種子的行為較容易研究。

即使Anderson的研究指出大蓋巨脂鯉在種子傳播扮演重要的角色，但她認為大蓋巨脂鯉對生態的貢獻仍被低估了。因為她預期，更大的魚能將種子帶到更遠的地方，但這項研究所追蹤的個體，體型並不是最大的。在過去的紀錄中，大蓋巨脂鯉能長到30公斤重。

此外，這項研究也指出另一項隱憂，亞馬遜地區的過度漁撈，對生態的衝擊可能遠超過我們的想像。

資料來源：Fruit-feasting fish fertilize faraway forests

作者：何郁庭│國立中興大學森林系碩士畢業，現職計畫專任助理。

一個尋常午後，窗台邊突然傳來巨響。

原先以為是鳥撞上玻璃，走近一看，才發現是前幾天隨手採下木豆 (Cajanus cajan) 的莢果，因乾燥後開裂，發出巨大的爆裂聲。兩片木質果皮分別捲曲成螺旋狀，數顆木豆種子則彈射到各處，窗台前一片狼藉。

開裂的兩片果皮很堅韌，怎樣也沒辦法回復成打開前的樣子，這引起了我的好奇。我猜想，部分的豆科植物是不是利用莢果開裂，使種子「彈射」到更遠的地方，以利於種子在更遠的地方發芽呢？

為此，我開始搜尋一些跟「豆科」以及「種子傳播」有關的報告，發現一篇來自雨林生態期刊 (Journal of Tropical Ecology)的文獻，這個研究位於西非的加彭 (Gabon)，講述 Tetraberlinia moreliana 這種雨林中的喬木，如何讓光滑扁平的種子，從樹冠「彈射」到 50 公尺以外的沙地上。

T. moreliana 是豆科下甘豆亞科的大喬木，根據描述，樹高可以生長至 51 公尺，同時，它也是加彭地區雨林的「突出樹」，比週遭大多樹木來得更高，半圓形的樹冠遮住了週圍其他樹的樹冠。T. moreliana 的木質莢果生長於樹冠層並突出於樹冠，像一枝枝三角旗豎立。每個莢果內含 0-4 顆扁平盤狀的種子，而平均是 2 顆。

種子可以彈射多遠呢？

研究人員嘗試觀測 T. moreliana 的種子究竟能彈射多遠，因此設計了試驗：

首先，他們定義了「水平傳播距離」，也就是彈射落底的種子，到樹冠邊緣的最近水平距離。

然後，在莢果成熟的 12月至 2月期間，每日計算有多少種子彈射到預設的區域，以 50 公尺為界，由於密集的植被和起伏的地形，水平距離小於 50公尺的區域並沒有計算種子落下的數量。又因為觀測的地點是沙地地形，所以也毋須擔心種子落地後滾去很遠的地方。實驗之所以不計算所有彈射的種子，而僅僅計算 50 公尺之外的種子，其實是因為觀測地點的限制，使得研究人員無法計算所有的彈射種子數量。T. moreliana 是雨林中特別高聳的獨立樹，距離林緣 50 公尺，除了落在雨林外沙地的種子，剩下的皆會落進雨林中，而雨林有複雜的垂直結構，包含樹冠層、第二樹冠層、灌叢、地被、腐植質…等，除此之外，還有各種附生植物及藤蔓，要從雨林中找到觀測樹所有的種子，是非常困難的！

這個觀察共調查了 4 棵樹，經過 3個月的計算，研究人員記錄到最遠的彈射距離可達 61 公尺，而彈射距離取決於樹的高度。他們對其中一棵樹進行較詳細的觀察，根據莢果估算了總種子數，大約有 15,000- 20,000 顆種子，其中 1.5- 2% 的種子彈射距離超過 50 公尺。

此外，研究中也爬上樹將莢果採下，將果序插在沙地上，觀察開裂時種子彈射的角度和距離。18 顆種子中，距離最遠的可達 23.2 公尺，仰角則平均 17.3°。

研究人員試圖重建種子彈射的彈道，並繪製剖面圖。而這個預測的彈道有一些前提：

1. 起始點為樹冠外層
2. 沒有受到風及其他外力作用
3. 受到的空氣阻力與速度平方成正比
4. 接觸地面後便不再移動

依照以上前提而重建的軌跡，其起始點仰角為 21.2°，初始速度為 37.1公尺/秒，比前人研究沙盒樹 ( Hura crepitans) 彈射的起始速度 70 公尺/秒還要低得多。沙盒樹是大戟科的植物，彈射距離最遠紀錄是 41 公尺。

與沙盒樹同屬 Hura polyandra 果實爆開的畫面。（這邊是用暴力砸開）

生活中其他靠彈力傳播的種子與問題發想

毛毛蟲以會即將爆開的果實為食，會發生什麼事呢？

回想我們生活中常見的彈力傳播種子，不外乎兒時共同回憶的非洲鳳仙花、紫花酢漿草，除此之外，還有蕨類的孢子囊，彈射距離不外乎數十公分，然而 T. moreliana 卻能將種子傳遞到數十公尺之外，飛越其他樹木直至雨林的邊緣。

不過，有趣的是，若這是一個有效的傳播方式，又為什麼彈射距離超過 50 公尺的比例僅僅 2%呢？這個問題，並沒有在報告中得到明確解答。

再看看木豆，儘管原先的疑惑得到解答，卻隨之而來出現更多問題。木豆並非雨林中的突出樹，而是高 1- 2公尺的灌木，彈射的種子傳播策略，在原生育地有怎樣的優勢？此外，木豆的種子又能彈射多遠、速度多快？是否有方向性？這些問題，也許得自己設計實驗才能獲得解答了。

參考資料：

• Van Der Burgt, X. M. (1997). Explosive seed dispersal of the rainforest tree Tetraberlinia moreliana (Leguminosae–Caesalpinioideae) in Gabon. Journal of Tropical Ecology, 13(1), 145-151.