0

0
0

文字

分享

0
0
0

大學科系選擇難題該怎麼解?背景知識、線索蒐集與獨立思考是你的最佳武器!

活躍星系核_96
・2020/03/14 ・4853字 ・閱讀時間約 10 分鐘 ・SR值 511 ・六年級

  • 作者/蘇士銓

我不確定這篇文章是否有用,也許大部分學生根本不需要其他人來建議他們如何選科系。

但我高三下時確實思考過這個問題,而且也是從高三下才開始思考,我大學應該選什麼科系?

我明白並非所有學生都是茫然的,一定有那些早在高一、甚至是國中,就已經確定並期許自己長大後的樣子會是什麼,並朝之邁前努力。不過也有高三下才開始思考這個問題的人存在。十八年的讀書時間,視線幾乎放在「國英社數自」,沒有看過其他東西。可能直到高三下,才注意到這個問題。

而這個時候,網路與現實就如雨後春筍般出現一大堆與之相關的提問與回答。如果你正在思考這個問題,不妨往下看看我的解法。

-----廣告,請繼續往下閱讀-----
茫然無助的學生有如於汪洋大海中,似乎只要遲疑片刻就會沉入永不見底的深海裡。圖/GIPHY

讀了 18 年的書,付出了那麼多,興致勃勃地,國中拚過會考選擇了高中,拚過學測選擇了大學,只因為在高三下沒有好好花時間做出抉擇,四年於社會上成為個興致缺缺的人,回過頭來不會後悔嗎?

如果當時能夠更聽從自己心中的聲音,思考更多,未來會不會更好?

如果當時能夠更聽從自己心中的聲音,未來會不會更好?圖/GIPHY

我讀過一本名為《學生為什麼不喜歡上學?》的書,它是一本認知、教育及學習方面的心理學書籍,講解大腦是如何思考的。書中提到一個有趣的東西叫作「背景知識」,大概意思是說我們所知道的任何東西都能被稱作為背景知識,再透過它來理解「抽象概念」。

舉例來說,你解了一道「5cm × 10cm」手帕面積問題後,它會化成背景知識儲存在你腦裡。當你未來在計算「3km × 5km」居住地面積問題時,你之前所學的「背景知識:手帕面積」就能協助你解決這道題目,並使你了解「抽象概念:面積」。

-----廣告,請繼續往下閱讀-----

既然如此,那為什麼我們不能運用高中所學之物,來解「大學科系選擇」這道題目?用自己這段時間讀的書,來替自己做決定呢?

從更多角度來看待,避免衝動下決定

不如就把選擇科系當作解題目吧。

解題目需要做到:仔細閱讀題目、尋找線索、整理線索、思考有沒有什麼「公式」可以套進去、開始計算、得到一個自己滿意的答案……

這樣做,哪怕你未來就讀那個科系可能會懊惱,但至少後悔的感覺會少了一點──因為那是你思考後選出來的。而非那種憑感覺哪間大學好就選擇哪間大學、父母老師建議什麼科系好就直接去讀什麼科系。

我們能運用高中所學之物,來解「大學科系選擇」這道題目。圖/GIPHY

自己多思考、多參與、查資料、與父母師長討論,然後選出來的科系,哪怕將來發現自己不太適合,感覺也能好上許多。若是你憑一個老師/家長的意見就決定讀什麼,上大學後卻發現不太喜歡這個科系時,感覺恐怕不太好受。甚至可能把怨念投射在給你意見的那個人身上。

-----廣告,請繼續往下閱讀-----

因此,我們得多思考、多和他人交談、獲取更多資料。

哪裡可以獲取線索及資料?哪些是我能用的

師長、父母、親戚、網路文章、學校網站、學長姐分享……

在這部分請容許我分享一下公視的「假新聞出沒! 破解 媒體與牠們的產地」,只是個七分鐘的影片,你們可以看一下。

 

線索是資訊的一種,而判別資訊可不止在媒體識讀上才會用到。看完這個影片我們可以將其化作「背景知識」儲存起來後,然後拿著它所提供的「抽象概念」運用在這件事。

師長&家長提供的線索

你也許和某個老師關係最好,你是他的小老師或他是你的班導,當你困惑時第一直覺通常也會找他/她。

-----廣告,請繼續往下閱讀-----

但你得注意你是否找到正確的人,比如去找英語文學系畢業並擔任英文老師問「資訊工程學系現況如何?」便是不恰當的,即使那個英文老師帶過好幾屆學生,期中大部分都去讀資工系,那也不是老師去讀,因此找錯人提問是愚蠢的。

對的人,對的問題,才能挖掘出有用的線索。圖/mentatdgt@Pexels

因此你得思考:你要問誰?他是這個系畢業的嗎?畢業幾年了?給的資訊會不會過期?他是否了解其他系?問他其他較為相近的科系問題是否合宜?他對其他科系了解多少?問「英語文學系」畢業的人「應用英語學系」相關問題可以嗎?問「英語文學系」的人「日語文學系」相關問題可以嗎?

學長姐提供的線索

如果是問學長姐,你甚至可以再想想:他是幾年級的?大一學長姐分享的內容可以相信的嗎,會不會偏向片面之詞?大四學長姐是不是了解更多?他在系上過得如何?學業成績九十和成績六十的學長對於同個科系的觀感會不會不同?

網路文章提供的線索

網路上的資料同樣如此,注意文章發佈的時間點,資訊會不會過期?注意該平台或網站背後的公司是否值得信賴,注意寫這篇文章的作者是不是有相關學經歷。

-----廣告,請繼續往下閱讀-----

大學網站提供的線索

如果你是注重學校的,你可以去大專校院校務資訊公開平台上查你想要的消息:國際合作與交流、圖書館收藏統計、每學生平均經費、師生比……甚至是去大學學系的網站上查,看它們對於課程的介紹、課程表,師資陣容。

另外,我建議各位可以看一下學分表、教學計畫、授課計畫……總之就是希望你們找到你們關注的那個學系的課表,哪間大學的都可以,重點是學系課表,有大概了解後,再拿去找師長學長姐問問題:「這科系會學什麼」、「這大學學系網站上的課表裡有一堂課我很在意,你知道這堂課主要是在學什麼嗎?」做好功課後再去詢問他人意見還是比較恰當的。

當然,做好功課後再去詢問他人意見還是比較恰當的。圖/Freepik

整理,然後計算

拿一張有一面空白的廢紙,或是 excel 表格開起來,把你搜尋到的資料照類別打上去:師生比、交通距離、宿舍、境外交流數量……然後對比不同學校。

若是科系的部分:未來出路、薪資……甚至可以把你搜尋到的課程表內容打上去,對於你即將所學的內容,依你興趣或你感覺有多少實用性來進行評分。

-----廣告,請繼續往下閱讀-----

在這部分,我想再提到「背景知識」、「抽象概念」這兩件事。先前我有提到,你所學之物將會化成「背景知識」儲存起來,並轉換成抽象概念,將來遇見類似的問題時能化成「抽象概念」來協助你理解、解題。

而在這個部分,若你在十八年的時間有讀一點點課外書、或是了解某領域相關知識,儲存一些「背景知識」進去你的腦海裡。那我非常建議你去看你所關注的科系的「課程表」,一定會有所收穫與了解,這會比你去聽某個學長姐的分享還要有用。

舉例來說,當你了解「骨科」「治療」這兩個詞與它們背後的含意時,那麼當你看見某科系課程表內有「骨科物理治療學」這一堂課,那你大概會了解這堂課會是在教什麼。

甚至你腦海中會浮現出「噢我曾經在 YouTube 上看過三個字有介紹過哪個籃球員做了什麼導致拉傷什麼肌肉」,哪怕你腦海所浮現的與課堂所教的相關性非常小,但在你學習時還是會有幫助──畢竟,那是一棵種子。在你未來四年學習時,說不定能幫助到你。

-----廣告,請繼續往下閱讀-----

第二個則是可以用來比對,比如把「物理治療學系」「職能治療學系」的必修課程複製到 excel,刪掉實習、把課程(一)(二)(三)……刪掉,只保留(一),感覺相近的放一起,相異的分開,看看兩科系之間的差別。

物理治療學系與職能治療學系的科系比較圖。

左欄與右欄為「物治」與「職治」的課表,我把它從學系網站複製下來放到 excel 上重新排列過的。從課程內容上我們能明白哪些是相同課程、相異課程。這對你選科系時應該會有不小幫助。

你也可以把相近的科系複製到excel來比較,比如「英語學系」和「應用英語學系」。不過在那之前,我建議你先把課程表複製到word上,用「選取與取代」來整理一下。

最後,便是做決定

笨,就是得多讀書、多思考。

不要懶惰,只聽信他人之詞「XX 大學經費較多,比較好,你可以去讀」「OO 大學好像負債過多,別去讀」「這家大學老師比較好」……這些都比不上你上網去公開平台查,甚至是點進去那所大學那所科系的網站看資料。

然後去問第一、第二個老師、親戚、學長姐。然後自己在思考,整理,做表格,然後決定,替你未來抉擇。不要因為這幾個禮拜,而後悔四年。

哪怕你說做錯決定,那就轉系、轉學。但那又何談容易,你能因這數禮拜而怠惰、選自己不滿意的科系。那轉學轉系又能好起來嗎,轉到自己滿意的?不如多找資料,多思考,拓展你的資料來源的管道。

盲目地聽從某一個觀點,而不聽或看其他有悖於這個觀點的言輪與資料,就直接下決定,我不知道有沒有什麼比這個還可怕。

我們時常提到獨立思考,甚至於 108 課綱也一遍又一遍不厭其煩地提到,但獨立思考這件事,並非什麼特別的思考方式,而是一個很簡單的防止跟風及盲從。

我文中提到兩次「背景知識」,也是要靠閱讀來獲得的。如果你的「背景知識」儲存量足夠多的話,那麼在閱讀大學課程表時就能夠隱約猜到這堂課會教什麼。在未來就讀這科系四年時會有幫助。甚至是現在對比其他科系資料時就有幫助了。

最後最後,不管最後選擇了什麼科系,都要保持獨立思考的能力。我們終究會離開校園,但不應該離開閱讀。

背景知識都是要靠閱讀來獲得的。圖/GIPHY

除了認真學習課內選修內容外,也希望大家能多閱讀。泛科學上的文章、報導者上的文章、故事、法律白話文運動……這些都可以,甚至找幾本書來看,比如提到「背景知識」「抽象概念」的《學生為什麼不喜歡上學》,如果看完覺得不錯,還能看《萬萬沒想到:用理科思維理解世界》,如果你覺得這些偏理科都太硬,那麼試試《正義:一場思辯之旅》,探討社會各種議題,這些都能夠增加你的「背景知識」。

如果看選修課內書再加上課外書會讓你太累的話,也可以先從網路上的 YouTube 短影片開始看起,比如志祺七七、台灣吧、超級歪……盡量增加自己的「背景知識」儲存量。

奧美集團有過這麼一則廣告,廣告部分內容如下:

「我害怕閱讀的人,在他們面前,我就像一個透明的人,蒼白的腦袋無法隱藏。

我所擁有的內涵是什麼?不就是人人都能脫口而出、遊蕩在空氣中最通俗的認知嗎?就像心臟在身體的左邊,春天之後是夏天,美國總統是世界上最有權力的人。

而閱讀的人在知識裡遨遊,能從食譜學論及至管理學,八卦週刊講到社會趨勢,甚至一隻空中躍下的貓,都能讓他們對物理學侃侃而談註1

我害怕閱讀的人,他們的生命毫不封閉,不缺朋友的忠實,不缺安慰者的的溫柔,甚至連相互較勁的對手,都不缺乏。

他們翻開書,便時而讚歎、時而激辯、有時會獲得勸導與慰藉。一本一本的書,就像一節一節的脊椎,穩穩支持著他們。

我害怕閱讀的人,我祈禱他們不知道我的不安,免得他們更容易地擊垮我,甚至連打敗我的意願都沒有。

我害怕閱讀的人,他們知道無知在小孩身上才可愛,而我已經是大人了。

我害怕閱讀的人,他們懂得生命太短,而人總是聰明得太晚。

我害怕閱讀的人,他們的一小時,就是我的一生。

我害怕閱讀的人,尤其是──還在閱讀的人。」

願我們保持獨立思考,不盲從不跟風,能夠畫出一條屬於自己的線,走上屬於自己的道路,長成自己想長的樣子。

延伸閱讀:

  1. 如何擁有好棒棒記憶力?背景知識是關鍵——《學生為什麼不喜歡上學?》
  2. 大腦動不起來,是因為你不知道該如何思考! ——《學生為什麼不喜歡上學?》
  3. 你以為你在推理?背景知識是思考運作的源頭——《學生為什麼不喜歡上學?》

註解

  1. 原廣告內容為「一支空中躍下的貓,都能讓他們對建築防震理論侃侃而談」,我把它修改成「對物理學侃侃而談」。

參考資料

  1. 《學生為什麼不喜歡上學?:認知心理學家解開大腦學習的運作結構,原來大腦喜歡這樣學》
  2. 假新聞出沒!破解媒體與牠們的產地
  3. 大專校院校務資料公開平台
文章難易度
活躍星系核_96
752 篇文章 ・ 126 位粉絲
活躍星系核(active galactic nucleus, AGN)是一類中央核區活動性很強的河外星系。這些星系比普通星系活躍,在從無線電波到伽瑪射線的全波段裡都發出很強的電磁輻射。 本帳號發表來自各方的投稿。附有資料出處的科學好文,都歡迎你來投稿喔。 Email: contact@pansci.asia

0

3
3

文字

分享

0
3
3
圖形處理單元與人工智慧
賴昭正_96
・2024/06/24 ・6944字 ・閱讀時間約 14 分鐘

-----廣告,請繼續往下閱讀-----

  • 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?

黃仁勳出席2016年台北國際電腦展
Nvidia 的崛起究竟是時勢造英雄,還是英雄造時勢?圖/wikimedia

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。

-----廣告,請繼續往下閱讀-----

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:

-----廣告,請繼續往下閱讀-----
  • 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

-----廣告,請繼續往下閱讀-----

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?

圖形處理的例子

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。

-----廣告,請繼續往下閱讀-----
典型的CPU與GPU架構

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?

-----廣告,請繼續往下閱讀-----

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?

-----廣告,請繼續往下閱讀-----

(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)

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。
文章難易度

討論功能關閉中。

賴昭正_96
43 篇文章 ・ 56 位粉絲
成功大學化學工程系學士,芝加哥大學化學物理博士。在芝大時與一群留學生合創「科學月刊」。一直想回國貢獻所學,因此畢業後不久即回清大化學系任教。自認平易近人,但教學嚴謹,因此穫有「賴大刀」之惡名!於1982年時當選爲 清大化學系新一代的年青首任系主任兼所長;但壯志難酬,兩年後即辭職到美留浪。晚期曾回台蓋工廠及創業,均應「水土不服」而鎩羽而歸。正式退休後,除了開始又爲科學月刊寫文章外,全職帶小孫女(半歲起);現已成七歲之小孫女的BFF(2015)。首先接觸到泛科學是因爲科學月刊將我的一篇文章「愛因斯坦的最大的錯誤一宇宙論常數」推薦到泛科學重登。

0

0
1

文字

分享

0
0
1
備審卡關、筆記好難整理?國高中生必學,一個 prompt 讓 AI 幫你做科系探索!
泛科學院_96
・2024/04/13 ・450字 ・閱讀時間少於 1 分鐘

這集來分享學生必學的 AI 工具與操作!

本來是想做寫作業的 AI prompt,但肯定會被罵翻……因此這次聚焦在如何用 AI 協助整理筆記、職涯探索、製作歷程檔案等事情上。

廢話不多說,讓我們開始吧 !

最後,附上本支影片的學習懶人包:

如果你有更多想要學習的操作技巧,歡迎在下面留言跟我們敲碗~有其他想要看的 AI 測試或相關問題,也可以留言分享喔!

更多、更完整的內容,歡迎上科學院的 youtube 頻道觀看完整影片,並開啟訂閱獲得更多有趣的資訊!

討論功能關閉中。

泛科學院_96
44 篇文章 ・ 51 位粉絲
我是泛科學院的AJ,有15年的軟體測試與電腦教育經驗,善於協助偏鄉NPO提升資訊能力,以Maker角度用發明解決身邊大小問題。與你分享人工智慧相關應用,每週更新兩集,讓我們帶你進入科技與創新的奇妙世界,為未來開啟無限可能!

0

0
0

文字

分享

0
0
0
NCC 公民培力課程 邀您一同打造數位時代的媒體素養
鳥苷三磷酸 (PanSci Promo)_96
・2023/11/15 ・530字 ・閱讀時間約 1 分鐘

本文為 國家通訊傳播委員會廣告

國家通訊傳播委員會(NCC)因應數位匯流發展,為促進通訊傳播產業健全發展,保障消費者及尊重弱勢權益,持續推動「公民培力推廣計畫」,鼓勵廣電媒體及公民團體運用既有資源,協力推動全民媒體素養,以串連其影響力至閱聽眾端,並於今(112)年度規劃「認識媒體」、「防制假訊息」、「性別平權」及「公民新媒體內容產製」等議題,增進社會大眾對於通訊傳播產業的認識。

今年度藉由與廣電媒體、公民團體等合作,包括公視、法律白話文運動、正聲廣播、新聲廣播、鳳鳴廣播、陽明山電視和全聯電視等單位,於今(112)年 7 月至 12 月在北、中、南、東部地區舉辦 19 場媒體識讀活動,包括防制假訊息相聲演出、媒體素養營隊、參訪公視等,針對不同年齡層及族群設計互動課程,將媒體素養教育的種子向下扎根,提高全民媒體素養,打造更優質的社會環境。NCC 誠摯邀請銀髮族、兒少、身心障礙者、新住民及社會大眾一起參加,培養正確閱聽習慣及獨立思考能力,提升公民素養,進而創造更健全的媒體環境,報名方式及活動內容詳見活動網站

鳥苷三磷酸 (PanSci Promo)_96
200 篇文章 ・ 308 位粉絲
充滿能量的泛科學品牌合作帳號!相關行銷合作請洽:contact@pansci.asia