0

0
2

文字

分享

0
0
2

終端機雛形、遠端操控、數據傳輸的首創者——史提畢茲│《電腦簡史》數位時代(七)

張瑞棋_96
・2020/10/05 ・3505字 ・閱讀時間約 7 分鐘 ・SR值 517 ・六年級

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

貝爾實驗室的史提畢茲打造出第一個繼電器加法器後,等了好幾個月才獲得主管批准,打造複數計算機。他為這台機器設計了許多首開先例的操作方式,包括多台輸入/輸出裝置、遠端操控、以電話線傳輸資料。就連「數位」 (digital) 這個詞都經他建議才普遍使用的。

本文為系列文章,上一篇請見:電腦先驅中的先驅——不為人知的楚澤│《電腦簡史》數位時代(六)

複數計算機——因長途電話而生,成為貝爾實驗室得力助手

1938 年春,楚澤在柏林打造 V1 已近尾聲之際,貝爾實驗室的史提畢茲終於等到主管的答覆。幾個月前,史提畢茲向主管展示只有兩個繼電器的陽春加法器 Model K,希望能夠進一步開發二進位的計算機。然而貝爾實驗室是 AT&T 成立的研究單位,研究的領域當然是以電話通訊為主。在主管眼中,繼電器是電話交換機的零件,史提畢茲卻想拿來搞數位計算機,與本業似乎毫不相干,因此遲遲未批准他的提案。

ModelKStibitz.jpg
只有兩個繼電器的 Model K。圖:Wiki

不過目前他們實驗室的確在計算上遇到瓶頸。主要是因為長途電話得靠訊號放大器增強訊號,但增強的結果,雜訊也跟著放大了,所以又得加上濾波器過濾雜訊。其中處理訊號的方程式牽涉到複數的計算(複數的基本形式是 a + bi,其中 a 與 b 是實數,i 是 -1 的平方根,稱為虛數),相當麻煩,兩數相乘就要六個步驟,相除更多達十二個步驟。

為了不要浪費數學家的時間,貝爾實驗室特地雇用一群女性計算員專門負責計算複數。雖然有機械式的四則計算器可以用,仍要耗費不少時間與人力,而且每一步驟都要先寫下計算的結果,再將它們按實部與虛部分別加總,這過程不免發生人為錯誤。於是史提畢茲的主管把他找來,確認他能開發出計算複數的計算機後,才同意進行,並指派設計交換機的資深工程師威廉斯 (Samuel Williams) 和他合作開發。

既然是專門計算複數,他們乾脆將這台機器取名為「複數計算機」(Complex Number Calculator)。史提畢茲針對複數計算的特性,設計成兩個運算單元同時運作,各自進行實部與虛部的計算。運算單元當然是使用繼電器,一共用了四百多個,但記憶單元則是改裝自現成的縱橫式交換機。

輸入/輸出裝置也是用傳遞電報的電傳打字機 (Teletype) 改裝而成,從打字機鍵盤輸入算式後,計算的結果會由同一台打字機列印在紙上。經過一年多的時間,複數計算機終於在 1939 年 10 月完工,可以在 45 秒內完成兩個複數的乘除。這計算速度似乎不是很快,但至少可以避免人為錯誤。

複數計算機的輸入/輸出裝置。圖:WIKI

為了有效利用複數計算機,當機器於隔年一月正式上線時,共外接了三台電傳打字機,讓不同部門的人員可以在原地操作,直接得到答案,不須走到機器所在的位置。當有人正在使用時,互鎖裝置 (interlock) 會自動啟動,防止第二個人再連進機器,以免干擾機器運作造成錯誤。複數計算機順利運作,從此成為貝爾實驗室的得力助手,直到進入 50 年代前才退役。

史上第一遭,透過電話線操作三百多公里外的計算機

1940 年 9 月 11 日,「美國數學學會」(American Mathematical Society) 在達特茅斯學院 (Dartmouth College) 舉辦年會,史提畢茲上台展示已經運作好幾個月的複數計算器(約莫此時在歐洲那邊,楚澤也在德國航空研究所展示他的 V2)。其實這台複數計算機並不在年會現場,它仍然安置在紐約的貝爾實驗室,年會舞台上只放了一台電傳打字機,兩者透過三百多公里的電話線相連。

史提畢茲在鍵盤輸入算式後,過沒多久電傳打字機就將答案列印在紙上,令現場聽眾嘖嘖稱奇。接著他邀請台下的數學家親自測試,複數計算器也都吐出正確答案,獲得普遍讚揚。

值得一提的是,有幾位即將在電腦發展中扮演重要角色的人物也在現場,包括馮紐曼、第一台通用型電子計算機的發明人莫奇利 (John Mauchly),以及「模控學 (cybernetics) 之父」維納 (Norbert Wiener)。

史上首度遠端遙控電腦的會場:達特茅斯學院的麥克那廳。圖:WIKI

二次大戰需大量防空火炮,射控系統急需自動測試

複數計算機獲得各界正面評價,史提畢茲本想乘勝追擊,爭取預算繼續改良計算機。不過對高層而言,花了兩萬美元的複數計算機已經夠用了,看不出改良的迫切性。而且此時貝爾實驗室正忙著軍方的委託案,為防空火炮的射控系統開發類比計算機,用來預判敵機的飛行路徑,實在沒有多餘人力,於是否決了史提畢茲的提案。不料一年之後,竟是軍方同樣的委託案,重啟了數位計算機的開發。

原來納粹軍隊在歐洲勢如破竹,美國眼見同盟國情勢危急,於是在 1941 年 6 月重新改組剛滿周年的「國防研究委員會」,另外成立「科學研究發展局」,同樣由凡納爾.布希領導,直接對總統負責。史提畢茲隨即被借調到科學研究發展局就職,加入射控 (Fire Control) 部門。

幾個月後美國宣布參戰,軍方的武器需求大增,貝爾實驗室隨即湧入大量訂單。原本貝爾實驗室都是靠人工計算並輸入敵機的模擬數據,以測試、修正類比計算機,如今遽增的測試工作已非人工作業所能負荷。

於是史提畢茲跳下來開發一套自動測試系統,他以複數計算機為基礎,同樣用繼電器設計出「內插值計算機」(Relay Interpolator),只要輸入描述飛行路徑的函數,計算機便利用內插法產出大量的數值,供射控系統模擬測試。

圖片下方中間即是射控系統的類比計算機。圖:WIKI

史提畢茲打造內差值計算機,進而設計通用型計算機

內插值計算機於 1943 年 7 月完工,用了 440 個繼電器,和複數計算機差不多,最大的不同在於運算程序由打孔紙帶控制,只要更換不同紙帶就能執行不同的內插法。這是美國第一部可程式化的數位計算機,比起楚澤的 Z3 已經晚了兩年,而且只做內插法的運算,不如 Z3 的用途廣。

史提畢茲隨後又設計了兩台計算機,同樣用於射控系統,但功能更強大,可以直接算出防空火炮的彈道,並即時與敵機的飛行路徑做比較。因為它們都是用繼電器打造的數位計算機,貝爾實驗室便按開發順序,將它們取名為 Mode lII 和 Model IV。這兩台計算機分別於 1944 年中與 1945 年初交給軍方使用,直到 50 年代末才退役。

由於這幾部計算機都相當成功,科學研究發展局打算投入五十萬美元,開發更大型的計算機,除了計算射表、彈道,還能讓軍方用來做各種計算。貝爾實驗室於 1944 年獲得這項通用計算機的開發案,規劃設計當然仍由史提畢茲操刀,型號依例按開發順序就叫 Model V(型號五)。

Model V 於 1946 年 7 月啟用,所用的繼電器超過九千個,重達 10 噸。它有兩套獨立的系統,各自有完整的控制單元、運算單元、記憶單元與輸入/輸出裝置,可以同時運算兩種不同問題,也可以合成一體處理較複雜的大型問題。兩套系統如何運作是由機器的主控單元指揮,主控單元有專屬的控制程式,相當於現代電腦的作業系統 (Operation System)。

安裝於美國陸軍「彈道研究實驗室」的Model V。圖:WIKI

史提畢茲創舉留後世,貝爾實驗室再端新技術

不過史提畢茲並未全程參與 Model V 的開發。1945 年二次大戰結束後,科學研究發展局也解除對他的借調,讓他歸建原單位。但史提畢茲決定不回貝爾實驗室,而是以私人顧問的身分為企業與政府機構提供諮詢服務。前幾年他主要還是在電腦領域,但後來就轉向生物醫學的研究了。

史提畢茲對電腦做出許多先驅性的試驗。複數計算機同時接了三台輸入/輸出裝置,雖然不能同時多人使用,仍算是後來電腦主機搭配多台終端機的最早雛型。而他在達特茅斯學院的數學年會上,完成史上首度遠端操控電腦的演示,開啟了操作電腦的另一種方式,同時證明了電話線傳輸數據的可能性。而且使用數位 (digital) 這個詞來指稱計算機也是史提畢茲率先倡議。

1942 年,他在科學研究發展局的會議中,建議計算機的類別應該用數位與類比來區分,而不是「脈衝」(pulse) 與類比。如果不是他,今天我們用的詞可能就是「脈衝電腦」、「脈衝化」、「脈衝時代」了。

至於貝爾實驗室,緊接著 Model V 推出精簡版的 Model VI 之後,就再也沒有投入計算機的開發。雖然如此,他們仍持續對電腦與網路做出許多重大貢獻,包括數據機、電晶體、行動網路、衛星通訊,乃至 UNIX 作業系統與 C 語言,都改變了數位時代的面貌。

文章難易度
張瑞棋_96
423 篇文章 ・ 628 位粉絲
1987年清華大學工業工程系畢業,1992年取得美國西北大學工業工程碩士。浮沉科技業近二十載後,退休賦閒在家,當了中年大叔才開始寫作,成為泛科學專欄作者。著有《科學史上的今天》一書;個人臉書粉絲頁《科學棋談》。

0

2
0

文字

分享

0
2
0
半導體以前的半導體:從礦石收音機到電晶體——《圖解半導體》
台灣東販
・2022/11/21 ・3430字 ・閱讀時間約 7 分鐘

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

從礦石收音機到電晶體

直到 1947 年末,美國發明電晶體後,人類才正式開始使用半導體。不過在這之前,人類已經在使用類似半導體的東西,礦石檢波器就是其中的代表。

日本從 1925 年開始放送廣播,最早的收音機使用的是礦石檢波器。檢波器是一種可以接收電波,並從中提取出聲音與音樂等資訊訊號的元件。使用天然存在之礦石製作出來的檢波器,就叫做礦石檢波器。

礦石檢波器。圖/東販

圖 1-1 是礦石檢波器的原理。檢波器的構造是以金屬製的針碰觸著方鉛礦這種特殊礦石(圖 1-1(a))。

電流容易從金屬針流向礦石,卻很難從礦石流向金屬針(圖 1-1(b))。這種特殊的性質稱為整流性,也是半導體的特性。

對於擁有整流性的物質來說,容易讓電流通過的方向稱為順向,不容易讓電流通過的方向則稱為逆向

換言之,順向的電阻較低,逆向的電阻較高。之後會說明理由,總之有這種特性的元件,可用於製作檢波器。而順向與逆向的電阻比值愈大,可以製成愈靈敏的礦石檢波器。

礦石檢波器的原料是天然礦石,所以品質並不固定。針的接觸位置不同時,靈敏度也不一樣。所以製作礦石檢波器時,必須試著尋找能夠使針的敏感度達到最佳的特定位置。雖然品質不穩定,但製作簡便又便宜,也不用消耗電力,所以早期的收音機常會使用礦石檢波器。

當時的收音機少年也熱中於用礦石檢波器,自己動手製作礦石收音機。以前筆者(井上)年紀還小的時候,就曾自己製作礦石收音機。調整好礦石檢波器後,就可以清楚聽到廣播電台的聲音,讓人相當興奮。為了盡可能提高接收電波時的靈敏度,我當時也下了不少工夫。

這裡就來簡單說明用檢波器,從電波中提取出資訊訊號的原理吧。

訊號的接收與提取

接收無線電波訊號。圖/東販

如圖 1-2 所示,欲以無線電波傳送聲音、音樂等頻率較低的波時,需先將其轉變成頻率較高的波才行。

這個操作稱為調變。圖中,以調變器混合資訊訊號波(同圖①)與頻率較高的載波(同圖②)後,可以得到同圖③般的波,然後再發送這種無線電波(同圖④)。

檢波器接收到這種無線電波(同圖⑤)後,由於只會讓正向的調變波通過,故可得到同圖⑥般的波。這種波含有頻率較低的訊號波與頻率較高的載波,所以需再通過低通濾波器(只讓低頻率的波通過的濾波器),抽取出訊號波(同圖⑦)。

在真空管收音機盛行起來之後,人們便不再使用礦石檢波器。不過,在第二次世界大戰時,礦石檢波器又起死回生。使用礦石檢波器的雷達,在第二次世界大戰相當活躍。

雷達的原理。圖/東販

雷達如圖 1-3 所示,可透過指向性高的天線,朝特定對象發射高頻率電波脈衝,再接收由該對象反射回來的電波,並計算時間差,以測量出與該對象的距離與方向。之所以要使用高頻率電波,是因為頻率愈高,愈能正確識別出細小的物體。

這種雷達使用的無線電波叫做微波,頻率在 3GHz~10GHz 左右。若要用真空管檢波器,從頻率那麼高的無線電波中檢出訊號,必須使用體積很大、電容量很大的真空管才行,所以真空管不適用於高頻率的檢波器。

重出江湖的礦石檢波器

此時就輪到礦石檢波器重出江湖了。使用礦石檢波器時,針與礦石只要有一個接觸點就行了,電容量很小,在高頻率時也能正常運作。

如前所述,礦石檢波器的運作並不穩定,無法直接用於戰爭。於是歐美國家便紛紛投入研發性能更好、能夠取代礦石檢波器的新型檢波器,最後得到的就是矽晶(半導體)與鎢針的組合。

矽晶是由人工製成的均質結晶,所以不需要像使用礦石時那樣,用金屬針尋找、調整最佳的接觸位置。

而且,隨著雷達矽檢波器的研究持續發展,科學家們也發現了矽晶是相當典型的半導體。

為了提高結晶的純度,矽晶的精製技術也跟著進步,這和戰後電晶體的發明也有一定關聯。而且,因為製造出高性能的檢波器,所以人們也開始使用像是微波這類過去幾乎不用的高頻率無線電波。相關技術在戰後開放給民間使用,於是電視與微波通訊也開始使用這些無線電波。

雖然我並沒有要肯定戰爭行為,但戰爭確實也有促進科學技術發展的一面。

戰爭確實也有促進科學技術發展的一面。圖/pexels

半導體就是這種東西—溫度與雜質可提高電導率

接著就讓我們進一步說明,半導體究竟是什麼東西吧。

所有物質大致上可依導電性質分為兩類,分別是可導電的「導體」,以及不能導電的「絕緣體」。

導體的電阻較低,電流容易通過,譬如金、銀、銅等金屬皆屬於導體。另一方面,絕緣體的電阻較高,電流難以通過,橡膠、玻璃、瓷器皆屬於絕緣體。

我們可以用電阻率 ρ(rho:希臘字母)來描述物質的電阻大小。電阻率的單位是〔Ω・m〕,電阻率愈大,電阻就愈大。

導體、半導體、絕緣體的分類。圖/東販

如圖 1-4 所示,雖然沒有明確的定義,不過導體指的通常是電阻率在 10-6Ω・m 以下的物質,絕緣體指的則是電阻率在 107Ω・m 以上的物質。

相對於電阻率,有時會用電導率 σ(sigma:希臘字母)來描述物質的電阻大小。電導率為電阻率的倒數(σ=1∕ρ),單位為〔Ω-1・m-1〕。與電阻率相反,電導率愈大,電阻就愈小。

相對於此,半導體如名所示,性質介於導體與絕緣體之間;電阻率也介於導體及絕緣體之間,即 10-6〜107Ω・m。代表性的半導體如矽(Si)與鍺(Ge)。

半導體的特徵不僅在於電阻率的大小,更有趣的是,隨著溫度與微量雜質濃度的不同,半導體的電阻率數值也會有很大的變化。圖 1-5 為溫度對半導體電阻率的影響示意圖。圖中縱軸寫的是電導率 σ,但要注意的是,縱軸的 σ 值其實是對數尺度。

溫度對半導體電阻率的影響。圖/東販

由這個圖可以看出,一般而言,隨著溫度的上升,金屬的電導率會下降(電阻率上升);但半導體則相反,在 200℃ 以下的範圍內,溫度上升時,半導體的電導率會跟著上升(電阻率下降)。

1839 年,法拉第在硫化銀 Ag2S 上首次發現了這種隨著溫度的上升,電導率會跟著上升的奇妙現象。雖然他不知道為何會如此,不過,這確實是人類首次發現半導體性質的例子。

電流是電子的流動,所以電導率提升,就代表半導體內的電子數變多了。電子原本被半導體原子的+電荷束縛著,無法自由移動。不過當溫度上升,獲得熱能後,電子就能脫離原子的束縛自由移動了。

這種能自由移動的電子(自由電子)數目增加後,會變得較容易導電,電導率跟著上升。這就是半導體的一大特徵。

高純度的半導體結晶在室溫下熱能不足,幾乎不存在自由電子,所以可視為絕緣體。

不過,如果在半導體結晶內添加極微量的特定元素雜質(Ge 與 Si 以外的某些元素),便可大幅降低電流通過半導體的難度。這也是半導體的一大特徵(詳情將在 1-5 節中說明)。

半導體的自由電子,也可以透過光能觸發。

英國的史密斯於 1873 年時發現了這種現象。他用光照射擁有半導體性質的硒(Se)時,發現硒的電阻變小了(內光電效應)。

1907 年,英國的朗德對碳化矽(SiC)結晶施加電壓賦予能量時,發現結晶會發光。這種能讓光與電能互相變換的特性,也是半導體的特徵。

——本文摘自《圖解半導體:從設計、製程、應用一窺產業現況與展望》,2022 年 11 月,台灣東販出版,未經同意請勿轉載。

台灣東販
5 篇文章 ・ 1 位粉絲
台灣東販股份有限公司是在台灣第1家獲許投資的國外出版公司。 本公司翻譯各類日本書籍,並且發行。 近年來致力於雜誌、流行文化作品與本土原創作品的出版開發,積極拓展商品的類別,期朝全面化,多元化,專業化之目標邁進。

2

1
0

文字

分享

2
1
0
史上第一個全腦世代!獨立、重視個體性、技能比學位更重要的「Z 世代」——《全腦人生》
天下文化_96
・2022/08/24 ・4462字 ・閱讀時間約 9 分鐘

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

  • (編按)根據不同世代的背景和特徵,歐美國家流行將不同年代出生的人們依序冠以:
    • 嬰兒潮世代:1946 年~1964 年,二戰後嬰兒潮
    • X 世代:1965年~1980年
    • Y 世代:1980年~1990年,千禧世代
    • Z 世代:1990年代末~2010年代前期,數位原生世代
    • α 世代:Z 世代的子女

隨著科技日新月異,各個世代產生了哪些轉變?

千禧世代之後,Z 世代接棒,他們的父母通常是思想獨立的 X 世代。這些 Z 世代青年比父母一輩更獨立,更運用全腦生活,原因如下:

  • 第一,這些孩子是由 X 世代撫養,長成的一號人格註1超級給力。
  • 第二,Z 世代接受右腦學習教育,造就強大的全腦思維。
  • 第三,X 世代得將嫻熟科技的全腦思維,融入嬰兒潮世代。

那由左腦建構的世界,無獨有偶,Z 世代也得將全腦思維融入千禧世代那右腦主導的世界。綜上所述,Z 世代在生物學上和文化方面都是史上第一個全腦世代。

Z 世代與千禧世代相仿,從嬰兒床時期就與科技產品綁在一起,許多人說自己的母語之前,早就會說谷歌語言。

不過,千禧世代喜歡群體,希望置身社群網路,Z 世代在社交活動上卻更為自主,沒那麼喜歡與人互動,反而與科技互動更自在。

科技常常使得人與人的互動減少,你們也是嗎?圖/Envato Elements

將科技視為自我延伸的「Z 世代」

深究發現,Z 世代其實是將科技視為自我的延伸,有意識的將科技工具整合至日常生理活動。

手機應用程式替他們監控生命徵象,計算步數及每分鐘的呼吸次數,追蹤睡眠,減緩心率,降低焦慮,還會以任何你可想像的方式協助轉移注意力;手機應用程式會告訴他們該吃什麼,何時達到社群媒體每日使用時間上限,何時該睡覺——然後,會播放 δ 波音樂,提升睡眠品質。

儘管資通訊科技可促使人與人之間更頻繁交流,

卻不會激起人際連結的火花,

無法以正向方式刺激大腦。

Z 世代青年如此頻繁使用科技,變得愈來愈自動化,神經愈來愈根據科技來調節,世代差異益發明顯。與美軍世代及嬰兒潮世代的傳統思維、價值觀與行動相比,這些孩子及之後的 α 世代,神經學層面實有獨到之處。

在一個世紀內,大腦的支配方式及價值觀已然產生變化,儘管我們數十年來早已發現,人與人的接觸有助建立更健康的神經網路,科技卻造成人際連結嚴重中斷。

儘管資通訊科技可促使人與人之間更頻繁交流,卻不會激起人際連結的火花,無法以正向方式刺激大腦。人類天生就是社會動物,我們與科技的緊密互動,正在戕害我們的健康。

越科技,與孤獨的距離也更近

根據一份各世代孤獨感的自陳報告研究,科技使用程度與孤獨感之間呈直接正相關。

比起從小身處科技環境的世代,美軍世代及嬰兒潮世代成長過程畢竟並未時常伴著手機、電腦、平板電腦,受試者自陳的孤獨感較低。此外,機不離身導致人機界線模糊,病態狀況層出不窮,夫妻與家人莫不帶著這頭號問題,尋求治療解方。再加上電磁輻射對生物系統的影響仍為未知,科技也開始彷彿列車長不在的失速列車。

Lonely Ryan Reynolds GIF by POKÉMON Detective Pikachu
如果感到孤獨的話,也許是時候該放下手機了。圖/GIPHY

2001 年,全腦 Z 世代族群年紀尚小,有些人甚至還沒有出生,全美社會就歷經九一一事件的創傷,承受創傷後壓力症的餘波;後來 2008 年金融危機,迪士尼樂園假期縮成宅度假,這些孩子很快就知道這世界危機四伏,他們的二號人格遭恐懼和焦慮淹沒,也是理所當然;日常言論充斥著政治對立和仇恨,無怪乎藥物過量與自殺情形肆虐,年輕一代那些自覺在人際網路中無足輕重的孩子,更是置身險境。

要是上述事件還不夠嚴重,請想想這些孩子還面臨 2020 年開始的新冠肺炎大流行,說他們有點像是在野外求生,也不為過。

世道如此艱難,Z 世代如同千禧世代,耗費許多時間應付戰鬥或逃跑反應,並未累積太多財富,當然不願買房或安頓下來,反而希望繼續移動,畢竟移動的目標才難以被抓住。

所以,Z 世代究竟有哪些特徵?

Z 世代如父母一樣獨立,重視左腦一號人格的個體性,沒興趣將自己擠入社會組織架構的框架,於是,許多人選擇直接跳過大學。

Z 世代只要動動手指,就能通達浩如煙海的資訊,真真切切以強大的一號人格與科技共存,也以三號人格的價值觀過活。想要什麼東西,就上亞馬遜訂購,無論他們可能身在何處,訂購物品幾乎立刻就送達門前。三號人格好喜歡科技帶來的即時滿足感。

網際網路幾乎可以即時滿足 Z 世代的大部分物質慾望。圖/Pixabay

Z 世代天生熟悉電腦程式碼,許多人幾乎沒什麼開銷,便賺得大筆收入,因為大型科技公司現在直接透過網路雇用他們的技能。事實上,在科技盛行的世界,Z 世代人才炙手可熱,谷歌與亞馬遜等大公司甚至不需要員工有學士學位。

Z 世代喜愛高薪工作,開名車,身著最新的花押字印花名牌。Z 世代一號人格的自我價值由所持有的事物反映,但若二號人格感覺遭威脅,而三號人格需要衝至別處,也要隨時能將所需要的事物一把抓起帶著走。

這點,與典型的千禧世代特徵有如天壤之別,千禧世代通常會到古著店或二手衣店買衣服,錢比較不會用在自己身上,更傾向捐款做公益。

與社群媒體共生:Z 世代更寬容、更不受拘束

若說千禧世代有了社群媒體而如虎添翼,Z 世代則需要社群媒體,才能如魚得水。

Z 世代建立關係的對象主要是手機、iPad、電腦,因此他們站在文化潮流的尖端,了解現今當紅時事,簡直是第二天性。

右腦強勢又強大的他們,儘管常聽到長輩仇恨言論喋喋不休,面對與之殊異的文化、族裔、宗教、性傾向,都更為寬容;比起應該做的事,花時間做喜歡的事更自在。

對 Z 世代來說,社群媒體佔了生活得很大一部分。圖/pixabay

Z 世代手藝精巧,對自己下了工夫的創作,引以為傲。他們的四號人格希望種植可食用的健康作物,打造美麗花園,關心清淨的空氣和水源,一心保護地球家園。

電腦對人腦帶來的加速、耗損與壓迫

我們這個社會已經達到人類與科技融合的轉捩點。這麼說好了,儘管大腦是由數百億個互相傳遞訊息的神經元組成,造就的神奇副產物卻是人類個體意識的展現;相形之下,我們有數十億顆大腦互相交流,共同展現人類的集體意識。

再更進一步說,網際網路是由數十億部電腦組成,電腦則透過人腦意識互相連接,結果就是:出現遍及全球的科技意識,而這種意識突破了最狂放的科幻想像。

人類與電腦開始產生這種聯繫之時,是人類建構電腦,影響電腦。然而,現在卻是電腦在影響人腦。

隨著千禧世代與 Z 世代到來,網際網路的追蹤行為司空見慣,我們的上網活動、位置、移動模式、飲食、採買的產品、理財習慣、政治喜好,甚至是我們的臉孔、朋友家人互動程度,都會受到追蹤,手機應用程式會監控、蒐集我們的生物系統資料,提供生活建議。

手機無時無刻不在紀錄我們的一舉一動,甚至影響我們的選擇、行動和思考。圖/Pixabay

科技與人類如今步步走向整合,最終我們不僅賦予科技影響我們想法、情緒和生理反應的能力,也已嘗試植入各種形式的科技和神經微晶片。這點令人既期待又害怕。

生物系統的運作集結了各種負回饋迴路,例如,我餓到肚子痛,吃了東西,痛感就沒了。在此生物系統中,我有欲望,並依這種欲望行事,欲望消止之後,我感覺滿足,該系統就暫歇。

以負回饋迴路為本的系統,有其妙處:可以建立並傳達需求,一旦滿足需求,就能恢復自身的平衡與恆定機制。在恆定機制下,生物系統可以自行休息與補足能量。這些負回饋迴路消耗最少的能量來示警,警報一解除,系統就會暫時關閉,返回節能模式,生命因此得以健康發育。

另一方面,資通訊科技堪稱正回饋系統,不會暫歇或停止運作。此系統愈常運轉(也就是你打電動或瀏覽網頁的次數愈多),系統中設置的誘惑也愈多,以便增加你的點閱數,吸引你付出更多時間與注意力。這些科技全天候運作,會加速我們的神經網路,也會耗損我們的神經網路。

大腦就像電腦一樣,偶爾要清理才不會當機

電腦及網際網路的世界都會持續運作,直到當機、需要修復或更新軟體的時候。然後,該系統會重新啟動,並從上次停止的地方再度開始運轉。電腦驅使我們更賣力工作,更用力玩遊戲,更迅速思考。從認知和情緒方面來看,這些科技正在磨耗我們的生物系統,我們更難抵擋科技癮頭。

科技帶來便利,協助我們提高效率,適當使用的話,也能創造更健康的工作與生活平衡狀態——這些當然無可否認,只是,科技老是鼓勵我們「衝衝衝」,可能造成腦部健康大大受損,也可能粉碎我們與身旁親友的關係。

科技就像是生活的加速器,但也讓我們忘了「停下」。圖/Pixabay

大腦基本上就是人類生命的硬碟,我們成天編譯數十億個 Cookie ——來自電視、手機、社群媒體、以及科技替你量身訂做的健身課表,當然還有工作用的電腦。

人腦就像工作用的電腦,我們若沒有一天清理好幾次垃圾檔案,至少也要每天清理一次,重新啟動大腦,才能呈現最佳效能。若要還原為由負回饋迴路驅動的生物系統,我們必須定期按下暫停鍵,給大腦機會更新、重新校準並執行硬體重設,這也是睡眠如此重要的一大因素。

一天之中找些時間,有意識的與四大人格舉行大腦會議,也享有這種好處。無論我們是否需要接受幫助,或者只是剛好想抱持感恩,擁抱新氣象,我們都有能力選擇想成為什麼樣的人,有能力選擇如何成為那樣的人,有能力扶自己一把。

無論這些世代的差異為何,誠如我在 TED 演講所述:

我們是能量生物,藉由右腦半球的意識互相連結,

形成一個人類大家庭。

而此時此地,我們全都是這個星球上的兄弟姊妹,

來這裡,讓這個世界更美好。

而在這個時刻,我們很完美,我們很完整,我們很美麗。

——本文摘自《全腦人生:讓大腦的四大人格合作無間,當個最棒的自己》,2022 年 8 月,天下文化,未經同意請勿轉載。

所有討論 2
天下文化_96
110 篇文章 ・ 597 位粉絲
天下文化成立於1982年。一直堅持「傳播進步觀念,豐富閱讀世界」,已出版超過2,500種書籍,涵括財經企管、心理勵志、社會人文、科學文化、文學人生、健康生活、親子教養等領域。每一本書都帶給讀者知識、啟發、創意、以及實用的多重收穫,也持續引領台灣社會與國際重要管理潮流同步接軌。

0

4
3

文字

分享

0
4
3
從「工人智慧」到「人工智慧」——《普林斯頓最熱門的電腦通識課》
商業周刊
・2022/03/13 ・3569字 ・閱讀時間約 7 分鐘

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

  • 作者/ 布萊恩·柯尼罕( Brian W. Kernighan)
  • 譯者/ 李芳齡

人工智慧的開端

在電腦發展之初的二十世紀中期,人們開始思考可以如何用電腦來執行通常只有人類才能做到的事情,一個明顯的目標是玩西洋跳棋和西洋棋之類的棋盤遊戲,因為這領域有個優點,那就是有完全明確的規則,並有一大群感興趣且有資格稱為專家的人。

另一個目標是把一種語言翻譯成另一種語言,這顯然困難得多,但更為重要,例如,在冷戰時期,從俄文到英文的機器翻譯是很要緊的事。其他的應用包括語音辨識與生成,數學與邏輯推理,做決策,及學習過程。

這些主題的研究很容易取得資助,通常是來自美國國防部之類的政府機構。我們已經在前文中看到,美國國防部對早期網路研究的資助有多珍貴,它引領出網際網路的發展。人工智慧的研究也同樣受到激勵及慷慨資助。

我認為,把 1950 年代及 1960 年代的人工智慧研究形容為「天真的樂觀」,應該是公允的。當時的科學家覺得突破就快到來,再過個五或十年,電腦就能正確地翻譯語言,在西洋棋比賽中擊敗最優的人類棋手。

我當時只是個大學生,但我著迷於這個領域和潛在成果,大四時的畢業論文就以人工智慧為主題。可惜,那篇論文早已被我搞丟了,我也想不起當年的我是否也抱持相同於當時普遍的樂觀態度。

但是,事實證明,幾乎每個人工智慧的應用領域都遠比設想的要困難得多,「再過個五或十年」總是一次又一次被端出來。成果很貧乏,資金用罄了,這領域休耕了一、二十年,那段期間被稱為「人工智慧之冬」。

網際網路發展成未來趨勢。圖/Pexels

把專家的判斷規則,直接寫成一堆判斷式的「工人智慧」階段

到了 1980 年代和1990年代,這個領域開始用一種不同的方法復耕了,這方法名為專家系統(expert systems)或規則式系統(rule-based systems)。

專家系統是由領域專家寫出很多規則,程式設計師把這些規則轉化為程式,讓電腦應用它們來執行某個工作。醫療診斷系統就是一個著名的應用領域,醫生制定研判一名病患有何問題的規則,讓程式去執行診斷、支援、補充,或理論上甚至取代醫生。

MYCIN 系統是早期的一個例子,用於診斷血液感染,它使用約 600 條規則,成效至少跟一般醫生一樣好。這系統是由專家系統先驅愛德華.費根鮑姆(Edward Feigenbaum)發展出來的,他因為在人工智慧領域的貢獻,於 1994 年獲頒圖靈獎。

專家系統有一些實質性的成功,包括顧客支援系統、機械維修系統以及其他焦點領域,但最終看來也有重大限制。

實務上,難以彙集一套完整的規則,而且有太多例外情況。這種方法未順利擴大應用於大量主題或新問題領域,需要隨著情況變化或了解的改進,更新規則,舉例而言,想想看,在 2020 年遇上一名體溫升高、喉嚨痛、劇烈咳嗽的病患時,診斷規則該如何改變?這些原本是一般感冒的症狀,或許有輕微的併發症,但很可能是新冠肺炎,具有高傳染性,且對病患本身及醫療人員都非常危險。

擺脫「工人智慧」,讓電腦能自學——機器學習的基本概念

機器學習的基本概念是對一種演算法給予大量的例子,讓它自行學習,不給它一套規則,也不明確地編程讓它去解決特定問題。

最簡單的形式是,我們為程式提供一個標記了正確值的訓練集(training set),例如,我們不試圖建立如何辨識手寫數字的規則,而是用一個大樣本的手寫數字去訓練一套學習演算法,我們對每個訓練資料標記其數值,這演算法使用它在辨識訓練資料時的成功及失敗來學習如何結合這些訓練資料的特徵,得出最佳辨識結果。

當然,所謂的「最佳」,並不是確定的:機器學習演算法盡力去提高得出好結果的機率,但不保證完美。訓練之後,演算法根據它從訓練集學到的,對新的資料進行分類,或是預測它們的值。

監督式學習——人類教電腦看見特徵,由演算法來算出規則

使用有標記的資料(labeled data/tagged data)來學習,此稱為監督式學習(supervised learning)。大多數監督式學習演算法有一個共通的架構,它們處理大量標記了正確類別(正確值)的例子,例如,這文本是不是垃圾郵件,或者,這照片中的動物是哪種動物,或者,一棟房子的可能價格。演算法根據這個訓練集,研判能讓它得出最佳分類或做出最佳預測的參數值;其實就是讓它學習如何從例子做出推斷。

我們仍然得告訴演算法,哪些「特徵」能幫助做出正確研判,但我們不對這些特徵給予權值或把它們結合起來。舉例而言,若我們試圖訓練演算法去過濾郵件,我們需要與垃圾郵件內容有關的特徵,例如類似郵件用詞(「免費!」)、已知的垃圾郵件主題、怪異字符、拼字錯誤、不正確的文法等等。

這些特徵單獨來看,並不能研判一份郵件就是垃圾郵件,但給予足夠的標記資料,演算法就能開始區別垃圾郵件與非垃圾郵件——至少,在濫發垃圾郵件者做出進一步調整之前,這演算法具有此過濾成效。

手寫數字辨識是一個眾所周知的問題,美國國家標準與技術研究院(National Institute of Standards and Technology,NIST)提供一公開測試組,有 60,000 個訓練圖像集和 10,000 個測試圖像集,<圖表>是其中一個小樣本。機器學習系統對此資料的辨識成效很好,在公開競賽中,錯誤率低於 0.25%,亦即平均 400 個字符中只有一個錯誤。

機器學習演算法可能因種種因素而失敗,例如,「過度擬合」(over-fitting),演算法對其訓練資料的表現很好,但對新資料的表現遠遠較差。或者,我們可能沒有足夠的訓練資料,或是我們提供了錯誤的特徵集,或者,演算法產生的結果可能確證了訓練集內含偏誤。

這在刑事司法應用系統(例如判刑或預測再犯)中是特別敏感的問題,但在使用演算法來對人們做出研判的任何情況,也會造成問題,例如信用評等、房貸申請、履歷表篩選。

垃圾郵件偵測及數位辨識系統是分類型演算法(classification algorithms)的例子:對資料項做出正確分類。

預測型演算法(prediction algorithms)則是試圖預測一數值,例如房子價格、運動比賽得分、股市趨勢。

舉例而言,我們可能試圖根據位置、年齡、客廳面積與房間數等主要特徵來預測房子價格,更複雜的模型——例如 Zillow 使用的模型——會加入其他特徵,例如相似房屋之前的售價、社區特色、房地產稅、當地學校素質。

非監督式學習——讓電腦自己找出特徵與規則

不同於監視式學習,非監督式學習(unsupervised learning)使用未加入標記的訓練資料,亦即沒有對資料加上任何標記或標籤。非監督式學習演算法試圖在資料中找出型態或結構,根據資料項的特徵,把它們分組。有一種盛行的演算法名為「k 群集分析」(k-means clustering),演算法盡力把資料分成 k 群,讓每一群中的資料項相似性最大化,並且各群之間的相似性最小化。

舉例而言,為研判文件的作者,我們可能假設有兩名作者,我們選擇可能的關聯性特徵,例如句子的長度、詞彙量、標點符號風格等等,然後讓分群演算法(clustering algorithm)盡它所能地把文件區分成兩群。

非監督式學習也適用於在一群資料項中辨識離群項(outliers),若大多數資料項以某種明顯方式群集,但有一些資料項不能如此群集,可能代表必須進一步檢視這些資料項。

舉例而言,設若<圖表>中的人工資料代表信用卡使用情形的某個層面,多數資料點分別群集於兩大群之一,但有一些資料點無法群集於這兩群中的任何一群,或許,這些資料點沒什麼問題——群集分析不需要做到完美,但它們也可能是詐欺或錯誤的情況。

群集分析以辨識異常值。圖/普林斯頓最熱門的電腦通識課

非監督式學習的優點是不需要做可能滿花錢的訓練資料標記工作,但它不能應用於所有情況。使用非監督式學習,必須思考出與各群集相關的一些可用的特徵,當然,對於可能有多少個分群,也需有一個起碼的概念。

我曾經做過一個實驗,使用一個標準的 k 群集分析演算法來把約 5,000 個臉孔影像區分為兩群,我天真地期望這演算法或許能區分出性別。結果是,它的正確率約 90%,我不知道它是根據什麼來下結論的,我也無法從那些錯誤的情況中看出什麼明顯型態。

——摘自《普林斯頓最熱門的電腦通識課》,2022 年 2 月,商業周刊

商業周刊
12 篇文章 ・ 3 位粉絲