HOW TO 舉辦公民共識會議？

• 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。

本特輯由 教育部青年發展署 委託，泛科學企劃執行

「審議民主」目的是促成公眾對政策進行知情而理性的討論，而為因應疫情發展，線上審議被認為更加切合時代趨勢，教育部青年發展署透過優化線上審議民主的過程，期望未來參與公共事務不再受到疫情或地域的影響與限制。

自疫情開始以來，促使人們生活型態轉變，更凸顯數位治理、網路社會、創新應用的重要性，然而線上審議之相關研究不足仍需深入探討。因此，以線上審議之可行性及具體操作模式為背景，透過「109 年 Let’s Talk 討論議題」及「如何透過數位方式（「小校聯盟」、「數位學伴」）改善偏鄉教育資源？」為主題，共辦理 5 場，每場 2 小時的審議民主線上會議，邀集審議公民及主持人共 14 至 16 位，另安排 5 位審議觀察員，總共 88 位民眾參與，運用數位會議工具、即時通訊軟體，不僅帶動民眾參與線上審議的風氣，也為線上審議增添寶貴的研究成果，形塑青年公共參與文化並實踐數位民主。有關研究結果將在 4 月底前，於青年署官方網站公開，歡迎有興趣的民眾點閱。

此外，為因應線上審議推展，青年署以電玩、打怪等元素，策劃「青年打通關！審議來闖關」免費線上課程，讓學習可以不受時間、空間的限制，輕鬆累積知識，課程教材已於「e 等公務園+學習平臺」、青年署「超牆青年 E 學院」、YouTube 頻道以及泛科學院等網路平臺上架。

除了線上課程，審議民主實體培訓也即將於 5 月 1 日至 2 日在臺北舉辦，有興趣的青年夥伴，只要符合報名資格（18 至 35 歲），趕緊在 4 月 18 日前至報名網頁報名。

領袖典範：辛辛納圖斯與華盛頓

COVID-19（武漢肺炎、新冠肺炎）席捲全世界之下，台灣的防疫表現非常好。但是政府某些手段，卻令人質疑有侵犯人權的問題。另一方面，一些人認為防疫成功，是由於台灣人民尚未擺脫威權時代舊習，習慣服從權威，自我限制自由，成熟的民主社會不該如此。

究竟該如何理解台灣防疫的本質？一篇金融時報 (Financial Times) 的讀者投書提到「辛辛納圖斯式」這個名詞，令我恍然大悟。

辛辛納圖斯 (Cincinnatus) 是 2400 多年前，羅馬共和時期的一位領袖。羅馬面臨危機時，他臨危受命成為集權的獨裁者，順利帶領羅馬走出困境。危機結束後，他主動放棄權力，退休回家，安享晚年。

上述情節未必完全符合歷史事實，但是不論真實的辛辛納圖斯如何，他被建構的歷史故事，成為羅馬人人稱道的政治聖人樣板，流芳百世。帶領美國獨立的第一任總統華盛頓，便被稱作當代的辛辛納圖斯；美國城市辛辛那提也是為了紀念他。

法國大革命後成為集權領袖，隨即登基皇位的拿破崙，則是華盛頓與辛辛納圖斯的反面樣板。

台灣防疫的堅實基礎——民眾自發投入

要理解台灣防疫的本質，必需知道台灣是怎麼成功的。普遍認為，追蹤接觸者 (contact tracing) 是台灣防疫的關鍵法寶，每次鉅細彌遺的疫調足跡，卻往往讓人質疑是否過頭，每過一段時間就起一次爭議。

服從國家機器的權威，確實是疫調和追蹤能成功的條件。然而，台灣防疫的成功，追蹤只是金字塔的上層。如果沒有那麼詳盡的追蹤，台灣防疫的結果將不如現在，會有社區流行，但是規模應該有限，和多數國家相比仍然為不錯的結果。

台灣防疫金字塔的底層基礎是什麼？我想是大部分民眾，將防疫視為勝利目標明確的戰爭在投入。

台灣不論什麼政治立場、社會背景的人，大部分都認為防疫是重要的事（主張的手段可以截然不同就是）；政府之外，基層有非常多自發性的防疫小單位，政府與民間各式資源也交叉支援。這才是台灣防疫能成功的堅實基礎。

照其他國家的狀況，光靠台灣民間的自發防疫行為，就足以將感染源的數量壓制到夠少，不會進入指數成長期，在此之下，實施口罩、消毒等防疫措施，足以令疫情不至於失控，滿分 100 的話大概有 70 分水準；疫調、追蹤等手段則是錦上添花，再將感染源壓制到零，超過 90 分。

台灣從政府到基層人民，求生意志非常強烈，將武漢肺炎視為目標明確的戰爭在打，每一階段的成功，又提供正向回饋的成就感，抗戰愈來愈帶勁。

基層缺乏凝聚力，人心愈來愈殆盡

相比之下，多數疫情失控國家的目標糊裡糊塗，將瘟疫視為一場不情願的麻煩戰爭，即使某些方面投入大量資源，成效不彰之下，人心愈來愈殆盡，許多民眾自我安慰「戰爭總有結束的一天」，那麼面對一個死亡率未滿 1%，年輕就是抵抗力的傳染病，當下也就不值得那麼在乎了。

以基層傳統雄厚的美國來說，近年遭遇的變局是有目共睹。美國大城市人口眾多、組成多元，表面上人人自由，實際是基層凝聚力大不如前，面臨傳染力強的病毒危機時，城市無法有效應對，成為病毒繁衍的溫床，再源源不絕輸出其他地區。也難怪美國整體的疫情無法降溫，隨時又會大爆發。

不只需要不戀棧權力的領袖，還需要一群高素質的公民

相比於沒有經歷過威權統治的美國，台灣社會整體上確實更加服從政府權威，對防疫有正面影響，但是這與帝國治下的草民自願放棄自由，本質上是截然不同的情境。

回顧人類歷史，如古希臘城邦、羅馬共和、建國前的美國、第二次世界大戰的英國等社會，由素質足夠、自主性高的「公民」組成，成員們單兵戰鬥力強，碰上重大危機時，卻會將權力集中給少數領袖調派，先以當下困境為目標，因為這樣才能充分發揮每個單兵的價值，有效解決危機。

而這些社會的領袖多半是「辛辛納圖斯式」，危機解除以後便還權於民，告老還鄉，讓鄉民們回歸自主性高，單兵戰鬥力強的日常。此一模式曾經協助許多社會度過危機，我想，這就是台灣正在演出的劇本。

要成就一場坎尼會戰，不只需要一個漢尼拔，還需要一個法羅。羅馬不是一天造成的，如今瘟疫戰爭仍在進行，要成就一場辛辛納圖斯式的勝利，不只需要一個不戀棧權力的辛辛納圖斯，還需要一群高素質的羅馬公民。

• 本文轉載自新公民議會《集權卻不威權獨裁—台灣「辛辛納圖斯式」防疫》

延伸閱讀

• 為什麼台灣在某一天，不可能有640位無症狀感染者？
• WARS無症狀感染者，會傳染，隔離14天可以拖到傳染高峰過去
• 陳建仁和6國專家的COVID-19經驗與展望
• 一直待在家快悶壞啦！嚴格的防疫管制，什麼時候才能放鬆？
• 日本不太檢驗，靠三密策略壓制病毒？
• 短篇  地中海地區最早，威尼斯的隔離防疫系統

參考資料

• 金融時報讀者投書《台灣揭示對抗武漢肺炎的辦法（Taiwan has shown the way in the fight against Covid-19）》

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁