0

7
3

文字

分享

0
7
3

現代電腦從此展開——馮紐曼與馮紐曼架構 │《電腦簡史》數位時代(十一)

張瑞棋_96
・2020/11/02 ・4050字 ・閱讀時間約 8 分鐘 ・SR值 570 ・九年級

-----廣告,請繼續往下閱讀-----

1944 年 8 月,第一部可程式化的通用型電腦 ENIAC 正在趕工之際,在不同領域都展現過人天分的馮紐曼應邀前來參觀。沒想到他看沒多久就眉頭一皺……

本文為系列文章,上一篇請見:第一台通用型電子計算機——專利糾葛、優劣並存的 ENIAC │《電腦簡史》數位時代(十)

天才——22歲登柏林大學最年輕教授,30歲與愛因斯坦同獲高等研究院延聘

馮紐曼 1903 年出生於布達佩斯,自小就展露過人天分。他六歲能心算八位數的除法,八歲就會微積分;看過的書過目不忘,還能背下厚厚的電話簿。他 22 歲拿到數學博士學位後,隨即被柏林大學延聘,成為該校有史以來最年輕的教授,並在三年內發表了 32 篇數學論文。1933 年,未滿 30 歲的他就被延請至普林斯頓高等研究院,和愛因斯坦等人並列為創院的四位學者之一。

二次大戰時的馮紐曼。圖:WIKI

只要與馮紐曼打過交道的人,沒有一個不對他的絕頂聰明嘆服不已;更令人驚奇的是,即使是他之前未曾接觸的領域,他也能立即洞悉根本問題,提出非凡見解,宛如已鑽研多年的專家。或許因為具有這樣的天賦,馮紐曼在數學以外的領域也做出許多重要貢獻,包括賽局理論、量子力學、流體力學……等等。

1930 年代晚期,他因為建構出震波的數學模型,而被軍方多個單位聘為顧問,為砲彈內的火藥應如何裝填提供建議。1943 年他還加入曼哈頓計畫,負責模擬計算原子彈的內爆作用。

-----廣告,請繼續往下閱讀-----

模擬爆炸的數學模型涵蓋許多複雜的方程式,比計算彈道還耗費時間,更需要藉助於計算機。馮紐曼很清楚機電式計算機的侷限,一直在注意是否有新的技術突破。因此 1940 年 9 月史提畢茲在達特茅斯學院展示複數計算機的功能時,他也在現場;1944 年初 IBM 打造的哈佛一號啟用後,他又立即奔赴哈佛大學試用。

ENIAC 果然快!但設定程式要半天以上是怎麼一回事?

1944 年 8 月,馮紐曼赴美國陸軍的阿伯丁試射場開完會後,在火車月台上等車時,突然有人過來向他致意,原來是負責督導摩爾電機學院製作射表的陸軍中尉高士汀。

他們兩人之前並不認識,但對原本是數學教授的高士汀而言,馮紐曼一直是他的超級偶像,因此才像個粉絲般冒昧上前攀談。高士汀提及自己正在監造的電腦 ENIAC,每秒可執行 333 次乘法時,馮紐曼眼睛一亮,不斷追問技術細節,高士汀乾脆邀他前來參觀。

馮紐曼跨入電腦設計的重要推手高士汀(左二,最右邊為馮紐曼)。圖:WIKI

幾天後馮紐曼就迫不及待的來到摩爾電機學院,ENIAC 的運算速度的確遠遠超過他所見過的任何計算機,但每要更換程式就得重新接線、切換千百個開關,至少要花半天以上的工夫,嚴重拖累整體效能。馮紐曼一針見血的指出解決之道:讓程式和數據一樣,用打孔卡片編寫,再輸入到記憶單元中儲存起來。如此便可輕易更換不同程式,又不會影響運作速度。

-----廣告,請繼續往下閱讀-----

其實設計 ENIAC 的莫奇利與艾科特何嘗沒想過這麼做,但如果仍用真空管擴增記憶容量,除了成本會大幅增加,更嚴重的是,不時會有真空管燒壞而造成計算錯誤。

因此艾科特 1943 年底就已經在研究更可靠的記憶裝置,他發現一種用於雷達螢幕的「延遲線記憶體」(delay line memory,原理見文末),或許可以做為電腦的記憶體。這是一根裝滿特殊液體的金屬管,輸入端的石英晶體因電流而震盪,產生的脈衝波經由液體傳遞到另一端的石英晶體後,因為壓電效應再轉成電子訊號輸出。

另行設計 EDVAC,用「水銀延遲線」貯存程式

不過要做為電腦的記憶裝置,金屬管的長度要夠長,才能容納夠多的脈衝波。但相對地,脈衝波的能量耗損也與長度成正比,除了影響訊號傳遞的正確性,也無法維持長久讓電腦隨時存取。

艾科特於 1944 年初發現脈衝波在水銀中的耗損最低,同時他加了一條再生迴路 (regeneration circuit),讓輸出端的訊號又回到輸入端,如此便能穩定維持訊號,最高可達一千赫茲。也就是每條水銀延遲線可貯存 1,000 個位元。

-----廣告,請繼續往下閱讀-----
艾科特發明的水銀延遲線。圖:WIKI

儘管艾科特發明了水銀延遲線,但如何整合到電腦中貯存程式,又是另一個截然不同的問題。他與莫奇利久聞馮紐曼的大名,因此對高士汀順勢邀請這位傳奇人物擔任顧問也都欣然歡迎。於是馮紐曼自 1944 年 9 月開始密集參加小組會議,他們很快達成共識:將程式貯存到水銀延遲線,並且採用二進位的運算方式。

不過軍方急著要 ENIAC 上線運作,已不允許再更動設計,小組成員只好在 ENIAC 建造的同時,一邊著手設計全新的電腦:「電子離散變數自動計算機 (Electronic Discrete Variable Automatic Computer,簡稱 EDVAC)。

現代電腦架構的起源——〈 EDVAC 報告初稿〉

1945 年 6 月,馮紐曼和小組成員開完會後,搭火車橫越美國返回新墨西哥州。他在火車上振筆疾書,把大家這十個月來的討論做個總結,整理成一篇涵蓋所有技術細節的書面報告。高士汀收到這份手稿後,立即打印成 101 頁的正式文件,題為〈EDVAC 報告初稿〉(First Draft of a Report on the EDVAC)。正是在這份初稿中,馮紐曼揭櫫了引領現代電腦發展的架構:運算單元、控制單元、記憶單元,輸入裝置與輸出裝置。

影響深遠的〈EDVAC 報告初稿〉封面。圖:WIKI

其中最具革命性的就是讓所有資料都一起共用記憶單元。在此之前,程式指令用打孔卡片或接線、開關;計算的數據儲存在記憶單元;常用的函數則又貯存在另一套記憶裝置或用另一套讀卡機制輸入。

-----廣告,請繼續往下閱讀-----

不同功能的資料用不同元件來處理,一直是天經地義的想法,如今 EDVAC 卻打破迷思,把程式、數據、函數都放在同一個記憶單元。而且程式在執行中還可以視計算結果,修改記憶體位址,讓要接連執行的程式盡量存放在鄰近的實體位置,以提升存取效率。

馮紐曼這份報告提供了打造現代電腦的基本藍圖,重要性不下於夏農那篇碩士論文,不過它卻也造成團隊的分裂。

高士汀自作主張埋下禍根,團隊成員分道揚鑣

EDVAC 是眾人努力的成果,真正屬於馮紐曼個人創見的只有可變記憶體位址,但高士汀卻在報告上將馮紐曼列為唯一作者,等於抹煞了其他團隊成員的貢獻。尤其艾科特更覺得情何以堪,他早就提出儲存程式的想法,做為記憶體的水銀延遲線還是他發明的,如今卻由讓馮紐曼一人獨享光環(至今大家仍以「馮紐曼架構」稱之)。

更嚴重的歧見是,高士汀沒有徵詢過團隊成員,就逕行將報告分發給美、英兩國 24 個單位。在高士汀與馮紐曼眼中,這就像發表科學研究一樣理所當然,更何況這會有助於高速電腦的發展。但對莫奇利與艾科特而言,他們原本要申請相關專利,如今卻因為馮紐曼的報告提前發布,而被否決。

-----廣告,請繼續往下閱讀-----

他們兩人趕緊趁 ENIAC 尚未公開,與賓州大學爭取智慧財產權,但雙方一直無法取得共識。1946 年 3 月,莫奇利與艾科特索性辭去教職,共同創立電腦公司,逕行申請專利。

莫奇利與艾科特創業後開發的第一部電腦 UNIVAC I。圖:WIKI

馮紐曼打造 IAS 機器,流程圖成為程式撰寫基本工具

馮紐曼也在二次大戰結束後返回普林斯頓高等研究院,沒想到他竟然意猶未盡,打算自己動手打造一台電腦。要知道,高等研究院可是像愛因斯坦這類的科學家思索宇宙真理的地方,馮紐曼竟然要在這神聖殿堂敲敲打打,搞起無關學術思想的粗活,令其他學者都感到有損體面。

不過馮紐曼天生無所忌憚,在他的堅持下,校方還是同意他打造以高等研究院為名的「IAS 機器」。透過高士汀的協助,馮紐曼於 1946 年春季取得軍方資助經費,開始招兵買馬,展開計畫(他原本還天真的想挖角艾科特,當然是被拒絕了)。

馮紐曼繼續秉承傳播科學的理念,在建造 IAS 機器的過程中,不斷釋出相關技術論文,並且特別註明放棄專利,供大家免費運用。其中一篇 1947 年所發表的文件,介紹他們如何使用源於工業工程的流程圖,來設計 IAS 機器的程式。這種視覺化的呈現方式無論用於闡明整體架構或細部指令,都更加清楚易懂,從此流程圖便成為大家撰寫程式的一個基本工具。

-----廣告,請繼續往下閱讀-----
馮紐曼於 1947 年發表的程式流程圖。圖:WIKI

IAS機器於 1952 年 1 月正式運作,比原本可以成為第一部馮紐曼架構之通用型電腦的 EDVAC 還早一個月。是的,由於核心成員紛紛離去,摩爾電機學院直到 1952 年 2 月才讓 EDVAC 順利上線。EDVAC 不只落後 IAS 機器,還有很多受惠於〈EDVAC 報告初稿〉,卻比它更早開始運轉的電腦。其中幾部都不是美國製造的,包括英國曼徹斯特大學的「曼徹斯特寶貝」(Manchester Baby) 和「曼徹斯特一號」(Manchester Mark 1)、劍橋大學的「電子延遲存儲自動計算器」(Electronic Delay Storage Automatic Calculator)。

英國能這麼快趕上美國,當然不會是從零開始。事實上,英國在二次大戰時也祕密打造計算機,用以破解德軍密碼。其中一位關鍵人物——圖靈,甚至在更早之前,就發表一篇極其重要的論文,如先知般指出電腦的能耐與侷限。

小教室:雷達的延遲線記憶體

雷達原理是不斷發射無線電波,然後將反彈回來的電波轉換成電子訊號,呈現在螢幕上,藉此看出目標物的移動方向與距離。然而高山、雲層等靜止的物體也會反射電波,如果沒有過濾掉,螢幕上豈不是佈滿光點,無法區辨?

因此電波反彈回來後,訊號會一分為二,一個送往螢幕,另一個經過延遲線記憶體再送往螢幕。如果是來自靜止物體的反射電波,每個訊號都會和前一個延遲的訊號因為干涉作用互相抵銷。只有移動物體的反射訊號因為前後不一致,不會互相抵銷,才會呈現在螢幕上。

-----廣告,請繼續往下閱讀-----
文章難易度
張瑞棋_96
423 篇文章 ・ 1014 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

1
0

文字

分享

0
1
0
揭密突破製程極限的關鍵技術——原子層沉積
鳥苷三磷酸 (PanSci Promo)_96
・2024/08/30 ・3409字 ・閱讀時間約 7 分鐘

本文由 ASM 委託,泛科學企劃執行。 

以人類現在的科技,我們能精準打造出每一面牆只有原子厚度的房子嗎?在半導體的世界,我們做到了!

如果將半導體製程比喻為蓋房子,「薄膜製程」就像是在晶片上堆砌層層疊疊的磚塊,透過「微影製程」映照出房間布局 — 也就是電路,再經過蝕刻步驟雕出一格格的房間 — 電晶體,最終形成我們熟悉的晶片。為了打造出效能更強大的晶片,我們必須在晶片這棟「房子」大小不變的情況下,塞進更多如同「房間」的電晶體。

因此,半導體產業內的各家大廠不斷拿出壓箱寶,一下發展環繞式閘極、3D封裝等新設計。一下引入極紫外曝光機,來刻出更微小的電路。但別忘記,要做出這些複雜的設計,你都要先有好的基底,也就是要先能在晶圓上沉積出一層層只有數層原子厚度的材料。

-----廣告,請繼續往下閱讀-----

現在,這道薄膜製程成了電晶體微縮的一大關鍵。原子是物質組成的基本單位,直徑約0.1奈米,等於一根頭髮一百萬分之一的寬度。我們該怎麼精準地做出最薄只有原子厚度,而且還要長得非常均勻的薄膜,例如說3奈米就必須是3奈米,不能多也不能少?

這唯一的方法就是原子層沉積技術(ALD,Atomic Layer Deposition)。

蓋房子的第一步是什麼?沒錯,就是畫設計圖。只不過,在半導體的世界裡,我們不需要大興土木,就能將複雜的電路設計圖直接印到晶圓沉積的材料上,形成錯綜複雜的電路 — 這就是晶片製造的最重要的一環「微影製程」。

首先,工程師會在晶圓上製造二氧化矽或氮化矽絕緣層,進行第一次沉積,放上我們想要的材料。接著,為了在這層材料上雕出我們想要的電路圖案,會再塗上光阻劑,並且透過「曝光」,讓光阻劑只留下我們要的圖案。一次的循環完成後,就會換個材料,重複沉積、曝光、蝕刻的流程,這就像蓋房子一樣,由下而上,蓋出每個樓層,最後建成摩天大樓。

-----廣告,請繼續往下閱讀-----

薄膜沉積是關鍵第一步,基底的品質決定晶片的穩定性。但你知道嗎?不只是堆砌磚塊有很多種方式,薄膜沉積也有多樣化的選擇!在「薄膜製程」中,材料學家開發了許多種選擇來處理這項任務。薄膜製程大致可分為物理和化學兩類,物理的薄膜製程包括蒸鍍、濺鍍、離子鍍、物理氣相沉積、脈衝雷射沉積、分子束磊晶等方式。化學的薄膜製程包括化學氣相沉積、化學液相沉積等方式。不同材料和溫度條件會選擇不同的方法。

二氧化矽、碳化矽、氮化矽這些半導體材料,特別適合使用化學氣相沉積法(CVD, Chemical Vapor Deposition)。CVD 的過程也不難,氫氣、氬氣這些用來攜帶原料的「載氣」,會帶著要參與反應的氣體或原料蒸氣進入反應室。當兩種以上的原料在此混和,便會在已被加熱的目標基材上產生化學反應,逐漸在晶圓表面上長出我們的目標材料。

如果我們想增強半導體晶片的工作效能呢?那麼你會需要 CVD 衍生的磊晶(Epitaxy)技術!磊晶的過程就像是在為房子打「地基」,只不過這個地基的每一個「磚塊」只有原子或分子大小。透過磊晶,我們能在矽晶圓上長出一層完美的矽晶體基底層,並確保這兩層矽的晶格大小一致且工整對齊,這樣我們建造出來的摩天大樓就有最穩固、扎實的基礎。磊晶技術的精度也是各公司技術的重點。

雖然 CVD 是我們最常見的薄膜沉積技術,但隨著摩爾定律的推進,發展 3D、複雜結構的電晶體構造,薄膜也開始需要順著結構彎曲,並且追求精度更高、更一致的品質。這時 CVD 就顯得力有未逮。

-----廣告,請繼續往下閱讀-----

並不是說 CVD 不能用,實際上,不管是 CVD 還是其他薄膜製程技術,在半導體製程中仍占有重要地位。但重點是,隨著更小的半導體節點競爭愈發激烈,電晶體的設計也開始如下圖演變。

圖/Shutterstock

看出來差別了嗎?沒錯,就是構造越變越複雜!這根本是對薄膜沉積技術的一大考驗。

舉例來說,如果要用 CVD 技術在如此複雜的結構上沉積材料,就會出現像是清洗杯子底部時,有些地方沾不太到洗碗精的狀況。如果一口氣加大洗碗精的用量,雖然對杯子來說沒事,但對半導體來說,那些最靠近表層的地方,就會長出明顯比其他地方厚的材料。

該怎麼解決這個問題呢?

-----廣告,請繼續往下閱讀-----
CVD 容易在複雜結構出現薄膜厚度不均的問題。圖/ASM

材料學家的思路是,要找到一種方法,讓這層薄膜長到特定厚度時就停止繼續生長,這樣就能確保各處的薄膜厚度均勻。這種方法稱為 ALD,原子層沉積,顧名思義,以原子層為單位進行沉積。其實,ALD 就是 CVD 的改良版,最大的差異在所選用的化學氣體前驅物有著顯著的「自我侷限現象」,讓我們可以精準控制每次都只鋪上一層原子的厚度,並且將一步驟的反應拆為兩步驟。

在 ALD 的第一階段,我們先注入含有 A 成分的前驅物與基板表面反應。在這一步,要確保前驅物只會與基板產生反應,而不會不斷疊加,這樣,形成的薄膜,就絕對只有一層原子的厚度。反應會隨著表面空間的飽和而逐漸停止,這就稱為自我侷限現象。此時,我們可以通入惰性氣體將多餘的前驅物和副產物去除。在第二階段,我們再注入含有 B 成分的化學氣體,與早已附著在基材上的 A 成分反應,合成為我們的目標材料。

透過交替特殊氣體分子注入與多餘氣體分子去除的化學循環反應,將材料一層一層均勻包覆在關鍵零組件表面,每次沉積一個原子層的薄膜,我們就能實現極為精準的表面控制。

你知道 ALD 領域的龍頭廠商是誰嗎?這個隱形冠軍就是 ASM!ASM 是一家擁有 50 年歷史的全球領先半導體設備製造廠商,自 1968 年,Arthur del Prado 於荷蘭創立 ASM 以來,ASM 一直都致力於推進半導體製程先進技術。2007 年,ASM 的產品 Pulsar ALD 更是成為首個運用在量產高介電常數金屬閘極邏輯裝置的沉積設備。至今 ASM 不僅在 ALD 市場佔有超過 55% 的市佔率,也在 PECVD、磊晶等領域有著舉足輕重的重要性。

-----廣告,請繼續往下閱讀-----

ASM 一直持續在快速成長,現在在北美、歐洲、及亞洲等地都設有技術研發與製造中心,營運據點廣布於全球 15 個地區。ASM 也很看重有「矽島」之稱的台灣市場,目前已在台灣深耕 18 年,於新竹、台中、林口、台南皆設有辦公室,並且在 2023 年於南科設立培訓中心,高雄辦公室也將於今年年底開幕!

當然,ALD 也不是薄膜製程的終點。

ASM 是一家擁有 50 年歷史的全球領先半導體設備製造廠商。圖/ASM

最後,ASM 即將出席由國際半導體產業協會主辦的 SEMICON Taiwan 策略材料高峰論壇和人才培育論壇,就在 9 月 5 號的南港展覽館。如果你想掌握半導體產業的最新趨勢,絕對不能錯過!

圖片來源/ASM

文章難易度

討論功能關閉中。

鳥苷三磷酸 (PanSci Promo)_96
204 篇文章 ・ 311 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

0

0
0

文字

分享

0
0
0
美國將玉米乙醇列入 SAF 前瞻政策,它真的能拯救燃料業的高碳排處境嗎?
鳥苷三磷酸 (PanSci Promo)_96
・2024/09/06 ・2633字 ・閱讀時間約 5 分鐘

-----廣告,請繼續往下閱讀-----

本文由 美國穀物協會 委託,泛科學企劃執行。

你加過「酒精汽油」嗎?

2007 年,從台北的八座加油站開始,民眾可以在特定加油站選加「E3 酒精汽油」。

所謂的 E3,指的是汽油中有百分之 3 改為酒精。如果你在其他國家的加油站看到 E10、E27、E100 等等的標示,則代表不同濃度,最高到百分之百的酒精。例如美國、英國、印度、菲律賓等國家已經開放到 E10,巴西則有 E27 和百分之百酒精的 E100 選項可以選擇。

圖片來源:Hanskeuken / Wikipedia

為什麼要加酒精呢?

單論玉米乙醇來說,碳排放趨近於零。為什麼呢?因為從玉米吸收二氧化碳與水進行光合作、生長、成熟,接著被採收,發酵成為玉米乙醇,最後燃燒成二氧化碳與水蒸氣回到大氣中。這一整趟碳循環與水循環,淨排放都是 0,是個零碳的好燃料來源。

-----廣告,請繼續往下閱讀-----
圖片來源:shutterstock

當然,我們無法忽略的是燃料運輸、儲藏、以及製造生產設備時產生的碳足跡。即使如此,美國農業部經過評估分析,2017 發表的報告指出,玉米乙醇生命週期的碳排放量比汽油少了 43%。

「玉米乙醇」納入 SAF(永續航空燃料)前瞻性指引的選項之一

航空業占了全球碳排的 2.5%,而根據國際民用航空組織(ICAO)的預測,這個數字還會成長,2050 年全球航空碳排放量將會來到 2015 年的兩倍。這也使得以生質原料為首的「永續航空燃料」SAF,開始成為航空業減碳的關鍵,及投資者關注的新興科技。

只要燃料的生產符合永續,都可被歸類為 SAF。目前美國材料和試驗協會規範的 SAF 包含以合成方式製造的合成石蠟煤油 FT-SPK、透過發酵與合成製造的異鏈烷烴 SIP。以及近年討論度很高,以食用油為原料進行氫化的 HEFA,以及酒精航空燃料 ATJ(alcohol-to-jet)。

圖片來源:shutterstock

每種燃料的原料都不相同,因此需要的技術突破也不同。例如 HEFA 是將食用油重新再造成可用的航空燃料,因此製造商會從百萬間餐廳蒐集廢棄食用油,再進行「氫化」。

-----廣告,請繼續往下閱讀-----

就引擎來說,我們當然也希望用到穩定的油。因此需要氫化來將植物油轉化為如同動物油般的飽和脂肪酸。氫化會打斷雙鍵,以氫原子佔據這些鍵結,讓氫在脂肪酸上「飽和」。此時因為穩定性提高,不易氧化,適合保存並減少對引擎的負擔。

至於酒精加工為酒精航空燃料 ATJ 的流程。乙醇會先進行脫水為乙烯,接著聚合成約 6~16 碳原子長度的長鏈烯烴。最後一樣進行氫化打斷雙鍵,成為長鏈烷烴,性質幾乎與傳統航空燃料一模一樣。

ATJ 和 HEFA 雖然都會經過氫化,但 ATJ 的反應中所需要的氫氣大約只有一半。另外,HEFA 取用的油品來源來自餐廳,雖然是幫助廢油循環使用的好方法,但供應多少比較不穩定。相對的,因為 ATJ 來源是玉米等穀物,通常農地會種植專門的玉米品種進行生質乙醇的生產,因此來源相對穩定。

但不論是哪一種 SAF,都有積極發展的價值。而航空業也不斷有新消息,例如阿聯酋航空在 2023 年也成功讓波音 777 以 100% 的 SAF 燃料完成飛行,締下創舉。

-----廣告,請繼續往下閱讀-----
圖片來源:shutterstock

汽車業也需要作出重要改變

根據長年推動低碳交通的國際組織 SLoCaT 分析,在所有交通工具的碳排放中,航空業佔了其中的 12%,而公路交通則占了 77%。沒錯,航空業雖然佔了全球碳排的 2.5%,但真正最大宗的碳排來源,還是我們的汽車載具。

但是這個新燃料會不會傷害我們的引擎呢?有人擔心,酒精可能會吸收空氣中的水氣,對機械設備造成影響?

其實也不用那麼擔心,畢竟酒精汽油已經不只是使用一、二十年的東西了。美國聯邦政府早在 1978 就透過免除 E10 的汽油燃料稅,來推廣添加百分之 10 酒精的低碳汽油。也就是說,酒精汽油的上路試驗已經快要 50 年。

有那麼多的研究數據在路上跑,當然不能錯過這個機會。美國國家可再生能源實驗室也持續進行調查,結果發現,由於 E10 汽油摻雜的比例非常低,和傳統汽油的化學性質差異非常小,這 50 年來的車輛,只要符合國際標準製造,都與 E10 汽油完全相容。

-----廣告,請繼續往下閱讀-----

解惑:這些生質酒精的來源原料是否符合永續的精神嗎?

在環保議題裡,這種原本以為是一片好心,最後卻是環境災難的案例還不少。玉米乙醇也一樣有相關規範,例如歐盟在再生能源指令 RED II 明確說明,生質乙醇等生物燃料確實有持續性,但必須符合「永續」的標準,並且因為使用的原料是穀物,因此需要確保不會影響糧食供應。

好消息是,隨著目標變明確,專門生產生質酒精的玉米需求增加,這也帶動品種的改良。在美國,玉米產量連年提高,種植總面積卻緩步下降,避開了與糧爭地的問題。

另外,單位面積產量增加,也進一步降低收穫與運輸的複雜度,總碳排量也觀察到下降的趨勢,讓低碳汽油真正名實相符。

隨著航空業對永續航空燃料的需求抬頭,低碳汽油等生質燃料或許值得我們再次審視。看看除了鋰電池車、氫能車以外,生質燃料車,是否也是個值得加碼投資的方向?

-----廣告,請繼續往下閱讀-----

參考資料

文章難易度

討論功能關閉中。

鳥苷三磷酸 (PanSci Promo)_96
204 篇文章 ・ 311 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

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。

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?

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。

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?

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)

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。

討論功能關閉中。

賴昭正_96
43 篇文章 ・ 57 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。