難道，遠距離真的難以維繫?

• 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。

在元宇宙的世界裡，比較容易和價值觀相近的對象，談一場少摩擦的戀愛。

所謂的「談戀愛」，其實就是彼此價值觀的碰撞。

在價值觀日趨多元、細分的現代社會，實體世界裡的戀愛，情侶之間免不了會發生一些摩擦。

越來越多人在實體社會的戀愛關係中感受不到舒適，大眾認為「談戀愛風險很高」的傾向，更是一年比一年更鮮明。

可見「談戀愛」的魅力，正逐步下降。不論是在元宇宙內或外，都有一套很現代的方法可以解決這個問題，那就是配對服務。

迴避戀愛和元宇宙

當我們對戀愛的價值觀細分化之後，在生活周遭便很難找到滿足條件的人選；但只要像在社群網站上找興趣相近的同好那樣，從一個規模龐大的母群體當中找出伴侶的話，發生摩擦的狀況，會比不假思索就交往的對象減少許多。

若想找更根本的解決之道，那麼元宇宙上還有一個獨門絕招，就是乾脆把伴侶化為虛擬實境的一部分——因為情侶在元宇宙上會隔著虛擬替身，建立起隔一道防火牆的溝通方式。

有些人會覺得「虛擬替身碰不到、摸不著」，不過，時下認為談戀愛不見得一定要有實體互動或性接觸的人已越來越多，或有些原本潛伏噤聲的族群浮上檯面。

要是這些虛擬替身由 AI 操控的話，還能與另一半建立更舒適的戀愛關係——如果對象是 AI，不論是再怎麼極端的戀愛觀，或是任何性傾向，它應該都會接受吧！

想必今後會有越來越多人願意相信這不是逃避實體戀愛，而是元宇宙上的愛情，比實體更美好。

——本文摘自《元宇宙超圖解：從刀劍神域到寶可夢，一小時讀懂78個概念，掌握本世紀最大商機》，2023 年 9 月，漫遊者文化出版，未經同意請勿轉載。

影集《年輕教宗》（The Young Pope）裡，裘德洛飾演的庇護十三世曾經開示：「愛無法用人數統計，只能以強度衡量。」^[1][註]2023年元月的《科學報告》（Scientific Reports）期刊上，來自全球45個國家的學者，向世人宣告：他們不僅量化了愛情強度，還比較出各地差異。^[2]

參與的國家及城市

該論文的第一兼通訊作者 Piotr Sorokowski 博士，任職於波蘭的弗羅茨瓦夫大學（Uniwersytet Wrocławski）；而團隊的研究人員橫跨各洲，從所在地的幾個大城市，招募總共 11,422 名交往中、訂婚或已婚成人，匯集統整其中 9,474 人的資料。【圖 1】橙色圓點標出受測者居住的城市，藍色的區域則為涵蓋的國家，臺灣不在其中。^[2]

量化愛情

參與研究的美國心理學教授Robert J. Sternberg，曾指出愛情是由親密（intimacy）、激情（passion）和承諾（decision/commitment）所組成，即「愛情三元論」（Triangular Theory of Love）。^{[2, 3]}相關的量表羅列了對應的陳述，例如：表示親密的「我與＿＿分享我個人極為私密的資訊」；透露激情的「看到＿＿令我興奮」；以及展現承諾的「我對和＿＿關係的穩定性有自信」。受測者得從「0 完全沒有」至「9 非常強烈」中，選擇評分。除了該理論符合此研究的目的，因此問卷獲得採用，分析時也加入其他項目：^[2]

1. 環境溫度：與親近程度、人際距離、肢體接觸，以及情感表達有關。→參考各國年均溫。^[2]
2. 關係長度：關係的持久與否，會影響愛情的強度。→調查受測者和伴侶在一起多久，並計算出各國的平均值。^[2]
3. 性別：不同性別的人，對愛情的感受相異。→招募受測者時，性別比例必須均衡。^[2]（原文沒有說明性少數等變因，推測是以順性別異性戀為主。）

同時，為認識現代化與社會類型之於愛情的關係，每個國家的人類發展指數（Human Development Index）、性別不平等指數（Gender Inequality Index）、集體主義（collectivism）的程度，以及綜合世界銀行之世界發展指標（World Development Indicators）與聯合國統計年鑑（Statistical Yearbook）的世界現代化指數（World Modernization Index）等，都納入考量。^[2]

現代化及愛情

研究結果顯示，國家現代化會促進愛情，而且相較於激情，此效果在親密層面更是突出（見【圖 2】）；但是現代化超過一定程度時，竟然會造成反效果。^[2]比方說，聯合國認為人類發展指數大於 0.8，算是很高度的發展。^[4]在此研究中，達到 0.85 以上時，該國的愛情平均值反而從高峰下降（見【圖 3】）。這種自己過得太好，於是不需要伴侶的情形，在動物實驗中也曾得到證實：當必要資源長時間無限制地供應，小鼠就會不想交配和繁殖。^[2]

集體主義和愛情

研究得到的另一個重點，是親密與承諾的程度，和一個國家的集體主義傾向，呈現正相關。媒妁婚姻容易出現在集體主義的社會；相對地，個人主義則鼓勵自由戀愛。雖然前者聽起來較難產生愛意，但因為集體社會推崇利他（altruistic）的無私奉獻，而強化了與伴侶的連結。不過，在斟酌受訪者年紀對結果的影響後，這個現象便沒有那麼明顯。^[2]

年均溫、關係長度與愛情

各地激情的差異，無法由國家發展或社會類型看出趨勢。在這方面，年均溫倒是扮演了舉足輕重的角色：高年均溫能催出炙熱的激情，卻也使得親密與承諾的程度相對低落。論文的作者群表示，需要未來的研究深入瞭解，氣候如何干預人類的行為和感受。另外，長久在一起的伴侶，激情與親密的程度較低；但承諾則更為堅定。^[2]

不代表國家的愛情

閱讀這份難得的大型愛情研究時，大概多少會引起各國人的比較心態。可是採樣的範圍，其實僅限於大城市，並不能代表國家整體。^[2]舉例來說，中華人民共和國的數據，源自北京和香港的受測者。這些人填寫愛情量表的答案，基於文化背景迥異，應該會與內蒙、新疆或苗寨人民的想法，有天壤之別。此外，千萬別忘了，感情談到最後，面對其中酸甜苦辣的，還是只有自己和伴侶。互動時的火花或摩擦，主要仍依個體特質而定。就算身處於任何一個參與此研究的城市，也不保證能體驗相同的愛情。

備註

《年輕教宗》原臺詞，含前後文：「The public squares have been jam-packed, but the hearts have been emptied of God. You can’t measure love with numbers, you can only measure it in terms of intensity. In terms of blind loyalty to the imperative.」。^[1]

參考資料

1. The Young Pope – Episode 1.5, Quotes. (2016) IMDB.
2. Sorokowski P, Kowal M, Sternberg RJ, et al. (2023) ‘Modernization, collectivism, and gender equality predict love experiences in 45 countries’. Scientific Reports, 13, 773.
3. Sternberg RJ. (1997) ‘Construct validation of a triangular love scale’. European Journal of Social Psychology, 27 (3): 313-335.
4. ‘Sustainable Development’. Global Footprint Network. (Accessed on 19 JAN 2023)