空氣跟水一樣都是流體，所以理論上機械或是生物在這兩種介質可以採取類似的運動策略，不過實際上，因為水的密度遠大於空氣，能提供更多的浮力，所以一般的生物在水中可以輕易優雅地游泳，而在空氣中就得用力的拍動翅膀來提供浮力。
這影片展示在密度小的物體上，例如氣球，當空氣可以因為密度提供夠多的浮力時，就可以實現在空中的游泳了。一個大型的魚形氣球飛船，中間填裝氦氣，在兩側裝上了兩個彈性高分子複合的電極，只要提供電壓，就可以讓電極相吸而產生運動，利用這樣的方式，研究人員實現了空中游泳，速度大約比人走要慢一些。
這種裝置因為安靜又不耗很多能量，可以可以作為空中宣傳的工具或是用來做緩慢的觀察船，像是在空中調查生物活動生態，或是在大體育場提供可移動的攝影角度等。如果有一天，天空開始有不同的東西在安靜優雅地游泳，應該還蠻有趣的。
本文原發表於科學影像Scimage[2010-10-24]
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？
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。
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：
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：
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 可分成兩種：
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。
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。」
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
。
討論功能關閉中。
本文轉載自 CASE 報科學 《千變萬化的流體（三）：哥吉拉雲—流體的不穩定性》
海岸邊的雲層上緣，出現一隻隻如同哥吉拉形狀的雲；原子彈投下後，劇烈爆炸引起的蕈狀雲；土星大氣層內形狀獨特的雲帶……等。這些看似毫無相關的現象，背後其實成因都可以歸納為：流體中的不穩定性。
2020 年在青森縣的海邊，有網友分享了一張雲朵彷彿在進行「哥吉拉大遊行」的照片（圖一左上）；也有飛行員在雲層上分享過類似的照片（圖一右上）；除此之外，天文學家在土星的大氣層也觀察到相似形狀的雲層（圖一下）。這些「哥吉拉」的行動力竟然如此之高，不只在地球上出現，連土星上都有。這是否暗示它們背後其實具有相同的形成機制呢？
在＜千變萬化的流體（一）＞一文中，我們介紹了流體流動的狀態主要可以分成兩種：層流與紊流。層流狀態的流體十分穩定，它可以被視為一層一層獨立的流動來討論；相對的，紊流如同它的名字所表示，流體內部的流動較為混亂，不同層之間的流體會互相混合、影響。而決定是層流還是紊流的關鍵因素便是「不穩定性」[1]。
在描述天氣系統為甚麼難以預測時，常常會提到「蝴蝶效應」這個小故事：位在大西洋的颶風，其成因可能只是在亞馬遜森林裡面一隻蝴蝶煽動了翅膀，這個初始的小擾動，隨著時間演變，最終形成尺度龐大的結構。不穩定性在流體中扮演的角色也十分相似。起初流體內部隨機的產生十分微小的擾動，若整個流體的不穩定性足夠大，微小的擾動便有機會繼續成長，直到對整個流體都造成影響。流體中具有各式各樣的不穩定性，在本篇文章中，我們將會介紹與哥吉拉雲還有蕈狀雲有關的兩種不穩定性：克耳文-亥姆霍茲不穩定性以及瑞利-泰勒不穩定性。
這個不穩定性得名於兩位對此現象進行研究的物理學家：發明絕對溫標的克耳文爵士，以及對聲學共振系統做出系統性研究的亥姆霍茲（在＜香檳聲音哪裡來？＞一文中，他曾經登場過）。這個不穩定性發生的條件是：兩層流體之間具有相對速度。
請搭配圖二，讓我們一起來理解這個不穩定性是如何產生哥吉拉雲的。假設有兩層流體，分別向左與向右運動。當它們彼此完美平行時，一切無事，如圖二（a）。但這個狀態其實並不穩定，任何的擾動，都可能會破壞這個完美狀態。例如，流體中形成了如圖二（b）的擾動，接下來流體的運動會如何變化呢？
對於淺藍流體來說，A 點的體積較原本略小，因此流動速度較大，如同澆花時，將水管捏住（管徑縮小），水可以噴得更遠。此外，流速較快也會使得 A 點的壓力減小；但對於紅色流體來說，A 點的壓力反而會增大。如此會導致流體內部的壓力分佈形成圖二（c）。兩種流體之間的壓力差，會進一步使擾動長大，如圖二（d）。最後，由於流體本身橫向的速度，使擾動在橫向上出現變形，如圖二（e）。如此一來，哥吉拉形狀是不是就出現了呢？
接下來，讓我們來看另一種在生活中沒那麼常見，但是看過就很難忘記的不穩定性現象：核爆產生的蘑菇雲。這種現象的成因，是來自於瑞利-泰勒不穩定性，它會發生於密度較大的流體壓在密度小的流體之上時。核彈爆發會在極短時間內釋放出極大熱量，將爆炸中心的空氣瞬間加溫。我們知道，氣體的溫度越高，密度越低，因此在爆炸中心，會瞬間形成大量的低密度空氣。
讓我們用簡單的模型來看看，這種不穩定性是如何造成蘑菇雲的。圖三（a）中有兩種流體，密度較高的在上，此時整個流體系統處於不穩定態，只要有一點擾動 ，如圖三（b） ，不穩定性就會使擾動擴大。由於密度差異，重力使得密度小的流體上升，密度大的下降，使不穩定度振幅逐漸增大。此外，由於壓力差與密度差的方向並不平行，會導致流體的邊界形成渦旋，如圖三（c）。以上這些效應疊加在一起後[2]，流體邊界處便會逐漸形成如蘑菇狀的特徵，如圖三（d）。
以上兩種流體不穩定性，其實在我們生活中也存在，例如：點燃的線香。由於線香燃燒處的溫度上升，空氣密度下降，此時就滿足瑞利-泰勒不穩定性的條件；當熱空氣上升時，和兩側靜止的空氣有一相對速度，也滿足了克爾文-亥姆霍茲不穩定性條件。只是由於規模較小，發生速度較快，肉眼未必可以清楚的看到如前文中提到的明顯特徵。儘管如此，各位讀者在了解這些不穩定性之後，若是試著觀察看看生活中的各種流體，也許也能找到隱藏起來的「蕈狀雲」喔！
[1] 更詳盡的說明可以參考 CASE＜上下顛倒漂浮船＞一文
[2] 實際上，形成蘑菇狀構造還與流體在三維條件下的非線性效應有關，數學模型較為複雜，此處只是簡單概述其成因。
空氣跟水一樣都是流體，所以理論上機械或是生物在這兩種介質可以採取類似的運動策略，不過實際上，因為水的密度遠大於空氣，能提供更多的浮力，所以一般的生物在水中可以輕易優雅地游泳，而在空氣中就得用力的拍動翅膀來提供浮力。
這影片展示在密度小的物體上，例如氣球，當空氣可以因為密度提供夠多的浮力時，就可以實現在空中的游泳了。一個大型的魚形氣球飛船，中間填裝氦氣，在兩側裝上了兩個彈性高分子複合的電極，只要提供電壓，就可以讓電極相吸而產生運動，利用這樣的方式，研究人員實現了空中游泳，速度大約比人走要慢一些。
這種裝置因為安靜又不耗很多能量，可以可以作為空中宣傳的工具或是用來做緩慢的觀察船，像是在空中調查生物活動生態，或是在大體育場提供可移動的攝影角度等。如果有一天，天空開始有不同的東西在安靜優雅地游泳，應該還蠻有趣的。
本文原發表於科學影像Scimage[2010-10-24]
本文轉載自 CASE 報科學 《千變萬化的流體（一）：一個做了90年的實驗》
從躺在沙灘上，吹拂身體而過的微風，到吃果醬吐司時，苦苦等待滴落的黏稠果醬；光滑如鏡的湖水到構成平整路面的柏油（瀝青）。這些東西之間具有什麼共通性？又是什麼因素造成它們表現出來的性質，具有如此大的差異？
流體，泛指任何可以流動的物體，在我們的經驗中，主要包含了氣體和液體。例如充斥我們四周的空氣，以及隨處可見的水。但實際上，有些我們看似為固體的東西，其實也屬於流體，例如堅硬的玻璃。以上這些物質都落在流體的範疇。很顯然地，它們之間應該有某種決定性的差異，那便是它們的「黏滯性」。
從微觀的角度來看，黏滯性可以被看成是流體分子之間的吸引力強弱。我們可以想像眼前有一杯水和一坨麻糬。當我們對著它們吹一口氣時，從微觀的角度來說，便是在對它們表層的分子施力。水分子之間的吸引力比較弱，因此表層的水在受力後能夠自由移動，形成波紋；但麻糬分子之間的作用力較強，表層分子被其他分子緊緊抓住，因此不會形成明顯的運動。
麻糬看起來已經很黏了，但在黏滯性排行榜中，它可能還排不太進去。在生活中存在著一種黏滯係數非常大的流體，雖然可能大家都沒把他當成流體過，那便是：瀝青。為了量測瀝青的黏滯係數，物理學家進行了一個「持續時間最長」的實驗：「瀝青滴漏實驗」。到目前（2021 年）為止，已經持續了 90 幾年。有興趣的讀者可以透過以下連結參與這個實驗的直播：http://www.thetenthwatch.com/feed/。
若是讀者們沒有看出瀝青正在滴落，不用懷疑播放鍵是不是壞了。畢竟，根據實驗記錄，上一次滴落花了 13 年時間！這個實驗從 1927 年架設完畢，到目前為止，一共只有 9 滴瀝青滴下。以此估計，瀝青的黏滯係數會是水的千億倍。因此，瀝青大概會是黏滯係數排行榜榜首的候選人之一。
那若是我們看向另一端，黏滯係數很小的部分，可以想像當這樣的流體一旦受到外力，會非常容易流動。也許讀者們會好奇，有沒有可能黏滯係數為零呢？有，這種流體被稱作「超流體」。打個比喻，若是咖啡是種超流體，當我們加入奶精、糖攪拌完後，過半個小時來看，會發現它還在不停的旋轉，完全沒有停下來的跡象！這種流體具有非常獨特的性質，但由於其背後物理原理較為複雜（有數個諾貝爾物理獎都與此題目有關），筆者將此題目留至下一篇文章，再進行完整的介紹。接下來，我們先介紹如何描述流體的運動，也就是流體流動的類型：層流與紊流。
當我們想要描述流體時，可以將某一個特定時刻，流體中每一個點的瞬間速度以箭頭的方式標出，箭頭的方向指向該點的運動方向，箭頭長度則為運動速度大小。例如在一根細管中，若有水流過，可以預期水流會和管壁大致平行。此外，由於管壁的摩擦力，靠近管壁的流體速度會最慢，正中間的流體則最快，形成如圖二般的速度分布。
這種情形下，流體可以被看作一層一層、彼此不會互相混合且穩定的流動，稱為「層流」。雖然表面上看起來流體分子之間如排隊般，以非常整齊的隊伍前進，但是實際上，流體中存在各種各樣的不穩定性（流體中的不穩定性遍布日常生活中，我們會在超流體之後的文章和各位讀者介紹此現象。），會使得流體發生微小的擾動。若是流體的黏滯性夠大，這些微小的擾動便會被摩擦力消耗掉，使得整體看起來依舊穩定流動；但若是擾動足夠克服摩擦力，則不同層之間的流體會開始混合，形成如漩渦般的複雜結構，這種情況被稱為紊流。由以上描述可知，流體的運動會是哪種情況，會和擾動大小與流體黏滯性有關。在科學上，會透過流體的「雷諾數」來加以描述一個流體運動屬於哪種類型。
層流與紊流的現象在日常生活中其實非常普遍，我們不需要去計算雷諾數，也能夠從流體的外觀來大致分辨它是處於層流還是紊流。例如在欣賞壯麗的瀑布時（如圖三），會發現在水流落下之前，水的流動是相對平穩，顏色呈現深藍色；但當水開始下落形成瀑布時，水的流動變的不穩定，形成白色的水花。讀者們看到這裡，想必已經可以判斷它們分別對應的流體運動種類為何了。
流體在日常中無處不在，流體性質的研究並非僅僅只是純科學的探索，它們早以走進每個人的生活中。例如飛機機翼如何設計增加浮力、高鐵車頭什麼形狀可以降低風阻、甚至容器瓶口要如何設計，才不會倒水時沿著瓶身留下…等等，這些都和流體的特性密切相關。流體，值得我們更深入的認識它！
2021.12.12 PM 0:45 更新：圖三敘述原寫「尼加拉瓜瀑布」。感謝 codocodo2009 提醒，已修改成「尼加拉瀑布」。
魚上知
codo
鄭國威 Portnoy
