藏有青春永駐秘密的M4星團

• 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。

極亮超新星（super-luminous supernova）是近年來發現的新型爆發現象，比一般超新星（supernova）亮十到百倍，但究竟是什麼物理機制造成如此璀璨的亮度，目前科學界還沒有定論。由英國貝爾法斯特女王大學（Queen’s University Belfast）領導的跨國合作團隊，認為極亮超新星的能量來源，極可能是磁星(magnetar)：一種擁有強烈磁場且一秒內旋轉數百次的快速自轉中子星（neutron star）。該團隊今日在國際知名期刊《自然》（Nature）上，發表了這份重要研究。

超新星是巨質量恆星演化到末期時的劇烈爆炸現象，經由爆發將產生的重元素拋入星際空間中，這些元素豐富了宇宙的化學組成，更組成了你我，或許這就是我們這麼熱切地尋找這些珍貴爆發的契機。當然，還有一個更重要的原因，就是它們很明亮—比太陽亮數十億倍，因此很多業餘天文學家用小型望遠鏡即可投入尋找超新星的行列，他們監測很多鄰近星系，夜復一夜，將新取得的影像與舊的影像對減，並通報給國際天文聯合會（IAU）可能的超新星候選者。

近幾年來，全世界大型的巡天計畫如火如荼地展開對全天空的監測，其中，座落於夏威夷Haleakala山，擁有全世界最大的數位相機的泛星（Pan-STARRS）計畫，其單幅曝光影像的範圍相當於35倍滿月的面積，對尋找超新星有驚人的貢獻，平均每年可以發現超過百顆超新星。泛星計畫屏除了傳統超新星巡天的選擇效應，並非針對單一的高表面亮度或漩渦星系逐一搜尋，而是進行無偏差的全天監測，因此發現了這種全新類型的極亮超新星，其偏好在矮星系（dwarf galaxy）環境中產生，也是傳統巡天策略下，不易偵測的部分。

一些理論物理學家認為，這類超新星的爆發來自於宇宙中質量最大的恆星，演化到生命終點時，產生類似原子彈的爆炸，這個原子彈有如三千萬倍的地球大小、或一百倍太陽質量，將整個恆星炸得粉身碎骨，也就是所謂的不穩定對超新星（pair-instability supernova）。貝爾法斯特女王大學帶領的國際合作團隊，利用泛星計畫望遠鏡與其他世界各地的大型天文台，追蹤觀察兩顆極亮超新星的光度變化情況，取得超過一年的完整觀測資料。然而，根據收集到的寶貴資料，並不支持上述超巨質量恆星的假設，研究團隊提出快速自轉的磁星模型，更能解釋極亮超新星現象。

該論文第一作者Matt Nicholl解釋：「我們知道當巨質量恆星演化到生命末期時，它的外層劇烈拋出成為超新星，而中間核心則塌縮成中子星。中子星是一種質量相當於太陽，但體積卻僅有數十公里的高密度天體。我們認為，在一些條件下，有些中子星擁有非常強烈的磁場，並且自轉非常快速，一秒鐘可旋轉三百次。當其自轉減速時，將轉動的能量經由磁場轉移給超新星，造成其比一般超新星明亮。此理論模型吻合我們所觀測到的資料。」

其指導教授、團隊主持人Stephen Smartt教授補充道：「極亮超新星真是很特殊的超新星！正因它們如此明亮，我們可以利用它們來當作照亮遙遠宇宙的火炬。光以等速在空間中旅行，也就是說當我們看得越遠，就是看到越久遠的過去。藉由了解這些炫目的爆發過程，我們可以探查宇宙剛誕生不久後的樣貌。我們的目標是在早期宇宙尋找這類超新星，偵測第一代恆星的形成，並了解它們如何產生宇宙中第一代的化學元素。」

欲參閱發表在自然期刊的論文，請點選連結：

無法下載者請參考：astro-ph

發稿單位：英國貝爾法斯特女王大學（經原作者同意轉譯）
編譯者：陳婷琬（該篇「自然」期刊論文的共同作者，現為英國貝爾法斯特女王大學博士候選人）

資料來源：Queen’s University Belfast scientists solve riddle of brightest exploding stars in the universe[2013.10.17]

轉載自網路天文館

天文學家利用歐南天文台（ESO）超大望遠鏡（Very Large Telescope，VLT）觀測資料所做的最新研究顯示：那些最為明亮的高質量恆星（high-mass star）並不是單獨存在，幾近四分之三的這類高質量恆星擁有伴星，這個比例遠高於先前的認知。更讓這些天文學家驚訝的是，這些高質量恆星所在的雙星系統，子星之間存有強烈的交互作用，質量會由其中一顆子星轉移到另一顆子星；其中甚至有三分之一這類高質量恆星雙星系統，最終會合併成單一恆星。相關論文發表在2012年7月27日出刊的科學（Science）期刊中。

宇宙中的恆星各式各樣、不一而足。荷蘭阿姆斯特丹大學（University of Amsterdam）天文學家Hugues Sana等人利用VLT研究O型星（O-type stars），這類恆星的質量、表面溫度和所發出的亮度都比一般恆星高很多，質量約為太陽的15倍以上，亮度是太陽的百萬倍以上，表面溫度更高達攝氏30,000度以上，是恆星中的巨獸等級。然而，也由於這些特點，使得這些發出藍白色光芒的O型星，壽命極短而劇烈，對星系演化具有關鍵作用。O型星也與被戲稱為「吸血鬼恆星（vampire stars）」的極端現象有關，這種在這種雙星系統中，較小的子星會掠奪較大子星的表面物質，到一定程度後，可能引發伽瑪射線爆發（gamma-ray burst，GRB）現象。

這些天文學家研究銀河系中6個鄰近的疏散星團中的71顆O型星，其中有些是單星，有些是雙星。分析之後發現約75%的O型星位在雙星系統中。雖然他們發現這個比例比之前認為的還高，但更重要的是：這些O型星雙星系統中，兩顆子星的距離近得足以使他們彼此間有可以交換質量或甚至合併的交互作用，也就是吸血鬼恆星的比例也遠比先前所認為的還高。

O型星只佔宇宙眾多恆星的一小部分，但常發生各式劇烈現象或爆發事件，因此對其週邊環境影響甚鉅。這些恆星巨獸所發出的強烈恆星風和震波，都會觸發或阻止周圍其他恆星的形成；它們所發出的強烈輻射則會照亮周圍的星雲；而當這些恆星走道生命終點，進而發生超新星爆炸，可讓星系中的與生命息息相關的重元素含量增加；這些O型星也與GRB這個宇宙中最劇烈的爆發現象有關。換言之，O型星是驅使星系演化的重要機制之一。上圖是含有許多明亮而熾熱的O型星的3個著名恆星形成區，最左側是船底座星雲（Carina Nebula），中間為老鷹星雲（Eagle Nebula，M16），右為IC 2944。

當一顆恆星鄰近有其他恆星時，其一生受到這些鄰近恆星的影響相當大。若雙星中兩互繞的子星靠得很近，甚至有可能合併成一顆；Sana等人估計約有20~30%的O型星最終命運會是與近鄰合併成一顆更大的恆星，而O型星合併往往引發劇烈事件。即使不合併，而是比合併溫和一點的結局，它們也會互相撕扯、剝奪近鄰的表面物質；Sana等人估計這種結局佔了約有40~50%左右，嚴重影響了這些恆星的演化。

到目前為止，天文學家絕大部分認為密近大質量雙星系統在宇宙中算是罕見現象，不過這些少數就可以解釋X射線雙星、波霎雙星或黑洞雙星等奇怪的現象。但Sana等人的研究卻顯示密近大質量雙星在宇宙中雖不是非常普遍，但也不算罕見，而星系的命運、甚至是整個宇宙的命運，幾乎是掌握在這些大質量雙星或吸血鬼恆星身上，瞭解它們是非常重要的事。

以吸血鬼恆星為例，雙星中比較小、質量比較低的恆星，是藉由吸食它近鄰表面的新鮮氫氣而回春；由於它的質量穩定增加，有了外來支援之後，不僅可比它的近鄰活得更久，而且也比同質量的單星活得更久。然而，這個身為犧牲者的近鄰，雖然原本的質量比較大，但表面物質被惡鄰不斷掠奪，害它根本沒機會變成一顆非常明亮的紅超巨星（red super giant），而是將它原本的熾熱核心一點一點暴露出來，呈現偏藍的色調，像是一顆剛誕生沒多久的年輕恆星一樣。如此一來，雙星中的兩顆子星都彷彿重生過，將讓遙遠星系中的星族表現得比原本該有的年齡還年輕；如果能得知這類高質量雙星系統的正確比例，將有助於校正這些遙遠星系的特性。

天文學家唯一能取得遙遠星系訊息的方式只有它們發出的光。如果不能全盤瞭解這些光究竟是哪種星體發出的，就不能獲得星系的完整面貌，不知道整個星系總質量究竟有多大，也不知道這個星系到底年輕到什麼地步。如果一開始的假設就是錯的，那麼最後得到的星系性質結論也不可能正確到哪去。因此，天文學家們希望透過觀測與電腦模擬，雙管齊下，瞭解高質量雙星的演化，以及高質量雙星對星系演化的影響。

資料來源：VLT finds most stellar heavyweights come in interacting pairs[2012.07.26]

轉載自台北天文館之網路天文館網站