做決定時想太久，讓人變得更自私

• 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。

市場的公開資訊，真的能幫助消費者做出好決定嗎？

經濟學通常假設消費者主權可以使個人福利最大化：消費者會權衡各種機會，並選擇能夠最大化自己效用的選項。

但市場提供的資訊，是否足夠讓消費者最大化自己的福祉？消費者是否會臨時改變心意，喜歡上別的商品？消費者是否渴望擁有一些與當前選項不同的商品？餐點標示熱量有助減肥？

許多經濟學家覺得，企業藉由巧妙的廣告誘使消費者做出不明智的選擇；還有些經濟學家認為，消費者的確做出不明智的選擇，但過失應該算在他們自己頭上。本章稍後將討論這些行為經濟學家的論述。

多數經濟學家猛然意識到，現行市場其實並不缺乏資訊，公開且良好的資訊量非常大。許多製造商努力宣傳自家商品，甚至提供與其他廠牌的優劣比較及相對的價格訊息；聲譽良好的廠牌和在乎名聲的百貨業者，也間接提供優良品質商品的相關線索。這些都是市場行之有年的公開資訊。

數位革命使資訊量瞬間膨脹數倍。有了網路搜尋功能之後，人們不用走進商店就可以獲得充足的商品訊息。譬如我最近在尋找合適的行李箱，幾個購物網站提供了關於尺寸與重量的資訊、羅列產品的優缺點，還有先前買家對特定型號箱子的評論。

如果在Google搜尋中輸入「行李箱評價」，一下子就會跳出《消費者報告》（Consumer Reports）、《漫旅》（Travel + Leisure）、《好管家》（Good Housekeeping）、《今日美國》（USA Today）、《商業內幕》（Business Insider）、家電網（Wirecutter）、集點網（Upgraded Points）等提供的資訊。

資訊越多越詳細，真的越好嗎？

儘管可靠的資訊來源比比皆是，消費者仍舊無法窮盡所有資訊。經濟學家認為消費者的確「不應該追求完全的知情」，因為搜尋資訊與消費資訊都需要投入時間和金錢。

因此，對擁有部分資訊的消費者而言，只有未知資訊的預期價值超過獲取資訊的成本時，才值得追求更多資訊。另一方面，即使市場的競爭壓力迫使廠商提供大量的商品資訊，還是依然沒有揭露許多重要、與安全相關的訊息。

舉例來說，曾有廣告商建議布朗威廉森菸草公司（Brown and Williamson Tobacco Corporation）在宣傳旗下新商品時，強調新配方能降低引發心臟疾病的有害氣體，然而這項建議並未被接納。

一份內部文件顯示，該公司高層認為：「在特定有害氣體對心臟疾病的影響獲得政府證實且廣為人知之前，貿然在廣告中提及這種氣體並不具有策略性價值。」

由於廣告商極其堅持，該建議最終遭到菸草公司斷然拒絕。該公司認為，提及這些氣體只會適得其反，因為這麼做，反倒公開揭露吸菸對心血管的不良影響。

當市場競爭機制無法為消費者提供重要的資訊時，政府的干預才具有價值。政府公開揭露與吸菸相關的資訊，確實能降低一部分的吸菸率，也會促使廠商降低香菸中的焦油和尼古丁含量。企業有時也沒有測試自家產品的動機，因為他們發現：消費者不認為廠商的內部測試具有公信力。

——本文摘自《經濟學家眼中的世界 (40周年好評增修版)：一本讀懂經濟學的優劣與局限，剖析政府、市場和公共政策，探索人類的幸福》，2023 年 5 月，今周刊出版，未經同意請勿轉載。

難以公平？潛在的柏瑞圖增益

當我們從事市場交易時，的確可能傷害到其他人。譬如亨利．福特（Henry Ford）銷售他的 T 型車時，馬車鞭子的製造商就無法從中獲益。在市場不存在缺陷的情況下，這交易的確實現了潛在的柏瑞圖增益（也就是贏家獲得的收益超過輸家的損失）。亨利．福特和所有購買福特汽車的人都有能力補償馬車鞭子製造商的損失，同時還能改善自己的生活。

但如果補償並沒有發生（就如一般生活中發生的情況），這問題又該怎麼看呢？消費者以金錢投票，市場對投票結果做出反應，但許多人認為這些投入市場的金錢並沒有公平分配。購買鉛筆（或iPad）的人可能是最渴望擁有這些物品的人，有時剛好也是最富有的人─因為購買意願取決於支付能力。

如果都更建商想向地主購買市中心的一塊土地，而此處補貼低所得居民的住房，不論成交價格為何，都會是有效率的交易。此時，代表新住戶的土地開發商願意支付給地主的錢，高過低所得居民為保住房子願意支付的錢。但我們也許應該阻止都更建商，因為低所得戶特別需要幫助。

經濟學家解決公平性問題的方法之一，是在更大的背景下思考。

效率至上？潛在柏瑞圖增益是市場中決定性標準

在一幢出租大樓中，如果因為房東想把店面租給電腦銷售與維修商，以便收取更高的租金，導致樓下的三明治餐廳被迫關閉，餐廳經理就會失去工作。這結果符合潛在的經濟效率：電腦店預期迎來更多客戶，有能力比三明治餐廳支付更高的租金。但請考慮市場未來可能發生的所有變化。

如果「讓贏家贏得比輸家輸得多」是市場在大多數情況下的決定性標準，要是其他市場也改變，這位前餐廳經理也可能是新的贏家，所得也能完全補償輸家並改善自己的生活。

如果在任何情況下，潛在柏瑞圖增益都是決定性的市場標準，經濟將會不斷成長，餐廳經理也會隨著時間推移獲得更高的所得。就算他個人沒從中受益，他的孩子也因出生在更為繁榮的經濟社會而受益。這樣的思維與論述很完備，但無法說服許多關注公平性的人。

批評經濟學家公共政策的方法時，經常是指責他們只在乎經濟效率。經濟學家在運用其專業知識時，比起討論公平性，討論效率時會更有信心。因此，他們寧願談論效率，也確實更常談論效率。不過，經濟學家還是花了許多力氣在討論公平性和所得分配。

人與人之間的分配問題

有篇經濟學文獻曾討論不同種族、男女及年齡層的所得分配是否公平。此處無法援引過多細節，只能簡單地說，經濟學家最常關注的一個特定分配問題是：不同所得階層握有國家資源的相對占比。在討論所得再分配之前，應該先解釋一個運作良好的市場會如何分配產出。

在市場經濟中，一個人的所得取決於他人使用他的勞動力、土地和資本而獲得的報酬。然而，對這些生產要素的需求，則取決於人們對其最終產品的需求。市場若非不完善，個人的所得取決於他的勞動力，和他擁有的生產要素能對市場提供的商品與服務。

市場競爭的壓力會推升工資，直到它能反映邊際勞動者（雇主願意多僱用一位勞動者）對生產的貢獻，而這邊際貢獻就是這位勞動者在此處工作（而非他處或根本不工作）所能獲得的工資。

許多經理人的確只想支付相當於員工生產能力一半的工資，但他們會面臨來自同業的競爭壓力，因為其他經理人會試圖挖角這些員工，願意支付稍微多一點但仍低於其生產力的工資。這位經理人仍可以獲得額外的利潤，但也同樣面對勞動市場的壓力，因為還有其他經理人願意再多付一點工資。

個人在勞動市場獲得的所得是機會和選擇的結果，而機會和選擇則取決於他出生的家庭、成長的社群、他的智力和其他能力，同時也取決於他的努力和遠見。懶惰的天才不會與勤奮的天才賺得一樣多，卻可能賺得比勤勞的一般人多一點。某些才華橫溢又勤奮的人，要是沒遇到識貨的伯樂（例如馬車鞭子製造商），其所得也可能不如他人。

編按：想知道後續更多內容，歡迎閱讀本書 ↓

——本文摘自《經濟學家眼中的世界 (40周年好評增修版)：一本讀懂經濟學的優劣與局限，剖析政府、市場和公共政策，探索人類的幸福》，2023 年 5 月，今周刊出版，未經同意請勿轉載。