誰能佔領搜尋結果第一名？從 PageRank 網頁排名演算法談起

• 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。

2023 年 3 月 intel 跟微軟共同發布了 AI PC 定義。

定義需要用 intel 的 Core Ultra 處理器，要有微軟系統內建 的Copilot AI，鍵盤上還需要有一個實體 copilot 按鍵，才算是一台 AI PC。

這個 AJ 看到後，發現案情並不單純，定義 AI PC 這件事情，遠比你想得還要重要！

所以今天呢，我們就來回答三個問題：

1. AI PC 是什麼？
2. AI PC 強在哪？
3. 有哪些公司跟 AI PC 有關？

最後再跟大家分享是否要買 AI PC 的建議。

好啦，本集我們整理了整個 AI PC 的脈絡，我把懶人包放在這裡，有需要的可以暫停看一下。

最後來給買 AI PC 的建議吧，如果你主要用桌上型電腦，4090 獨立顯卡直接給他買下去，因為桌上型的處理器至少到目前為止，都還沒看到內建 NPU 的規劃，所以所有的平行運算都還是靠顯示卡 GPU 來處理。

筆記型電腦方面，各家網購平台都已經推出 AI 筆電專區，最低三萬元左右就可以買到最新的 AI PC。

或許你還沒體驗到 AI 工具帶來的工作流程改變，不過潮流已經出現，據說到 2025 年，將出貨超過一億台AI PC，各家軟硬體廠商在這個全新的賽道上，只會不斷推出各種基於 AI PC 架構的應用與服務，畢竟，你如果不做，你的競爭對手可是不會等你。

有點離題了，在可遇見的未來，我們勢必會發現自己的電腦擁有更多基於 AI 技術的功能，

也許，你可以再等一會，等桌上型電腦也內建 NPU 之後，再來買真正的 AI 「PC」，不過要問我的話，如果是購買筆電的需求，選擇適合 Intel Evo 認證的筆電是值得推薦的選擇。

如果有其他想看的 AI 工具測試或相關問題，也可以留言發問，如果喜歡這支影片的話，也別忘了按讚、訂閱，加入會員，我們下集再見～掰！

更多、更完整的內容，歡迎上泛科學院的 youtube 頻道觀看完整影片，並開啟訂閱獲得更多有趣的資訊！

• 文／陳品均｜雅文基金會聽語科學研究中心 助理研究員

星期一，聽起來是什麼顏色？

先別急著回答藍色，對某些人來說，這個答案可不是受到情緒經驗的影響，而是真實的色彩反應。

星期怎麼可能聽起來有顏色？事實上，根據研究大約有 4% 左右的人^[1]，在某個認知或感官接收資訊刺激後，另一種感覺或認知會同步自發的出現，並且具有特定規律，此反應與刺激本身並不一定相關，這些人被稱為聯覺者，擁有像是聽到聲音時，除了聲音的反應外，同時認知到了形狀或顏色等的特徵。

舉例而言，若一位聯覺者聽見 A，除了聲音 A 以外還自動產生了它是紅色的聯覺認知，則不論是在 Apple 或 Angel 中，A 對他而言都是紅色的，不會因為 Angel 比較常以白色的型態出現，便轉換成白色的 A。在學界，聯覺的發展和原因尚在探索中，有些研究指出可能與小時候接觸抽象觀念時的發展、遺傳以及大腦神經機制有關 ^[2、3] 。

隨著聯合反應的感官組成不同，聯覺者的異能經驗也五花八門

你能想像當單一感官接收某一訊息時，同時產生另一感官的不同認知是怎樣的經驗嗎？BBC 的科普節目《Horizon》其中一集< Derek Tastes of Earwax >記錄了數名聯覺者的跨感官連結經驗。其中，一名酒吧老闆兼有聽覺和味覺的聯覺，當他聽見各式各樣的詞彙時，宛如品嚐綜合風味豆，讓他飽嘗各種滋味^[4]。

另一名受訪者是聽覺及視覺的聯覺者，經實驗後科學家發現，若聽到數字或是月份日期時，這名受訪者的腦部除了聽覺區域外，視覺區域也會產生反應。特別的是，他本身是一名視覺障礙者。

感官認知上特別的連結，讓聯覺者所經驗的世界像是搭載了酷炫的特效般，使他們在藝術創作及記憶上屢有出色的表現，代表人物有：知名文學《蘿莉塔》作者 Nabokov^[5]、以引起聽眾共鳴聞名的音樂家 Olivier Messiaen、表現主義的經典畫家 Wassily Kandinsky 等。若想檢視自身是否為天選之人的聯覺者，除了自我覺察是否有異於常人的跨感官連結反應外，目前也有相關的測驗^[6]可以參考。

你我的「類聯覺」跨感官反應

若說聯覺是天生具有特別音感的人，那麼跨感官反應肯定就是音樂家們透過經驗累積產生的直覺判斷，兩者不盡相同、卻又有其類似之處。那麼，不具有聯覺的異能，我們難道只能認命當麻瓜了嗎？

別急，縱使不是聯覺者，普通人也多少會有類似聯覺的經驗，這樣的類聯覺稱作跨感官反應，往往在我們渾然不覺時，悄悄地舉辦同樂會，並影響人們的喜好、感知和行為等。

先來看看研究者們發現的有趣現象，請看這兩個形狀：

過去曾有研究者以 bouba 及 kiki 兩個虛構詞進行實驗，九成受訪者傾向認為雲朵狀的形狀是 bouba，尖銳的形狀則被認為是 kiki，即使這些受訪者其實並不認識兩個假詞，但基於聲音和形狀的特徵，卻讓多數人做出這樣的選擇^[7]。

後續研究者也繼續投入各式各樣以不同語言文化環境為背景、不同年齡階層為對象的研究，有趣的是，結果顯示此現象幾乎是跨語言、跨文化、跨地域存在的，甚至在少與外界互動的部落居民，或是尚未識字的幼兒身上，也有這類從聲音特徵影響其視覺形狀感知歸類的效應 ^[8、9、10]。除了虛構的詞彙以外，有些研究者使用真實存在的詞彙（如：Bob 及 Kirk），來對應圓潤及尖銳的剪影或人臉，最後也有相似的結果^[11、12]。

一般人的經驗和認知，往往加速催化感官間的互相影響

除了語言與形狀外，我們生活中還有許多感官互相影響的例子，來試試看下面這張圖，你聽見聲音了嗎？

瑞克搖（Rickrolled）的影片在 2019 年突破了 10 億次的 youtube 觀看次數^[13、14]，迷因化後大量的連結及有聲影片傳播，使得曾經的觀眾在看見這張圖時根據經驗，腦海中自然出現了＜Never Gonna Give You Up＞的旋律。

然而，不同於聯覺，若沒有經驗累積，跨感官的反應便無法被觸發，以上圖為例，即便觀看次數如此驚人，對於未曾接觸過此影片的人而言，由於缺乏經驗和認知的累積，在看見該張圖片時，理所當然也無法產生相對的聲音反應。

將跨感官反應置入在行銷中的策略，現正流行中！

在大量接收資訊的生活中，我們不自覺地累積了許多感官經驗，成為由單一感官啟動與其他感官同步作用的引線。行銷高手們從中嗅出了商機，精明的將消費者們不由自主產生的跨感官反應也算進了商業行銷的一環。如：某知名咖啡品牌在過去曾進行一項實驗，將兩杯一樣的咖啡配以不同的音效提供給不知情的消費者。前一杯搭配液體沖入便宜咖啡杯、攪拌，模仿沖泡即溶咖啡的聲音，另一杯則在播放磨豆聲、蒸氣聲以及倒進陶瓷杯的聲響後，再次提供給消費者，結果發現在不同的聲音所營造的環境氛圍下，同樣的兩杯咖啡，人們覺得後一杯更加濃醇香，並願意為之付出更高的金額^[15]。

近年熱門的 ASMR 亦是味覺和聽覺的跨感官應用，若想了解更多，別錯過之前的專欄文章﹤加點「聲音調味料」，享受聽覺與味覺的極致饗宴吧！﹥。

下次若覺得某張圖片有聲音、光看某部電影的宣傳海報就起雞皮疙瘩，或是外帶的咖啡沒有內用的美味，也許就是跨感官反應悄悄影響了你的感覺。最後，讓我們回到一開始的問題，星期一聽起來是什麼顏色的？不論是不是藍色的，何不試試透過 GIF 圖和親朋好友無聲地分享你震耳欲聾的情感吧！ 

參考資料

1. Simner, J., Mulvenna, C., Sagiv, N., Tsakanikos, E., Witherby, S. A., Fraser, C., Scott, K., & Ward, J. (2006). Synaesthesia: The prevalence of atypical cross-modal experiences. Perception, 35(8), 1024–1033. https://doi.org/10.1068/p5469 
2. Bankieris, K., & Simner, J. (2015). What is the link between synaesthesia and sound symbolism? Cognition, 136, 186–195. https://doi.org/10.1016/j.cognition.2014.11.013
3. Freeman, E. D. (2020). Hearing what you see: Distinct excitatory and disinhibitory mechanisms contribute to visually-evoked auditory sensations. Cortex, 131, 66–78. https://doi.org/10.1016/j.cortex.2020.06.014
4. BBC. (2014, September 17). Science & Nature – Horizon. BBC.
5. Eagleman, D. (2023, September 6). Wednesday is Indigo Blue. David Eagleman. https://eagleman.com/books/wednesday-is-indigo-blue/
6. Eagleman, D. M., Kagan, A. D., Nelson, S. S., Sagaram, D., & Sarma, A. K. (2007). A standardized test battery for the study of Synesthesia. Journal of Neuroscience Methods, 159(1), 139–145. https://doi.org/10.1016/j.jneumeth.2006.07.012
7. Ramachandran, V. S., & Hubbard, E. M. (2001). Synaesthesia–a window into perception, thought and language. Journal of consciousness studies, 8(12), 3-34.
8. Ozturk, O., Krehm, M., & Vouloumanos, A. (2013). Sound symbolism in infancy: Evidence for sound–shape cross-modal correspondences in 4-month-olds. Journal of Experimental Child Psychology, 114(2), 173–186. https://doi.org/10.1016/j.jecp.2012.05.004
9. Styles, S. J., & Gawne, L. (2017). When does Maluma/takete fail? Two key failures and a meta-analysis suggest that phonology and phonotactics matter. I-Perception, 8(4), 204166951772480. https://doi.org/10.1177/2041669517724807
10. Ćwiek, A., Fuchs, S., Draxler, C., Asu, E. L., Dediu, D., Hiovain, K., Kawahara, S., Koutalidis, S., Krifka, M., Lippus, P., Lupyan, G., Oh, G. E., Paul, J., Petrone, C., Ridouane, R., Reiter, S., Schümchen, N., Szalontai, Á., Ünal-Logacev, Ö., Winter, B. (2021). The bouba/kiki effect is robust across cultures and writing systems. Philosophical Transactions of the Royal Society B: Biological Sciences, 377(1841). https://doi.org/10.1098/rstb.2020.0390
11. Barton, D. N., & Halberstadt, J. (2017). A Social Bouba/Kiki Effect: A bias for people whose names match their faces. Psychonomic Bulletin &amp; Review, 25(3), 1013–1020. https://doi.org/10.3758/s13423-017-1304-x 
12. Sidhu, D. M., Pexman, P. M., & Saint-Aubin, J. (2016). From the bob/kirk effect to the Benoit/éric effect: Testing the mechanism of name sound symbolism in two languages. Acta Psychologica, 169, 88–99. https://doi.org/10.1016/j.actpsy.2016.05.011
13. BBC. (2021, July 29). Rick Astley rolls into a billion YouTube views. BBC News. https://www.bbc.com/news/technology-58011677
14. BBC. (2018, September 10). Rick Astley on the Rickroll meme that made him an online legend. BBC Scotland. https://www.bbc.co.uk/programmes/articles/5D3ZmWf1hJmCxCc5Vn0sS64/rick-astley-on-the-rickroll-meme-that-made-him-an-online-legend
15. Jones, R. (2021)。跨感官心理學：解鎖行為背後的知覺密碼，改變他人、提升表現的生活處方箋 (陳松筠譯)。商周出版。