本文由 民視 科學再發現 委託,泛科學企劃執行。
y 編、S 編、U 編一行人趁著假期到海邊出遊,結果卻發現可憐的寄居蟹沒有家惹 QQ
到底有沒有什麼方法能夠救救無家可居的牠呢?
*喜歡圖又喜歡文的你,有福啦!《請支援編輯》系列透過簡單的漫畫,帶你了解有趣的科學知識,也帶你一窺泛科學編輯部的日常 ^o^
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。
「那無疑是我從沒嚐過的味道」,論文的第一兼通訊作者 Jonathan David Blutinger 回想起初期的失敗,委婉地承認:「其實不難吃,只是與眾不同。我們畢竟不是米其林大廚。」[1]所幸皇天不負苦心人,在多次修正後,美國哥倫比亞大學的團隊,終於做出原料一樣,但是不再坍塌的蛋糕,並於 2023 年 3 月的《npj 食品科學》(npj Science of Food)期刊上分享食譜。[2]
研究團隊的終極目標,是希望將來任何人均能用簡單的軟體烹飪,3D 列印再雷射加熱,創造經濟、健康且美味的餐點。他們選擇的食材相當普遍,全部都從美國紐約的 Appletree Market 超商購買。[2]
Skippy 花生醬、J.M. Smucker 草莓果醬、Nutella 榛果巧克力醬、Betty Crocker 糖霜、Krasdale櫻桃淋醬、拿叉子搗爛的香蕉泥;以及用食物調理機攪 2 分鐘製成的全麥餅乾糊(8 塊全麥餅乾、2 湯匙的牛油和 4 茶匙的水)。[2]
(1)冷藏材料,使其變得濃稠,以穩定結構。[2]
(2)把各種材料灌入分別的 7 支針筒(30ml;14 gauge)。[2]
(3)將針筒裝進特製的 3D 食物印表機。[2]
(4)把壓克力餐盤擺在 3D 印表機下,盛接針筒擠出的條狀物。其直徑約 1.5 毫米,會逐漸累積出蛋糕的半成品。[2]
(5)論文有寫到運用藍光和紅外線,為蛋糕加熱。不過,實驗方法的段落,僅提及 3D 印表機附設的藍光雷射二極體(blue laser diode),也就是下圖中黑色的長方體。[2]
從上面的影片,可見早期幾個版本的蛋糕,非常容易崩垮。[2]研究團隊於是依據物質受力變形時,展現的黏性和彈性特質,即黏彈性(viscoelasticity),將食材分為「結構」與「填料」兩類,並在軟體中改變設計:[2, 3]用結構性強的全麥餅乾糊,作為蛋糕各層的形狀基礎,又以花生醬和榛果巧克力醬輔助支撐,再填入其他相對柔軟的原料。最後,他們調整 3D 印表機的針筒高度,並減緩列印的速度。如此擠出來的流體,尾端便不會蜷曲。能避免繩捲效應(coiling effect或rope-coil effect),破壞蛋糕表面的平整。要不然有時會出現本文開頭的圖組中,最末一塊蛋糕那種毛躁的外貌。[2]
目前 3D 列印食物尚未普及,此蛋糕的成形有如曇花一現。這一方面是基於科技新穎,懂得操作的人還少;另方面則因為這種印表機索價不菲,不是誰都玩得起。如果要商業化,研究團隊認為得採取 Gillette 刮鬍刀和 Nespresso 咖啡機的經營模式:壓低主要產品本身的價格,後續再從耗材獲利。換句話說,廠商賣出廉價的 3D 食物印表機,之後消費者就會以零買或長期訂購的模式,購買列印用的食譜和食物匣。食物匣的內容物,發展空間多元。除了碎肉和花生醬等泥狀物;也能推出醬油、橄欖油等液體;食鹽與胡椒之類的顆粒;還有百里香或香芹這類碎片等,任何可食用的東西。[2]
此外,在薄利多銷和產品開發的同時,也要提升大眾的接受度。偏好天然食材,或是不信任食品產業,都是對 3D 食物列印存有疑慮的原因。研究團隊提出的解方,是宣傳它的好處,例如:精準調配營養,不浪費材料;降低能源耗損;以及客製化的食譜等。[2]當然,似乎也就避而不談犧牲纖維質,以求列印順暢等問題。[1]總之,他們描繪出科技烹飪的美好願景,並且排除萬難,要讓飲食邁向全新時代。倘若有天上述的市場成熟,產品賣相比論文中的蛋糕誘人,您會願意品嚐嗎?
特別感謝許凱勝先生協助確認技術細節。
以往病媒蚊研究中,人類志願者及受試動物,得犧牲小我以造福蒼生。活生生地,讓蚊子叮咬並吸食他們的血液。現在,美國科學家用充滿動物血液的水凝膠餵蚊子;將來或許還能改為填充蛋白質營養液。[1]從此以後,科學家便能像主持以酒代血的天主教感恩祭,慷慨地對蚊子說:「你們大家拿去喝,這一杯就是我的血,新而永久的盟約之血,將為你們和眾人傾流,以赦免罪惡。」[2]
1944 年科學家 Samuel Gertler 合成的化合物 DEET(中譯「待乙妥」或「敵避」),在二戰期間被美軍用來驅蚊。[3]之後各種防蚊成份的研究過程,仍免不了仰賴人類和動物的活體貢獻。隨著近年 3D 列印與生物相容水凝膠的技術發展,開發替代品的時機逐漸成熟。理想上,餵食蚊子的水凝膠製品,要具備高解析度的 3D 列印血管、擴散於組織中的血液、對多種蚊子的吸引力、低廉的成本,以及較少的動物實驗倫理問題。此外,最好還能搭配一組攝影器材,與相應的數據運算模型。[1]
2023 年 2 月,美國研究團隊於《前沿生物工程與生物科技》(Frontiers Bioengineering and Biotechnology)期刊上,介紹他們一體成形的嘗試成果。[1]
類似於做捲心酥,要先調配麵糊,烘烤定型,才能在裡面填充內餡。此實驗的第一個步驟,是製作稍後能注入血液,或者其他液體的水凝膠。研究團隊先把適當比例的聚乙二醇二丙烯酸酯(PEGDA)、明膠甲基丙烯(GelMA)、甘油(glycerol)、LAP 光敏劑與檸檬黃食用色素(tartrazine),混合在一起。[1]透過數位光源處理(digital light processing),使原料遇光固化,將內有曲折空管的水凝膠薄片,3D 列印出來。[1, 4]每批產出3份水凝膠,費時約 23 分鐘。[1]
接著,成形的水凝膠,被丟進磷酸鹽緩衝生理食鹽水(phosphate buffered saline),浸泡至少 2 天。這段期間內,多餘的色素會不斷流出,所以要勤換水,直到水質清淨。上述從頭到尾的程序,一旦商業量產,成本即可降低。如果在無菌環境中製造,還能冷藏儲存數月。[1]
再來,就要幫捲心酥灌多元口味的內餡了。科學家購買了雞、羊和牛,已經去除凝血功能的研究級脫纖血(defibrinated blood)。[1, 5]依照要進行的實驗,將這些血液或是其他液體,裝進針筒。接著,用注射泵浦(syringe pump)和管路,將針筒裡的內容物以 100 μL/min的速率,推進水凝膠裡。此實驗過程中,一支針筒透過管路,最多連接 6 份水凝膠。[1]
美國科學家將多塊水凝膠,分別放置於幾個玻璃罩內。每個罩子裡,引進 20 至 30 隻母蚊子,當作主要的觀察對象。[1]由於母蚊子吸血是為了產卵,所以裏頭還加上幾隻公蚊子作陪,來促進其食慾。[1, 6]攝影機全程對準水凝膠,記錄蚊子的活動,時間總長約 30 至 45 分鐘。[1]基於個別實驗的目的,方法設計上稍有差別:
餵食觀察的錄像,歷經截圖、挑選、標註和校正等程序,成果被拿來訓練電腦找蚊子。於嘗試及調整後,此運算模型不僅能辨識影片中的蚊子,還會分別「未進食」與「進食中或吸飽血」的腹部形狀,平均準確率高達 92.5%。這個模型,馬上被運用在後面的實驗裡。[1]
在選擇食物時,紅墨水和磷酸鹽緩衝生理食鹽水,顯然騙不過受試的蚊子;牠們唯獨吸食有動物血液的水凝膠。未來研發蛋白質營養液時,也可以用雷同的方式,評估蚊子的接受程度。為了引誘牠們,以後也能加碼在水凝膠上,塗抹真實皮膚會有的化學物質,並且在附近散佈二氧化碳。若是成功了,成品就能在其他病媒蚊實驗中,替代動物血液。如此便減少血液傳播疾病的風險,[1]以及使用動物血液的倫理問題。
另一個實驗的 DEET 和檸檬尤加利油萃取物,一如預期地令蚊子完全不想靠近。倒是沒塗料的對照組,卻意外只有 13.8% 的低餵食率。科學家覺得應該歸咎於水凝膠太小,有些蚊子擠不進去。將來製作時,得加大表面積。[1]
整體而言,論文的第一作者 Kevin Janson 博士,很滿意這個自動分析功能,迅速又穩定的運算模型。在研究驅蚊效果方面,身為論文作者之一的 Omid Veiseh 教授,則認為他們的設計,未來也可以用於測試其他化合物。至於病媒蚊的品種,此實驗主要採用的,是會傳播黃熱病(yellow fever)、登革熱(dengue fever)和茲卡熱(Zika fever)的埃及斑蚊(Aedes aegypti)。另一位作者 Dawn Wesson 教授表示,假使想套用此模型跟設備,在習性迥異的野生品種上,就得再花時間研究。[7]