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。
不少影視作品,善用水滴暗喻流淚。離散的場面哀戚,暗夜裡風雨飄搖。雨絲打在窗上,衝擊著觀眾敏感的心。主觀鏡頭宛如主角的目光,透過玻璃望向遠方。可是任誰都無法忽略,前景那一顆在表面移動的雨滴,默默地、緩緩地滑到一半,止住了。雨過天晴,窗外的玫瑰花瓣托著晨露,晶瑩剔透,水珠怎麼飽滿,也沒溜下來。如此揪心的情緒渲染,倘若換作荷葉或鐵氟龍鍋具,效果肯定蕩然無存。稍稍傾斜,便把持不住一滴,三兩下流得乾乾淨淨,不著痕跡。於是,被騙得一把鼻涕一把淚的觀眾,拭乾雙眼,體會刻骨銘心:摩擦力大的表面,即使垂直,水滴也可能攀附;摩擦力小,則些微的斜度,就會流失水滴。[1]
想留住水滴,就如同要挽回即將離去的戀人,免不了得談客觀條件。芬蘭阿爾託大學(Aalto University)和于韋斯屈萊大學(University of Jyväskylä)合作的團隊,在《自然化學》(Nature Chemistry)期刊上,介紹新創塗料時,列出下面 4 個影響水滴流動的要素:[1]
水滴對固體表面的依附,使它處處惹人嫌。比方說,在汽車的擋風玻璃,以及先進駕駛輔助系統的鏡頭上,會妨礙視線,干擾行車安全。[7]常言道:「所有感情問題,一律建議分手。」研究團隊想利刀斬孽緣,則所開發的塗料,要能有效減少物體表面的接觸線摩擦力,使水滴在上頭「站不住腳」。過往的研究認為,關鍵是降低形貌或化學的異質性。[1]
研究團隊調節時間、溫度和水份等變因,讓疏水性的辛基三氯矽烷(octyltrichlorosilane),在親水性的二氧化矽(SiO2)板上,自然「生長」成自組裝單層膜(self-assembled monolayer)。[1]無論這層膜在矽板上的密度低,也就是表面大多都是二氧化矽;或者密度高,即辛基三氯矽烷佔多數,都可以視為異質性低的情形。反之,若表面密度中等,則異質性高。理論上,異質性低對削弱接觸線摩擦力有幫助,但是研究團隊認為塗料密度低的時候,表面親水性過高,效果可能不彰。[1, 8]
然而實驗結果有些出乎意料:當這層膜在矽板上的表面密度較低,水竟然自由地於塗料的分子間流動,很容易滴落;而表面密度高時,水則停留在塗料上面,也可以輕易滑下來。唯有介於兩者之間,水才會緊巴著矽板。[1, 8]
芬蘭研究團隊的成品,應該是目前全世界最滑溜的塗料,防潑水的能力超級好。[8]麻煩的是厚度太薄,耐用性有待提升。將來如果成功改善,有望廣泛運用於除冰、抗霧、暖氣管線等諸多方面。[1, 8]
食品包裝容器對我們的生活不可或缺,外食人口的增加、烹煮條件及保存需求等都會影響食品接觸材質的發展,許多一次性或重複性食品容器應勢而生,卻也使民眾對這些食品接觸材質是否會影響健康產生疑慮,其中多數金屬罐頭食品內部塗層所含的雙酚 A (Bisphenol A) 就是時下熱門的例子。
考量雙酚 A 對人體健康具潛在影響,歐盟於 2018 年 2 月發布命令,加嚴食品接觸材質中雙酚 A 的管制,包括嬰幼兒產品禁用及限制塑膠食品接觸材質的遷移值,並已於2018 年9 月開始實施。
本期 ILSI Taiwan 專欄邀請成功大學工業衛生學科暨環境醫學研究所李俊璋特聘教授與成功大學環境微量毒物研究中心助理研究員張偉翔博士撰文,為讀者解答何謂雙酚 A?它是如何被我們吃下肚?有哪些方法能降低雙酚A的暴露風險?
世界衛生組織國際癌症研究中心 (IARC) 尚未認定雙酚 A 對人類或動物具有致癌性,但科學證據已將雙酚 A 視為環境荷爾蒙,若過量暴露下,雙酚 A 將會干擾人體內分泌系統,對生殖及生長發育造成危害。在公眾嚴厲訴求下,歐盟食品安全局終於同意了,承諾於 2018 年重啟「雙酚 A 毒性再評估1」,針對雙酚 A以科學程序進行,篩選所有動物及人體研究數據,並參考美國提供的兩年期核心毒理研究及人體研究 (CLARITY-BPA project) 中所發表之數據,以全面性健康影響為基礎,完整進行雙酚 A 暴露之風險評估,並提供歐盟食品安全局重新制訂每日耐受量 (Tolerable Daily Intake, TDI) 之建議值
雙酚 A 在食品接觸材質的製造主要用於生產「聚碳酸酯塑料」─製造水瓶和餐具的常見物料。此外,雙酚 A 亦可用於製造食品和飲料金屬罐內層保護層的環氧樹脂(占市場之90%)之有機塗層2,以防止金屬罐直接與食品接觸,使食品和飲料可保存其填充物風味和營養價值長達數年。
然而愈來愈多研究發現,雙酚 A 可以從聚碳酸酯塑料或環氧樹脂內層遷移到食品與飲料中。此外,金屬罐頭的儲存時間、溫度、酸鹼值及脂肪量都會影響雙酚 A 的釋出量,並透過食用、飲用途徑進入人體。
在台灣,罐頭食品每年的產值高達 76 億元3。雖然罐頭食品並非普遍大眾的主食,但不少國內外研究皆指出,肉類、海鮮、蔬菜、濃湯、水果等各類罐頭食品中皆有雙酚 A 的檢出。
各國食品包裝用的金屬罐頭內層大多採用環氧樹脂等有機塗料,在製造時皆須符合雙酚 A 遷移限值,不同的食物類別因為內含物、運送、保存、烹調方式等差異皆有不同濃度檢驗值,而脂肪含量較高的罐頭食品,檢測到的雙酚 A 濃度較高則是罐頭食品的共同特性。
衛生福利部食品藥物管理署(以下簡稱食藥署)2016年委託成功大學環境微量毒物研究中心,針對全國 250 件食品樣本進行雙酚 A 含量調查,其中包含 45 件罐頭食品。調查結果與其他國家的調查相似,金屬罐頭食品中雙酚 A 平均濃度及範圍為 14.0 ± 11.4(1.22 – 49.4)μg/kg ww,較生鮮食品高約 2~3 倍,因此未來監測台灣市售罐頭食品中的雙酚 A 濃度相形重要。
依據該計畫風險評估結果顯示,每日每公斤體重從金屬罐頭中攝取雙酚 A 劑量,各年齡層皆約佔其總雙酚 A 暴露劑量 33%。相較於其他年齡層,3-6 及 6-12 歲兒童從金屬罐頭攝入雙酚 A 劑量偏高,但綜合來說,經飲食攝取之雙酚 A 劑量遠小於歐洲食品安全局 2015 年建議的每日每公斤體重耐受量 4 微克:
即使對成人而言,雙酚 A 的暴露量都在每日耐受量的範圍內,但孕婦、哺乳期及食用嬰幼兒配方奶粉和副食品的嬰幼兒等族群,皆可能受到環境中低濃度雙酚 A 暴露而導致流產、腦部、生殖、代謝、神經與免疫系統的潛在健康風險,無法排除可能影響,且除了飲食之外,若長期持續暴露於化妝品、感熱紙與灰塵之下,仍可能會超過每日耐受量。
雙酚 A 常存於聚碳酸酯塑料及罐頭內層環氧樹脂塗料,會經由與食品接觸遷移至食物上,導致消費者暴露於雙酚 A 風險中。因此除了美國及澳洲外,各國皆以限制食品接觸材質中雙酚 A 的遷移值進行管理[註1]。目前以歐盟 2018 年 9 月公告的新管制標準最嚴格,塑膠食品接觸材質中雙酚 A 的遷移限值從 0.6 修正至0.05 ppm,與食品接觸的漆和塗料中雙酚 A 遷移值,也不得超過0.05 ppm。用於嬰幼兒食品接觸材質上的漆和塗料禁用雙酚 A,亦不得用於製造嬰兒用聚碳酸酯奶瓶、嬰幼兒用飲用杯或瓶子。
在台灣,環保署已於 2009 年公告雙酚 A 為第四類毒性化學物質-疑似毒化物,相關業者在使用時需有政府核可文件。食藥署於食品接觸材質中雙酚 A 的遷移值,則限制為不得超過 0.6 ppm,日本的規範限值最寬鬆,不得超過 2.5 ppm,中國則與台灣相同。
雖然罐頭食品並非國人的主食,且台灣罐頭食品中的雙酚 A 濃度均低於國際罐頭食品中雙酚 A 調查結果,各年齡層的平均暴露量亦小於歐盟食品安全局的建議值,但是對於經常食用或大量食用罐頭食品者,仍可能有雙酚 A 暴露過量並對人體造成潛在健康風險。
呼籲民眾採取均衡飲食原則,分散購買的食物來源與種類,避免長期過度食用相同種類的食物,尤其是金屬罐頭食品,以降低雙酚 A 的累積暴露風險。若要加熱食用金屬罐頭食品時,切勿將金屬罐頭直接置於火上加熱、隔水加熱,或用電鍋直接加熱的方式,以避免因高溫烹煮時金屬罐塗層之雙酚 A 遷移至食品中而被吃下肚。食用罐頭食品前應先將罐內的食品取出,改使用玻璃、陶瓷或不鏽鋼等容器盛裝再加熱食用。