如何用生物地理學理論找到賓拉登

• 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。

108 課綱開啟全新閱讀素養時代。

科學素養不再侷限於考試的解題方法，學生閱讀科學讀物時,如何在氾濫資訊中找到高品質、適合學習程度的科學素材，是教育現場至關重要的課題。

臺灣師範大學 SmartReading 團隊將 AI 讀物難度分級技術，透過測驗、選書、閱讀、讀後回饋四大功能，完整記錄孩子的學習歷程，提升中小學生科普閱讀動機，成為自律自主的科普學習者。

臺灣師範大學於 110 年至 111 年間，與國科會、新北市、臺中市等單位合作，連續辦理三屆「SmartReading 科普閱讀力大賽」，每屆競賽歷時半年。競賽組別以國小三年級至高中一年級共分七個組別。參賽學校涵蓋臺北市、新北市、臺中市、臺南市、高雄市、花東等十九縣市，報名參賽人數累計八千餘人。

由系統建置適合學生閱讀的兩千多本科普讀物

競賽期間，參賽學生使用「SmartReading 適性閱讀」系統,透過精準快速的中文閱讀能力診斷，將閱讀程度與讀物難度適配。藉由系統已建置，適合國小三年級至高中一年級的 2,180 餘本科普讀物，不僅能激勵其學習動機，更可有效提升選擇的效率，降低科學閱讀恐懼。第三屆科普閱讀力大賽不受疫情波擾，採實體與線上兩種施測方式，於 111 年 5 月份圓滿完成賽事。

111 年 9 月 24 日於臺灣師範大學舉行頒獎典禮，邀請新北市教育局張明文局長、臺北市教育局鄧進權副局長、臺灣閱讀協會陳昭珍理事長、康橋國際學校秀岡校區卓意翔副校長、親子天下兒童產品事業部副總經理林彥傑、新北市信義國小陳桂蘭校長到場擔任頒獎嘉賓。參賽學校師生、家長齊聚典禮會場，為優秀的得獎同學喝采。

臺師大宋曜廷副校長表示，數位閱讀邁向新時代,團隊使用「SmartReading 適性閱讀」系統作為科普賽競賽平台，期望在知識爆炸的時代,藉由測驗、選書、規劃的「智慧閱讀三步驟」，培養學子的跨領域閱讀力與閱讀習慣，讓學生們手握知識大門的鑰匙，成為自律自主的「SmartReader」。

科普閱讀競賽的三大特色

一、適配閱讀能力與圖書難度，擴增多元書籍與文章素材

參賽學生首先須參加中文適性閱讀能力診斷（DACC），依據診斷結果,配合其當前閱讀能力的科普推薦書單，讓學生選書有依據、個人化。本競賽目前共有「推薦書單」、「推薦文章」等 2 種閱讀素材，主題包含植物／動物、數學、天文地科、物理／化學等 8 大類別。「推薦文章」功能，則與「PanSci 泛科學」及「數感實驗室 Numeracy Lab」合作評選，當前提供 600 餘篇線上科普短文,競賽期間提供已超過 4,000 人次的瀏覽次數。

二、綜合性閱讀五力分數，開啟學生全方位閱讀力

本競賽賽程為期半年，學生透過「前測、閱讀任務挑戰、後測」三個階段。競賽期間，系統詳細記錄每週閱讀歷程，並產出線上「閱讀五力分數」報表。自主規劃閱讀期間計算為「規劃力」；讀後評量填答結果計算為「執行力」；閱讀多元書籍類別的結果計算為「博學力」；閱讀單一書籍類別的深化成果則計算為「精進力」；前後測成長結果計算為「成長力」。將閱讀能力數據化、可視化。

三、閱讀任務徽章，深化學生文化素養與科普閱讀興趣

本競賽內建徽章蒐集系統，參賽者於指定時間依據提示完成閱讀任務，即可獲得期間限定的特色科普徽章。任務內容包含閱讀指定的書單及文章類別、世界性科普節日、科學家生辰、台灣重要節慶與其他隱藏任務。本屆各年級累計獲得徽章達 20423 枚，因設計活潑及任務類型多樣，大受參賽者好評。

競賽結果發現學生的閱讀偏好

一、科普閱讀參與，國小男性最踴躍

活動期間參賽者共完成約 21,153 本的書籍評量。以不同學習階段來看；國小參賽者整體閱讀平均本數為 24 本，男生平均閱讀本數為 28 本，女生平均閱讀本數為 20 本。國、高中參賽者因科普讀本難度較高，需要較長的閱讀時間及一定的科學基礎知識，國中參賽者整體平均閱讀書籍數為 10 本；高中參賽者中女性平均閱讀本數多於男性，整體平均閱讀書籍數為 7 本。

二、學生偏好閱讀動物／寵物類與地球生態／天文類書籍

整體參賽學生對於科普書籍的喜愛程度，以植物／動物類（男生 28.19%、女生 27.91%）最能引起學生的閱讀興趣（如：《昆蟲老師上課了！：吳沁婕的超級生物課》、《小島上的貓頭鷹》、《神奇樹屋》等系列）。在次要類別，男女皆喜好生態／生命科學類的書籍（男生 15.20%、女生 16.87%）。

三、參賽學生閱讀歷程的質與量均佳，表現令人驚豔

本次參賽學生皆積極參與競賽。

以三年級組第一名得主，臺北市立大同國小的林靖軒同學為例，競賽期間閱讀書籍本數高達 383 本，書籍讀後評量的通過率更高達 95%，書籍不僅讀得多，更是能讀得要領。

四年級組第一名為第二次參賽的新北市信義國小謝秉言同學，本次競賽期間共閱讀 427 本書。

其中五年級組為本次競爭最激烈的一組，臺北市立長春國小的黃葦川同學以及高雄市立集美國小的吳勁毅同學，兩者僅以極小的分數差距位居第一及第二名。

此外，第一次參與競賽的高雄市立正義國小的孫政遠，競賽期間閱讀 281 本書籍，通過率達到 97%。

四、教育主管機關、學校師長及家長支持鼓勵，帶動學生優異表現

新北市教育局致力於推動智慧閱讀教育，不遺餘力，成果豐碩。本屆競賽全台共 2,104 人報名參與，全國賽獎項獲獎學生共計 36 人，其中新北市得獎學生便囊括 14 位，表現相當亮眼。

家長與學校師長共同陪伴，使得學生能專注於本次競賽，並有相當卓越的成果，例如新北市康橋國際學校、臺中市明道中學、臺中市葳格國際學校、臺北市東山中學等校，皆因全力推廣閱讀活動，才能有優異的競賽成果。以新北市康橋國際學校國中部為例，此次七年級組參賽者，全國賽前5名得主中，康橋中學就獲有 3 名的佳績。

第四屆科普閱讀力大賽即將開跑

延續前三屆廣受好評之科普賽事，第四屆科普賽將擴大辦理，邀請「PanMedia 泛科知識股份有限公司」馮瑞麒總經理、「數感實驗室 Numeracy Lab」賴以威教授、「國立臺灣大學科學教育發展中心」賴亦德執行長，持續提供參賽者更生活化、趣味化的科普文章，預期第四屆科普閱讀力大賽將能讓全球讀者有更高品質的閱讀體驗和更充實的閱讀收穫。

活動詳情請參閱官方網站。
新聞聯絡人：高等教育深耕計畫辦公室——鄭德蓉 02-2366-0916 #111

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位。

• 採訪撰文／歐宇甜、黃曉君、簡克志
• 美術設計／林洵安、蔡宛潔

神經科學與視覺

我們怎麼「看到」顏色，「察覺」東西在動？大腦如何產生視覺？中央研究院「研之有物」專訪院內細胞與個體生物學研究所所長李奇鴻，他是國際知名的神經科學家，過去長期在美國國家衛生院（National Institutes of Health）做研究，2018 年回到中研院貢獻自己所學。李奇鴻的實驗室主要是以果蠅視覺系統為模型，研究神經元如何在發育過程形成複雜的突觸連結，以及神經迴路如何產生視覺來引導動物行為。

技術帶動神經科學研究

神經系統如何運作？這對以前的科學家來說是黑盒子。由於大腦發生錯誤或出問題時，會直接表現在外在行為上，早期科學家想了解人腦運作機制，只能透過腦部哪裡受傷壞掉或中風等，知道腦部的大概功能區域，但沒辦法進入細胞層次。

「在生物學的發展上，除了需要有智慧的思考，其他都要靠技術去推動。你可能想到一個有趣的題目，但也許要 30 年後，才出現足夠的技術來解決問題。」李奇鴻舉例，從光學顯微鏡、電子顯微鏡、電生理技術、分子生物學到結構生物學發展，每個都在細胞、分子、及系統層次開啟了新的世界。

隨著顯微技術與遺傳工程日益完備，果蠅成為現今熱門的腦科學研究對象。李奇鴻指出，「果蠅的生長速度快，相較老鼠要幾個月成熟，果蠅只要兩週。果蠅的大腦複雜程度介於人和單細胞生物中間，結構跟人高度相似，成果可應用在人身上。」

因此，近 10 幾年來是神經科學大起飛時代，科學家透過遺傳學方法控制果蠅的神經元活性、觀察行為，藉此了解哪些基因會影響大腦發育和運作，逐漸破解神經迴路的奧祕。

「我在選博士後研究時，想到底要做線蟲、老鼠、魚、果蠅或其他模式生物？最後才選果蠅。回想起來，近年剛好碰到果蠅相關技術蓬勃發展，選果蠅是很正確的決定！」李奇鴻笑道。

李奇鴻引用知名神經科學家 David Marr 的三層假說（tri‐level hypothesis），認為大腦運作有三個層次：

1. Computation level（運算）：神經系統在做的事，如分辨顏色、觀察東西移動、辨認物體是圓是方、是蘋果或橘子等。
2. Algorithm level（程序）：神經系統的操作方式、程序怎麼做。 
3. Implementation level（實行）：神經系統如何透過神經元、神經網路來達成這個程序。

李奇鴻表示，「過去多數神經科學家都在討論 computation，再探究 algorithm，卻沒辦法解決 implementation 。現在因為具備技術，科學家終於能找出 implementation，再回推上層問題，甚至發現 algorithm 跟原本想的不一樣。」

視網膜感知系統怎麼運算？

關於神經系統的操作方式（Algorithm level），也有因為技術進步而解決爭議的案例。李奇鴻舉例，以前神經科學家在研究視覺系統感受物體運動的機制，曾出現幾種理論，HR 理論認為神經訊號是用乘法，另一派 BL 理論認為是用減法，爭議了很久。

近年科學家發現，原來視網膜感知系統的運算機制是混合的，一共三種，稱為 HR-BL 混合視覺運動偵測器。過去兩派都只對了一半。

Hassenstein-Reichardt（HR）模型：從昆蟲行為研究而來。

1. 當有偏好方向（從左到右）的視覺刺激出現，左邊的光感應神經元收到訊號，這個信號會被延遲（時間 τ），接著右邊的光感應神經元收到訊號，兩者的訊號會同時到達下游的神經細胞（X），訊號將會相乘，生成運動訊號。
2. 當有非偏好方向（從右到左）視覺刺激出現，兩個訊號會在不同的時間到達，不會生成運動訊號。

Barlow-Levick（BL）模型：從兔子電生理研究而來。

1. 當有偏好方向（從左到右）的視覺刺激出現，左邊的光感應神經元收到訊號，接著右邊的光感應神經元收到訊號，但它為抑制訊號且會被延遲（時間 τ），左邊的訊號會先到達下游的神經細胞，生成運動訊號。
2. 當非偏好方向（從右到左）視覺刺激出現，左、右兩個光感應神經元的訊號會在相同時間到達，刺激訊號和抑制訊號互相抵銷，不會生成運動訊號。

持續分析果蠅大腦的神經迴路！

近代電腦的所有運算都能用 and、or、Xor 三個邏輯閘表達，科學家想知道，大腦裡有沒有類似但更高階的神經迴路運作方式？「從感官到行為比較容易觀察和操作，目前在視覺運動方面的神經迴路運作，我們知道的最多。」

李奇鴻近年在做昆蟲視覺與行為研究，發現昆蟲在感受顏色，如綠光和紫外光時，感光細胞的處理方式是先將紫外光跟綠光的強度做比較，把兩個光的強度相減，讓原本兩個訊號變成一個訊號，所謂的「顏色拮抗」。

「這種神經迴路能解析、比較兩個顏色強度的差異性，因為大部分在視覺上最重要的正是對比。拮抗運算模組能在一片訊號裡找出哪裡最強、其他較弱。其他感官機制也一樣，像觸摸物品時有凸出來的部分較重要，聽覺上要找出哪個聲音特別高等，讓最重要的訊號能凸顯出來。」李奇鴻補充道。

2021 年李奇鴻的團隊首次發現果蠅視覺系統堆疊了多套拮抗運算模組，以達成顏色及空間接受域雙拮抗的效果，成果發表在《Current Biology》。這樣的神經迴路可以比較相鄰的顏色，產生色彩區間對比感。「沒這樣的功能，我們就看不出紅配綠很悲劇了！」李奇鴻笑道。

科學家們正努力鑽研果蠅大腦的神經運算迴路，希望逐步整理出基本運算模組。或許有一天，看似複雜的大腦功能，都可能用基礎的迴路來破解！

老師是怎麼走上研究大腦神經科學這條路呢？

「我滿晚才走上科學研究的道路。我對電腦有興趣、喜歡寫程式，大學上中國醫藥學院醫學系，家裡也希望我當醫生。不過在實習時，我發現自己對治療病人沒興趣，反而對問題或疾病本身更有興趣。跟幾個老師談過之後，我決定不當醫生，跑去清華大學讀生命科學，後來就到中研院。」

因為有醫學背景，一開始比較想做能立刻解決問題的研究，像是用蛋白質跟毒素的綜合體來治療癌症。但後來了解，如果沒有深刻了解致病機制、沒有鑽進基礎科學研究，很難有突破。

後來去美國洛克斐勒大學攻讀博士，在洛克斐勒讀書期間，大家常互相交流，對我有很大的啟發。那時我在鑽研結構生物學，希望了解疾病真正的生理過程，曾解開愛滋病病毒跟人體信號傳遞有關的蛋白質結構。

博士畢業前，我接觸到神經科學，感到很有興趣，就去加州大學洛杉磯分校（UCLA）讀博士後，學神經科學裡的發育學，想了解大腦在發育過程是如何用不同分子在細胞間傳遞訊息。那時我待在很大的實驗室，老師不太管學生，要自己想辦法或跟旁邊的人學習，很多人素質都很高，學習環境很好。

之後我進入美國國家衛生院（National Institutes of Health，NIH）開始開實驗室帶自己的團隊，待了 16 年，算是真正進入神經科學領域，直到現在依然在做相關研究。

每個人的人生選擇，都被以前的經歷主導，如果沒有醫學背景，恐怕我不會去學結構生物學或走入大腦神經科學領域。

老師在美國的研究很順利，那是什麼契機才決定回臺灣呢？回來後是否有不適應之處呢？

「我 26 歲出國，在美國也待 26 年，幾乎完全融入美國生活，實驗室運作得蠻好，連太太也是美國人。但在美國很多年後，內心出現一個很深感覺：我在臺灣待過這麼久，臺灣是我進入科學的起點，也許該回來教教臺灣的子弟。」

剛開始有些想法，曾受邀回臺演講幾次，但沒有下決心。後來出現一個重要轉捩點。中研院分子生物研究所 30 週年慶時邀我回來演講，那時有機會跟歷任所長聊天，這些所長中許多是我過去在中研院碰過的老師。聊了後感觸很深，發現每任所長都要面對分生所的成長或各種問題，每個所長都有獨到的見解和重要貢獻。

我看到分生所運作得很好，覺得非常感動， 內心想：也許我回來能效法他們，也許對中研院細胞與個體生物學研究所的發展能有一點點實質貢獻。

雖然如果待在美國國家衛生院，我也會有這樣一個機會，但還是想帶自己的子弟，把力氣用在自家子弟身上，讓自己的國家和組織進步。我想將在美國國家衛生院學到的經驗，像哪些組織可以運作、哪些不行，嘗試帶回臺灣。

我很清楚可能碰到的問題，像科學研究會受影響，要重新花幾年時間建立實驗室，但那次契機讓我徹底下定信心。我曾跟廖俊智院長開玩笑，就算不給我錢，我大概也會回來。因為真的覺得這是一個很好的機會，自己能為中研院、為臺灣做些事。畢竟中研院也一直都像我的家！

不過，畢竟過去在美國實驗室和家裡都是講英文，只有打電話給媽媽會說臺灣話，因此， 2018 年剛回臺灣時，國語講得不太流利，臺灣話反而比較流利。

老師覺得美國的研究環境有哪些優點？希望將什麼樣的新觀念、新風氣帶進臺灣呢？

「國外最大特點是學術交流很頻繁，雖然國內也蠻頻繁，但他們交流層次更深入。也就是說，我跟參與的老師交流之後，常能改變想法、做事方法或方向，且是正向的改變。」

國外老師受邀演講，會很積極在幾小時內一直談，在一天中完全沉浸其中，不單講出自己在做的東西，也要求聽眾給予批評或建議等，彼此有深度交流，我每次參加都覺得收穫很多並產生合作可能性。

國內我的經驗是，演講結束後比較缺乏機會跟其他老師深度溝通，領完演講費就屁股拍拍坐高鐵回來。這可能是國內的慣有模式，我覺得需要改變。現在所內我也要求大家，既然花錢請老師來，一定要做深度交流，請對方給予建議。

重要的不是形式或邀到諾貝爾獎得主之類，而是在演講結束後、這個人走出我的辦公室、這些人離開後，對我做的事或做事方法，是不是有什麼實質的改變？在其他科學家交談中是否能得到啟發，改變自己的思考或做實驗方式？或聽聽別人告訴你，你還有哪些沒想到的地方？

分享，也是一種很重要的技術，在交流過程中，當我們可以把一件事講清楚，自己也會茅塞頓開，知道問題在哪。

現在所裡的計畫是把老師分成各種不同興趣小組，組內做交流或有跨組活動。其餘像寫計劃、申請經費、經營實驗室或撰寫並發表文章，這些是基本技術問題。

做任何工作，一個是基本的核心技術，如果沒有「技」就無法生存；另一個是 「藝」（Art） ， 可以驅動你一直做下去。訓練人才時，除了培養技術，還要訓練 Art。

老師提到工作上需要 Art，科學家的 Art 是指哪些部分？可以說明得更詳細嗎？

「我想在科學裡面，Art 有很多面向。例如，你怎麼選擇一個問題，怎麼找切入點，如何把一個大問題拆成幾個可攻破的部分，一步步去解開，這是一種 Art。尤其在選擇問題和切入點上，要有獨特的見解或洞燭先機才能成功。」

科學家必須創造有用的知識。什麼叫有用的知識呢？就是聽到學到後，會改變你想事情的方向或做事的方法。很多東西都可以研究，只要科學方法夠嚴謹，都可以得到一些知識。但到底要選擇什麼題目呢？什麼叫做有趣的問題呢？評斷這些就是科學的 Art 。

如果說在人類前面是一個黑暗深淵，知識像光照亮我們前面的路，科學家就像站在最前面，要知道如何踏出那一步？怎麼踏出去？這是 Art。

當科學家看到一個問題、問題成形後，最重要的關鍵是如何選擇一個核心問題去解決。就像玩拼圖時，要放下去最核心、最重要的那塊拼圖。

我回到臺灣後，覺得這裡的研究環境很好，儀器不輸人家，老師很優秀。但可能我們多半只是關注自己的研究，沒有花時間認真去思考，最重要的一塊拼圖在哪裡？當我們有更深度的交流，才能找到最核心的那一塊，做出最重要的貢獻。

老師在國外的實驗室時是如何帶領研究團隊呢？對年輕的科學家有什麼樣的期待嗎？

「在碩士、博士訓練中最重要的關鍵，是從「讀」科學變成真正「做」科學。我們攤開一本教科書，看到裡面講這個、那個，只是讀人家的科學。即使去念了原始文章，仍然是看著科學怎麼被別人做出來而已。」

自己真正做研究才知道，教科書上每一頁、每一句，背後都可能有數千篇文章支持，那時才知道自己很渺小，懂得謙虛，了解自己一生能做的有限。

所以，每次要跨出一小步，要想該怎麼跨最有效率、得到最大效果。我認為，在碩士班或博士班，最重要的就是了解這種感覺。

有些學生可能覺得，反正我很渺小，世界這麼大，即使做一輩子，即使最成功的科學家，也不過是得到教科書上面的一句話而已，我怎麼做都沒關係啊。 但我們必須帶領學生了解，這個計畫不是老師叫你做才做，而是讓學生覺得這個計畫是自己的，有前進和發展的空間，就像自己的小孩，必須負責。

以前在碩、博士班，剛開始學會技術、實驗做出結果，或能像人家一樣發表文章，會很高興，但這很短暫，真正的轉捩點是我知道有什麼事，是全世界任何人都不知道的那種驕傲，才是真的能支持很久的。我還記得在某一天做到早上五點，從實驗室走出來，知道有個東西全世界只有我知道的喜悅！

當學生曾感受這種發現真實的快樂，你不用規定他早上幾點來、晚上幾點走，他自己就有動機做。

當一個人想這東西應該是怎樣，想辦法做實驗證明出來時，那真的是一種快樂。我想，這是任何其他行業都沒辦法比較的！

學生是要培養成未來的科學家、獨當一面，應該讓他自己走。即使在你看得到的地方，也要讓他自己走出來，而且，他自己想到的，比你告訴他來的有用。

其實，我當老師最興奮時，是學生告訴我那些我不知道的事，會覺得很喜悅，學生想到我沒想到的東西，表示他們有進步，比我還厲害，這很棒！

延伸閱讀

• Neural mechanism of spatio-chromatic opponency in the Drosophila amacrine neurons
• Visual Motion: Cellular Implementation of a Hybrid Motion Detector
• Vision: Space and colour meet in the fly optic lobes