防酒駕肇事，只能靠重罰？

• 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。

人類培育下，如今狗狗們有眾多「品種（breed）」，它們其實仍然屬於同一個物種，只是體形、外觀等特徵差異明顯。不同狗狗和人一樣有個性差異，屬於同一品種的不同個體，也會有類似的行為、個性嗎？

上述問題需要不少資料與交叉比對的分析，才有機會回答。於 2022 年發表，花費多年搜集材料的論文報告，狗的行為確實與遺傳有關，但是同一品種狗的行為並不一致。例如拉布拉多和拉布拉多不同，邊境牧羊犬和邊境牧羊犬不同，拉布拉多和邊境牧羊犬卻可能相同……^{[參考資料 1, 2, 3]}

寵物狗的公民科學

成為馴化動物超過一萬年來，狗狗們千變萬化，過往研究證實很多外貌與型態特徵可以遺傳，例如毛色、體型、藍眼睛。但是對於行為方面的了解比較少，而且想來也更難研究，畢竟行為不像顏色、尺寸那樣能直接識別與量化。

• 延伸閱讀：狗與狼的遺傳調色盤——怎麼調配黃狗、棕狗，還是黑狗？

若想釐清狗狗的行為，和遺傳、品種的關係，需要搜集很多品種，每一品種都包括多位個體，以及牠們的基因組定序，再加上大批各種特徵的紀錄，才能獲得比較可靠的答案。

任何研究團隊光靠自己，都不可能取得如此龐大的資料量。研究者們成立「達爾文方舟（Darwin’s Ark）」網站，算是公民科學的應用，邀請許多飼主各自上傳狗狗的資訊，從中進一步分析（大部分參與者應該是美國人和美國狗）。

這項研究採用的資料包括來自 18385 狗的資訊，大約一半是「比較純的品種狗」；又從其中 2155 狗取得遺傳訊息，純種狗、混種狗都有。根據人為定義，全部共有 128 款品種。

個體×遺傳×品種：相關性與相關性

論文做了一大堆統計學分析，基本上是這種關聯性分析、那種關聯性分析、這種關聯性和那種關聯性的關聯性分析，層層疊疊，一定很合統計魔人的胃口。有興趣的讀者請自行觀摩體驗，我只講我的理解。

結合基因體學與關聯性分析，光是原理並不太難。基因組上每個 DNA 位置有 ATCG 四種可能，比方說某個位置，不同個體為 A 或 C，配備 A 的狗都親人、C 的狗都兇兇，那麼便能推測，A 變異與親近人類有所關聯，C 變異的效果相反。

實際狀況卻複雜很多。例如配備 A 的狗有 70% 親人、C 的狗有 55% 兇兇，並非 100% 的狗都有影響。或是同一種行為，涉及多個遺傳變異，例如基因組上有 50 處位置影響親人、30 處影響兇人。反正就是有一大堆可能的組合與關聯性，樣本愈大、分項愈多，需要愈繁複的統計學分析。

要是鑽進論文的分析迷宮，恐怕很容易失掉方向，繞不出來，反而搞不懂問題是什麼，我們直接跳到外面。

外貌形態與內在行為，都受遺傳影響

一番分析後得知，不論體型、外觀等外在特徵，或是行為這類內在特徵，都與遺傳相關，只是不同特徵的程度有別，有些相關性非常高，有些沒那麼高。因此狗狗的行為，確實取決於相當的遺傳成分。

假如每款品種狗的個體們，彼此都表現共通的行為，那麼我們應該能看到：某個品種多半都展現某些行為，而不同品種間情慾交流的混血狗，也會獲得不同品種各有比重的行為。

實際上發現，某些行為確實和少數品種的關聯性比較高，但是多數行為似乎不分品種。江湖傳說中的兇狗不見得更容易兇，容易激動的品種也不一定激動。另一方面，不同品種的狗狗，也可能表現類似的行為。

所有狗狗一起考慮，總共偵測到基因組上 11 處位置（以及 136 處沒那麼確定），可能和行為有關。鍵盤分析它們影響的基因，大部分在腦部的表現較高。

還好沒有脫離想像，不然要是影響行為的基因在腸道大量表現，該怎麼解釋？！

• 延伸閱讀：小王子能馴服狐狸嗎？一場歷經近60年的銀狐馴化實驗

人擇結果：以貌取狗，不管內在

上述的分析方式，只能判斷遺傳與表現的關聯性，無法證實因果關係，不過還是能提供有意義的指引。

大量交叉比對得知，與行為有關的遺傳變異，在不同品種間缺乏明確的差異，這大概就是不同品種內，行為缺乏一致性的根本原因。相對地，和外型有關的某些 DNA 變異，在不同品種間差異明顯。

人類與狗相處的歷史超過一萬年，可是絕大部分品種狗的歷史並不久遠。早於 200 年前的狗狗，不是沒有人為選擇培育，卻著重在工作上的狩獵、守衛、駝獸等功能性特色。

要等到 160 年前，也就是 50 到 80 代以前的狗狗開始，人類才大量刻意創造出不同的品種，形成馬爾濟斯、拉布拉多、雪納瑞、貴賓狗、巴哥犬等多采多姿的品種狗。

或許有讀者認為，品種狗的行為之所以缺乏各自的特異性，是由於各品種經歷的時間太短，不足以產生差異，但是這是錯的。因為絕大部分品種狗的歷史雖短，人擇依然已經足以造成明顯的影響，反映在不同品種間，有別的毛色、體型等外觀特徵。

同一批分析指出，行為與型態一樣都可以遺傳，理論上也可以由人擇控制。然而，不同品種的狗狗，行為與個性依然有不少共通性，品種間卻缺乏明顯差異，品種內的不同個體並不一致。

根據這些資訊，我們似乎可以這麼說：近兩百年來的品種培育，人類更偏好挑選外在特色，以貌取狗，不那麼在乎狗狗內在的行為。

最後也提醒各位讀者，作為寵物飼養的品種狗，只是如今全世界龐大狗群的一小部分而已。眾多的狗狗們，有些是人類親近的伴侶，還有些順利融入各地的半野生或野生環境。然而，也有不少所謂的流浪狗，成為人類與自然生態系的禍患。養狗要有責任感，不要因衝動而養狗，養了就不要直接棄養。

延伸閱讀

• 哈士奇的藍眼睛，基因
• 怎麼調配黃狗、棕狗，或是黑狗？——狗與狼的遺傳調色盤
• 影響胰島素，讓小狗變成大狗的基因變異
• 短篇 狗消化澱粉的能力，在何時開始加強？
• 小王子能馴服狐狸嗎？一場歷經近60年的銀狐馴化實驗
• 天殺的月月！你的狼性呢？從 DNA 追尋狗勾起源！
• Genes unleashed: how the Victorians engineered our dogs

參考資料

1. Morrill, K., Hekman, J., Li, X., McClure, J., Logan, B., Goodman, L., … & Karlsson, E. K. (2022). Ancestry-inclusive dog genomics challenges popular breed stereotypes. Science, 376(6592)
2. Your dog’s breed doesn’t determine its personality, study suggests
3. Massive study of pet dogs shows breed does not predict behaviour

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。

如烏克蘭氣象學家維特拉娜·克拉科夫斯卡 (vitlana Krakovska) 在 IPCC 的線上會議中所說，如果歐洲乃至於全世界沒有那麼對石油跟天然氣上癮，這場戰爭或許不會出現。同樣的，如果要終結這場乃至於下一場因石油而起的戰爭，需要做的就是盡快結束我們對石油與天然氣的癮頭。

也因為如此，我這兩週看了所有去年 TED Coundown 大會的影片，就是想要知道圓形紅毯上有哪些新的「值得傳播的好點子」，能幫助人類更快達到淨零，不再依賴化石能源。以下挑出五則我個人最喜歡的演講，推薦給各位。

對付氣候危機的最速手段：針對大魔頭甲烷的獨立戰略

伊麗莎·奧科（Ilissa Ocho）是一位氣候科學家，目前在環境保衛基金（Environmental Defense Fund）擔任研究員，她的任務是為氣候變遷溝通與政策提供有科學根據的指引。她利用各種模型去了解人類的行為怎麼加劇氣候變遷，反過來也研究哪些降低溫室氣體排放的行動真的有效。她善於用簡單語言、動人影像，來向非專家傳達科學。在這則 TED Countdown 的演講中，她精準地在 10 分鐘內，改變了我的想法。

結論先說：溫室氣體兩大魔頭二氧化碳跟甲烷，各有威能與弱點，不能一概而論，得分開對付。

二氧化碳就份量來說，是溫室氣體的主角，佔了 99%，剩下的 1% 則是甲烷，但若在未來十年這個時間段裡頭來看，這 1% 的甲烷讓地球升溫得更快。雖然二氧化碳會待在大氣層更久，也一定要對付，但就溫度上升來說，沒有甲烷造成的那麼快。

奧科認為，減碳當然重要，但暖化已經造成了嚴重後果（熱浪、野火、洪水、饑荒……），那麼我們就該採用最快最有效的方式來抑制溫度上升的速度。講簡單點：要有針對甲烷的獨立戰略。

甲烷有三個源頭，第一個就是生產能源，例如開採石油、煤炭跟天然氣的時候，甲烷就這麼外洩了。奧科表示雖然相較於石油跟煤炭，天然氣燃燒後排碳較少，但生產過程中造成的洩漏抵消了這好處。解決辦法超直白：把管線的螺絲上緊。問題是，哪裡的螺絲鬆了呢？過去難以監測，不知道哪裡洩漏，但現在可以透過物聯網、無人機、以及衛星來監測全球甲烷排放量。只要可以找到漏洞，就可以解決。

第二個源頭是廢棄物管理。大型垃圾掩埋場的生物腐爛、垃圾污水都會產生很多甲烷，但甲烷明明就是上等燃料，何不用管線吸走拿去用呢？另外，將廚餘分開拿去堆肥，也可以減少甲烷，許多國家包括台灣也都有沼氣發電廠。

第三個則是農業，在三大來源中佔比最大，不好對付，包括家畜（如牛）消化後打嗝跟放屁，不過她很興奮地指出，科學家發現，用特製的飼料添加劑，在牛的腸道內生成的甲烷可以降低 30%。牲畜的糞便尿液也會產生甲烷，用來來發電或供暖剛好。此外，全球半數人口仰賴的糧食作物水稻也是甲烷重要來源，但若改種植能在淺水生長的品種，調整供水方式，就可以降低大量甲烷生成。

結論再講一次：減碳很好，但要把二氧化碳跟甲烷分開，針對甲烷設定獨立的目標跟行動。要是執行得好，將能快速奏效，阻止最嚴重的災變後果，而且這些方案也能創造工作機會喔～

世界準備好解決氣候變遷了嗎？

索羅門·高斯坦（Solomon Goldstein）11 歲的時候就成為一名氣候行動者，學習工程跟公共政策，22 歲就參選美國麻州議員並當選。2018 年他放棄競選，全力投入氣候議題，也寫了一本被認為最實際的氣候變遷解法書。他在演講裡提出一個關鍵數據：要在 2050 年達到淨零排放，世界需要生產當下清潔能源總產出 12 倍那麼多的能源，而不是很多人認為的 2.5 倍。

為什麼呢？根據他的計算，目前全球已經有 10 拍瓦時（petawatts hours）的電力來自於清潔能源，包括風光等再生能源跟核能。要是現在立即能增加 2.5 倍的清潔能源產出，就可以置換其他能源，但是……

第一，隨著全球電力化，例如各類電動車輛、以電力供暖等等，雖然用電的效率會更高，進而降低整體能源耗用，但吃電的設備變多，還是會需要更多電。如果要把現在還沒電動化的設備中的 60% 電動化，起碼需要 40 拍瓦時。

第二，世界上還有 7 億多人沒有電可以用、另外幾十億的人的用電很不穩，而改善這些人的生活，將降低貧窮、改善教育、經濟，跟降低過度生育，這就需要更多電力。那麼照 2050 年的發展預測，所需電力得從 40 拍瓦時再增加至 60 拍瓦時。

第三，有很多部分沒辦法電動化，例如長途海運、空運，部分工廠的製程等等。就算有碳捕捉、生物燃料等替代做法，也需要政府認真執行法規。而待過政治圈的他，明白政策很難做到百分百的現實，因此他估計得從 60 拍瓦時增加到 90 拍瓦時來當預備。

第四，除了「淨零」，也就是不繼續增加溫室氣體，我們還得「負碳」，就是把已經在大氣中的溫室氣體抓回來。因此他認為還得再加！從 90 拍瓦時增加到 120 拍瓦時。

更重要的是，要從現在的 10 拍瓦時增加到 120 拍瓦時，成長的曲線不能是一條直線連到 2050 年，而是該越快達到越好。他的野心非常大，目標不只是改變目前的電力系統，而是建造一個新的能源系統，不是要解決氣候變遷，而是打造更好的世界。老實說，高斯坦的論述對許多人來說可能太重也太巨大，但應該會擊中一些人的甜蜜點，特別是那些就喜歡解決大問題，賺大錢的人。（就是說你啊馬斯克）

透明公開的數據才能有效應對氣候變遷

溫室氣體到底是哪來的？哪些人類行為、在哪裡、為了什麼目的，製造出這些溫室氣體？要解決氣候變遷，得先知道這些問題對吧？但科學家知道的……其實很少？這種說法可能讓你覺得 WHAT THE F……？

Gavin McCormick 是 Climate TRACE 聯盟的共同創辦者，也是 WattTime 這家非營利新創組織的執行長，兩個單位的任務一致，就是要用衛星數據結合 AI 判讀，來偵測跟追蹤排放污染源的工廠。他之所以放大絕說「我們知道的很少」，是因為在大多數國家的大多數時候，排放的數據是請污染者自己回報的，怎麼回報呢？就手寫在白紙上這樣。這品質堪慮啊！

沒有好的數據，就沒有辦法真正解決問題。有圖有真相，眼見為憑，所以他與一群科學家、工程師、行動者合作，利用人工智慧視覺判斷工廠的衛星影像，這樣就不用去問排放者「你們排了多少啊？」。就像電腦學會判斷貓跟狗一樣，要讓演算法更準確，就得餵給機械足夠多、足夠好的資料來訓練，一部分是清楚正確的工廠排放數據，另一部分是這些工廠在不同時段的衛星圖像。除了煙囪，還可以透過衛星圖中工廠外海水的波紋，判斷工廠吸入多少海水來冷卻，聽起來十足黑科技。在我看來，這任務非常挑戰，但解法的確合理。

等等，如果這樣也行，那何不監看全地球的污染鏈、包括農業、陸上交通、海運…..？沒錯，Climate Trace 獲得高爾支持，應用已有的數千顆衛星源源不絕的高品質資料，結合大數據跟人工智慧技術，就做了這件事。McCormick 說，其實 Twitter 或 FB 等早就將這樣的技術用在判斷哪些網路迷因會紅，他們只是將技術用來判斷哪些污染源會讓地球過熱。

他認為這種激進的透明（radical transparency）對國際合作應對氣候變遷，達成減碳協議至關重要。畢竟談判最大的問題就是大家底牌不揭開，你說我排碳多，我說你減碳不夠，沒有共同的基礎。所以 Climate TRACE 接下來會把全地球、全排放源的排放量數據，都透明公開地提供出來，這聽起來很刺激，儘管公信力應該也會遭受一定挑戰，但我樂見其成。

關注氣候問題應從「我們的」角度出發

​​為什麼即使最了解狀況的科學家早就對氣候危機達成高度共識，認為改變迫在眉睫，不能拖延，大多數人卻還一知半解，行動遲緩，刻意忽略，甚至有少部分人群起反對？

John Marshall 是一位溝通專家，他成立的 Potential Energy 勢能，由媒體與行銷界中關心氣候變遷的人士所組成。說實在的，既然民意與政策受到媒體與行銷訊息影響，這領域的從業專家可能比科學家或政治人物更有機會改變局勢。他們要解決的問題就是發揮自身專業，讓大家聽懂、有感、肯行動。在 Potential Energy 的網站上，還串連了超過 200 家媒體與行銷公司，要一同改變氣候變遷不討喜、乏人問津的困境。

他在影片中指出，現在氣候變遷的討論參雜太多不具體、難以想像、不夠切身的名詞。例如淨零、碳稅、1.5 度 C、 500 億噸二氧化碳、排放、甲烷、人類世、去碳（decarbonization）……（我前面就寫了好多這些詞），那麼既然人們聽不懂，自然沒感覺，也不會在乎。

相較於此，「臭氧層破了洞」的比喻卻很有效，也因此在當年讓蒙特婁議定書的執行更有利。Marshall 建議：別用暖化這個聽起來感覺溫溫柔柔蠻舒服的詞，用「過熱」吧！與其說氣候，不如說「極端天氣」更有感。與其說潔淨能源，不如說「便宜能源」，畢竟風力跟太陽光電在許多地方都已經比化石能源低廉。最後他還建議，與其用一直念著攝氏 1.5 度，不如改用華氏。這建議聽起來就很作弊了，針對美國人可能有效……吧。

除了用詞，如何呈現氣候議題跟溝通對象的相關性也很重要。例如若溝通對象是美國佛羅里達人，與其對他們喊「阻止全球暖化」，不如喊「不要淹水」（”local flooding is more important than global warming”）。另外，他也建議科學家可從個人角度來進行情感訴求，特別是那些研究氣候的女性科學家的故事。一般人跟科學家之間總有點隔閡，但當看到這些研究並關心氣候的科學家，娓娓道來自己只是希望孩子有個更好的未來的時候，特別能夠打動人心。他們甚至還有一個用「佛羅里達男子 Florida man」的梗做的影片，知道這個梗的觀眾肯定覺得很好笑。

或許科學家受的訓練就是把觀察到的抽象化、壓縮成一般人聽不懂的術語，才覺得溝通起來有效率，但這卻不利於觸動人心。Marshall 提醒每個想要讓更多人關注氣候問題的人，從「我們的」生活、「我們的」現在、「我們的」價值、「我們的」孩子切入，避免打高空。這樣，人們才會覺得我懂了、這跟我有關、這跟我在乎的人有關、我願意行動。

當能源遇上政治時……

高爾是誰應該不用我多介紹，他在這場演講中再次展現強大的演說能力，極富情緒張力，雖然有點政治造勢場合的感覺（畢竟是他本行）。在他的框架中，我們從工業革命、數位革命、進入「永續革命」。永續革命是要用數位革命給我們的速度，幫我們從工業革命的後果中逃出。

這場演講，分為三個部分，前三分之一，他用數據跟近幾年各地的極端天氣事件再次強調問題已經很嚴重，後果也是，我們不是在等待一個即將發生的巨大危機，而是已經在災難裡，而且這些災難的規模在過往根本難以想像。

中間三分之一，則是用數據與趨勢顯示「解法是什麼」。綠能的成本快速下降，例如在 2024 年，也就是距今兩年後，不管在地球的哪個地方，風力跟太陽能都會比傳統能源更便宜（這我存疑，要看一下怎麼算的）。儲能的市場正在指數級成長，鋰電池越來越便宜，2023－2024 年之間，主流的電動車售價將跟高效率的油車一樣便宜。然而石油與天然氣產業，儘管口口聲聲說增加了三倍的投資金額於再生能源跟碳捕捉，實際上只是從總投資中僅佔 1% 增加到 4.1%，96% 還是投資在化石能源上，塑膠等一次性用品是獲益的主要來源。

接下來三分之一，高爾開始進入重點，就是以「修正式全頻譜的資本主義」，取代現行問題叢生的資本主義。最重要的應該是這張圖：

他樂觀地指出，只要我們能達到淨零，氣候危機將可以被扭轉。氣溫將在 3－5 年內停止上升，而在 25－30 年內，半數人類製造的二氧化碳將離開大氣層（但前面的高斯坦有說到，得積極主動把碳抓回來，不能等那麼久）。最後他回顧歷史上各種人類進步的重要歷史節點來激勵觀眾，包括廢奴、婦女參政權、民權運動、反種族隔離運動、同性戀平權運動等。許多事情都曾經看起來不可能，直到被達成。「有人認為我們缺乏政治決心，但別忘了政治決心是可再生資源。」，真是很有力且扣合主題的結尾。

如果你有時間，當然很建議你把 2.5 小時的整個活動看完，唱歌吟詩說笑話的的部分我覺得也不錯啦。如果你跟我一樣，最近看了太多戰爭的消息，心情實在低落到不行，想知道自己還能多做些什麼來改變過度依賴化石能源的世界格局，透過這場 TED Coundown，除了深入瞭解淨零排碳的挑戰跟解法，應該也能替你的心靈充電。