Loading [MathJax]/extensions/tex2jax.js

0

2
4

文字

分享

0
2
4

「時間」是誰定義的?隱藏在鐘錶下的謊言——《時鐘在說謊》

時報出版_96
・2022/11/25 ・3215字 ・閱讀時間約 6 分鐘

-----廣告,請繼續往下閱讀-----

是誰定義了時間

我們都知道就某種程度而言,時鐘的計時只是為了方便起見而採取的人為手段。我們鐘錶所報出的時間,是我們大家都同意使用的時間,我們的社會則是依循此一時間運作,但是我們的時間其實只是大家所認同的一個近似值。

今天我們所遵循的時間,是誰定義的? 圖/GIPHY

即使是在今天,原子鐘與全球定位衛星向世人提供的時間能夠精確到十億分之一秒,也並非真正的時間。這些原子鐘都是政治協議下的產物,例如一秒鐘的長度或是時區的幅度,而且我們會為了配合國界來改變時間或是使用日光節約時間。

因此,時間並非由物理決定,而是政治。

事實上,物理學否定單一真時的概念。根據阿爾伯特.愛因斯坦(Albert Einstein)的相對論,現代物理學家主張時間是相對的,會根據速度與重力而改變。

就一般大眾而言,相對性是在我們不知不覺中產生的效應,微小到幾乎無從衡量,但是卻足以讓衛星系統計算時間膨脹來維持穩定運作。總而言之,愛因斯坦的真知灼見意味人類無法找到一個統一的全方位計時標準。

-----廣告,請繼續往下閱讀-----

時間是由我們來決定,因此,時間就應了那句老諺語:「大家異口同聲的謊言。」

計時系統並沒有「真正」的時間,時間並不完美,世界時(universal time)仍有待我們發現。

現在的時間完全是編造的。本書所敘述的就是我們如何編造時間的故事,質疑為什麼時間是現在這個樣子?尤其是計時如何成為全球標準化的系統?畢竟它是相對近期才有的現象。

世界的時鐘開始轉動

在十九世紀之前,所有的時間都是地方時(local times)。巴黎的時鐘與莫斯科的時鐘並不需要相互校正。不論是徒步還是騎馬,來往於城鎮之間的旅行都沒有快到需要考慮距離中午或是超過中午幾分鐘,還是幾小時。

過去的移動速度較慢,因此不用特別校正不同國家的時間。 圖/GIPHY

我們可以這麼說,在那個時候,騎馬旅行沒有所謂時差的問題。一直到了十九世紀中期才開始出現改變。鐵路與電報的發明幾乎是單槍匹馬創造了一個相互連接的新世界。與此同時,各城市之間的時差突然也開始變得重要。

-----廣告,請繼續往下閱讀-----

電報需要細心協調發送者與接收者之間的時間,鐵路若是沒有精確的時刻表,就會面臨生命損失的重大威脅。因此,為了避免混亂,必須有一套各方都同意的新計時系統。這些新科技無庸置疑為時間的標準化帶來動力。

不過鐵路與電報的發明並不足以說明,世人為何要以他們當初使用的方式來化解全球計時的挑戰。這些解決方式並非由科技來決定,而是透過社會與政治途徑形成,也因此更為有趣。

這是一則關於互連新世界成長煩惱的故事,(就計時而言)這樣的煩惱大約在一八七五到一九一四年達到高峰。

時間的齒輪在十九世紀悄悄轉動了。圖/envato.elements

啟動計時革命的必要性在十九世紀逐漸浮現,尤其是在歐洲,我們或許可以把那段時期稱作存貨時代或盤點時代。當時長達幾世紀的全球探險傳奇已經結束,維多利亞時代於是全心投入測量與盤點全球的資源。

這類活動可以是良性的,例如在科學界建立新的專業領域,將所有的事物標準化,包括度量衡、為蝴蝶分類以及時間。另外還有以商業利益為目的的測量、土地測繪、為作物分類與安排出口等。

-----廣告,請繼續往下閱讀-----

但是這類盤點的活動也有黑暗的一面,即是形成殖民剝削。

權力與地位決定了你能擁有的時間

土地的測繪與測量可以用來作為都會區佔用全球其他地區資源的工具。時間的測量可以幫助水手在汪洋大海中找到他們的經度,然而這樣的能力也促成海外殖民化。

不論是好是壞(往往是壞的一面),整個世界都開始接受測量、組織、分類與標準化,所有的事物都各有其位,計時也不例外。可想而知,這是一段混亂的過程。

人類要掌控一切的野心已超過他們的技術水準。國家、專業與商業的競爭,再加上階級的不平等與殖民地的爭奪,使得這些工作難臻完美。

世人永遠不缺如何組織與管理這個世界的法子,但是要讓大家都接受,不論是憑三寸不爛之舌或是脅迫的手段,都不是容易的事情。就計時而言,意味十九世紀中葉若問某人現在時間為何,可能會引出一個複雜的回答。

-----廣告,請繼續往下閱讀-----

問題並不在於缺少來源:當時鐘錶已廣為流行,市政廳與火車站的牆壁上都掛有裝飾用的大鐘,各個不同的宗教在全球許多地方都會以鐘聲來提醒信徒。同時,在緊要關頭,太陽與潮汐也可以用來粗估時間。不論是都市還是鄉村、富人與窮人、國家與殖民地,報時的工具無所不在。

問題是,儘管時間並不缺乏測量的工具,但是卻往往會造成始料未及的衝突與競爭。鐘錶相互之間並不同步,即使是最精美的鐘錶也只能維持完美的節奏幾個星期而已。這樣的情況意味每個鐘錶所報的時間都不一樣。

然而使這個問題更加複雜的是,決定一座鐘錶是否準確的依據不是科技,而是權勢、政治與社會規範。

雖然鐘錶互不相同只是無意間的結果,但是也可能是人為故意的,因為不同的專業、宗教、文化與國家都自有一套計時的方法(更別提日曆了,每一種都是依據不同的文化、宗教與天文學基礎而制定)。

權力與階級決定了時間的準確性。圖/envato.elements

Time’s law——被規範的時間法

時間的不確定已成常態,但人們質疑我們在二十一世紀視為當然的操作。

-----廣告,請繼續往下閱讀-----

為什麼時鐘有十二個小時?

為什麼一天是從午夜開始?

為什麼波士頓的鐘錶要與伊斯坦堡或東京的相互連接?

為什麼全球的時間要從英國格林威治皇家天文台(Greenwich Observatory)一條想像中的經線開始起算?

為什麼是二十四個時區,不是十個,或者根本就沒有時區?

時間並非由天文、地理,或是任何一種「自然」力量所制定,而是人們在特殊的情況下所決定,而且往往對於可能造成的結果毫無頭緒。如何測量時間已成為一項極具爭議的問題,引發激烈的辯論,而且難以解決。

這些激辯的中心是一八八四年在華盛頓特區舉行的國際子午線會議(International Meridian Conference, IMC)。在這裡,來自近三十個國家的外交官、科學家、海軍軍官與工程師齊聚一堂,討論本初子午線的創設與全球計時,以及地圖繪製的未來。

該會議身為現代標準時間的起源,本身就具有神話與傳奇的色彩。通俗歷史將此會議描繪成如桑福德.佛萊明(Sandford Fleming)與威廉.艾倫(William Allen)等改革家,為全球設立時區之類創舉的時刻。

但這是過度簡化這場會議的意義了。我們如今所知道的標準時間,並非在這場於一八八四年華盛頓召開的會議中敲鑼打鼓下誕生的。

-----廣告,請繼續往下閱讀-----

確實如此,有些歷史學家還認為,這場會議對於艾倫與佛萊明等推動時間改革人士而言是一大挫敗,因為儘管該會議創立了本初子午線,但是並沒有達成任何與時區、標準時間相關的協議。

IMC 最多也不過是邁向現代標準時間長期發展路途的踏腳石,是全球時間測量方式改變的開始,而非結束。標準時間至少要到一九四○年代才在全球通用。

——本文摘自《時鐘在說謊》,2022 年 10 月,時報出版,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----
文章難易度
時報出版_96
174 篇文章 ・ 35 位粉絲
出版品包括文學、人文社科、商業、生活、科普、漫畫、趨勢、心理勵志等,活躍於書市中,累積出版品五千多種,獲得國內外專家讀者、各種獎項的肯定,打造出無數的暢銷傳奇及和重量級作者,在台灣引爆一波波的閱讀議題及風潮。

0

0
0

文字

分享

0
0
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

-----廣告,請繼續往下閱讀-----

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

-----廣告,請繼續往下閱讀-----

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

-----廣告,請繼續往下閱讀-----

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

-----廣告,請繼續往下閱讀-----

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

-----廣告,請繼續往下閱讀-----

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

-----廣告,請繼續往下閱讀-----
研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

101
2

文字

分享

0
101
2
時間與空間的顛覆!如何用簡單的方式了解「相對論」?——《物理角色圖鑑》
azothbooks_96
・2024/09/16 ・2086字 ・閱讀時間約 4 分鐘

時間不再絕對?牛頓與愛因斯坦的時間觀差異

川村老師,請用簡單的方式告訴我「相對論」是什麼?

圖/《物理角色圖鑑》

老師:狹義相對論源自相對性原理(Principle of relativity,指物理定律〔Physical law〕適用於所有以等速直線運動的物體) 與光速恆定原理。根據這個理論,時間是相對的,依不同觀察者而有所差異。牛頓力學中的時間是絕對的,愛因斯坦則認為,可依不同的觀察者位置對時間進行不同定義。

圖/《物理角色圖鑑》

老師:之前在討論「力」時,也提過離心力。離心力是「慣性力」的一種,慣性力指物體在加速運動時感受到的與加速方向相反的力。置身在沒有窗戶的電梯中,當電梯向上加速,電梯內的人會受到向下的慣性力(譯注:因看不到外面,使得他無法判斷電梯的運動情況)。若加速度為 g,物體質量為 m,則物體所受慣性力為 mg,與在地面所受的重力 mg 相同。愛因斯坦無法區別這兩種 mg 的差異,所以視為等效。但無論慣性力的方向為何,物體都會往向量合成後的視重力場方向掉落。

時間在任何地方都固定不變嗎?

世界上最快的速度是光速。物體的移動速度若接近光速,它的時間進程就會變慢。也就是說,在接近光速的太空船上,時間會變得悠長。而且,接近光速的物體長度會朝行進方向收縮。

物體只要具有質量,即使在靜止狀態依然擁有能量(其能量 E mc2,稱為靜止能量(Rest energy)。

-----廣告,請繼續往下閱讀-----

提到光的運動,我們已經知道光的路徑會彎曲。

1919 年,天文學家觀測到恆星發出的光線在經過太陽附近時被偏折,這種現象稱為「重力透鏡效應」(Gravitational lens),有助於了解黑洞等宇宙中質量分布的情況。此外,天體物理學家也觀測到時間的延遲。簡而言之,接近地面的時鐘行進速度會比高處的時鐘慢,GPS 也是依據這種效應來進行校正。

圖/《物理角色圖鑑》
圖/《物理角色圖鑑》

時間

牛頓力學中的「時間」(也就是我們一般理解的時間)和相對論中的時間大異其趣。牛頓在《自然哲學的數學原理》(Philosophiæ Naturalis Principia Mathematica,1687)中,假設空間是均勻平坦的;從過去到未來,在任何地方都平均延伸。在牛頓力學中,全宇宙的時間一致。

但相對論否定了這一點。

-----廣告,請繼續往下閱讀-----
圖/《物理角色圖鑑》

光速恆定原理指出,光的速度是固定不變的。這種狀況下,空間中不同地點發生的兩件事,對某個觀測者來說是同時發生,但對另一參考系的觀測者而言則非同時發生。也就是說,時間的前進速度並非在任何地方都相同。因此,時間和空間不能視為各自獨立的兩回事,應該一體化,視為四維空間(時空,Spacetime)。

不過,這是指物體移動速度接近光速時的情況。日常生活中,使用過去的時間觀不會有任何問題。

黑洞

黑洞(Black hole)是一種天體,因為密度極高,重力極強, 不只物質,連光都會被吸進去,無法逃逸。天體是宇宙中所有物體的總稱,具體來說,指太陽、恆星、行星、星團、星雲等。從相對論來看,黑洞周圍空間是扭曲的。照以下方式想像應該會比較容易理解:

把重物放在一大塊展開的薄橡皮布上,放置處就會凹下去,而這塊凹陷會影響到周圍。同樣的,黑洞所在之處會發生猛烈的空間扭曲,經過附近的天體會被極強的重力吸引,落入其中,連光也難逃魔掌。

-----廣告,請繼續往下閱讀-----

銀河系有許多黑洞,但具體數字不詳。2019 年,一個跨國研究計畫團隊首次拍攝到黑洞的「影子」,掀起一陣討論熱潮。

——本文摘自《物理角色圖鑑:用35個萌角色掌握最重要的物理觀念,秒懂生活中的科普知識》,2024 年 9 月,漫遊者文化,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

azothbooks_96
55 篇文章 ・ 21 位粉絲
漫遊也許有原因,卻沒有目的。 漫遊者的原因就是自由。文學、人文、藝術、商業、學習、生活雜學,以及問題解決的實用學,這些都是「漫遊者」的範疇,「漫遊者」希望在其中找到未來的閱讀形式,尋找新的面貌,為出版文化找尋新風景。

0

30
1

文字

分享

0
30
1
民眾黨是未來台灣政治的樞紐?
林澤民_96
・2024/01/30 ・3382字 ・閱讀時間約 7 分鐘

一、前言

選後的立法院三黨不過半,但民眾黨有八席不分區立委,足以與民進黨或國民黨結成多數聯盟,勢將在國會居於樞紐地位。無獨有偶的是:民眾黨主席柯文哲在總統大選得到 26.5% 的選票,屈居第三,但因其獲得部分藍、綠選民的支持,在選民偏好順序組態的基礎上,它卻也同樣地居於樞紐地位。這個地位,將足以讓柯文哲及民眾黨在選後的台灣政壇持續激盪。

二、柯文哲是「孔多塞贏家」?

這次總統大選,誰能脫穎而出並不是一個特別令人殷盼的問題,更值得關心的問題是藍白綠「三跤㧣」在選民偏好順序組態中的消長。台灣總統大選採多數決選制,多數決選制英文叫 first-past-the-post(FPTP),簡單來講就是票多的贏,票少的輸。在 10 月中藍白合破局之後,賴蕭配會贏已經沒有懸念,但這只是選制定規之下的結果,換了另一個選制,同樣的選情可能就會險象環生。

從另一個角度想:選制是人為的,而選情反映的是社會現實。政治學者都知道天下沒有十全十美的選制;既定的選制推出了一位總統,並不代表選情的張力就會成為過眼雲煙。當三股社會勢力在制度的帷幕後繼續激盪,台灣政治將無法因新總統的誕生而趨於穩定。

圖/作者自製

如果在「三跤㧣」選舉之下,選情的激盪從候選人的得票多少看不出來,那要從哪裡看?政治學提供的一個方法是把候選人配對 PK,看是否有一位候選人能在所有的 PK 中取勝。這樣的候選人並不一定存在,如果不存在,那代表有 A 與 B 配對 A 勝,B 與 C 配對 B 勝,C 與 A 配對 C 勝的 A>B>C>A 的情形。這種情形,一般叫做「循環多數」(cyclical majorities),是 18 世紀法國學者孔多塞(Nicolas de Condorcet)首先提出。循環多數的存在意涵選舉結果隱藏了政治動盪。

-----廣告,請繼續往下閱讀-----

另一方面,如果有一位候選人能在配對 PK 時擊敗所有的其他候選人,這樣的候選人稱作「孔多塞贏家」(Condorcet winner),而在配對 PK 時均被擊敗的候選人則稱作「孔多塞輸家」(Condorcet loser)。三角嘟的選舉若無循環多數,則一定會有孔多塞贏家和孔多塞輸家,然而孔多塞贏家不一定即是多數決選制中贏得選舉的候選人,而多數決選制中贏得選舉的候選人卻可能是孔多塞輸家。

如果多數決選制中贏得選舉的候選人不是孔多塞贏家,那與循環多數一樣,意涵選後政治將不會穩定。

那麼,台灣這次總統大選,有沒有孔多塞贏家?如果有,是多數決選制之下當選的賴清德嗎?我根據戴立安先生調查規劃的《美麗島電子報》追蹤民調第 109 波(1 月 11 日至 12 日),也是選前最後民調的估計,得到的結果令人驚訝:得票墊後的柯文哲很可能是孔多塞贏家,而得票最多的賴清德很可能是孔多塞輸家。果然如此,那白色力量將會持續地激盪台灣政治!

我之前根據美麗島封關前第 101 波估計,侯友宜可能是孔多塞贏家,而賴清德是孔多塞輸家。現在得到不同的結果,顯示了封關期間的三股政治力量的消長。本來藍營期望的棄保不但沒有發生,而且柯文哲選前之夜在凱道浩大的造勢活動,還震驚了藍綠陣營。民調樣本估計出的孔多塞贏家本來就不準確,但短期內的改變,很可能反映了選情的激盪,甚至可能反映了循環多數的存在。

-----廣告,請繼續往下閱讀-----

三、如何從民調樣本估計孔多塞贏家

根據這波民調,總樣本 N=1001 位受訪者中,如果當時投票,會支持賴清德的受訪者共 355 人,佔 35.4%;支持侯友宜的受訪者共 247 人,佔 24.7%。支持柯文哲的受訪者共 200 人,佔 19.9%。

美麗島民調續問「最不希望誰當總統,也絕對不會投給他的候選人」,在會投票給三組候選人的 802 位支持者中,一共有 572 位對這個問題給予了明確的回答。《美麗島電子報》在其網站提供了交叉表如圖:

根據這個交叉表,我們可以估計每一位明確回答了續問的受訪者對三組候選人的偏好順序,然後再依這 572 人的偏好順序組態來判定在兩兩 PK 的情形下,候選人之間的輸贏如何。我得到的結果是:

  • 柯文哲 PK 賴清德:311 > 261(54.4% v. 45.6%)
  • 柯文哲 PK 侯友宜:287 > 285(50.2% v. 49.8%)
  • 侯友宜 PK 賴清德:293 > 279(51.2% v. 48.8%)

所以柯文哲是孔多塞贏家,賴清德是孔多塞輸家。當然我們如果考慮抽樣誤差(4.1%),除了柯文哲勝出賴清德具有統計顯著性之外,其他兩組配對可說難分難解。但在這 N=572 的小樣本中,三位候選人的得票率分別是:賴清德 40%,侯友宜 33%,柯文哲 27%,與選舉實際結果幾乎一模一樣。至少在這個反映了選舉結果的樣本中,柯文哲是孔多塞贏家。依多數決選制,孔多塞輸家賴清德當選。

-----廣告,請繼續往下閱讀-----

不過以上的分析有一個問題:各陣營的支持者中,有不少人無法明確回答「最不希望看到誰當總統,也絕對不會投給他做總統」的候選人。最嚴重的是賴清德的支持者,其「無反應率」(nonresponse rate)高達 34.5%。相對而言,侯友宜、柯文哲的支持者則分別只有 24.1%、23.8% 無法明確回答。為什麼賴的支持者有較多人無法指認最討厭的候選人?一個假設是因為藍、白性質相近,對許多綠營選民而言,其候選人的討厭程度可能難分軒輊。反過來說,藍、白陣營的選民大多數會最討厭綠營候選人,因此指認較無困難。無論如何,把無法明確回答偏好順序的受訪者歸為「遺失值」(missing value)而棄置不用總不是很恰當的做法,在這裡尤其可能會造成賴清德支持者數目的低估。

補救的辦法之一是在「無法明確回答等於無法區別」的假設下,把「遺失值」平分給投票對象之外的其他兩位候選人,也就是假設他們各有 1/2 的機會是無反應受訪者最討厭的候選人。這樣處理的結果,得到

  • 柯文哲 PK 賴清德:389 > 413(48.5% v. 51.5%)
  • 柯文哲 PK 侯友宜:396 > 406(49.4% v. 50.6%)
  • 侯友宜 PK 賴清德:376 > 426(46.9% v. 53.1%)

此時賴清德是孔多塞贏家,而柯文哲是孔多塞輸家。在這 N=802 的樣本中,三位候選人的得票率分別是:賴清德 44%,侯友宜 31%,柯文哲 25%。雖然依多數決選制,孔多塞贏家賴清德當選,但賴的得票率超過實際選舉結果(40%)。用無實證的假設來填補遺失值,反而造成賴清德支持者數目的高估。

如果擔心「無法明確回答等於無法區別」的假設太勉強,補救的辦法之二是把「遺失值」依有反應受訪者選擇最討厭對象的同樣比例,分給投票對象之外的其他兩位候選人。這樣處理的結果,得到

-----廣告,請繼續往下閱讀-----
  • 柯文哲 PK 賴清德:409 > 393(51.0% v. 49.0%)
  • 柯文哲 PK 侯友宜:407 > 395(50.8% v. 49.2%)
  • 侯友宜 PK 賴清德:417 > 385(52.0% v. 48.0%)

此時柯文哲又是孔多塞贏家,而賴清德又是孔多塞輸家了。這個樣本也是 N=802,三位候選人的得票率分別是:賴清德 44%,侯友宜 31%,柯文哲 25%,與上面的結果一樣。

以上三種無反應處理方法都不盡完美。第一種把無反應直接當遺失值丟棄,看似最不可取。然而縮小的樣本裡,三位候選人的支持度與實際選舉結果幾乎完全一致。後兩種以不同的假設補足了遺失值,但卻過度膨脹了賴清德的支持度。如果以樣本中候選人支持度與實際結果的比較來判斷遺失值處理方法的效度,我們不能排斥第一種方法及其結果。

無論如何,在缺乏完全資訊的情況下,我們發現的確有可能多數決輸家柯文哲是孔多塞贏家,而多數決贏家賴清德是孔多塞輸家。因為配對 PK 結果缺乏統計顯著性,我們甚至不能排除循環多數的存在。此後四年,多數決選制產生的總統能否在三角嘟力量的激盪下有效維持政治穩定,值得我們持續觀察。

四、結語

柯文哲之所以可以是孔多塞贏家,是因為藍綠選民傾向於最不希望對方的候選人當總統。而白營的中間偏藍位置,讓柯文哲與賴清德 PK 時,能夠得到大多數藍營選民的奧援而勝出。同樣的,當他與侯友宜 PK 時,他也能夠得到一部份綠營選民的奧援。只要他的支持者足夠,他也能夠勝出。反過來看,當賴清德與侯友宜 PK 時,除非他的基本盤夠大,否則從白營得到的奧援不一定足夠讓他勝出。民調 N=572 的樣本中,賴清德得 40%,侯友宜得 33%,柯文哲得 27%。由於柯的支持者討厭賴清德(52.5%)遠遠超過討厭侯友宜(23.7%),賴雖然基本盤較大,能夠從白營得到的奧援卻不多。而侯雖基本盤較小,卻有足夠的奧援。柯文哲之所以成為孔多塞贏家,賴清德之所以成為孔多塞輸家,都是這些因素的數學結果。

-----廣告,請繼續往下閱讀-----

資料來源

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

林澤民_96
37 篇文章 ・ 245 位粉絲
台大電機系畢業,美國明尼蘇達大學政治學博士, 現任教於美國德州大學奧斯汀校區政府系。 林教授每年均參與中央研究院政治學研究所及政大選研中心 「政治學計量方法研習營」(Institute for Political Methodology)的教學工作, 並每兩年5-6月在台大政治系開授「理性行為分析專論」密集課程。 林教授的中文部落格多為文學、藝術、政治、社會、及文化評論。