《背叛》：還有一種背叛，更傷人！

• 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。

S編按：【科科齊打交】是我們希望可以與大家一起進行的對話形式。泛科學編輯部會盡力蒐集資料，提供可以協助討論的科學內容，期待能夠塑造一個開放與理性討論的空間。

這一次想特別和愛書的科夥伴們一同聊聊：大家究竟會不會因為名人推薦而買書呢？你買書的依據又是什麼呢？

現在，我們想邀請你，在閱讀完相關內容後，在此文底下留言，與我們分享你的想法！

名人一推薦，就上排行榜？

事情是這樣的，話說 1 月 13 日時，YouTube 頻道「老高與小茉 Mr & Mrs Gao」所推出的影片中，談到了尼采的著作《查拉圖斯特拉如是說》。

挾帶著 300 多萬訂閱的高人氣與 200 多萬的影片瀏覽量，兩日後，這本經典成功登上了博客來即時排行榜第二名，而尼采的精裝版三冊套書也一路飆升至即時榜第六名。

這樣的氣勢與後續效應引發了不少正反面討論，相關內容歡迎大家敲碗，我們下次再做一集齊打交給大家講解。

所以說，大大到底看了哪些書？

名人推薦書單或談論書籍從不是新鮮事，像是比爾蓋茲年年都會公布自己的夏季與冬季書單，許多通路都會設立專區分享相關資訊。

除了比爾蓋茲之外，歐巴馬、歐普拉等等名人也都有推薦書籍的習慣。

大家真的會根據名人建議來買書嗎？

不過，名人書單這麼多，推不推薦真的會是購書指標嗎？

根據 SmartM 世紀智庫所進行的「2017台灣閱讀習慣大調查」，透過兩千多份問卷發現，大多數人會逛網路／實體自行選購書籍 (62.5%)，名人分享與推薦則約三成 (28.3%)，部分人則會透過廣告與出版社通知了解書訊並購書。（為複選題會重複計算）

那科夥伴們呢？你們選書屬於哪一派？

A. 名人推薦就是讚，跟著大老準沒錯！

B. 相信自己的判斷，我自有套選擇法！

C. 看心情，還在猶豫買不買的時候，會想看看是否有名人推薦

D. 其他

歡迎大家留言分享！

一談到背叛，大家往往直接聯想到，夫妻出軌、伴侶劈腿的案例。

大眾對於這類事件，總是嗤之以鼻，有著許多負面觀感，直覺地對背叛者、第三者展開譴責、表達憤怒及貼上標籤，卻忽略更需要被人關心的被背叛者。

被背叛者正經歷親密關係的失落，以及憤怒、不信任感等負向情緒，當新聞媒體或親朋好友一再提起時，有可能更加深原先自責及羞恥的感受。

廣義來說，背叛是種人與人、家庭及社會間，應該遵循實質或心理契約，其中一方卻未履行或毀約，導致雙方的信任瓦解。以婚姻關係而言，最終不是繼續維持，就是走向結束。

而被背叛者在經歷這些事件後，內心總有許多的疑惑及情緒，經歷背叛事件會伴隨哪些情緒？而這些情緒是否會隨著時間消失？讓我們來好好一下認識吧！

為什麼人會背叛我？背叛的心理是什麼？

人為什麼會在婚姻關係中背叛，是許多研究者¹進一步想了解的問題，目前的推論包含：

• 歸咎於配偶的推力，雙方間對於婚姻觀及性關係的分歧；
• 第三者的吸引力，無法抵擋對對方的性幻想的渴望；
• 或是個人壓力宣洩，面對龐大的經濟壓力及家庭等問題，渴望藉由不正當關係的快感，來排解內心的壓力痛苦及不適。

除了憤怒，為什麼我還有自責的情緒？

在親密關係中，另一半出軌或劈腿等等對感情不忠的行為，都是一種背叛。對被背叛者來說，隨著事件的發生，伴隨的是失望、沮喪、憤怒、悲傷，及羞恥感等負向情緒。

當個人對關係或家庭無怨無悔地付出，一句「不愛了」，自己所認識的另一半，變得不再像你過去認識的。此時，你可能會感到憤怒：一定是別人勾引我的伴侶；或是自責：這難道是我的錯？是我疏忽、沒有及時發現關係的生變？還是我身材不夠好？

其中「自責」的想法和羞恥感有關，由於羞恥感屬於自我意識的情緒，它會影響我們如何評估自尊及個人價值。²而親朋好友的同情與問候，都可能成為被背叛者的社會壓力，不僅再次提醒對方所經歷的事件，更可能增加對方的羞恥感受。

背叛三階段的情緒起伏

過去有學者依據外遇經驗，歸納出被背叛者所經歷三階段的情緒與狀態³：

第一階段雲霄飛車期（Roller Coaster）：在經歷外遇事件後，開始質疑過去與伴侶相處的真實性，難道這一切的愛是假的嗎？甚至懷疑自己未來是否有能力再愛人，有著強烈的情緒反應，憤怒、憂鬱、自責等情緒。面對變質的關係，不知道接下來該繼續維持，或結束關係，開始自我覺察及反思過去的婚姻狀況。

隨著彼此的分房分居，雙方不再有強烈的情緒起伏，是第二階段延宕償付期（Moratorium）的特色，但更多的是在親密關係中的失落，所帶來自責及羞愧的情緒，當事人若願意尋求家人朋友等社會支持，就能在「重拾信任關係」踏出重要的一步。這是因為羞恥感和個人是否願意接納他人有關⁴ 。

當個人感受到他人的接納後，才能逐漸走往下一第三階段：建立信任期（Trust Building），若選擇繼續與對方走下去，則會希望不針對事件細節的深入討論，將焦點放在彼此的關係上及受阻的原因， 重建對彼此的信任與承諾。

如果在背叛事件中受傷的朋友，對此感受到憤怒、憂鬱、自責及羞恥的情緒，請允許自己擁有這些情緒。研究⁵指出，過去遭遇曾有被背叛經驗的人者，在後續的信任決定上則會有大幅改變，會趨於保守。因此也別在短時間內強迫自己和其他人建立良好的信任關係，可以轉而尋求親朋好友或專業諮商的支持。

重建信任關係需要時間，減少負向情緒及自責的想法，聚焦提升自我對於生活的控制感、信念，以及自身未來的規劃，能夠幫助個人從破裂關係復原。

參考資料

1. Brown, E.M. (2001). Pattern of infidelity and their treatment (2nd ed.). Pennsylvania ,PA: Brunner-Routledge.
2. Brown, J. D., & Marshall, M. A. (2001). Self-esteem and emotion: Some thoughts about feelings. Personality and Social Psychology Bulletin, 27, 575-584.
3. Olson, M. M., Russell, C. S., Higgins-Kessler, M. & Miller, R. B. (2002). Emotional processes following disclosure of an extramarital affair. Journal of Marital and Family Therapy, 28, 423-434.0
4. Lee, W. S., & Selart, M. (2014). The influence of emotions on trust in experienced betrayal situations. Problems and Perspectives in Management2, 12(4), 573–580. Retrieved from ssrn.com/Abstract=2414386
5. Lee, W. S., & Selart, M. (2014). The influence of emotions on trust in experienced betrayal situations. Problems and Perspectives in Management2, 12(4), 573–580. Retrieved from ssrn.com/Abstract=2414386