站在巨人的肩膀上，看得比較遠

• 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。

造假是人類複雜心智的一大產物，歷史上各式各樣的作假、贗品層出不窮。作家 Kristine De Abreu 在 ExplorersWeb 網站的文章^{[參考資料1]}，整理歷史上的 6 起贗品案例，時過境遷後回顧，這些造假頗有趣味。

龐貝石碑

6 起案例最早的是龐貝石碑。這個「龐貝」不是義大利那個龐貝城，在紐約。公元 1820 年有人找到一塊石碑，上頭有看似陌生的圖像、文字，但是無人能釐清來歷。此後衍生出不少相關的假說與討論。

1894 年，工程師史威特（John Edison Sweet）出面宣稱那是他叔叔的惡作劇。這類藍色窗簾的案例十分普通，也很常見。

卡迪夫巨人

1868 年，當時某些基督教信徒根據「創世記」，主張世界上曾經有巨人漫步。美國的無神論者胡爾（George Hull）設局惡搞，製作石頭巨人誆騙信徒，希望藉此證明他們是一群盲信的傻B。

惡搞產品身高 3 公尺，重 1350 公斤，成本 2600 美金（約現在的 54000 元）。本來想運到墨西哥，但是太重，最後埋在紐約的卡迪夫親戚家，1869 年「發現」後被稱為卡迪夫巨人（Cardiff Giant）。

假巨人騙到一些人，不過也很快被識破。後來有人以 23000 美金收購（約現在的 50 萬元）。不論當初意圖是否達到，胡爾都大撈一筆。

當時有位東搞西搞的掮客……沒禮貌，是知名經紀人巴納姆（P.T Barnum） 想買卻被拒絕。於是巴納姆也製作自己的巨人，還宣稱那才是真正的假貨 XDDD

假巨人當時興起一股熱潮，許多觀眾付費參觀。對於這些花錢看假貨的觀眾，有人表示：「每分鐘都有一位傻 B 誕生（There’s a sucker born every minute）」。這句流傳頗廣的話，到底是誰講的其實沒有定論，不過江湖傳言就是巴納姆自己。

伊特拉斯坎勇士雕像

美國的里卡狄兄弟（Pio Riccardi 和 Alfonso Riccardi）與其兒子們，有一門獨特的家族事業：偽造雕像。他們在 1915 到 1918 年製作 3 具 2 公尺高的伊特拉斯坎勇士雕像（Etruscan Terracotta Warriors），並成功賣給紐約的大都會博物館。

伊特拉斯坎文化位於義大利，年代早於羅馬帝國，歷史應該超過 2000 年，可是雕像狀態太好，有人懷疑是假的。1960 年代費歐拉凡提（Alfredo Fioravanti）出面承認，他當初協助兩兄弟造假。

• 延伸閱讀：羅馬帝國之前，有草原血緣，不講印歐語的伊特拉斯坎人

皮爾當人

前幾起贗品案都無傷大雅，但是皮爾當人（Piltdown Man）深深地傷害學術。它可謂人類演化研究史上，最大的造假醜聞。

1912 年，名字和達爾文（Charles Darwin）有點像的英國業餘研究者道森（Charles Dawson）宣稱，在薩塞克斯發現古人類的化石，引發一陣轟動。他在 1915 年又宣布找到化石，這批化石後來合稱「皮爾當人」。

當時一些學者認為，皮爾當人可以填補演化史上，人與猿的缺失環節。英國出土的化石，也支持大英帝國在人類演化史上的地位。業餘人士道森一心想躋身上流，加入英國皇家學會，最終卻沒有如願，在 1916 年去世。

一直有人懷疑皮爾當人的真實性。終於在 1953 年證實皮爾當人分別具有人與猿的特徵，根本是因為皮爾當人不是一個人，而是由猿和人的骨頭拼裝而成。

• 延伸閱讀：人類演化研究史上最大造假醜聞－皮爾當人

伽利略手稿

美國的密西根大學 1934 年購入一份「伽利略手稿」，據說是伽利略本人 1609 年的手筆。造假兼打假專家威爾丁（Nick Wilding）在 2022 年 8 月證實，那是假的。決定性的證據來自紙張上的 BMO 水印，它要等到 1770 年才出現，遠遠晚於伽利略的年代。

推測這份假貨來自造假名人尼可查（Tobia Nicotra），他在 1930 年代復刻哥倫布、莫札特、林肯等等名人，製作超過 600 件贗品。

維京人的文蘭地圖

有些贗品花費數十年破解，有些則一開始就知道是假的，後來再漸漸補足證據。就像某些偵探故事，一開始就知道誰是兇手，後來才釐清作案過程，可謂證明題。

美國的耶魯大學 1960 年代取得一份 15 世紀地圖，上頭繪有文蘭（Vinland），也就是維京人在美洲的殖民地。幾乎一開始就判斷這份地圖是假的，不過做證明題也有意思，圍繞其衍伸出有趣的議題。現在知道，此圖字體不符合年代以外，使用墨水含有天然的鈦，證實這是晚於 1920 年代的字跡。

至於維京人是否曾經抵達美洲？1960 年代在這份贗品地圖出現不久後，考古學家於加拿大東北部的紐芬蘭，尋獲蘭塞奧茲牧草地遺址（L’Anse aux Meadows），證實維京人確實在美洲留下足跡。只是文蘭在哪裡，仍是謎題。

• 延伸閱讀：公元1021年，維京人在紐芬蘭砍樹

參考資料

1. Why Did They Do It? Six Archaeological Forgeries and the People Behind Them
2. Analysis unlocks secret of the Vinland Map — it’s a fake

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。

數感實驗室／朱倍玉

如果有人突然問你： \(  a^{2}+b^{2=} \)？ 台灣學生大概像膝反射一樣，自然而然地答出 \( c^{2} \)。

直角三角形，直角的兩鄰邊長的平方和等於斜邊長的平方。這是人人都熟悉的畢氏定理，也是百年數學之謎「費馬最後定理」的一部分。

費馬提出的世紀難題

費馬（Pierre de Fermat）是 17 世紀的一名律師，數學是他業餘的興趣，當時與他書信往來的包括了笛卡爾、帕斯卡、惠更斯等歷史上知名的數學家。雖然費馬本業跟數學天差地遠，但他相繼提出微積分、機率論與數論的研究，在數學界的貢獻不輸職業數學家，也因此獲得「業餘數學家王子」的封號。

研究《算數》（Arithmetica）這本書時，費馬在書的空白處寫下「\(  a^{n}+b^{n}=c^{n} \)，當 \(  n>2  \) 時無正整數解」，並且用拉丁文留下一句話「我發現了一個極為美妙的證明，可是空白處太小所以沒寫下來」。

短短一條小學生就能理解的式子，再加上一句話，卻讓後世的數學家們花了足足三百年，直到 1995 年才由懷爾斯（Andrew John Wiles）教授完成證明，而這項證明，被稱為上個世紀的大任務。

(2019/8/20) 編按：原文提及費馬定理時敘述為「無解」，實為「無正整數解」，特此更正。

立志要趁早，十歲許願解題的懷爾斯

這個世紀大任務的起點是懷爾斯 10 歲那年。他在圖書館翻閱一本講述費馬最後定理歷史的書，當時，他便對費馬留下來的難題產生濃厚興趣。在其他人才正要認識三角形的年紀，懷爾斯已經下定決心要解決這道流傳百年的難題。正好，又提供大家一個立志要及早的偉人例證。

跟很多成就大事的人一樣，懷爾斯在研究費馬最後定理的過程並非一帆風順。他踏入數學界的時期，正好是數學界準備放棄費馬最後定理的時候。大多數學家認為費馬最後定理無法證明，紛紛轉往其他領域。懷爾斯的指導教授也不例外，要懷爾斯放棄夢想，別白忙一場。也因此除了夢想外，他同時開始研究橢圓曲線^註1這個領域。

然而事實上在更早以前，日本數學家谷山豐和志村五郎提出「谷山－志村猜想」，他們認為橢圓曲線與「模形式」^註2可能有關聯。但是，橢圓曲線或是它與模形式的關聯跟費馬最後定理有什麼關係呢？1985 年，德國數學家佛列（Gerhard Frey）將谷山－志村猜想與費馬最後定理連結，他認為谷山－志村猜想可能可以協助完成費馬最後定理的證明。

後來，法國數學家賽爾（Jean-Pierre Serre）、美國數學家里貝特（Ken Ribet）也投入研究。他們發現只要證明出谷山－志村猜想就可以完成費馬最後定理的證明，才再次啟動懷爾斯的世紀難題證明之路。

於是，長達 7 年的時間，懷爾斯致力於研究谷山－志村猜想與費馬最後定理，他也找來另一位數學教授卡茲（Nicholas Katz）加入研究。懷爾斯是一個很低調的人，為了避免引起眾人的懷疑與關注，他在學校開設新課程，好讓卡茲協助他找到證明費馬最後定理所需要的最後一項工具──類數公式^註3。

由於懷爾斯從未說明開課目的，也沒向學生解釋這個公式將幫助他們通往費馬最後定理，只是不停地證明，難度相當高，搞到最後台下聽眾就只剩下卡茲。不久後，懷爾斯正式完成所有證明。他選擇在劍橋大學舉辦三場研討會，對外宣稱研討會的內容討論的是橢圓曲線和模形式，完全沒提到費馬最後定理。

當時有些謠言，這場研討會似乎有更勁爆的突破要發生，許多學者因此前來。研討會上，懷爾斯從橢圓曲線、模形式，一路證明到費馬最後定理，帶給台下聽眾滿滿的驚喜。隔天報章雜誌上，到處都在報導世紀難題已經解決的喜訊。

以為解開了嗎？過程曲折離奇

然而「福兮，禍之所伏」，驚喜後面還藏了一個巨大的驚嚇。當懷爾斯的證明手稿進入審查階段，卡茲與懷爾斯反覆驗證時，他們找到一處先前完全沒發現的錯誤。

人們尖銳地檢視著懷爾斯的失誤，漫天的喜訊瞬間化成毫無遮掩的嘲諷。懷爾斯接受訪問時也表達，在備受矚目的狀態下進行研究並不是他的風格。他把自己關在書桌前，試圖解決這個錯誤，然而不論怎麼做都沒辦法突破。

就在陷入絕望之際，他偶然在桌邊看到一份關於「岩澤理論」的論文。一時靈光乍現，他運用了岩澤理論來化解掉原先證明的錯誤，完成證明。1995 年，世紀難題才正式從未竟之謎的名單中消除。

「或許，我能給出關於我研究數學的歷程最貼切的描述，就是進入一棟大房子。當一個人開始探索第一個全黑的房間時，裡頭一片漆黑，他會在家具中邊跌倒邊摸索。漸漸地知道家具的位置。六個月後，你會找到開關並且打開燈。開燈的那一瞬間，整個房間被光線壟罩，你終於，能清楚地看見你站在哪裡」

——懷爾斯（Andrew John Wiles）

BBC拍攝了一部關於破解費馬最後定理的紀錄片，這段話正是懷爾斯在片頭的開場白。

破解費馬最後定理的世紀任務就像是完成一場接力式的拔河比賽，仰賴歷史上許多數學家的一臂之力，更需要在時間的沖刷與眾人的關注下承擔壓力的決心。從這個例子我們也可以看到，數學不是計算，更不是算得快就叫數學好。它是思考與邏輯，能讓許多人投入一生也樂此不疲的遊戲。

今年的 8 月 17 日，正好是費馬的 418 歲生日，特別寫這段費馬留給後人的禮物來祝他生日快樂！

註釋：

1. 橢圓曲線（Elliptic Curve）是二元三次曲線的一種形式，其圖形並非橢圓，而是圓環狀。
2. 模形式（Modular forms）是具有極複雜對稱性的複數平面函數。
3. 類數公式（Class number formula）與環的有限序列有關。

資料來源：

• 費瑪最後定理（Fermat’s Last Theorem） 紀錄片
• mathworld.wolfram-Elliptic Curve
• 模形式
• mathworld.wolfram-Class Number Formula
• 解開「費馬最後定理」的懷爾斯—《科學月刊》
• Andrew John Wiles
• Andrew-Wiles
• Pierre de Fermat