破解「擦擦筆」筆跡隱形祕密

• 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。

戰國時大哲學家荀子寫過一篇〈勸學〉，鼓勵大家好好學習。

文章中有這樣一段話：「青，取之於藍而青於藍；冰，水為之而寒於水。」意思是說，靛青是從藍草中提煉出來的，但顏色比藍草還要青；冰是水結凍而成的，但溫度比水還要低。

成語「青出於藍」就是從這段話演變出來的，用來比喻弟子勝過老師，或後輩優於前輩。談到這裡，讓我們造兩個句吧。

他的繪畫得自母親傳授，但已青出於藍。

名師出高徒，這些學生早已青出於藍了。

接下去要談談這個成語的科學意涵了。首先要說明的是：「青」這個字，除了有綠的意思，也有藍的意思；譬如「青天」，指藍天；青瓷，指藍色的瓷器；靛青，指一種藍色的染料，用來「藍染」，將白布染成藍色。

靛青，一般稱作靛藍。用來提取靛藍的植物主要有 4 種：爵床科的馬藍，豆科的木藍，蓼科植物蓼藍和十字花科的菘藍。台灣一般將藍草稱作大菁，其中最常用的是馬藍。

提取藍靛，首先要將馬藍的新鮮葉子浸泡在水中，讓葉子腐爛，溶解出藍靛。然後撈出腐爛的葉子，加入適量的石灰，攪拌，使藍靛和石灰起化學作用，待沈澱成不溶性的泥狀物，取出過濾，就可以得到藍靛。

泥狀物的靛藍，不溶於水，無法直接染色，必需先將其「還原」成暗綠色染液，這個過程稱為「建藍」。建藍的工序很複雜，限於篇幅，就不多說了。當要染的布自染缸中取出，染料一接觸空氣，就會進行「氧化」作用，再度「還原」成為不溶性的靛藍。

染布的時候，要反覆地在染缸中浸泡，取出擰乾、晾曬，讓染料與空氣中的氧起氧化作用，就會從暗綠色轉變成藍色。染的步驟重複愈多次，色調就會愈深。染好了用水漂洗，洗到水變清為止，然後以醋定色，晾乾後就大功告成了。

藍染的時候，如果按照事先設計好的方式，把布紮起來，被紮緊的地方染色較淺，這樣就可以染出自己設計的圖案，這是藍染最迷人的地方。

自從有了化學染料以後，費時、費工的藍染漸漸退出歷史舞台。然而藍染的藝術性以及個性化，使得這一流傳幾千年的工藝仍綿延不絕。如今三峽等地仍有藍染作坊，如三峽歷史文物館旁的藍染展示中心，還可供人 DIY 呢。

溫度影響剎車的抓力

雖然似乎有點違背直覺，但是煞車是高速駕駛不可或缺的一環。不管是在哪個賽車場，駕駛的目標之一就是保持在賽道的最佳路徑（racingline）—繞行賽道的最短路徑。所以駕駛過彎時不會沿著急轉彎處長長的外彎道前進，而是「夾著」彎道的內側，稱為彎頂點（apex，即過彎路線中最接近彎道內側的點）的地方，以將他們必須行駛的距離縮到最短。

這麼做需要非常精準的煞車：要在剛剛好的時間對煞車踏板施予剛剛好的壓力。當他們辦到時，駕駛就會出現在賽道轉彎處的絕佳位置，且依然帶有征服下一段賽程所需的速度。但是這樣的開車方式會耗損煞車；而且有些賽道沒什麼機會可以讓煞車冷卻。

以世界知名的摩納哥街賽道來說。雖然僅長3.34 公里（2 哩多），是F1 賽程中最短的賽道，但是卻必須不斷踩煞車和加速。煞車製造商布雷博（Brembo）指出，2019 年賽季中，駕駛們每一圈使用煞車 18.5 秒，多過總賽程的四分之一。

在需求最高的轉彎處，汽車要在不到 2.5 秒的時間內將時速從 297 公里（185 哩）減至 89 公里（55 哩）；這會將大量動能快速轉換成熱能，難怪煞車碟盤會冒出火花。為了要負荷這樣龐大的熱負載，製造商在每個煞車碟盤的邊緣鑽入細小的徑向孔—數量超過 1000 個。

這樣的小孔可以增加煞車碟盤的表面積，比較容易散熱。但是也具有通氣孔的功能。與安裝在各個輪框上的大型冷卻管相結合時，可以把冷空氣拉入煞車碟盤中心，把熱空氣從邊緣帶走。還有個額外優點，這些F1 煞車碟盤相當輕，重量約各為1 公斤（2.2 磅），相較之下，差不多大小的鑄鐵煞車碟盤則為 15 公斤（33 磅） 。

所以為什麼不全面使用這種煞車碟盤呢？有個原因是價格—每片煞車碟盤可能要價高達 2000 美元（約 1500 英鎊） ，而且要六個月的時間才能製成。它們也不太耐久，通常每次比賽後就得更換。最後，它們受限於一定的工作溫度，只能處於 350 ∼ 1000℃。

低於溫度下限時，它們幾乎不具有停止能力—煞車片與煞車碟盤無法產生足夠的抓力。但是如果煞車的溫度高於上限值太久，則會災難性地失靈。如馬歇爾對我描述的，「彷彿在踩縫紉機。當這種狀況發生時，煞車碟盤耗盡『材料』的速度有多快，簡直難以置信。」

科技有助於車隊和駕駛控制他們的煞車，但是就跟 F1 的大部分狀況一樣，沒那麼簡單。冷卻管的大小與形狀可控制流經煞車碟盤的空氣量，所以你可以想像管子愈粗愈好。

但是如 F1 傳奇工程師帕特．西蒙茲（PatSymonds）告訴《賽車工程》（Racecar Engineering）雜誌的，冷卻有其後果：「遇到像蒙特羅這樣需要一直踩煞車的賽道，我們被迫使用一些該賽季最粗的管子。從最細的冷卻管換到最粗的冷卻管，會犧牲 1.5％的空氣動力學效率，這代表最高速度時速會減少 1 公里。」

我可以想像這會引發車隊的煞車工程師與他們的空氣動力學家爭辯。就連測量煞車配件的溫度都不容易。馬歇爾告訴我，在奧斯頓馬丁 F1 車隊中，他們會在煞車片的安裝托架中埋入高溫的熱電偶，和一系列直接朝向煞車碟盤的遠紅外線感測器。電視轉播賽事時偶爾會出現的彩色熱影像，主要是為了給我們這些觀眾看—顯示出他們建議的最高溫度。

摩擦介面與溫度控制

煞車片與煞車碟盤之間還有另一個重要的過程是磨耗。所有滑動與摩擦都會對兩個表面造成實質傷害；每次煞車作動，兩者都會有微粒破裂。在煞車系統的使用期間，這會逐漸降低材料的摩擦係數—換句話說，會失去它們的抓力。

但這不只是因為彼此的表面被「磨光」，或是失去黏性。磨耗也會形成摩擦膜（tribofilm）這種東西—煞車片與煞車碟盤相接觸時壓碎的一層非常薄的細粒狀材料。「談到磨耗與摩擦力，摩擦膜非常有影響力，」英國里茲大學（University of Leeds）的沙赫里爾．柯沙利（Shahriar Kosarieh）說。

「我們把這層膜視為『第三體』，因為儘管它是由互相滑動的那兩種材料製成，其化學與機械性質還是與那兩種材料不同。」關注各式各樣市售鑄鐵煞車片的德國研究人員發現，無論煞車片是什麼材質，形成的摩擦膜總是會受到氧化鐵（Fe3O4）控制，其他成分的影響力則相當微弱。

「摩擦膜會控制散熱，且能減少摩擦力—它會主導性能，」柯沙利繼續說道。「煞車製造商很清楚這一點，調配自己的煞車片配方時會考量這一點。煞車片與煞車碟盤要互相搭配，才能產生最佳性能。只要你更動了任一個材料，就會改變界面產生的結果。」

柯沙利最近的研究關注鑄鐵煞車碟盤輕量替代物的摩擦表現，這些輕量煞車碟盤主要都是鋁製。不只有他這麼做—整個汽車產業都對減輕重量很執著，主要是因為汽車的重量愈輕，消耗的燃料就愈少，環境影響也愈少。目前是以鋁為主流。

「那是一種低密度金屬，約比灰鑄鐵（grey cast iron）還低 2.5 倍，所以減輕重量的可能性很高，」他跟我在電話中閒聊。「鋁的導熱性也很高，在表面形成的氧化物也具有一些防蝕效果。」把鋁合金與碳化矽等硬質陶瓷材料結合也能提升其強度。

「但是鋁的問題在於當溫度高於400℃時會開始熔化。就煞車而言，這代表摩擦力突然銳減，也是你能想像最糟的狀況。所以更加促使工程師更努力找出方法，既能讓表面有比較好的熱穩定性，使用壽命又能更持久。」

對柯沙利而言，最有意思的其中一種方法是電漿電解氧化（plasmaelectrolytic oxidation, PEO），這是用一個電場在鋁的表面形成一層複雜又高度耐磨的薄層。當他測試各種不同以電漿電解氧化處理過的鋁盤性能時，發現有些可以撐過約 550℃。不過，許多案例的摩擦係數太低—低於實際煞車系統所需的最低閾值。

柯沙利並不洩氣。「煞車是整個系統一起作動。如果你拿到一個新的煞車碟盤，那你也需要把對位碟盤調整到最佳狀態。製造商設計出專供電漿電解氧化塗層煞車碟盤使用的新煞車片配方。」我只找到幾篇已發表的研究，結合了電漿電解氧化煞車碟盤與這些新的摩擦片，但是結果看起來大有希望。輕量的鋁製煞車在未來的道路車輛上可能有機會亮相。

F1 在 1970 年代晚期為它們的煞車碟盤和煞車片找到了不同的解決方法，從那時候起就沿用至今：一種稱為碳－碳（carbon-carbon）的材料，在石墨基質裡包埋高度有序的碳纖維。其散熱效果非常好，所以也用在太空梭上。雖然它聽起來可能跟F1 賽車底盤用的碳纖維很類似，但其實是非常不一樣的猛獸。

製造碳－碳很緩慢且複雜，此材料是由原子薄層堆疊成層。它在摩擦力方面勝出，提供的抓力比傳統煞車配件高 2 倍（在其理想工作溫度範圍內）。但是那並非魔法。在競速的壓力之下，這種材料終究會磨耗殆盡，部分是由於摩擦，但也有化學方面的因素。溫度上升時，碳－碳會與空氣中的氧氣產生反應，而氧氣會提高其劣化程度。你有時候會看到F1 駕駛大力踩煞車時冒出黑塵，這就是原因。

藉由感測器數據調整剎車系統

這個過程代表車隊需要監測的煞車項目不只是溫度。馬歇爾跟我說，他們會使用壓力感測器留意流經管子的氣流。他們也有針對磨耗的電子感測器，可以測量胎側的活動。

「我們使用這些儀器測量煞車片還能接觸煞車碟盤多久。由此可以推論總磨耗程度—也就是煞車片與煞車碟盤的磨耗總和。」為了推算總磨耗比例與煞車片的關係，以及對煞車碟盤的磨耗程度，車隊會把感測器數據對照以往試駕和賽事所蒐集的煞車數據。

「我們可以從所有資料中追溯比賽時的磨耗速率。如果太快，我們可以調整煞車平衡，以免磨耗最高的車輛壽終正寢，或可以請駕駛找一些乾淨的空氣冷卻煞車。」不管怎麼做，目標都是確保駕駛在需要的時間和地點擁有阻擋能力。任一賽季都會面臨數以千計的彎道，這些系統，當然還有駕駛，都表現卓越。

——本文摘自《黏黏滑滑》，2022 年 11 月，晨星出版，未經同意請勿轉載