大麥哲倫星系偷「星」被逮

• 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。

最近，韋伯太空望遠鏡發布首批科學影像，終於看到敲碗好久的結果——韋伯拍到了人類從未見過的許多東西！有人說，韋伯是哈伯的繼任者，但不知道大家是否好奇過，哈伯和韋伯到底誰比較強？

這個問題有點難回答，因為兩部望遠鏡都是當代科技的結晶。哈伯是 1990 年升空的王者，韋伯是 30 年後科技進步下的產物，我試著用客觀的方式來比較這兩部太空望遠鏡。

哈伯觀測可見光，韋伯觀測紅外光

哈伯的主鏡直徑是 2.4 公尺，韋伯則是 6.5 公尺，韋伯的主鏡直徑比哈伯大 2.7 倍，這也是大家最常比較的部分。可是，如果主鏡大就比較厲害，那麼夏威夷大島上的凱克 10 公尺望遠鏡，不就比哈伯和韋伯更強？

哈伯與韋伯觀測的波段不同，用途也不一樣。哈伯主要觀測的波段在可見光，可見光是指人類眼睛可以看見的光或顏色範圍，也就是紅、橙、黃、綠、藍、靛和紫。從紅光到紫光，光的波長由長到短，紅光的波長大約是 0.62–0.74 微米（1 微米＝0.001 公釐），紫光的範圍則是 0.38–0.45 微米。

紅外光是指比紅光波長更長的光，也就是波長比 0.7 微米更長，這是韋伯望遠鏡主要觀測宇宙的波段。

哈伯和韋伯太空望遠鏡觀測的波段，一個在可見光，另一個在紅外光，所以在功用上本來就不一樣，如果要比較的話就要小心，不然就像拿橘子跟蘋果相比，拿不同的東西做比較顯得很突兀。

誰看得比較清楚？來比一比解析度吧！

哈伯與韋伯可以拿來做比較的是解析度，解析度的值（角秒）愈低，表示能看到天體愈細微的部分，解析度跟主鏡直徑和觀測的波長有關。望遠鏡主鏡愈大，解析度愈好；另外也跟觀測的波長成正比。

以下兩張影像分別是史匹哲太空望遠鏡（Spitzer Space Telescope）和韋伯拍的天空中同一區域紅外光影像，拍攝的紅外波長也差不多（史匹哲：8 微米，韋伯 7.7 微米），不過兩幅影像的解析度卻差很多，韋伯的影像中可以看到更多的細節，史匹哲則好像糊成一團。

當觀測的波長一樣時，解析度跟觀測望遠鏡的主鏡直徑成反比。史匹哲的主鏡是 0.85 公尺，所以韋伯的解析力是史匹哲的 6.5/0.85=7.8 倍！主鏡的大小直接反應在解析度上，韋伯與史匹哲在解析度上高下立判！

解析度除了跟主鏡的直徑成反比，也跟觀測的波長成正比。所以同一面主鏡觀測天體，用愈短的波長觀測解析度愈好。下圖是史匹哲望遠鏡觀測 M81 星系的結果，同樣 0.85 公尺的主鏡觀測，隨著觀測波長的增加，解析度變差。

答案揭曉——哈伯的解析度略勝一籌！

前面提到解析度跟主鏡直徑與觀測波長的關係有一個重要前提，主鏡必須研磨到完美、光滑，也就是主鏡上不能出現高低起伏。如果主鏡不完美，像遊樂場裡的哈哈鏡，不能聚焦成像，解析度自然不好。

波長愈短對鏡面的要求愈高。哈伯太空望遠鏡的鏡面對 0.5 微米波長更長的光是完美的，比 0.5 微米波長更短的光波則呈現不完美，韋伯望遠鏡的主鏡則是對 2 微米更長的波長是光滑的。（光學上，物理學家的說法是哈伯和韋伯分別在 0.5 和 2 微米達到繞射極限。）

哈伯和韋伯望遠鏡最佳解析度分別在 0.5 微米和 2 微米，根據前面的解析度公式，哈伯在 0.5 微米的解析度是 0.05 角秒，而韋伯在 2 微米的解析度是 0.08 角秒，結論是哈伯的解析度比韋伯稍微好一點！也就是哈伯老當益壯，一點也不比韋伯差。

從哈伯到韋伯，有如長江後浪推前浪

天文學家從 1990 年開始，透過哈伯望遠鏡研究宇宙，這三十年來科學家已經把哈伯的功能發揮到極致，我們對宇宙的了解很多都來自哈伯的觀測。不過這三十年的努力也讓天文學家發現哈伯不足的地方，科學家知道關鍵在紅外線觀測能力。前一代的紅外望遠鏡史匹哲無法達到需求，天文學家只能殷殷期盼韋伯。

韋伯首批公布的影像中，幾乎都是哈伯曾經拍過的天體，從科學上來說，比較可見光和紅外影像資料可以對目標天體更多了解，不過我認為這應該是韋伯對哈伯致敬的方式，感謝哈伯三十多年的貢獻！

韋伯站在巨人的肩膀上，必定能看得更暗、更遠！

• 本文轉載自臺北天文館，《臺北星空》第 99 期。
• 文／美國夏威夷大學天文研究所 泛星計畫博士後研究員｜林建爭
• 校稿／美國夏威夷 專案文物修復師｜王品方

來自愛丁堡大學的天文學家 Michael S .Petersen 與 Jorge Peñarrubia 近期在自然 (Nature) 期刊中，針對銀河系與大麥哲倫星系 (The Large Magellanic Cloud) 的交互運動，有了新的發現。這份最新的研究指出受到大麥哲倫星系重力場的影響，銀河盤面發生偏移，透過測量銀暈（銀河系的主要部分向外延伸，大致成球形的結構）上不同類型恆星的運動，發現銀河盤面正朝著大麥哲倫星系過往的軌跡方向移動，這個觀測結果與數值模擬的模型相符。

銀河系最大的衛星星系——大麥哲倫星系

大麥哲倫星系是銀河系最大的衛星星系，其質量超過銀河系的十分之一，近期觀測發現，它正以高達每秒 327 公里的速度從銀河系旁通過，離銀河系中心距離僅約 16 萬光年（註：銀河半徑約 5 萬光年），是最接近銀河系的。這樣規模的衛星星系在如此近的距離下高速經過銀河系帶來重力場的變化，使銀河盤面相對於質量中心產生偏移，然而銀暈與盤面受到衛星星系重力牽引的影響不同，位於銀暈越外圍的恆星需要較長的時間尺度才能將重力場的變化反應在運動軌跡上。

當一個外力突然進入一穩定旋轉的慣性系統，如同用手去觸碰正在旋轉的陀螺會使它產生偏移，銀河盤面因大麥哲倫重力場影響而會發生偏移且朝某一方向移動，銀暈的運動軌跡也會出現變化以維持動態平衡，這個銀暈因受盤面偏移而產生的運動改變稱作反應運動 (reflex motion)。

其實反應運動的測量在恆星尺度上也被拿來當作尋找系外行星的工具之一，如圖 1 所示，反應運動主要與系統中質點的質量比有關，舉例來說，一個質量越大的行星繞著母恆星旋轉，母恆星的反應運動越大（繞系統質心的旋轉半徑越大）；因此，天文學家們可藉由觀測恆星的反應運動來發現周圍的未知行星，隨著觀測技術的進步，可以偵測到的自行運動越來越小，距離量測也越趨準確，未來藉由反應運動的測量將有機會發現更小質量的系外行星。

那如何藉由反應運動的測量來分析銀河盤面與大麥哲倫星系的交互運動呢？天文學家 Petersen 等人利用銀暈上的 K 型巨星 (K Giants)、藍水平分支星 (Blue Horizontal Branchs) 和衛星星系來分析銀河盤面的移動速度。這三個分類中，資料樣本數量龐大的亮星來源 K 型巨星，擁有較精確的自行運動測量數值，有助於將盤面移動速度限縮在較小的範圍內，如圖 3 紅色區域所示。

綜合分析三類不同來源恆星的觀測資料後，Petersen 等人發現目前銀河盤面正以相對於外圍銀暈（離銀河中心 13-39 萬光年範圍）約每秒 32 公里的速度，朝向大麥哲倫星系早期通過銀河系的軌跡方向移動，而不是朝向大麥哲倫星系當前的位置移動，如圖 2 的模擬圖以及圖 3 觀測資料的結果所示。這樣的現象主要是因為大麥哲倫星系移動的速度太快，使得銀河盤面在重力牽引導致的位移上發生延遲，這個觀測結果與數值模擬銀河系與大麥哲倫星系的交互運動模型一致。

Petersen等人透過六項恆星參數的測量，包含有距離 (heliocentric distances)、銀河座標 (Galactocentric coordinates)、自行運動 (proper motion) 與視向速度 (line-of-sight velocities)，估算出銀暈上恆星的反應運動；這個觀測結果說明了在模擬銀河系的動態模型時，大麥哲倫星系接近銀河系時所帶來的重力擾動是不可忽略的。此外，在觀測銀暈上的恆星時所使用的參考座標系，也必須針對銀河盤面產生的反應運動進行校正。

研究人員更進一步地利用貝氏擬合 (Bayesian-fitting) 的技術（註：將模型參數看成隨機變量，利用馬可夫鍊蒙地卡羅法來估算出模型參數的一種統計解法）來測試目前銀河系與大麥哲倫星系的數值模型，發現從銀河系現有的反應運動所對應到的是一個較大質量的大麥哲倫星系，這個結果暗示著大麥哲倫星系在接近時可能伴隨著帶有暗物質的星系暈。他們認為未來光譜觀測的巡天計畫與 Gaia 資料的公開，將有助於更精確的模擬大麥哲倫星系通過銀河系時的軌跡，甚至有機會進一步了解暗物質在銀河系與大麥哲倫星系中的分佈與結構。

更加精準的測量數據 揭開星系間的奧秘

這項研究結果也指出，我們不能單純的將銀河系當是做一個動態平衡系統。觀測者需要校正重力擾動對盤面質心位移所產生的非慣性效應；儘管我們目前已針對太陽的反應運動進行校正，但銀河盤面與其他星系的動力學研究，如大麥哲倫星系造成銀河系的反應運動，仍不可忽略。

總和來說，這份研究探討了位於銀暈外圍（半徑大於 13 萬光年）的恆星運動因銀河盤面位移而產生反應運動，位於較小半徑內，反應運動的程度幾乎可以忽略。此外，這份研究也指出，受到銀河系和大麥哲倫星系相互重力牽引的影響，這兩星系間的系統位能也隨著時間變化，若我們能更了解這部分動態的能量轉移，許多問題將有望被一一解開，例如大麥哲倫星系的接近軌跡與暗物質如何影響其路徑？大麥哲倫會在接近銀河系時因潮汐力而流失其暗物質嗎？這些暗物質又會往何處去呢？

隨著近期 Gaia 資料的公開，在自行運動上有更大範圍且準確的測量，綜合一些大型望遠鏡的光譜巡天計畫，例如 LAMOST、4MOST 及 VLT-MOONS，銀暈上恆星的視向速度測量資料將會更加準確，也有助於我們了解大麥哲倫星系接近銀河系的軌跡與其潮汐碎片 (tidal debries) 的位置。於此，在接下來的幾十年中，我們將有機會一揭銀河系與星系周圍動態運動的神秘面紗。

原文及參考資料

• Detection of the Milky Way reflex motion due to the Large Magellanic Cloud infall | Nature Astronomy
• Detection of the Milky Way reflex motion due to the Large Magellanic Cloud infall
• The Milky Way in disequilibrium | Nature Portfolio Astronomy Community
• Reflex motion in the Milky Way stellar halo resulting from the Large Magellanic Cloud infall

延伸閱讀

• 探討大麥哲倫星系
• 銀河系將與大麥哲倫星系相撞