0

0
0

文字

分享

0
0
0

【Gene思書齋】群眾的非凡智慧

Gene Ng_96
・2014/07/25 ・2888字 ・閱讀時間約 6 分鐘 ・SR值 545 ・八年級

有些書,決定不得不讀,是因為看到太多書引用該書了,像是《群眾的智慧:如何讓整個世界成為你的智囊團》The Wisdom Of Crowds: Why The Many Are Smarter Than The Few, And How Collective Wisdom Shapes Business, Economies, Societies, And Nations)。

《群眾的智慧》作者是《紐約客》(The New Yorker) 雜誌的專欄作家索羅維基(James Surowiecki),這本書的影響力頗大到其書名「群眾的智慧」(the wisdom of crowds)也成了流行用語。他在書中指出, 平均並不決然平庸,在大多數情況下,一個眾人的猜測平均更有可能比那些其個別成員的準確。雖然它可能是違背我們的直覺,群眾可以比單打獨鬥的專家更聰明。

索羅維基在《群眾的智慧》舉了許多有趣的例子,從流行文化、心理學、生物學、經濟行為學、人工智慧、軍事歷、社會現象、政治理論來論述群眾的智慧在真實的世界是如何運作的。《群眾的智慧》中 的例子最早從英國維多利亞時代開始:一群人猜牛隻屠體的重量的平均數居然高達99%準確!這讓統計學家高爾頓(Francis Galton,1822-1911)非常的驚訝。他篤信只有極少數的人具有能令社會維持健康的優良特質,也唯有將權力及掌控權交到經過挑選的,品種優良的 少數人手中,社會才可能保持健康與強壯。

《群眾的智慧》探 討了許多有趣的問題,例如為什麼美國的的情報機構未能準確預測並預防2001年的911事件?不管好片爛片,電影院何以死守單一票價的策略?科學界中為何 既是競爭又是合作?股票市場中「做空」與「做多」為何同樣重要?我們為什麼要繳稅?為什麼你排的隊伍總是看起來最長?為什麼你在世界任一角落買一顆螺絲 帽,都能與距離它一萬英哩之外的一顆螺絲釘相吻合?如果你得在某一天,在巴黎與某人碰面,但卻沒辦法聯絡到她,你們可能會在何時、何地碰面?塞車是怎麼形 成的?什麼方法最有機會贏得電視益智節目的獎金?為何你在凌晨兩點,走進一家便利商店想買瓶汽水,而汽水就會坐在架上等著你?為什麼好萊塢的黑幫電影,能 讓我們了解企業是怎麼回事?

-----廣告,請繼續往下閱讀-----

在另一個有趣的例子中,太空梭挑戰者號(STS Challenger,STS是太空運輸系統Space Transportation System的縮寫,是美國官方對於太空梭這種設備的正式稱呼)爆炸發生21分鐘後,光看各家漲跌就能「知道」哪家公司的零件有問題。1986年1月28 日,上午11點38分,太空梭挑戰者號爆炸發生21分鐘後,製造大空梭及其零件的洛克希德(Lockheed)股價跌落百分之五,馬丁馬瑞艾塔 (Martin Marietta)股價跌落百分之三,洛克威爾(Rockwell International)則跌落百分之六。製造固態燃料輔助引擎的莫頓希爾科(Morton Thiokol)的股價掉得最慘。換句話說,在爆炸發生後不過半小時,股市就「知道」哪家公司有罪。沒有證據顯示,有人大量賣出莫頓希爾科的股票。人類好 像是經過程式設計,成為能夠展現集體智慧的動物。

在911事件之前,美國情報圈衍生出一大串各行其是、分權的團體,大家前進的目標都相同,都要確保美國安全,不要受到攻擊,但是大家各走各的路。直到 911事件,大眾都沒有注意到這個體系的缺點。911事件後,有參議者認為集權才是王道,可是索羅維基指出,統合不是一把抓,過去未來匯集各方情報,無法 有效聚集多樣的意見才是問題所在。他又舉了Linux的開放源碼軟體的傳播的例子,顯示了群眾的智慧甚至能夠與來自微軟等公司一較高下,提供可靠和廉價的 電腦軟體。

《群眾的智慧》指 出,如果能集結到一群具備不同程度知識與見解的人,大可將重要的棘手問題交給他們去處理,強過交到一兩個人手中,無論他們有多聰明。期待專家能解決一個組 織的問題,是在浪費時間。我想,這就是為何經濟問題總是無法由幾個官大學問大的專家來解決,甚至過度自以為是的干預還擾亂市場,更甭提要強行通過眾人皆知 會對全民極為不利的協議等等。有時候政府只要做好重分配的稅制就好,把選擇權交給人民和市場吧。

要利用集體的智慧來解決問題,要有四個條件符合:一、意見真正的多樣性;二、獨立意見(所以它們之間沒有相關性);三、經驗權力下放; 四、意見聚集的適當機制。為什麼專家沒有那麼聰明?因為專家所見往往是略同,因此並不反映意見最大的多樣性;當見解和實際狀況有出入時,他們往往也無法修 改或調整自己的見解,而且往往過度自信。過去的表現從來都不是未來成功的預測,他們可能只是幸運。

-----廣告,請繼續往下閱讀-----

他指出美國NASA任務小組,在2003年討論面哥倫比亞號太空梭(STS Columbia OV-102)的因機翼遭泡綿撞擊時沒有預料到其極高的風險,導致它要在進入大氣層,因大空梭的機翼受損而爆炸。同樣的,美國和英國的情報部門沒有考慮到 伊拉克並沒有窩藏大規模殺傷性武器的可能性。在這兩種情況下,多樣的意見並沒有真正被匯整過。

我們為什麼願意與那些幾乎不認識的人合作?索羅維基很崇尚羅伯.賴特( Robert Wright)在《非零年代:人類命運的邏輯》Nonzero: The Logic of Human Destiny)的答案:經過一段時間後,我們自然會學到買賣與交易是能讓人皆大歡喜的遊戲,不像零和遊戲,永遠要分出誰贏、誰輸。

《群眾的智慧》表 示,最理想的企業總裁,當然應該要承認自己的知識有限,而且個人的決策也有限。而這也是為什麼通用汽車在它最風光,身為全球最成功企業的時候,重大決策都 是採取史隆(Alfred P. Sloan,1875-1966)所謂的「群體管理」方式。他以流行服裝品牌ZARA為例解釋由下而上的管理之效率。

不過,對於群體決策的效力,索羅維基也沒有一味地吹噓。《群眾的智慧》解釋金融泡沫和崩盤,指出確定股票的價格既是一種認知和統合的問題。我們總是在該公司的未來表現和其他股民之間的平衡作猜測。泡沫和崩盤發生時,這個平衡點過度轉移至統合那方,我們更擔心其他股民的動作多過公司的未來表現。

-----廣告,請繼續往下閱讀-----

只要有足夠的煽動,一大群人甚至可以真的以為,黑色的確是白色的。包括17世紀30年代的荷蘭鬱金香狂熱、南海泡沫、十字軍東征等等,稱不上是群眾的智 慧,只能稱上是群眾的瘋狂。加上上世紀90年代末的達康熱潮,和20世紀50年代的不太知名,但更有趣的保齡球泡沫,當時投資者大力投資保齡球球瑒,他們 的計算居然是,全美每一個男女和小孩,一年52週每週打兩小時的保齡球。金融市場也是群眾的活動,只是根據凱因斯(John Maynard Keynes, 1883-1946),其自我修正的時間長到你不會有機會看到。

最後,索羅維基在《群眾的智慧》指 出,歐美政界抱怨投票率太低。但是若從經濟學家的觀點來看,令人困惑的應該是,為什麼會「有人」肯去投票,因為想靠手中那一張票來改變選舉結果的機會,幾 乎等於零。民主,作為一個群眾的智慧之經典案例,可以是優於柏拉圖主義的精英主義。民主的決策或許不是群眾的智慧,可是決定採用民主這種方式來達成策的事實,卻證明了群眾的智慧。

本文原刊登於The Sky of Gene

文章難易度
Gene Ng_96
295 篇文章 ・ 30 位粉絲
來自馬來西亞,畢業於台灣國立清華大學生命科學系學士暨碩士班,以及美國加州大學戴維斯分校(University of California at Davis)遺傳學博士班,從事果蠅演化遺傳學研究。曾於台灣中央研究院生物多樣性研究中心擔任博士後研究員,現任教於國立清華大學分子與細胞生物學研究所,從事鳥類的演化遺傳學、基因體學及演化發育生物學研究。過去曾長期擔任中文科學新聞網站「科景」(Sciscape.org)總編輯,現任台大科教中心CASE特約寫手Readmoo部落格【GENE思書軒】關鍵評論網專欄作家;個人部落格:The Sky of Gene;臉書粉絲頁:GENE思書齋

0

3
3

文字

分享

0
3
3
圖形處理單元與人工智慧
賴昭正_96
・2024/06/24 ・6944字 ・閱讀時間約 14 分鐘

  • 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?

黃仁勳出席2016年台北國際電腦展
Nvidia 的崛起究竟是時勢造英雄,還是英雄造時勢?圖/wikimedia

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。

-----廣告,請繼續往下閱讀-----

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:

-----廣告,請繼續往下閱讀-----
  • 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

-----廣告,請繼續往下閱讀-----

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?

圖形處理的例子

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。

-----廣告,請繼續往下閱讀-----
典型的CPU與GPU架構

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?

-----廣告,請繼續往下閱讀-----

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?

-----廣告,請繼續往下閱讀-----

(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)

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。
文章難易度

討論功能關閉中。

賴昭正_96
43 篇文章 ・ 56 位粉絲
成功大學化學工程系學士,芝加哥大學化學物理博士。在芝大時與一群留學生合創「科學月刊」。一直想回國貢獻所學,因此畢業後不久即回清大化學系任教。自認平易近人,但教學嚴謹,因此穫有「賴大刀」之惡名!於1982年時當選爲 清大化學系新一代的年青首任系主任兼所長;但壯志難酬,兩年後即辭職到美留浪。晚期曾回台蓋工廠及創業,均應「水土不服」而鎩羽而歸。正式退休後,除了開始又爲科學月刊寫文章外,全職帶小孫女(半歲起);現已成七歲之小孫女的BFF(2015)。首先接觸到泛科學是因爲科學月刊將我的一篇文章「愛因斯坦的最大的錯誤一宇宙論常數」推薦到泛科學重登。