視而不見的改變！

• 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。

長久以來，生物學家一直都在探討為什麼斑馬會有如此奇怪的黑白斑紋，直到他們談話的當下，卡羅依然在探究這個問題。他告訴梅林，其中最早出現、最廣為人知也令人意外的推測，是認為這些斑紋其實是斑馬的保護色。斑馬身上的黑白條紋毛色能夠擾亂掠食者（如獅子、鬣狗）的視線，讓牠們看不清楚斑馬的輪廓，也可以讓斑馬的身影融入周遭聳立的樹木之間，又能夠在斑馬跑動時讓其他動物感到視線模糊。

但梅林對這些說法抱持著存疑的態度，她回想自己當初的反應：「我那時候表情應該很怪。我對他說：『大部分的肉食性動物都是在夜晚獵食，而且牠們的視覺根本不如人類靈敏，因此很有可能根本看不到那些斑紋。』」提姆這時驚訝地忍不住脫口而出：「什麼？」

斑馬紋隱身術

人類視覺處理細節的能力幾乎比其他任何動物都來得好；梅林也發現，正是因為這種特別敏銳的視力，人類才成了少數能夠看見斑馬條紋的物種。她和卡羅找了個光線明亮的日子，計算出擁有絕佳視力的人類能夠在一百八十二公尺左右之外的距離就分辨出斑馬身上的黑白條紋，獅子則得拉近到八十二公尺左右的距離才看得出來，鬣狗更是要到四十五公尺左右的距離才看得清楚。一旦到了掠食者最常打獵的黃昏或清晨時分，牠們則得再拉近約莫一半的距離才能看見斑馬身上的紋路。

所以梅林的想法沒錯：斑馬身上的條紋不可能是牠們用來匿蹤的保護色，因為掠食者都得靠得很近才看得到這些紋路，然而假如真的距離這麼近，這些天生的獵人早就聽見或聞到斑馬的蹤跡了，實在無需仰賴視力。在肉食動物與斑馬平時間隔的距離之下，這些紋路其實根本都融成了一片灰濛濛的顏色；對正在打獵的獅子來說，斑馬看起來跟驢子其實也沒什麼不同。

人類其實視力超好的？

動物的視覺敏銳度以單位視角週期數（cycles per degree）為測量單位——這個概念剛好可以用剛剛的斑馬條紋來做例子。各位伸出手臂並豎起大拇指，你的指甲大約可以代表一單位視角；以你的手臂為距並涵蓋四周三百六十度的距離範圍來說，各位應該可以在指甲上畫了六十至七十條黑白條紋的情況下，依然辨識得出黑白條紋之間的區別。因此人類視覺敏銳度的單位視角週期數便約為六十至七十；目前的最高紀錄是來自澳洲的楔尾鵰（Aquila audax），牠們的視覺敏銳度之高，單位視角週期數高達一百三十八。

楔尾鵰擁有動物世界中最細的光受體，這也使牠們的視網膜裡可以密密麻麻地塞滿大量光受體；有了這些細窄的感光細胞，楔尾鵰敏銳視力的畫素大約是人類的兩倍，也因此可以在大約一點六公里之外的距離看見小小一隻大鼠。

然而老鷹和其他猛禽卻是少數視覺比人類敏銳得多的物種。感官生物學家愛倫諾．凱福斯（Eleanor Caves）搜羅了上百種動物的視覺敏銳度，發現人類的視力幾乎超越了所有物種。除了猛禽以外，就只有其他靈長類動物的視覺敏銳度能與我們比肩了。

各種動物的視覺敏銳度以單位視角週期數表示如下：章魚為四十六、長頸鹿為二十七、馬為二十五、獵豹為二十三，視力表現還算不錯；而獅子卻只有十三，僅略高於人類法律中定義為全盲的單位視角週期數：十。然而其實除了上述物種之外，大部分動物的視覺敏銳度都低於人類視為全盲的門檻，其中包括半數的鳥類（令人意外的是，蜂鳥和倉鴞都在此行列之中），大部分的魚類與所有昆蟲；例如蜜蜂的單位視角週期數竟只有一，這也就表示你伸出去的那隻大拇指在蜜蜂眼裡就代表著一個畫素，至於拇指上畫的其餘細節在牠們眼中都是一團模糊。另外還約有百分之九十八的昆蟲視力比這還要更弱。

凱福斯說：「人類真的很怪。我們的其他任何感覺根本連摸都摸不到可以稱為頂尖的邊，卻唯獨在視覺敏銳度上傲視群雄。」矛盾的是，人類雖有優良的視力，卻也因此失去了能夠欣賞其他環境界的視野，因為「我們以為自己看得到的，其他物種一定也能看見；認為那些對人類來說顯而易見顯眼的事物，對其他動物來說也一定難以忽視。但實際上卻並非如此。」凱福斯如此說道。

——本文摘自《五感之外的世界》，2023 年 8 月，臉譜出版，未經同意請勿轉載。

人類天生可以連結視覺與觸覺經驗

這組研究團隊，是由法國的發展心理學家阿萊特．史翠麗（Arlette Streri）所領導。史翠麗的實驗室特色，就是使用嬰兒進行認知研究。值得注意的是，她們研究的不是一般的嬰兒，而是剛出生僅僅數十個小時的「極新」嬰兒。至於為什麼要使用這麼小的嬰兒，讀者應該也已經猜到原因：因為嬰兒的學習能力又強又快，只要一接觸這個世界，嬰兒的學習就已經開始。所以如果要回答涉及先天或後天的爭議問題，自然是使用愈小的嬰兒愈好。

為了回答莫里內的問題，史翠麗找來了二十四位出生不到五天的小嬰兒，她想知道，小嬰兒在僅透過觸覺感受過某物體的形狀後，能不能改用視覺辨識出同一個形狀的物體。她在實驗中，讓小嬰兒用右手抓握物體（並確保小嬰兒看不到該物體），其中有些小嬰兒抓握的是一個三角形的物體，另一些小嬰兒則是抓握一個圓柱形的物體。在抓握物體後，小嬰兒的眼前會出現兩個物體（一個三角形物體和一個圓柱形物體；其中一個是剛剛抓握過的物體，另一個是不曾抓握過的物體）。結果發現，小嬰兒對於不曾抓握過的物體，會有較久的凝視時間（Streri and Gentaz, 2003）。

這項發現，看似給了莫里內問題的正方經驗論者一記重擊，因為實驗結果發現，小嬰兒在出生後短短五天內，好像就能將眼前的視覺形狀和抓握時的觸覺形狀連結在一起。而且嬰兒的這項能力，似乎不是透過學習而來，因為在嬰兒剛出生的這五天內，幾乎不可能摸過和看過實驗中所使用的三角形和圓柱形物體。

然而，這項結果仍然有人不服。比方說，經驗論者可以提出質疑：雖然嬰兒在出生後的五天內可能沒有看過三角形與圓柱形物體，但是他們可能已經透過其他方式學到了觸覺與視覺之間的局部緊密關聯性。例如嬰兒在剛出生時，就會不斷的揮手踢腳，他們不但可以看到自己的手部形狀（張掌或握拳），也可以透過觸覺去感受自己的手指、拳頭和指甲的形狀和感觸。這些基本的視覺與觸覺感受，可能就足以讓小嬰兒學習到尖銳與圓滑物體之間的視覺與觸覺差異，並因此導致上述的實驗結果。若真是如此，那麼這項實驗結果就無法拿來回應莫里內的問題，因為小嬰兒可能早在實驗前就已經學到觸覺與視覺之間的關聯性了。

天生盲人恢復視力後的視覺認知狀態

由於史翠麗的實驗仍有瑕疵，因此無法對莫里內的問題給出一槌定讞的結論。不過在二○一○年左右，另一項契機開始逐漸浮現，而其中的主角，就是麻省理工學院的帕萬．辛哈教授（Pawan Sinha）。

辛哈是美籍印度裔的知名視覺神經科學家，是我相當敬重的一位視覺科學前輩。他的實驗室，就位於我當年在麻省理工學院研究空間的隔壁，我也因此常有機會聽到辛哈和他的實驗室同仁談及研究計畫和成果。辛哈早年的研究主題，著重於人類大腦如何透過視覺進行學習，他在一九九九年剛到達麻省理工學院的腦與認知科學系任教時，仍不太確定自己該如何做出突破性的研究，但是在一次回印度探親的旅程中，他發現了一個可以同時在科學與社會福祉都有所貢獻的研究機會。

在印度，每一百個人中就有一位是盲人，而且印度孩童的失明比例還比西方國家高出三倍，其中很多孩童是先天性白內障，因為偏鄉缺乏醫療資源而導致失明。這些失明的孩童，一般都會經歷痛苦的人生。根據統計，印度失明孩童的受教育和受雇機率不到一○％，平均壽命也比一般孩童要少十五年，孩童時期的死亡率更是超過五○％。

在明白印度失明孩童的困境後，辛哈立下一個心願，他想透過自己的研究計畫來幫助這些孩子，並且同時進行有意義的科學實驗。就在這樣的背景下，他開始推動「光明」（Prakash）計畫，希望能在印度各地找出先天性白內障的孩童，幫他們免費進行白內障切除手術，然後同時研究他們恢復視覺後的認知與大腦變化。而辛哈的義舉，也讓爭論長達三百多年的莫里內思想實驗，出現了近乎完美的真實實驗契機：讓看不見的盲人恢復視力，然後檢視其視覺認知狀態，這不正是莫里內問題的初衷嗎？

——本文摘自《為何三歲開始說謊？》，2023 年 7 月，親子天下出版，未經同意請勿轉載。