我們怎麼會想要挖鼻孔？

• 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。

令人不悅的氣味

許多氣味對於人類的鼻子來說存在既有的價值、感情價（valence，或稱快樂調性﹝hedonic tone﹞）。我的好友諾安．索貝爾（Noam Sobel）是以色列魏茲曼科學研究所（Weizmann Institute of Science）的知名神經科學家，他嘗試找出人類分類氣味的方式，以及各類別氣味分子的化學性質，然而他找到唯一的重要參數就是所謂的快樂調性——也就是氣味本身聞起來是香是臭，令人開心或不悅。

氣味分辨實驗：關鍵竟是「快樂感」！

索貝爾和他在魏茲曼的研究團隊與加州大學（University of California）神經科學研究所及心理學系的科學家攜手合作，進行一項複雜的實驗，探究人類嗅覺是根據哪些原則將氣味分門別類。

他們先請一百五十位香水及氣味專家，根據一百四十六種性質評斷一百六十種氣味分子的特質；這些性質分類當中包括了「甜香」、「煙燻味」、「霉味」等等。研究團隊接著分析這些資料，找出最能夠分別不同氣味的單一要素，發現最重要的分辨關鍵還是快樂調性——氣味讓人感受愉快的程度。

氣味有各式各樣的調性，從好聞的「甜美」、「馥郁」到難聞的「腐壞」、「令人作嘔」都有。研究人員接著針對各種化學物質進行同樣的統計分析，將每個化學物質當中超過一千五百種的性質都納入考量，分析出來的結果依然顯示快樂調性是判別關鍵。

因此研究人員認為，我們可以單靠氣味的分子結構來判斷某種氣味對人類來說好不好聞。

分辨氣味好壞：「大腦偏好」還是「化學特性」？

耐人尋味的是，這項實驗也表明，人類鼻子裡的氣味受體往往是根據氣味令人愉悅與否來分門別類並做出反應。這並不意味著不同的文化背景或生命體驗不會影響我們對氣味的感受或是嗅覺細胞組織的方式，但人類對於最令人愉悅或討厭的味道類型的確有共通感受。

諾安對這項實驗做出以下結論：

「我們的研究結果發現，人類對氣味的感受至少有一部分是根植於大腦、與生俱來的偏好。即便不同個體之間對於氣味的感受確實存在某些彈性，也絕對會受到個人生命經驗影響，但人類判斷氣味宜人與否的絕大部分因素還是來自於氣味本身在物理世界呈現的性質。因此我們可以運用對化學物質的理解，預測某種新物質的氣味會為人類帶來何種感受。」

值得注意的是，許多研究都指出年幼孩童不像大人會明確分別氣味是令人愉悅還是作噁；他們會表達氣味是強烈或微弱，但通常不會直接分別氣味的好壞。

並非人人都是「好鼻師」！

整體來說，我們很難用快樂調性以外的標準來分類氣味，並且對大多數人而言，用大家都能夠理解的詞彙來描述氣味實在十分困難。正因為理解了這點，魏茲曼研究團隊將研究焦點轉為嘗試預測某種分子結構的氣味會與哪些形容詞彙連結在一起；不再只關注氣味聞起來「如何」，而是嘗試預測兩種不同氣味帶來的感受會相似還是不同。他們也因此能夠根據氣味混合物的分子結構，運用固定的評分邏輯來分類任何兩種不同的氣味，藉此反映出氣味之間的相似性。

魏茲曼研究團隊表示，這項研究結果能夠成為氣味數位化的基礎，但還需要更多時間才能知道這個研究方向能否引領他們更接近氣味數位化的遠大目標。再者，如果想要迎接未來全面數位化的夢想，還有一大挑戰——人類極不擅長分辨並指稱氣味。

——本文摘自《你聞到了嗎？：從人類、動植物到機器，看嗅覺與氣味如何影響生物的愛恨、生死與演化》，2023 年 1 月，臉譜出版，未經同意請勿轉載。

一千年來氣味景觀發生了很大的變化

走在一千年前的路上，你的感官體驗大概會跟在現代的感覺大不相同。看看西元 1021 年的周遭世界，你舉目所及沒有汽車、飛機或船隻，甚至（以今日的眼光來看）連像樣的道路都沒有。

過去的世界無疑比今日的世界安靜許多，或許根本可以說是寂靜無聲也不一定。然而這些都是聽覺與視覺的感受，那麼嗅覺呢？

嗅覺也分為許多層面。

一千年前的人類以及整個環境的氣味與今日是否有所不同？甚至是與一百年前相比，是不是就已經不一樣了呢？

我們周遭的氣味在這段時間以來，究竟有哪些改變？而我們人類又對氣味景觀（smellscape）——也就是你我四周那龐雜交錯的各種氣味所構成的景觀——產生了哪些影響？

我們自己的氣味與對氣味的感知是否有所改變？人類的各種行為是否影響了我們的嗅覺能力呢？是什麼導致了人類與動物產生這些變化？

人類帶來了新氣味！

首先，1021 年的你絕對不會聞到汽車廢氣或是汙水處理廠傳出的臭味，也不會有撲鼻而來的合成氣味，例如：香水、除臭劑以及新車的味道，自然環境聞起來可能也大不相同。

自從人類開始在地球的每一個角落殖民以來，我們就開始想方設法改變、操控、開發地球環境。隨便舉幾項好了：我們砍伐樹木、種植糧食作物，導致許多植物與動物滅絕，使世界邁入工業化社會。

這個因人類活動產生劇烈變化的全新地質年代，通常被稱為人類世。

人類世確切的起點仍有爭議，有些人主張這段時期是從一萬至一萬五千年前的農業革命開始；也有人認為是在二次世界大戰後，一個由核子試驗、1950 年後的「大加速」（The Great Acceleretion）及其伴隨的社會經濟、氣候鉅變所定義的時期。

無論選擇哪一個尺度來定義人類世，人類無疑對地球的整體環境產生了巨大的影響，改變了我們與所有動物呼吸的每一口空氣，以及每一次呼吸裡所蘊含的每一個物質分子。

大自然的氣味變了？

我們先來談談自然界的氣味，以及這些氣味可能是如何改變的吧。

一千年前，大自然還未受到人類的劇烈影響，各種植物與動物在原野與森林裡共存，到處都是怒放的野花，松樹、杉樹與各種落葉木錯落生長；當時自然界的大主題就是——物種多樣性。

隨著時序推進，人類開始砍伐、焚燒森林，將原本野花繁盛、綠草如茵的原野都變成了農田。這些舉措讓人類的版圖開始大肆擴張、繁衍，同時也劇烈改變了周遭的氣味景觀。

一改過去物種繁多、交雜錯落的林相，我們開始大面積種植單一樹種，環境的氣味也因此開始變得單一。就以現代樹種單一的杉樹林與樹種多元的古老森林相比好了，如果各位有機會走進森林就可以聞聞氣味、好好比較，這兩種林相的氣味是否有所差異。

在田野之間，物種單一化的改變同時發生；以往存在各式各樣物種的土地，都變成了種植單一作物的農田。

美國的大草原變成看不到盡頭的玉米田和麥田，歐洲的草地也同樣消失在我們的視線之中。就在我們沉浸於四周所謂的自然氣息時，氣味景觀卻早已大不相同。怎麼會這樣？

——本文摘自《你聞到了嗎？：從人類、動植物到機器，看嗅覺與氣味如何影響生物的愛恨、生死與演化》，2023 年 1 月，臉譜出版，未經同意請勿轉載。