《KANO》的逆境催甜術，用在蓮霧更有效！

• 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。

112 會考甫結束，自然考科中有題非常令人印象深刻……。

原來我們吃的草莓不是以為的「果實」，那個紅紅的果肉是其實是草莓的花托，而上面黑色的點點也不是「種子」，而是果實本人！至於真正的種子呢？當然是在那些黑黑的果實裡啦～

這似乎顛覆我們的印象，以為日常生活中所吃的水果果肉就是植物的果實，究竟這當中又藏著什麼奧秘呢？若想進一步完整理解草莓，就得從果實的構造及分類說起。

果實為被子植物的生殖器官之一，當雌蕊中的胚珠完成受精作用後，子房便逐漸發育為果實，胚珠則發育成種子。有些植物的花托、苞片、花萼等構造會與子房外壁癒合，並隨之生長而膨大，成為果實的一部分；例如這次的主角——草莓。

接著我們談談果實的分類。可依據發育、構造、型態的不同，分為：橘子的「柑果」、水蜜桃為「核果」、杏仁屬於「堅果」等等，至於草莓則被歸類在「瘦果」及「聚合果」。

現在我們要先將草莓紅紅的果肉剔除，只剩下單獨一粒粒黑黑小小的果實。「瘦果」（achene）顧名思義，型態硬而細小，其內僅有一粒種子，除了草莓外，常見的如愛玉子、向日葵的瓜子。

屬於「聚合果」（又稱「聚心皮果」，為複合果實的一種）的植物則是一朵花中有多個（兩個以上）離生的雌蕊，花的萼片（花萼）、花托一同參與了果實的發育，最終膨大癒合形成肉質果肉；另外，其果實被分類在聚合果的植物，常見的有釋迦、覆盆莓。

其實除了草莓還有許多我們意想不到，所吃的水果果肉並非單單只有果實本人，例如鳳梨、桑葚、香蕉、無花果……等等；它們也都和草莓一樣，由於果實發育的方式，所造就了如此特別、豐富型態，等著我們一一去認識！

• 作者 / 多明尼克．侯柯  (Dominique Roques)
• 譯者 / 韓書妍

「這裡有果實、花朵、樹葉和枝頭」，魏爾倫 (Paul Verlaine) 著名詩篇的第一句話便說得如此動聽，同時也開啟琳琅滿目的香水天然原料名冊。讓我在此為這首詩補充一下其他原料：根部、樹皮、木頭、地衣、嫩芽、漿果、香脂和樹脂，形形色色的植物世界，就是創造出香水的精華與萃取物的寶庫。

在十九世紀的香氣分子化學問世前，三千年來，天然材料曾是製作香水的唯一原料。即使這些天然原料現在都成了高級的奢侈品，調香師對這些香氣的喜愛仍堅定不移。這些芳香原料在製程中的香氣豐盈且富層次，而某些原料本身，就已經是香水。

香水配方在我們的肌膚上蒸發前的瞬息間，足以訴說由多種原料交織而成的故事：有些關於製造化學材料的實驗室，有些則和花朵、辛香料或樹脂等天然原料有關。無論是蒸餾或萃取，這些植物變成精油、原精或香脂，與合成分子一起加入香水成分中。品牌總會強調香水裡的天然香料，豐富的香氣使其成為真正香水中不可或缺的角色。

精油也有自己的歷史。它們集產地、地貌、土壤與氣候之大成，是在地紮根者或短期生活之人的產物。從過去到現在，香水產業仍需要香木伐木工，以取得雪松、沉香或檀香；採集者提供野生植物、杜松子、岩薔薇枝或零陵香豆；採脂工人採收樹液、樹脂、乳香、安息香或秘魯香脂；種植者提供花朵、葉片和根部，也有玫瑰、茉莉、岩蘭草和廣藿香；榨汁工提供柑橘、佛手柑和檸檬；運輸者和商人則接手過去阿拉伯沙漠商隊與連結印度洋和地中海的水手的工作。

最後是有「玫瑰淡香水大師」之稱的蒸餾者，他們在十七世紀時是精油的煉金術士，放到現代則是萃取師與化學家。他們是四散各地、各自為政的群體，有的在沙漠和森林中採集，有的則高舉鋤頭和拖拉機耕種。蒸餾者過去以祕密交易為主，現今已轉為透明化作業且對其產品的去向渾然不知，當中也有部份會帶著調香大師與頂尖品牌參觀農田。

這種多元化在無意中形成壯觀的歷史聚落，有如一塊織錦，一條條絲線引領薰衣草、玫瑰和乳香來到我們面前。香水的產製有著謎樣的過程與變幻莫測的來源，且有受保護、變遷、遺失又重新被發掘的傳統，而製香師的共同點，就是滋養人類對自然氣味永不止息的痴迷。一位馬達加斯加女性農民為一株香草授粉時，就像施展魔法；她必須重複這個動作無數次，香草莢才會誕生、成熟，並在採收與萃取後，在一小瓶香草原精中重現其細緻的香氣。

本書記錄的，是我在這三十年間，為尋找香料起源而浪跡天涯的過程。我不是化學家，亦非植物學家，由於向來鍾情樹木與植物，從商學院畢業後便投身香水產業。這趟旅程始於興趣和好奇心，後來成為一份熱情，三十年來我全心投入，為香水產業研究、尋找、購買精油，偶爾還得自行生產數十種香精呢。在玫瑰或廣藿香的田野間、委內瑞拉的森林，或是寮國的鄉村，是這些盛產香氣之地的人們傳授我關於氣味的一切。他們教導我聆聽打開瓶蓋時，精油和萃取物訴說的故事，令我得以成為今日所謂的「供應者」。

——本文摘自《香氣採集者：從薰衣草、香草到澳洲檀香與孟加拉沉香，法國香氛原料供應商走遍全球，發掘品牌背後成就迷人氣息的勞動者與風土面貌。》，2021 年 10 月，積木文化。