烏鴉製作工具的畫面首次曝光

• 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。

認知功能與新皮質

人類優越的認知功能，是我們與我們的靈長類親戚最大的差別。我們的視覺和聽覺能力與猴子相似，但只有人類會使用複雜的語言，製造複雜的工具如電腦，以及能夠探討演化、遺傳和民主之類的概念。

弗農・蒙卡索（Vernon Mountcastle）認為，新皮質中每一個皮質柱都執行相同的基本功能。果真如此，在某個基本層面上，語言和其他高階認知能力，與視覺、觸覺和聽覺能力是一樣的。這不是顯而易見的事，閱讀莎士比亞的著作與拿起一個咖啡杯看來並不相似，但根據蒙卡索的想法，兩者基本上是同一回事。

蒙卡索知道皮質柱並不完全相同，例如從手指獲得輸入的皮質柱，與理解語言的皮質柱有物質上的差異，但兩者相似之處多過差異。蒙卡索因此推斷，一定有某種基本功能支撐新皮質所做的一切——並非僅限於感知，還包括我們視為屬於智能的所有能力。

視覺、觸覺、語言、哲學之類的不同能力本質上相同，這樣的想法是許多人難以接受的。至於這背後的共同功能是什麼，蒙卡索沒有提出他的想法，而答案實際上也很難想像，人們因此很容易忽視他的理論或直接否定。

例如語言學家就經常把語言說成與所有其他認知能力不同；如果他們接受蒙卡索的想法，他們可能會尋找語言與視覺能力的共同點，以便更好地認識語言。對我來說，蒙卡索的想法令人興奮到不容忽視，而我發現，實證證據壓倒性地支持這個想法。

我們因此面對一道引人入勝的謎題：什麼樣的功能或演算法，可以創造出人類智能的所有方面？

我們如何處理對抽象事物的認知？

到這裡為止，我陳述了一個理論，說明皮質柱如何習得實物——例如咖啡杯、椅子、智慧型手機——的模型。這個理論說，皮質柱為每一個觀察到的物體創建參考框架。如前所述，參考框架就像一個無形的三維網格，圍繞著一個物體並附在它上面。參考框架使皮質柱得以習得物體各個特徵的位置，這些特徵界定了物體的形狀。

較抽象而言，我們可以視參考框架為組織任何類型的知識的一種方式。咖啡杯的參考框架對應一件我們看得見、摸得到的實物，但參考框架也可以用來組織關於我們無法直接感知的事物的知識。

想想那些你知道但不曾直接感知的事物，例如你如果學過遺傳學，會知道 DNA 分子是怎樣的。你可以想像它們的雙螺旋形狀，你知道它們如何利用核苷酸的 ATCG 鹼基為氨基酸序列編碼，你知道 DNA 分子如何解旋複製。

當然，從來沒有人曾直接看到或觸摸過 DNA 分子，我們做不到，因為它們太小了。為了組織我們關於 DNA 分子的知識，我們製作圖片，就像我們可以看到那樣，也製作模型，就像我們可以觸摸那樣。我們因此得以利用參考框架儲存關於 DNA 分子的知識，就像我們利用參考框架儲存關於咖啡杯的知識那樣。

概念知識的認知，同樣使用參考框架

我們利用這種方式處理我們知道的許多東西，例如我們對光子有很多認識，對銀河系也有很多認識。我們同樣把這些事物想成彷彿看得見、摸得到的東西，因此可以利用我們用在日常實物上的那種參考框架機制，組織我們所知道的關於這些事物的事實。

人類的知識也延伸到無法視覺化的事物上，例如關於民主、人權、數學等概念的知識。我們知道關於這些概念的許多事實，但無法利用類似三維物體的東西組織這些事實——你無法輕易想出一個圖像來代表民主這個概念。

概念知識必須有某種形式的組織，民主和數學之類的概念並非只是一堆事實，我們可以加以思考並作出推論，預測我們採取某種行動時將發生什麼事。我們做這種事的能力告訴我們，概念知識必須也是儲存在參考框架中，但這些參考框架可能不容易等同於我們用在咖啡杯和其他實物上的參考框架。

例如，對某些概念最有用的參考框架可能有三個以上的維度，我們無法將超過三個維度的空間視覺化，但站在數學的角度，它們的原理與三維或較少維度的空間相同。

——本文摘自《千腦智能新理論》，2023 年 5 月，星出版出版，未經同意請勿轉載。

只要說到烏鴉，好像就會有非常強烈的「可怕」、「會攻擊人」的印象。但是「明明就沒做什麼，卻突然攻擊」的例子其實極為罕見。真的伴隨著身體接觸的「攻擊」也是不常見的。因為這類的攻擊而受傷的事情也很少聽說。反而是因慌亂而摔倒才比較危險。

烏鴉想要保護雛鳥

首先，烏鴉對人類採取敵對態度的，只有在保護雛鳥的時期而已。這一點請千萬不要忘記。雖然牠們若是在覓食的時候被打擾的話，可能會發出不開心的叫聲，不過並不會展開攻擊。從烏鴉的眼中看來，人類是既大又可怕的。

烏鴉對於望向巢或看雛鳥的視線非常敏感。由於在野生動物的世界中，並沒有像賞鳥者或是研究者般的奇怪傢伙，所以只要緊盯著巢一直看的，通常都是「想要對巢下手的敵人」。何況是盯著離巢幼鳥看，或是接近離巢幼鳥的話，就確實會認定成「我的孩子有危險了」。

被烏鴉「攻擊」的例子中最多的，是當離巢幼鳥站在低矮樹枝或是地面上的時候。剛離巢的幼鳥雖然會拍動翅膀但是卻不能飛（只能說是往下掉的時間花得比較久，卻沒辦法到比原先位置要高的地方去），所以在動來動去的時候，位置就會逐漸降低。

假如是在森林中的話，半路上會有許多樹枝，總是能夠抓住某處停在比較高的地方；但是假如是在像行道樹那樣孤立的樹的話就停不住，多半會掉到地面上來。這樣一來，親鳥就會為了要保護幼鳥而留在附近，對接近過來的對方一一加以威嚇，發出警告「不要靠近我的小孩」。

在澀谷實際發生過的一個悲劇，是烏鴉在天橋旁邊的行道樹上築巢，巢的高度跟天橋的高度剛好差不多。雖然行經天橋的行人完全沒有注意到巢的存在，但是對烏鴉來說，似乎就變成「好多人特地爬上樓梯來看我的小孩」。

光是經過也還算了，但是有人完全基於偶然而以巢為背景來拍紀念照片，讓烏鴉氣瘋了，所以不只那個拍照的人而已，有好幾分鐘，烏鴉都對著經過的行人進行威嚇。那應該是「我已經受不了了，不管是你還是他，統統給我滾出去！」的狀態了吧。

因為如此，會發生烏鴉攻擊人類事件的時機，是在幼鳥離巢的季節，也就是集中在五月到六月之間。受害報告的統計也是如此。　　

話說回來，烏鴉在威嚇、攻擊時的順序究竟是怎樣的呢？假如知道的話，應該就不再會認為烏鴉是「突然」攻擊過來了吧。

烏鴉生氣時叫聲的變化

首先，烏鴉會先以聲音進行威嚇。可能會有人認為牠們平時就在KaAKaA 叫個不停，應該無法區別；不過牠們要是平時的叫聲是「KaA、KaA」的話，在這時候的叫聲就會變成很激烈的「KaAKaAKaAKaA ！」。是不停反覆的快速連續叫聲，而且每一聲的音量都很大。只不過在這個階段時還不需要害怕。那不是對你叫，通常是在對經過那附近的別隻烏鴉叫。

但是假如烏鴉很明顯的是朝著自己的方向叫、跟在後面過來、到低的地方來的話，就表示你被烏鴉盯上了，也就是「那裡的那個人，就是你啦」的被指名狀態。假如牠的叫聲是沙啞的「GaRaRaRaRa……」，就表示牠相當生氣。有時還會聽到像「KoRa ∼！」般的叫聲（附帶一提的是，白頰山雀的威嚇聲聽起來是「AcChi ∼ IKe」，也就是感覺起來好像在說「A-Chi-I-Ke」）。

當叫了半天也沒有效的時候，烏鴉會開始用喙部敲擊牠停棲的樹枝。以人類來打比方的話，就像是在抖腳抖個不停，或是很神經質的用指頭敲打桌子的那種感覺。有時候還會把那附近的樹枝或葉子給撕扯下來。

翻譯牠的意思，就會是「老子已經叫你滾開了，你還沒聽見嗎，白癡」。此外，牠把小樹枝撕扯下來的行為有時會被媒體寫成是對準人類「爆炸攻擊」，不過牠們真的只是由於很不高興的在亂丟，即使有打到人也純粹只是偶然而已。

——本文摘自《都市裡的動物行為學：烏鴉的教科書》，2023 年 1 月，貓頭鷹出版，未經同意請勿轉載。