「難道，真的回不去了嗎？」「沒錯，真的回不去了…….」
塞車是春節返鄉的遊子們不得不面對的嚴峻考驗，尤其當高速公路徹底化身為一個大停車場時，更是令人絕望到想砸車窗。
究竟塞車是怎麼發生的？
______________________________
想了解更多塞車的科學？你需要看這三篇：
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？
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。
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：
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：
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 可分成兩種：
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。
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。」
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
。
討論功能關閉中。
每到年節時期，不管返鄉或是出遊，用路人最討厭遇到的就是塞車，漫長的等待、讓人踩剎車踩到腳痛的行車速度，抑或是被汽車廢煙包圍的感覺，本是愉悅心情恐怕都大打折扣。你也是恨不得讓「塞車」這個詞消失在這世界上的人嗎？自動駕駛或許能幫你達成心願喔～感到好奇的話，那就繼續看下去吧！
試想，人類與機器人在駕駛汽車時，要維持車與車之間等速前進，誰會 hold 得最好呢？答案很明顯是……機器人！為什麼呢？關鍵就在於「人類的反應速度」，反應速度因人而異：當老（手）司機在開車時，他們能夠對於哪時候該踩剎車、油門的反應速度快，因此不會因誤判與前車之間的距離，而落下一大段「空白車距」；然而菜鳥司機就不一樣了，他們反應速度沒有老（手）司機快，所以在看到前方車輛時，因無法正確判斷哪時候踩剎車最恰當，加上基於安全意識都會先減慢避免 A 到前車為第一反應，「空白車距」自然就出現了～而後方的車輛們會因為這位菜鳥司機（老鼠屎）的行車速度減慢而開始擠成一團，造成塞車。
相反地，當機器人在行車時，因為他們的動作程序一致，因此能穩穩地維持等速行駛。這也就是為何現今車廠想推出自動駕駛車（以下簡稱「自駕車」）的原因之一。自動駕駛真有那麼神嗎？讓我們來一一剖析它吧！
延伸閱讀：連假無法逃離宿命！為什麼會塞車呢？
自動駕駛，顧名思義就是讓車子在無人為操作的情況下，將行車速度與控制車間距離等原本需要手動操控車子行進的動作轉為自動化，以減輕駕駛人的行車負擔。
自動駕駛可是也有分級制度的！國際汽車工程師協會 （Society of Automotive Engineers, SAE） 依據汽車的自動化程度分為以下級別：
時至 2020 年末，汽車業的自動駕駛即將發展至第四級，第五級則是各企業競相達成的最終目標。
參考資料：自駕車發展趨勢與關鍵技術
自駕車本身雖能達到自動辨識路口標誌及安全煞停系統，但它就像一個好的食材，需要透過精湛的廚藝及調料的輔助才能發揮它最完美的風味，而輔助自駕車的便是「車聯網」。究竟什麼是「車聯網」？自駕車與車聯網的搭配真的能解決塞車嗎？就讓台大資工系的林忠緯教授來幫大家解惑吧！
林忠緯教授小檔案：
林忠緯教授在博班時期的研究題目即是關於 Cyber-Physical System（CPS）的研究，而 CPS 簡單來說是指能夠執行物理層面上動作的電子產品，例如車子（能在路上行走）、心律調節器（能放電控制心律）都屬於 CPS。林教授在博班的研究即是關於車子的 CPS，也曾在美國通用汽車（General Motors）實習，畢業後持續拓展自己所長，進入加州矽谷的豐田汽車（Toyota InfoTechnology Center）擔任研究員。林教授熟知自駕車與車聯網的研究，自身也致力於自駕車、車聯網與資安問題的研究，並開心表示對於未來 28 年後自駕車的展望懷抱深深的期許。
林教授認為自駕車結合車聯網勢必能解決部分層面的塞車問題，也能避免酒駕、恍神、視線死角等人為意外肇事的發生比率，但在現實生活要自駕車能實際放在道路上跑，現階段仍面臨重重難關。
當我們檢視塞車問題的視野再拉遠一點，除了自駕車及車聯網以外，教授也慷慨地分享了以下管道解決塞車問題：
雖然現階段自駕車要完全解決塞車問題仍需經時間歷練，但相信透過林忠緯教授及眾多研發單位的辛勤貢獻，大家在春節期間能夠利用自駕車與車聯網享受更加順暢、迅速的行車體驗，而不再受塞車之苦的日子指日可待!新春期間，也祝大家行車平安，旅途別塞！
「 2000 年受臺大財金系合聘之邀，我開了一門『財務統計』課程。當時股市正值科技泡沫，我很好奇為什麼會有這個現象，加上受到財金系同事和學生的耳濡目染，漸漸覺得財務的『實證研究』蠻有趣，就一直研究到現在……」
研究室位於中研院統計所的迴廊深處，何淮中像個隱士般。置身股市戰線之外，以嚴謹的統計模型、歷史的股市資料，驗證股票市場的理性與不理性。
但 2017 年獲得諾貝爾經濟學獎的 Richard H. Thaler ，曾經做一個有趣的實驗，闡述另一位諾貝爾經濟學獎得主 Herbert Simon 所提的「有限理性」（bounded rationality），證明人沒有辦法完全理性。
Richard H. Thaler 在 1997 年 5 月於《金融時報》（Financial Times）刊登一則活動廣告，希望大家來報名參加 “pick a number game” ，大獎是英國航空往返倫敦與紐約/芝加哥的機票。玩法很簡單，只要玩家在 1~100 中選一個整數寫在信中、寄回主辦單位，截止後將所有收到的數字蒐集起來「取平均數、再乘以三分之二 」 ，最靠近這個數字的玩家，就是贏家。
假設 5 個人參加比賽，他們選擇 10，20， 30， 40 和 50 ，在此情況下，平均數是 30，而 30 的三分之二是 20 ，因此最初選擇 20 的玩家是勝利者。
這遊戲的隱含意義是──人們的預期心理、有限的理性。
若按照「市場是理性」假說，所有玩家應該會預期別人選擇什麼數字、並取平均數再乘以三分之二；然後又預期別人應該也會這麼做，又再取平均數再乘以三分之二……；經過這樣的循環，直到最後每個人都會選擇 1。
但無論是 1997 年《金融時報》這次、或我在各場合玩這個遊戲，都發現理性是有限的，人們一開始只會猜測別人的答案兩到三次循環，然後就選一個直覺大概沒錯的數字。
不同市場群體，會理性到什麼程度，我們可能不知道，就需要蒐集資料、根據統計來估計，這就是統計的重要性。
但其實台股的「菜籃族」常常搞不清楚股票上漲或下跌的原因，聽聞小道消息就跟風「追高殺低」，導致損失慘重。其實這背後有「動能效應」可以解釋，1993 年由 Jegadeesh and Titman 提出，指的是股票報酬率有持續性的現象，強者恆強、弱者恆弱。
投資人會有預期心理，預期心理又受到小道消息影響。由於小道消息的資訊傳遞像漣漪一層層擴散出去，因此股價在一定期間內呈現漲繼續漲、跌繼續跌，好像有個「動能」在持續推高或拉低股價。
動能投資策略，就是運用這種現象來規劃投資組合：買進贏家股票（漲繼續漲）、搭配賣出輸家股票（跌繼續跌）。
然而，2000 年之後的股票市場，這種動能效應似乎消失了。有些人認為是因為大家都知道這種賺錢方法，有些人認為是時機不對。但我們認為動能效應應該還存在，只是被一些「雜訊」給掩蓋，所以就撈出 1930 年 1 月到 2010 年 12 月的美國股市資料，和學生一起設計我們的「WL-LH 動能投資策略」做實證研究。
其實這與過往的動能投資策略差不多，差別在於，我們透過美股歷史資料分析，於投資策略中刪掉一些「雜訊」：「漲幅被高估」的贏家股票，也就是動能燃料已經燒完、會開始下跌；還有「跌幅被高估」的輸家股票，因為超跌、未來會再漲回來。這兩者分別代表投資人對於市場中好與壞的資訊，呈「過度反應」的現象。
困難的是，如何判定漲幅或跌幅是否被高估？我們從「資訊擴散」的角度出發，提出一個資產價格模型。然後藉由價格模型，設計一個價格風險指標，有效地篩選掉超漲或超跌的股票，從而驗證了市場的預期心理和動能效應，也同時說明市場的不效率性。
其中相關的統計模型算式，通常大家看了就頭痛，這裡先不贅述，有興趣的朋友請直接看看我們的論文。
從 1930 年 1 月的資料開始，我們先看過去一年的累計複利報酬、排序，買表現好的股票、賣表現壞的股票，一個月後檢視這樣的投資組合的報酬率。因為資料時序已經移動一個月，所以我們再從新的一個月回頭看過去一年的累積複利報酬、排序，再進行一次剛剛說的投資。
最後把累計複利報酬取平均值，例如下圖的 2000 – 2010 年資料所示。其中可看到， 2000 年以後的動能效應，原本大家認為已經消失了，但經由我們的 WL-LH 投資策略挖掘，失而復得，動能投資策略的獲利空間仍然存在。
我們對這個詮釋抱持懷疑，所以我們試著將 WL-LH 投資策略，套用至不同國家股市的歷史資料（1990-2014 年）驗證，發現只要去掉「雜訊」──上漲動能燃料已燒完的股票、以及超跌的股票，無論是美國、歐洲、日本、印度等 21 個國家，都能看見動能效應，比率接近九成。
換言之，因為人們投資行為的偏誤，例如貪婪追高股價、恐懼在低點持股，而導致市場的不效率性，是超越地域、族群而存在的共通現象。
但是台股比較特別，在 WL-LH 策略下，仍看不到動能效應。
在台股歷史資料（1990-2014 年）中，刪掉漲幅「被高估」的贏家股票、跌幅「被高估」的輸家股票後，並未找到動能效應。我們的推斷認為，台股投資人普遍容易過度預期，以及股票交易周轉率較高，可能是主要的原因。兩者都影響了模型預測「資訊擴散程度」的準確性。
由機率跨入統計，是很自然的。兩者都是處理「不確定性」的方法體系，密不可分。
我的研究，包括前面提到市場效率性的課題，「機率」與「統計」兼而有之。透過資料分析，可以證實股市有一定程度的不效率性，也有獲利的空間。但投資仍有風險，不會因為這些研究發現就產生過度自信，所以我老婆和我還是存定存、買共同基金。再說，她的錢我也管不了呀。
本著作由研之有物製作，原文為《行情總是在希望中毀滅？ 專訪何淮中》以創用CC 姓名標示–非商業性–禁止改作 4.0 國際 授權條款釋出。
本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位
狐禪
