【人跟人之間的關係】
.
我覺得我之間寫到這一塊,可能沒闡述到太清楚,所以今天來補充一下。
.
一個人跟你之間的關係,永遠不是從外表帥不帥,漂不漂亮,年紀大小,或是跟你熟不熟來看的。我們真正要看的是「原廠設定」,或是看「劇本」的參數。
.
從「原廠設定」或是「劇本」(以下通稱原廠設定)的角度來解說,應該會比較簡單讓大家了解。
.
大家看一下「不可能的任務」電影系列,就知道主角一天到晚都被最親近的長官、朋友、機構背叛。為什麼會有這樣的設定呢?因為劇情需要,因為這樣的故事才刺激有去好看,才會有票房(電視劇的話就是這樣才會有收視率)。
.
而且呢,往往是讓你最想不到的人,尤其是親近的人,才有可能引發戲劇性的事件。當然這戲劇性可好可壞,但依照戲劇來說,通常越負面的事件,後續的可看性才會越高。
.
所以如果你「認為」你身邊跟你很要好的家人、朋友,都是你的「好」家人、「好」朋友,「貴人」的話,那你就要小心了。其實對方有很大的機會是你的凶星。
.
最近我身邊有位朋友因為癌症過世了,過世前兩週我才聽到我這位朋友跟我說,他媽媽總是會阻止他往身體健康的方向前進,每次都是害他做出錯誤的選擇。當然,我不是說他媽媽不愛他或是故意陷害他,只是她關心他的方式恰恰好都導致了最後這個不可逆的結果。
.
用比較現代的詞,凶星可以說是「帶賽王」或是「豬隊友」。身為你身旁凶星的那個人本身不一定會有那樣的意圖,甚至他真心誠意地為你著想,可是偏偏就是會把你帶到最糟糕的結果去。
.
「凶星」是我最近做量子轉化發現的一個現象,與之對應的是「幸運星」。這兩個相對應的力量(不管是幸運的力量或是破壞的力量),都遠遠凌駕過於之前我發現的「相欠債」、「功課」、「貴人/小人」。
.
「凶星」恐怖的地方是,即使一個人事物可以欠你,你是他的功課,他是你的貴人,但只要他是凶星,就足以讓你掰掰惹(不是說死亡啦,但是會讓你慘慘der)。
.
像我曾不小心下載一個雲端備份軟體,結果因為沒熟悉它同步的機制,導致我電腦上重要的資料幾乎全滅。當時我真是欲哭無淚啊,事後測了一下,原來這軟體是我的凶星啊。哭哭~
.
但你要說是這軟體故意陷害我的嗎?軟體沒有意識,哪會故意陷害人?所以這個解釋就只是因為它是我的凶星,所以它的原廠設定就是帶給我苦難的(當然包含了一開始拐我去下載它的美麗糖衣陷阱,否則我怎麼會上當?)
.
就好比故事情結中,一個人如果沒有取得你的信任,那後面又要怎樣背叛你?(請記得,是「劇情中的角色」依照劇本演出來背叛你,角色並沒有針對你。)
.
此外,我的凶星不代表就是你的凶星,你的幸運星也不代表就會是我的幸運星。這是一個高度量身訂做的劇本,每個人跟每個人之間的互動都會因為這個原廠設定的機制而有所不同。
.
人生是場戲,其隱藏在人與人互動背後的機制,可能是你從沒想過也沒想到的。從基本上這機制會讓你人生痛苦的機率很高(正所謂人生不如意之事十常八九),因為主角一帆風順的劇情,是不會有收視率的。
.
電影「口白人生」中,由達斯汀·霍夫曼飾演的文學專家—朱利斯·希柏特教授,告訴了主角哈洛如何從戲劇的角度來判斷人生是喜劇還是悲劇。因為主角有一位他心儀的女生,教授告訴他:「通常喜劇的開始是看似兩個互相討厭的人,最後甜蜜的在一起。」而當然主角在故事中也跟一開始看似討厭他的女生交往了。
.
你通常會以為要一開始看對眼的才是愛情喜劇,但通常不是你想的那樣。很多時候是一開始看似登對的兩人,最後都走上悲劇(看看身邊應該都有不少例子)。
.
另外也可以參考一下我之前寫過「難以獻上的祝福」這篇文章。豬隊友會出不少害慘你的爛點子,而很奇怪的,當下你也會覺得是好點子,等真的事情搞砸後,你才會有那種「啊,原來我真的遇到豬隊友了」的恍然大悟。更糟的是,你可能還不會覺得他們是豬隊友,你只是覺得自己時運不濟而已。不過其實這樣說也對啦,時運不濟才會遇到豬隊友啊。被賣了還幫別人數錢,凶星就是有這樣的特質。
.
最後,「凶星」和「幸運星」還在研究階段,因為凶星很危險,沒處理好會出很大的問題,目前我沒有對外做這個服務。所以請不要找我做這個。
.
#零通靈博士事件簿
#戲劇中沒有因果
#也沒有吸引力法則
#基本上我不認同吸引力法則的存在
#想知道身邊的人是凶星還是幸運星來問我比較快
#人事物都具備這些特質
#有問有平安
量子電腦例子 在 台灣物聯網實驗室 IOT Labs Facebook 的精選貼文
摩爾定律放緩 靠啥提升AI晶片運算力?
作者 : 黃燁鋒,EE Times China
2021-07-26
對於電子科技革命的即將終結的說法,一般認為即是指摩爾定律的終結——摩爾定律一旦無法延續,也就意味著資訊技術的整棟大樓建造都將出現停滯,那麼第三次科技革命也就正式結束了。這種聲音似乎是從十多年前就有的,但這波革命始終也沒有結束。AI技術本質上仍然是第三次科技革命的延續……
人工智慧(AI)的技術發展,被很多人形容為第四次科技革命。前三次科技革命,分別是蒸汽、電氣、資訊技術(電子科技)革命。彷彿這“第四次”有很多種說辭,比如有人說第四次科技革命是生物技術革命,還有人說是量子技術革命。但既然AI也是第四次科技革命之一的候選技術,而且作為資訊技術的組成部分,卻又獨立於資訊技術,即表示它有獨到之處。
電子科技革命的即將終結,一般認為即是指摩爾定律的終結——摩爾定律一旦無法延續,也就意味著資訊技術的整棟大樓建造都將出現停滯,那麼第三次科技革命也就正式結束了。這種聲音似乎是從十多年前就有,但這波革命始終也沒有結束。
AI技術本質上仍然是第三次科技革命的延續,它的發展也依託於幾十年來半導體科技的進步。這些年出現了不少專門的AI晶片——而且市場參與者相眾多。當某一個類別的技術發展到出現一種專門的處理器為之服務的程度,那麼這個領域自然就不可小覷,就像當年GPU出現專門為圖形運算服務一樣。
所以AI晶片被形容為CPU、GPU之後的第三大類電腦處理器。AI專用處理器的出現,很大程度上也是因為摩爾定律的發展進入緩慢期:電晶體的尺寸縮減速度,已經無法滿足需求,所以就必須有某種專用架構(DSA)出現,以快速提升晶片效率,也才有了專門的AI晶片。
另一方面,摩爾定律的延緩也成為AI晶片發展的桎梏。在摩爾定律和登納德縮放比例定律(Dennard Scaling)發展的前期,電晶體製程進步為晶片帶來了相當大的助益,那是「happy scaling down」的時代——CPU、GPU都是這個時代受益,不過Dennard Scaling早在45nm時期就失效了。
AI晶片作為第三大類處理器,在這波發展中沒有趕上happy scaling down的好時機。與此同時,AI應用對運算力的需求越來越貪婪。今年WAIC晶片論壇圓桌討論環節,燧原科技創始人暨CEO趙立東說:「現在訓練的GPT-3模型有1750億參數,接近人腦神經元數量,我以為這是最大的模型了,要千張Nvidia的GPU卡才能做。談到AI運算力需求、模型大小的問題,說最大模型超過萬億參數,又是10倍。」
英特爾(Intel)研究院副總裁、中國研究院院長宋繼強說:「前兩年用GPU訓練一個大規模的深度學習模型,其碳排放量相當於5台美式車整個生命週期產生的碳排量。」這也說明了AI運算力需求的貪婪,以及提供運算力的AI晶片不夠高效。
不過作為產業的底層驅動力,半導體製造技術仍源源不斷地為AI發展提供推力。本文將討論WAIC晶片論壇上聽到,針對這個問題的一些前瞻性解決方案——有些已經實現,有些則可能有待時代驗證。
XPU、摩爾定律和異質整合
「電腦產業中的貝爾定律,是說能效每提高1,000倍,就會衍生出一種新的運算形態。」中科院院士劉明在論壇上說,「若每瓦功耗只能支撐1KOPS的運算,當時的這種運算形態是超算;到了智慧型手機時代,能效就提高到每瓦1TOPS;未來的智慧終端我們要達到每瓦1POPS。 這對IC提出了非常高的要求,如果依然沿著CMOS這條路去走,當然可以,但會比較艱辛。」
針對性能和效率提升,除了尺寸微縮,半導體產業比較常見的思路是電晶體結構、晶片結構、材料等方面的最佳化,以及處理架構的革新。
(1)AI晶片本身其實就是對處理器架構的革新,從運算架構的層面來看,針對不同的應用方向造不同架構的處理器是常規,更專用的處理器能促成效率和性能的成倍增長,而不需要依賴於電晶體尺寸的微縮。比如GPU、神經網路處理器(NPU,即AI處理器),乃至更專用的ASIC出現,都是這類思路。
CPU、GPU、NPU、FPGA等不同類型的晶片各司其職,Intel這兩年一直在推行所謂的「XPU」策略就是用不同類型的處理器去做不同的事情,「整合起來各取所需,用組合拳會好過用一種武器去解決所有問題。」宋繼強說。Intel的晶片產品就涵蓋了幾個大類,Core CPU、Xe GPU,以及透過收購獲得的AI晶片Habana等。
另外針對不同類型的晶片,可能還有更具體的最佳化方案。如當代CPU普遍加入AVX512指令,本質上是特別針對深度學習做加強。「專用」的不一定是處理器,也可以是處理器內的某些特定單元,甚至固定功能單元,就好像GPU中加入專用的光線追蹤單元一樣,這是當代處理器普遍都在做的一件事。
(2)從電晶體、晶片結構層面來看,電晶體的尺寸現在仍然在縮減過程中,只不過縮減幅度相比過去變小了——而且為緩解電晶體性能的下降,需要有各種不同的技術來輔助尺寸變小。比如說在22nm節點之後,電晶體變為FinFET結構,在3nm之後,電晶體即將演變為Gate All Around FET結構。最終會演化為互補FET (CFET),其本質都是電晶體本身充分利用Z軸,來實現微縮性能的提升。
劉明認為,「除了基礎元件的變革,IC現在的發展還是比較多元化,包括新材料的引進、元件結構革新,也包括微影技術。長期賴以微縮的基本手段,現在也在發生巨大的變化,特別是未來3D的異質整合。這些多元技術的協同發展,都為晶片整體性能提升帶來了很好的增益。」
他並指出,「從電晶體級、到晶圓級,再到晶片堆疊、引線接合(lead bonding),精準度從毫米向奈米演進,互連密度大大提升。」從晶圓/裸晶的層面來看,則是眾所周知的朝more than moore’s law這樣的路線發展,比如把兩片裸晶疊起來。現在很熱門的chiplet技術就是比較典型的並不依賴於傳統電晶體尺寸微縮,來彈性擴展性能的方案。
台積電和Intel這兩年都在大推將不同類型的裸晶,異質整合的技術。2.5D封裝方案典型如台積電的CoWoS,Intel的EMIB,而在3D堆疊上,Intel的Core LakeField晶片就是用3D Foveros方案,將不同的裸晶疊在一起,甚至可以實現兩片運算裸晶的堆疊、互連。
之前的文章也提到過AMD剛發佈的3D V-Cache,將CPU的L3 cache裸晶疊在運算裸晶上方,將處理器的L3 cache大小增大至192MB,對儲存敏感延遲應用的性能提升。相比Intel,台積電這項技術的獨特之處在於裸晶間是以混合接合(hybrid bonding)的方式互連,而不是micro-bump,做到更小的打線間距,以及晶片之間數十倍通訊性能和效率提升。
這些方案也不直接依賴傳統的電晶體微縮方案。這裡實際上還有一個方面,即新材料的導入專家們沒有在論壇上多說,本文也略過不談。
1,000倍的性能提升
劉明談到,當電晶體微縮的空間沒有那麼大的時候,產業界傾向於採用新的策略來評價技術——「PPACt」——即Powe r(功耗)、Performance (性能)、Cost/Area-Time (成本/面積-時間)。t指的具體是time-to-market,理論上應該也屬於成本的一部分。
電晶體微縮方案失效以後,「多元化的技術變革,依然會讓IC性能得到進一步的提升。」劉明說,「根據預測,這些技術即使不再做尺寸微縮,也會讓IC的晶片性能做到500~1,000倍的提升,到2035年實現Zetta Flops的系統性能水準。且超算的發展還可以一如既往地前進;單裸晶儲存容量變得越來越大,IC依然會為產業發展提供基礎。」
500~1,000倍的預測來自DARPA,感覺有些過於樂觀。因為其中的不少技術存在比較大的邊際遞減效應,而且有更實際的工程問題待解決,比如運算裸晶疊層的散熱問題——即便業界對於這類工程問題的探討也始終在持續。
不過1,000倍的性能提升,的確說明摩爾定律的終結並不能代表第三次科技革命的終結,而且還有相當大的發展空間。尤其本文談的主要是AI晶片,而不是更具通用性的CPU。
矽光、記憶體內運算和神經型態運算
在非傳統發展路線上(以上內容都屬於半導體製造的常規思路),WAIC晶片論壇上宋繼強和劉明都提到了一些頗具代表性的技術方向(雖然這可能與他們自己的業務方向或研究方向有很大的關係)。這些技術可能尚未大規模推廣,或者仍在商業化的極早期。
(1)近記憶體運算和記憶體內運算:處理器性能和效率如今面臨的瓶頸,很大程度並不在單純的運算階段,而在資料傳輸和儲存方面——這也是共識。所以提升資料的傳輸和存取效率,可能是提升整體系統性能時,一個非常靠譜的思路。
這兩年市場上的處理器產品用「近記憶體運算」(near-memory computing)思路的,應該不在少數。所謂的近記憶體運算,就是讓儲存(如cache、memory)單元更靠近運算單元。CPU的多層cache結構(L1、L2、L3),以及電腦處理器cache、記憶體、硬碟這種多層儲存結構是常規。而「近記憶體運算」主要在於究竟有多「近」,cache記憶體有利於隱藏當代電腦架構中延遲和頻寬的局限性。
這兩年在近記憶體運算方面比較有代表性的,一是AMD——比如前文提到3D V-cache增大處理器的cache容量,還有其GPU不僅在裸晶內導入了Infinity Cache這種類似L3 cache的結構,也更早應用了HBM2記憶體方案。這些實踐都表明,儲存方面的革新的確能帶來性能的提升。
另外一個例子則是Graphcore的IPU處理器:IPU的特點之一是在裸晶內堆了相當多的cache資源,cache容量遠大於一般的GPU和AI晶片——也就避免了頻繁的訪問外部儲存資源的操作,極大提升頻寬、降低延遲和功耗。
近記憶體運算的本質仍然是馮紐曼架構(Von Neumann architecture)的延續。「在做處理的過程中,多層級的儲存結構,資料的搬運不僅僅在處理和儲存之間,還在不同的儲存層級之間。這樣頻繁的資料搬運帶來了頻寬延遲、功耗的問題。也就有了我們經常說的運算體系內的儲存牆的問題。」劉明說。
構建非馮(non-von Neumann)架構,把傳統的、以運算為中心的馮氏架構,變換一種新的運算範式。把部分運算力下推到儲存。這便是記憶體內運算(in-memory computing)的概念。
記憶體內運算的就現在看來還是比較新,也有稱其為「存算一體」。通常理解為在記憶體中嵌入演算法,儲存單元本身就有運算能力,理論上消除資料存取的延遲和功耗。記憶體內運算這個概念似乎這在資料爆炸時代格外醒目,畢竟可極大減少海量資料的移動操作。
其實記憶體內運算的概念都還沒有非常明確的定義。現階段它可能的內涵至少涉及到在儲記憶體內部,部分執行資料處理工作;主要應用於神經網路(因為非常契合神經網路的工作方式),以及這類晶片具體的工作方法上,可能更傾向於神經型態運算(neuromorphic computing)。
對於AI晶片而言,記憶體內運算的確是很好的思路。一般的GPU和AI晶片執行AI負載時,有比較頻繁的資料存取操作,這對性能和功耗都有影響。不過記憶體內運算的具體實施方案,在市場上也是五花八門,早期比較具有代表性的Mythic導入了一種矩陣乘的儲存架構,用40nm嵌入式NOR,在儲記憶體內部執行運算,不過替換掉了數位週邊電路,改用類比的方式。在陣列內部進行模擬運算。這家公司之前得到過美國國防部的資金支援。
劉明列舉了近記憶體運算和記憶體內運算兩種方案的例子。其中,近記憶體運算的這個方案應該和AMD的3D V-cache比較類似,把儲存裸晶和運算裸晶疊起來。
劉明指出,「這是我們最近的一個工作,採用hybrid bonding的技術,與矽通孔(TSV)做比較,hybrid bonding功耗是0.8pJ/bit,而TSV是4pJ/bit。延遲方面,hybrid bonding只有0.5ns,而TSV方案是3ns。」台積電在3D堆疊方面的領先優勢其實也體現在hybrid bonding混合鍵合上,前文也提到了它具備更高的互連密度和效率。
另外這套方案還將DRAM刷新頻率提高了一倍,從64ms提高至128ms,以降低功耗。「應對刷新率變慢出現拖尾bit,我們引入RRAM TCAM索引這些tail bits」劉明說。
記憶體內運算方面,「傳統運算是用布林邏輯,一個4位元的乘法需要用到幾百個電晶體,這個過程中需要進行資料來回的移動。記憶體內運算是利用單一元件的歐姆定律來完成一次乘法,然後利用基爾霍夫定律完成列的累加。」劉明表示,「這對於今天深度學習的矩陣乘非常有利。它是原位的運算和儲存,沒有資料搬運。」這是記憶體內運算的常規思路。
「無論是基於SRAM,還是基於新型記憶體,相比近記憶體運算都有明顯優勢,」劉明認為。下圖是記憶體內運算和近記憶體運算,精準度、能效等方面的對比,記憶體內運算架構對於低精準度運算有價值。
下圖則總結了業內主要的一些記憶體內運算研究,在精確度和能效方面的對應關係。劉明表示,「需要高精確度、高運算力的情況下,近記憶體運算目前還是有優勢。不過記憶體內運算是更新的技術,這幾年的進步也非常快。」
去年阿里達摩院發佈2020年十大科技趨勢中,有一個就是存算一體突破AI算力瓶頸。不過記憶體內運算面臨的商用挑戰也一點都不小。記憶體內運算的通常思路都是類比電路的運算方式,這對記憶體、運算單元設計都需要做工程上的考量。與此同時這樣的晶片究竟由誰來造也是個問題:是記憶體廠商,還是數文書處理器廠商?(三星推過記憶體內運算晶片,三星、Intel垂直整合型企業似乎很適合做記憶體內運算…)
(2)神經型態運算:神經型態運算和記憶體內運算一樣,也是新興技術的熱門話題,這項技術有時也叫作compute in memory,可以認為它是記憶體內運算的某種發展方向。神經型態和一般神經網路AI晶片的差異是,這種結構更偏「類人腦」。
進行神經型態研究的企業現在也逐漸變得多起來,劉明也提到了AI晶片「最終的理想是在結構層次模仿腦,元件層次逼近腦,功能層次超越人腦」的「類腦運算」。Intel是比較早關注神經型態運算研究的企業之一。
傳說中的Intel Loihi就是比較典型存算一體的架構,「這片裸晶裡面包含128個小核心,每個核心用於模擬1,024個神經元的運算結構。」宋繼強說,「這樣一塊晶片大概可以類比13萬個神經元。我們做到的是把768個晶片再連起來,構成接近1億神經元的系統,讓學術界的夥伴去試用。」
「它和深度學習加速器相比,沒有任何浮點運算——就像人腦裡面沒有乘加器。所以其學習和訓練方法是採用一種名為spike neutral network的路線,功耗很低,也可以訓練出做視覺辨識、語言辨識和其他種類的模型。」宋繼強認為,不採用同步時脈,「刺激的時候就是一個非同步電動勢,只有工作部分耗電,功耗是現在深度學習加速晶片的千分之一。」
「而且未來我們可以對不同區域做劃分,比如這兒是視覺區、那兒是語言區、那兒是觸覺區,同時進行多模態訓練,互相之間產生關聯。這是現在的深度學習模型無法比擬的。」宋繼強說。這種神經型態運算晶片,似乎也是Intel在XPU方向上探索不同架構運算的方向之一。
(2)微型化矽光:這個技術方向可能在層級上更偏高了一些,不再晶片架構層級,不過仍然值得一提。去年Intel在Labs Day上特別談到了自己在矽光(Silicon Photonics)的一些技術進展。其實矽光技術在連接資料中心的交換機方面,已有應用了,發出資料時,連接埠處會有個收發器把電訊號轉為光訊號,透過光纖來傳輸資料,另一端光訊號再轉為電訊號。不過傳統的光收發器成本都比較高,內部元件數量大,尺寸也就比較大。
Intel在整合化的矽光(IIIV族monolithic的光學整合化方案)方面應該是商業化走在比較前列的,就是把光和電子相關的組成部分高度整合到晶片上,用IC製造技術。未來的光通訊不只是資料中心機架到機架之間,也可以下沉到板級——就跟現在傳統的電I/O一樣。電互連的主要問題是功耗太大,也就是所謂的I/O功耗牆,這是這類微型化矽光元件存在的重要價值。
這其中存在的技術挑戰還是比較多,如做資料的光訊號調變的調變器調變器,據說Intel的技術使其實現了1,000倍的縮小;還有在接收端需要有個探測器(detector)轉換光訊號,用所謂的全矽微環(micro-ring)結構,實現矽對光的檢測能力;波分複用技術實現頻寬倍增,以及把矽光和CMOS晶片做整合等。
Intel認為,把矽光模組與運算資源整合,就能打破必須帶更多I/O接腳做更大尺寸處理器的這種趨勢。矽光能夠實現的是更低的功耗、更大的頻寬、更小的接腳數量和尺寸。在跨處理器、跨伺服器節點之間的資料互動上,這類技術還是頗具前景,Intel此前說目標是實現每根光纖1Tbps的速率,並且能效在1pJ/bit,最遠距離1km,這在非本地傳輸上是很理想的數字。
還有軟體…
除了AI晶片本身,從整個生態的角度,包括AI感知到運算的整個鏈條上的其他組成部分,都有促成性能和效率提升的餘地。比如這兩年Nvidia從軟體層面,針對AI運算的中間層、庫做了大量最佳化。相同的底層硬體,透過軟體最佳化就能實現幾倍的性能提升。
宋繼強說,「我們發現軟體最佳化與否,在同一個硬體上可以達到百倍的性能差距。」這其中的餘量還是比較大。
在AI開發生態上,雖然Nvidia是最具發言權的;但從戰略角度來看,像Intel這種研發CPU、GPU、FPGA、ASIC,甚至還有神經型態運算處理器的企業而言,不同處理器統一開發生態可能更具前瞻性。Intel有個稱oneAPI的軟體平台,用一套API實現不同硬體性能埠的對接。這類策略對廠商的軟體框架構建能力是非常大的考驗——也極大程度關乎底層晶片的執行效率。
在摩爾定律放緩、電晶體尺寸微縮變慢甚至不縮小的前提下,處理器架構革新、異質整合與2.5D/3D封裝技術依然可以達成1,000倍的性能提升;而一些新的技術方向,包括近記憶體運算、記憶體內運算和微型矽光,能夠在資料訪存、傳輸方面產生新的價值;神經型態運算這種類腦運算方式,是實現AI運算的目標;軟體層面的最佳化,也能夠帶動AI性能的成倍增長。所以即便摩爾定律嚴重放緩,AI晶片的性能、效率提升在上面提到的這麼多方案加持下,終將在未來很長一段時間內持續飛越。這第三(四)次科技革命恐怕還很難停歇。
資料來源:https://www.eettaiwan.com/20210726nt61-ai-computing/?fbclid=IwAR3BaorLm9rL2s1ff6cNkL6Z7dK8Q96XulQPzuMQ_Yky9H_EmLsBpjBOsWg
量子電腦例子 在 讀書e誌 Facebook 的最佳解答
***生命科學閱讀之 4 ***
世界從何而來,生命從何而來,心智從何而來?
量子科學是否能夠解釋這一切?
(有中文版)
“There‘s Plenty of Room at the Bottom" — Richard Feynman
(在最底下的微小的世界中,還有很大的探索空間— 諾貝爾物理學獎得主費因曼)
這是去年第一波疫情期間宅在家買的書,當時覺得如果牛頓在家工作期間可以發展出微積分的概念,那我只是嘗試了解量子科學應該還好吧?可是心裡還是有覺得困難的障礙所以就拖到今年這波疫情,跟著其他生命科學相關的書一起讀。有點難度,但真的好有趣。讀完真的覺得對於感覺困難的東西,不要太快自我設限啊!
這本算是難度比較高的科普書籍,但作者盡量用我們一般人可以理解的現象當成切入點。在我們肉眼可看到的世界牛頓的物理學基本上都是可以充分解釋的。當愛因斯坦把思考的框架拉到整個時空,就發現在那個世界當中古典物理學的概念不能解釋,於是產生出他的相對論。而當我們反向進入極為小的世界當中,發現量子完全不是按照我們平常的邏輯在運作時,感覺又開啟了一個嶄新的世界觀。20世紀初著名的物理學家薛丁格,提出所謂「薛丁格的貓」這個思想實驗,就是已經進入到量子物理學的開端,讓他開始思考是否在更微小的量子級別當中,他們有一套截然不同的運作原理呢?接下來數十年開發出的實驗方式和測量儀器當然就更精準了,看到了量子可以跳動,可以有類似穿牆的能力,甚至可以同時擁有好多不同的狀態(不是只有0和1)。我們真的需要開始跳脫數位的思考,進入量子的世界,才有可能揭開它無窮的潛力。
首先他從候鳥遷徙的故事開始講到基因,這個攜帶生命資訊的程式,到底是如何延續下去以及當中如何產生變化的。我們現代的人比較了解基因和DNA一代一代抄寫下去的概念,可是對於中間變異或是凸槌(例如癌細胞)的部分,卻一直沒有夠好的解釋。記得小時候自然課會講到演化,常常會舉的例子就是那個脖子可以伸最長的長頸鹿才能吃到葉子所以適者生存。從某些角度來講是有它的道理,但脖子在伸長的資訊為什麼這樣的資訊會傳到下一代呢?作者用量子物理學補足了這樣說法當中一些論證不足之處。
再來就是講到能量和動能,即便我們能組合出所有需要的分子,但是所謂的「生命力」是從何而來呢?我很新奇的讀著作者講到大自然中,小學生都知道的「光合作用」,竟然是這麼一個不可思議,效率極高的動能引擎。從工業時代設計的蒸汽機,或是現代的燃油引擎,以及最尖端的發電動能,都無法與光合作用的效能相比。
最後講到人的心識思想和做夢,這是古典物理學完全不能解釋的。作者先帶著我們把人腦和腦細胞想成是類似電路的概念解釋,然後在討入量子物理學驅動實體世界的觀點,才發現原來我們的人腦可能就是一個設計令人讚嘆的量子電腦啊!經他這麼一解釋,我也才稍微明白量子電腦為什麼會有這麼大的潛力,但也明白量子電腦現在為什麼這麼難模擬和製作。
作者最後用一個很有趣的圖來比喻古典物理學和量子力學中間的關係。如果說我們生活的這個實體世界像是航行在海上的一艘船,這艘船受到海面上的浪以及外面的風所影響。但船底下的這個還是深不可測的,他下面有一大部分的底層是由熱力學來支撐的,熱力學底下就是量子物理力學。當上面船隻的航行和節奏與最底層一致的時候,即便有風浪也還算能夠平靜行駛。但是當這樣子的連結被打斷的時候,船就很容易覆沒,而一旦覆沒,也是一個不可逆的現象了 (例如基因突變或是死亡)
探索世界無止境的奧秘,不管是物理,化學,天文,還是生命科學,總會有一種敬畏的心。就像牛頓所說的 :
“我不知道世界怎麼看待我,但我認為我就像沙灘上玩耍的一個男孩,投入在探索中。偶爾會找到一個圓滑的石子,或是一個不尋常的漂亮貝殼。而在我的前方一片像是汪洋大海的真理,等待探索”
“I do not know what I may appear to the world, but to myself I seem to have been only like a boy playing on the seashore, and diverting myself in now and then finding a smoother pebble or a prettier shell than ordinary, while the great ocean of truth lay all undiscovered before me”
全文與中文版鏈接在部落格中
https://dushuyizhi.net/life-on-the-edge-%e8%a7%a3%e9%96%8b%e7%94%9f%e5%91%bd%e4%b9%8b%e8%ac%8e/
#lifeontheedge #quantumbiology #quantumphysics #量子科學 #量子物理學 #量子生物學 #解開生命之謎
量子電腦例子 在 淺談量子電腦 的推薦與評價
舉個簡單的例子,如果有人問你15 是哪兩個質數乘出來的,你可以很快的回答3 和5。 ... 量子電腦與我們使用的傳統電腦有著很大的不同。在傳統電腦中, ... ... <看更多>