電影「模仿遊戲」中，盟軍為了破解德軍密碼機，找來專家花了很多時間和心力，終於建造出高效運算機器，幫忙贏得戰爭。同理，為了解決高價值的重要問題，例如：預測氣候變遷、打造人工智慧等，我們需要「高效能運算」（high-performance computing, HPC）機器。洪士灝開宗明義指出，HPC的精神是「沒有最好，只有更好」。
舉例來說，IBM花了七年打造專門下西洋棋的深藍（Deep Blue），在1996年打敗棋王。這台機器很貴，是由30台電腦組成，並加裝480顆加速重要運算的晶片。由此可見，晶片用在刀口上，可以創造價值，把不可能變成可能。
但晶片要如何達到高效能計算呢？首先要對軟體有充份了解，然後找到軟體瓶頸，依此設計加速器，而且還要優化軟體，達到軟硬整合。
AI發展的基礎
電腦的運算能力比人腦強，卻做不到一些人類能輕易做到的事，例如辨識驗證碼（CAPTCHA）。換句話說，在人腦擅長的視覺影像和認知方面（例如模糊邏輯），電腦比較弱，因為它無法透過普通的程式或規則模仿。
早在1950年代就有人想讓電腦模仿人類神經系統的運作。但多年來類神經網路並沒有成功，最主要的問題在於缺乏自動有效的訓練方法。
在1998年發表的一篇論文中，提到可利用卷積神經網路（CNN）來辨認CAPTCHA，這是深度學習的濫觴。但訓練電腦做這件事，也需要頗大的研究心力和計算能量，因此難以普及。
人類知識體系是模糊的，電腦要在益智問答節目中獲勝有難度，IBM為此花了七年打造出人工智慧系統華生（Watson），終於在2011年打敗人類。它獲勝的關鍵是利用了大數據。
現在AI蓬勃發展，都是由過去這些高效能系統所奠定的基礎。到了今天，GPU（圖形處理器）因為有大量核心、適合平行運算，加上電玩讓價格普及，遂成為深度學習的解決方案。Goolge的深度學習一開始也是用GPU，但發現太貴，在2014年設計了TPU（tensor processing unit），它比GPU快30倍，省電80倍。第二代TPU的速度倍增，四顆TPU2就能下贏圍棋冠軍。Google的資料中心已經部署TPU2，成為AI的軍火庫。
到了物聯網時代，這些AI都會部署出去。程序通常是這樣：先在資料中心訓練AI，了解其特性後進一步把它晶片化，就可以安裝在小型或行動裝置上。其中的重點在於根據應用特性打造系統，方法很多，例如：向量處理、平行處理、降低精準度、概算、利用稀疏矩陣等。每種方法的效率都增加十倍乃至百倍，乘起來可加速百萬倍，能大幅提高競爭力。
日本政府想以HPC和AI提升國家競爭力，台灣也是走同樣路線。洪士灝建議：「若要以HPC和AI發展產業，就必須結合商業模式、前瞻研究、軟硬整合。在技術方面，不只要有軟體，也要蒐集數據，再加上HPC助陣。」
AI與人類福祉
目前AI還在發展階段，要達到強AI（具有人類智慧等級），我們還有很長的路要走，但這也是我們的機會。
在這機會中，我們應該關心人類福祉。我們應該是跟機器合作而非競爭，就像人不應該跟車比快，又如工業革命，人工智慧也將創造更多工作機會。洪士灝期許：「新人類應該設法走出新的道路，讓人工智慧不只幫我們做事，也幫助我們把個人智慧帶向更高層次。」
AI發展的幕後功臣是軟硬整合優化，AI的應用面需要傳產的專家系統、知識庫、資料搜尋等。目前AI只是完整AI應用的一部份，未來還會有很多研發的挑戰。
【整理｜科學人】
