跳轉到

11.3 全球大腦：連成一體的十億台電腦#

運算的終極視野，遠比任何一部超算或量子機來得大：把全世界所有的電腦連成一顆會思考的「全球大腦」。這個想法早有預言家。1960 年，J. C. R. Licklider 在論文〈Man-Computer Symbiosis〉中勾勒人機共生的圖景——他後來在 ARPA IPTO 資助了 ARPANET，被稱為「網際網路的教父」。1970 年代，未來學家 Peter Russell 在《The Global Brain》中引用 Teilhard de Chardin 的「noosphere」（心智圈）概念，主張電信網路將使全人類的意識融為一層新的地質。這些主張在當年聽起來近於神祕主義，卻精確指出了後來的事實方向：網路不只是通訊工具，而是新的集體認知基礎設施。萬維網的發明者 Tim Berners-Lee 對「全球大腦」的態度則審慎得多：他在訪談中提醒，把網路當成一顆腦的比喻忽略了人類與機器的分工——他把 Semantic Web 視為「逐步讓機器讀懂關聯」的工程，而非意識的合體。這場「比喻之爭」貫穿了後來二十年的 AI 倫理討論。

在「全球大腦」成形之前，先有一段浪漫的「志願科學」插曲。1999 年，加州大學柏克萊分校推出 SETI@home：把阿雷西博電波望遠鏡的資料切成小包，讓全球上百萬台家庭電腦在螢幕保護程式狀態下做遮罩式相關運算，合計算力一度超越當時最快的超算。2004 年，柏克萊團隊將其通用化為 BOINC 平台，孕育出 Rosetta@home（蛋白質摺疊）——它甚至預演了二十七年後 AlphaFold 的問題定義。這是運算史的獨特一章：科學計算的經濟學繞過了政府採購與企業資本，直接動員了全球的閒置資源與善意。它也提出了一個制度問題：當志願算力與商業雲、國家超算並存，社會該如何分配各自的用途？

到 2020 年代，現代大規模模型的訓練把這幾條支流匯成大河。GPT-4 級模型的訓練需要上萬張 GPU 同步，以高速互連（InfiniBand、NVLink、光交換）串成資料中心級的超級電腦；雲計算負責集中式的大規模訓練與推論，邊緣運算處理低延遲與在地化需求（自駕車、工廠機器人、手機上的語音辨識）。這形成一種新分工：雲端像「大腦皮質」，邊緣像「神經末梢」。智慧型手機累積了數十億台裝置的感測器與晶片，Google 於 2016 年提出聯邦學習（federated learning），讓模型「去資料那裡」而非「把資料叫回模型」，硬體廠商也開始推 TEE（可信執行環境）、homomorphic encryption 等隱私計算。算力的地理，第一次從「超算中心的機房」擴散到「每個人的口袋」。

回頭看，這是一條兩百年的弧線。1801 年，Jacquard 織機用打孔卡感測花紋；1822 年，巴貝奇設計 Difference Engine，用齒輪做差分表，夢想用資本（英國政府）資助一台「通用」的分析機，Ada Lovelace 預見它可以編織符號而非花紋；1930 年代，圖靈以「萬能機器」證明計算的本質是邏輯而非機械；1964 年 CDC 6600 快了三倍；1976 年 Cray-1 的馬蹄形；1989 年 Berners-Lee 撥下萬維網的第一個 HTTP 請求；2019 年 Google 宣稱 quantum supremacy；2022 年 Frontier 破 exascale。同一條弧線，從齒輪到量子，從一台機器的孤膽英雄到十億台裝置的集體智慧。機器從未停止變快，但真正兩百年來的問題從未改變：算力該為誰服務？

未竟的挑戰有三層。第一是能源：exa 級機房與資料中心已佔全球電力消耗的顯著比例，AI 訓練的碳足跡成為環保與科學的政治戰場（綠色雲、核電供算力的新合約接連出現）。第二是教育：算力的民主化不等於理解的民主化——能夠閱讀、質疑、修正這顆「全球大腦」的文化素養，仍是全世界教育體系的欠債；Ada Lovelace 二百年前的洞見——機器的潛力寫在「符號」而非「齒輪」——至今仍是每一位資訊教育者的第一課。第三是數位不平等：全球仍有數億人不上網，TOP500 的榜單上只有十幾個國家的名字。當 Licklider 寫下「Man-Computer Symbiosis」時，他夢想的是「讓人類與計算機合夥，做決策比獨自思考更深刻」。兩百年的時間至今仍未兌現這個諾言——但這正是下一章的故事交給每位讀者的地方：這顆全球大腦的意識、記憶與自由，還是由我們每一個人，用每一次的連線與選擇所共同書寫。