1997 年，IBM 深藍電腦（Deep Blue）擊敗當時俄國西洋棋王卡斯帕羅夫。這是人類歷史上 AI 首次在專項技藝上戰勝全球職業冠軍。促成這場劃時代戰役的關鍵人物，正是台籍電腦科學家、時任 IBM 專案主管的許峰雄博士，其專長以半導體晶片設計見長，他想出和那個年代完全不同的電路設計方法，使棋步運算效率高出千倍以上。
許峰雄博士的生涯，從台灣大學電機系對超大型積體電路（VLSI，全稱為 Very Large-Scale Integration）設計的熱忱出發，意外踏入電腦棋藝的研究領域，並在 12 年的耕耘後，成就了 Deep Blue 的傳奇。
以下 Q 為數位時代總編輯王志仁提問，A 為深藍電腦之父許峰雄博士的回答。內容圍繞許博士的個人學術歷程，並聚焦於 AI 發展的關鍵里程碑。從 Deep Blue 到 AlphaGo，再到當前的生成式 AI，解析他對當前技術與產業前景的獨到見解。
Q1：在台灣 AI 研究尚未起步的年代，是什麼原因讓您最終選擇了 CMU 的電腦科學系？您又是如何看待西洋棋這項興趣？
A：我當初赴美是為了攻讀 VLSI 設計，這源於當年史欽泰學長在台大的演講啟發，他提及這是接下來最基本且重要的事。因此，我申請的美國學校大部分是電機系，而 CMU（卡內基梅隆大學）則是我唯一申請的電腦科學系（Computer Science）。最終選中 CMU 的原因是：一來是孔祥重教授在該校有一個 VLSI 設計組，二來 CMU 在 AI 研究上享有盛名，有 Newell 和 Simon 這樣元老級的電腦科學學者。
當時，台灣的 AI 研究尚未起步，網際網路也不像現在這般發達，那時我對下棋略有興趣，在學時便將台大圖書館內所有與下棋相關的資料都研究過一次。根據當時的資訊，所有最好的程式也只達到所謂的 Class C。Class C 是很弱的程式，與世界冠軍相去甚遠，所以當時我並沒有預期自己能做出贏過世界冠軍的電腦。甚至，我也沒打算要做電腦西洋棋，因為看起來還是沒什麼搞頭。
直到我進入 CMU 才發現，電腦棋藝界在 70 年代末期到 80 年代初期已發生重大轉變：人們發現將程式搬上超級電腦或專用硬體加速運算後，棋力會大幅提升。這引發了一場「算力競賽」，與現在所有 AI 公司都在搶購 NVIDIA 晶片、增加算力的情況如出一轍，歷史正在重演。
Q2：因何契機投入電腦棋藝研究，並如何運用 VLSI 技術來設計晶片，達成遠超對手數十倍的算力提升？
A：就讀 CMU 研究所第二年時，有位教授 Hans Berliner 想要做電腦西洋棋的機器，他先找人做產生棋步的運算單元，用了 64 晶片，10 萬棋步。之後再找我協助設計一個同樣 64 晶片、負責局面評估（Evaluation）的硬體。我仔細分析後認為，這在電路架構上並不合理，因為評估需要大量累加運算，多晶片之間的通訊成本太高。我想到既然我的專長是 VLSI，為什麼不用單一晶片來解決這個問題？
我回頭重新研究如何產生棋步（Move Generation）。計算後發現，如果能將機器的速度加快 1,000 倍，理論上就有機會與世界冠軍抗衡。我進一步思考，Move Generation 這個以位元層級操作為主的運算，可以被設計成一個高效的單一晶片。
在孔祥重教授（為許博士的指導教授）的鼓勵下，我花了六個月設計出第一個 Move Generator 晶片，它的速度達到每秒 300 萬棋步，比當時最快的 64 晶片設計（10 萬棋步／秒）快了 30 倍，而面積卻僅有 64 分之一。這項能進行平行運算的晶片設計，成為 Deep Blue 的關鍵基礎，也成為我的博士論文證明之一。
Q3：1997 年深藍贏得西洋棋比賽、2016 年 AlphaGo 贏得圍棋冠軍，您認為兩者背後最根本的技術分野為何？
A：看到 AlphaGo 在 2016 年贏得圍棋冠軍，我並沒有感到驚訝。從 1997 年到 2016 年將近 20 年的時間，依照摩爾定律（Moore's Law）的算力增長，電腦棋力提升是遲早的事。
但從 Deep Blue 到 AlphaGo 之間，發生了極為重要的一件大事：深度學習（Deep Learning）。深度學習的關鍵意義，並不在於解決了某個單一難題，而是它帶來了一套新的演算法（Algorithm），能高效地在像 NVIDIA 這樣的平行處理晶片上快速運行。這使得許多過去不能做的任務，現在忽然可以實現。深度學習問世後，整個 AI 領域發生了實質的飛躍（Content Leap），比如：語音辨識、電腦視覺、語言處理模型的準確度全部大幅提升至 97%、98%。
現在的生成式 AI，某種程度上就是深度學習加上大型語言模型（LLM）的成果。有了語言模型，電腦開始可以聽、讀、寫，它能掌握人類過去所有的知識。雖然電腦的理解不見得完全正確，需要再三確認，但它提供了一個工具，讓人們的工作能力產生了巨大的飛躍。
Q4：從半導體切入 AI 發展，您認為在這一波浪潮中，半導體晶片扮演了什麼不可或缺的角色？
A：基本上，我們永遠無法擺脫半導體，你必須擁有計算能力（You must have the computation power），否則什麼事都做不了。長遠來看，摩爾定律若能持續，成本會越來越低，計算能力也會越來越便宜。如果一個問題可以用算力來解決，那通常會是一個簡單且有效的解決方案。因此，運算能力的需求一定會持續下去，硬體基礎依舊關鍵。
NVIDIA 的成功是一個縮影。他們本來專注於圖形運算，這本身就是一種平行運算。他們當時做了一件非常聰明的事——開發了 CUDA（平行運算平台和程式設計模型），讓晶片變得容易編程。當深度學習的演算法出現時，NVIDIA 成為了唯一擁有這麼好軟體環境的晶片，因此很快被整個 AI 領域採用，加速了技術的普及。
Q5：當前 AI 熱潮，許多人擔憂是另一次「泡沫」，您認為這波生成式 AI 與過去相比有何差別？
A：生成式 AI 的成功是多重因素疊加的結果：半導體的持續進步（算力基礎）。深度學習的關鍵演算法。全球資訊的積累與普及：網際網路（WWW）的普及與手機、電腦的使用，產生了巨大的海量數據。沒有這些數據，許多事情在 Web 時代之前是無法發生的。
我認為，這一波 AI 跟過去最大的不同在於：這次的技術方向與基礎是真實且紮實的，不是純粹的炒作（hype）。電腦現在真的開始理解很多以前做不到的事情，這是巨大的差別。此外，ChatGPT 的出現，讓 AI 走向了民主化。一般人，即使不是電腦科學家，也可以利用 AI 來做事，讓這些強大的工具普及化。
Q6：在 AI 時代，您對持續學習有什麼建議？您目前最感興趣或正在追問的技術領域是什麼？
A：最重要的，是對什麼東西有興趣。當你有興趣時，你就會願意花時間多看、深入研究。久而久之，你看待事物的角度就會比別人更深刻，自然能產生與眾不同的看法。我在台大時，透過自學成為校內最了解電腦棋藝文獻的人，這證明了持續的自我驅動和自學能力是經歷技術變革的不變經驗。
至於我目前感興趣的領域，是 EUV（極紫外光微影）波長是 13.5 奈米，宣稱的 2、3 奈米製程都是透過技術達成。我一直在思考，從根本上來說，為什麼我們不能用類似噴墨（ink jet）的方法，直接用更小的光阻劑顆粒進行直寫，從而做出比 13.5 奈米更小的線路？這不僅能繞過光源問題，也可能大幅降低目前 EUV 極高的電力消耗。
當然，「為什麼不能做？」尚停留在根本性追問。端看我對該題目的興趣強度，再來決定是否深入研究。
（延伸閱讀｜EP 258. 史上首次AI打敗人類天才，背後推手如何評價當前泡沫疑慮？ ft.深藍電腦之父許峰雄）
（本文初稿為 AI 整理）
