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

「擴增智慧」全新概念誕生！人機交互協作，能超越當前的 AI 嗎？

2021/04/22
by
陳泓儒

人工智慧（AI）應用愈來愈普及，預計到了 2025 年，整體市場規模將達到 1,900 億美元。目前，AI 已被逐步擴展，應用於各種商業場景，而在AI發展的同時，一個稱作「新 AI」的概念也在近期被提出。

「新 AI」又被稱作擴增智慧（Augmented intelligence），據 Gartner 的定義，擴增智慧是指在以人為中心的前提下，人類與 AI 攜手合作以提高認知表現的協作模式。透過這種人機協作，達到比任何一方「單打獨鬥」得到更好的結果，預計 2021 年，擴增智慧將在全球創造 2.9 兆美元的商業價值及62億小時的勞動生產力，未來也將成為各領域企業極力發展的目標。

新 AI 將會用於什麼場域？想善用新 AI 的企業，又該找尋什麼樣的人才？

AI 學習能力有限，訓練消耗甚鉅

隨著自動化改變了全球勞動力的形態，許多行業不得不對員工重新進行大規模的技能培訓，然而，基於對 AI 取代人類的恐懼，目前仍有一部分人對 AI 充滿著不信任感，因此，擴增智慧的概念才會如此迷人，它希望能融合人類與 AI 的精髓，相互配合達以達成雙贏的局面。

AI 發展至今已經可以做到一般人無法完成的事情，如 AI 可以輕鬆吸收大量的知識，此外，其執行任務的專注度和洞察力都遠勝過於人類，加上不會感到疲倦。鑑於此，AI 已在許多產業中發揮作用，然而目前為止，它仍得依循人類制定的規則運作，沒辦法自己「幹大事」。

也許會有 AI 技術的研究人員反駁，只要寫入夠多的模型，給它夠多的資源，AI 就能有不輸人類的理解和學習能力，但這背後的資源消耗甚鉅，據統計，一個最先進的AI模型每次訓練所消耗的能量比「5 台車跑到報廢」還多，相較之下，人類的大腦只需要「一頓早餐」就能開始思考、學習新知。

而在擴增智慧的概念中，人類和AI做事是對等的，兩者無法互相取代，但有交集就能相互合作，如何結合這兩種強大力量將成為未來的主要方向。

工作生活套 AI，做事更有效率

在擴增智慧的理念中，AI 將和人類一同工作，不僅能提高人類的生產力，還有可能因與人類的創造力相結合，而產生過去從沒想過的解決方案。例如，美國醫學會（American Medical Association）將擴增智慧用於加強患者護理體驗、改善人口健康、降低總體醫療成本，增加對醫生的專業滿意度。當醫生遇到棘手病症時，可以運用 AI 找到許多解決方法，不過各方法可能會因患者的體質或當地的法規、醫療環境等而無法運用，這就要靠醫師判斷去調整，因此最後決策權還是在醫師手上。

新創公司 Personal AI 則將擴增智慧作為人腦的延伸，其運用 AI 技術將客戶的記憶透過區塊鏈技術加以「保存」，讓客戶不需要再用力地回想破碎的記憶，協助人們更有效地保留這些生活細節。透過人與 AI 的交互，不僅能節省人們的腦容量和思索時間，還能使人們更專注於體驗生活並創造值得回憶的記憶。

AI 人才，將成未來趨勢

既然擴增智慧的理念主打人和 AI 相互合作，相關人才的思維要跟上就顯得重要。未來要跟 AI 溝通的將不再限於工程師，而是各領域的人們，如上述範例中，醫生要有 AI 的基本概念，兩者才有機會共同合作。

有一定的 AI 素養，才能了解人 AI 工作原理的核心概念，以及 AI 應用於自家產業別的優缺點，並靠 AI 獲取自己在工作上遇到問題的能力和得到創造力。當然，擴增智慧是將人類和機器的智慧結合，兩者都將在其中發揮作用，因此也不僅要理解 AI 的概念，還需要使用者「天馬行空」， 思索人機組合的新用途，將合作效益最大化。

企業老闆可以透過擴增智慧理念，將新技術和員工的創造力結合，將業務加以精簡，但反過來聘僱員工時，也得確保有 AI 素養才能發揮效果。

擴增智慧將人和 AI 都發揮了比以往更多的效果，這個概念將可能成為未來主流。在 AI 不斷進化的同時，人若在 AI 素養上也能同速率提升，確保自己能與 AI 溝通，就能使自己在工作領域上，藉由「1+1 大於 2」的觀念，成為領先者。

資料來源：https://fc.bnext.com.tw/articles/view/1325

「每個人腦袋的記憶體容量都是固定的，那就儲存多一點開心的事物吧。」

這次恆春睡覺的地方，我非常非常非常的喜歡
整個空間氛圍、老闆老闆娘的磁場（？）早餐、藏書
都可以感受到大大的真、善、美跟用心

我在這裡睡了好幾天，宿舍房跟雙人房都有住，兩種房型我都非常喜歡！吃飽、睡好，每天都覺得很開心哈哈哈，而且價位也相當的平價，很怕等等被這裡寵壞搬到別的住宿會大失所望😂😂😂這裡實在太乾淨太舒服了啦～～～
🌞有女生宿舍房，床位都有床簾、很大的置物架、衣架、很多掛衣服的地方
🌞有超級無敵豐富的早餐，水果、優格、漢堡三明治、豆腐店的超濃豆漿、每天早上現磨的咖啡，是我住過青年旅館這麼多間裡頭早餐最豐盛的
🌞有提供吹風機、沐浴乳洗髮精、棉花棒、牙線、毛巾，真的好貼心
🌞冷氣很涼不怕南國跟燒肉粽一樣燒的天氣
🌞衛浴乾濕分離，空間很大淋浴間有置物架
🌞書超級多！不用帶書來看老闆老闆娘的蒐藏！

🔍查詢空房&最低房價：https://ppt.cc/fX7NNx

我在恆春每天都覺得很幸運也很幸福
猜跟住宿的地方也有很大的關係😂

大家如果到恆春，來這裡睡覺一下❤️
-
屏東行程票券線上訂比較划算
👉🏻bit.ly/3b3uht9

#莉莉走墾春
-
偷窺我生活的好地方，IG🌹https://bit.ly/3iDe5Al
ＦＢ讀者秘密社團🌹http://bit.ly/2Z8ezXq

韓市長幹嘛說謊沒打麻將

談韓市長說謊前，想想你是否肯定人腦如同錄相機般，能清晰正確記錄每件事？別急著回答，先來測試你的記憶力吧！
1950心理學家James Deese設計，你能記住幾個詞？
床鋪、休息、醒來、疲倦、做夢、清醒、小憩、床單、打盹、睡眠、打鼾、午睡、平靜、哈欠、昏沉
記住了嗎？待會再來討論這題。

2008年，希拉蕊跟歐巴馬競爭民主黨總統候選人提名，她在華盛頓大學演講上談訪問Tuala的恐怖回憶：「原本機場有歡迎儀式，但飛機在槍手砰！砰！砰！砲火轟隆聲下登陸，一下飛機，我們只能趕快低頭逃進車內⋯」，多偉大的希拉蕊阿！媒體認真挖出當時許多她「為國犧牲」的影片、照片，與百篇新聞報導，證據顯示，當時希拉蕊與眾人緩緩走下飛機，迎接歡迎儀式後，還親一個獻詩的小孩呢。於是大家譏笑她是「不要臉的騙子」！後來柯林頓幫老婆希拉蕊緩頰：「她已經60歲了」。

在笑希拉蕊騙子或記憶力衰弱前，回想上段的問題⋯喂～不准偷看！是否依稀記得有「睡覺」這個詞呢？當我們讀那些詞時，大腦會自動解讀它們與「睡覺」有關，問題是裡面根本沒有「睡覺」這個詞。

如果你記錯了，別傷心你連短期記憶都完蛋，因為演化上，記下所有細節的腦袋太浪費資源，沒有效率！記憶不只是「真實」發生過的事，還混著「如何解釋」發生過的事，此時你或許想辯：「共三小朋友！她如果不是說謊，怎麼記住沒發生過的事？」這叫「記憶來源錯誤」，因為這記憶太「鮮活」了，所以誤以為是自己的記憶。

人會用「鮮活度」跟「情緒」來評估記憶的真實性有多高。以至於產生「記憶力錯覺」，人的記憶根本不可靠，就像你記得小時候常被揍，但父母卻認定他們很少打小孩，我們的記憶並非完全真實，常混著我們「解釋」過的記憶。

話說回來，韓市長到底是「惡意說謊」，還是記憶「不小心扭曲」？我不知道他是否認定過年打麻將有罪，所以非說謊耍賴不可；還是62歲的他記憶力衰退？或者手打麻將，心在別處，所以不記得？到底是哪個，或許韓市長也不清楚呢，基於記憶力錯覺，意外跟蓄意都是有可能搞混啊！

講到這，我大概要被罵喜韓兒了，我很遺憾你腦容量小到只有二分法！真替你媽有你這腦弱孩子感到傷心！為什麼我不用記憶力錯覺幫菜總統講話呢？因為她談話總是背稿居多，那些文稿不知經過多少人審查，所以難發生記憶力錯覺！這叫我怎麼用記憶力錯覺幫蔡總統緩頰？沒機會啊。（況且曾幫她緩頰，導致我被綠蛆譙，喵的！笨到連我幫他主子，都不懂）

最後，別太相信你的記憶，很可能被「記憶力錯覺」誤導，當然扭曲記憶力，搞錯無足輕重的小事是無所謂，但遇上重大決策，或是在一群雞掰人面前講話，最好還是查證確認後，再侃侃而談吧！

文/ 星光奈奈