從火星探測系統到輔助工業製程，美國工業用 AI 新創 Beyond Limits 如何在台灣做到技術在地化應用？

李佳樺 2021/08/13

從2012 年美國太空總署成功將探測車「好奇號」送上火星至今，已經過了3000多個「火星日」，肩負著火星探測的重要任務，8年來好奇號傳回許多對火星的重要觀察與發現。背後更不為人知的，則是好奇號的 AI 運算系統，其實是由美國新創 Beyond Limits 的團隊建立的，公司發展至今也將觸角伸到能源、先進製造等產業，建立 SaaS 服務，為產業提供 AI 輔助平台，2020 年更獲得 1.3 億美元的投資，拓點到台灣、日本、新加坡、香港等地。

Beyond Limits 將 AI 應用到產業製程的契機，源自於當時跨國石油集團 BP 在墨西哥灣發生的漏油事件，企業希望導入 AI 優化決策過程，合作中也發現了石化能源產業的痛點，研發出石油配方建議系統、石油製程操作檢引系統等 SaaS 產品，不僅受到美國石油公司歡迎，日本市場也買單。

有了日本的先例，這套美國研發出的產品，照理說要拓展到亞洲市場應該不成問題，不料到了台灣卻窒礙難行，甚至需要重新開發不同的產品。

Beyond Limits 的台灣團隊究竟面臨了什麼挑戰？

台灣市場與美國差異大，Beyond Limits 台灣團隊必須如創業般從頭研發產品

台灣分公司總經理張中宜說明，台灣產業的先天特性，讓美國母公司已開發的產品都面臨市場可行性低落的問題，以石油產業的產品舉例，在台灣只有中油、台塑兩個客戶，且台灣的石油公司並不做研發工作，多半直接向國外公司購買配方，因此團隊必須在美國 SaaS 模式 的技術基礎下，研發出符合台灣市場、針對不同產業需求的商品。

「Beyond Limits 在台灣設立公司時的處境，跟重新創業差不多。」張中宜表示，AI 應用產品的開發不僅需要能夠從零開始寫演算法的工程師，也要有懂產業製程的專家團隊，龐大的研發費用與對產業專家的需求，讓每一次產品開發都像募資活動，團隊必須透過產業訪談做足市場研究找到痛點，說服製造公司與他們合作開發能解決產業問題的軟體。

然而開發全新市場對張中宜來說並不陌生。

她曾經在孟加拉創立幫助偏遠地區孩童課輔的非營利組織 e-Education ，第一年就讓偏鄉學子考上孟國最高學府卡達大學，更順勢搭上鼓勵企業與 NPO 合作的開放式創新風潮，讓卡西歐、 AI 新創、安永都找她擔任顧問，執行戰略布局或開發新通路的工作，面對 Beyond Limits 在台灣的難題，團隊選擇了電動車電池研發、面板機器手臂維修與人流異常預警系統等三個產業切入。

延伸既有美國產品技術，尋找合適的台灣在地產業切入開發產品
選擇電動車電池產業與 Beyond Limits 在美國石油產業的經驗有關，研發電池的過程與石油廠研發機油的邏輯相似，痛點都在於漫長的研發過程，就像做菜時要多次嘗試才會知道多少的鹽與油才是最佳的調配一樣，電池配方更要經歷至少半年的實驗，且實驗設計也要在無數次團隊與客戶的交鋒後才能成型，溝通成本相當高昂。

使用 Beyond Limits 導入認知 AI 架構的電池配方建議系統，研發人員只要以自然語言輸入期望的電池規格、價格與電車轉速，系統即可在 43 分鐘內提供數百種配方與實驗方式供選擇，縮短約 2 千倍的研發時間。

Beyond Limits 也在 7 月 29 日宣布與日本的三井物產公司進行策略結盟，以其認知 AI 的核心技術，協助三井投資的液化天然氣廠進行巨量資料分析，並整合作業人員專業知識與數位化作業模式，制定出精簡有效率的解決方案。日本三井整合數位策略部部長常務董事真野雄司氏說，透過與 Beyond Limits 的合作可以改善與再造營運流程，更有效率執行現有事業群的高附加價值項目。

另外，Beyond Limits基於公司在美國既有的輔助風電機維修平台，投入面板機器手臂維修建議系統的開發，「雖然也想在台灣用同一套產品幫助風電產業，也與風電廠陸續接洽，但台灣的風電仍在建設階段，缺乏營運經驗，目前的維修需求也不高。」張中宜談到，市場開發的大方向是要在台灣尋找具備預測維修需求，且市場密集、成熟的產業，公司在與投資人仁寶電腦的合作中，發現光電面板產線中機器手臂的維修概念與風機維修類似，而且痛點也類似：包含高昂的維修成本、未經標準化的維修流程，以及依賴經驗的維修決策。

目前輔助維修系統正與日本機器手臂原廠合作開發，由廠商提供維修資料與產業專家， Beyond Limits 透過 AI 分析維修數據，建立資料背後的邏輯推演，系統最終能判斷機器損壞的原因，並建議耗材種類與維修方式。從管理者的角度能降低維修、備料倉儲成本，對維修人員來說也有可依循的維修建議，長遠更能累積產業知識 ( domain know-how ) ，促進升級。

以邊緣運算技術，與北捷合作開發人流異常預警系統

而將技術從太空拉回到地面，Beyond Limits 也能在大眾運輸犯罪預警上有所發揮。他們與北捷合作，使用等同於在火星探測時、消弭與地球時差的邊緣運算技術，原理是透過分散式的運算提升效率，達成在監控系統的邊緣節點就進行異常人流的辨別，降低反應時間落差。

張中宜舉例，正常的人流像是乘客擠進車廂內的固定位置，開始滑手機，異常的人流可能是人群往四面八方散去，產生快速移動的樣態，異常訊息可以在 10 秒內將送到中控室，大幅縮減以往需要 4 分鐘以上的訊號傳輸時間，也能避免踩到人臉辨識的紅線，未來希望擴張應用到大樓監控，或是銷往他國的大眾運輸系統。

源自NASA，認知型AI成為技術優勢與門檻

與其他單純使用機器學習技術分類數據並預測結果的數值 AI 系統不同，Beyond Limits 的 AI 服務融合了數值 AI 與符號 AI ，前者的數值 AI 是透過大量數據讓模型認知「此為何物」，而符號 AI 則是藉由邏輯定義數值 AI 判斷的結果是好還是壞，並加以做出決策與判斷，以電池配方為例，將實驗室過去的實驗數據導入數值 AI 系統後，會得出樹種配方組合，再藉由符號 AI 判斷個配方辦法的優劣，並給予客戶回饋與建議。藉由結合數值 AI 與符號 AI 兩大系統的結合，讓人工智慧的每項建議都能以人類可理解的思路解釋，輔助人類做最後決策，也使人機協作的製程模式成為可能。

對於這項技術，張中宜表示這其實是源自於 NASA 將探測器「好奇號」送上火星後，由於火星與地球之間的數值傳遞有時間差，人類基本上不可能遙控好奇號，而且火星上的數據在這之前是 0，所以數值 AI 也無法運作，為了能夠讓好奇號自行在火星上探測與行動，勢必須要模擬人類大腦的認知型 AI 系統，當時才會開發出符號 AI。

根據研究報告，2025 年工業用 AI 規模將達 160 億美元，其應用開發仍具高度可能性，Beyond Limits 在台灣也希望更全面地研發產品打進該市場。除了正在培養市場的風電產業外，未來也希望協助優化晶圓半導體產業的製程，團隊更積極與社會、產業溝通，讓社會了解 AI 進入產業能讓人類更有餘力進行創意發想與決策，也讓產業正視轉型需求，近期將與台灣新創基地合作舉辦 AI 科普講座，持續促進製造業的人機共榮合作。

創業快問快答

Q：服務的創意來源，是因為發生甚麼事情而有這樣的想法？

A：台灣數位轉型瓶頸

Q：創業至今，做得最好的三件事為何？

A：用國際薪資招聘頂尖人才、台灣市場國際定位清楚、客戶分潤共創模式的商業模式

Q：要達到下一步目標，團隊目前缺乏的資源是？

A：能見度

附圖：BeyondLimits 台灣總經理 張中宜
Beyond Limits 以數值AI及符號AI兩大關鍵技術，達到人機互補智能
圖片來源 : Beyond Limits
擠捷運
圖片來源 : diGital Sennin on Unsplash
圖說：BeyondLimits Hybrid AI導入流程說明
BeyondLimits Hybrid AI導入流程說明
圖片來源 : BeyondLimits

資料來源：https://meet.bnext.com.tw/articles/view/47993?fbclid=IwAR2HbB5FrPIBoV9kDL27OnhNF-JDNzfYdsoLoVKn85yAA7GUjzDzI3y5Lw0

需要換寫點別的，不然會很悶

來分享一下我對能源的想法與轉變好了。在我還是大學生的時候，看各種發電，很講究所謂的數據，最好是官方數據，只要不是官方發布的，都會抱持著不要相信的態度。跟政治正確橫行的這幾年類似，陰謀論通通是不值得看的，只有公信力高的大媒體才能相信一樣(？)

我是常找教授跟去教官室泡茶的那種人，混熟了多少會聽到點八卦，然後...........對數據產生了很高的懷疑。因為教授就有立場，90年代就讓我碰到好幾個統獨極端的例子，他們也有人參加過政府案子，專家學者身分與會，只能說不同立場看事情，差異真他X的大。

等到自己開始出去接觸了，這些年也有想碰能源產業的東西，近20年的想法就轉變很快，可以說接近月月轉、年年轉。依照某些立場堅定的人來說，這叫做立場反覆不可輕信。XD

好了，講重點，為何想法會常常轉？

大致上，能源產業到政策，不是物理問題。通常一個技術發展出來到成熟，可以成為一個產業，大體上都在理論上是安全的。實際上？別鬧了。

所以，主要問題在政府體制上是政治，產業上是管理。

你要說，換了屁股就換腦袋也可以，我的看法是，你要擔憂的事情變多了，當然會換想法。

以技術上來說，我碰過的狀況是，技術本身的穩定性是一回事，會不會造成整體的損失才是重點。假設發生狀況的機率是1%，主管的角度會分成兩個方向，一種是算帳本，1%造成的損失期望值多大，所以該不該推這個。就理論上如果會賺錢、能源產出是正的，看起來就可以推不是？

第二種方向，涉及到人事角力，因為改變不見得一定是好的，假設既有的辦法運轉良好，也沒出大事，因應風險的準備也很充分。那麼，我們要拿什麼理由，憑著未來可能發生的那一點機率，就要求要開始改革？萬一失敗，主導整個計畫的人，他的未來可是會消失的，能源產業或政策，不是小事，稍有差錯都很大條。

這當然會讓主導者站在非常保守的心態去處理。

另一常見的問題，是政府法規跟不上，前幾年我就有切身之痛。總之，法規訂定的當年，台灣可能沒有此產業，或是規模很小。所以要找專家，找不到業界人，只有學界做過相關理論的。看法規，搞不好還有找都沒找過，反正當年也沒人在乎，公務員就照流程跑完。送立院，幾十年前也沒人懂，就這樣過了。

換到今天，產業狀況改變，想推的人被禁止這個禁止那個搞死，他當然痛罵政府顢頇。但你說這是現在公務員的錯？當年主導者可能早退休，甚至都掛了，新上任的根本不知道發生何事，只能照章處理。

這就涉及到另一個，立法委員的專業夠不夠，大致上我遇到跟聽到的情況，真的想幫忙的很認真，也想釐清問題，但常常無法修法成功。因為多數情況是立委要忙的事情太多，無暇全程顧及，只能仰賴助理去協調相關部會，然後這回到另一個立委身上，修法又不是一個點頭就可以推。

這講講好像又回到自治問題，立委數量太少，中階層的議員選舉不見，其實都在壓縮政治的協調能量。

嘛，這就不管。立院不是只搞定一個立委就好，要提出案子到大會通過可長了。能源產業的相關專業意見，總算找到有研究的學者，國內既有的產業加入，總可以搞定了吧？

沒有，現在遇到兩大困境。第一個就是政治對抗，尤其當蔡英文提出新一代的能源政策，藍營就得反對，而且是明著要對幹。這其實很妙，台電已經不反了，相關專業的專家，跟著時代前進，以及其他國家實驗性的結果，也都在修正。但泛藍陣營因為政治理由，只能反對。

這種為反對而反對，很像90年代以前國民黨罵在野黨的態度，只不過現在的情況完全相反，變成國民黨對抗自己創造的官僚組織，然後對抗不了就說人家是綠的。被抹的當事人恐怕還一頭霧水，真的被告或是威脅的，氣到投奔綠營的例子不少見。

為反而反的後遺症，就是泛藍只能找很外行的去充內行，沒做過相關產業的去罵產業。然後這些找來的磚家，反過來影響了民意代表，讓立委跟助理群相信這些磚家是專家。

這些磚家最會幹的事情，就是把技術問題弄成政治問題，10年前行不通的技術現在可以了，就製造輿論說挺現在技術的專家都是綠營打手，然後那些停在過去的磚家就可以變成藍營的技術大師。結果當然是磚家專家分不清，一般人被所為的立場反覆騙得團團轉，還真以為技術跟環境千年不變。

另一個困境，是能源開發牴觸到台灣許多環保分子，三接那個還算鬧大了得到支持，其他的案例數都數不完。大多數的抗爭，反對開發光電、綠電、X電，都結合了在地民意想要爭取補貼的意見。

最常聽到的例子是下不了台，高舉環保大旗的，舉到後面開會看資料，心裡也曉得這些產業沒有問題，而且長期來講還算是幫助了台灣乾淨能源進展。但鼓吹了當地民眾抗爭久了，餅越畫越大，當初說的不抵抗就是台灣沉淪，現在能退嗎？結果就是打死不退，一路抵抗到自己都得要相信謊言。

這其中，政治價值對抗反而是配角，比較像是因為你提了所以我就得反對，問題是全盤反對還是部分反對，我方有沒可以插手的餘地，有無利益可爭？政治的極端對抗，造成的是利益區劃的淨化，變成我方已經無對方可插旗空間，對方的地盤我方也沒插手餘地。利益變成零和，然後倒楣的就是產業。

主要的對抗，多半是從極端的意識形態出發，至少我看到的多半是主張環保的指控其他人不環保。但你說不環保，指的是哪種？從40分進步到60分的改革算不算比較環保？

不算，因為國外已經有100分的，你為何不用？

呃，大哥，就還在實驗性階段，也還沒大規模推行。在台灣，沒有示範廠，就想要一次推到底，公務員根本不敢，尤其違法的也不敢。結果就變成，當產業要去推動修法，常常轉到媒體上變成利益團體勾結立委圖利財團，然後舉著道德大旗的得到掌聲。

這其實很妙，就跟半導體製程已經進化到不知哪裡，我還是只聽到幾奈米的比較好，28奈米到14奈米再到7奈米，只差一點點啊...沒有很難啊...這樣。(倒)

能源相關產業稍微碰了一下，知道實際發展的情況，技術進步到哪，考量的通盤性完不完整，這行的專家其實很清楚。

只能說喔..........上太空的被人罵只會殺豬公，正在殺豬公的宣稱殺豬刀已經屠龍成功。

算了算了，多說浪費時間

現在完全理解，剛上大一就跑去問教授問題的我，為何被罵說先去乖乖讀書幾年再來，教授當時的心情如何。XD

軟體吞噬硬體的 AI 時代，晶片跟不上演算法的進化要怎麼辦？

作者 品玩 | 發布日期 2021 年 02 月 23 日 8:00 |

身為 AI 時代的幕後英雄，晶片業正經歷漸進持續的變化。

2008 年之後，深度學習演算法逐漸興起，各種神經網絡滲透到手機、App 和物聯網。同時摩爾定律卻逐漸放緩。摩爾定律雖然叫定律，但不是物理定律或自然定律，而是半導體業發展的觀察或預測，內容為：單晶片整合度（積體電路中晶體管的密度）每 2 年（也有 18 個月之說）翻倍，帶來性能每 2 年提高 1 倍。

保證摩爾定律的前提，是晶片製程進步。經常能在新聞看到的 28 奈米、14 奈米、7 奈米、5 奈米，指的就是製程，數字越小製程越先進。隨著製程的演進，特別進入10 奈米後，逐漸逼近物理極限，難度越發增加，晶片全流程設計成本大幅增加，每代較上一代至少增加 30%~50%。

這就導致 AI 對算力需求的增長速度，遠超過通用處理器算力的增長速度。據 OpenAI 測算，從 2012 年開始，全球 AI 所用的演算量呈現等比級數增長，平均每 3.4 個月便會翻 1 倍，通用處理器算力每 18 個月至 2 年才翻 1 倍。

當通用處理器算力跟不上 AI 演算法發展，針對 AI 演算的專用處理器便誕生了，也就是常說的「AI 晶片」。目前 AI 晶片的技術內涵豐富，從架構創新到先進封裝，再到模擬大腦，都影響 AI 晶片走向。這些變化的背後，都有共同主題：以更低功耗，產生更高性能。

更靈活

2017 年圖靈獎頒給電腦架構兩位先驅 David Petterson 和 John Hennessy。2018 年圖靈獎演講時，他們聚焦於架構創新主題，指出演算體系結構正迎來新的黃金 10 年。正如他們所判斷，AI 晶片不斷出現新架構，比如英國 Graphcore 的 IPU──迥異於 CPU 和 GPU 的 AI 專用智慧處理器，已逐漸被業界認可，並 Graphcore 也獲得微軟和三星的戰略投資支援。

名為 CGRA 的架構在學界和工業界正受到越來越多關注。CGRA 全稱 Coarse Grained Reconfigurable Array（粗顆粒可重構陣列），是「可重構計算」理念的落地產物。

據《可重構計算：軟體可定義的計算引擎》一文介紹，理念最早出現在 1960 年代，由加州大學洛杉磯分校的 Estrin 提出。由於太過超前時代，直到 40 年後才獲得系統性研究。加州大學柏克萊分校的 DeHon 等將可重構計算定義為具以下特徵的體系結構：製造後晶片功能仍可客製，形成加速特定任務的硬體功能；演算功能的實現，主要依靠任務到晶片的空間映射。

簡言之，可重構晶片強調靈活性，製造後仍可透過程式語言調整，適應新演算法。形成高度對比的是 ASIC（application-specific integrated circuit，專用積體電路）。ASIC 晶片雖然性能高，卻缺乏靈活性，往往是針對單一應用或演算法設計，難以相容新演算法。

2017 年，美國國防部高級研究計劃局（Defence Advanced Research Projects Agency，DARPA）提出電子產業復興計劃（Electronics Resurgence Initiative，ERI），任務之一就是「軟體定義晶片」，打造接近 ASIC 性能、同時不犧牲靈活性。

照重構時的顆粒分別，可重構晶片可分為 CGRA 和 FPGA（field-programmable gate array，現場可程式語言邏輯門陣列）。FPGA 在業界有一定規模應用，如微軟將 FPGA 晶片帶入大型資料中心，用於加速 Bing 搜索引擎，驗證 FPGA 靈活性和演算法可更新性。但 FPGA 有局限性，不僅性能和 ASIC 有較大差距，且重程式語言門檻比較高。

CGRA 由於實現原理差異，比 FPGA 能做到更底層程式的重新設計，面積效率、能量效率和重構時間都更有優勢。可說 CGRA 同時整合通用處理器的靈活性和 ASIC 的高性能。

隨著 AI 演算逐漸從雲端下放到邊緣端和 IoT 設備，不僅演算法多樣性日益增強，晶片更零碎化，且保證低功耗的同時，也要求高性能。在這種場景下，高能效高靈活性的 CGRA 大有用武之地。

由於結構不統一、程式語言和編譯工具不成熟、易用性不夠友善，CGRA 未被業界廣泛使用，但已可看到一些嘗試。早在 2016 年，英特爾便將 CGRA 納入 Xeon 處理器。三星也曾嘗試將 CGRA 整合到 8K 電視和 Exynos 晶片。

中國清微智慧 2019 年 6 月量產全球首款 CGRA 語音晶片 TX210，同年 9 月又發表全球首款 CGRA 多模態晶片 TX510。這家公司脫胎於清華大學魏少軍教授起頭的可重構計算研究團隊，從 2006 年起就進行相關研究。據芯東西 2020 年 11 月報導，語音晶片 TX210 已出貨數百萬顆，多模組晶片 TX510 在 11 月也出貨 10 萬顆以上，主要客戶為智慧門鎖、安防和臉部支付相關廠商。

先進封裝上位

如開篇提到，由於製程逼近物理極限，摩爾定​​律逐漸放緩。同時 AI 演算法的進步，對算力需求增長迅猛，逼迫晶片業在先進製程之外探索新方向，之一便是先進封裝。

「在大數據和認知計算時代，先進封裝技術正在發揮比以往更大的作用。AI 發展對高效能、高吞吐量互連的需求，正透過先進封裝技術加速發展來滿足。 」世界第三大晶圓代工廠格羅方德平台首席技術專家 John Pellerin 聲明表示。

先進封裝是相對於傳統封裝的技術。封裝是晶片製造的最後一步：將製作好的晶片器件放入外殼，並與外界器件相連。傳統封裝的封裝效率低，有很大改良空間，而先進封裝技術致力提高整合密度。

先進封裝有很多技術分支，其中 Chiplet（小晶片／芯粒）是最近 2 年的大熱門。所謂「小晶片」，是相對傳統晶片製造方法而言。傳統晶片製造方法，是在同一塊矽晶片上，用同一種製程打造晶片。Chiplet 是將一塊完整晶片的複雜功能分解，儲存、計算和訊號處理等功能模組化成裸晶片（Die）。這些裸晶片可用不同製程製造，甚至可是不同公司提供。透過連接介面相接後，就形成一個 Chiplet 晶片網路。

據壁仞科技研究院唐杉分析，Chiplet 歷史更久且更準確的技術詞彙應該是異構整合（Heterogeneous Integration）。總體來說，此技術趨勢較清晰明確，且第一階段 Chiplet 形態技術較成熟，除了成本較高，很多高端晶片已經在用。

如 HBM 儲存器成為 Chiplet 技術早期成功應用的典型代表。AMD 在 Zen2 架構晶片使用 Chiplet 思路，CPU 用的是 7 奈米製程，I/O 使用 14 奈米製程，與完全由 7 奈米打造的晶片相比成本約低 50%。英特爾也推出基於 Chiplet 技術的 Agilex FPGA 系列產品。

不過，Chiplet 技術仍面臨諸多挑戰，最重要之一是互連介面標準。互連介面重要嗎？如果是在大公司內部，比如英特爾或 AMD，有專用協議和封閉系統，在不同裸晶片間連接問題不大。但不同公司和系統互連，同時保證高頻寬、低延遲和每比特低功耗，互連介面就非常重要了。

2017 年，DARPA 推出 CHIPS 戰略計劃（通用異構整合和 IP 重用戰略），試圖打造開放連接協議。但 DARPA 的缺點是，側重國防相關計畫，晶片數量不大，與真正商用場景有差距。因此一些晶片業公司成立組織「ODSA（開放領域特定架構）工作組」，透過制定開放的互連介面，為 Chiplet 的發展掃清障礙。

另闢蹊徑

除了在現有框架內做架構和製造創新，還有研究人員試圖跳出電腦現行的范紐曼型架構，開發真正模擬人腦的計算模式。

范紐曼架構，數據計算和儲存分開進行。RAM 存取速度往往嚴重落後處理器的計算速度，造成「記憶體牆」問題。且傳統電腦需要透過總線，連續在處理器和儲存器之間更新，導致晶片大部分功耗都消耗於讀寫數據，不是算術邏輯單元，又衍生出「功耗牆」問題。人腦則沒有「記憶體牆」和「功耗牆」問題，處理訊息和儲存一體，計算和記憶可同時進行。

另一方面，推動 AI 發展的深度神經網路，雖然名稱有「神經網路」四字，但實際上跟人腦神經網路運作機制相差甚遠。1,000 億個神經元，透過 100 萬億個神經突觸連接，使人腦能以非常低功耗（約 20 瓦）同步記憶、演算、推理和計算。相比之下，目前的深度神經網路，不僅需大規模資料訓練，運行時還要消耗極大能量。

因此如何讓 AI 像人腦一樣工作，一直是學界和業界積極探索的課題。1980 年代後期，加州理工學院教授卡弗·米德（Carver Mead）提出神經形態工程學的概念。經過多年發展，業界和學界對神經形態晶片的摸索逐漸成形。

軟體方面，稱為第三代人工神經網路的「脈衝神經網路」（Spike Neural Network，SNN）應運而生。這種網路以脈衝信號為載體，更接近人腦的運作方式。硬體方面，大型機構和公司研發相應的脈衝神經網路處理器。

早在 2008 年，DARPA 就發起計畫──神經形態自適應塑膠可擴展電子系統（Systems of Neuromorphic Adaptive Plastic Sc​​alable Electronics，簡稱 SyNAPSE，正好是「突觸」之意），希望開發出低功耗的電子神經形態電腦。

IBM Research 成為 SyNAPSE 計畫的合作方之一。2014 年發表論文展示最新成果──TrueNorth。這個類腦計算晶片擁有 100 萬個神經元，能以每秒 30 幀的速度輸入 400×240pixel 的影片，功耗僅 63 毫瓦，比范紐曼架構電腦有質的飛躍。

英特爾 2017 年展示名為 Loihi 的神經形態晶片，包含超過 20 億個晶體管、13 萬個人工神經元和 1.3 億個突觸，比一般訓練系統所需的通用計算效率高 1 千倍。2020 年 3 月，研究人員甚至在 Loihi 做到嗅覺辨識。這成果可應用於診斷疾病、檢測武器和爆炸物及立即發現麻醉劑、煙霧和一氧化碳氣味等場景。

中國清華大學類腦計算研究中心的施路平教授團隊，開發針對人工通用智慧的「天機」晶片，同時支持脈衝神經網路和深度神經網路。2019 年 8 月 1 日，天機成為中國第一款登上《Nature》雜誌封面的晶片。

儘管已有零星研究成果，但總體來說，脈衝神經網路和處理器仍是研究領域的方向之一，沒有在業界大規模應用，主要是因為基礎演算法還沒有關鍵性突破，達不到業界標準，且成本較高。

附圖：▲ 不同製程節點的晶片設計製造成本。（Source：ICBank）
▲ 可重構計算架構與現有主流計算架構在能量效率和靈活性對比。（Source：中國科學）
▲ 異構整合成示意動畫。（Source：IC 智庫）
▲ 通用處理器的典型操作耗能。（Source：中國科學）

資料來源：https://technews.tw/2021/02/23/what-to-do-if-the-chip-cannot-keep-up-with-the-evolution-of-the-algorithm/?fbclid=IwAR0Z-nVQb96jnhAFWuGGXNyUMt2sdgmyum8VVp8eD_aDOYrn2qCr7nxxn6I