雖然這篇台積電中科助工鄉民發文沒有被收入到精華區:在台積電中科助工這個話題中,我們另外找到其它相關的精選爆讚文章
在 台積電中科助工產品中有54篇Facebook貼文,粉絲數超過767的網紅政經八百,也在其Facebook貼文中提到, #時事星期五資訊不落伍〔09/18-09/24一周大事〕 #政時事 ❶後梅克爾時代來臨 德大選選情膠著 德國總理梅克爾長達16年的總理生涯即將結束,26日將迎來大選,決定新任總理寶座獎落誰家。 根據最新的幾份民調顯示,中間偏左的社民黨依然以25%左右的支持度領先,若優勢持續維持,現任...
台積電中科助工 在 政經八百 Facebook 的最佳解答
#時事星期五資訊不落伍〔09/18-09/24一周大事〕
#政時事
❶後梅克爾時代來臨 德大選選情膠著
德國總理梅克爾長達16年的總理生涯即將結束,26日將迎來大選,決定新任總理寶座獎落誰家。
根據最新的幾份民調顯示,中間偏左的社民黨依然以25%左右的支持度領先,若優勢持續維持,現任副總理蕭茲有望成為2005年以來首位社民黨總理。
不過選情仍有相當變數,因為梅克爾所屬的基民/基社聯盟,雖在接班的黨魁拉謝特屢次失態下,民調一直落後,但近期已將差距縮小到2-3個百分點,緊咬社民黨。
至於參選初期曾獨佔鰲頭的綠黨,由於黨魁貝爾伯克陷入抄襲爭議,加上在七月洪災表現乏善可陳,早早掉隊,目前支持度約17%。
值得注意的是,由於選情膠著,各黨間支持率相差不大,將導致選後組閣的情況多變,至少有四種可能,後梅克爾時期德國政壇的下一步,仍未明朗。
❷美眾議院通過國防授權法案 台灣或有機會參與環太平洋軍演
美國眾議院於今日(9/24)通過2022年度國防授權法案。此項法案於9月初經過眾議院軍事委員會審議並表決通過後,在本週進行了全院審議與表決,並於今日通過。
此項法案有3項條文與台灣相關。第1248條指出,國會建議美國國防部邀請台灣海軍參與由美軍主導、每兩年一次的2022年環太平洋軍事演習。
第1243條則建議美台國民兵強化合作,且必須向國會提交與台灣合作的可行性報告。
最後第1247條則說明協助台灣強化自我防衛能力,重申奠基於台灣關係法與六項保證的美台合作。相比與過往的合作,包含許多進一步的國防實地演練規劃。
然而值得注意的是,目前通過的為眾議院版本法案。參議院版國防授權法案仍待表決,屆時兩個版本還需協商最終版本,並再次各自表決,才會送交總統簽署,後續發展值得關注。
❸四方安全對話峰會 科技及區域安全成討論焦點
本日(24日)在美國華盛頓將舉辦由美、澳、印、日四國領袖所共同參與的「四方安全對話峰會」,峰會的目的為討論東海、南海等區域安全問題,以及疫苗、科技等議題。
峰會舉辦時間緊鄰在澳、英、美三國成立AUKUS印太安全聯盟之後,加上將討論區域安全問題,顯示出目前在南海等地區的安全相關問題迫在眉梢,已引起各國關注。
此外四國也將會討論建構半導體供應鏈的事項,四國會找出各自在生產供應上的弱點再補強。
疫情下半導體供應受影響,美中科技戰所帶來的連鎖效應、日本的汽車產能下降,都凸顯了目前各國的生產供應鏈有再加強的空間,也希望能在科技領域與中國抗衡。
峰會除了加深各國彼此合作的深度,也討論了包括中國崛起各國的應對方式,尤其面臨疫情的嚴峻局勢,使國際間的合作備受矚目,更詳細的內容也將在峰會結束之後公布。
#經時事
❶中國恆大瀕臨破產?或成亞洲最大債務違約
全球各地的投資人都在密切關注中國恆大集團(China Evergrande Group)的債務危機。若北京政府不介入,恆大有可能成為亞洲最大的公司債務違約事件,不只影響中國經濟,也將連帶影響全球供應鏈。
恆大成立25年來,在中國各省都有開發項目,激進舉債擴張的策略卻與中國的去槓桿行動、「三條紅線」制度相悖,再加上去年防疫封鎖措施影響房產銷售,造成如今的現金短缺。
截至今年6月底,恆大未清償債務總額約合880億美元,其中約42%的債務將在一年內到期,根據標普500的數據顯示,這是全球上市房地產管理/開發公司中最高的總負債。
在週三(22日)深夜,恒大召開「復工復產保交樓」專題會,其創辦人許家印親自承諾「保質保量順利交樓」是公司必須履行的義務與責任。
同時,恆大地產說明已協商解決了於23日到期、人民幣2.32億元的債券利息支付,但並未提及是否能支付於同日到期的美元債券利息。
恆大已聘任財務顧問,代表其可能進行債務重組,本週恆大股價一度跌破 2.3港幣,帶動港股跌勢。
❷白宮半導體峰會線上登場 願提高半導體供應鏈透明度
白宮23日召開線上半導體企業峰會,討論全球晶片短缺問題。各國企業代表將紛紛出席,如英特爾、BMW、蘋果、微軟、台積電、三星、美光和安培運算等。
由美國商務部主持,議題將有新冠病毒對晶片供應的影響,以及如何協調供應鏈。這是美國第三次召開半導體企業峰會,凸顯拜登政府認真看待晶片供應吃緊的議題,與會者也將討論美國補貼國內晶片製造的法案財源。
且美國正加強施壓企業提高供應鏈透明度,將要求企業填寫問卷,提供的晶片庫存、訂單及銷售。如企業未在期限內回應,當局可能將引用其他手段,要求產業向政府提供數據。
白宮同日也宣布,商務部、國務院和各使館將建立一個早期警報系統,確保能加快處理生產受疫情干擾的情況,管理美國與貿易夥伴的供應鏈,確保能更快速的應對疫情引發的生產中斷問題。
❸美歐9月PMI指數出爐 病毒影響使經濟放緩
研究機構IHS Markit於23日公布美國及歐元區9月的綜合採購經理人指數(PMI)初估值,美國從55.4下降至54.5,為一年內新低;歐元區則從59下降至56.1,低於市場預期。
兩者皆顯示了在Delta病毒肆虐下,服務業需求減少,且製造業供應鏈受阻下,兩個地區的經濟成長速度放緩。
PMI指數是針對企業的採購經理人作的調查,介於0-100之間,若高於50,代表景氣正處於擴張階段,低於50則表示經濟正在緊縮。
而PMI又分成製造業與非製造業的指數,9月的預估資料顯示,美國製造業 PMI 從 8 月的 61.1 降至 60.5,而服務業 PMI 從 55.1 降至 54.4。
不論從需求端還是供給端來看,雖然PMI指數都高於50,但數字正逐步下降,經濟成長速度仍受到病毒肆虐的影響,逐漸放慢。
台積電中科助工 在 Facebook 的最讚貼文
〈美股盤後〉鮑爾鴿派助科技股大漲 標普那指再創新高 蘋果締新猷
美國聯準會 (Fed) 主席鮑爾上周五拍板縮減購債但不急於升息,鴿派談話激勵科技股大漲,蘋果股價跳漲 3% 至空前新高,艾達颶風 (Ida) 登陸路易斯安那州,油價上揚,玉米、黃豆等農作物下跌,標普、那斯達克再度改寫歷史紀錄,四大指數僅道瓊未能收紅。
這是標普 500 指數 8 月第 12 度創新高,也是今年來第 53 度改寫歷史紀錄,那斯達克則是今年來第 32 度改寫紀錄。
艾達颶風登陸美國,芝加哥交易的農作物多下跌,主因在於密西西比河駁船交通運輸中斷、紐奧良電力供應不足,導致墨西哥灣穀物出口停擺,美國國內供給可能因此增加。
政經消息部分,美國五角大廈宣布,美國完成從喀布爾機場撤軍行動,長達 20 年的阿富汗戰爭正式結束,從 2001 年 9 月 11 日恐怖攻擊不久後的衝突正式畫下句點。
美國聯邦貿易委員會 (FTC) 為了緩解汽油和天然氣價格漲勢,計劃對油氣業者的反競爭行為強化執法,正在研究打擊非法合併的方法,並將調查大型連鎖加油站是否共謀抬價。
全球新冠肺炎 (COVID-19) 疫情持續發燒,根據美國約翰霍普金斯大學 (Johns Hopkins University) 即時統計,至截稿前,全球確診數飆破 2.169 億例,死亡數突破 450.73 萬例。美國累計確診超過 3793 萬例,超過 63 萬人病故。印度累計確診超過 3273 萬例,巴西累計確診 2074 萬例。
美國疾病管制預防中心 (CDC) 專家小組,為輝瑞 / BioNTech 疫苗提供給 16 歲以上青少年施打的全面授權背書。輝瑞董事、美國食品藥物管理局 (FDA) 前局長 Scott Gottlieb 說,針對 5 到 11 歲兒童施打疫苗的緊急使用授權 (EUA),有望在秋天定案。
周一 (30 日) 美股四大指數表現:
道瓊工業指數下跌 55.96 點,或 0.16%,收 35,399.84 點。
標普 500 指數上漲 19.42 點,或 0.43%,收 4,528.79 點。
那斯達克綜合指數上漲 136.39 點,或 0.90%,收 15,265.89 點。
費城半導體指數上漲 9.99 點,或 0.29%,收 3,446.44 點。
標普 500 指數 11 個類股中,科技股率領 7 個類股走高,金融股跌最重。(圖: Finviz)
標普 500 指數 11 個類股中,科技股率領 7 個類股走高,金融股跌最重。(圖: Finviz)
焦點個股
科技五大天王全面收紅。蘋果 (AAPL-US) 勁揚 3.04%;臉書 (FB-US) 漲 2.15%;Alphabet (GOOGL-US) 漲 0.41%;亞馬遜 (AMZN-US) 漲 2.15%;微軟 (MSFT-US) 漲 1.29%。
道瓊成分股漲跌互見。家得寶 (HD-US) 漲 1.15%;可口可樂 (KO-US) 漲 0.95%;沃爾瑪 (WMT-US) 漲 0.81%。美國運通 (AXP-US) 跌 2.6%;波音 (BA-US) 跌 1.8%;雪佛龍 (CVX-US) 跌 0.25%。
費半成分股漲多跌少。萊迪思半導體 (LSCC-US) 大漲 2.58%;思佳訊 (SWKS-US) 漲 1.44%;邁威爾 (MRVL-US) 漲 1.01%;艾司摩爾 (ASML-US) 漲 0.8%。Cree(CREE-US) 跌 1.43%;美光 (MU-US) 跌 1.14%。
台股 ADR 攀高 。台積電 ADR(TSM-US) 上漲 0.42%;日月光 ADR(ASX-US) 漲 0.65%;聯電 ADR(UMC-US) 勁揚 0.53%;中華電信 ADR(CHT-US) 漲 0.83%。
企業新聞
蘋果秋季上市的 iPhone 13(暫稱) 傳出可能支援低軌道衛星服務,可能透過電信商與低軌衛星業者 Globalstar(GSAT-US) 合作推出,蘋果大漲 3.04% 至每股 153.12 美元,市值突破 2.5 兆美元,Globalstar 狂飆 64.34%。
尾盤時段,MacRumors 報導,蘋果宣布完成收購古典音樂串流平台 Primephoni。
Paypal(PYPL-US) 大漲 3.64%,知情人士透露,該公司考慮推出股票交易平台,讓客戶交易個股。
網路券商羅賓漢 (HOOD-US) 和同業嘉信 (Charles Schwab)(SCHW-US) 股價暴跌,美國證券交易委員會 (SEC) 主席詹斯勒 (Gary Gensler) 接受巴隆周刊 (Barron’s) 訪問表示,全面禁止訂單流的措施「已經擺到檯面上」。
航空股普遍下挫,歐盟國家鑒於美國疫情反彈,周一表決通過,建議成員國限制美國非必要旅行入境。
在美國上市遊戲股壟罩賣壓,中國政府下令多項措施限制未滿 18 歲打電動,包括平日每天不得玩超過 3 小時,網易 (NTES-US) 重挫 3.39%,嗶哩嗶哩 i(BILI-US) 下跌 1.59%。
視訊服務商 Zoom(ZM-US) 盤後公布第 2 季 (7/31 日止) 財報,每股盈餘 1.36 美元,營收年增 54% 至 10.2 億美元,均優於分析師預期,但和前一季的 191% 增幅相比,成長明顯趨緩,股價應聲暴跌 11%。
華爾街分析
鮑爾上周五表示,Fed 每月 1200 億美元的購債計畫將在今年開始縮減規模,但並未點名具體縮表時間,他也把縮減資產負債表和升息分開,強調不急於升息。
Baird 投資策略師 Ross Mayfield 說:「市場上個禮拜針對縮減購債時間表已經做好完整的心理準備,結果鮑爾並未明確點出時間,為市場增添一些希望,認為在美國確診人數激增的情況下,寬鬆政策會再維持一段時間。但另一方面,如果 Fed 在 9 月決策會議上還是這麼鴿派,市場將開始擔心經濟復甦是不是遭遇某些問題。」
投資人如今把焦點轉移到本周五公布的 8 月非農就業報告,這可能為 Fed 在 9 月 21 日到 22 日的例行會議立下基調。
LPL 金融公司首席市場策略師 Ryan Detrick 說:「精明的投資人應該採取『股重於債』的資產配置。這不意味著外部衝擊不會導致股價回檔,但從最近財報、政策環境和市場歷史來看,我們並未看到任何不利股票的強力理由。」
State Street Global Advisors 首席投資策略師 Michael Arone 則說,美國企業已經連續五季交出「令人眼睛為之一亮的財報數據」,但如果陸續有其他公司和科技業一樣成長開始減速,可能敲響投資人警鐘。
https://news.cnyes.com/news/id/4713786?exp=a
【全球股市觀察站】2021-08-30(美國時間)
阿斯匹靈實戰文章
https://scantrader.com/u/9769/service
阿斯匹靈IG
https://www.instagram.com/aspirin_grandline/?hl=zh-tw
台積電中科助工 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳解答
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