#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。

〈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

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