【出外靠朋友】

後世看莫迪里亞尼（Amedeo Modigliani，1884-1920）作品，想到的多半是那些長型輪廓，線條簡潔，肌膚似乎帶著溫暖觸感，無畏流露情慾，創下拍賣高價的裸女圖像。但除此之外，莫迪里亞尼其實曾畫過不少肖像畫，雖說他自認並非專業肖像畫家，肖像畫不過是他藉由表現性強烈的輪廓線將圖像從雕刻中突顯出來的結果。而畫中主角多半是當時巴黎藝文界人士，比如莫迪里亞尼的朋友們，另外還有親密愛人、模特兒、女僕或鄰家女孩。

《雅各與貝斯李普茲》（Jacques and Berthe Lipchitz，1916）是莫迪里亞尼作品中僅有的三幅雙人肖像畫之一，畫中人是立陶宛雕塑家雅各．李普茲（Jacques Lipchitz，1891-1973）與俄羅斯詩人貝絲．基特羅瑟（Berthe Kitrosser，1889-1972）。他們在結婚時委託好友繪製這幅肖像，表面上是為了新婚留念，實際上是想解救莫迪里亞尼的經濟困境。

莫迪里亞尼和李普茲都是猶太裔巴黎異鄉人，剛來巴黎時皆落腳於左岸蒙帕納斯（Montparnasse），當時蒙帕納斯已經取代印象派畫家曾聚集的巴黎蒙馬特，成為最前衛的年輕藝術家集中地。

根據李普茲說法，莫迪里亞尼只花了兩天時間就完成此畫。

-----------

原來莫迪里亞尼第一天便火速畫下20張素描，最後根據小夫妻結婚照片決定雙人肖像畫底定版本，第二天隨即宣告畫作已經完成。當時莫迪里亞尼為人作畫價碼是這樣算的：〝每種姿勢10法郎，再加上一點酒〞，嗯，你也知道莫迪里亞尼是個不折不扣的波西米亞酒鬼，而且一邊創作也總還是要灌上幾口酒。

不過李普茲覺得這一幅肖像畫只付10法郎有點過意不去，何況他當時才剛與藝術經紀人簽下新合約，領了一筆簽約金，手頭較為寬裕。於是他故意跟莫迪里亞尼表示，身為雕刻家職業病使然（職業病當然是我說的），私心偏好肖像畫能多點實質量感。

莫迪里亞尼只得再多畫個兩週，好歹這邊那邊添個幾筆，好讓李普茲完成資助朋友的心願。以莫迪里亞尼作畫速度來看，這可能是他畫過最久的一幅畫，據說他剛到巴黎時，一天就可以畫出100多張素描。

-----------

《雅各與貝斯李普茲》實際作畫速度雖然才兩天，其他時間大概是喝酒比較多，反正已經畫得差不多了。但莫迪里亞尼卻鮮明巧妙地表現出中夫妻倆性格與角色對比。

背景如同畫家一貫風格，依舊簡單，大概看得出室內的抽象裝飾，丈夫隨興把手搭在妻子肩膀上。如面具般面容增添不同解讀的可能：妻子的大眼、雙脣和優雅頸項，顯得如此溫柔感性，正與丈夫表現於外的高度自尊形成對照，男方的小眼小嘴、歪斜鼻樑創造出一種諷刺效果，站姿也塑造出保護妻子的霸氣態度。

但如今除了這幅肖像畫之外，當年那些數十幅素描作品如今僅存男女主角單人肖像各兩幅。

身染病痛，酗酒、情緒化，加上偶發暴力行為和桀驁不馴性格，作品風格又不受賞識，莫迪里亞尼當時生活到底有多窮困？窮到讓朋友必須刻意製造機會接濟他？

-----------

莫迪里亞尼1906年來到巴黎，剛好目睹隔年畢卡索畫出立體派創始之作《亞維儂少女》（Les Demoiselles d'Avignon，1907），也剛好眼睜睜看著這位在他眼裡缺乏服裝品味的西班牙小個子（其實畢卡索也承認莫迪里亞尼是唯一穿著有點品味的畫家），名氣越來越大，身價更是逐漸水漲船高。

但是恃才傲物如他，不想加入任何畫派，亦不願追隨畫壇熱潮，而是從非洲雕刻和羅馬尼亞雕刻家布朗庫西（Constantin Brâncuşi，1876-1957）那兒擷取靈感，再從希臘建築的柱狀結構、文藝復興的古典雕刻、羅特列克的大膽線條、塞尚的簡化細節、高更的異國風情、野獸派的溫暖色彩、立體派拆解物體後的平面…等眾多元素中逐漸摸索融合，至1914年因經濟困頓難以負擔雕刻所需的石料成本，再者，雕刻過程產生的粉塵讓他年少時便罹患的肺病更形嚴重，讓他不得不從雕刻轉回繪畫後，發展出個人專屬風格。

儘管身處立體主義和抽象藝術烽火燎原之際，莫迪里亞尼卻仍堅持古典情懷，以具象表現為主，讓形體拉長、變形，完成了個人專屬，結合古典與現代的獨特藝術表現方式。

-----------

他的人物畫裡，如杏仁般眼睛、近似平面的輪廓下扭曲的面貌特徵，和細長比例都來自非洲面具的影響。這些缺乏瞳孔如面具般的人物肖像畫，視線不再與觀者相對望，讓你猜不透畫中人物情緒，反而導引觀者轉身凝視自身內心世界，或許淒涼、茫然，卻深刻而神祕。

莫迪利亞尼才華出眾，但他的作品在他1920年因肺結核去世後才獲得市場矚目。雖從1915年已步入創作顛峰，但始終未能享受自己辛苦灌溉出來的藝術果實，何況那時藝術市場受到一戰影響，曾經蕭條了好一陣子。莫迪里亞尼只能拿著畫作到蒙帕納斯小餐館換取餐食或酒精，而這一幅幅心血可能也被擱置一旁，與麵包、起司和香腸共同堆放於角落裡，夜間再成為米老鼠們的玩具被啃咬、踐踏。

-----------

與梵谷類似，莫迪里亞尼也為了藝術創作奮力燃燒生命，甚至自虐，生前都受到極度蔑視，並且都沉溺於苦艾酒海中，加速痼疾惡化而英年早逝；另有一說，他酗酒和抽大麻都是為了減緩並掩飾自己的結核病情。

然而莫迪里亞尼不像梵谷有個好弟弟西奧和家人協助保存畫作，他的許多作品都因長期居無定所、生活混亂以及被世人輕忽踐踏，早已毀損佚失。相較於如今拍賣天價，更是讓人對於許多時候顯得勢利膚淺的藝術圈感到諷刺與惋惜。

這幅新婚肖像畫只留存於李普茲夫妻手中大約五年，幾經轉手，最終在芝加哥藝術學院安身立命。幸虧出外靠朋友，因為莫迪里亞尼潦倒時獲得的暖心協助，我們才得以見到畫布、顏料、構圖、形式和技法之外，無價友情的溫度。

#東西縱橫記藝JunieWang
#部落格 https://juniewang.mystrikingly.com/#articles
#IG https://www.instagram.com/art.junie/

圖片來源 : Junie Wang & 網路
《Copyright © 2021東西縱橫記藝JunieWang版權所有，禁止擅自節錄，若需分享請完整轉貼並註明來源出處》

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

冬令氣溫低且天乾物燥，易使防禦力下降，細菌與病毒便能趁虛而入，頭昏、目眩、呼吸系統發炎受損等風寒症狀就會接踵而來。要想安然度過寒冬，此時就得養身超前部署！

吃當季食物，一直都是安養身心的絕佳選擇！像是在冬天盛產的「柳丁」，就是營養滿分的天然果物。柳丁亦稱柳橙，為芸香常綠果樹，是廣受喜愛的柑橘類水果。而在台灣種植柳丁的紀錄，據悉已有300年歷史。主要分佈在台南、嘉義、雲林、南投縣等地區，相較外來品種，本土柳丁的品質格外突出，香氣十足、水分飽足、果肉細緻且甜蜜又可口！

柳丁富含β-胡蘿蔔素、生物類黃酮，等植化素，其具抗氧化作用，可有保護上皮黏膜組織作用，如呼吸道、眼睛、皮膚，以及強化細胞膜、增加血管通透性，以預防感冒、心血管等疾病危害

因此又被稱為「療疾佳果」，從皮到子都有用處，柳丁皮曬成乾後就是「陳皮」，具化痰止渴作用 ; 果肉則含豐富的維他命Ｃ、Ｐ及膳食纖維，既健胃又可整腸。輕甜味美的柳丁實在讓人難以抗拒，當中還有多少好處呢？以下「5個柳丁的優點」我們一起來認識吧！

❶平衡血壓保健康
每顆柳丁含鉀離子約200毫克，可有助改善高血壓情況。因鉀離子可以平衡體內過多鈉離子量，並讓緊繃的血管適度放鬆

❷抗氧防禦膚質佳
每顆約有70毫克的抗氧化物維生素C，可有助抵抗並代謝自由基，並能抑制大腸、直腸的細胞病變；對於加速肌膚修復力與提升明亮度亦有良好貢獻

❸消炎舒緩好入眠
當中的檸檬醛能抑制血小板凝集，並降低血液黏稠，進而有遠離中風威脅之作用；檸檬烯則具抗發炎作用，有助穩定中樞神經系統，還可舒緩焦慮、安定睡眠及止痛作用

❹健胃緩咳降血脂
其含有橙皮苷和柚皮苷，橙皮苷具抗發炎、健胃、鎮咳、利尿等作用，也有保護細胞DNA防止突變之貢獻；柚皮苷則可降低膽固醇、改善循環與營養供給，並預防心血管慢性病

❺高纖順暢穩血糖
一日吃2顆就約有7公克的膳食纖維，再搭配2份青菜，就可補足一日的膳食纖維量。膳食纖維可使排便順暢且調理人體胰島素之敏感度，以降低胰島的工作量，進而改善血糖震盪對健康的危害，且其GI值僅31，糖友亦可適量攝取

⭐️柳丁的品種
台灣約80%的柳橙產自台南、雲林與嘉義、南投等地區，10月-11月摘下的是青皮柳橙，12月-2月會轉黃，之後3月-5月時，市面上吃到的就是倉儲丁(經加工、冷藏儲存的柳丁)。較常聽到的柳橙種類，有柳丁、香丁、臍橙、血橙和雞蛋丁等，其中柳丁占了大約九成的市場比例

➡️香 丁
以台東栽培較多，香氣濃，但酸度較高

➡️雞蛋丁
身形像雞蛋一樣橢圓小小的，甜度高，皮薄汁多，口感清甜

➡️柳 丁
呈現圓球形或長球形，外皮底部常有明顯的圖形印環，口感清香

➡️臍 橙
有複果，指得是在果實頂部又內著一果，狀似肚臍，因此被戲稱為臍橙

➡️血 橙
切開後，裡面有著偏紅色的果肉，口感佳、酸度極低、水分高，很受歡迎，是香橙中的貴族

⭐️挑柳丁秘訣
➡️重量：果實圓徑約19-23公分最標準，而重量約120~200公克飽滿沉重為宜

➡️形狀：果實呈球形或橢圓型，用手輕握有彈性，且果實不能呈現皺縮、乾裂

➡️色澤：果皮有光澤，果蒂部呈青綠色，代表新鮮，若產生黑色或脫落，代表已久放

⭐️柳丁停看聽
⚠️柳丁的含鉀量較高，若腎臟耗弱者應注意食用量，一天1顆即足夠

⚠️柳丁雖GI值不高，但因甜度仍高，尤其瓶裝柳丁原汁是多顆柳丁榨汁而成，其糖份肯定超量，喝多不利血糖控制

⚠️柳丁買回可洗後擦乾，用餐巾紙包覆裝入保鮮袋， 置於冰箱冷藏室內。這樣就可保存一段時間，但記得趁新鮮食用完畢

⚠️不宜與牛奶同食，因為牛奶中的蛋白質會與柳丁中的果酸和維生素C發生反應而凝固成塊，不僅影響消化、吸收，還會引起腹脹、腹痛、腹瀉等症狀。因此，建議前後間隔1小時為宜

⚠️一顆柳丁的熱量大約是60大卡，如250cc的柳丁純汁，大約是5顆柳丁就有約300大卡的熱量，每天喝一杯，一個月就能增胖一公斤。而吃整顆柳丁，不僅熱量比果汁少，維生素C保留更多，還可吃進豐富膳食纖維，好處多更多！

#凱鈞有食力
#5個柳丁的優點