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

【比喻：寫作中的降維打擊】
　
這次分享的，是中國知名作家葉偉民的文章。主要談的是，寫作時該怎麼用好「比喻」這樣的大招。

他從一般人會用的比喻講起，再舉村上春樹、錢鍾書、張愛玲等文學大家的作品為例，詳細剖析了「比喻」的真諦。

讓我們一起來看看，這篇厲害的比喻教學吧！
-

如果寫作裡也有降維打擊，那一定是比喻 / 葉偉民

人這輩子，如果不專事寫作，最好聽的話大概都留在了少年時代。在熾熱的情書中，在海誓山盟裡，在悠長的思念間……諸多修辭，以比喻最盛，卻也最不得要領，大多是「臉紅得像蘋果、雙眸彎成月牙、瀑布般的黑髮」之類，規矩得讓人捉急。

還見過更絕的，大學一個哥們兒喜歡吃柿子餅，又甜又糯，覺得世間美味不過於此。後來遇到心儀的姑娘，誇人家笑得像柿子餅，白白糟蹋了一段姻緣。

古人有訓：修辭立其誠。反過來說，言辭修飾不精當，是會翻車的。這一點，南朝劉勰和清代紀曉嵐有過跨時空切磋。前者在《文心雕龍》裡說：「（比喻）以切至為貴。」即準確切合才好。後者覺得太拘泥，評價「亦有太切，轉成滯相者。」意思是過度精確也不好，丟了靈氣。

都有道理。它們正是比喻的兩面——既要準確，也要出奇。個中平衡，極為微妙，比喻之難，也盡在此間。

一、戒掉「大路貨」

有種商品叫「大路貨」，不是指劣質貨，而是品質平均而銷路廣的東西，如平價服飾、速食麵、大眾飲料等，好用不貴需求大，就是不精美。

如果你還保留著小時候的作文簿，以下句子一定不陌生——
平靜的湖面猶如一面大鏡子。
牡丹花像一團團熊熊燃燒的火焰。
他急得像熱鍋上的螞蟻。
她的心靈如水晶般純淨。

這就是比喻中的「大路貨」，提筆就來，但問題也跟著來——不一定爛，但一定不會好。

這是為啥？因為喻體和本體太像、太接近、太陳舊了，喻得司空見慣、直來直去，最終失去想像空間和美感。比喻的關鍵在喻體，其與本體的奇妙組合是比喻的命門。

比喻的目的，朱光潛說得很清楚：「以其所知喻其所不知。」如果說寫作也有降維打擊的話，那比喻絕對是一個，它甚至是某種語義的演算。好的比喻，就是找到喻體和本體間的「超級公式」，在不新之處「喻」出新意來。

二、給好落差

雷蒙德·錢德勒一生窮困潦倒，卻收割了大批迷弟迷妹，且咖位都相當高。村上春樹就是其一，他第一次看《漫長的告別》就被驚豔到了，此後四十多年，他讀了至少12遍。

「事關比喻，我大體是從雷蒙德·錢德勒那裡學得的。」時至今日，村上仍盛讚其文學偶像，「比喻這東西，是讓含義顯現出來的落差……只要嗵一聲在這裡給好落差，讀者勢必如夢初醒。」

讓我們來看看他的手筆吧——

那上面蕩漾著這樣一種悲哀——就好像一頭驢因左右兩邊放有同樣多的草料，不知先吃哪邊好而餓得奄奄一息。——《尋羊冒險記》

你就是那淡色調的波斯地毯，所謂孤獨，就是永不滴落的波爾多葡萄酒酒漬。如果孤獨是這樣從法國運來的，傷痛則是從中東帶來的。對於沒有女人的男人們來說，世界是廣闊而痛切的混合，一如月亮的背面。——《沒有女人的男人們》

以「驢」喻「悲」，以「酒漬」喻「孤獨」，僅在本體和喻體上，落差就拉開了。而驢的餓不因匱乏而因顧盼，法國的孤獨和中東的傷痛，都很巧妙地利用思辨、雙關等技巧，從表層之「喻」觸達深層之「喻」。

三、形異而神似

不過，私以為村上再高手，仍不及中國兩大比喻大神——錢鐘書和張愛玲。那是什麼感覺呢？前者好比朗姆酒，細膩芬芳，後兩者像威士卡，辛辣回甘。

先來錢氏的，最著名莫過於《圍城》，堪稱「金句教科書」和「人間指南」——

忠厚老實人的惡毒，像飯裡的砂礫或者出骨魚片裡未淨的刺，會給人一種不期待的傷痛。

又有人叫她「真理」，因為據說 「真理是赤裸裸的」。鮑小姐並未一絲不掛，所以他們修正為「局部的真理」。

（鴻漸）只覺胃裡的東西給這幾口酒激得要冒上來，好比已塞的抽水馬桶又經人抽一下水的景象。

以「飯中砂魚中刺」喻人之壞，看著就覺牙崩咽痛。以真理諷刺皮肉，以抽水喻反胃，可謂亦正亦諧。最後一句尤顯腦洞清奇，即使讀過多遍，消化道依然有反應。

再來看幾句張愛玲的，也是妙得很——

娶了紅玫瑰，久而久之，紅的變了牆上的一抹蚊子血，白的還是‘床前明月光’；娶了白玫瑰，白的便是衣服上的一粒飯粘子，紅的卻是心口上的一顆朱砂痣。——《紅玫瑰與白玫瑰》

普通人的一生，再好也是桃花扇，撞破了頭，血濺到扇子上，就這上面略加點染成一枝桃花。——《紅玫瑰與白玫瑰》

他陰惻惻的, 忽然一笑, 像只剛吞下個金絲雀的貓。——《談吃與畫餅充饑》

第一句不用多說了，至今仍雄霸愛情語錄榜。第二句把人生的金玉敗絮比作桃花濺血。最後一句簡直為陰險之喜做了場3D展示。讀來著實形象、趣致、秒懂，還能會心一笑。

兩位大咖的筆下之「喻」雖各有風格，底層邏輯卻是通的——形異而神似。喻體和本體乍一看風馬牛，但正是差得遠，一旦找出特定語境下的神韻一點通，便能喻出意外，喻出新奇，讓人有幡然醒悟的淋漓之感，終達「似和不似都奇絕」的境界。

四、童話裡的魔棒

道理不難，做起來卻是另一回事。寫好比喻是經驗、邏輯、想像力的多重挑戰。亞里斯多德老師早就凡爾賽過：「比喻是天才的標誌。」我等凡人也無須氣餒，仍有些建議可遵循。

1、 做減法
2、
閉上眼想一想，你要比喻什麼，把不相關的特質剝離。例如上述的酒後反胃，要喻腹內翻江倒海，那酒辣不辣，入胃燒不燒，臉紅不紅都無關緊要了，統統去掉，就琢磨一個點：人將吐未吐是什麼感覺？

2、欲似先遠

就像揍人，拳頭拉遠些，捶下去才疼。先拉大喻體和本體的距離，表面上越不相關越好。

承接上例，什麼東西能形象刻畫人將吐未吐呢？如果不假思索，諸如「快灌滿的水桶」「快撐爆的氣球」等大路貨比喻又來了。

先生高明，想到抽水馬桶，其最尷尬莫過於外泄裡堵，快經不住最後一沖。反胃至極不是如此麼？汙物上湧，喉嚨緊鎖，就差最後一戳了。

當然，兩者都要在日常經驗範圍內，不能過猶不及。例如「她七竅生煙，快要氣成一顆土衛六了。（土星的衛星，大氣層比地球還濃厚）」除非在特定的科普語境中，否則多少有些尬。

3、終於神似

喻體和本體拉遠後，終要落地。飯中砂和壞人相通在哪呢？壞之大者，綿裡藏針、笑裡藏刀，和一碗香噴噴的白米飯，卻崩你一口血何其相似。

過期的愛情，與牆上的蚊子血又相通在哪呢？一個厭煩難斷，一個噁心難洗，這話裡話外，想必也無須多言了。

若能想到並做到這些，就像打通了任督二脈，喻體和本體從特徵到意境都流動起來，交匯閃光，終於神似。

最後，寫好比喻雖是門技術活兒，但往往不及保持一份童真有效。無數打動我的比喻裡，有一個出自一位10歲小朋友，被人翻拍放到網上——

我站在人群中，孤獨得就像P上去的。

老師在字母P上畫了一個圈，旁書一個大大的「妙」。孩子出眾，老師開明，此情此景，甚是觸動。這也應了作家秦牧的那句話：「精彩的比喻，仿佛是童話裡的魔棒似的，它碰到哪裡，哪裡就忽然清晰明亮起來。」

「智慧家庭」的應有之義，三翼鳥要用「場景生態」來證明 |場景觀察

原創 場景實驗室 吳聲造物 3月23日

「新物種」湧現的背後，定義著怎樣的創新場景？新的商務邏輯，如何長成新的生活方式？「觀察」是對不確定時代的確定性姿態，而以「場景」為線索，賦予隨機生活別有意義。

文丨場景實驗室

一個「系統數位化」時代正在到來。新的感知、新的交互從未如此激進，生活方式變革的共鳴清晰可聞，成為「智慧場景」大量湧現的底層支撐和增長引擎。那麼，誰來定義「數字生活方式」？「智慧家庭」可謂其中路徑最為清晰、場景最為契合的方向之一。

誠然，在「智慧家庭」的語境下，5G、AI或者IoT都是不能再熟悉的線索。但如果僅從單點線索疊加出發，你會發現「智慧家庭」命題的下一步依舊面目模糊，更難以擁抱其背後指向的「新生活方式」的轟轟烈烈。

什麼是「智慧家庭」的應有之義？是平臺生態，是數字助理，是全屋智慧，是一個又一個爆款黑科技家電，還是智慧供應鏈的「一鍵到家」？今天的用戶與產業環境顯然對「智慧」提出了更進階的命題——不僅是連接效率的提升，還要體驗效率的無縫；不僅是智慧設備的聯動，還要有用戶情緒與感受的同頻；不僅是在「場景解決方案」上深耕到極致，更重要的是深刻而真實地理解，被「智慧」所包裹的人，如何面對數字時代的美好生活。

「智慧家庭」之爭的勝負手，正藏在每一個需要被認真審視的「場景細節」。

０１「新居住」是對每種生活方式的「提案」能力

3月23日，主題為「智競未來」的2021AWE在上海啟幕。作為全球三大家電與消費電子展之一，AWE（中國家電及消費電子博覽會）當然成為觀察數字生活場景創新的重要視窗。

各種新技術、新物種頻現之外，我們特別關注到海爾智家攜去年9月發佈的「場景品牌」三翼鳥的入駐，帶來「智慧家庭場景生態」的成果展示。而在AWE前一天，海爾智家2021生態大會上發佈了換道成果，從「賣家電」的傳統理解，到定義「新居住」的「場景解決方案」。

如何理解這樣一種「換道」？背後的動因在於，關於家電原有功能的劃分和定義在今天越來越失效，真正奏效的是能夠滿足用戶無時無刻和「一人千面」的需求，滿足當今家庭隨時隨地被喚醒和啟動的場景痛點。

一家傳統理解的家電品牌來定義「新居住」這件事，更像是搶先開闢一個關於家的更本質「戰場」：從硬體層面的PK，到生活方式解決方案的開發能力較量。智慧家庭的場景解決方案，對應著不同身份的家庭成員在特定場景下的差異化生活需求，要求「場景方案」全覆蓋、定制化、前瞻性與高智能。

三翼鳥想要詮釋的「新居住」，是依託AI+IoT技術，基於網器互聯和主動服務的家庭場景重構。不是硬體拼湊，而是涵蓋功能需求、生活需求、情感需求的全場景體驗；不是一次性裝配，而是裝修方案圍繞場景的持續性反覆運算；不是基本的居住服務，而是主動提供的一站式智慧生活解決方案。以「新臥室場景」為例，「供給」的不是一台空調，而是一個能夠自動監測睡眠健康、主動調節空氣溫濕和入眠環境的40多種智慧臥室場景解決方案。

到底什麼是「新居住」的「新」？當然源于它全場景、可反覆運算、一站式的屬性。但究其根本，在於理解今天的用戶是「場景用戶」，而新的商業競爭力就是——有多少生活方式的場景請求，就必須有多少智慧家庭的解決方案。

場景實驗室創始人吳聲在《場景紀元》中提出，越來越多企業「場景化」戰略的背後，「場景正在成為數位商業的基本單元」。而三翼鳥鮮明定位「場景品牌」，對於更多智慧產業的落地顯得頗具啟發性。

０２智慧要有「人的溫度」關鍵是深入洞察「場景細節」

家庭生活的情感溫度與個性化體驗，恰恰體現在最微小、深入日常的變化中，任何孤立的、不可延展的、以鄰為壑的解決方案，都無法支撐數字生活方式的打動人心。

所以如果要對「智慧家庭」的「智慧」提出更高要求，那一定在於這種「智慧」要有「人的溫度」，有社交、有交互、有協作，深入洞察每個曾被忽視的「場景細節」。它讓原來粗糙模糊的場景成為鏡像化的顆粒度場景，以資料運維能力為引擎，從使用者運營、體驗優化、效率反覆運算等維度，重構基於賦能的個性化體驗。

三翼鳥對於智慧家庭的理解包含「五個階段」：首先是以個體產品為核心的單機智慧；其次是以多設備聯動為核心的協同智慧；再次是統一系統、自主感知、智慧操作的決策智慧；然後是跨平臺資料服務打通、無縫連接、無處不在的高度主動智慧；最終是「家庭-社區-城市」全場景融合的泛在智能。由此觀之，關於「智慧」的新表達，正在於理解人、理解溫度、理解場景的層層深入。

從極致的效率與技術，到極致的感受與體驗。資料聯繫和情感聯繫將智慧家居納入共同構成新的家庭關係，誰擁有家庭心智，誰就擁有不可替代性。

海爾智家日前發佈的UhomeOS 3.0定位在「決策智慧階段」，依託于智家大腦的感知、學習與交互能力，實現智慧管家服務在家庭場景的深度應用。這種期待不再是簡單的語音交互與你問我答，而是有朝一日如同《鋼鐵俠》中的「管家」賈維斯一樣，不僅擁有類人的智慧，更擁有家人的溫度。

０３智慧家庭新參數：軟體驅動、生態賦能、場景網路

「新居住」背後是如此之大的場景入口，以至於從家電企業、家裝企業到地產業、酒旅業，再到消費電子行業，有太多角色想立足自身重新定義這個詞。

技術應用場景不斷深入，正在細化「智慧家庭」的全新參數。用戶對於「新居住」有了更立體、多元的體驗、感知體系，這就需要企業在硬體、軟體、技術、服務一體化的基礎上，完成家庭生態場景重構。能否針對每種生活方式提出豐富多樣且細緻入微的場景解決方案，成為評價數位生活「玩家」競爭力的指標體系。

•軟體驅動

軟體定義硬體，場景驅動服務。在新的較量中，軟體與方案更為稀缺也相對空白，這也是為何UhomeOS 3.0與三翼鳥的出現具備啟發意義，也正因此，從產品品牌到場景品牌再到生態品牌的轉變成為可能。

以「體驗雲平臺」所架構的智慧場景生態，基於快速交付的柔性化，和社會協作的徹底性，讓針對家庭的場景改造有望進入一個「高頻時代」。

•生態賦能

提出方案只是其一，要將想法落地，單憑藉一家企業的能量遠遠不夠，即便背靠海爾如三翼鳥，也需要生態夥伴的充分協作。在三翼鳥要構建的「場景生態」中，橫跨7大空間300多個場景背後，是家居、建材等行業近萬家生態資源方。

體驗效率重構的實質是更加顆粒度的場景與回饋機制。「場景細節」不斷被數位化建模後，基於資料的採集和挖掘再反哺給更多智慧家庭生態企業，這時候「API介面」就會成為非常真實的商業機會。

•場景網路

中國市場基於場景的資料化能力是引領性的，而中國家庭場景的複雜性又提供了很好的模式運營閉環。

以海爾衣聯網為例，覆蓋服裝、家紡、洗衣液、皮革等15個行業5300多家生態資源，可基於洗衣機、乾衣機、晾衣架、疊衣機等智慧網器的互通互聯，為使用者提供主動智慧服務。例如，運動完了隨手放進洗衣機乾衣機組合進行洗烘，洗衣液沒了可選擇自動購買，3D雲鏡提供虛擬試衣，通過掃描使用者身體資料，實現服裝定制到家。

「智慧家庭」具有IoT最豐富的場景，是泛在傳感最重要的載體，沒有什麼比「新居住」在今天以用戶價值為依歸更會迎來春天。

數字生活方式的可持續與一站式解決方案，脫胎於彈性、可拓展、可反覆運算的場景融合。唯有開發場景，才能夠讓「智慧家庭」落於實處，也唯有深入場景，才能兼顧效率與溫度，連接資料與人性。很多「習以為常」正發生翻天覆地的變化，只不過它們所呈現的是緩慢堅定的位移。

附圖：（2021海爾智家生態大會）
（2021AWE上展示的三翼鳥智慧臥室）
（2021AWE上展示的三翼鳥智慧廚房）
（2021AWE上展示的三翼鳥衣帽間）

資料來源：https://mp.weixin.qq.com/s?__biz=MzU0MjEwOTkzOQ%3D%3D&mid=2247497011&idx=1&sn=fa0d7a2780cb1b067d79218ec252a634&chksm=fb1d0cafcc6a85b9ed90c5293e48f0f1e89344e1c1315f77d55a17836384e8eec5a895278d9e&xtrack=1&scene=0&subscene=126&clicktime=1618938788&enterid=1618938788&ascene=7&devicetype=android-26&version=27001543&nettype=WIFI&lang=zh_TW&exportkey=CUeIB5nwWAya8JFsSwfhmbg%3D&pass_ticket=8X3WChu0eT1Xx5OxoY1mA9X%2FLejsemfiZCLtcklSYcI13uXfXzzucy%2BKsm5nw6MV&wx_header=1&fbclid=IwAR2nDBhhO-oAeQcSvEFSwm91OUvQAsaDZ9hD9mhQPqyHmxyCEM7g-hHpSQs