加速了十年的世界（二）

上星期分享了（一）大加速（二）強者恆強（三）現金為王，我們一起來接著看看其他幾個觀點：

四、大分散
不只區塊鏈帶來了去中心化，COVID-19帶來的疫情也讓我們的世界愈來愈分散。
Amazon奪走實體商店再把店家分散到我們家門口，疫情加強也加速大家在網路上購物的行為；
Netflix與或其它影音串流平台接下電影院的地位，把電影院放在我們的客廳與房間；
醫療照護產業，在美國，過去不被保險規定支持的遠距離醫療、遠距離開立處方，已經在疫情的影響下被接受了，而這樣的規定未來被改回來的機會不大；
食品雜貨業以前所未見的速度朝向分散的趨勢轉型，從2020年三月初到四月中，線上雜貨的銷售大約增加90%，食品運送的銷售額則成長50%，這個轉變帶來基礎設備的更新，從倉儲到客戶關係的深化，都不會隨疫情結束而消失，並且將改變食品運銷系統。（前陣子三級警戒期間，我老婆為了兼顧安全與健康，堅持餐餐自己下廚，對新鮮食材的需求大增，所以我們上網訂購了蔬果箱：選好自已想買的新鮮的蔬菜水果，由廠商幫忙挑貨然後直接送到家。而我們並不是少數這樣做的家庭，很顯然大家已經接受這樣的食物配送方式，而不再堅持一定要自已親手挑揀蔬菜水果）這樣的分散在未來會出現在更多產業。
另外像家具用品、行動裝置的銷售也會因為大分散這個趨勢而大幅度成長，如果我需要花更多時間待在家裡，不管是工作或是娛樂，我都希望自已有更舒適的沙發、更好的音響與電視、更棒的居家空間。

五、「品牌時代」讓位給「產品時代」
「Covid-19在美國的致死率是0.5~1%，在美國的媒體產業，公司淘汰率是它的十倍以上。」被淘汰、面臨危機或是衰退的都是品牌時代的大師。
「二次世界大戰結束到Google問世之前，創造合於一般水準、大量生產的產品，為它注入一些無形的聯想；接著透過廉價的廣電媒體來鞏固這些聯想……品牌時代從令人喘不過氣的製造業手中奪下指揮棒……創造出廣告大師、行銷部門、以及行銷長的職務……這套演算法在平庸的產品（美國汽車、淡啤酒、廉價食物）裡注入情感，為利害關係人創造數萬億美元的價值。」
而品牌時代在一連串相互影響的因素中，如Google、臉書的出現，加上把財富從廣告中解放出來的科技...等，也終於來到尾聲
還有人記得Tivo嗎？可以讓你預先設定好時間錄下想看的電視節目的數位錄放影機，只要你擁有它然後願意花一點點時間完成計畫，除了可以在任何時間看自已想看的電視節目外，你也不用再看到廣告。
Tivo標誌著從品牌時代轉移到產品時代的開始（花再多錢做廣告，都無法提升平庸產品的形象了，因為可以直接被跳過），2020年夏天則是品牌時代的結束。
「在品牌時代，剛到一個新城市的有錢旅人會吩咐他的司機送至麗思酒店（Ritz），因為這是他認識的品牌。然而，在產品時代，這位有價值的消費者一下飛機先查自已的手機，她知道麗思酒店才剛翻新過，評論者認為它的房價太高，於是她透過眾籌推薦改選一家位在時髦地段的精品酒店」（甚至我們更愛從Airbnb找到自已更喜歡的住宿地點，連品牌都不用了）
「在這場轉變中的輸家，是在品牌時代裡為打造品牌廣告提供平台的媒體公司，以憑藉創意製作這些廣告的廣告代理商。」
臉書和Google在股市裡的表現證明了這個事實：2015年8月到2020年8月，臉書成長174%，Google成長114%，其它老牌廣告行銷公司像IPG、陽獅集團Publicis、WPP集團等是-9%到-63%不等。
景氣黯淡的時候，廣告預算會縮水，這是大家都可以理解的事，但是當景氣復甦，錢潮重新回流，只會流向產品時代的廣告媒體公司，所以未來Google和臉書這對雙巨頭在數位廣告市場勢必會繼續輾壓品牌時代的廣告老兵們。在2020年公佈的數位廣告預算分配比例，臉書加上Google，就拿下了61%。（不過深入探討這個數字，會發現這個趨勢造成更嚴重打擊的的其實是臉書或Google之外的數位行銷公司。BuzzFeed和Yelp在2020年的展示型廣告比起2019年衰退40~70%，Vice跟其它類似的公司也會跟進，只有一些，能撐過加護病房活下來。）

六、紅與藍
數據vs隱私；販賣隱私權vs付費保護隱私
「基本商業模式有兩種：（一）公司用高於製造成本的價格把東西賣出去（二）公司的產品可以免費送人，或以低於成本的價格賣出去，然後跟取用產品的其他公司收費，這裡的產品指的是：消費者的行為數據。」
這也就是在現代商業世界中不可忽視的規則：當你在免費使用某項產品/服務時，你自已其實就是被賣出去的產品。
但是現在愈來愈多隱私外流、資安問題的新聞出現（好萊塢女星私密照外流、劍橋分析事件…等），越來越多人重視跟保護自已的隱私，甚至願意付費保護這些被證明非常珍貴的無形價值。
「過去我們用我們的時間交易價值，如今我們用我們的隱私來交易價值」
「安卓手機每天向使用者收集1200個數據點，傳回Google數據挖掘的母艦。iPhone手機擷取200個，同時蘋果不厭其煩強調它的數據不是用於謀利」
「安卓的使用者是以隱私交易價值的芸芸大眾，iOS則是享受隱私和地位的有錢人，以砸下含稅1249美元的費用（超過匈牙利人一個月的平均家庭收入）來換取價值443美元（製造一台iPhone的成本）的感應器和晶片組。」
安卓是紅色，iOS是藍色。

「你可以在YouTube上得到免費的影視娛樂，不過它的內容是個大雜燴……十之八九你會收到一些煽動、挑釁的內容……。另一方面，Netflix的運作取用『藍色』/iOS的模式：你付費，你得到內容；你是客戶，內容很精彩。」YouTube是紅色，Netflix是藍色。

以社群媒體來說，目前幾乎都是紅色，Facebook、TikTok是紅色：免費的服務，大量榨取我們的個人資料，甚至是用我們不理解的方式巧取豪奪。
「2020年六月，TikTok被揭露它每隔幾秒就掃描使用者的剪貼簿，甚至連它的app只在背景運作時也照掃不誤。這家公司已經承諾停止這種作法（在它的動作被iOS的新安全系統抓個正著之後）。使用臉書或許不會讓你的個人數據被上傳到中國共產黨的數據雲裡，但是臉書過去保護使用者隱私的不良紀錄來看，這不過是因為中國人喊價輸給了一個烏克蘭青少年，……」

搜尋引擎也一直是紅色的，但是藍色的搜尋引擎也即將登場。
「蘋果專有的iOS搜尋勢不可當，你可以期待蘋果很快就會買下DuckDuckGo，或是推出它們自已的搜尋引擎。除此之外，Google廣告部門的前主管斯里達爾．拉瑪斯瓦米（Sridhar Ramaswamy）不久之前推出Neeva，這是採用訂閱模式的Google新對手。」
「同樣的，過去十年來最創新的公司也抓住亞馬遜剝削它的客戶（第三方零售商）的機會。Shopify的價值主張很簡單有力：我們是你的合夥人。你可以掌控自已的數據、品牌、以及消費者的監護權。」
「越來越多產業會出現這種紅藍分野的融合。從航空業到速食業，一些低成本的賽局參與者將充分利用消費者的數據，把省下來的錢用在它們的『廣告資源位』上頭--抱歉，我的意思就是『消費者』。至於頂級的參賽者，則會高舉保護隱私的隱私大旗，藉由不濫用消費者的數據而收取優渥的利潤。」
有人願意犧牲隱私把自已當產品賣掉換取免費的服務，但也有越來越多人願意支付合理的費用保有自已一切的所有權。就像「駭客任務」裡墨菲斯給尼歐選擇的紅藍藥丸，只不過藥丸裡包著的是你的隱私。

七、四巨頭
很多人應該都聽過「FAANG」或「FAAMG」，沒聽過至少也用過他們的產品，科技巨頭在我們的生活中已經是不可或缺的存在了，我們現在是活在大型科技公司的世界中。而這些巨頭們在疫情期間或是疫後的未來，會是什麼光景？
「2020年3月到7月，五個月的時間裡，九家主要的科技公司市值增加1.9兆美元：Google、微軟、Netflix、臉書、蘋果、亞馬遜、Paypal、特斯拉、Shopify。」
「這類產業裡的龍頭大哥，『四巨頭』，亞馬遜、蘋果、臉書、Google，加上微軟，這五家公司在2020年上半年股市成長了24%，總計市值增長超過1兆美元。到了八月中，它們從年初到現在的這段時間獲利成長47%，達2.3兆美元。……這五家公司，占了美國所有公開上市公司市值的21%。」
「去掉一些科技業龍頭公司之後，主要股市指數在2020年中其實是下跌。在科技股之外，眾多美國資本主義的雄獅也都被拔了爪：埃克森美孚（Exxon Mobil）、可口可樂（Coca Cola）、摩根大通（ JPMorgan Chase）、波音（Boeing）、迪士尼（Disney）以及3M公司，它們半年的股價約下跌30#，市值損失總計將近五千億美元。」
作者的第一本書對這個論點已經有很精彩的探討，在本書中進一步更新了現況並進一步分析未來，簡單來說，就是巨頭們會利用自已的地位與資源竭盡所能保護自已的優勢。這些大型科技公司獨占寡頭們打敗了體制，反托拉斯警察跟輿論也不是對手。它們能把自已的企業核心打造成「飛輪」：物理學裡一個可以利用自已旋轉動能儲存能量的系統，把能量傳導到附近的引擎，讓企業可以隨著飛輪的旋轉，不需增加輸入（也就是成本），就能不斷增加輸出（也就是營收）。亞馬遜的Prime就是個終極飛輪，蘋果的手機電腦與品牌旗下其它穿戴式裝置（手錶、耳機）也是它的無敵飛輪（光是在2019年，蘋果的可穿戴式裝置包括Apple Watch、AirPods耳機和子公司Beats，就創造了超過兩百億美元的營收，比麥當勞還更多），其它巨頭們也都有自已的飛輪可以強化各自的寡占優勢。剛且別忘了，巨頭們可以用極低的資金成本取得它們需要的錢，因為有多到難以想像的資金在尋找標的。四巨頭也開始出現無所不在的擴張，像是派送服務、可穿戴式裝置、串流媒體，都可以看到它們的身影。至於「反托辣斯法案」能不能打破他們的寡占？作者針對現況說了一句貼切卻無奈的事實：「藉著燃媒動力的亮光寫出的法律，對數位化的寡頭公司起不了作用」

八、破壞性創新
「在一個產業裡，破壞性創新的機會可能和一些因素相關—稱之為可破壞指數（disruptability index）。它的關鍵信號，是在價值或創新沒有相伴增加的情況下價格明顯增加。」
在美國，兩個準備出現破壞性創新的產業：高等教育產業與醫療衛生產業。
美國高等教育的破壞性創新指數已經爆表。過去四十年大學學費增加1400%，（消費者物價指數只增加了294%，一向在價格上歐被批評的美國醫療保險也「只」增加了600%），但是提供的產品與服務並沒有相對應的上升，甚至已經不再是提供階級流動機會的助力，菁英大學甚至變成傲慢的奢侈品牌與一套種姓制度，一個把特權傳遞給一代的管道。學生貸款也因此總額達到1.6兆美元，遠超過信用貸款或汽車貸款的金額。
疫情會催化高等教育的演進，而轉型的核心在於科技—線上課程。因為線上課程可以大量招收學生而沒有空間與時間的限制，因此能減低學費並提升入學率，並恢復大學擔任美國社會向上流動的潤滑劑角色。
在高等教育與醫療產業外外，許多公司賣的，基本上是同樣大量生產、平庸水準的產品，在品牌時代，它們因為投資在行銷與打造品牌上的投資而得以溢價出售。不過轉變到產品時代後，許多二十世紀主導企業的競爭優勢將被侵蝕，因為消費者對品牌資產的依賴，已經出現變化：「如果你的公司欠缺電子商務競爭力，則已經開始受創，因為相隔十年後的世界（也就是—現在）對於不符水準的『直接面對消費者』模式毫不留情。」
Airbnb是破壞創新者、Netflix是破壞創新者、羅賓漢（Robinhood，金融服務企業，主要提供服務散戶的股票app與網站，在網上提供的服務完全免費，推出免佣金交易時讓其化參與者也不得不跟進，2020年時有1300萬用戶）、Shopify是破壞創新者（類似亞馬遜Pay和亞馬遜物流，為第三方零售商提供支付和物流，但沒有使用收集三方零售商的數據來挖取它自身競爭產品的銷售）、Spotify是破壞創新者、特斯拉是破壞創新者（紐約大學史登商學院的另一位教授亞斯華斯．達摩德仁Aswath Damodaran，有著「估值大師」的封號，曾說過：「如果你根據預期獲利或現金流來交易特斯拉股票，那你買賣它的股票理由就不對了。人們是靠氣氛和氣勢在交易特斯拉股票。」）、Uber是破壞創新者。（達拉．霍斯勞沙希Dara Khosrowshabi接任執行長後已做出莫大的改善，持續修復前任執行長造成的品牌形象巨大損傷，雖然還需要時間而且目前尚未有盈利，但是利潤正持續提升中）。許多新的機會在加速十年的這段期間出現，未來看世界的思維與角度，勢必在疫情過後的未來要重新建構。

在300頁的篇幅中滿滿的觀點，認同不認同，至少是作者自己親身經歷萃取出的營養，內容精純，含金量高，沒有太多老掉牙或是象牙塔裡的視角。有些趨勢或許我們已經隱約知道，但是透過作者的分析，我們能更清楚的看到未來很可能會出現的世界樣貌。
跟大家分享的只是一小部份的個人摘錄重點，想更深入了解作者實務經驗與看法，除了《疫後大未來》之外，《四騎士主宰的未來》可以當成前傳閱讀。

#jeffmachine #postcorona #newworld #deusexmachina #deustaiwan
（照片是去年拍的，經歷疫情大加速前的我😆）

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

網路新手剛開始大都只會賣大家在賣的商品
這時很容易陷入 價格戰
你可以選擇 拼了～
也可以選擇 有技巧性地避開 或是
透過商品策略＋連環式銷售在一片廝殺中獲利！！

削價競爭 是一種常態！
讓我們透過老師分享來破解吧～

👉更詳細的 百萬電商 正式課程介紹，請參考以下網址：
https://woeiluenjp.pixnet.net/blog/post/225012121

👉推薦後續進修正式課程：
近期我們即將推出 四大正式課程
「百萬電商、決勝日貨、代購法律、跨境電商」
是源自今年規劃與訓練單位的 合作課程
https://www.facebook.com/woeiluenjp/posts/1482246565469662

👌防疫升級 陪你繼續學習
60幾集 大倫愛碎念
20多堂 e學堂 線上課程
更多 線上直播 講座課程
希望透過「 線上學習 」帶給大家 ＃防疫不停學
https://www.facebook.com/woeiluenjp/posts/1449077745453211/

＊如果面對面教室課程時間地點你都無法參加..
邀請大家可以透過線上學習平台 e學堂 來進修
Any time Any where～
只要有 網路+手機、平板或電腦..
24小時隨時有空想學就能學習 🥰
可14天重複學習..可刷信用卡..可超商付款..
http://woeiluenjp.pixnet.net/blog/post/223610376

＃大倫老師 ＃日本代購教學
＃北中南巡迴講座 ＃百萬電商
＃百萬電商加速器 ＃線上直批日貨
＃爆款選品 ＃爆紅流量 ＃爆買平台

智慧手機辦公應用實務上課分享(1050317)

完整連結：
https://www.youtube.com/playlist?list=PLgzs-Q3byiYMnrzuItTu62Umwspk_mpQI

這是105年3月17日在公務人員訓練處上課內容，
主要分享對於智慧型手機平板的基本操作與常用APP使用心得，
主要以實用與分享密技為主，
對想有系統學會智慧手機的朋友可以看看。

上課內容：
01_課程說明
02_問卷結果與學習需求
03_常見連線WIFI問題與網路分享04_熱門問題與解決方案說明
05_智慧型裝置基本認識與APP安裝
06_從電腦安裝與超級備份與移動內部檔案到外部記憶卡
07_如何播放影音檔與手機下載YOUTUBE影片
09_如何利用GOOGLE地圖說明
10_如何使用GOOGLE相簿
11_帳號同步設定與雲端硬碟

課程綱要
講師簡介
參考用書與熱門問題
智慧型裝置基本認識
APP辦公應用分享
1.如何安裝APP與設定智慧型行動載具
2.系統相關：加速、清除、檔案總管、備份
3.影音娛樂：MXPLAYER、TUBEMATE
4.如何利用GOOGLE官方APP介紹：地圖、翻譯與雲端硬碟、YOUTUBE……
5.如何用手機遙控電腦
6.分享常用APP下載說明：生活應用與辦公應用
智慧型行動載具Android與iOS比較
辦公應用實務：雲端硬碟(文件、試算表、簡報)

ANDRIOD教學,APP教學,APP應用教學,google應用教學,電腦應用教學,app應用程式,app應用,APP影音娛樂,APP加速,APP清除,APP檔案總管,APP備份

智慧手機辦公應用實務上課分享(1050317)

完整連結：
https://www.youtube.com/playlist?list=PLgzs-Q3byiYMnrzuItTu62Umwspk_mpQI

這是105年3月17日在公務人員訓練處上課內容，
主要分享對於智慧型手機平板的基本操作與常用APP使用心得，
主要以實用與分享密技為主，
對想有系統學會智慧手機的朋友可以看看。

上課內容：
01_課程說明
02_問卷結果與學習需求
03_常見連線WIFI問題與網路分享04_熱門問題與解決方案說明
05_智慧型裝置基本認識與APP安裝
06_從電腦安裝與超級備份與移動內部檔案到外部記憶卡
07_如何播放影音檔與手機下載YOUTUBE影片
09_如何利用GOOGLE地圖說明
10_如何使用GOOGLE相簿
11_帳號同步設定與雲端硬碟

課程綱要
講師簡介
參考用書與熱門問題
智慧型裝置基本認識
APP辦公應用分享
1.如何安裝APP與設定智慧型行動載具
2.系統相關：加速、清除、檔案總管、備份
3.影音娛樂：MXPLAYER、TUBEMATE
4.如何利用GOOGLE官方APP介紹：地圖、翻譯與雲端硬碟、YOUTUBE……
5.如何用手機遙控電腦
6.分享常用APP下載說明：生活應用與辦公應用
智慧型行動載具Android與iOS比較
辦公應用實務：雲端硬碟(文件、試算表、簡報)

ANDRIOD教學,APP教學,APP應用教學,google應用教學,電腦應用教學,app應用程式,app應用,APP影音娛樂,APP加速,APP清除,APP檔案總管,APP備份

智慧手機辦公應用實務上課分享(1050317)

完整連結：
https://www.youtube.com/playlist?list=PLgzs-Q3byiYMnrzuItTu62Umwspk_mpQI

這是105年3月17日在公務人員訓練處上課內容，
主要分享對於智慧型手機平板的基本操作與常用APP使用心得，
主要以實用與分享密技為主，
對想有系統學會智慧手機的朋友可以看看。

上課內容：
01_課程說明
02_問卷結果與學習需求
03_常見連線WIFI問題與網路分享04_熱門問題與解決方案說明
05_智慧型裝置基本認識與APP安裝
06_從電腦安裝與超級備份與移動內部檔案到外部記憶卡
07_如何播放影音檔與手機下載YOUTUBE影片
09_如何利用GOOGLE地圖說明
10_如何使用GOOGLE相簿
11_帳號同步設定與雲端硬碟

課程綱要
講師簡介
參考用書與熱門問題
智慧型裝置基本認識
APP辦公應用分享
1.如何安裝APP與設定智慧型行動載具
2.系統相關：加速、清除、檔案總管、備份
3.影音娛樂：MXPLAYER、TUBEMATE
4.如何利用GOOGLE官方APP介紹：地圖、翻譯與雲端硬碟、YOUTUBE……
5.如何用手機遙控電腦
6.分享常用APP下載說明：生活應用與辦公應用
智慧型行動載具Android與iOS比較
辦公應用實務：雲端硬碟(文件、試算表、簡報)

ANDRIOD教學,APP教學,APP應用教學,google應用教學,電腦應用教學,app應用程式,app應用,APP影音娛樂,APP加速,APP清除,APP檔案總管,APP備份