《先問為什麼？》

你走在一個歐洲小鎮的郊區, 前面看到了一個正在施工的工地, 看到了一位正在建築教堂的石匠. 你走過去問他： 師傅, 您熱愛您的工作嗎？ 石匠回答： 我已經記不得砌這道牆砌了多久了… 我只知道我日復一日的頂著大太陽在這裡做工, 我的腰痛得腰死, 我甚至不知道在有生之年看不看得到這間教堂完工.. 但至少這還是一份糊口的工作, 可以讓我一家溫飽.. 你謝過他, 繼續往前走. 沒走幾步, 又看到一位石匠在工作, 於是你又走近問他： 師傅, 您熱愛您的工作嗎？ 石匠回答： 我當然熱愛自己的工作啊, 我正在建造一座偉大的教堂啊！ 雖然我也記不得我倒底工作了多久, 每天一直這樣砌牆, 讓我每天腰都痛得要死… 我甚至不知道我有生之年看不看得到這座教堂完工, 但最重要的是.. 我是在建造一座偉大的教堂耶！

同樣的工作, 但是對於這兩位石匠師傅的意義完全不一樣！ 這就是他們是否擁有”為什麼”？

這一本書其實應該是要先看, 才讀第二本”找到你的為什麼” . 但是我的順序是反過來閱讀. 不過無損對於”黃金圈” 理論的理解, 反而讓我有了更深一個層次的認識

作者Simon Sinek在年輕時創立了一間投資顧問公司, 當時的他意氣風發, 集合了一對志同道合的好夥伴一起創業. 在公司營運的頭三年, 業績蒸蒸日上, 每一年都可以找到新的客戶與他們合作, 每一個人的鈔票都賺得可以把口袋鼓到爆！ 但是, 突然有一天他開始產生了深深的焦慮… 他清楚知道公司現在之所以看似鵬程萬里的原因是所有的成員都很年輕, 充滿激情, 而且體力旺盛. 絕大多數的業績都是靠他們的三寸不爛之舌以及與客戶死纏爛打得到的… 但是, 這樣還以持續多久？ 他明白其實他是沒有理想的, 目標就只是賺錢… 等到有一天原來的方法行不通時, 公司很有可能就在短時間垮台！

因此他開始逃避與人接觸, 開始拒絕面對人群. 一段時間後, 他覺得不能繼續這樣下去. 他開始參加了各式各樣的心理與領導力課程, 但是一直沒有找到他想要的答案.. 一直到一次的課程中, 他聽到了關於人類大腦構造與功能的介紹, 竟然發現這與他在大學時想出來的”黃金圈” 理論不謀而合！ 因此他恍然大悟, 再將自己的理論加以擴展, 不但幫助自己從低潮中走了出來, 更積極的開始與人分享這個概念. 因為, 他回憶當初之所以成立投顧公司的原因是為了幫助他人, 他喜歡看到客戶成功以後的喜悅笑容, 這才是他的”為什麼”！ 但是正如絕大多數一般人一樣在職場打滾久了, 或是少年得志以後, 反而遺忘了自己當初的初心

黃金圈裡面的最內層是”為什麼”, 就是我們做任何事的理由, 它是我們內心對於自身情感最渴望的聲音. 中層是”怎麼做”, 是我們透過哪一些選擇來我們的理想, 而最外層是 “做什麼”, 意指我們是靠什麼手段來實踐我們的”為什麼”？

想想, 你走進一間3C商場, 在樓面上的各家店員看到你, 就湊過來告訴你： 我們這一家的電腦顯示器有多漂亮, 運算效能有多快, 內存容量有多大, 外型設計有多精美, 價格有多優惠… 你看到他們電視牆上面的廣告也都是在重遇同樣的訊息.. 你都會怎麼回他們？ “好的, 我再看一看吧”.. 可是你一轉角進了另一間店家, 店員不疾不徐先讓你看一下他們的宣傳廣告影片： 我們的精神在於挑戰傳統, 而且我們相信”不同凡響”的力量. 而我們的使用的方式, 就是讓我們的產品擁有最精美的設計, 而且簡單好用！ 我們是蘋果, 提供給你最好的電腦. 我相信即便是你都還沒了解他們電腦的相關規格是什麼之前, 就已經被打動一半了！ 蘋果電腦怎麼會有這種魔力呢？

因為他們先告訴你他們的”為什麼” : 我們的願景, 理想與信念, 而別的公司卻是先告訴你他們的”做什麼” ： 他們的產品, 服務與價格…

首先, 在商場上所有銷售手段為了證明自己與眾不同, 會不斷的大量強調他們的特色, 也就是”做什麼” ： 我們的車有最佳油耗, 我們的手機有最強的照相功能, 我們的餐廳有最新鮮的食材, 我們的健身房有最專業的教練與設備… 聽起來很熟悉對不？ 越是企圖強調自己的不同, 反而越是與人相似！ 因為我們總是習慣由黃金圈的外部望內溝通, 而且頂多到”如何做” 就沒有了. 但是反而遺忘了最重要的”中心價值”

黃金圈完美的與人腦的構造與功能相互匹配. 人類大腦的緣腦, 是較為原始與古老的部分, 負責情感, 反應, 生存與決策. 而新皮質 (新皮層) 是最後發展出來的”智人腦” , 負責理性思考, 分析, 以及語言. 緣腦對應到黃金圈的”為什麼”與”怎麼做” , 而新皮質則對應到”做什麼”. 我們的情感運作都是圍繞在緣腦 (有著”邊緣系統”而取名), 所以很多的時候, 我們會有 ”我說不上來, 但總覺得不對…” , 或是 ”感覺對了, 什麼都對了！”由於緣腦不具語言功能, 因此是以情感與直覺為主導, 而新皮質 (特別是前額葉), 則會幫助我們經情感尋找倒適切的言語加以表達

簡單的來說, 由黃金全由內而外的溝通方式, 可以以真實的情感為起點, 但是假如我們是以外向內, 就會喪失了溫度..

作者又提到了一個”創新的擴散法則”. 我們可以將一般人的行為概分成五大類, 而這些人的比例也形成了一個鐘形曲線: 有2.5％是屬於創新者, 這種人就是會徹夜排隊, 只為了成為這世界上第一批買到新iphone, 或是playstation的狂熱份子, 接下來是早期採用者, 占13.5%. 他們也許不像創新者一樣那麼積極, 但是對於特定品牌與行為也是擁抱一樣的熱情, 有著想要搶先體驗的心態. 這兩種人都是以情感驅動, “跟著感覺走”. 一個品牌的腦殘粉, 就來自於這15.5%的人群, 而這一群人, 則會往後影響後面的34%早期大多數. 在後面的34%後期大多數則比較處於觀望狀態, 他們會先看看試用者的反饋再做決定, 因此忠誠度算是最低的, 所以早期大多數的體驗, 會連帶改變後期大多數的行為. 而最後面16%的落後者則是守舊派, 最討厭變動

所以Simon擔任企業的顧問時, 常常會問他們的高層： 你們公司的腦殘支持者佔所有客戶的幾%？ 大多數的公司都會很驕傲地回答： 10%！ 這根本不夠, 這個覆蓋率還不及創新者加上早期使用者的15.5%, 也就是剩下有90%客戶是很浮動的, 只要競爭對手給他們更好的優惠, 更多的服務, 他們就會見風轉舵了. 而要贏得這近16%的人群, 要與他們的”心” 溝通, 就是由”為什麼” 出發

假如我們對於自己的工作缺乏 ”為什麼” 的感知, 自身就會感到焦慮或是厭倦, 進而也無法讓服務的客戶產生積極的體驗

但是我覺得Simon在書的後半段提的一點非常好, 有了強大的”為什麼”, 你必須要找到一位了解你的人幫助你執行信念, 不然理想家非常容易因為看不清現實而失敗. 因此有一位志同道合的軍師是非常重要的, 他有能力將想法轉化為現實, 而且可以維持一致性, 不會有偏離航道的可能

使用你的”為什麼” 來感動自己, 打動客戶吧！

People don’t buy what you do, they buy why you do it!

之前這個白色節約電子鍋出現在版上之後，就一直不斷有私訊來詢問何時開團～來了來了！大家久等了！🎉
😘『THOMSON』法國智能溫控微電鍋
🎀6折跟團價輕鬆入手
👉https://bit.ly/3ATJHKV
(我比價過了，其他地方賣2xxx，我們團只要1xxx 免運費哦！✌)

還跟廠商追加到 #內鍋可以加購 哦~這裡👉https://meim.ai/b2ba0a

專為小家庭打造，包含舒肥、煎炒、燉煮都能做到，而內鍋不沾設計非常好清洗，還能24小時預約，免瓦斯，免流汗，只要插電就能做料理❤

我已經煮過馬鈴薯燉肉、蘿蔔玉米排骨湯、地瓜飯、白米等
想知道怎麼煮，可以點圖片看詳細介紹，就可以快速學會了
這幾天我還會再來試試舒肥和蛋糕功能，你們期待嗎？
記得Yuki的粉絲團追起來，就能學到更多快速料理

話說回來，先不論功能
這台外型直接就讓人淪陷想要擁有，可愛的提把設計，輕巧方便挪動
2L容量，適合2~3人的料理，像我們一家3口其實用起來就很剛好

💜直覺化的設計 #9大料理功能 即便是新手也能輕鬆上手
內建模式包含 白米、快煮、糙米、稀飯、煎炒、燉煮、蒸煮、舒肥、蛋糕

很誇張吧！這個親民入手價格連舒肥也可以做~
（留言處有影片和照片）

💜#IMD觸控面板 好有科技感，好時尚~功能一點就亮，讓操作更簡單

💜#日本大金塗層 白色的內層好美又好清洗

💜保溫效果也因為 #加厚的1.8mm厚釜內鍋，保溫效果好~如同砂鍋般，可有效積蓄熱氣，將食材包裹加熱，更易煮出香Ｑ可口的米飯

💜#24小時預約功能 早上起來就有清粥可以吃，回家就有香噴噴白米飯

💜#2L容量 適合2~3人小家庭，但其實煮一鍋湯的份量很多喲~

💜#簡單操作 很直覺化的設計，其實一看面板上顯示就會操作了

💜最重要的是它 #極簡外型 根本意圖讓人腦波弱直接手滑帶回家

🌟大家想了解更多可以看網頁詳細介紹，或留言的其他影片跟照片哦~

⭕詳細介紹
👉https://bit.ly/3ATJHKV

----------------------

📣內容物：電子鍋主體、內鍋x1、飯勺、量杯、說明書、食譜書
📣尺寸：電子鍋 W225 x D198 x H222 mm／內鍋 W173 x D173 x H115 mm
📣重量：2.4kg（不含配件）
📣容量：內鍋 2000ml
📣材質：內鍋 鋁合金 + 日本大金塗層／保溫蓋 304不鏽鋼 ／蒸氣閥 PP 材質／保溫蓋密封圈、蒸氣孔密封圈 矽膠
📣認證：國家 BSMI 合格認證（R3D198）
📣責任險：富邦產品責任險 3500 萬
📣台灣原廠公司貨機體保固1年

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

【線上課程】《時間駕訓班》～
學會提升效率，擺脫瞎忙人生，做自己時間的主人
課程連結：https://pse.is/DDDHB

【2019/05/03開課】《人際回應力-看懂情緒，輕鬆對談》~第19期
一個人的命運，是回應力的總和！
課程資訊：http://www.koob.com.tw/contents/157
更多學員心得分享：http://goo.gl/Guc6V6

【人際維基】桌遊體驗會～讓你一玩就懂別人的在乎～ 02/24(日）或 03/16(六）14:00
活動資訊課程：https://www.koob.com.tw/contents/3072

【人際維基】桌遊工作坊～帶給你更多新鮮的玩法與樂趣~2019.04.14
課程資訊：https://www.koob.com.tw/contents/3545

[ 2019.04.13 開課！]【寫作小學堂】～寫出專屬風格，找回文字悸動~第二期（已額滿，歡迎來電安排候補）
打造一盞自己的聚光燈，建立起專屬於你的品牌印象
資訊：https://www.koob.com.tw/contents/3655

線上課程【不用開口，就讓你擁有人際好感】
啟動人際溝通的關鍵影響力 https://goo.gl/v3ojdo

桌遊【人際維基】～一玩就懂得別人的在乎：https://goo.gl/Ej4hjQ
到蝦皮購買【人際維基】：https://goo.gl/ASruqR
=============================
以下為本段內容文稿：

我最近讀到一位日本的腦科學家，今井良太。他的一篇論文，叫做「社群網路規模反映人腦構造」這樣的主題。

他這一篇論文，針對臉書朋友的數量，和腦部特定區域的大小，做了一個相關的研究。

他發現喔，臉書上的朋友越多，他大腦裡面右上側頭溝跟內嗅皮質，這些區域的灰白質就會越大；而且臉書朋友，也和他的海馬迴的大小成正比。

簡單來說喔，海馬迴越大，在臉書上的朋友人數就越多。然而這樣的研究結果，有一個地方就很值得探討了。

究竟是因為朋友多，所以大腦的特定區域才會變大？還是因為這個人，本來大腦的特定區域就比較大；所以才能夠擁有這麼多的朋友？

其實如果回到動物界的普遍研究的話，腦容量越大的動物，他所建構的社會規模也就越大。比如說海豚啊、猴子啊…這些物種；牠們建構的社會規模，本來就會比一般動物來得更大。

但是腦容量比較小的動物，比如說鹿啊、貓啊；牠們就比較沒有辦法，去建構起群聚式的社會結構。

所以，如果放到普遍的動物研究來說的話，社會性的交流和腦的大小，是有密切的關係。

那當你聽完這個研究，和一些衍生的討論之後，你接下來會做什麼行動呢？開始打開你的臉書，拼命的加朋友嗎？

我想你聽完這個研究之後，就立即做這個動作，似乎是有一點本末倒置。因為像現在臉書上，假帳號這麼多的狀況底下；其實如果是我，我每天都會收到很多、很多的交友訊息。

那這些交友邀請，如果我都不假思索的按同意的話，那是不是我每按一次同意，我的大腦就會變得更大呢？

那我們知道臉書有上限，5000個朋友的限制；那那些擁有5000個臉書朋友的人，他們就一定是這世界上最聰明的人、腦容量最大的人嗎？

我想這應該不用做任何的實驗，你只光聽到這裡，你就知道不合理嘛。所以囉，有時候科學研究是這樣，它可以告訴我們某些訊息，或者是某些指標的「相關性」，但是它不一定是代表它的「因果」。

也就是說啊，你不可能刻意的去增加你臉書的朋友，讓你這一個人，變得更聰明、腦容量變得更大。那麼你聽到這裡，那這些研究對我們的價值跟意義，又應該怎麼去理解呢？

我想喔，這個研究如果就我的理解，我會覺得朋友的關鍵，在於提升自己的視野。特別是當我的年紀，已經過了中年之後，我越來越感覺關鍵不在於朋友的數量，而是在朋友的質量。

如果有很多朋友，你交一個跟交一百個，在本質上沒什麼差別；因為你們討論的話題，你們想的事情都是一模一樣的。那麼這時候，朋友就不一定是多多益善。

然而，如果你能夠有意識的，去經營一些能夠拓展你的視野，建立你不同看待世界的角度的這些存在。就像是你固定收聽我的「一天聽一點」，假設我對你有這個幫助的話。

那麼這樣的一個朋友，會比起很多你在舒適圈裡面的100個朋友，來得有意義、有價值多了。那當你有意識的去拓展自己的生活圈，說不一定你的大腦，真的會變得比較大，而且你真的可能變得更聰明、更有智慧。

希望今天的分享，能夠帶給你一些啓發與幫助，我是凱宇。

如果你喜歡我們製作的內容，請在影片裡按個喜歡，並且訂閱我們的頻道；別忘了，訂閱旁邊的小鈴鐺按下去，這樣子你就不會錯過，我們所製作的內容。

然而，如果你對於啟點文化的商品，或課程有興趣的話，我們近期的課程，是在5月3號開課的『人際回應力』課程。

如果你想要建立更多、更有價值，能夠拓展你視野的朋友圈的話，那麼回應的能力，是你的基礎而且必要的能力。

5月3號的這一期課程，在我錄音的這個時候，它的名額已經在倒數了。所以我很期待，你能夠把握這難得的機會；我很期待，能夠在啟點文化的教室裡見到你，謝謝你的收聽，我們再會。