熱門Ptt文章

[爆卦]框架效應應用是什麼？優點缺點精華區懶人包

雖然這篇框架效應應用鄉民發文沒有被收入到精華區：在框架效應應用這個話題中，我們另外找到其它相關的精選爆讚文章

在 框架效應應用產品中有49篇Facebook貼文，粉絲數超過0的網紅，也在其Facebook貼文中提到， ▍運用心智模型衡量局勢 人類的思考需要運用各種心智模型（mental model，又譯為思考模型）。這些模型描繪著現實，能讓我們更容易理解這個世界，看出各種模式、預測事物的發展、瞭解自己遇到什麼狀況。要是沒有這些心智模型，現實對我們來說就像是怒滔洶湧的資訊洪流，又或是各種原始感官體驗與情感的叢林。...

　同時也有7部Youtube影片，追蹤數超過15萬的網紅豐富，也在其Youtube影片中提到，主持人：陳鳳馨 來賓：PG財經筆記版主 蔡至誠〈阿爾發投顧財務顧問部經理〉 主題：今周刊出版《投資心理戰：行為金融專家教你看透群眾心理偏誤，掌握獲利勝機》 節目時間：週一至週五 07:00​-09:00am 本集播出日期：2021.04.30 #News98​ #陳鳳馨​ #行爲金融學​...

「框架效應應用」的推薦目錄

框架效應應用 在 Simon Shen 沈旭暉 Instagram 的最佳解答

2020-05-23 22:18:44

【#沈旭暉隨緣家書🇺🇳】由下而上的民間WHO，何時出現？ 即使沒有疫情爆發，在國際關係的未來學（Future Studies），我們一直探討一個問題：未來的國際組織應該是怎樣的？基本上，現行的國際組織皆由國家主導，是次疫情中備受爭議的世界衛生組織，正是典型，因為它是聯合國一環，一切都跟隨主權國家規...

框架效應應用 在 Simon Shen 沈旭暉 Instagram 的最佳貼文

2020-04-28 14:04:01

[#隨緣家書］近來不少朋友推介推介Timothy Snyder的著作《暴政：洞悉時代之惡的20堂課》，結合6月以來面目全非的「新香港」，可謂對昔日政治冷感一群的當頭棒喝。然而要前瞻可能出現的新局面，William J. Dobson的《獨裁者的進化：收編、分化、假民主》一書，也許更貼近現實，因為當代...

  • 框架效應應用 在 Facebook 的精選貼文

    2021-09-25 07:15:39
    有 864 人按讚

    ▍運用心智模型衡量局勢

    人類的思考需要運用各種心智模型（mental model，又譯為思考模型）。這些模型描繪著現實，能讓我們更容易理解這個世界，看出各種模式、預測事物的發展、瞭解自己遇到什麼狀況。要是沒有這些心智模型，現實對我們來說就像是怒滔洶湧的資訊洪流，又或是各種原始感官體驗與情感的叢林。正是心智模型為我們帶來秩序，讓我們能夠無視不必要的事物而抓住重點—就像在雞尾酒會上，只聽到自己的對話，而不管四周其他人的吱吱喳喳。我們會在腦海中建構出一套現實的模擬，用來預測情況的發展。

    雖然我們可能並不自覺，但心智模型時時刻刻都在運作。但也有時候，我們會清楚意識到，自己正運用怎樣的觀點在衡量局勢，而且也能夠刻意堅持觀點或改變觀點。需要做出重大決定的時候（像是換工作、生小孩、買房子、關掉工廠、蓋一棟摩天大樓），就最常有這樣的感受，你會發現自己的決定除了出於客觀邏輯，還會有一些更根本的理由，像是看待當下情境的視角、認定世界運作的方式。而這種潛藏的認知因素，就是由各種心智模型組成的。

    我們必須去詮釋這個世界，才能真正存在於這個世界；我們對現實的感知，就會影響我們的行動。這些都是我們早就知道的事情，但也總是覺得理所當然而渾然未覺。

    所謂的思考框架（frame），也就是我們所選擇應用的心智模型，會決定我們如何理解世界，也決定我們如何行動。思考框架讓我們能夠歸納類推，得出抽象的概念，再應用到其他的情境當中。這樣一來，我們即使面對新的情境，也有辦法應對，而不需要每次都從頭開始學習。無論何時，思考框架都會默默運作。但我們可以刻意停一下、問問自己：現在我們運用了怎樣的框架？這真的是最適合目前情景的框架嗎？如果答案是否定的，就能去選擇其他更好的框架，或是創造全新的框架。

    .

    ▍我們所謂的「框架」

    框架（framing）這個詞，在社會科學領域已經談了很多。心理學家康納曼（Daniel Kahneman）和特沃斯基（Amos Tversky）就曾清楚解釋過，對各種結果採用了不同的說法，會影響別人所做的選擇；他們把這稱為「框架效應」（framing effect），並認為這是人類推理的一項缺失。

    而在這本書，我們雖然也用了「框架」一詞，但含義卻有所不同：我們指的不是對事物有不同的理解和說法，而是要刻意掌握自己的心智模型，在下決定之前，先發掘出各種選項。面對特定情境，選錯思考框架肯定就會讓決策有所疏漏；雖然如此，建立思考框架仍然是人類為自己賦權賦能的重要能力，能幫助我們理解世界、重塑世界。無論是個人或是整體人類，要是少了這種能力，絕對不會是現在這個樣子。

    可能有人會認為，另啟思考框架就好像是典範轉移（paradigm shift），也就是：某個特定領域的主要概念及實務有了根本上的改變。1962 年，科學哲學家孔恩（Thomas Kuhn）就提出主張，認為是一次又一次的典範轉移，推動了科學的進步。

    然而，典範轉移和改變思考框架並不完全相同。每次典範轉移，都是在另啟思考框架，像是哥白尼的地動說推翻了托勒密的天動說模型。但是，每次另啟思考框架，卻不一定稱得上是典範轉移；另啟思考框架是一件相對頻繁得多的事。有些時候，改變思考框架會改變整個社會對世界的觀點；但遠遠更為常見的現象是會為個人的生活，帶來一些小小但深遠的改變。

    不論是哪一種，如果另啟更適宜的思考框架，就能讓人做出更好的決定，創造更好的局面。

    說要建立或改變思考框架，可能讓人覺得很複雜、很困難。這確實需要一點技巧，但人們其實很懂這一套。雖然我們平常不見得意識到這點，但人類幾萬年來一直在建立及改變思考框架。

    思考框架並不只是個人的個別觀點，而是我們的基本認知模型。不過，若以「觀點」來打比方，確實有助於瞭解什麼是思考框架。義大利建築師布魯內列斯基（Filippo Brunelleschi）在1420年左右，確立了幾何透視畫法，而在這之前的繪畫是把世界畫成平面，各個物體的位置則是以重要性來決定。是在布魯內列斯基之後，畫家才學到了透視法，學會如何表現深度、如何畫出我們眼睛實際所見的景象。比較這項改變前後的畫作有何不同，有助於理解改變思考框架有何效力。

    每個人都會建立自己的思考框架，做出大大小小的各種預測和決定。而這就像是一直進行著某種心理上的時空旅行。有些人就是比別人更善於此道，但不論是誰，也都有一些可以再改進的地方。事實上，是我們每個人都必須有所改進。

    .

    以上文字摘自
    《#造局者》
    思考框架的威力
    Framers: Human Advantage in an Age of Technology and Turmoil
    .
    作者：庫基耶, 麥爾荀伯格, 德菲爾利科德

    ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...

    各位朋友好：

    昨天在贈書直播中，我用我的理解舉了原生家庭與關係的例子，幫助我們更好地了解，思考框架對我們的影響。學習「思考框架」這個概念的重要性，在於覺知：我們如果持續使用不適合的框架，導致痛苦的結果，那是什麼原因阻礙我們使用更合適的思考框架呢？

    像這種練頭腦的書，偶爾看看，可以預防失智，強迫思考，也是蠻好的事情。這種自我挑戰，是我自己平常就會做的事，也跟您分享。

    祝願您，能建立適宜自己的思考框架！

  • 框架效應應用 在 Facebook 的精選貼文

    2021-09-09 07:25:36
    有 251 人按讚

    《不懂引導問話術，主管自己累成渣》用PDCA提問法主持會議
    你有想過嗎，要如何擺脫沉悶無趣的會議方式，成為一個好的會議主持人？我更好奇的是，除了傳統的「是／否」、「對／錯」之類沒有討論空間的命令式問題外，還有什麼方法，能夠讓會議充滿更有建設性的討論？我從一本書裡找到滿意的答案。
    部落格文章 https://readingoutpost.com/how-to-host-meeting/
    Podcast 用聽的 https://readingoutpost.soci.vip/
    .
    #這本書在說什麼？
    .
    《不懂引導問話術，主管自己累成渣》這本書廣義來說，是教主管們如何提出「優質提問」，引導下屬採取行動、催生成長。狹義來說，書中的焦點實例在於「會議主持」，透過引導提問的方式，激發部屬的發言慾望和思考，達成更有效的討論。同樣的概念，也適用於任何的會議主持人，用來讓會議進行地更流暢、更活絡。

    這本書的作者是日本〈商業引導服務〉機構的代表人新岡優子，曾任IT工程師、專案經理、公司顧問，目前運用自己在產業多元的經驗，協助其他公司進行團隊開發、領導能力、流程改善、會議改善。如同大部分日本的商業書籍，這是一本道理講得少、案例練習講得多的書。

    書中很具體地展示了88個問句，如何應用在不同的情境和流程中，鉅細靡遺地說明使用時機和例外條件。這篇文章整理我讀完後的收穫，以及濃縮對我最有幫助的問句，畫成一張「主持會議的PDCA提問循環」提供日後參考。
    .
    #優質提問為什麼很重要？
    .
    先說結論：「好的提問能激發好的反思，好的反思容易帶來優質的行動」。在我的職場經驗裡，感受尤其深刻。最近有一位時常指導我的經理，對我（或對別人）最常問的一句話就是：「關於這件事，你有什麼想法？」每當自己被問到，腦中立馬千頭萬緒。

    這句話真是簡單又萬用的提問，而且屢試不爽。當我們接到這個提問時，會為了回答而「反思」，也就是連結過去的經驗與價值觀，整理出自己的判斷與想法。反思很可能會帶來新的發現，促使積極的人發想具體的策略，最終促成「行動」。

    在主持會議的時候，這句話也適用於對其他的與會者提問，激發對方的思考和表達，進而傾聽對方真實的訴求與想法。《莫守成規》這本書裡提到叛逆型的領導者會懂得跳脫框架、建立「關係」，而且不斷發問：「當我們藉由提問與他人互動時，彼此的關係會變得更強韌。」

    作者精煉多年來傳授「引導提問術」的經驗寫道：「優化關係品質和思考品質，促進行動品質的提升，進而帶來成果品質的提升。」這就是優質的提問能達到的效果，提升整體團隊的關係與思考、採取具體行動、強化最終成果。
    .
    #如何激起部屬發言慾望？
    .
    站在主管兼會議主持人的角度，不外乎希望大家參與會議，是能夠「達成共識」、「解決問題」、「促進行動」。要讓團隊產生化學效應，最重要的就是加深彼此的「信賴」關係。作者提出五個基本功，若自然而然掛在嘴邊，便能提升部屬的發言慾望：

    1.「謝謝。」保持真誠的笑容，無論部屬發言是否有益，皆表達感謝，讓人感到自己有所貢獻、還想再發言。
    2.「原來如此，這也是一種看法。」聽到立場不同或者相反的意見時，表達接納對方的發言，但還不表示肯定對方的意見。
    3.「讓我們一起來想辦法。」讓部屬把你當作一同思考的戰友，但要搭配問「各位覺得怎麼辦才好？」不要淪為只有自己動腦。
    4.「……（不多話）」身為主管常有強烈使命感，認為自己要負責解決問題。然而，太多話只會剝奪部屬思考與發言機會。
    5.「我還是想提出這個看法…」用於當團隊思考開始侷限、失焦時，用這句話擴大思考框架，或提出完全相反的想法。

    此外，保持「謙遜」的態度也會讓部屬勇於發言。我讀管理名著《主管這樣帶人就對了》時寫下這則感想：「領導者要認知到，自己不一定得是團隊中懂最多或最厲害的人，懂得讓出空間給下屬發揮和表現，讓下屬來『教』自己。」
    .
    #開會時應該問哪些問題？
    .
    讀到這本書的後半段，看到作者把「PDCA循環」用來做為會議的審視和改善規則手法。但我對於制定會議的規則比較不感興趣，反而覺得這個循環很適合做為會議的起承轉合，我整理書中實用的問句範例，畫成以下這張「主持會議的PDCA提問循環」。
    .
    #主持會議的PDCA提問循環 (詳見附圖)
    .
    #PLAN
    首先，是會議開始時的規劃（Plan）階段，提出「目前最大的問題是什麼？誰最困擾？我們最應該先解決的是什麼？」之類的問題，定義會議討論的主軸，凝聚大家的聚焦方向。
    #DO
    接著，是會議重頭戲的執行（Do）階段，針對討論方向開始向部屬提問：「關於這件事，你有什麼想法？你打算怎麼做？需要什麼協助？」透過這類問題，激發思考與討論，催生各種提案與想法，讓議題有一定程度的發散。
    #CHECK
    再來，是會議收斂的檢核（Check）階段，試著帶領團隊回顧，問道：「我們的討論是否有朝目標前進？」也可以向個人提問：「你可以用一句話總結這項重點嗎？」把討論完的策略與議題進行收斂，凝聚團隊共識，加深部屬對各個議題的認知。
    #ACTION
    最後，總結會議內容的行動（Action）階段，問出：「根據今天的討論，要採取哪些行動？」讓團隊針對共識，擬定各項行動。透過「所以誰能為這件事做什麼？」之類問題，讓各項行動有明確的執行者，完成這次的會議循環。
    .
    後記：#你喜歡哪一種工作風格？
    .
    《不懂引導問話術，主管自己累成渣》書中的88個問句範例，大部分是由（１）使用原理、（２）使用範例、（３）進階運用要訣、（４）宜避免使用的提問構成，適合讀者挑選符合自己風格的問句，進一步研究跟練習。

    以我自己接觸過日本外商的經驗，還有之前讀到《2030轉職地圖》這本書裡獵頭專家談日本職場文化，可以知道日本的職場倫理上對下的態度，仍舊根深柢固。書中也有許多篇幅，在講尊敬前輩的用詞和問句要如何調整，台灣的讀者倒不一定要照單全收。

    相比起「命令式」一口令一動作的帶領風格，這本書讓我提高對於「提問式」領導的意識。拋出問題讓部屬自己回答與尋找答案，更能夠促使部屬成長與進步，似乎也更符合年輕一代比較傾向自主、自由的工作風格。

    關於提問這件事，你有什麼想法呢？

  • 台灣物聯網實驗室 IOT Labs

    框架效應應用 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文

    2021-07-27 11:56:34
    有 1 人按讚

    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

你可能也想看看

搜尋相關網站