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

譚新強：Galileo的教誨：人類非宇宙中心點
文章日期：2021年5月21日

【明報專訊】人類非常自以為是，一切以自己為中心的動物。自古以來，不止大部分人都以為大地是平或者是方的，他們更以為天上的星星、月亮和太陽，都是圍繞着我們而運轉的。當伽利略（Galileo Galilei）以望遠鏡觀察得來科學證據，支持哥白尼（Nicolaus Copernicus）的太陽中心論，他就被教廷批鬥和逼害了20多年之久。

即使現代人也有同樣自以為是的主觀願望。不少人偏見地以為近數十的所謂新發明，例如互聯網、手機、AI、機械人和加密貨幣等，都必然是人類史上最偉大和最重要發明。更有不少人甚至相信所謂加速回報定律（Law of Accelerating Returns），認為重要科技發明的速度不斷提升，很快就將達到人網合一的所謂「奇點」（Singularity）！

客觀點來看，這些科技發展雖重要，尤其互聯網和手機，令到日常生活更方便和豐富，但怎可能比火、蒸氣機、電力、電話、汽車和飛機等更重要？有人曾問過李光耀，什麼是偉大發明？他的答案是對新加坡而言，最重要的發明是空調！他認為在熱帶地區，如沒有空調，工作效率非常低，經濟發展必更困難。你可能以為李光耀此言是開玩笑，小小一台冷氣機，怎可能那麼偉大？但事實擺在眼前，新加坡是熱帶國家中，極少數（差不多唯一）能達到發達國家水平的國家之一，成功原素當然不止空調這麼簡單，但他立國不久即決定盡快在所有政府辦公室裝置空調，肯定對提升政府效率有極大幫助。

近20年科技無助提升生產效率
若以生產效率的趨勢來判斷近20年科技發展的成效和重要性，不幸客觀結論就必然是頗為失望，甚至驚訝。因為不論美國或中國，過去20年的勞動生產率（labour productivity）增長都不斷放緩（見圖1及圖2），就如數以萬億美元計的IT投資，每人手中一台超級電腦，都提升不了我們的生產效率。更不需遑論AI結合機械人，再加5G，所有工廠都應變得更自動化，需要的工人極少，理論上人均生產效率必定急速提升。

這麼多「超偉大」發明，怎去解釋生產效率增長率不加速反放緩的重大謎團？我認為可探討3個可能性。

（1）從1970年代開始，個人電腦（PC）開始崛起和普及，企業投入大量資源，期望生產力效率大幅提升。但長近20年的投資期，效果一直是失望的，在互聯網普及前，大部分電腦幾乎可算是獨立的，主要用途只包括文書處理（word processing）、電子試算表（spreadsheet）和簡單資料庫（database）等，即使有通訊功能，也只限於速度極慢、撥號連線的modem。在這個單打獨鬥的環境下，大部分PC亦是一台昂貴的高級打字機，對生產力提升當然有限。後來隨着互聯網崛起、寬頻普及，企業開始看得到大量投資IT的回報。當然互聯網的發展，提供了創立大量新企業的機會（但即使如此，上世紀七十年代至今的生產力增長也一直放緩）。

同一道理，過去30年的新科技發展，將有重新提升生產力效率的一天，可能只是時辰未到。我贊同有此可能性，但到底現代科技，缺乏什麼催化劑，防止它們完全體現潛能？我也沒有準確答案，部分可能是投放的量未足夠，例如5G，大家一直期待網絡速度馬上提升10倍以上至Gbps級別，但事實上在美國和中國的用戶體驗極差，平均速度提升50%不到，某些情况和地區，甚至比4G更慢，亦較受障礙物如牆壁阻礙接收。應用方面更缺乏「killer apps」，據說在中國的流行5G App是Speedtest，就是用來測試通訊速度！現時平均每個基站服務約7000用户，當然寄望繼續增加密度，到了某個水平，希望能較成功體現5G功能。除此，高頻率的mmWave網絡仍在起步階段，高頻率才可真正大幅提升速度，但不幸物理上，mmWave穿透力更差，要實現IoT夢想，實時遙控高速機器，進行精細手術和應用於交通系統等，仍面對極大挑戰。

（2）人均生產效率增長放緩，有可能是定義和數據準確度的問題。會否是不可以金錢來量度近代科技發展所帶來的所有好處，除經濟增長外，亦有助改善人類健康、延長壽命，以及提升快樂感？有可能，事實上在過去200多年，全球人類壽命的確上升很多，從不到30歲升至現在的70多歲；但大部分應該是公共衛生的改善，尤其自來水的普及，農業進步導致營養改良，以及接生技術和環境改善，大幅減低嬰兒夭折率等，而非來自先進癌症治療法或基因工程技術。當然，近年英美的平均壽命更出現下跌趨勢。快樂的定義更抽象，跟科技發展更沒有一個必然關係，去多幾次日本就一定開心啲？著名人類學家Steven Pinker認為，原始的hunter-gatherers，以狩獵為生，不用花太多時間工作和計劃生活，平均快樂度反而比生活較穩定和富庶的農業社會高很多。原因是農業需要長達一年的工作計劃、播種、灌溉、收割和儲糧等等，全年忙碌，亦需全年憂慮天氣和瘟疫等。現代人更惨，不止需要計劃一年，未上幼稚園，已需要開始計劃人生，每年每月每日都有無窮無盡的所謂工作、責任和煩惱。

有人企圖解釋，可能分母也有問題。人均生產力增長減速，或者是因為現代經濟高度自動化，需要工作的人愈來愈少，即是失業，underemployment和不需工作的人愈來愈多，所以人均生產效率就被拉低了。這個解釋有兩個問題，首先在這次COVID大流行前，以美國為例，失業率跌至3.5%的50年新低，何來工作人數在減少？近月隨着美國疫情減退，失業率又再急速下降，所以此論點不成立。

有人指出，雖然表面失業率低，但有不少人不再尋找長工，只做點「零工」（gig），或只領救濟，所以人均生產效率被拉低。我沒有深入研究過，但我懷疑近年underemployment的情况，是否真的比以前嚴重。我的印象是從前較以農業為重的社會，鄉下的「閒人」更多，城市化才是提升人均生產力的最重要元素。

總括來說，我承認經濟數據未必能夠完全反映科技進步對人類的影響，但仍不可以此為解釋生產效率增長放緩的藉口。

人類發展漸近兩科學極限
（3）我認為最重要的解釋是人類發展已逐漸走近兩個科學上的極限。第一個是地球資源所能提供的可延續發展極限。人類發展，從古至今，尤其從工業革命開始，都可說是建築在耗用地球資源身上，尤其倚賴化石能源，最初是最髒的煤炭，後來是更好用但更有限的石油，再加上較清潔但難儲存運輸的天然氣。近年我們當然開始發現化石能源的碳排放，帶來嚴重氣候變化問題，如不能在極有限時間內解決，足可導致一次全球大規模動植物滅絕災難！

樂觀來看，這個危機當然也提供很多發展再生能源、電動車輛（electric vehicle, EV）、儲能、碳捕獲（carbon capture），以至「地球工程」（geoengineering）技術的機會。但不能否認的是地球本身是個充滿有機化學（organic chemistry）的環境，最方便的能源必然是與炭相關的，石油的能源密度是任何電池技術的20倍以上。按《巴黎氣候協議》的計劃，人類必須在2050年前達到碳中和，談何容易？去年因疫情，全球碳排放確下降了約6.5%，接近但仍不到每年遞減7%的目標，今年美、中等經濟重開，有可能達標嗎？

另一個更根本的是物理的極限。歷史上最偉大的科學突破，毫無疑問是二十世紀初，愛恩斯坦的狹義和廣義相對論，和稍後由玻爾（Niels Bohr）、海森堡（Werner Heisenberg）和薛丁格（Erwin Schrodinger）等人所發展的量子力學（quantum mechanics）。兩套理論非常偉大，亦有極大實用性，核能和核武正是它們的結合，是禍是福，見仁見智。但不幸過去60年，理論物理已可說碰到了堅硬牆壁，相對論與量子力學有非常根本性，甚至哲學性矛盾，聰明如愛恩斯坦，窮人生最後30年努力，也無法解決此問題。後人想出很多充滿創意的理論，例如超弦理論（Superstring Theory），但全都是紙上談兵，毫無實驗證明，所以於事無補。

物理極限對應用科技和經濟發展有很大影響。整個IT革命都是由半導體技術進步所推進。最有名的摩爾定律（Moore's Law），雖並非一條真正永恒不變的物理定律，但在過去50年，一直是芯片發展的一個指標。事實是每一代的芯片發展，雖仍在進步，但速度早已放緩，最初摩爾定律預期每9至I2個月，芯片密度即可翻一倍，近年已放緩至兩年以上。強如過去的老大英特爾（Intel），已停滯於14nm兩年以上，只有台積電和三星能繼續推前，能成功生產7nm芯片。即使台積電等能如期做到2nm，無疑必將接近物理極限，再縮小必將帶出各種量子世界的奇怪現象如「穿隧效應」（tunneling effect），極難控制芯片性能。

在應用層面上，影響也必極大。單是AI無人駕駛，已是個極重要的科技夢想，亦是Tesla股價的一個重要支柱。馬斯克（Elon Musk）教主是個頂級銷售員，他一直不斷告訴「信徒」無人駕駛是個相對簡單的ANI（Artificial Narrow Intelligence）應用，只需GPU或ASIC夠快，加上視覺數據，必可在短期內成功。按馬斯克的說法，年輕一代不需要學駕駛汽車，法律甚至將禁止人類開車，所有汽車變成AI無人駕駛的EV。

無人駕駛為極複雜AI難題
事實上，無人駕駛是個極複雜的AI難題，最近連馬斯克開始承認困難比原先想像中高很多。不止Tesla，大部分其他公司都碰到同樣問題，不少甚至已放棄。Uber和Lyft都計劃出售無人駕駛部門，Alphabet的Waymo，近日CEO和CFO等多位高層相繼辭職。德國各大汽車廠近日都推出質量非常不錯的EV，但並無太多AI功能。

我一向認為無人駕駛沒那麼簡單，應屬於AGI（Artificial General Intelligence）問題，即需要所謂common sense。人腦當然遠比電腦慢，但複雜度遠比芯片高，人腦neurons（神經元）數量超過1000億，synapses（突觸）數量更超過125萬億，更加是三維物體，連形狀和組織都對人腦的思考、性格和整個意識（conciousness）非常關鍵，遠比現時最先進二維為主，7nm GPU的540億原子粒多和複雜。即使未來用到2nm技術，能做出人類common sense的機會仍很低。不少AI專家認為，AGI需要whole brain simulation，或甚至不可以矽為基礎原料，改以用所謂wet ware，不知是否想以基因工程技術，在試管中培植出一個以碳為基礎原料的有機AI系統？聽起來，比Frankenstein（科學怪人）更恐怖！

我沒有答案，只想提醒大家不要過度自以為是，人類始終是渺小的，我們對宇宙的認知非常有限！

（中環資產擁有Tesla、Uber、Alphabet、台積電及三星財務權益）

中環資產投資行政總裁
[譚新強 中環新譚]

https://www.mpfinance.com/fin/columnist3.php?col=1463481132098

本集廣告與「初聲新聞獎」合作播出
　　
「初聲新聞獎」想重新定義新世代的好新聞
　
鼓勵熟悉數位媒體的世代挑戰新的形式
用兼具專業與創意策略的新聞抓住目光
對群眾產生更大的影響力！
了解更多參賽資訊：https://pse.is/3e4zw3
　
＃新聞要真 ＃也要迷人
　　
本集節目內容由志祺七七頻道製作，不代表 初聲新聞獎 立場。
　　
--
　　
你有聽過「區間測速」系統嗎？
它從上路以來就爭議不斷。
政府將它視為「＃守護道路安全 」超速剋星
許多車友則覺得，這是搶錢又擾民的取締魔王。
　　
今天，就讓我們一起來聊聊評價兩極的——
「 ＃區間測速 」吧！
　　
🎥 影片重點節錄 🎥
　　
💡 我們以前比較常聽到的測速照相，大多是「 ＃定點式測速照相機 」，它會架設在一個固定位置，測量車輛通過相機前的「 ＃瞬時速率 」。如果你有超速，就會啟動照相機，紀錄你的車牌資訊。
💡 但區間測速不太一樣，它會在馬路的某個路段上，設置兩個偵測點。如果有車輛通過，就會記錄車輛在兩個偵測點內的「行駛時間」，再由我們都學過的公式：「距離除以時間＝速率」，推算出車輛行駛的「 ＃平均速率 」。
💡 以往的定點式測速，駕駛人可能原本開很快，然後看到前面有照相機才緊急減速；但由於區間測速是計算「 ＃路段的總行駛時間 」，理論上，駕駛開車的速度會比較穩定，所以道路也會比較安全。
💡 而這樣的方法，在英國、義大利、瑞士、中國、澳洲等地方都有在使用，是國際間不算少見的執法方式。至於台灣，則到 2018 年，才第一次採用了區間測速。
💡 最近幾年，交通部開始推動「 ＃科技執法 」，希望能減少交通事故、並降低警察在公路上取締違規的安全風險，而區間測速也就成為其中非常重要的建設之一。
　
然而，這一波風潮卻也帶來各種亂象，不久之後，區間測速就接連出了幾次大包，重創了政府的公信力。想知道發生了什麼事嗎？現在就趕快點開下方影片，讓我們一起看看吧！
　　
————————————————————————
✦ 如果你也覺得這些資訊 很 重 要！
✦ 用一秒鐘 ＃分享 這則貼文，讓更多人知道吧！
✦ 想加速觀賞影片嗎？請到 YouTube 觀看：
👉 https://youtu.be/KV8uGzB0iUc
————————————————————————
　　
➜ 在 YouTube 上訂閱志祺七七頻道，
還可以加入會員贊助我們喔！
http://bit.ly/shasha77_member
　　
➜ 如果不便加入會員，也可從這裡贊助我們：https://bit.ly/support-shasha77
（請記得在贊助頁面留下您的 email ，以便我們寄送發票。若遇到金流問題，麻煩請聯繫：service@simpleinfo.cc）
　　
➜ 追蹤志七 の IG ，
看更多趣味新聞新知與志祺日常：
http://bit.ly/shasha77_instagram

由 Gameduchy（遊戲公國）開發的機器人 x 美少女手機遊戲 —《機動戰隊》（英文：Iron Saga）繁體中文版即日起雙平台正式上線，開發團隊表示為了慶祝遊戲上線，開放《破邪大星彈劾凰》限時聯動活動。玩家們將能夠操控「大張正已」老師為遊戲特別繪製的「彈劾凰」機體。

官方指出，在《機動戰隊》的世界觀裡，玩家們將扮演指揮官的角色，在各方勢力相互對抗的環境下，同時伴隨著遊戲角色間彼此的互動，體驗著熱血、機甲與靈魂交織而成的原創劇情，並隨著遊戲內章節的推進，逐步融入其中。除目前玩家可以體驗到的劇情外，未來將會持續的更新帶領玩家更深入的探索遊戲世界的發展，同時也將有更多支線內容與聯動企劃。

只要你機甲、機師和配件上去了，你自然就變強了。而機甲、機師和配件又可以拆分成若干個小目標進行變強。某位名人說過扎實的地基決定上層建築，所以在具體攻略之前，先帶大家一一瞭解下他們的基本定義。

●機甲基本參數
耐久:機甲的血條
底盤:機甲的被動技能
武器:武器分為武器屬性:普通，冰(減速)、火(百分百燃燒傷害)、電(麻痹)、光(穿透)、爆(範圍)、酸(減少恢復)武器填裝速度和攻擊力;武器屬性(爆射，連發，單發，主炮，副炮，飛彈，霰彈，黑科技，拳形，劍形)武器屬性對應著配件的強化;
動作:就是最下麵的專屬能力。
一般一個遠程機甲的攻擊方式是:發射a武器(a武器開始填充) ;切換b武器，發射(b武器開始填充) ;切換c武器，發射(c武器開始填充)注意:這個切換是有時間的，開動作(動作進入冷卻)

●機甲品質
機甲品質的一大特點是超A滿地走。3s多如狗。-眼望去全是3s。這很大程度上會對新手起到誤導的作用。下麵我會進行重新評級。
—— UR級：（PY機、氪金機）打開商城。點擊z合金兌換。裏面有一個太陽之翼。點開它。那裏面的機子就是最高級，ur級，這些機子的獲取方法只有四種。第一種是抽卡。第二種是軍需商人兌換。第三種是好友互摸掉碎片。第四種是刷圖。這四種概率都低的發指。我們都管這些叫py機.
—— 再往下是ssr級，ssr級是月神，尼祿，貝利爾，亞瑟王這四只因為太弱被踢出py的機甲，以及太陽徽章的機體，其中太陽徽章的機體又稱為平民機，因為大多數可以通過黑市商店來換取，地圖的爆率大約是py機的三到四倍。
—— 然後就是s和ss，這些就屬於sr級了這裏面ss的格拉是很強的，等到6星開啟帝騎就很不錯了，競技場有翻盤的效果，前期可以給主角開，蒼藍之，星大地之錘也不錯，罪2比罪1強-一些，遊騎兵後面有超改，圖鑒黨可以留一些，其他的.主要的作用就是限制競技場(到75級開啟)還有就是可以作為材料合成ssr。
—— 最後ABC品質的機體，合一起作為r級, 這些機子主要用於過度，不要信評論裏什麼A機強無敵，打爆s機這些話，如果a級無敵了，那要員警幹什麼，前期培養a主要的目的是因為a的資源消耗少，可以更快成型，後面如果有更好的機體需要培養，直接還原就行，培養的材料全部返還。
●機甲星級
—— 機甲的星級直接決定機甲的強度，機甲的屬性分四個方面，武器，底盤，護甲，動作，每增加一.星就是對這四種之一進行強化。 這種強化方法導致機甲的強度成階梯分佈。
五星:一級階梯。
七到八星:二級階梯，在五星基礎上增加了必殺動作和底盤(大多數近戰)或必殺動作和武器(大多數遠程)
十星超改:三級階梯，就是一個機甲的上限了，部分機甲超改會改命,也有超改是恥辱
—— 各個階梯之間的變化是質變，而階梯之中的變化並不大，因為很多機甲的底盤武器和動作是相輔相成的，以蝠翼為例，底盤是飛彈回血，武器是加一組飛彈，動作是把飛彈發射出去。
部分機甲在五星就有較強的水準，例如夢魘，蘭斯洛特等，注意我這說的5星是和其他5星相比。
●機師
—— 機師應該是最容易理解的，因為這個遊戲機師和其他遊戲的人物一樣，有屬性，升級升星提高屬性，給技能點，可以加技能。
—— 技能點殺敵數也可以獲得，刷殺敵可以副官法(刷圖的時候把主力機師的副官換成想.練的機師)、無雙法(刷無雙)、競技場積分換數據三種。
機師的技能一共三種:加傷害的，防禦的(最好的是減最終傷和免控制，然後是回血金身)，控制的。
—— 這裏說一下如何簡單的測評一個機師， 哦，先把那個看臉的拖出去續了。。。好我們繼續，機師每100點屬性加10%攻擊力，那我們就可以根據機師的技能，把其折算為屬性加上去。例如:迪妮莎射擊700+，技能王牌機師全屬性加20%狙擊手加28%，就是400-500的屬性，相當於迪妮莎有1100的射擊，而露露，雖然射擊是800+但是沒有加傷害的技能。不過很多技能看.上去很美好不過實際觸發較低，比如冷血，事實上競技場不可能讓你拖到冷血疊滿，觸發條件極為苛刻。
●配件

配件可能是新手最不重視的，不過配件是變強三要素中最重要的，同時也是最燒資源的，配件可以理解為其他遊戲中的裝備，只有裝備好了，才能變強，很多新手搞了很多高星機甲結果發現圖都推不過去，其實就是配件等級太低的緣故，機甲的地位是沒法靠星級改變的一個高級的白色或藍色配件會遠強於一個低級紫配。
核心:紫色核心是最難取得的，紫色核心中比較好的有:刷新球，傳動，飛彈(競技場主力遠程大多數是飛彈)蜘蛛網(雷澤頓)轉輪。紅蓮(機師瞳限定)雙冷，白色的液壓關節和簡易攻擊這兩個核心是優質的近戰核心。遠程則是根據機甲武器屬性搭配.
子彈:主要用於提升攻擊力，紫配近戰主要是吸血和高周波，這兩個可以在挑戰中刷到，建議前期開局先刷1-2個紫色吸血。遠程的子彈配件要優先於近戰，因為遠程對輸出的要求更高。
輔助:有提升攻擊力的，有提升防禦的，輔助紫色配件又-一個底盤穩定，這個算是近戰通用，因為免控在競技場中的作用是在太大。而遠程則可以帶攻擊輔助
裝甲:記憶金屬改和堅毅是最通用的，堅毅如果給遠程機低級即可，如果近戰機師沒有免疫技能同時輸出很高(例如琳德)可以帶重型裝甲來免疫控制
塗層:塗層和裝甲-一樣決定防禦，傾斜結構是近戰通用的，底穩傾斜可以作為近戰的通用配置，打boss的時候可以上找打塗層，狂戰也是較好的塗層，藍色的白虎紋和帶刺外殼是較為優秀的配件
最後一個是寵物和副官，寵物有兩種，普通寵物可以用寵物魔球獲得，稀有寵物可以用星光徽章兌換，去刷圖的話兩種寵物的爆率為5-10: 1就是你普通寵物刷爆倉了也沒有個稀有寵物