#微控制器MCU #微處理器MPU #物聯網IoT #人工智慧AI #機器學習ML #微神經網路處理器microNPU #機密計算架構CCA #RISC-V

【多核、異構，MCU/MPU 不一樣了！】

越來越多包含微控制器 (MCU)、微處理器 (MPU) 設備加入數位化行列，且朝「多重處理器」趨勢邁進，每個 MCU 內部都是一顆 CPU (中央處理單元)，有些還會配置第二或第三核心負責處理專屬功能，包括從無線電到機器學習 (ML) 等各種任務；而單晶片 (SoC) 架構的挑戰是：平衡元件要求、以更高的效率完成任務，多重核心在這方面將持續扮演重要角色，包括管理通訊、資料、排程等作業也將變得更加複雜，其最大挑戰很可能是如何管理在多重核心元件上運行的軟體。

各界普遍認同摩爾定律與 Dennard 縮放比例定律已近終點，但運算需求的成長速度卻日漸加快，因此，未來將會需要更加複雜的異質化 SoC 架構。與此同時，MCU 與 MPU 的界線越來越模糊，有產業先進認為其中一個主要區別是：工作頻率。此外，MCU 屬於單核架構，專注在控制層面、涵蓋類比輸入與輸出的控制動作；而 MPU 可能是單核心或多核心，專注於處理資料、而非處理或量測類比輸入或輸出訊號，幾乎都會用外部記憶體來存放程式資料，速度屬次要參數。

實際上，高性能的 MCU 已經可以運行作業系統。值得留意的是，RISC-V 市佔率正持續攀升，尤其低階 MCU 領域已逐漸取代 Arm 32 位元 MCU (Cortex-M)，恩智浦 (NXP) 則計劃在某些新處理器子系統中將 RISC-V 作為共同處理器。芯科科技 (Silicon Labs) 認為：RISC-V 架構仍在持續演進，相比其他成熟的 RISC 價格，最大的差異是忠誠度、可用的工具、軟體以及新架構在沒有大量測試及實用基礎下的信心度等，其成長性或與成熟度互為因果。

延伸閱讀：
《數位化轉型中的 MCU》
http://www.compotechasia.com/a/feature/2021/0813/48768.html

#安謀Arm #Imagination #恩智浦NXP #芯科科技SiliconLabs #意法半導體ST

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

軟體吞噬硬體的 AI 時代，晶片跟不上演算法的進化要怎麼辦？

作者 品玩 | 發布日期 2021 年 02 月 23 日 8:00 |

身為 AI 時代的幕後英雄，晶片業正經歷漸進持續的變化。

2008 年之後，深度學習演算法逐漸興起，各種神經網絡滲透到手機、App 和物聯網。同時摩爾定律卻逐漸放緩。摩爾定律雖然叫定律，但不是物理定律或自然定律，而是半導體業發展的觀察或預測，內容為：單晶片整合度（積體電路中晶體管的密度）每 2 年（也有 18 個月之說）翻倍，帶來性能每 2 年提高 1 倍。

保證摩爾定律的前提，是晶片製程進步。經常能在新聞看到的 28 奈米、14 奈米、7 奈米、5 奈米，指的就是製程，數字越小製程越先進。隨著製程的演進，特別進入10 奈米後，逐漸逼近物理極限，難度越發增加，晶片全流程設計成本大幅增加，每代較上一代至少增加 30%~50%。

這就導致 AI 對算力需求的增長速度，遠超過通用處理器算力的增長速度。據 OpenAI 測算，從 2012 年開始，全球 AI 所用的演算量呈現等比級數增長，平均每 3.4 個月便會翻 1 倍，通用處理器算力每 18 個月至 2 年才翻 1 倍。

當通用處理器算力跟不上 AI 演算法發展，針對 AI 演算的專用處理器便誕生了，也就是常說的「AI 晶片」。目前 AI 晶片的技術內涵豐富，從架構創新到先進封裝，再到模擬大腦，都影響 AI 晶片走向。這些變化的背後，都有共同主題：以更低功耗，產生更高性能。

更靈活

2017 年圖靈獎頒給電腦架構兩位先驅 David Petterson 和 John Hennessy。2018 年圖靈獎演講時，他們聚焦於架構創新主題，指出演算體系結構正迎來新的黃金 10 年。正如他們所判斷，AI 晶片不斷出現新架構，比如英國 Graphcore 的 IPU──迥異於 CPU 和 GPU 的 AI 專用智慧處理器，已逐漸被業界認可，並 Graphcore 也獲得微軟和三星的戰略投資支援。

名為 CGRA 的架構在學界和工業界正受到越來越多關注。CGRA 全稱 Coarse Grained Reconfigurable Array（粗顆粒可重構陣列），是「可重構計算」理念的落地產物。

據《可重構計算：軟體可定義的計算引擎》一文介紹，理念最早出現在 1960 年代，由加州大學洛杉磯分校的 Estrin 提出。由於太過超前時代，直到 40 年後才獲得系統性研究。加州大學柏克萊分校的 DeHon 等將可重構計算定義為具以下特徵的體系結構：製造後晶片功能仍可客製，形成加速特定任務的硬體功能；演算功能的實現，主要依靠任務到晶片的空間映射。

簡言之，可重構晶片強調靈活性，製造後仍可透過程式語言調整，適應新演算法。形成高度對比的是 ASIC（application-specific integrated circuit，專用積體電路）。ASIC 晶片雖然性能高，卻缺乏靈活性，往往是針對單一應用或演算法設計，難以相容新演算法。

2017 年，美國國防部高級研究計劃局（Defence Advanced Research Projects Agency，DARPA）提出電子產業復興計劃（Electronics Resurgence Initiative，ERI），任務之一就是「軟體定義晶片」，打造接近 ASIC 性能、同時不犧牲靈活性。

照重構時的顆粒分別，可重構晶片可分為 CGRA 和 FPGA（field-programmable gate array，現場可程式語言邏輯門陣列）。FPGA 在業界有一定規模應用，如微軟將 FPGA 晶片帶入大型資料中心，用於加速 Bing 搜索引擎，驗證 FPGA 靈活性和演算法可更新性。但 FPGA 有局限性，不僅性能和 ASIC 有較大差距，且重程式語言門檻比較高。

CGRA 由於實現原理差異，比 FPGA 能做到更底層程式的重新設計，面積效率、能量效率和重構時間都更有優勢。可說 CGRA 同時整合通用處理器的靈活性和 ASIC 的高性能。

隨著 AI 演算逐漸從雲端下放到邊緣端和 IoT 設備，不僅演算法多樣性日益增強，晶片更零碎化，且保證低功耗的同時，也要求高性能。在這種場景下，高能效高靈活性的 CGRA 大有用武之地。

由於結構不統一、程式語言和編譯工具不成熟、易用性不夠友善，CGRA 未被業界廣泛使用，但已可看到一些嘗試。早在 2016 年，英特爾便將 CGRA 納入 Xeon 處理器。三星也曾嘗試將 CGRA 整合到 8K 電視和 Exynos 晶片。

中國清微智慧 2019 年 6 月量產全球首款 CGRA 語音晶片 TX210，同年 9 月又發表全球首款 CGRA 多模態晶片 TX510。這家公司脫胎於清華大學魏少軍教授起頭的可重構計算研究團隊，從 2006 年起就進行相關研究。據芯東西 2020 年 11 月報導，語音晶片 TX210 已出貨數百萬顆，多模組晶片 TX510 在 11 月也出貨 10 萬顆以上，主要客戶為智慧門鎖、安防和臉部支付相關廠商。

先進封裝上位

如開篇提到，由於製程逼近物理極限，摩爾定​​律逐漸放緩。同時 AI 演算法的進步，對算力需求增長迅猛，逼迫晶片業在先進製程之外探索新方向，之一便是先進封裝。

「在大數據和認知計算時代，先進封裝技術正在發揮比以往更大的作用。AI 發展對高效能、高吞吐量互連的需求，正透過先進封裝技術加速發展來滿足。 」世界第三大晶圓代工廠格羅方德平台首席技術專家 John Pellerin 聲明表示。

先進封裝是相對於傳統封裝的技術。封裝是晶片製造的最後一步：將製作好的晶片器件放入外殼，並與外界器件相連。傳統封裝的封裝效率低，有很大改良空間，而先進封裝技術致力提高整合密度。

先進封裝有很多技術分支，其中 Chiplet（小晶片／芯粒）是最近 2 年的大熱門。所謂「小晶片」，是相對傳統晶片製造方法而言。傳統晶片製造方法，是在同一塊矽晶片上，用同一種製程打造晶片。Chiplet 是將一塊完整晶片的複雜功能分解，儲存、計算和訊號處理等功能模組化成裸晶片（Die）。這些裸晶片可用不同製程製造，甚至可是不同公司提供。透過連接介面相接後，就形成一個 Chiplet 晶片網路。

據壁仞科技研究院唐杉分析，Chiplet 歷史更久且更準確的技術詞彙應該是異構整合（Heterogeneous Integration）。總體來說，此技術趨勢較清晰明確，且第一階段 Chiplet 形態技術較成熟，除了成本較高，很多高端晶片已經在用。

如 HBM 儲存器成為 Chiplet 技術早期成功應用的典型代表。AMD 在 Zen2 架構晶片使用 Chiplet 思路，CPU 用的是 7 奈米製程，I/O 使用 14 奈米製程，與完全由 7 奈米打造的晶片相比成本約低 50%。英特爾也推出基於 Chiplet 技術的 Agilex FPGA 系列產品。

不過，Chiplet 技術仍面臨諸多挑戰，最重要之一是互連介面標準。互連介面重要嗎？如果是在大公司內部，比如英特爾或 AMD，有專用協議和封閉系統，在不同裸晶片間連接問題不大。但不同公司和系統互連，同時保證高頻寬、低延遲和每比特低功耗，互連介面就非常重要了。

2017 年，DARPA 推出 CHIPS 戰略計劃（通用異構整合和 IP 重用戰略），試圖打造開放連接協議。但 DARPA 的缺點是，側重國防相關計畫，晶片數量不大，與真正商用場景有差距。因此一些晶片業公司成立組織「ODSA（開放領域特定架構）工作組」，透過制定開放的互連介面，為 Chiplet 的發展掃清障礙。

另闢蹊徑

除了在現有框架內做架構和製造創新，還有研究人員試圖跳出電腦現行的范紐曼型架構，開發真正模擬人腦的計算模式。

范紐曼架構，數據計算和儲存分開進行。RAM 存取速度往往嚴重落後處理器的計算速度，造成「記憶體牆」問題。且傳統電腦需要透過總線，連續在處理器和儲存器之間更新，導致晶片大部分功耗都消耗於讀寫數據，不是算術邏輯單元，又衍生出「功耗牆」問題。人腦則沒有「記憶體牆」和「功耗牆」問題，處理訊息和儲存一體，計算和記憶可同時進行。

另一方面，推動 AI 發展的深度神經網路，雖然名稱有「神經網路」四字，但實際上跟人腦神經網路運作機制相差甚遠。1,000 億個神經元，透過 100 萬億個神經突觸連接，使人腦能以非常低功耗（約 20 瓦）同步記憶、演算、推理和計算。相比之下，目前的深度神經網路，不僅需大規模資料訓練，運行時還要消耗極大能量。

因此如何讓 AI 像人腦一樣工作，一直是學界和業界積極探索的課題。1980 年代後期，加州理工學院教授卡弗·米德（Carver Mead）提出神經形態工程學的概念。經過多年發展，業界和學界對神經形態晶片的摸索逐漸成形。

軟體方面，稱為第三代人工神經網路的「脈衝神經網路」（Spike Neural Network，SNN）應運而生。這種網路以脈衝信號為載體，更接近人腦的運作方式。硬體方面，大型機構和公司研發相應的脈衝神經網路處理器。

早在 2008 年，DARPA 就發起計畫──神經形態自適應塑膠可擴展電子系統（Systems of Neuromorphic Adaptive Plastic Sc​​alable Electronics，簡稱 SyNAPSE，正好是「突觸」之意），希望開發出低功耗的電子神經形態電腦。

IBM Research 成為 SyNAPSE 計畫的合作方之一。2014 年發表論文展示最新成果──TrueNorth。這個類腦計算晶片擁有 100 萬個神經元，能以每秒 30 幀的速度輸入 400×240pixel 的影片，功耗僅 63 毫瓦，比范紐曼架構電腦有質的飛躍。

英特爾 2017 年展示名為 Loihi 的神經形態晶片，包含超過 20 億個晶體管、13 萬個人工神經元和 1.3 億個突觸，比一般訓練系統所需的通用計算效率高 1 千倍。2020 年 3 月，研究人員甚至在 Loihi 做到嗅覺辨識。這成果可應用於診斷疾病、檢測武器和爆炸物及立即發現麻醉劑、煙霧和一氧化碳氣味等場景。

中國清華大學類腦計算研究中心的施路平教授團隊，開發針對人工通用智慧的「天機」晶片，同時支持脈衝神經網路和深度神經網路。2019 年 8 月 1 日，天機成為中國第一款登上《Nature》雜誌封面的晶片。

儘管已有零星研究成果，但總體來說，脈衝神經網路和處理器仍是研究領域的方向之一，沒有在業界大規模應用，主要是因為基礎演算法還沒有關鍵性突破，達不到業界標準，且成本較高。

附圖：▲ 不同製程節點的晶片設計製造成本。（Source：ICBank）
▲ 可重構計算架構與現有主流計算架構在能量效率和靈活性對比。（Source：中國科學）
▲ 異構整合成示意動畫。（Source：IC 智庫）
▲ 通用處理器的典型操作耗能。（Source：中國科學）

資料來源：https://technews.tw/2021/02/23/what-to-do-if-the-chip-cannot-keep-up-with-the-evolution-of-the-algorithm/?fbclid=IwAR0Z-nVQb96jnhAFWuGGXNyUMt2sdgmyum8VVp8eD_aDOYrn2qCr7nxxn6I

現在去蘋果官網有BTS優惠～心動歡迎去看看ㄛ！
＿
舖米 Pumi
E-mail：pumiii2018@gmail.com
IG：PumiˍJournal (https://www.instagram.com/pumi_journal/)
Tiktok：https://www.tiktok.com/@pumijournal
Shop：https://shopee.tw/pumi17
影片禁止轉載、二改、商用｜本支影片moshi提供公關品

🍎我的MacBook Pro規格🍎
M1 晶片配備 8 核心 CPU、8 核心 GPU 與 16 核心神經網路引擎
13吋 16GB 統一記憶體
1TB SSD 儲存裝置
具備原彩顯示技術的 13 吋 Retina 顯示器
背光巧控鍵盤 - 中文 (注音)
觸控列和 Touch ID
兩個 Thunderbolt / USB 4 埠
Pro Apps Bundle 教育版

🍎周邊們🍎
Logitech 羅技 Pebble M350 鵝卵石無線滑鼠
https://store.logitech.tw/SalePage/Index/5624316?gclid=Cj0KCQjw4eaJBhDMARIsANhrQABzGykaPo_X1aM2HdynFTts0RioWxhzP5VCd5sk2zyIXckv0l-BlXsaAlq6EALw_wcB
KINYO Type-C擴充USB轉換器
（比較久之前實體店購買的了～）
TOSHIBA Canvio Advance V10 4TB 2.5吋行動硬碟-黑
https://24h.pchome.com.tw/prod/DRAA1U-A900B9TFV
Moshi iGlaze 輕薄防刮保護殼 (透明)
https://lihi1.com/3g6gX
Moshi Umbra 防窺螢幕保護貼
https://lihi1.com/Jhfqf
Moshi Muse 13" 三合一多功能筆電支架包 ( 焦糖棕)
https://lihi1.com/O2Dlr
桌面上的電腦支架
我在小市集闆娘的哀居跟他訂的，可以私訊問他：https://www.instagram.com/petitbazar2015/


🍎直接跳轉看想看的🍎
00:00 MacBook pro 開箱前言
01:14 平常使用MacBook Pro M1做什麼？
01:36 優點1：Adobe系列輕鬆相容
03:37 優點2：中度電腦需求使用者適合
04:15 優點3：觸控板超級好用
05:01 缺點1：M1晶片出包鼠標不見
06:09 周邊推薦1：羅技滑鼠
06:50 周邊推薦2：Type-C轉接器
07:35 周邊推薦3：外接硬碟
09:18 周邊推薦4：透明霧面筆電殼
10:08 周邊推薦5：螢幕保護貼
10:26 周邊推薦6：電腦支架包
10:46 周邊推薦7：電腦支架
11:09 我推不推薦MAC M1?


影片推薦｜
👉免費下載！精選2021 iPad 電子手帳模板懶人包🍎｜iPad手帳｜電子手帳｜免費手帳模版｜舖米Pumi
https://youtu.be/UIWb4W_963w
👉🍎My iPad 2019 Unboxing！開箱我的第一台平板！🍎｜iPad實用測評｜舖米Pumi
https://youtu.be/V6Hd91t5_Yk
👉實用APP推薦！我的手機有什麼？What's on my Phone？｜iPhone11測評｜好用APP推薦｜iOS好用APP｜安卓換iPhone｜舖米Pumi
https://youtu.be/iDVl6BKhNkw
👉十種蛋糕吃到飽🍰四萬訂閱慶祝Q&A！｜台北甜點｜甜點開箱｜吃播｜dessert｜舖米Pumi
https://youtu.be/AStjfPqqCwM
👉台中秘境文具店「六街文具房」戰利品文具開箱分享｜文具探店｜台中文具店｜Taichung Stationery Haul｜舖米Pumi
https://youtu.be/F5RdsOPi6QQ
👉十一月十二月近期文具愛用品November & December Favorites Stationery 2019｜舖米Pumi
https://youtu.be/ewx_mI63ZLI
👉九月十月近期文具愛用品September & October Favorites Stationery｜舖米Pumi
https://youtu.be/_LW53Ck6kec

樂曲提供：Production Music by http://www.epidemicsound.com
#MacBookPro #Apple #Ｍac開箱

▌建議開啟 4K 畫質 達到高品質觀影享受

不要錯過：http://bit.ly/2lAHWB4

這次石頭的新旗艦掃拖機器人 S6 MaxV 老實說跟前幾代比差異不大，其中「吸力增強」和「AI 雙鏡頭避障」實屬升級最有感的部分。

影片中也幫你們好好比較一番，大致比較 S6 MaxV、S5 Max 和 S6 Pure 的差異外，也拿其他家同級的熱銷旗艦掃地機器人簡單就規格功能面比較一番，看看售價 NT$19,999 究竟值不值得購入。


::: 章節列表 :::
0:41 雙鏡頭避障
3:02 外觀規格
5:52 同級旗艦機比較
6:55 入手建議


::: Roborock 石頭掃地機器人 S6 MaxV :::
價格：NT$24,999 / 新品優惠 NT$19,999
尺寸：353 x 350 x 96.5mm
重量：約 3.7kg
通訊技術：Wi-Fi 智慧快連
電池：14.4V / 5,200mAh 鋰電池
額定電壓：14.4V
額定功率：66W
吸力真空度：2,500Pa
清掃面積：300㎡
晶片處理器：高通驍龍 APQ8053 1.8Ghz
定位技術：LDS + SLAM
物體避障：AI 雙眼物體避障系統
AI 識別系統：AI 卷積神經網路（500 萬畫素雙鏡頭）
可識別種類：7 種以上（持續增加中）
越障坡度 ：最高 2cm
集塵盒容量：460ml
水箱容量：297ml
水箱方案：醫用級蠕動泵
拖地系統：恆壓電控水箱設計
拖布材質：特殊倒鉤設計纖維拖布
清掃方式：掃拖合一
吸力值：四檔變頻調節
吸地分貝數（皆未安裝拖地模組）：
　–「Max」：約 69db - 73db
　–「安靜」：約 63db - 67db
拖地分貝數：
　–「安靜 + 小水量」：約 56db - 60db
　–「MAX + 大水量」：約 68db - 71db
連動 APP：Roborock、米家
保固：主機 1 年


::: 相關連結 :::
有眼睛 94 不一樣 ➡️ http://bit.ly/39YO9v9
🎁輸入折扣碼 [ 3cdog ] 還有關注禮唷🎁


--------------------------------------
#石頭S6MaxV #掃拖機器人 #掃地機器人
#石頭 #Roborock #S6MaxV #AI識別避障

📖 Facebook：https://www.facebook.com/3cdog/
📖 Instagram：https://www.instagram.com/3c_dog/
📖 官方網站：https://3cdogs.com/
📖 回血賣場：https://shopee.tw/3cdog

▋ 有任何問題都來這邊找我們：3cdogs@gmail.com

【人際維基】桌遊工作坊～帶給你更多新鮮的玩法與樂趣~2020.01.18（六）（僅剩三位名額）
打造專屬於「你」的遊戲！
課程資訊：https://www.koob.com.tw/contents/4213

【線上課程】《理財心裡學》～擺脫家庭影響，從心培養富體質
課程連結：https://pse.is/EPBWE
第一講免費試聽：https://youtu.be/HgrDK7pqR-0

【線上課程】《過好人生學》～除了熱情，你更需要知道的事
讓你建立迎向未來的思維與能力！
課程連結：https://pse.is/H8JXH
第一講免費試聽：https://youtu.be/-EHOn0UxMys
不定期推出補充教材，讓學習無限延伸：https://pros.is/KQZZH

[ 2020/4/18 開課！]【寫作小學堂】～寫出專屬風格，找回文字悸動～第五期
打造一盞自己的聚光燈，建立起專屬於你的品牌印象
課程資訊：https://www.koob.com.tw/contents/3655
更多學員心得分享：https://pse.is/NE3QN

【2020/4/30開課】《人際回應力-看懂情緒，輕鬆對談》~第22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

【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
第一講免費試聽：https://youtu.be/flfm52T6lE8
不定期推出補充教材，讓學習無限延伸：https://pse.is/GXZWM

【線上課程】《人際斷捨離》～
讓你留下怦然心動的關係，活出輕盈自在的人生！
課程連結：https://pse.is/E5MW5
第一講免費試聽：https://youtu.be/YyLvd1cNcDw

歡迎加入「啟點文化Line@」：https://line.me/R/ti/p/%40teb0498p

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：

最近啊，跟我幾個同樣世代的朋友聊天；我們這一個世代，就是大概四十幾歲的大叔哦！

我們共同都很有感的一件事情，就是喔自己家裡的老人家，自己的爸爸媽媽，已經到了一個很明顯退化。

不管是在生理機能，但是更可怕的叫做他們的智力、他們的認知程度，已經有一個很明顯退化的狀態。

那你知道，生理機能的退化，有時候只要去多做一些陪伴跟輔助就可以了；可是呢大腦認知，可能是老年痴呆呀或等等的，它一旦發生的時候，其實是一個心理很大的折磨。

但是聊著聊著喔，我們共同的都嘆了一口氣，想說這個部分是我們不可逆的反應，我們一定要去面對；而這一口氣的背後，讓我們最毛骨悚然的是，是自己的退化。

四十幾歲，其實喔，對於自己的腦力、認知，還有思考的靈活度，如果平常沒有保養的話，已經是很有感的，跟以前是不一樣的。可能呢，過去喔的記憶力，跟現在就差了一個等級。

更可怕的是，如果不小心前一天晚上沒睡好的話，到了隔天那簡直跟宿醉沒什麼兩樣，跟以前年輕的時候真的是差蠻多的。

所以呢，聊到了這個話題喔，就讓我想到，其實有很多大腦科學的研究告訴我們，到底要怎麼樣保養我們的大腦，讓我們呢到了三、四十歲，我們的腦力可以跟18歲一樣好用？

那我在這邊喔，就跟你分享一些方法，或許會對你有一些幫助。

其實腦神經的研究告訴我們，我們人腦組織的厚度，大概在18歲到35歲之間，並沒有明顯的差異。

只是因為年紀的增長，我們的神經元傳遞的速度，會變得比較弱。所以呢，我們的主觀感受才會有記憶力變差，或是思考變遲頓這樣的一個錯覺。

然而我們的大腦呢，主要的功能有兩個區域；第一個是跟我們的注意力，跟長期記憶有關的，就是「海馬迴」。

你可以把它想像成我們電腦裡面的CPU、中央處理器。這個把我們的經驗，和學習的所有事物集中打包之後，然後分派在不同的區域去做儲存，這是海馬迴的功能。

而第二個重要的功能，是我們的「前額葉」。前額葉主要是管我們的邏輯思考、理性分析，還有意志力。

所以呢，如果我們能夠透過一些活動，去刺激這兩個區域的神經元，讓他保持活躍跟銳利度；那麼你就會覺得自己的大腦，不管是在18歲還是在4、50歲，都是一樣很好用的。

那到底要怎麼做到呢？其實呢，有三個方法，你倒是可以練習看看。

第一個方法呢，就是在你學習任何東西的之前，或者是之後，進行一些輕度或中度的身體鍛鍊。

其實呢，有很多研究告訴我們，睡眠可以讓我們的記憶力變得更好。

我們在睡眠的快速眼動期，正是同步讓我們把已經學過，或者是記下來的東西，更強化在我們的深處。

然而呢，除了睡眠之外，其實運動也會有同樣的效果。

你可以試試看哦，在你學習新資訊的之前或之後，立刻進行輕度到中度的鍛鍊，以我來說的話，我喜歡走路。

所以呢，我常常是在進入一個深刻的研究跟學習之前，我就會去走路；可能走個十五分鐘，走個半小時。

又或者是經過了一個很長時間的專心、投入，不管是在創作，還是在學習的過程之後，出去散散步、散散心。

這些肌肉的活動，會促使我們大腦神經的營養分子，叫做「BDNF」，這個部分的增生。

這個部分的增生，其實對我們的意義就是，會讓我們的大腦皮質，能夠更牢固的儲存更多的信息。

所以呢，你可以試試看，在你學習的之前或者是之後，進行輕度到中度的身體活動。

而第二個方法呢，就是減少多媒體之間的切換。

其實我們現在的生活，一旦你空虛、寂寞、覺得冷，你是不是就會滑滑臉書，或者滑滑youtube，或者是任何你習慣使用的網路服務？

可是呢，大腦神經的研究告訴我們哦，當你頻繁的在各個媒體資源，不管是電視、廣播、電腦、手機螢幕；或者是手機裡面的各個APP不斷的切換。這個過程它會損害你的長期記憶，它會讓你的海馬迴沒辦法正常的運作。

可是你聽到這裡，你想說沒辦法啊，我總不能遺世獨立吧，我總是要跟這個世界接軌吧，那該怎麼辦呢？

其實呢，我使用的方法就是哦，我會幫自己安排特定的時間；比如說，我不會無聊就去換手機。

我會給自己一個時間是，我每兩個小時或每一個小時；甚至於有時候如果需要的話，哪怕每半個小時才檢查一次手機；而每一次檢查手機，最多給自己3~5分鐘。

除了在這個規定的時間裡面上網、收郵件，或者是回訊息之外；其他的時間，我幾乎就會讓自己盡可能的，去離開這些多媒體的一個刺激；甚至於，主動的把我的網路關掉。

而第三個具體的方法是什麼呢？第三個方法，叫做專注於享受。

不管你喜歡戶外活動、聽音樂、畫畫、閱讀，不管是什麼？你可以給自己每天5~10分鐘的時間，去做那些純粹會讓你自己樂在其中的事情，這要刻意安排喔！

我自己的線上課程【時間駕訓班】裡，我也常常強調這一點；就是你很多重要的事情，那些對你來說有意義的事情。

你千萬不要存在一種，我知道它很重要，我有空再來做；其實很多人面對閱讀、學外語，就是因為這樣，所以導致他每天都沒做這件事。

所以呢，哪怕你每天只幫自己安排5~10分鐘，夠少、夠短了吧？但是當你刻意安排出來，那個時間就讓自己進入那個狀態，好好的去享受。

因為呢，我們的大腦是這樣哦，當我們放鬆享受一件事情的時候，我們的壓力水平就會降低；而壓力水平降低，那些我們大腦的一個分泌物，叫做「皮質醇」，這叫做「壓力荷爾蒙」，它的分泌就會減少。

你的大腦如果長期浸泡在大量的皮質醇裡面，其實不管你的長期記憶、不管你的海馬迴、不管你的額葉，或者是所有大腦的相關功能，都會受到很大的傷害。

所以呢，當你身心放鬆的時候，皮質醇的分泌就會減少；這個時候也比較容易啓動你的大腦自動清理的功能，讓你的專注力會更好、思緒更清晰。

所以呢，今天談了三個具體的方法，你可以試試看。

第一個，叫做學習前後，進行身體鍛鍊；第二個，減少多媒體之間的切換；第三個，專注於那些會讓你感覺到享受的事物。

希望今天的分享，能夠帶給你一些啟發與幫助，我是凱宇。

如果你喜歡我製作的內容，請你記得訂閱我們的頻道 並且分享給你身旁的朋友。然而如果你對於啟點文化的商品，或課程有興趣的話；我們近期推出了一個實體的活動，就是我們的桌遊【人際維基】的工作坊。

【人際維基】從上市到現在，受到很多單位團體的喜歡，特別是在教育現場老師，或者是一些人資同仁、業務團隊。

因為這些人都告訴我們，要教別人怎麼樣做人、做事，其實好難教，可是能夠透過遊戲，讓人自然而然在裡面有所體會，這是【人際維基】最大的價值。

然而也有很多人跟我們反映哦，就是【人際維基】他可能沒辦法湊出4個人，又或者是他只有一套桌遊；但是他有一大群人，要去讓他們參與、要帶一些活動，那這時候該怎麼辦呢？

你們的需求我們都聽到了，所以呢，我們設計了一個四個小時的【人際維基工作坊】。透過這個工作坊呢，你可以運用【人際維基】這一套媒材，去設計出專屬於你團隊的活動。

不管是有趣的、好玩的、互動的各方面，我們很用心的提供一個輕薄短小的學習歷程，你只需要花一個下午的時間，你就可以透過這個媒材，去設計出適合你，還有適合你團隊專屬的活動。

我們【人際維基桌遊工作坊】是在我們2020年，也就是明年初的1月18號；在我錄音的這個時候，1月18號的名額已經倒數了。

所以呢，如果這個時候你連上我們的連結，看到還有名額，請你務必把握這難得的機會；我很期待你能夠透過這一套媒材，來讓你不管在團隊的帶領、班級的經營，都有更明顯的前進。

詳細的內容，在我們的影片說明裡都有，很期待你的加入，那麼今天的分享就跟你談到這裡了，謝謝你的收聽，我們再會。