9月份台北課程大推薦👍👍👍
➡️影像處理、光學設計、色彩影像、數位語音訊號等主題
給你最專業的光學相關知識✨☄️
　　
✅影像處理原理與機器視覺檢測的應用
https://bit.ly/3kTta3a
　　
✅數位色彩影像處理(含相機、AR/VR、3D掃描/取像)
https://bit.ly/2X08SgE
　　
✅AOI光學檢測系統照明設計
https://bit.ly/3kZ95bY
　　
✅EUV 投影鏡頭的光學設計
https://bit.ly/3DWlbem
　　
✅產品可靠度環境試驗與加速壽命試驗實務案例分享(含電動車)
https://bit.ly/3kXiIbb
　　
✅數位語音訊號處理II-語音合成、轉換
https://bit.ly/2YCLHcV
　　
✅數位語音訊號處理I-語音辨識
https://bit.ly/3n9TzfW
　　
　　
　　
#台北課程
#光學課程
#影像處理
#機器視覺檢測
#數位色彩影像處理
#AOI光學檢測系統照明設計
#EUV 投影鏡頭
#產品可靠度環境試驗
#數位語音訊號處理
#語音合成轉換
#語音辨識

昨天在國小擔任代理老師的內人跟我分享學習吧上的一個功能～英文朗讀錄音評分。出篇文章讓小孩唸，然後系統會自動評分唸的好不好。

這功能有趣呀！老婆試了幾次，就叫我試一次，我想了想評分邏輯，就試了一次，由於文章不熟有吃幾個螺絲，但出來的正確率超過80%以上，比老婆試的那兩三次都高。

老婆問我為什麼？

我是有特別強化三件事，應該是這三件事讓我得分還不錯。

分別是”連音要有“、”重音要對“、”起伏要變“，這三件事。

”連音要有“，就是英文中有很多口語的發音前一個字的尾部的子音直接要連後一個字的第一個母音。像He’s a student，s a 就要連起來發，不能發成He is a，把它分開了。

“重音要對”，就是一個字的輕重音要擺對高低，這大概大家都理解。

”起伏要變“，就是句子中的抑揚要明顯一些，像在演蝙蝠俠的管家，或是哈利波特的石內卜。

那為什麼做這些事情會得到比較好的評分呢?

這必須說電腦與大腦在辨識語音的特質還正好是異曲同工。

雖然兩者在辨識上的原理差異很大，人腦是如何有效腦補，也就是其實沒有仔細聽，抓個大概去猜。而電腦則是能很注意的“聽”，分析聲譜的特性。

但兩者相同之處在”流動的變化“，這種有前後時間性的聲音改變，愈有明顯的流動變化者，愈容易得到高分，愈容易讓電腦與人腦聽清楚。

所以說，像是長短音，這出了名的Beach & Bitch,要電腦由聲譜分析中，抓母音共振峰的相對距離，其實會很不準，這本來受限在男女聲的泛音結構中，相對距離就會有差距，加上相對位置的區間落點，要用電腦算給分很難精確，就算是人腦來判讀有時也會抓這個人的相對發音的感受，渾厚一些的男聲，第一次聽他講Beach，極可能會聽起Bitch。但聽久了，就會知道只是他的長音比一般人聽起來更裡面而已，真的並沒有罵人的意思...吧。

上一段有點複雜，沒看懂就跳過吧！(那我寫它幹嘛……^_^|||)

總之，對語音的辨識而言，變化明顯點，絕對會加分。不管是電腦與人腦而言皆然。

～～～～～～～
※ 一對一視訊個人課，請私訊
1. Skype ID: https://join.skype.com/invite/jxPHO1DdHiXT
2. Line ID: joseyang9287

※ 健聲房公開班，台北(7/25、9/18、11/20)，高雄(8/21、12/11):
https://www.cln.com.tw/school_openclass_info_165_.html

※ 客製化 聲音講座、課程邀約，請洽清涼音文化
官LINE ID @clncln
電話：07-8033096#17

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

「科技始終來自於人性」這句廣告台詞大部分的朋友們都應該還有印象，而這也是諾基亞Nokia當年成功打入市場的產品核心。以前侯市長也是Nokia的使用者，所以這一次他也開心能率領市府同仁前往位於 #北歐 #芬蘭的「Nokia Executive Experience Center」，親自向Nokia專業團隊學習最新的 #科技 趨勢。

Nokia政府關係主管Mr. Karol Mattila分享他們堅持產品是應用理性的科技原理，並考慮感性的 #人性因素 來設計的，不論是從早期手機製造商到現在成為國際知名的5G網路布建商，已經逐步從提供5G服務的電信商，轉型為數位服務商。現場NOKIA台灣區總經理 #劉明達 展示專為 #智慧城市 發展的「#整合管理中心」，其中路燈結合監視系統非常吸引侯市長，其中民眾在報警同時，警方就能立即透過現場鏡頭去辨識 #語音、 #臉部面貌，並即時傳輸到後端來追緝嫌犯，幾乎沒有秒差的瞬間擷取現場的影像，後端指揮系統便能馬上派遣所需要警力及技術工作人員到場，將傷害降到最低。

以「#科技建警」概念打造「#智慧安全城」一直是市長上任以來的目標，在這次參訪交流中市府團隊回到新北市可以再重新思考如何透過 #大數據、 #AI人工智慧，精準警察勤務，並整合各單位情資，達到有效 #犯罪預防，編織綿密 #社會安全網，同時給警察弟兄最全面的支持。現場也有多項5G情境應用突破我們對於這個名詞的想像，各行各業都能利用5G進行翻轉式的革新。未來5G不只結合 #IoT #物聯網，也能變成一個實體性的發展，侯市長以及市府團隊也會借鏡5G這樣一個技術來幫助新北企業做 #數位轉型。

同時，市長及團隊們在 #瑞典 也拜訪2011年創立的 #Fintech (金融科技)公司「#Findity」，他們主要是幫助客戶把所有差旅、吃飯、出行等 #單據 資訊，進行#數位 和 #自動化，更能以智慧化及簡單化方式管理流程，解決行政耗時及繁瑣等相關問題。現場與數位化收據部門總經理Mr. Patrick Olsson交流後，讓我們對於新北市未來「#簡政便民」的規劃有更新的想法。我也當場邀請Findity團隊到新北創業基地「#新北創力坊」參訪，並提供軟著陸合作機制包含「#場域空間」、「#專業課程」及「#產業串連」等，為雙邊新創團隊及廠商尋求跨國合作機會。

P.S. Findity數位化收據部門總經理Mr. Patrick Olsson送上印有品牌的T-shirt及環保水瓶，市長則回送我們新北市立黃金博物館的「黃金樹飾品架」，因為知道他們是單據數位化的團隊，所以現場就開個小玩笑說讓他們放收據用的。

#以人為本 #國際厚友誼

－趕快來跟侯市長做朋友吧！－

☑️LINE@　https://page.line.me/youyi/timeline/
☑️ 臉書　　https://www.facebook.com/houyuih/
☑️ IG　　　https://www.instagram.com/hou.yuih/