Reinventing Workers for the Post-COVID Economy

The nation’s economic recovery from the COVID-19 pandemic will hinge ( ) to some extent ( ) on how quickly show managers can become electricians ( ), whether taxi drivers can become plumbers ( ), and how many cooks can manage software for a bank.

This is likely to prove especially problematic for millions of low-paid workers in service industries like retailing ( ), hospitality ( ), building maintenance and transportation, which may be permanently impaired ( ) or fundamentally transformed. What will janitors ( ) do if fewer people work in offices? What will waiters do if the urban restaurant ecosystem never recovers its density ( )?

Their prognosis ( ) is bleak ( ). Marcela Escobari, an economist at the Brookings Institution, warns that even if the economy adds jobs as the coronavirus risk fades ( ), “the rebound won’t help the people that have been hurt the most.”

Looking back over 16 years of data, Escobari finds that workers in the occupations ( ) most heavily hit since the spring will have a difficult time reinventing themselves. Taxi drivers, dancers and front-desk clerks have poor track records moving to jobs as, say, registered nurses, pipe layers or instrumentation technicians.

COVID is abruptly ( ) taking out a swath ( ) of jobs that were thought to be comparatively ( ) resilient ( ), in services that require personal contact with customers. And the jolt ( ) has landed squarely on workers with little or no education beyond high school, toiling ( ) in the low-wage service economy.

“The damage to the economy and particularly to workers will probably be longer lasting than we think it is going to be,” said Peter Beard, senior vice president at the Greater Houston Partnership, an economic development group.

What’s more, he said, COVID will intensify underlying ( ) dynamics ( ) that were already transforming ( ) the workplace. Automation ( ), for one, will most likely accelerate ( ) as employers seek to protect their businesses from future pandemics

The challenge is not insurmountable ( ). Yet despite scattered ( ) success stories, moving millions of workers into new occupations remains an enormous ( ) challenge.

“We need a New Deal ( ) for skills,” said Amit Sevak, president of Revature, a company that hires workers, trains them to use digital tools and helps place them in jobs. “President Roosevelt deployed ( ) the massive number of workers unemployed in the Great Depression on projects that created many of the dams ( ) and roads and bridges we have. We need something like that.”

勞工轉型以因應後疫情時代經濟

美國經濟能否從新型冠狀病毒影響下復甦，將在一定程度上取決於表演經理們要多久才能變成電工，計程車司機能否化身為水管工，以及有多少廚師能替銀行管理軟體。

這對零售業、餐旅業、建築維修和運輸業等服務業數百萬低薪工人來說，問題恐怕特別大。這些行業可能受到永久性損害或發生根本性改變。若辦公室裡人變少了，工友要做什麼呢？若都市餐廳生態系統繁盛不再，服務生又該如何？

他們的前景是黯淡的。布魯金斯學會經濟學家Marcela Escobari警告說，即使就業機會隨新型冠狀病毒疫情風險消退而增加，「經濟反彈也幫不了那些受創最重的人」。

Escobari檢視16年來的數據發現，今春以來受衝擊最大的一些職業，勞工將很難自我改造。計程車司機、舞者和櫃檯人員轉行從事護理師、舖管工或儀器技工等工作者十分有限。

新型冠狀病毒突然帶走了一大批原本被認為較不容易永久消失的工作，即需與客戶面對面接觸的服務工作。這一衝擊直接打擊到那些僅受過高中教育、在低薪服務經濟區塊中掙扎的勞工。

經濟發展組織大休士頓商會資深副總裁Peter Beard表示：「經濟、尤其是勞工們受害的時間，可能比我們預期的還要更長。」

他說，更重要的是，新型冠狀病毒疫情將強化已經在改變職場的潛在動力，自動化即為一例，由於雇主力求讓自己的企業未來不受大疫情影響，自動化極可能加速。

這項挑戰並非不能克服。然而，儘管有少數成功的例子，讓數百萬勞工轉業仍是巨大的挑戰。

雇用勞工後培訓他們使用數位工具，並幫他們找到工作的Revature公司總裁Amit Sevak說：「我們需要一項針對職業技能的新政。小羅斯福總統大蕭條時期把大量失業勞工投入工程計畫，興建了我們現在使用的水壩、道路與橋樑。我們需要這樣的東西。」

#高雄人 #學習英文 請找 #多益達人林立英文
#高中英文 #成人英文
#多益家教班 #商用英文
#國立大學外國語文學系講師

當老闆和客戶把你當許願池，你要如何知道哪個功能必須先做呢？

在設計產品上，藍圖相當重要，「產品藍圖」可大可小，可以大到未來三五年，大方向是每年要做什麼功能，小到未來三個禮拜，每個禮拜要做什麼事情。

不論如何，「產品藍圖」的目標，是要希望團隊知道，他現在在做的東西，到底最後要成就些什麼？現在做的這個小螺絲釘，最後到底是大願景裡的哪個環節。

每個階段的藍圖，扮演著成就下一個階段的重要角色，一個好的一年「產品藍圖」，絕對不是兩個六個月的藍圖連在一起就算，而是仔細地想過，在這未來六個月做的這些東西、學到了哪些經驗，會解鎖或是影響下一個六個月的藍圖。

你可能會問「那我要怎麼知道，要放什麼功能在藍圖上呢？」

此時，找出投資報酬率最高的功能。

可以靠經驗評估，做哪個功能報酬率比較高，或是請數據分析師，幫你做個商業個案分析，推估一下如果做了這個功能，大概可以多賺多少錢，假如公司沒有數據分析師，那麼商業數據分析的工作，就是要自己來啦！

舉個例子，比如說，你網站以前沒有英文版，但你發現有百分之十的流量來自英語系國家，而且競爭對手的英文網站流量成長很快，於是你推估，如果做了英文版，應該可以增加百分之十的流量。

另外一個你想做的功能，是改進「分享給朋友」這個功能，因為你發現，現在很多人主動分享你們的網站在社群媒體上，你覺得如果加個「分享給朋友」的功能應該會增加流量，你發現，現在透過分享來的流量已經有百分之二十，用戶訪談也說希望分享的用戶體驗更好一點，如果讓分享更容易，數據分析師推估，應該會多百分之二十的流量。

接著你問了工程師，他說做分享只要花一周，但做英文版要一個月，那當然，如果你的目標是增加流量，你肯定優先做分享的功能。

很多時候，個案分析當然有點主觀，畢竟是根據數字和經驗判斷推論出來的，不見得精確，但你可以抓三個可能的區間，分別列出：最糟可以增加多少流量、最有可能增加多少流量、最樂觀大概增加多少流量。

如果是高報酬、低成本，當然立刻做；如果是高報酬、高成本，那就是賭一把，可以等高報酬、低成本做完再來做；如果是低報酬、高成本千萬別做；如果是低報酬、低成本，那就有時間再做。

所以在規劃產品藍圖時，首先要確保的就是對公司有價值的功能要優先排進藍圖之中，而不是一股腦把所有的功能都排進去。

想知道更多產品開發的訣竅，歡迎參考這堂將破400萬大關的【矽谷阿雅的產品經理實戰指南】，裡面老師將深入淺出地講解在矽谷進行產品開發的第一手經驗！是想要到頂尖軟體科技公司工作的你不可錯過的好課！
>>https://bit.ly/36d6DYk

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

沒想到我那麼快就回來了！！那就繼續一開始的任務吧～用輕鬆簡單的方式推廣軟體工程👩🏻‍💻

對於軟體工程師，很常聽到前端後端全端，也很常被問到，但是對於大部分的人來說，它們卻是陌生的詞彙！今天就用淺顯易懂的方式，舉些生活化的餐廳例子來講解什麼是前端後端全端，並且聊聊如何知道自己適合走哪端～
影片內容講求的是讓大眾能夠迅速了解增加新知，所以如果覺得我講得太簡單，想要多補充更正內容的，都歡迎在影片下方留言唷！

📢 📣 📢 本頻道影片內容有輸出成 podcast 📢 📣 📢
可以在各大podcast平台搜尋「Untyped 對啊我是工程師」
請大家多多支持唷！！🙏🏻💁🏻‍♀️

這集會聊到...

Overview 💬
🔹 自導自演鬧劇
🔹 什麼是前端
🔹 什麼是後端
🔹 什麼是全端
🔹 前端 後端 全端 哪個比較好？
🔹 怎麼知道自己適合走哪端？

【軟體工程/電腦科學/程式設計 學習資源】
全端工程師密技 Full Stack Eng - Career Path (Codecademy)
https://bit.ly/3niTwLN
前端工程師密技 Front End Eng - Career Path (Codecademy)
https://bit.ly/32K1eql
用Scala學習函式程式設計
https://bit.ly/2IF0Thv
Scala 函数式程式設計原理
https://bit.ly/3kBQXTb
平行程式設計
https://bit.ly/3pCeaZf
Android 應用程式開發 專項課程
https://bit.ly/3lGCUwW
普林斯頓大學 電腦科學 演算法 基礎理論
https://bit.ly/3nxomAh
Go 語言學起來
https://bit.ly/35AWhlv
Parallel, Concurrent, and Distributed Programming in Java 專項課程
https://bit.ly/2IGnlH4
Java 軟體工程基礎課程
https://bit.ly/3fa4gJi
全端開發 跨平台手機app 開發 完整課程
https://bit.ly/2UCGWum

#前端後端 #工程師百百種
一定要看到影片最後面並且在「YouTube影片下方」按讚留言訂閱分享唷！
-
每隔週星期四晚上9點更新，請記得開啟YouTube🔔通知！
-

【愛屋及烏】
YouTube 👉 https://www.youtube.com/c/Untyped對啊我是工程師
Podcast 👉 https://open.spotify.com/show/3L5GRMXmq1MRsliQt43oi2?si=3zgvfHlETeuGfp9rIvwTdw
Facebook 臉書粉專 👉 https://www.facebook.com/untyped/
Instagram 👉 https://www.instagram.com/untypedcoding/
合作邀約 👉 untypedcoding@gmail.com
-
Untyped 對啊我是工程師 - There are so many data types in the world of computer science, so are the people who write the code. We aim to UNTYPE the stereotype of engineers and of how coding is only for a certain type of people.
凱心琳: 一個喜歡電腦科學邏輯推理，在科技圈努力為性別平等奮鬥的工程師。

圖片影片音效：[giphy.com] [pngwave.com][pexel.com]

【Disclaimer 聲明】
Some links are affiliated.
上面有些連結是回饋連結，如果你透過這些連結購買商品，我可以得到一些小獎勵，但不會影響到你購買的價格，甚至會是更低的價格！謝謝你的支持💕

💻 演算法到底是什麼
💻 演算法如何決定我們看什麼
💻 為什麼演算法這麼重要

👉資訊相關👈
————————————————————————
● 軟體工程師冷知識 - printf 為什麼有個 f、C++ 名字由來、為什麼要 hello world 我想長資識 https://youtu.be/Ddcbdkcd8eo
● 面試祕笈！絕不藏私！軟體工程師的面試技巧 我想長資識 E03 https://youtu.be/UxmlFsQFqx4
● Null 不是唸「怒嘔」？工程師常常唸錯的單字 我想長資識 E02 https://youtu.be/1YEcEQw0vGA
● 韌體是什麼? 4分鐘！讓你認識軟體硬體與韌體 我想長資識 E01 https://youtu.be/ZHWsHUEz4qk
————————————————————————

👉追蹤我們👈
————————————————————————
史九87 IG ► https://www.instagram.com/im9vv
史九87 FB ► https://www.facebook.com/shihjo87
商業合作請洽詢 ► shihjo87@gmail.com

信箱箱址中文:
24199
三重忠孝路郵局第 88 號信箱

信箱箱址英文:
P.O.BOX 88 Sanchong Zhongxiao Road
New Taipei City 24199
Taiwan （R.O.C）
————————————————————————

Coding vs Programming 軟體工程師在 編碼 or 編程? | 5 Differences between Coding and Programming【電腦說人話】
-
軟體工程師到底在幹嘛？內行外行怎麼說？
Coding? Programming? 程式設計？編碼編程？想到電腦科學就會想到這些詞，但是它們到底是什麼意思？差別又在哪呢？

讓凱心琳告訴你這兩個詞的5大層面的差別！
(Tools 使用工具, Expertise 專業知識, Approach 方法途徑, Outcome 成果產出, Learning 學習過程)

在這個人手好幾台電腦的時代，實在是有好多電腦的詞聽不懂。Cookie 不再是好吃的餅乾，Class不再是學生上的課，Bug 因為非常不一樣的原因而令人討厭。Coding, Programming 兩個詞表面上好像一樣，但是實際上卻截然不同。好多詞不懂～沒關係！讓 Untyped 為你解惑！

【電腦說人話】這個系列是希望透過口語化的方式，透過生活中的例子去介紹一些看似艱澀像外星語但實際上卻不難懂的電腦科學專有名詞。希望能讓曾經對這些詞彙充滿畏懼與疑惑的妳，能夠不再害怕，勇敢學習Computer Science！

【㊫ 電腦科學/軟體工程 學習資源 📖】
全端工程師密技 Full Stack Eng - Career Path (Codecademy)
https://bit.ly/3niTwLN
前端工程師密技 Front End Eng - Career Path (Codecademy)
https://bit.ly/32K1eql
用Scala學習函式程式設計
https://bit.ly/2IF0Thv
Scala 函数式程式設計原理
https://bit.ly/3kBQXTb
平行程式設計
https://bit.ly/3pCeaZf
Android 應用程式開發 專項課程
https://bit.ly/3lGCUwW
普林斯頓大學 電腦科學 演算法 基礎理論
https://bit.ly/3nxomAh
Go 語言學起來
https://bit.ly/35AWhlv
Parallel, Concurrent, and Distributed Programming in Java 專項課程
https://bit.ly/2IGnlH4
Java 軟體工程基礎課程
https://bit.ly/3fa4gJi
全端開發 跨平台手機app 開發 完整課程
https://bit.ly/2UCGWum


#程式設計 #Programming #電腦說人話
一定要看到影片最後面並且在「YouTube影片下方」按讚留言訂閱分享唷！
-
歡迎留言告訴我你的想法，或是你想認識的程式語言唷！
每（隔週）週四晚上9點更新，請記得開啟YouTube🔔通知！
-
【相關連結】
Coding vs Programming
[https://www.codementor.io/@edwardbailey/coding-vs-programming-what-s-the-difference-yr0aeug9o]
[https://www.educba.com/coding-vs-programming/]
[https://www.goodcore.co.uk/blog/coding-vs-programming/]


【愛屋及烏】
Facebook 臉書粉專 👉 [https://www.facebook.com/untyped/]
Instagram 👉 [[https://www.instagram.com/untypedcoding/]
合作邀約 👉 untypedcoding@gmail.com
-
Untyped 對啊我是工程師 - There are so many data types in the world of computer science, so are the people who write the code. We aim to UNTYPE the stereotype of engineers and of how coding is only for a certain type of people.
凱心琳: 一個喜歡電腦科學邏輯推理，在科技圈努力為性別平等奮鬥的女工程師。
-
This video contains affiliate links, which means that if you click on one of the product links, I'll receive a small commission.
圖片影片音效：[giphy.com] [pngwave.com][freesound.org][soundbible.org]



【Disclaimer 聲明】
Some links are affiliated.
上面有些連結是回饋連結，如果你透過這些連結購買商品，我可以得到一些小獎勵，但不會影響到你購買的價格，甚至會是更低的價格！謝謝你的支持💕