「這裡是吳軍的《硅谷來信》第3季。這封信和你介紹一本書，中文名叫《成長的邊界》，作者是大衛·愛潑斯坦。這本書的英文名非常簡潔，就是一個單詞「Range」，我把它翻譯成「廣度」，後面我們也用《廣度》來稱呼這本書。

你可能知道有一本非常著名的書《異類》，分析成功者為什麼能夠成功。我們之前的來信里也提到過這本書。而這封信要和你介紹的《廣度》，恰恰提出了和《異類》針鋒相對的觀點。

簡單來說，《異類》提出了著名的「一萬小時定律」，強調「刻意練習」、成為專才的重要性；而《廣度》這本書就如它的標題所言，更強調「廣度」在成長和發展中起到的作用。接下來我們就分析一下這兩本書的觀點，談一談廣度和深度的問題。

愛潑斯坦為什麼反對「深度」？
先簡單介紹一下《異類》和《廣度》兩本書各自的主要觀點。《異類》一書中有三個非常鮮明的觀點，《廣度》主要針對前兩個，我們就重點談兩本書有交集的地方。

先來看《異類》的第一個觀點，就是大環境和起步的時間很重要。你生對了時代，就有更大的概率成功；甚至你生對了月份，一開始比同年級同學大了幾個月，容易成為孩子王，後來就更有可能成為領袖。《異類》的第二個觀點，就是著名的一萬小時定律，講什麼事情要做好，需要有一萬小時的練習。

針對這兩個觀點，《廣度》這本書又是怎麼說的呢？
《廣度》的第一個觀點，就是認為早期優勢或者說早期的刻苦練習對於長期發展來講幫助不大。《廣度》的第二個觀點，就是它的副標題，講在這個專業化的世界中，通才更能夠取勝。

簡而言之，《異類》強調起跑線上的優勢，一開始佔優，後面就越發展越好；而且強調人要投入大量練習，成為專業化的人才。《廣度》則認為，早期優勢沒有那麼大的作用，比起專業化，現在的世界更需要的是通才。

《異類》的觀點你應該很熟悉了，也是現在社會的一種主流觀點。這封信我們介紹《廣度》，就稍微展開看一下《廣度》的作者愛潑斯坦是怎麼論述他的意見的。愛潑斯坦從四個角度論述了自己的觀點。

首先，愛潑斯坦把世界上的事情分為兩類。第一類是規則明確的事情，比如學鋼琴、打高爾夫球、做銷售、編程序，成功的標準非常清晰。在這些事情上，一萬小時定律是成立的。

但是還有第二類事，就是大量規則不明確的事情，比如創業。我在之前的信中講過，成為億萬富翁比登上珠峰更難，因為後者目標清晰，訓練方式固定，而前者沒有可以遵循的通用標準。愛潑斯坦認為，對於這樣的事，就算投入大量時間練會了一個單一技能，意義也不大。愛潑斯坦還特別提醒，要警惕那種「因為自己手裡有了一個錘子，因此看什麼都是釘子」的思維方式。

其次，愛潑斯坦講專業人士的判斷未必就更可靠。有的專業人士過於相信自己的訓練和固有的方法，結果有時候表現甚至不如普通人。這樣的例子我們見過很多，比如對股票的預測，對選舉結果的預測等等。

愛潑斯坦還舉了一個很特殊的例子。他說一項研究發現，每年心臟病專家聚集起來開年會的時間段內，心臟病患者死亡率反而會降低。這項研究推測，可能是因為心臟病專家忙於開會，沒時間做手術，而手術本身有風險，因此手術總量減少帶來了患者死亡數量的減少。換句話說，有些患者不做手術可能還能活過這段時間，結果因為做手術反而喪命了。這個統計結果提示，專家的判斷也有可能是不準確的。

第三，愛潑斯坦認為，方向比毅力更重要。愛潑斯坦也承認毅力是個好東西，但一味堅持、永不言退，甚至一條道走到黑，卻未必是美德。

愛潑斯坦講，世界上成功的道路千千萬，你怎麼知道自己選的路就是對的呢？如果走在錯誤的道路上，那越有毅力可能越糟糕。

《廣度》這本書講了許多改變人生道路而成功的名人故事。其中我印象比較深的是梵高。梵高年輕時做過牧師、傳教士、店員、藝術品交易員，對每份工作梵高都做得很認真，但就是做不出成績。直到接近三十歲，梵高才開始學習繪畫，並且迷上繪畫藝術。我們知道，最終他是作為畫家而流芳百世的。

最後，愛潑斯坦還舉出了很多實際案例，說明很多成功人士不是只懂某個領域的專才，而是廣泛涉獵的通才。這樣的例子你肯定也能想到不少，我就不一一列舉了。

總之，通過上述分析，愛潑斯坦提出結論：面對複雜問題、特別是沒有明確衡量標準的問題時，廣度比深度更有用。人要懂得放棄和退讓，不要一根筋只知道往前走。後退一步看似多花了時間，但可能因為找到了正確的道路，反而省了時間。每一次拓寬人生道路的嘗試，只要處理得好，都會成為人生的閱歷，並不白走。愛潑斯坦舉了喬布斯的例子，講喬布斯當年旁聽的一門書法課，後來對他設計麥金托什電腦和其他產品發揮了作用，因為喬布斯對藝術的感悟在很大程度上來自於這門課。

要廣度還是要深度？
介紹完愛潑斯坦的觀點，問題來了：我們該信誰的呢？是《異類》作者格拉德威爾說的刻意練習、成為專才，還是愛潑斯坦說的多加嘗試、追求廣度？兩位作者都舉出了很多現實案例支持自己的觀點。當然可能你也會覺得，兩人的觀點並不完全矛盾，也可以並行不悖。
但我們在生活中要面對的問題往往更加實際。比如你剛下班，接下來有一個小時的自由時間，你到底應該做什麼？對此我們必須有一個選擇，因為做了這件事就不能做另一件。如何選擇呢？其實還是要回到理性的分析上來，而不是聽信任何現成的答案。

我常常講如果你不知道做什麼，就想一想你要成為什麼樣的人。我們不妨按廣度和深度兩個維度，把人分為四類。

第一類人，既沒有廣度，也沒有深度，這自然不是我們的目標。
第二類人，既有廣度，又有深度。這種人通常是天才，比如達芬奇、牛頓、愛迪生、喬布斯，還有用數學建模來進行投資的文藝復興公司創始人詹姆斯·西蒙斯等等。不過，這類人的數量在世界上可能連萬分之一、甚至百萬分之一都不到。我們雖然能講出不少這樣的名字，但這是因為他們站在聚光燈下，吸引了人們的目光。如果你在現實生活中看看身邊，這樣的人可能一個也找不到。當然，如果把要求放低一點，只說有一定深度和廣度的人，可能還是能找到一些的。
再看第三類人，有深度，沒有廣度。這種人我們身邊應該有不少，或許我們自己就屬於這一類。
第四類和第三類反過來，有廣度，沒有深度，這樣的人也比較多。

簡單分析一下：第一類人我們不用考慮；第二類人雖然你我都很嚮往，但很難成為這樣的人；那麼我們主要考慮的，就是在第三類和第四類中選擇。
接下來的問題就是，結合你自己的情況，要成為第三類或第四類，哪一種對你比較容易？此外，第三類和第四類人，在生活中哪一種相對更受歡迎、更容易成功？根據我自己的觀察，答案是第三類，也就是比起有廣度沒深度的人，還是有深度、但廣度有所欠缺的人更容易成功一些。

那麼，這是不是意味著我完全不贊成愛潑斯坦的看法呢？並非如此。我專門和你分享這本書，正是因為雖然愛潑斯坦和我的觀點不完全一致，但仍然給了我很有益的啓發和提醒。他提醒我們，做事不要死鑽牛角尖，要注意看方向，要找到適合自己的事情，要嘗試各種新東西。實際上，愛潑斯坦講的「廣度」也不是蜻蜓點水、多而不精，他也談到了在保持一顆開放心靈的同時，我們也要選擇某個領域往深里走。

怎麼讀書才能為我所用？
最後，借著《廣度》這本書，再和你談一下讀書這件事。我們在閱讀他人想法和接受他人經驗的時候，有一個很容易進入的誤區，就是當那些想法和經驗特別符合我們的胃口，我們就會非常順暢、甚至不假思索地接受它們。

有的人讀了《異類》這本書，聽到了一萬小時定律，覺得很有道理，然後就為自己簡單低水平的重復工作找到了理由；被其他人問起來，就抬出一萬小時定律當藉口。同樣的道理，有的人讀了《廣度》這本書，就為自己不能在一條路上深入找到了藉口，說自己是要成為通才。很多人說是讀書，只是不斷為自己找藉口而已。

實際上我們讀書的時候，對於作者的觀點，既不應該輕易接受，也不應當直接拒絕。不同視角、不同觀點的書，往往能給我們有益的啓發。

比如有人覺得一萬小時定律很有道理，但自己試了好像不靈，就不知所措了。這時你讀到《廣度》這本書，就會發現一萬小時定律要成立，還需要其他條件，比如只有對於可以清楚衡量、可以明確追蹤進步的目標，一萬小時定律才有效。這樣一來，兩本書中看似不同的觀點就起到了相互補充的作用。這就是為什麼我們要多讀書，而且要讀不同的書。

一本好書，不在於它的觀點都符合你的心意，而在於它能夠提供可靠的信息和視角，啓發你的思考。因此，即使我不完全贊同《廣度》的觀點，這本書仍然值得一讀。

小結
如果你自己讀這本書，也要記住我們讀它的目的是接受它的啓發，而不是聽了那些遙遠的故事就放棄努力。其實對於大多數人來說，比起廣度，更欠缺的還是毅力。成為通才並沒有錯，但更多人只是把「成為通才」當成了半途而廢的藉口。

當然，對於格拉德威爾和愛潑斯坦的觀點是如此，對於我的觀點，也是如此。我的結論應當是啓發你思考的材料，而不應該直接成為你的結論。瞭解了這兩本書，你更應當運用自己的理性去思考和審視，找到適合你自己的進步道路。」

[想攝影142] 細說分鏡 Vol.19
🎥 影片時間連結：https://youtu.be/3XpWY8Xbe5U?t=260
🖍真正勾起共鳴的絕不是表面，而是隱含在照片中，那些不為人知抉擇的密秘
🖍那才是照片的靈魂、故事與含意
🖍了解過後，才足以激起我們心中的感動的共鳴

前面說了很多「照片、故事、照片故事背後的故事」，特別是「照片故事背後的故事」，也許會有人認為，那不就是「創作動機」嗎? 其實不是，我認為創作動機，是整個我們自己生命中的一個「火花」，有點像是「靈機一動」「天外飛來一筆」的感覺，又或著是抱著特定的觀點拍下的作品，說說這觀點與照片的關係如何一同呈現，所以我認為「創作動機」跟「照片故事背後的故事」是不同的觀念。 這一篇，我們來談談這點

🟥旅行攝影與攝影旅行
「旅行攝影」與「攝影旅行」是完全不同的攝影觀念，也同是完全不同區旅行方式，他們都是一種旅行，但整個目的完全不同。

🔹旅行攝影，我的定義是「在旅行中所見、所拍」，這一次旅程看到什麼，在你的眼裡覺得有趣而拍下這些照片，看起來每一張照片都是獨立的，但攤在你的旅程時間軸上，照片的順序也就是旅途的痕跡。

攝影旅行則是「為了攝影所規畫的旅行」，為了照片目的，而規畫的旅行，包含出發、經過、抵達、等待，路途不見得順，但就為了那張照片最好的時候，所規畫的行程。🔹

「為了等待從傍晚進入深夜」，在一景點足足待了近 2 個小時，哪裡也去不了，因為我曾看過他人的作品，那景點、那景觀傍晚日落的照片真是迷人，算好差不多時間前往該處，然後一等就等上好段時間，就為了拍攝那 2 個小時光線與色溫的變化。

但就旅行的角度就不見得如此，旅行規畫上，通常是以「效率」「方便」為主，數個點都要一一的 「Check」，達成，那麼在有限的時間下，安排好路線、交通、用餐、住宿很重要，儘管不是每個人都是抱著這樣子的方式旅行，也有些人是「隨意」，到了再說，反正都要去那幾個地方，不如就看心情、看天氣做決定，而這一路拍攝的照片，自然也就是旅行的記錄。

「因為旅行而攝影，與為了攝影才旅行」，這二種心情我都有過，帶給我二種截然不同的攝影與旅行的心得體驗，前篇文章說到「唯有真的站在不同立場」，我們才有機會用不同的角度，來看待同一件事情。

🟥何時的念頭
何時產生這念頭? 那就要談談幾年前我自己辦過一場「旅行攝影」分享會的故事講起。

那天分享會後結束，在回程路上，心裡在想今天的分享會的心得，像是哪張投影片覺得不錯，哪個點可以做的更好，每一次的分享會我都會這麼簡單的自己檢討一下自己表現好不好，同時旁邊一位人，曾與我一同自助旅行的朋友問我一些事情，他問我說他即將自己前往義大利，在找尋交通票券資訊上，網路的資料很亂，每個人說的都不大一樣，問我該怎麼辦?

🔹「這很正常呀」，我說，因為寫這些旅行分享的人，他們自己也很可能第一次去，在旅行過程知道要介紹交通票券資訊給人參考，由於他們是第一次，遇上什麼、就拍下什麼、記下什麼，有時照片沒拍到，忘了細節而交代不清是很正常的，另一方面有時年代久遠，交通資訊需要更新…，種種因素下你看的網路資料都有可能不完全正確，但可以當作背景知識，隨機應變，除非是特定地點，不然大多數的原則都是通用的。🔹

其實我也是呀，我也寫了不少相關的旅行介紹的文章，也寫過一些旅行交通、票券的使用方式，經常都是「第一次」到某個國家，解決交通問題，除了參考別人的資訊外，自己也會特定的「拍下」特定的照片，像是「車站、車票、置物櫃」等等，再配合文字來搭配解說，因為有此經驗，回答起朋友的問題就顯得自然。

爾後在捷運站門口彼此告別後，我一個人往回家路上思考今天分享會的問題，以及剛剛與朋友互動的過程，突然才覺得「啊，不對」，今天的主題根本就與心中說的內容完全相反，今天的分享會是屬於「旅行攝影」 - 分享旅行中的照片，但我最想說的，其實是「攝影旅行」，是為了要分享「照片故事」以及「照片背後的故事」，而由於今天的主題是「旅行攝影」，自然投影片的內容順序，是以「旅行的順序、痕跡」做安排。

也正因為心裡很想說的是「攝影旅行」，也難怪為何某幾張投影片，我覺得應該順序調換，或是「併在同一頁說」會比較洽當一點，但一這麼做，就覺得講起來不大有順序，時間順序就會彼此交錯，讓觀眾覺得…，怎麼一會說今天拍的照片，一會說後天、一會說昨天照片的感覺。

過去自己辦了數場，以「旅行攝影」為主的分享會，每次說完心裡感受都隨著現場觀眾互動不同，感想也不同，但覺得始終…，離我心裡想分享的「故事」有一些落差，卻無從說起，直到這一天晚上，我才找到心中那塊最想說的天地。

🔹「我最想說的，是為了攝影作品，所追求的旅途，無論甜蜜與否，那才是一張照片我挑選出來最單純的念頭，正因為是為了追求那張照片的結果，所有的準備規畫都是以「它 – 照片」為出發點思考；但如果是旅途中所看到、見到所拍下的照片，好像我只是過客，順手一拍，除此之外 – 沒了，這種照片並不是好不好看問題，而是缺乏一點…，我心裡最在意的事情，在分享過程總有點不是那麼踏實的感覺」🔹

🟥抉擇與密秘
「我也想聽聽，別人的分享一張照片背後的抉擇與密秘」，除了拍照技巧外，同時也希望聽出這些拍照技巧，是如何抉擇出來的? 是唯一的答案嗎? 還是在許多答案中，選擇最適合當下的?
就像記者訪問發明燈泡的愛迪生，「你是如何知道要用那東西來做出燈泡的?」，愛迪生回答說「我不知道什麼可以達到，我只是找到 99 種失敗的方法，最後一個才成功」，雖然真實歷史故事並非那麼簡單，但這過程也與我們追尋一張照片過程，有一些雷同可以參考的點。

任何一張照片，拍攝方式、技巧與手法，說明出來原理很簡單，比如用什麼相機搭配多少鏡頭焦段，快門光圈感光度的組合、是否使用濾鏡等其它工具輔助，天氣是如何預測，又什麼時間點下拍攝，這些都是我們最後知道的「結果」，這些資訊若能在攝影分享會一一的提及，非常實用。

但如果真的對一張照片更「細細的切入多問二句」，就知道結果背後都有一些故事，礙於分享會的主題、時間有限下，那些故事通常都會被忽略掉，而這才是我最想聽到的部分，因為我知道如果我也去了相同的地點，採用了相同的拍攝方式，假設天氣狀況也相同，我也不見得拍出相同的作品，經常如此，人人都有類似的經驗，此時不免會覺得「他人總是留一手絕活」，確實有些人是如此，但有些並不是這樣。

🔹就好比聽人說…，看一個成功的人，不要只聽他成功的故事，要看看他遇過什麼樣的失敗、如何失敗、失敗的過程是什麼，因為成功無法複製，但失敗可以盡可能的迴避。

攝影也是一樣，光是聽著他人如何拍出成功作品，不代表你就能複製他人的成功，他一但在過程中遇上挫折與失敗，那我想人人都很有可能遇上相同的情況，那麼單單聽如何拍出這張照片「成功的要素」，是無法滿足我的好奇心，而背後不知失敗多少次、等待多久，準備多少才能達到，就算同一點蹲上好幾回，每一次的天時與地利也都不同，最成功的照片不見得是「天時與地利」最好的搭配，可是在那一次如何配合天與地，做出照片不同的抉擇，那才是最有趣的部分。🔹

🟥讓聽眾共鳴
「共鳴」是很難的，我談了 100 張照片，能讓底下的聽眾、學生產生共鳴的照片，若有 10-20 張有共鳴的話，我覺得對我來說就是件不容易的事情，這往往是我不斷編排講義參考的點。

要解釋一個抽像的概念，並且透過具體的圖、文、口語表達，讓底下的讓聽眾有「共鳴」那才是最棒的照片例子，而這樣子的照片是有的，但要一試再試，才知道同一張照片，在數場課程中是否經得起「共鳴的考驗」，也就是在課堂中，這個例子能吸引學生目光，數次都能達到那層效果，我才確定這組照片能讓他人達到心中的共鳴，這樣子的照片，我會用一個簡單的名詞稱乎他 - 「哇照片」。

🟥「哇照片」
「哇照片」不好找，真的，為了讓講義更加精采，我經常在改裡頭的例子，無論是在過去的照片裡翻找，或是重新拍新的，都不是件簡單的事情，有時反而越改越糟糕，再將之前的例子放回來也是常有的事情，但經過幾年的經驗下來，我漸漸覺得…，這個「哇照片」其實存在我電腦硬碟裡許久，而且還不少，只要我放慢速度，放鬆心情，好好的欣賞一些照片，想想當時這麼拍的理由，再看看這張照片能否在課堂上傳達得清楚。

🔹但如何確定課堂上我能否傳達清楚呢? 我會用單純一點的標準，這一張照片已是好段時間前拍的，在看這張照片，是否能讓「脫離拍照當下的我」，重回現場、感受它，如果可以訴說更多「照片故事以外的事情」，讓我自己回想更多這張照片以外值的事情，包含當時的天氣、心情、身體狀況、遇到的大小事等等，如果可以讓我自己，在看自己的照片回想起這些事情，通常成為我心中的「哇照片」機率就高多了，最後挑選出來在課堂上分享，往往會有不錯的效果。 (當然，有的自以為不錯的 “哇照片”，反而產生反效果，下次這例子拿掉就好)🔹

🟥站在台上，心在台下
任何主題的演講、分享，台上的講者應該不時的留意聽眾的情緒，是否對你的內容理解、投入，而不該自顧自的一股腦的說完每一張投影片，趕在時間內講完它，有些是「為了講完而講完」，有些則是「講不完就算了，跳過」，看看一位講者是否是熟練，從整個分享過程，除了時間的掌握，聽眾情緒拿捏得當宜，整場聽下來掌聲如雷，意猶未盡，那就是一場完美的分享。

這個不容易，真的，但也不難，同一個主題講上數十次，任何人也都能練習到一定的程度，而這一切的開始就從「講稿、投影片」的設計心態開始，熟練的講者，在一開始投影片準備心態，就不是以「張數」來思考，而是如同書寫一篇文章，簡單的「起承轉合」結構，帶著聽眾慢慢進入你的世界的前提下，規畫每一場分享，這點確實不容易，即使再熟練的講者，面對全新的主題，頭幾次也不見得都能做到這點。

🔹我覺得最好的「講者」，應該具備一種能力「人站在台上，心留在台下」那種能力，同時也是一種境界，要如何讓自己分享內容，能一次比一次好，這種能力非常重要，不為了時間、投影片張數而趕工、拖戲，而是與觀眾一同享受這個過程，畢竟人是站在台上，無法用第三人稱看待自己的表現，但講者的「心眼」可以時時看看自己，觀察聽眾，內容是已經固定了，但盡可能改變節奏，搭配音調調整、肢體動作、不時插穿其它故事、笑話，來讓整場分享更加成功，才能記下此次的失敗，下次做的更好。🔹

我想抱著「人站在台上，心留在台下」的心態，努力的改進分享的過程，每次一都比前一次更好，讓 100 張照片分享，能張張讓人感動，心中產生「共嗚」。

🟥攝影旅行、共嗚與「哇照片」
讓我找到最多「哇照片」，在數萬張照片堆裡，往往是在「為了攝影而去旅行」的照片裡得到最多的可能，因為一張「哇照片」通常挑選標準，都是對一張照片非常深切的感觸，我才會挑選出來。

🔹「一張照片真的勝過千言萬語」，這句話是對創作者自己才成立，對於底下的聽者，我則是將照片背後的千言萬語，精挑細選整理出來，如此一來才能讓聽眾，了解一張照片「如何拍攝」「背後故事」，以及「如何達成與失敗」，使得一張照片，無論是對拍攝者，或是其他聽者，更有其生命、靈魂與含意，讓大家產生共鳴，在這空間裡不斷的繚繞講者的語話，以及聽眾的笑聲、掌聲。🔹
📷📷📷📷
7 堂攝影入門課 🙆‍♂️終生看 ⏱隨時看 🎞線上看
#報名連結：https://go.hojenjen.com/3p2g6n
👉9/30 前早鳥價~~ $4990🔹🔹

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