《陰陽師:晴雅集 》2021📍79/100
月初在Netflix上架的東方奇幻電影,改編自夢枕獏的日本小說系列《陰陽師》,故事講述古老的邪惡禍蛇即將重回人間,陰陽師晴明(趙又廷 飾)與武士博雅(鄧倫 飾)在斬妖除魔之路上,一步步揭開危險背後、陰謀當中的愛恨情仇。
導演郭敬明從《小時代》系列作...
《陰陽師:晴雅集 》2021📍79/100
月初在Netflix上架的東方奇幻電影,改編自夢枕獏的日本小說系列《陰陽師》,故事講述古老的邪惡禍蛇即將重回人間,陰陽師晴明(趙又廷 飾)與武士博雅(鄧倫 飾)在斬妖除魔之路上,一步步揭開危險背後、陰謀當中的愛恨情仇。
導演郭敬明從《小時代》系列作者一躍成為電影編導,靠著高顏值、高狗血成就了「流量電影」一詞,此後不斷在冷熱交織的極高討論度中載浮載沉,不只歷經抄襲等多次重大風波,16年電影作品《爵跡》更是負評爆炸導致已完成的續集上映失敗,也讓新作《陰陽師:晴雅集 》簡直像是背著原罪,未上映就有千萬網友等著開槍。然而電影始終是眾志成城的結果,以下除了討論郭敬明的指導優劣、個人風格之影響以外,還想聊聊淹沒在一片罵聲中的幾處優點,以及對東方奇幻電影和同IP新片《侍神令》的討論!
【特效極佳!被指抄襲《奇異博士》?】
東方奇幻電影一直不是特別被台灣觀眾吹捧的類型,多數人能對《哈利波特》怪物、咒語如數家珍,卻在看東方神怪時感到無比彆扭,以往特效精緻度的差距是一大主因。因此《陰陽師:晴雅集 》的表現讓人眼睛為之一亮,找來製作過《末日列車》的韓國特效團隊,打鬥時的翅膀翻飛、龍身壓境時的滿目瘡痍都不馬虎,配上奢華繁複、色彩飽滿的美術設計,就像是從寒毛到指尖都極度完美的電玩廣告,是少了真實感但極其賞心悅目的視覺效果。另外本片中傳送門技能被說抄襲《奇異博士》,雖然橘色光圈看起來有些類似,但圓圈傳送門不能算是獨一無二的新概念,尤其它不是故事重點、沒佔據過多打鬥場面,個人覺得此爭議有點言過於實。
最大的問題還是出在戲份比重和劇本編排上,除了懸疑片常見的難以收束、生澀地用念白配回憶來揭露真相,《晴雅集》顧名思義該以晴明和博雅的情義為主,公主、師傅和鶴守月的三角戀為輔,只可惜天秤越演越歪、配角最終鳩佔鵲巢,即使三人的曠世虐戀戲劇性十足,仍彌補不了慕「晴雅」之名而來的廣大觀眾。不過這很可能是製作方選擇明哲保身的結果,中國廣電總局明文指示「同性戀關係點到為止,可轉為友情,明確的同性戀題材和角色設定嚴格禁止」,因此雖用《晴雅集》吸引特定受眾、炒熱話題,片中卻戲份寡淡加用副線混淆視聽,連以兄弟友情為主打的其他雙雄電影都沒這麼淡薄。
【郭敬明的「男色美學」代表什麼?】
本片雖然在中國評價極差,但從Netflix快速上架能看出郭敬明在美國人眼裡還是很有商業價值的,點閱率也顯示出水準平穩的高顏值爽片永遠有其市場。郭敬明愛好男色的招牌風格仍以最大程度展現在片中,不然古裝奇幻電影中是很難看到全男星裸上身近身肉搏的,等於把從電影存在至今的陋習—「男性凝視」顛倒過來,以往女性在影視作品中裸露時間、程度都遠遠大於男性,滿足對女色的慾望、潛移默化中物化了女性,舉個例像《滿城盡帶黃金甲》的宮中侍女各各爆乳裝極不符合時空背景,當年反彈的聲浪雷聲大雨點小,現在《陰陽師:晴雅集 》提供了一個相反的例子,你認為是物化男性、矯枉過正?或者不需要嚴肅看待、觀眾擇其所好就不成問題呢?
同期新片《侍神令》近期也將在Netflix上架,故事雖然和《陰陽師:晴雅集》完全不同,但改編自《陰陽師》的衍生電玩、主角也是晴明,只是改由陳坤飾演,攜手20年老友影后周迅,光是這超級陣容就贏在起跑點了,究竟兩部作品適不適合相提並論,只能待上架後分曉。話說陳坤和周迅早年合作的兩部《畫皮》都是東方奇幻愛情經典之作,推薦大家看看我個人非常喜歡的《畫皮Ⅱ:轉生術》,趙薇和周迅交換著飾演千嬌百媚的狐妖、外強內韌的女將軍,人和妖的七情六慾、千百年的愛恨貪嗔等東方魅力盡在其中!
- - - - - - - - - -
#陰陽師 #晴雅集 #瀧夜曲 #2021 #Netflix
#影評 #放映雞 #奇幻 #愛情 #電影 #電影推薦
#導演 #郭敬明 #配樂 #川井憲次
#趙又廷 #鄧倫 #汪鐸 #王子文 #春夏
#bl #耽美 #侍神令 #趙薇 #陳坤
遠大車業評價 在 優分析UAnalyze Facebook 的精選貼文
電動車市場做大後,長期總需求量會成長,但對於最上游的原料供應商來說,還是不會改變其景氣循環特性。
電動車裡面最重要的就是電池,而電池是由「正級材料」、「負級材料」、「電解液」、「隔離膜」等組成的,這些都是整個電動車產業的最上游原料。
沒有錯,電動車會帶動這些材料的需求,整個餅會變大,不過每個行業都一樣,最上游的供應商景氣循環會比較大,這件事不會因為電動車成長而改變。
🧪美琪瑪(4721)是全球最大的PTA氧化觸媒供應商,下游客戶(PTA生產商)在製造PTA的時候就會消耗掉氧化觸媒(算是一種消耗品),所以美琪瑪的氧化觸媒訂單狀況,跟下游PTA客戶生產數量有關。
即便美琪瑪已經做到全球四成市佔率,PTA的終端應用也是衣服、塑膠製品等等很穩定的需求,但美琪瑪營收波動非常劇烈,沒辦法,最上游的材料廠就是無法擺脫景氣循環的宿命。
PTA景氣好的時候原料就會一直叫,PTA景氣稍微不好的時候原料供應就會立刻停止,先把庫存用完再叫就好。
終端需求假設是100個,掉到了90個的時候,對於最下游廠商來說營收才衰退10%,但是因為它有庫存,所以對上游供應商來說,減少的不只10%,而是要等客戶把庫存快用完的時候才會想叫貨。
下游營收衰退10%,上游衰退幅度肯定遠大10%。這種現象不會因為電動車大成長,而改變了這個結構,即使美琪瑪切入了電動車新市場,未來創高可期,但它畢竟還是位於電動車產業的最上游,未來營運波動程度仍會很高,這是股票投資人需先注意的地方。
🚗美琪瑪(4721)電動車布局
美琪瑪生產的材料價格很低廉,所以通常會就近客戶廠房去設廠,所以美琪瑪到處都有工廠。
而這些材料也可用在電動車正級材料,所以當電動車市場開始起來的時候,美琪瑪(4721)當仁不讓,迅速切入供應鏈。
因為美琪瑪的PTA產能很大,全球生產基地又多,所以將來會受惠於正級材料需求成長,是理所當然的事,需要這個材料的電池廠就會找到美琪瑪,電池材料營收的成長快速,電池材料成長時,也著實帶動整體獲利進入成長期。
不過如同剛剛所說景氣循環,去年因為疫情而受到影響時,衰退幅度也比下游來的大更多。
未來電池材料營收有機會一波比一波高,帶動整題營運創新高,但該有的循環性,投資人仍需注意,以免買在高點。
📈目前景氣循環位置
從營收恢復狀況來看,電池材料才剛進入復甦週期,由於汽車產業供應鏈特性,衰退會比較久才能恢復,復甦一但到來,也可以持續較久。
電動車材料需求能夠轉好,多半是因為客戶庫存已經低了,所以出現第一波回補需求,像上一次循環就能持續一年以上的成長週期。
再從長期營收水平來看,平均營收水準也還沒回到過去,假如客戶並沒有失去的話,營收接下來還有更多成長空間,也是合理的預期。
📊景氣循環股的評價
假如未來景氣循環還是很大,那我們用股價淨值比來看股票昂貴程度,或許來得可靠些。
美琪瑪股價雖已大漲一段,但還在上一次循環範圍區間內。市場已經領先反應未來利多,然而只要循環持續向上,接下來的獲利成長利多還是會多於利空。
前七月自結EPS2.27元,已經超越去年整年獲利,隨著8月營收公布,接著會公佈的自結獲利也將備受矚目。
#美琪瑪
遠大車業評價 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
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
遠大車業評價 在 綠角財經筆記 Facebook 的最佳解答
“你要如何衡量你的人生”的作者是克雷頓‧克里斯汀生(Clayton Christensen) ,哈佛大學商學院教授。
首先作者談工作選擇。為什麼那麼多人從事自己不喜歡的工作,而且覺得自己無法離開,沒有其它選擇?
一個人對於工作的評價主要有兩個面向。
第一個叫Hygiene factor,譯為保健因素。
Hygiene本意是環境與個人衛生。特別是為了遠離疾病所採取的衛生措施。你做了這些事情,就比較不容易得病。
在工作上,保健因素指的是避免讓人對工作心生不滿的因子。譬如不足的薪資,很差的工作環境。這就是保健因素。
第二個叫Motivation factor,動機因素。也就是工作者有多大的動機去從事這個工作。
需要留意的是,保健因素頂多就只能讓人不討厭這個工作。工作要令人滿意,幾乎不可避免的,一定要滿足動機因素。
而薪水,在分類上屬於保健因素。
很多人在選擇工作時,把保健因素放在首位。而保健因素中最重要的,就是薪水。
作者談到自己在大學授課的經驗。很多學生剛入學時都有遠大夢想。希望學會管理技術,為員工帶來幸福,增進企業運作效能,在業界闖出名聲。
但畢業後,他們大多會選擇高薪職業。
作者問學生,”為什麼不選擇自己喜歡的事情?”答案往往是:”我還有學貸要還”、”我有家人要養”。似乎出於經濟的現實考量,不得不如此。
他們常常想說:”就耐著性子做幾年,錢賺夠了,我就可以換回我真正喜歡的工作。”
但隨著時間經過,他已經習慣這個賺錢速度與其所帶來的優渥生活。甚至隨著年資增長,薪資進一步提升。於是他發現自己愈來愈無法離開目前的工作,去從事心中真正想做的事。
很多人以為自己可以先以薪資為考量,日後再做轉換。卻沒發現,薪資本身就是一個陷阱。以薪資做主要考量,它會永遠壓抑你的動機因素。讓你走上一條你沒那麼喜歡,不是你真正想做,頂多就是不討厭的工作生涯。
一個錯誤的初始考量造成日後的種種問題。
不是說薪資這些保健因素不重要,而是人往往需要一個更平衡的考量。
請記得把動機納入考慮。一個讓人從中得到成就感,覺得自己在持續進步的工作,是一個可以讓人樂在工作的寶貴特點。
面對往後的職涯,作者以本田機車進入美國市場的策略為例。
本田本來想用重型機車進入市場,跟原有的美國當地業者,譬如哈雷,一較高下。但成效不彰,銷售數字相當難看。
後來在一次週末的休閒活動中,本田員工騎著自家的輕型機車,引起圍觀民眾的興趣。本田發現,這才是切入點。
一家公司本來計畫的叫審慎策略(Deliberate strategy),後來因應狀況所採取的,叫應急策略(Emergent strategy)。
一個人在面對職業生涯時也是相同的狀況,你心中會有一條原先計畫的路徑。但當你走著走著,你會發現其它機會,另一條似乎也相當可行的路在旁邊出現。
即便後來是透過Emergent strategy找到更好的路,難道原先Deliberate strategy就是錯的嗎?
不。正是因為Deliberate strategy讓你開始出發,去嘗試,你才會找到Emergent strategy。
假如當初本田機車沒有試著進入美國市場,它會在嘗試中發現利基點嗎?
重點是,不要想著自己日後的職業生涯一定是一條路走到底。作者自己就是一個從事過許多工作的人,從擔任顧問,到創業,然後回學校拿博士學位,又成為教授。
就是在這個過程中不斷探索,做什麼會讓你覺得得心應手,發光發熱。讓你找到滿足動機,也夠”保健”的工作。這是一定要去做才會找到的解答。而不是你坐在書中前用力的想就可以預見的未來。
心中有個計畫,但也同時保持彈性。
這種想法,讓人有機會可以探索職業生涯的不同可能。也不會因為想著,一定要做出一生正確的重大職涯決定,反而被壓力壓到無法動彈,不敢起步。