#Sherry生活
-
世上有一些人一旦在某個領域獲得成功之後
他幾乎可以在每一個領域獲得成功
-
人生其實也是一種商業模式＝能力＊效率＊槓桿
有些人用這個換回全世界
有些人卻一無所有
-
1⃣️ 能力
什麼樣的能力呢？ 是獲得能力的能力
要如何獲得「獲得的能力」？
➡️ 高效的勤奮 也就是「刻意練習」
刻意練習的關鍵就是在於通過不斷的重複訓練稍微困難的任務
從而獲得最高的進步
-
2⃣️ 效率
如何提高效率？
「選擇、方法、工具」
什麼是選擇？
從小到大爸爸媽媽都說「選擇比努力更重要」
但到底是什麼意思呢？
比如：相同穩定的工具不同利率海外的報酬比台灣高
花一樣的時間（40年）和本金（480萬），40年後得出來的結果不一樣
（海外多台灣約400萬台幣）
這就是選擇，選擇是提高效率的第一要務
如何提高做一件事的效率？必須借助方法和工具
舉例上面的例子，就是要有一個工具才有辦法做到這件事
-
3⃣️ 槓桿
「團體槓桿、產品槓桿、影響力槓桿」
一個人的能力有限，但是一群人的能力無限
尤其他團隊越做越大，人才就越耗盡，
這時候需要系統和複製，才可以使得團隊大下去，這就是團隊槓桿
-
產品槓桿
舉例：15世紀超聖經是一個職業，買一本書其實買的是抄寫詩的時間（一年）
只有富人才買得起一本書， 後來開了一間活字印刷廠，開始產品槓桿
這件事從嚴重依賴人類「邊際交付時間」的「服務」
變成更多依賴成本技術和工作而較少佔用人類時間的產品
為什麼世界500強中做產品的公司要遠遠多於做服務的公司
因為只有盡量脫離對人類時間的依賴，公司才有可能具有不受限制的發展空間
-
影響力槓桿
如何獲得影響力？演講能力、寫作能力、建立人脈的能力
演講能力、寫作能力都是要通過不斷地持續練習
關於人脈：不是那些能夠幫助你的人，而是那些你能幫助到的人
-
槓桿可以幫你獲得巨大成功，但是使用槓桿也是有前提：
你必須有強大得能力內核
所有的槓桿：金錢槓桿、人脈槓桿、產品槓桿、團隊槓桿、影響力槓桿
他們的作用都是「複製放大」
所以如果你的內核很強，通過槓桿你會更快得到成功
但如果你的內核很弱，通過槓桿只會加速你失敗
-
參考資料：劉潤
-
✅行動清單：
學習如何使用以上方法讓你的人生過得更好
-
📝有任何問題歡迎在下面留言或是私訊
-
👍如果喜歡我的內容，
按讚、留言、分享到你的限動，和我一起學習成長
-
🔍更多文章內容在自介”sherry 自由人生 “👉 @sherry.fls

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

各行各業的AARRR (中）

#汽車金融業：購買決策時長短則 1-2週，長則3-6個月

汽車業或金融業的消費決策過程跟品牌電商有點類似，但商業模型足以支撐１-2月甚至1-2年的資料留存。

A 自己或他的車子年紀到了，又看到新車上市或年度促銷-->
A 留聯絡電話預約賞車，開新車，爽 -->
R 開始比價砍價，詢問贈品與車貸付費方式 -->
R 付錢後掛牌交車驗車等等 -->
R 開車載朋友家人上網炫耀，甚至貼出自己的轉介碼（特斯拉充電！）

金融業中信用卡過去因為被當成信貸、理財等商品的敲門磚，一度有價值上千元的辦卡禮，那是把消費者辦卡當獲取『跟你聯絡，知道從你身上賺錢潛力的許可』，而不是從辦卡本身賺錢。隨著利率降低，貸款利潤變薄，信用卡的辦卡禮也逐漸縮水變首刷禮甚至變成要年費才有禮等等，都是產品在公司內角色的改變。

#教育或軟體：決策時長7-30天

教育類或者軟體類的app ，很多有試用的服務，那就可能回到獲利在轉介前。我試用 Roam Research 的經驗是

A 好幾個筆記控與學習控朋友推薦好用，找來下載看看-->
A 免費試用30天但要留信用卡，就試看看吧 -->
R 找各種攻略跟著做做看，看習不習慣 -->
R 30天過了忘了取消付費，被扣款了（寫信去請他們取消） -->
R 雖然沒有繼續使用，但因為客服回信迅速態度友善，下次遇到朋友討論時候也推

#訂閱制或SaaS服務：決策時長7-90天

同樣是教育或軟體類，有趣的事情來了。

你讓消費者第一次買單就能獲利嗎？以一個消費者取得廣告成本200元來看（算不貴了），一個月的月租費如果是300元可以回本嗎？還是很難吧，畢竟還是有產品成本（不要跟我說軟體無邊際費用這種夢話啦，你還是有房租水電、雲端機房安全維護更新...等會隨著使用者數量增加的支出吧）

所以大家會想盡辦法讓消費者續用(＝續付)，家底厚得像蘋果谷歌網飛給你長達30-90天的免費試用、家底沒那麼厚但還是得招攬客人的像Roam也會盡量給足30天。

為什麼？就是希望你用得久了，愛上產品，自然會習慣了忘了懶了取消訂閱。利用人性讓你繼續付錢（至於你有沒有一直用，就不是廠商要煩惱的問題）（也只有網飛客戶基礎夠大，真的有社會良心或者可能有社會責任包袱，才會推出『你太久沒有用，我自動幫你取消訂閱』這種機制）

所以訂閱制產品持續有收入的結構是

A 好幾個筆記控與學習控朋友推薦好用，找來下載看看-->
A 免費試用30天/90天雖然要留信用卡，就試看看吧 -->
R (Revenue) 過了免費期，但用起來還不錯，姑且用一個月看看-->
R (Retention) 用久了資料都在上面，要搬也很難搬走，就繼續用吧 -->
R (Referral) 因為花了好幾個月的時間跟錢在上面，感覺跟開發者同群了。為了感覺心安，朋友問起時候也大力推坑

當然也可以把這兩段合而為一，變成 AAR4，讓retention 出現兩次。不過我看到大部分的企業遇到獲客續留都重要的時候，就會拆開兩組人馬管理了，各自有各自的P&L了，不需要硬是把大家湊成一團。

//也有人(Gabor Papp, Andrew Chen)把這些用RARRA框架來說明，也就是

R retention 留存是目的
A activation 啟用
R referral 分享
R revenue 獲利
A acqusition 獲取新用戶

我比較駑鈍，目前還沒有參透 RARRA 的使用法，等我想清楚會再寫另一篇。//

#手遊App：購買決策時長 0.1-14天

手遊類商品（你搶劫我的村莊）是非常典型的轉介可能在獲利前的例子

A 原來遊戲玩膩了，聽說新遊戲不錯玩，正好看到廣告就去下載-->
A 下載後註冊帳號，試玩一下決定要刪掉還是留著app -->
R 7天後還是繼續玩，打發時間挺不賴 -->
R 邀請朋友進來玩幫助我破關 -->
R 朋友圈內要玩的都玩了，或者遇到破關半夜，只能自己課金

根據統計，休閒類遊戲的七天留存率中位數是3%，100個付費取得的客人只有3個人會留到七天以上，那不用說有多少人會課金了。這種狀況下遊戲業者怎麼賺錢？想當然是靠廣告，於是遊戲內廣告可以讓遊戲玩家從第一天就開始當業者賺錢工具人（也要遊戲夠好玩才會一直當工具人啦，算是互相互相）。

.....

訂閱與手遊兩類都是行動網路時代商業模式的種種變化，但其實也沒那麼新。有線電視、電信服務也都是訂閱模式，只是增加綁約門檻的變化。拉斯維加斯或澳門等大型娛樂賭場，也是從提供很多免費或低價服務開始吸引你進去，甚至呼朋引伴，最後讓你逐步想變大爺。

這個學年真的經歷了太多東西，這年DSE的學生真的很辛苦，
有部份片係外國拍，畫質令人感動。
翁Sir答應大家可以做到既就係將所有DSE的題目解一次放上網比大家。
有咩想問可以Email我
[email protected]
翁sir 2020

00:27 Q1 私有產權
01:48 Q2 三個經濟問題
05:45 Q3 機會成本
07:02 Q4 利潤極大化
12:03 Q5 長期&短期
14:31 Q6 流動性&勞力供應&勞力生產力
18:13 Q7 廠商
21:08 Q8 資本
22:22 Q9 擴張動機
25:14 Q10 產出&成本關係
26:09 Q11 供需彈性
27:55 Q12 相對價格****
37:55 Q13 供需圖 均衡點
39:45 Q14 從量關稅 表
43:00 Q15 彈性&替代品
45:44 Q16 配額
46:15 Q17 供應曲線沿線移動
48:23 Q18 完全競爭
49:15 Q19 洛倫茨曲線
50:45 Q20 失業率；公平；生產力
52:41 Q21 配額改變
54:50 Q22 邊際利益&總收入
58:36 Q23 GDP百分比轉變
59:50 Q24 失業率計算
1:01:08 Q25 GDP&GNP
1:02:42 Q26 GDP
1:03:27 Q27 SRAS右移
1:03:54 Q28 資產負債表
1:05:35 Q29 金管局功能
1:08:37 Q30 貨幣功能
1:09:27 Q31 M1M2M3
1:10:27 Q32 費沙方程式
1:12:17 Q33 貨幣供需
1:13:07 Q34 稅
1:14:39 Q35 QTM貨幣數量論
1:16:54 Q36 稅制 圖
1:17:39 Q37 非預期通縮
1:18:28 Q38 ADAS政策影響
1:19:29 Q39 概念題 負數
1:21:50 Q40 通脤差距&財政盈餘
1:23:25 Q41 擴張性政策
1:24:15 Q42 國際貿易
1:25:02 Q43 開放貿易
1:28:00 Q44 BOP國際收支平衡
1:28:43 Q45 匯率
1:33:59 5**答卷參考
1:34:40 2019卷2 Q2
1:36:35 2019卷2 Q5 經濟概念
1:40:28 2019卷2 Q9c 支薪方法
1:44:48 做卷時間分配
2:00:39 點解最優規模 P=MC
2:05:27 如果有人派$10000 收入更公平？
2:07:28 1997CEQ2 機會成本
2:11:42 經濟現象的例子