＃克倫諾夫ck小鎮
先解答豬腳的問題，那根豬腳那麼大我猜兩個人都不見得吃得完！
我當然是打包晚餐繼續吃。
.
地窖豬腳店，我從15年前吃到現在，豬腳店還在！一樣好吃好拍好好玩。
但是因為covid-19，店員們都苦哈哈，兩手一攤覺得無奈啊！
.
一個中午客人只有兩桌，跟過去不預約或不早點去都要排隊的狀況真的差很多。
.
小鎮依然美麗，台灣的台語跟國語變少了，人潮變少了！好拍多了，但還是心疼。

＃旅行究竟是為了什麼
跟當地的朋友一起研究著後疫情時代的旅行，旅行的節奏跟方式、以及你的喜歡跟我的喜歡。
.
有人喜歡居遊式的旅行，
有人喜歡累積景點，
有人喜歡跟當地人交流溝通，
有人喜歡跟團吃好住好省麻煩，
有人喜歡破關跟當地人一樣生活採買搭交通工具，
不知道你喜歡哪一種？
.
旅行20年來，
我盡量嘗試各種不同的方式，不管是自駕、搭當地交通工具、與當地人溝通、甚至自己開團設計路線～

旅行之所以迷人，
是因為每個人喜歡的不同，變化萬千、風格各異，
而每一個旅人所遇到的故事、經歷、感受，也都不同。
我喜歡的不見得適合你，
你想要的我不見得同意，
但，
我們都在旅行的路上，
這是旅行窮極所有力量，想要教會我們的。
.
昨天的Regio巴士上，
好幾杯的熱巧克力，溫暖了我的心。

猜測著短程使用者跟我這種長程使用者的不同、當地的社會文本、以及他們演繹出的行為，
這對亞洲文化的衝突者像我來說，非常精彩。

我喜歡看人、喜歡與人溝通交流、喜歡摸索闖關與揣測。
於是，旅行的過程讓我不斷成長。

＃捷克境內的移動都很簡單

捷克境內的巴士、國鐵、私鐵，價格不高、也都方便。
多數人到訪捷克，除了停留布拉格外，
卡洛維瓦利、皮爾森、庫倫洛夫等等城市，甚至連接隔壁鄰國的城市，都有不少巴士種類可以選。

也有巴士界的AGODA可以查詢，其實都很方便，可以參考我這邊整理：https://bit.ly/38UyQo2
.

＃喜歡直播還是喜歡看照片

有人抗議照片太燒人，那不然我暫停三天好了？😂
你們想看直播還是想看照片？
要不然你們也可以偶爾看看限動啊～💗
很多時候，只是為了親臨現場，親眼目睹、親自感受而已。
.
以前我很常想像，自己站在巴黎、自己站在舊城廣場、自己站在我喜歡的世界眼界下的模樣，總覺得那是夢想。
.
多來了幾次之後，
現在還是會激動！
.
旅行不是萬靈丹，
不過的確是生活的滋潤了，後疫情時代的旅行，我很早就說過會變貴、會變困難。
貴的、難的，可能不是生活支出，而是那個惱人的過程、以及麻煩的人為因素。

💗很期待，可以在旅路上，與你們重逢！
-
團購中：
👉六重玻尿酸超好用幫你談好最低價12元/片面膜，一定要買起來（加入會員領折扣：MILK8TEA，折扣一百元）：https://bit.ly/36HTPt5
.
👉對抗covid-19，量子天使噴起來：https://bit.ly/3jRuinv
.
👉⭕寧靜頸枕690（送飛行耳塞）：https://bit.ly/3mSAcrB

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

量子計算對新一代物流管理的衝擊

文章來源：文/編輯部特約撰稿人

本文作者是編輯部特約撰稿人，隱姓埋名高深莫測，是台灣武功高強的獨行俠，曾職於國際快遞公司，擔任供應鏈分析與管理工作。經歷於各大物流企業與貨主企業，吸收各大門派功夫，並將其融會貫通，自創一派，爾後擔任各大企業供應鏈物流顧問工作，對台灣物流發展有獨特的眼光，總是能夠洞燭機先，布局未來。近年來，在研究與實踐中，不斷提出科技趨勢與產業創新發展策略，希望能為台灣供應鏈產業注入活水。(編輯部)

量子計算(Quantum Computing)是最早的理論基礎源自1969年，1980年代還處於理論探索的時代，2011年加拿大D-Wave公司推出全球第一套號稱商用量子電腦，但是到目前為止，世界各國所提出的量子電腦嚴格來說都只能做特定的計算，離真正的泛用型商業化（例如如預測氣候變遷、藥物最佳成分組合、材料配方最佳組合…等）仍有一段距離，不過猶如當年萊特兄弟首次飛行12秒，開創了人類商用飛行的序幕；量子計算再過幾年將會有更成熟的技術，對於物流界而言，量子計算應用於日益複雜的物流系統是可期待的。

關於量子計算的相關概念，目前已有許多其他文章有專文介紹，本篇不會再贅述這些基礎知識。對我們而言，我們可以這麼理解：假設有一台新的電腦，其運算速度是目前電腦的幾百萬倍，物流業可用這樣的電腦資源做那些改善？

演算法與資料傳輸的重要性

量子計算打開了物流中心與供應鏈系統「最佳化」的一扇窗，但是要能有效利用量子計算，關鍵還是相關數據的即時回報，以及演算法的設計。

物流的實務應用中，最著名的就是旅行推銷員(Traveling Salesman Problem)問題，也就是一個城市假設共有n個點需要去取件，從物流中心出發，我們希望每個點都只拜訪一次，最後再返回物流中心，要怎麼走可使總路徑最短。

假設拜訪點共有25個，就會有25X24X23…X2X1=25!（第一個點有25個選擇、第二個點有24個選擇…依此類推），這個值大概是「1.55X1025」。要在這麼多排列組合中找到最佳路線，假設電腦每一秒可計算「1013」個路線（每秒計算一兆次，已經是超級電腦等級），也需要「1.55X1012」秒，而一年有 3.1536X107秒，大約需要「5X104」年才能算完，就算是祖孫三代都不停歇，也無法完成此計算。

然而實務上的問題不光是如此：每台貨運車輛在都會間的最後一哩配送，每天至少都是20~40個點，而且以往 我們的運具種類少，因此在做路線最佳化時，大概只需考慮最佳路線這件事；現在（甚至以後），貨運運具種類越來越多，除了無人機、無人車，還有人類駕駛員的電動小車、甚至派送員騎的機車、自行車。

也就是說，如果有n個物流配送點，每個配送點可選擇m種運具，光是運具的排列組合就有「m x m x m .…= m2」種，再考慮最佳的路線求總運輸成本最低，而且這個計算尚未考量各運具所在道路的車流狀況，有時候算出的最短路徑說不定剛好就是塞車的路徑。

在演算法設計上，就好像要計算1+2+3…100的累加，我們可以很直覺利用一個100次的循環，每次把數字依序加入，最後得到結果；也可以利用「(100(100+1))/2」這個公式直接算出來；要計算哪條路徑最短，我們可以使用暴力破解(brute force)方式，先窮舉所有可能的路徑，逐一計算其運輸成本，全部算完後再決定最佳路徑，也可透過啟發式演算法，找到「近似最佳」的路徑。

演算法好壞有著天壤之別，如果使用較差的演算法，或許透過量子電腦可算出最佳解，但是需要耗用較多時間，這些計算時間都代表成本，如果要花很多錢計算去找出最佳解，反而減損了最佳解所帶來的實際效益，因此好的演算法才是最佳化的硬道理。

而在資料的即時回報上，這也是量子計算過程中需要管理者多關注的議題，因為屆時「計算力」已不是問題，問題是我們是否即時餵給中央系統正確的資料！

例如物流中心目前正在路上的各種運具，每分鐘需回報一次自己所在位置與狀態（包括車輛剩餘的油量、電量、目前載重），以及系統對於目前各運具所在位置與道路擁擠狀況，因此這些車輛上必須有相關的IOT設備，將訊息自動回報給物流中心後，物流中心彙整再批次送上雲端交給量子電腦計算。

可想見，我們所謂的即時，最多只能以「一分鐘」為單位，因為如果上傳的是五分鐘、十分鐘前的數據給中央系統，算出來也是五分鐘、十分鐘以前「應該」的最佳化狀態，拿五分鐘前的最佳化狀態指令作為物流資源的調度，恐怕會拉大實際運作的差距。

就拿「十分鐘」來說，十分鐘對一個物流系統而言，已經有很多事又變化，例如原本客人的訂單可能被取消、更改配送地點、緊急訂單加入、或是又有100個新的消費者下單…，而量子計算對於這類多變的動態環境，有機會把「物流最佳化」這件事真的做出來。先決條件就是，是否真的有即時把資料餵給系統。

資料來源：https://www.logisticnet.com.tw/publicationArticle.asp?id=1065

在穩定的收息組合中，槓桿就是一把利器，可以滾大收入。今集 #街頭智慧 皇叔會分享IB的實際操作示範，究竟可否只槓桿個別資產，若真的觸發强制平倉時，又可否選擇平倉次序？

00:00 Intro
01:16 今集內容
02:41 槓桿的重要性
04:01 用IB的優點
05:10 如何用IB查詢借貸利率
05:56 如何查看自己借的貨幣種類？
07:33 統一借貸貨幣操作
08:50 可否槓桿個別資產？
10:20 如何才會觸發强制平倉？
14:04 可否選擇平倉次序？


════════════════════

有效 極速 儲存千萬❓

【零至千萬加速器】1小時簡介+工作坊
免費試看：https://edu.money-tab.com/pages/accelerator

════════════════════

?財務自由不是夢！把握機會免費體驗?

施傅【10年財務自由】1小時簡介+工作坊
立即試看：https://gregorysy.com/

════════════════════

✨全新頻道✨【我要做世界】
帶大家擴闊視野? 睇環球樓市?️

立即訂閱：https://cutt.ly/Dzw6O3t
__________________________


本月免費活動【★Top 4】現正接受報名:
1. Alison澳洲房地產分享講座(Online): https://money-tab.info/aaaust?ym
2. Ronald「基」密部署 (Online): https://money-tab.info/fundron?ym
3. Eric Sir期指策略分享講座(Online): https://money-tab.info/futeric?ym
4. Dennis 我要做程式交易分享講座(Online): https://money-tab.info/mutden?ym

所有課程/活動一覽: https://money-tab.info/activity?ym


施傅新書「量化交易」手冊
網上即買： https://money-tab.info/2020-book-purchase?ym


✓ APP下載: http://onelink.to/mtapp
✓ 升級版: https://money-tab.com/membership

✓ 追蹤我：
➔ Youtube【我要做富翁】
https://bit.ly/35LOy2J
➔ Youtube【富翁電視MTTV】
https://bit.ly/35dJW4Y
➔ Facebook【我要做股神】
https://facebook.com/203349819681082
➔ IG【money_tab】
https://instagram.com/money_tab/

#理財 #投資 #買REITs #買債 #IB101 #REITs #債券

#印度神童 #阿南德 #吠陀占星術
最近講得多太多娛樂八卦, 不如我哋玩一玩嘅話題

因為已經過咗新丑年立春, 我想我嘅youtube頻道更加多樣化

呢條影片我會介紹嘅就係最近喺網上瘋傳嘅一位占星師印度神童阿南德(Abhigya Anand)

佢嘅預言最近喺網上瘋傳。印度神童阿南德14歲已取得碩士學位，精通6種語言，阿南德生于2006年。佢嘅父親係一位軟件工程師,媽媽係一位時裝設計師,曾經住過喺加拿大幾年,跟住回流返印度,阿南德从7岁起学习梵语。8岁起每天早上花半小时背诵印度教经典《薄伽梵歌》四节经文。10岁起开始接触并学习占星。14岁的阿南德还获得了草药微生物学——「阿育吠陀微生物学」（Ayurveda-Microbiology）研究生的文凭。阿南德现正攻读印度占星学院PhD-博士學位，专业是「金融占星学」（Financial Astrology）。

在阿育吠陀Ayurved　a-Microbiology中，同樣認為五元素幫助構建了我們的身體，

土元素 | 構建了骨骼，骨骼的堅實和力量來源於土元素；

水元素 | 構建了肌肉和肌肉的運動；

火元素 | 構建了骨骼，神經系統。飢餓與口渴源自火元素，當火元素強烈，我們將感到饑渴；

風元素 | 促成所有四肢和身體的運動，內部器官的運動和代謝運行。擴張和擠壓也源自風元素；

空元素 | 構建了我們心意的慾望、憤怒、佔有、迷戀、恐懼等情緒；



阿南德（Abighya Anand）在2019年8月预言11月将有大灾难爆发，如今新冠状病毒，COVID-19全球大流行，病毒将在全球蔓延，全球紧张局势将加剧，正應驗咗佢嘅预言，非常之精准。


之前佢啲新聞大家都有聽過 ,早幾日佢就預咗 將會喺 2021年的2月10日是个更可怕的时间节点，这一天会出现六星连珠，太阳、月亮、水星、木星、金星、土星将连成一条直线。在这一天，经济可能全面崩溃。

阿南德还强调，与瘟疫相比，饥荒和经济是更加严重的灾难。政府或者是个人应该提前做出准备。而这一切，阿南德认为是上天对人的一种严重的警示，如果不改过，饥荒与战争或者是大灾难会摧毁人类。


2月10號呢而家好近啫 ,究竟會唔會好似2008年雷曼咁樣嘅金融海嘯觸發全球呢 , 到時大家就可以拭目以待啦,

我除咗對佢個預言有興趣之外,我對佢個人以致佢所用嘅預測工具,更加感到興趣,原來佢係用印度占星術（Jyotish astrology）又稱之為「吠陀占星術」（Vedic Astrology），係一個發源於古印度的占星術系統。

佢通过使用占星术，正确地预测了黄金和白银的价格以及其他的股市經濟病毒流行等等嘅活动。

阿南德主要根据火星将与土星和木星相合，而月亮和行星拉胡（Rahu）也将相合。在印度占星术中，拉胡是九大主要的天体之一，被描述为引起日食的“影子实体”，是流星之王。

所以佢所講將會喺 2021年的2月10日是个更可怕的时间节点，这一天会出现六星连珠，太阳、月亮、水星、木星、金星、土星将连成一条直线。在这一天，经济可能全面崩溃。

这是一种非常罕见的情况，因为在占星术中，火星、土星和木星被认为是最强大的行星，因为它们都位于太阳系的外圈。因此，当它们全部对齐时，它们在地球上产生的力量是巨大的。


佢所運用嘅預測方式,就係所謂「吠陀占星學」(VedicAstrology)，或稱「古印度占星學」(AncientHinduAstrology)，是指印度民族的傳統占星學。“吠陀星學”在研究方面，主要強調個人命運裡的事態：比如是研究個人的名譽、運氣和財富等，而只有百分之五會提及個性和心理。印度古代占星术的起源大约在公元前5000年。喺呢一樣係同西方嘅占星術有最大嘅分別 .西方嘅占星術最主要係好似星座咁樣分析每一個星座嘅性格同埋心理 .

【印度占星學特色】

　　˙奠基於吠陀文化，隱含「梵我不二」哲思與神思觀點,即係我哋中國嘅天人合一
　　˙預測事件、論斷時事為其精髓
　　˙採用恆星黃道
　　˙分宮圖：輔助判斷命主健康、財富、父母、婚姻等人生事項
　　˙行星組合：論斷命主先天格局
　　˙大運系統：預測命主人生各階段運勢

早期的天文觀察也許粗略，但隨著時代推演，變得越來越精密，甚至引進數理技巧、球面天文學；而上述活動所需預知的曆表編製方法，也更加精確。這種發展歷程，涉及了星象徵兆、氣候、地震、洪水、災變等占星預言，甚至其他神靈媒介、物候徵兆的預示，種類繁多。在占星學方面，為了爭取先機，或進行擇日，或解答心理疑惑，或以卜卦尋找失物，或論及命主生活境況和一生大運流年，也都有不同解讀方式。印度占星學將這些活動分門別類，以利區分。印度占星學可以分為三大類及六大支：

三大類 :

1. Ganita：天文學與占星學的計算。

2. Samhita：本集。日昝(盞)的觀測，包含徵兆、氣象、農作物的嗰年是否豐收、地震、洪水、大量人口的財富變化、經濟循環、房屋建築、流星及所有的自然現象。

3. Hora：命盤的解釋。

其中「Ganita」攸關天文學，如球面天文學、天文觀測記錄、行星位置的計算、順行、逆行、停滯、比太陽先出或後入、星體的顏色與大小、恆星位置等所有天文活動，尤其是與占星學有關的部分。

「Samhita」精細的處理自然現象的徵兆(Nimitta)。

「Hora」針對用事時刻、地點製作天宫圖(Horoscope)，包括本命(Jataka)、擇日(Muhurta)和卜卦(Prasna)

六大分支 :

1. Gola：球面天文學，直接觀測天文現象與記錄。

2. Ganita：天文學與占星學的計算。

3. Jataka：本命占星學。

4 Prasna：卜卦占星學，就尋問事項解答，不用本命天宮圖的內容。

5. Muhurta：選擇吉祥的天象時刻從事活動。

6. Nimitta：徵兆的解釋。

六大分支其實就是三大類的細分。喺應用方面亦都可以配合六大學科,衍生出世運占星學(MundaneAstrology)

－－主要研究日蝕、行星會合、新月等天體現象，以它們的發生時間來推測一個國家或社會可能發生的現象。 流年預測(AnnualForecast)－－用來預測天氣和農作物的收成前景，視乎行星橫跨天空的現象來斷定來年的吉凶。

本命占星學(GenethliacalorNatalAstrology)－－此種占星學是“吠陀占星學”的最重要部份，以個人出生的那一刻和地點來推算嗰個人嘅命運，強調的是出生時的浮升點(Lagna)、行星的格局以及其相位。[注：浮升點(Lagna)，洋人稱為“上升點”(Ascendant)，若撇開其度數不論，只論其所在之星座，則是洋人一般所稱的“上升星座”RisingSign)。]

過運(TransitSystem/Gochara)－－主要研究行星橫跨先天星圖時，與之形成之相位及關係，來推算某短暫時期的運勢和發生事件。

時局占星學(HorarySystem)－－以當事人問事的一刻來起出一張星圖，從而去問事情的吉凶，與中國的奇門遁甲和大六壬等術數的概念相近。

擇吉占星學(ElectionalSystem)－－用以選擇一個良辰吉日，開張做生意、簽署合約、結婚和見工面試等。由於星體在一個選定時間的位置和狀態對個人活動有重大影響，所以這個學科的基本原則，是以開始進行某種活動的一刻，來決定行星與浮升點在天空的相對位置，以它們之間的互涉關係，從而選定一個良辰吉日。

需要注意的是，印度占星學家在前五個學科中，均以浮升點和行星在某一刻的位置來推算命運。而擇吉占星學則不然，它與其他五個學科不同，認為行星的位置和相位可以保障一個人的成功，提供了我們選擇吉時的自由。

學業力及轉化

吠陀占星學建立在兩項基礎原則之上：

1、我們都擁有永恆不朽的靈魂----在梵文(古代印度佛教經典語言)中被稱為”atmas”，(英語單詞“原子”-atom-即源自於此)。一個”atmas”是組成永恆而神聖生命的極限微小顆粒。以此而言，我們的靈魂無法逝去或被扼殺，因為它們來自於另一個非物質的世界。然而即使我們的靈魂永恆不朽，我們仍需親臨這個物質世界。換句話說，我們是體驗人類經歷的靈魂，而非感受精神體驗的人類。

2、世間萬物都遵循因果定律。這意味著“每一個作用力都會產生一個同等的反作用力”。當你把這兩條真理合二為一，所得到的結果就叫“業力”。業力的根源為“kri”，代表“行為”。所以我們靈魂在物質世界內的所作所為都會依據物理定律產生反作用力—它們並不是某種懲罰，而是長時間積累起來的因果關係的科學規律。古印度吠陀占星學是靈魂與自然界定律的結合體。隨著時間的推移，掌握了我們所做的一切。它的神秘之處就在於由自然界引發的反作用力不會立刻被體現出來。是在長時間後才會發生在你我身上，即 “善有善報，惡有惡報，莫言不報，時刻未到”。

這種思想引發了“輪回”的概念：永恆的靈魂將會不斷地轉換自己的凡身，一世又一世，並且每一個新的肉體都延續承載者前世過往的因果迴圈。形象地去理解，就是將你的自由意志比喻成聚集自己所有想法、言論和行為的財產投資。吠陀理念基於--無論你身在何處，自然界的內部體統會將你的全部“投資”轉化成為相應的回報。即使你換了新的肉身，大自然仍知該如何找到你並與你“續約”。

想像一下，在人生的終結之際，肉體死亡之後，你被聖靈帶到了“所用業力庫”裡，他們將會審計你的“業力帳戶“，計算你用了多少”業力幣“，然後通過複雜數學統計來算出你將被賦予的下一個凡身。你會被指定父母、家庭和兄弟姐妹，然後又成為了凡間中新的生命。而未回報或發生作用的業力，亦或是前生靈魂帶來的因果影響，將會被轉至新的生命，即凡身之上，仿佛我們出生時都拎著無形的業力行囊。

這就是“星座”的邏輯原理。星座是你出生時所在地(準確經度與緯度位置之上)的天空表像形態。在行星與恒星的位置背後隱藏著能夠揭露伴隨每個靈魂的因果秘密的圖表。吠陀占星學的星盤是一張照片---新生靈魂“(業力)投資檔案”的快照。因為星盤由光線格局組成，所以吠陀占星學也稱為“周諦士”，即研究出生時刻天空中光線格局的藝術。


?合作邀約請洽
gold7778@gmail.com
https://www.instagram.com/gold7778t/

成為這個頻道的會員並獲得獎勵：
https://www.youtube.com/channel/UCIuNPxqDGG08p3EqCwY0XIg/join

請用片右下角調4K睇片。