#純靠北工程師573
----------
雖然已經離開程式設計師的日子很長一段時間，目前都是在拍照/修照片/錄影/剪影片，但是這次發生的事，就想到以前程式被測到 bug 時的感覺...

---------------------------

最近正在剪輯一些影片，部分影片交出去後，老師指出有幾個地方底噪特別大，要我再檢查看看。反覆檢查了幾次，除了一些小小的雜音沒刪掉外，呃... 所以是這個問題嗎？可是好像又不是這個，有些段落很乾淨啊！

正在整理要怎麼回覆的時候，老師傳訊息來說：眼花了，寫錯檔案編號。
（有沒有收過測試報告跟你說哪裡有 bug，結果你找了半天找不到問題時，才知道原來測報寫錯了？）

不過後來老師有說出一句 "關鍵句"：感覺是在沒講話時，底噪突然變大聲。

雖然出問題的段落的確都是沒說話的段落，但這句話讓我往另一個方向思考！
（測報中每一個操作細節都是很重要的關鍵，雖然詳細的測報內容看起來很煩...）

上網 google 了一下，有沒有關於 windows 音量突然變大變小的問題？這個問題有人提，可是解答的做法並不是我要的。但是既然有人提出這個問題，就表示也有人遇到相同的情況，我並不孤單吧？

雖然那個做法不是我要的，但是也指出一個方向，在系統的設定裡可能有答案！找一下自己目前這台電腦的設定，在喇叭的設定中有找到一個叫 "均衡響度" 的選項，提供的廠商是 Microsoft，所以這應該是系統內有的。測試了一下，這個選項果然會直接影響電腦在播放時的輸出音量！再次播放那些有問題的片段，當有勾選這個選項時，音量就會被放大，雜訊也就被放大了。

但是這個選項在預設時並沒有被勾起，所以很難斷定問題一定就是它，但還是先請老師去 check 看看？果然，老師的電腦並沒有設定這個。所以問題又回到原點。
（好像抓到 bug 的解法，但結果又不是...）

不過老師說如果他用 mac 去聽，雖然還是有雜訊，但是就沒麼誇張也不會變更大！因為我們都是 win/mac 兩個系統都得用，所以這個線索表示檔案應該是沒問題，系統設定 "大概" 也沒問題。

這時老師有提供他使用的播放軟體名稱，於是快快去下載並安裝，然後把有問題的影片拉進去一聽，果然有問題！然後找了一下軟體的設定，就找到一個可能是問題所在的設定：音訊標準化，因為它預設是被勾起來的！拿掉勾勾後，聲音就沒有被放大的感覺。把這個問題回報給老師，請他測試一下，果然是這個設定在作怪！
（有時你抓不到 bug，是因為你的環境和實際在執行的環境不同...）

---------------------------

雖然不是寫程式，但是怎麼和以前寫程式發生的情況好像？

----------
💖 純靠北官方 Discord 歡迎在這找到你的同溫層！
👉 https://discord.gg/tPhnrs2

----------
💖 全平台留言、文章詳細內容
👉 https://init.engineer/cards/show/6735

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

【改變詞彙，讓我改變了看待孩子的角度】

蕃茄最近迷上用串珠做手鍊。恩，這樣說不太正確，他一直都很喜歡，但是之前只有在學校有機會做。我們看他這麼入迷，剛好又放暑假了，就從萬能管家亞馬遜那邊買了一盒有各種顏色和英文字母的串珠，讓他盡興玩個夠。

果然，這孩子一拆開快遞的紙箱，立刻跳上椅子開始工作。一邊小心翼翼挑出紅橙黃綠藍靛紫，還開始數起同學的名字：

「我要做一條給伊莎，一條給麥斯，還有里歐、艾琳、阿萊⋯⋯」

我看著他做也覺得有趣，就也一起坐下來玩，順便在需要的時候幫他裁剪鬆緊帶的長度，或者找一些比較特殊的圖案。過了一陣子，一條，兩條，三條⋯⋯第一批六種不同的設計出爐了。蕃茄的個性很急，立刻就想要看到同學開心戴在手上的樣子。

「我太想要去上學了！我要把手鍊送給大家！」

蕃茄抱著頭站在椅子上，發出絕望的吼叫。我已經很習慣他這種大起大落的情緒，淡淡回一句「下週一去暑期班就可以遇到幾個同學啦」。這個回應明顯不合蕃茄的胃口，他尖著嗓子大叫一聲「唉唷」，丟下一桌狼藉跑掉了。

真是受不了，老是這麼容易受到打擊。我懶得理蕃茄跑去哪了，他不在我正好可以做點事，就把筆電打開收起郵件。一會兒之後，廚房那裡窸窸窣窣的，一大一小好像在討論什麼。

「你知道？你真的知道新的密碼？是3452捏，不是2290捏？」
「我知道啊。」
「你怎麼會知道？」
「上次你們出去，請艾琳來我們家照顧我的時候，媽媽有寫在我手上啊！」

接下來的聲音又變小了。原來是在討論一樓大門的密碼鎖，這個月剛更新，蕃茄想炫耀他已經知道了吧。看起來心情已經調適好了，還不錯滿快速的。

「那不要讓媽媽發現喔！」

恩？不要讓我發現什麼？我把耳朵豎起來，但是蕃茄的音量又變小了。
一陣模糊的碎念之後，聽到蕃茄跟爸爸說：

「那你去跟媽媽說你要出門。」
「喔好。」

喔喔喔，所以蕃茄想要自己出門但是不想讓我發現嗎？居然還會安排爸爸配合說謊，考慮得很周全很有進步耶！但是他能去哪？去倒垃圾嗎？我自己的腦內劇場還在上演，傑克走過來，憋著笑。

「那個，我出門一下喔。」
「要倒垃圾嗎？」
「對。」
「好喔。」

傑克轉身離開，不久之後，聽到遠方的蕃茄叮嚀傑克：「不要讓媽媽發現你在家喔。」接著就聽見玄關的門被打開，然後關起來。

太精彩了吧！！

我跳下跑到廚房的窗口，那裡往下剛好可以看見大門。我拿著相機預備，一邊問傑克：「所以他是要去哪啊？」

「他說他想要自己送手鍊去給麥斯跟夏洛。」

喔喔喔，麥斯家就在對門，確實是可以挑戰的距離。沒多久我看到蕃茄推開一樓的大門，快速「喀喳」兩下，然後我跟傑克四隻眼睛緊盯著小鬼過馬路，透過窗前樹葉中間的隙縫隱約辨認出蕃茄往前跑的身影，估計應該到了。

結果蕃茄立刻轉身跑回來了。

「誒？他們不在家嗎？」
「我不知道耶？」

我趕緊回到餐桌繼續用電腦，傑克趕緊好好地躲在廚房。

＊＊＊
在我剛開始看教養書的時候，有好幾本書都提到過，應該要避免用負面的詞彙來形容孩子的特質，例如說「膽小」和「頑固」，應該要替換成「謹慎」和「堅持主見」會比較好。

我的直覺告訴我，這個觀念很不錯，畢竟誰喜歡被貼一堆負面的標籤啊？而且小孩也不是笨蛋，他就算還不完全理解這個詞彙的意思，也知道這不是在稱讚。小時候大人很喜歡說我「奧賭賭」，我到現在都還記得，一聽到這三個字的時候，心裡那股瞬間想要張開嘴巴咬人的怒氣。

但是贊同歸贊同，實行起來卻比想像中要困難許多。

放學去公園玩，大家都跟蕃茄說再見，就他死不肯講，這就是「沒禮貌」啊。跟蕃茄說了一百次不要玩我的眼鏡，還是要玩，這就是「很故意」啊。其他人想吃點心都可以自己跟大人要，蕃茄就是不行，怎麼勸都不要自己講，寧可吃不到，這就很「膽小」啊。

這些情況是還能換成什麼更中性的詞彙？而且換成中性的詞彙又能怎樣？又不是說跟蕃茄說「你很謹慎」的話他就會願意打招呼。他就是很沒禮貌，這不就是事實嗎？如果我教育孩子，他連「事實」都無法承受，還要我幫他美化，用比較好聽的話來跟他說，這樣他怎麼會知道他做錯了，怎麼會有動力要改變？

我在這個不知該如何是好的位置卡了很久。當年是孩子的我很討厭被這樣批評，但是現在身為家長的我卻覺得批評似乎有他的道理。

我再更仔細地回想，想起青少年時期，我的母親經常說我很「鐵齒」又「愛唱反調」。他認為我總是不聽警告，不聽別人的經驗，就是要做一些蠢事，而且也不肯承認我有錯。我非常生氣，經常因此跟母親大吵。現在回想起來，當時的心情很像是「你根本什麼都不懂，就是想批評我想反對我而已」。

只要我做的選擇跟母親的不同，他就說我鐵齒，好像他的標準就是正確答案。但是為什麼呢？他覺得當班長可以跟老師打好關係，但是我又不喜歡當班長我喜歡當學藝股長，為什麼我這樣就叫做「鐵齒」，就叫做「愛唱反調」？

後來我發現，我被觸怒的原因是，當「鐵齒」、「愛唱反調」這些詞彙丟出來的時候，就已經宣判「你的想法是錯的」，根本沒有討論的空間。可是我其實很清楚，我的想法並沒有「錯」，我會被罵，是因為我的想法大人不喜歡。他們不喜歡的東西就是錯的。

大人不喜歡的東西就是錯的嗎？孩子如果需要被糾正，是因為他們做的事情是錯的嗎？

我仔細思考之後，發覺我會陷入教養的僵局，是因為我把「#事實」和「#評價」兩件事情混在一起了。

所謂的「#事實」，是真正發生的事，例如蕃茄要回家的時候拒絕跟朋友說再見。

所謂的「#評價」，是我對蕃茄的行為打的分數，例如我用「禮貌」來衡量蕃茄不肯說再見的行爲，我認為他不及格，所以他很「沒有禮貌」。

從我自己的經驗來理解，用「評價」來跟孩子溝通的問題在於，評價的標準是大人定的，可是這個標準很可能跟孩子思考的角度完全沒有關係。就像母親是用「唱反調」的標準在認定我不想當班長這件事，我跟他的意見相反，所以當然就是唱反調，喜歡學藝股長什麼的都是藉口。但是其實我根本沒有想要跟母親作對的意思，我就只是比較喜歡做教室佈置而已。

所以，當我說蕃茄「沒禮貌」的時候，他才會大聲尖叫吧，因為他太生氣，覺得自己完全被誤解了。

後來，我強迫自己用比較中性的詞彙來描述蕃茄的行為，我告訴自己蕃茄對於打招呼「比較謹慎」，也開始用這個詞彙來跟其他家長說明蕃茄為什麼不肯說再見。語言真的有非常神奇的力量。當我開始使用「謹慎」這個詞彙的時候，我發現自己看待蕃茄的角度和心態都改變了。我不會那麼容易因為他不肯表示就覺得丟臉，覺得自己沒把小孩教好，反而多出了好奇心，想要理解蕃茄行為背後的原因。

這時，我開始有能力使用「事實」來溝通。我問蕃茄，早上路過鄰居家的時候，他很自在地說了「再見」，但是現在在公園他卻不肯說，為什麼呢？

「因為我還不想回家啊！！！！」

我恍然大悟。原來對蕃茄而言，他很難面對不想回家但是卻得離開的失望，在這種情緒下，他根本就沒有那個心情說什麼鬼再見。我們目前還沒有找出讓他可以愉快接受離別的方法，但是這樣「描述事實」的溝通方式，讓我更能精準理解蕃茄遇到的困境，是我罵他一千次「沒禮貌」都罵不出來的。

說了這麼多，所謂的「#用中性詞彙描述孩子」，跟今天的故事有什麼關係呢？

有的。

蕃茄的個性，很容易被人形容成「假會ké-gâu 」。他什麼都要自己試，什麼都要自己來，甚至有時候我跟他保證「我的方法真的滿不錯的」，他都會大聲尖叫，用「我！就！是！要！用！我！的！方！法！」來抗拒所有的干涉、建議、提醒，甚至連「示範」他都會極力反彈。

我很感激教養書上給的觀念，讓我能夠把蕃茄的個性，描述成「獨立有主見」。這樣的描述，成功地讓我收起想要證明「大人比較會」的衝動，讓我可以退一步，甚至是好幾步，去觀察蕃茄，滿足他想要自己嘗試的慾望。避開那些負面的標籤，我才看得見他個性上的優點，放手讓他帶著自己向前衝。

今天的例子，只是想告訴自己，也告訴其他還在摸索的人：「雖然過程真的很辛苦，但是很值得。」

＊＊＊
玄關的門「碰」地被撞開，蕃茄一路衝進客廳，看到我頓了一下，有點扭捏地走過來。

「媽媽，我剛剛自己出門了。」
「真的啊？你去哪裡啊？」
「我去麥斯家，想要拿手鍊給他。」
「喔喔喔，那給了嗎？」
「沒有⋯⋯。」
「他們不在家嗎？」
「不是⋯⋯恩，我不敢按電鈴。」

原來如此！

我提議一起練習按電鈴還有打招呼的技巧，蕃茄拒絕。又想了幾個方法，最後決定由我先傳簡訊給麥斯的媽媽約定時間，請他們在家門口等蕃茄。

下午四點，蕃茄再一次衝出家門，爸爸媽媽再一次躲在窗戶後面偷看。小人推開一樓大門以後順著剛剛的路線跑出去，消失了一陣子。五分鐘過後，一個踩著輕快步伐，手舞足蹈的小人沿著原路跑回來了。

我要好好記住這美麗的一幕。

🐟桑潔的murmur時間
快過年了，這次被老爸老母拎去老家三合院刷油漆😅
也很難得的在鏡頭前面做菜給你們看🤣
最後還回答了大家最想知道的幾題Q&A～❤️
希望你們喜歡這次的vlog😝

如果想繼續看這系列影片的話，記得底下留言讓我我知道唷～（我就會繼續拍）
有什麼影片主題想看的，不論任何主題，也都歡迎留言告訴我唷！我一定會納入參考的！
快來留言唷！（每一位留言都會回覆！）
喜歡我的話記得訂閱我，開啟小鈴鐺，再可以的話記得幫我按一個讚
想知道我的更多個人生活的話，記得追蹤我的ig⬇️
https://instagram.com/sunjadefish?r=nametag

🐟更多桑潔
instagram:
https://instagram.com/sunjadefish?r=nametag
桑潔VLOG。我家狗有五個名字？！🐶牙套回診調線😭日常臉部清潔分享✨
https://youtu.be/_W921fTI_54
桑潔VLOG。蔡依林演唱會😍網美必去景點👙高雄台中必吃美食🍗狗狗爆多的勤美🐶
https://youtu.be/WfPL9mAI5jE
【一週喝水】「駱駝女」挑戰每天喝水2000cc💦皮膚變好？小腹竟然變小了！😱
https://youtu.be/PdYxiIN3RtM
【台北美食】捷運松江南京美食 老饕米蘭披薩🍕絕美湯頭蕃茄牛肉麵🍲噴汁義式炸雞🍗
https://youtu.be/jhRbU55V3rU
花蓮美食】還在吃觀光客美食？告訴你「真·饕客必吃」流淚握壽司🍣地表最強蛋黃酥🥮
https://youtu.be/HbAlTEDy1ZY
雙11戰利品。2萬塊買了什麼😱JW PEI包包、超好搭秋冬帽子＋服飾
https://youtu.be/4INvajeHadM
我的包包裡有什麼＋包包收藏👜竟然翻到陳年怪東西...🤣
https://youtu.be/JvRtHlV-NLQ

🐟拍攝器材
相機➡️canon m6
手機➡️iphone 12 mini
麥克風➡️rode videomicro
電腦➡️MacBook Pro
剪輯軟體➡️Final Cut Pro