如果稍早有在YouTube看過這部短片的朋友，關於這捲Mini-DV磁帶在拍攝前的確有檢查過，捲帶的部分確實全數在左轉盤上，若是拍攝過的磁帶會往右轉盤旋繞過帶，故此就可以知道這捲帶子曾拍攝過。接著放入機身內部顯示尚可拍攝的分鐘數是完整的，如果有拍過的話應該還會寫剩餘幾分鐘可拍。而在影片當中我確實使用...
如果稍早有在YouTube看過這部短片的朋友，關於這捲Mini-DV磁帶在拍攝前的確有檢查過，捲帶的部分確實全數在左轉盤上，若是拍攝過的磁帶會往右轉盤旋繞過帶，故此就可以知道這捲帶子曾拍攝過。接著放入機身內部顯示尚可拍攝的分鐘數是完整的，如果有拍過的話應該還會寫剩餘幾分鐘可拍。而在影片當中我確實使用這捲DV帶來回拍攝了兩次，如果只是單純想覆蓋過原本錄製過的影像，將磁帶倒到想覆蓋的地方再重新拍攝，之前的畫面理當就會被蓋過，但不可能我拍攝的一個畫面一點痕跡都沒有，至少來點馬賽克告訴我有拍到東西，但出乎意料之外竟然是完全沒有，反而出現了三個我從未看過的畫面，事後回放又不見了，但我的畫面依舊沒出現，而iMovie的特性是會自動捕捉任何片段或音軌，我將其三段畫面拿去詢問當事人Tony有沒有對這些影像有印象，都表示沒有也確實說明是全新卡帶，究竟這三個片段是如何逃過三番兩次的覆蓋呢？
這讓我想到之前有一位朋友與我分享的故事，他朋友曾在HARDOFF桃園中壢店挖過一些二手DV磁帶，大家知道HARDOFF是專收二手商品買賣的地方，可以想像蚤樂趣這種店變成超大二手百貨商場。而朋友在某一天逛HARDOFF時順手買了一卷Mini-DV帶打算回去拍看看，到家後將其磁帶插入機身，檢查顯示可拍攝的分鐘數不足，代表這捲DV磁帶已經被使用過了，至於拍了什麼不得而知，而這一回放嚇呆了他朋友，因為裡面存載的畫面是別人家的告別式紀錄⋯⋯若仔細看身邊所有的黑衣人都背對著畫面，中間靈堂上的遺照因為Zoom-in越來越清晰，不知是眼花還是怎麼照片中的人越看越像自己，突然站在遺照旁邊黑衣人轉過頭看著鏡頭，明顯對視到眼神當下，立即將DV關機並將磁帶抽出燒掉。
若您準備好了，今天就教你如何用三條線輕鬆將傳統錄影帶轉換成數位影片到您的電腦上！
帶著開心的心情來看待這部片吧！剛好這次拍攝這支影片，是因為最近工作上有拍攝MiniDV帶的需求，但以前都聽人家說轉錄很複雜很麻煩，一台擷取器要不少錢，所以遲遲沒有付諸行動，剛好案子需求，幫忙樂團拍攝想要DV錄像帶的質感，在不考慮後期特效的條件下得全程使用真材實料的DV攝像機及磁帶拍攝，因此下定決心來研究怎麼將DV磁帶上的影像擷錄至到電腦上，後來發現其實並不難（心聲僅限Mac用戶）只需要三條線即可將影像輕鬆擷錄到電腦上面儲存，今天實測就帶大家來看看如何操作吧！
『此教學僅供iMac、MacBook電腦作業系統使用』
『Windows電腦作業系統需要類比訊號轉換成HDMI，外加擷取盒、AV端子線』
實測電腦機型：MacBook Pro (Retina, 15-inch, Late 2013) A1398
處理器：2.3 GHz Intel Core i7
記憶體：16 GB 1600 MHz DDR3
顯示卡：Intel Iris Pro 1536 MB
版本：macOS Mojave 10.14.6
攝像機：Canon Optura Xi
所需傳輸線（依照優先插入順序排列）：
一、IEEE 1394 Firewire cable 4-pin(公) 6-pin(公)
二、Moshi IEEE 1394 Firewire 轉接頭 6-pin(母) 9-pin(公)
三、Apple Thunderbolt 對 FireWire 轉換器 9-pin(母) 8-pin(公)
＊以上共計三條適用於2015年前的蘋果電腦規格，而2015年6月2日後的蘋果電腦規格需多添購一條 Thunderbolt 3 (USB-C) 對 Thunderbolt 2 轉接器，共計四條。
另外針對最後馬賽克的問題，有兩種可能，第一磁頭需要清潔，第二磁帶老化老舊。需要購買指定的清潔帶放入卡槽清潔攝影機的磁頭，而DV磁帶上會有層磁粉，DV帶靠著這層磁粉來記錄影像和聲音，經過多次使用或是保存不當，或是DV磁頭髒都會導致磁粉的脫落，DV帶並不是我們想像的那樣可以無限次的使用，在正常情況下使用DV帶次數建議是3次，也就是說DV帶用過3次後就得汰換了，否則就會有畫面出現馬賽克的隱憂。
但可能有人會說，每個DV帶只使用3次是否太浪費？這時大家可能得冒著出現馬賽克的風險而繼續使用，以下有三個方法可以試圖避免出現馬賽克的情況，並採取有效的預防手段：
一、在重覆使用DV帶錄影時，帶頭空出30秒至60秒，是因為帶頭是最容易磨損消磁的地方，同樣帶尾也一樣，片中口誤說空錄5秒至10秒是錯誤的。
二、重複使用DV帶之前，先查看DV帶上有無原有的影像資料，並且是否完整？若發現有小塊的馬賽克就不要再次使用此卡帶。
三、卡帶保存要盡量遠離磁場，不用時應當從機器中取出，避免高溫和聚熱聚冷。
這部片就獻給未來有想將DV磁帶影像，截錄儲存至電腦上的朋友，若影片中有說明錯誤，請不吝指教，其他相關問題也歡迎來信私訊我。
特別感謝：張正諭、張藝、朱聖智、蘇子傑、陳九、劉昱辰、Tony(贊助DV磁帶)、吃相・相機店。
#MiniDV導入Mac電腦 #傳統錄影帶轉換成數位影片 #DV轉錄教學 #DV #OpturaXi #Canon #Elura
類比轉數位方法 在 台灣物聯網實驗室 IOT Labs Facebook 的精選貼文
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
類比轉數位方法 在 每日一冷 Facebook 的最佳貼文
#古早科技中的冷知識 錄影帶那不為人知的高智商設計
大家晚安。你知道嗎，每日一冷的小編們也都是 就算知道了也對人生沒有幫助的日本小知識 梅用知世 大的粉絲。
提起這個不為別的，是要坦承今天的知識超級沒用 XD。也許會勾起不少人 80、90 年代的暖暖回憶吧。我們開始。
講到老科技，科宅其實不夠老也不夠宅，因此本文會設定在「和朋友在吃飯聊天一席話」的程度，快速帶到妙處，更多海量細節就不裝懂了，待強者補充。
說到錄影帶，首先想到的三個字母就是 VCR，古早台灣綜藝節目中都用 VCR 代稱「一段影片」。例如：讓我們看一段 VCR。但其實 VCR 應該是指 videocasette recorder——「影像卡帶 的 錄放機」是也，應該是指那台機器啦，拿來代稱一段影片恐怕有誤會。
另外也是三字母的 VHS 指 Video Home System 是一整套標準化的商用 VCR 硬體規格。由於它商業成功一統惹江湖，一般說到錄放影機，八成指的就是 VHS 系統。
科宅小時候對 VHS 錄放影機內部印象最深刻的，是那顆亮閃閃的，大家稱為「磁頭」的像一顆銀色車輪餅的物體。
我真正好奇的點，不意外有點怪：
為什麼不管去哪個朋友家，不管哪個牌子的錄放影機，裡面磁頭都是歪的阿？看了強迫症發作，好想把它掰正喔 （住手XD）。
直到最近看了一些 YouTube 上講解復古科技，比我更老也更宅的大大的頻道，才破解了這個伏筆，感到舒暢。斗膽與大家說說其中巧思。
是這樣，有在接觸科幻劇集 Doctor Who 《誰博士》的朋友 🎀 可能聽過，最早在該節目的經典版 Classic Who 所播出的 60 年代，有好多集節目的影像資料至今已經丟失，只留下了聲音檔。
其中的時代科技背景是，說來奇怪，那個時代已經有廣播電視，但卻缺乏【能把電視的影像訊號紀錄下來】的器材。（精確說是便宜實惠的錄下來。要是不計成本還是能用極大量磁帶，或是昂貴的膠卷翻拍。總之實務上無法錄下每一檔節目。）
癥結在於：那些年，電視信號是類比 analogue 的，換句話說，影像是編寫紀錄在電磁的波動之中（調頻編碼）的。要在一眨眼之間便覆蓋半個電視螢幕（掃描線每次更新一半畫面），所需的電磁訊號份量相當大，搭載其波動的頻率也就必須極高——比錄音帶高太多了。
比較一下，錄音帶：約２萬赫茲。廣播電視信號：約５００萬赫茲！這使得工程師無法直接套用磁帶錄音的邏輯來錄製影像。
磁帶錄音是這樣，磁頭不動，捲動的磁帶滑過磁頭表面，依序讀取磁性顆粒記錄下的極性，轉為音訊。
簡單來說，想把頻率遠遠更高的影像訊號塞進類似錄音帶的磁帶系統的話，磁帶就必須用瘋狂的高速捲動。且不論那樣機器所需的精細度高，容錯度就低 → 驚心膽顫的。而且，所需用的磁帶相應也會驚人的長。
但工程師可沒放棄，還想出了超雅致的解法：
欸嘿 (推眼鏡)～～我們都太拘泥陳規了。如果磁帶高速轉動不實際，我們還可以【讓磁頭高速轉動】啊！
這就說到科宅小時看那顆「銀色車輪餅」的由來了：裡面其實有四個磁頭貼在輪子的東西南北，輪子會以每秒 60 轉（3600 rpm）的高速，讓磁頭接連不斷地接力掃過磁帶表面。因為有四個，所以酷炫的命名為 quadruplex（四路多工）。
而為了讓磁帶表面的空間能有效得到利用，最後採用的掃描方向是斜斜的（如插圖，credit: IEEE Spectrum）那就是它一定歪了一個角度的原因了。甚至可以說那是整個系統的精神所在。
在磁帶以普通慢速捲動的同時，磁頭傾斜著高速轉動，對角線方向快速讀取磁帶面積之中一列列磁性的編碼。這方法就稱為螺旋丸(x) 螺旋掃描(o) = helical scan。把大量的資料塞在緊緻的空間中，雅致到都令本科宅想到另一個稱為 DNA 的螺旋了。
現代影像大多早已數位化，那群高智商工程師設計出的精湛技術的積累與結晶，也隨著類比系統謝幕退至後台。嘆息之餘，稍微了解一下那份巧思與設計智慧，說不定別的地方能派上用場的吧。
結論：所謂山不轉路轉，磁帶不轉磁頭可以快快轉。
↑ 寫這整篇就是要鋪這個冷笑話
但說真的，扯離開原主題一點點，科技還真有些東西遙相呼應似曾相識的。各位現在若 google 螺旋掃描 'helical scan' 有可能找到的不是 VHS 科技，而是「電腦斷層掃描」相關的醫學資訊喔。
電腦斷層機器是用 X 光用各種角度照射人體，由無數條不同角度 X 光被人體內部吸收的比例，用數學（別怕，說穿了只是解解聯立方程式）算出人體的內在構造。
關鍵字是「需要各種角度照射」。而最後採取的是病人躺在移動的平台上慢慢滑行，由 X 光機和偵測器快速旋轉（俗稱「切」）......顯然是不能讓病人快速轉動 😂 因此電腦斷層機器永遠都是甜甜圈形狀的。病人慢慢動機器快快轉，和錄影帶和磁頭之間關係真是有點相似不是嗎。
最後是坦誠，剛才不是說 VHS = Video Home System 嗎？就很奇怪為何不按文法，寫成 Home Video System 啊 —— 其實 VHS 原本代表的是「垂直螺旋掃描」= vertical helical scan，便是這整篇文在講的那最關鍵之技術。而「家庭錄影系統」其實是後來附會上去的，畢竟商標還是越好記、越淺白越好吧。
本文完。by 科宅
_
主要參考資料：
圖一 26 Jul 2016
IEEE Spectrum - Revisiting the VCR’s Origins By Tekla S. Perry
圖二（VHS 磁帶與磁頭自動貼合的聰明機制）
Oona Räisänen - Inside a VHS VCR, 2014年1月5日
https://youtu.be/N1Hcoxqr9Bg
圖三 Technology Connections 頻道的解說
The Impossible Feat inside Your VCR, 2017年1月25日
https://youtu.be/KfuARMCyTvg
類比轉數位方法 在 COMPOTECHAsia電子與電腦 - 陸克文化 Facebook 的最佳解答
#智慧醫療 #類比元件 #同步降壓開關控制器
【醫療設備之電源降壓轉換】
如果能在疾病爆發之前，就將其抑止在萌芽狀態～～～
如果零號病人，能是唯一的一位病人～～～
如果精密感測，能夠實現疾病的早期診斷，並協助患者更快、更完全地康復！
然而，多功能醫療設備的主輸入電源通常採用來自外部 AC/DC 電源轉接器的 24V 或 12V DC 電源，然後利用同步降壓轉換器，進一步將這個電壓降至 5V 或 3.xV 電源軌。不過，這些醫療設備在運行電壓不斷降低的同時，內部進行後置穩壓的電源軌數量卻在增加。此類系統需要不同電壓等級的電源軌，來為低功率感測器、記憶體、微控制器核心、I/O 和邏輯電路供電。
演示視頻：
《透過數位健康創新預防疾病傳播》
https://www.youtube.com/watch?v=eIqs15p6aDA&feature=emb_logo
延伸閱讀：
《無線醫療儀器需要恰當的供電方法》
http://www.compotechasia.com/uploads/special/206/206linear.pdf
#亞德諾ADI
P.S.《COMPOTECHAsia 電子與電腦》在 YouTube 也有專屬頻道哦！歡迎各位朋友訂閱＋開啟小鈴鐺。
https://www.youtube.com/user/compotechasia/videos