同學：樓價開始不值得擔心，我開始擔心AI這個對手。
這代人，最關心是樓價。能夠讓樓價大跌的因素，不是土地供應問題，不是人民幣走資問題，不是利率問題，不是人口問題，不是政策問題，不是2017股災等問題。所有我們logically predicted的因素，都不會產生真正的黑天鵝。
要樓價下跌，是需要...
同學：樓價開始不值得擔心，我開始擔心AI這個對手。
這代人，最關心是樓價。能夠讓樓價大跌的因素，不是土地供應問題，不是人民幣走資問題，不是利率問題，不是人口問題，不是政策問題，不是2017股災等問題。所有我們logically predicted的因素，都不會產生真正的黑天鵝。
要樓價下跌，是需要一個很強大的市場共識，例如社會上有60%以上的人覺得樓是一種負累，租樓比買樓著數，然後人踩人放盤，才會骨牌式下跌。又或者更悲哀的是，市場突然出現一種破壞力極大的因素，導致大部分人突然喪失買樓和供樓能力，或者被迫放棄擁有的物業。
我大膽猜想，這種力量來自科技，尤其是ai。人工智能逐漸取代人類的工作，正在發生。有一天，可能很多人一覺醒來，發現自己原來是一無是處，變成一個廢人。公司不需要你，客戶不需要你，社會不需要你。你原本賴以為生的學歷、能力和專長 ，在科技面前變得一文不值。公司用機器人和ai取代人類，引發大規模裁員，原本的會計師、繪圖師、貨車司機、工廠工人、保險經紀、收銀員、速遞員、白領員工、數據分析師、都會在一瞬間失業，只有少數精英能倖存。供樓的斷供，未買樓的無法上車，人類越來越不能負擔一個屬於自己的空間，甚至無法養活自己。到時大量失業，引發社會動盪，政治動盪，人們要求工作，要求更多福利，全球沒有一個政府能處理這個問題。尤其是今天擁有人口紅利的中國，很大機會在AI時代，出現文革以來前所未有的動盪。千千萬萬民工失業，大學生、碩士生、博士後，全部淪為廢青，即使強而有力的中央政府，也無法維穩。
什麼時候會發生？我原本以為是20年後，但我錯了。人機大戰已經開始，從alpha go戰勝棋王的一刻，已經拉開序幕。我是否過於危言聳聽？2005年，沒有人相信Google和Facebook可以統治世界，甚至催生出英國脫歐和Donald Trump做總統。科技往往進步得比人的適應能力要快，而我們往往是後知後覺。當結果發生時，我們才回頭發現，原來我們的世界變得越來越快，越來越陌生，但我們連準備的時間也沒有。
我開始擔心下一代。我擔心的是，傳統education system訓練出來的操卷動物，學生被鍛鍊成只懂得追求標準答案的人。他們用了18年的青春扭曲自己的才能，變成只懂得滿足考評局、老師和父母期望的人。這些青少年大都沒有很強的人際關係技巧、沒有創造力、沒有野心、沒有危機意識，見步行步，集體頹廢，恐怕未來這些人會在人機大戰中輸得很慘很慘。因為，我們的競爭，已經從身邊的人，延伸至我們看不到、也想像不到的對手：Google、Facebook、Apple、uber、IBM、騰訊、阿里巴巴和百度等等。
可憐的是現在的小學生，他們的學習模式還是我們小時候一樣。很多缺乏大局觀的父母，還停留在八九十年代那種「贏在起跑線」，「瘋狂操練考卷」，「肯努力就有回報」的old school mindset。學校不考，就不學；老師認為對的，就是對。年復年地扼殺孩子的創意和創造力，浪費人生中最能開竅的時間在無意義的「達標遊戲」。 我認為「人機大戰」是一個比dse或者入大學更重要的議題。也許，是時候反思人類的價值和定位。這個是關乎生存與否的問題。你知道這一天，來得比想像中要快。
朋友，你覺得下一步，我們應該怎樣？
文：Henry@skx
----- 後記：有同學說：「啊Sir，其實打機可以搵錢的。你有沒有見過LOL電競組合？」嗯，你覺得人類可以在virtual environment完勝AI的電競組合嗎？這點我不知道，反正我贏不了fifa的傳奇級AI，每次和它對戰，我都說帶著恥辱和憤怒關機。
#skx
#skillxpress
#learning_for_future_advantage
ai繪圖取代 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
AI晶片市場究竟是什麼模樣？
作者 : Michael Azoff，Kiasco Research首席分析師
類別 : 專家觀點 2020-10-05
目前的AI晶片市場幾乎全都是關於深度學習(Deep Learning，DL)，深度學習是讓AI應用程式在現實世界實際可用的最成功機器學習典範；而其中又以加速(accelerating)深度學習最受關注，因為加速是訓練與推論過程所需。
當前的AI晶片市場參與者暴增：在最近的一份研究報告中，我們統計出全球有80家左右新創公司吸引了投資人約105億美元規模的資金，與大概34家老牌業者同台競技。顯然這種情況不會長久，但我們需要解析這個市場，以充分理解它為何會如此發展、又會如何變化，以及這一切意味著什麼。
將時間倒回2010年左右，當時因為Nvidia推出了在繪圖處理單元之上的高階通用運算方案(GPGPU)──現在我們都簡稱為GPU──導致了深度學習的崛起，將大型神經網路的訓練時間從幾個月或幾週，減少到只要幾天、幾個小時，甚至更短時間。Nvidia自此成功轉型為AI運算公司，發展出規模達數十億美元的新業務。
適用於工業體系的光耦合器安全型解決方案
這激勵了其他晶片公司和晶片架構師開始思考：他們能如何從零開始構建一個專門用於執行AI工作負載的架構，而且表現能比為多樣化工作負載設計的GPU更好？今日的AI工作負載僅代表著執行深度學習，這是目前的市場需求所在。
但市場需求是多變的。儘管大多數AI訓練都在資料中心(包括超大規模雲端)和工作站上進行，AI推論在任何地方都能進行：包括雲端、工作站還有邊緣──尤其是在邊緣裝置。
AI晶片市場如何細分？
無論一家新創公司決定加入哪個細分市場，競爭都會非常激烈。筆者發現將這個市場映射為一個三角形非常實用，如圖1，每一個角都有自己的一套標準來代表獨特的市場需求。
三角形的頂角是資料中心、雲端和高性能運算(HPC)環境對AI晶片的需求。Cerebras就是巧妙掌握了此一市場的新創公司，打造了號稱世界上最大的晶片──Wafer Scale Engine (WSE)。這個細分市場需要最高的運算能力，功耗和成本則是其次。在這裡新創公司面臨的挑戰是要與超大規模企業或老牌業者競爭──例如Nvidia持續穩步改善其架構，最新版本(Ampere)已於2020年5月發佈。
三角形的底角主要與推論相關，可以打造出維持準確但降低精度的晶片，其約束條件並不相同，包括晶片尺寸、低延遲、低功耗和低單位成本。小型邊緣裝置市場是新創公司最活躍的領域，像Nvidia這樣的大牌業者就不太會參與競爭，該公司也曾表示不打算涉足大眾商品推論市場。但是這個領域的玩家不僅要與對手競爭，還得與潛在客戶鬥智鬥勇──因為客戶可能會決定自創或收購一家新公司。
AI晶片市場的下一步發展
AI晶片領域有太多的競爭業者，看看圖1中三角形的每個角就知道，只有最佳的全方位設計才會勝出。除了我們已提到的各種因素，還需要添加成熟的軟體開發堆疊、針對市場的願景，以及將深度學習應用程式嵌入產品中的更大潛力，才能使市場合理化。
而這個市場中已經有人「陣亡」了：最近的一個案例是Wave Computing已於2020年4月宣佈破產。
競爭促使市場出現更快、更高性能的AI晶片，AI研究人員將從中獲益、實現他們的創新設計。筆者也預期將出現新演算法取代深度學習當前的霸主地位——AI研究的長期願景是打造類人腦的人造大腦，顯然深度學習會走入死胡同。新演算法的誕生勢不可擋(有些已經出現，但不在本文討論的範圍)，這些新一代演算法可能會需要不同類型的加速器。
深度學習在實際案例中的應用廣度，使這些晶片擁有數十億美元的市場，隨著5G的推出，其規模還將持續成長。這個市場需要AI硬體加速器，AI晶片市場將趨於合理化，然後整個遊戲規則將隨著新一代AI演算法的崛起而改變…不過，沒有人能斷言改變何時發生。
附圖：圖1：AI硬體加速器的細分應用市場。
資料來源：https://www.eettaiwan.com/20201005nt31-optical-compute-promises-game-changing-ai-performance/?fbclid=IwAR0iy4HEXAVJ_zVXdjd360xZg_RErdq05zNYPpM92mY4d5tTB_4AEZih5z0
ai繪圖取代 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳解答
AI晶片市場究竟是什麼模樣？
作者 : Michael Azoff，Kiasco Research首席分析師
類別 : 專家觀點 2020-10-05
目前的AI晶片市場幾乎全都是關於深度學習(Deep Learning，DL)，深度學習是讓AI應用程式在現實世界實際可用的最成功機器學習典範；而其中又以加速(accelerating)深度學習最受關注，因為加速是訓練與推論過程所需。
當前的AI晶片市場參與者暴增：在最近的一份研究報告中，我們統計出全球有80家左右新創公司吸引了投資人約105億美元規模的資金，與大概34家老牌業者同台競技。顯然這種情況不會長久，但我們需要解析這個市場，以充分理解它為何會如此發展、又會如何變化，以及這一切意味著什麼。
將時間倒回2010年左右，當時因為Nvidia推出了在繪圖處理單元之上的高階通用運算方案(GPGPU)──現在我們都簡稱為GPU──導致了深度學習的崛起，將大型神經網路的訓練時間從幾個月或幾週，減少到只要幾天、幾個小時，甚至更短時間。Nvidia自此成功轉型為AI運算公司，發展出規模達數十億美元的新業務。
適用於工業體系的光耦合器安全型解決方案
這激勵了其他晶片公司和晶片架構師開始思考：他們能如何從零開始構建一個專門用於執行AI工作負載的架構，而且表現能比為多樣化工作負載設計的GPU更好？今日的AI工作負載僅代表著執行深度學習，這是目前的市場需求所在。
但市場需求是多變的。儘管大多數AI訓練都在資料中心(包括超大規模雲端)和工作站上進行，AI推論在任何地方都能進行：包括雲端、工作站還有邊緣──尤其是在邊緣裝置。
AI晶片市場如何細分？
無論一家新創公司決定加入哪個細分市場，競爭都會非常激烈。筆者發現將這個市場映射為一個三角形非常實用，如圖1，每一個角都有自己的一套標準來代表獨特的市場需求。
三角形的頂角是資料中心、雲端和高性能運算(HPC)環境對AI晶片的需求。Cerebras就是巧妙掌握了此一市場的新創公司，打造了號稱世界上最大的晶片──Wafer Scale Engine (WSE)。這個細分市場需要最高的運算能力，功耗和成本則是其次。在這裡新創公司面臨的挑戰是要與超大規模企業或老牌業者競爭──例如Nvidia持續穩步改善其架構，最新版本(Ampere)已於2020年5月發佈。
三角形的底角主要與推論相關，可以打造出維持準確但降低精度的晶片，其約束條件並不相同，包括晶片尺寸、低延遲、低功耗和低單位成本。小型邊緣裝置市場是新創公司最活躍的領域，像Nvidia這樣的大牌業者就不太會參與競爭，該公司也曾表示不打算涉足大眾商品推論市場。但是這個領域的玩家不僅要與對手競爭，還得與潛在客戶鬥智鬥勇──因為客戶可能會決定自創或收購一家新公司。
AI晶片市場的下一步發展
AI晶片領域有太多的競爭業者，看看圖1中三角形的每個角就知道，只有最佳的全方位設計才會勝出。除了我們已提到的各種因素，還需要添加成熟的軟體開發堆疊、針對市場的願景，以及將深度學習應用程式嵌入產品中的更大潛力，才能使市場合理化。
而這個市場中已經有人「陣亡」了：最近的一個案例是Wave Computing已於2020年4月宣佈破產。
競爭促使市場出現更快、更高性能的AI晶片，AI研究人員將從中獲益、實現他們的創新設計。筆者也預期將出現新演算法取代深度學習當前的霸主地位——AI研究的長期願景是打造類人腦的人造大腦，顯然深度學習會走入死胡同。新演算法的誕生勢不可擋(有些已經出現，但不在本文討論的範圍)，這些新一代演算法可能會需要不同類型的加速器。
深度學習在實際案例中的應用廣度，使這些晶片擁有數十億美元的市場，隨著5G的推出，其規模還將持續成長。這個市場需要AI硬體加速器，AI晶片市場將趨於合理化，然後整個遊戲規則將隨著新一代AI演算法的崛起而改變…不過，沒有人能斷言改變何時發生。
附圖：圖1：AI硬體加速器的細分應用市場。
資料來源：https://www.eettaiwan.com/20201005nt31-optical-compute-pr…/…
ai繪圖取代 在 Yahoo奇摩3C科技 Facebook 的最佳貼文
明年Mac要用Apple自家的晶片了～
#Apple #Mac #電腦晶片