熱門Ptt文章

[爆卦]bump網美是誰ptt是什麼？優點缺點精華區懶人包

雖然這篇bump網美是誰ptt鄉民發文沒有被收入到精華區：在bump網美是誰ptt這個話題中，我們另外找到其它相關的精選爆讚文章

在 bump網美是誰產品中有5篇Facebook貼文，粉絲數超過22萬的網紅轉角國際 udn Global，也在其Facebook貼文中提到， #R_Kelly全面有罪 🇺🇸 「MeToo事件裡的非裔加害人與被害者，司法正義終於伸張？」以〈I Believe I Can Fly〉一曲走紅的美國歌手R. Kelly，20多年來針對多名未成年人進行性虐待而在27日被判9項罪名有罪，包括1項敲詐勒索、8項與人口性販運有關的罪名。本次審判中共有11...

　同時也有1部Youtube影片，追蹤數超過67萬的網紅Yuci's Channel，也在其Youtube影片中提到，熙語錄： 我只想說 如果我是男生 我一定追你！ Facebook粉專：https://reurl.cc/Qd97nM Instagram動態：https://reurl.cc/E7n2KK 有任何合作提案請寄 [email protected] 我會親自回覆！♥♥ ♥ 每週三 六 晩上...

「bump網美是誰」的推薦目錄

bump網美是誰 在 烏鴉DoKa Instagram 的精選貼文

2020-11-02 06:23:12

嗯？ 我從沒避諱認識媒體老闆吧？ 太多不能講的不講了 能講的時候我慢慢公開 我刪除照片是尊重部分人士要求 與偵查不公開原則 我動態都發一整天了 我心虛？ 這也能當作一個證詞？ 放火跟妄那同居我恨他？ 原來到處造謠各種謠言 真的都是你 我也是現在才確定 那我只能說你為了讓大家站你那 什麼鬼話都說...

  • 轉角國際 udn Global

    bump網美是誰 在 轉角國際 udn Global Facebook 的精選貼文

    2021-09-28 16:56:33
    有 485 人按讚

    #R_Kelly全面有罪 🇺🇸
    「MeToo事件裡的非裔加害人與被害者，司法正義終於伸張？」以〈I Believe I Can Fly〉一曲走紅的美國歌手R. Kelly，20多年來針對多名未成年人進行性虐待而在27日被判9項罪名有罪，包括1項敲詐勒索、8項與人口性販運有關的罪名。本次審判中共有11名指控者，包括9名女性和2名男性，出面描述他們遭受的精神控制、羞辱與性暴力。經過兩天的審判，陪審團最終裁定有罪。當宣讀判決書時，R. Kelly身穿深藍色西裝，戴著眼鏡，一動不動地坐在法庭上，因為戴著口罩而難以看出真實表情。法院將於明年5月4日宣判刑期，R. Kelly最長恐面臨數十年刑期，乃至於終身監禁。
    .
    出生於1967年的R. Kelly，成名曲包括〈I Believe I Can Fly〉、〈Bump N' Grind〉、〈Your Body's Callin〉等，並在1998年以〈I Believe I Can Fly〉獲得了三項葛萊美獎，而有「R&B 之王」、「流行靈魂樂之王」之稱。除了是知名R&B歌手之外，他也以詞曲創作、唱片製作而聞名。1996年，他替麥可傑克森寫了〈You Are Not Alone〉一曲，被提名葛萊美獎。
    .
    不過儘管嶄露高度的音樂才華，R. Kelly在私生活方面則是出現大量的爭議事件。在此次宣判之前，R. Kelly曾因一起持有兒童色情影像的案件在芝加哥受審，但在2008年被無罪釋放。不過這次審判，已有多家媒體報導過R. Kelly如何利用「邪教式」的手段控制、性侵這些年輕受害者。他們之中有許多都曾是他的粉絲、或者事業才剛起步的年輕音樂人。其中包括將這些受害人囚禁在自家與錄音室、強迫錄製性愛影片等等。
    .
    在法律文件中，還揭示了R. Kelly讓受害者遭受大量的精神折磨。例如這些未成年人會被要求遵守「規定」，他們要稱呼R. Kelly為「爹地」、當他一進到房間裡就必須跳起來親吻他、另外沒有經過R. Kelly的允許，他們不能吃飯和上廁所，甚至連穿什麼衣服都受到控制。而如果不從，則會遭受到處罰。其中一些人也指出，R. Kelly亦曾經暗示如果不願意服從他的控制，他可能會使用這些性愛錄影帶來威脅受害人。
    .
    《美聯社》報導在種種指控中，還包括許多讓人不安的場景。有人提到R. Kelly曾經在自己位於洛杉磯的錄音室裡面，旁邊放著一把槍，強迫當事人替他進行口交。另外也在未告知自己有傳染性性病（STD）的情況下，與他們發生關係。以及R. Kelly亦曾經拍攝過一段羞辱影片，其中一名女孩臉上塗了糞便，被當成是「違反規定的處罰」。許多相關指控也都在Netflix於2019年拍攝的紀錄片《Surviving R Kelly》中可以看見。
    .
    負責擔任其中幾名受害者辯護律師的知名女權律師阿爾里德（Gloria Allred）也表示：「在我所有追捕過的掠食者中...R. Kelly是我看過最糟的。」阿爾里德並指出他是刻意利用名人光環和事業的力量來孤立、恐嚇、懲罰、羞辱受害者。
    .
    其他證詞集中在凱利與已故的前妻艾莉婭（Aaliyah）的關係上。艾莉婭也曾是知名R&B歌手，15歲便發行了第一張專輯，2001年因為飛機事故而過世。她和R. Kelly於 1992 年被介紹認識，當時她只有13歲。1994年 8 月，兩人結婚時艾莉婭只有15歲，儘管雙方都否認這種說法，並聲稱當時艾莉婭已滿18歲，不過兩人婚姻也僅維持不到一年。
    .
    然而根據調查，之所以結婚的原因，是當時R. Kelly以為艾莉婭懷上了他的孩子，他的解決方案是與她結婚以逃避起訴，因此他需要有人協助他賄賂伊利諾州政府員工，為艾莉婭製作假身份證。這也成了他在本次審判中敲詐勒索（racketeering ）的罪名之一（美國敲詐勒索罪包括賄賂、賭博犯罪、洗錢等內容。）
    .
    這次的判決，除了也是延續2017年「#MeToo」運動被起底的幾名重要名流——溫斯坦、艾普斯坦等人之外——更重要的意義是，過去多起#MeToo圍繞著的核心，大都仍是白人男性與女性間的指控，再加上前陣子「天才老爹」寇斯比（Bill Cosby）案因程序問題而「無罪逆轉」，對許多有色人種的性侵受害者來說，這讓她們認為自己被排除在司法體系之外，無法得到伸張正義的管道。因此這次判刑的重要性也在於，R. Kelly案的受害者幾乎都是黑人（包括未成年女孩與男孩），也象徵了一次非裔性別議題支持者的重要勝利。
    .
    宣判當日，紐約法院外也聚集許多民眾，除部分是R. Kelly的支持者外，也有在網路上發起要求抵制R. Kelly歌曲的「#MuteRKelly」 成員。發起人奧德萊（Oronike Odeleye） 就指出：
    .
    「（身為黑人女性），我們從沒有完全擁有自己的身體。今天我們正處一個轉捩點，證明黑人女性終於可以不用再因為『誰叫你是黑人女性』而付出慘痛代價。」
    .
    .
    PHOTO CREDIT：
    （１）路透社／本次的法庭素描
    （２）美聯社／《Surviving R Kelly》出面的受害者們
    （３）美聯社／2013年的全美音樂獎Lady Gaga和R. Kelly表演〈Do What U Want〉
    （４）美聯社／#muterkelly 在2019年的抗議
    #rkelly #udnglobal #轉角國際

  • 台灣物聯網實驗室 IOT Labs

    bump網美是誰 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文

    2021-07-27 11:56:34
    有 1 人按讚

    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

  • 茱茱麗: 阿爾巴尼亞新娘

    bump網美是誰 在 茱茱麗: 阿爾巴尼亞新娘 Facebook 的最讚貼文

    2016-10-06 09:42:36
    有 11 人按讚

    { Baby Bump } 32 weeks 🐒 最近和咱們家的蘇菲寶喊話，叫她快點坐好位置，要預備備。上星期去產檢，她還是老神在在的左右躺。醫生一點也不擔心，覺得空間還很大，等35/36週再來看看。

    我原本很擔心，但擔心沒有用，只是更著急。後來看了很多媽媽，即使寶寶坐好，最後還是吃了全餐。似乎這事我們也無法掌控。只能天天喊話，做做運動，希望她小屁屁挪向我的臉。

    搬進家一個月，還是還沒整理好。除了我動作慢之外，我們真的好多事要做。常常覺得一星期不夠用，去個DMV更新駕照，就得跑4趟，兩個星期五就這樣飛了。更別說我還要每兩個星期產檢，Sandi要打過敏疫苗，找小兒科，這些都得在5點前完成（美國診所晚上沒有開的。）再加上晚上參加媽媽教室，參觀醫院，晚上10點到家，周先生還要備課才能睡。週末只有一天可以漆油漆，櫥櫃油漆又費時，一整天只能漆1/4，要漆一個月。

    我除了三天整天改考卷，出作業。剩下就是上網研究家用品/家具/推車汽座床。處理水電帳單，保險帳單。還有處理我們的簽證，細節繁瑣，等待的時間都是心裡負擔。現在又要找托兒所，聽說位置要搶，參觀報名又是好幾個下午。也要開始準備待產包。

    小娜說要拍孕婦照嗎？哈，沒錢也沒時間。同事說要辦baby shower 嗎？哈，美國這麼大，我和周先生就只有我們是對方的家人，誰會幫我辦？還好有蘇菲寶的粉絲後援會會長幫我準備大部分的迎接禮。

    每當睡覺，都覺得幸好我們有個家，可以讓我們睡的安穩。每天都很感恩❤️

你可能也想看看

搜尋相關網站