【1989年的電腦鼠走迷宮】#電腦鼠 #智慧型機器人
你也知道電腦鼠嗎?隨著科技進步,設計越趨精良,
電腦鼠(Micro moues),雖然叫「鼠」,卻不是真的老鼠,
有人把「聰明」的電腦鼠叫作具有人工智慧的小機器人。
它以微電腦為頭腦,具有記憶和分析能力;
有感測器為耳目,讓它不致碰壁;
有自給自足的動力,可快速移動轉彎;
至於形狀,則各個巧妙不同。
電腦鼠走迷宮的競賽概念自1977年由IEEE Spectrum雜誌提出以來,
迄今雖然已經超過40年了,但隨著半導體科技與單晶片
微電腦整合技術的快速發展,電腦鼠機器人的能力也是日新月異,
不論是機構、數位控制或者是演算法則等,都有長足的進展。
日期:1989/5/21
圖說:第四屆全國電腦鼠大賽廿一日在台北宏碁大樓舉行。
來源:聯合報
攝影:游輝弘
#報時光UDNtime
歷史新聞
【1989-05-22/經濟日報/19版/地方商業】
電腦鼠大賽精彩刺激
去歲前三名今年都再度蟬聯 冠軍「肥仔二世」締造新紀錄
【台北訊】第四屆全國電腦鼠大賽昨(二十一)日在台北宏碁大樓舉行,比賽結果薑是老的辣,去年前三名再度蟬聯,而且冠軍「肥仔二世」寫下全國新紀錄,以十三秒七八走完迷宮。
昨日共有二十八隻電腦鼠參加走迷宮大賽。電腦鼠結合電子、微電腦、機械設計等奧妙於一身,比智力(思考方向選擇、記憶路徑以免重複犯錯)、比體力(電池設計),「老鼠選手」在十五分鐘內可以闖迷宮十次,取成績最好的一次。
比賽過程中電腦鼠各顯神通,有的精靈,有的呆呆的十分可愛,吸引了數百名觀眾為牠們加油。衛冕者「肥仔二世」直線加速快,連轉彎都不必先停再轉,以正統打法勇奪冠軍,而且刷新全國紀錄。這次迷宮是以新加坡大賽時的版本加以修改而成,困難度十分高,我國電腦鼠卻比新加坡鼠要高明。
電腦鼠走迷宮能讓年輕人將電腦理論與實際應用結合,並且吸引更多人對具有智慧的電腦鼠產生興趣,這類比賽對鼓勵未來的電腦人才甚有助益。
同時也有1部Youtube影片,追蹤數超過2萬的網紅Skylai TV,也在其Youtube影片中提到,2017年10大《時代》評選【最佳發明】 | 除了IponeX 外,萬萬想不到【指尖陀螺】也入圍了| Skylai Tv 美國《時代》雜誌最近評選並公佈了一份2017年25款最佳發明榜單,所以今天我選了其中10個發明來和大家分享讓我們一起看看在即將結束的2017年有哪些【最佳發明】 No.10 ...
智慧型 感 測器 應用 與 發展 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
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
智慧型 感 測器 應用 與 發展 在 股人阿勳-價值投資 Facebook 的最佳貼文
😉 Q2 展望不優,外資下調目標價
截至 2021/06/02,大立光目前價格則為 3070 元,顯然表現的不如預期,主要原因可歸咎於 5 點 :
1. 過去 3 年手機市場的飽和。
2. 市場不再以高階鏡頭做為主力賣點。
3. 去年底流失華為高階鏡頭訂單。
4. 蘋果供應鏈新增陸廠,使同業競爭加劇。
5. 高階 Sensor(感測器)、AP(手機處理器),受到天災影響,重建要一個季度,導致訂單遞延。
而大立光在 Q1 法說會上,管理階層更表示,4-5 月營運也會不好,除了客戶拉貨力道有所下降,也因美國暴風雪關係,造成應用處理器及感測器出現短缺,部分高畫素的感測器甚至停產,導致有些客戶的新產品需遞延一季,因此第二季營運展望仍屬疲弱。
---
💁♂️阿勳的價值投資社團
傳送門 : https://pse.is/3aj2de
---
📌 大立光(3008)
公司成立於 1987 年,主要生產光學鏡頭及鏡片,而早期生產的鏡頭多用於數位相機,但數位相機從 1990 年起開始普及後,同業競爭加劇,使得價格、毛利、獲利都下滑,正好 90 年恰逢手機興起的年代,公司見狀,立馬改以生產手機為主的鏡頭,其後憑藉著自身高品質、高良率的技術優勢,成為全球手機鏡頭龍頭,市佔率達 20%。
而大立光除了發展光學元件外,集團產品跨足音圈馬達(大陽科技)、隱形眼鏡(星歐光學)、睡眠監測(大立雲康),積極擴大產品種類及產能,掌握發展趨勢,並滿足市場需求。
.
📌 主要產品
大立光主要業務是各式光學鏡頭模組與光電零組件之研究開發、設計、生產、銷售與售後技術服務。
產品包括 :
多功能事務機、掃描器、智慧型手機、3D 結構光、ToF、屏下光學指紋、空拍機、平板電腦、IP 相機、智慧型電視、穿戴式裝置鏡頭、虹膜辨識鏡頭、光學滑鼠等鏡頭、醫療儀器用鏡頭、汽車鏡頭。
.
📌 營收結構
產品應用比重以
手機佔 93% 最高,
其次為筆電及平板佔 7%。
截至 2021 年第 1 季,
大立光鏡頭畫素出貨比重:
2000 萬畫素 20~30% 、
1000 萬畫素 50~60%、
800 萬畫素約 0~10%,
由此可知,千萬畫素以上的鏡頭,
就佔了大立光近 8-9 成的營收。
.
📌 生產據點:
公司在台中擁有十座工廠,
另外在中國大陸有一座工廠,
已動工的新廠預計 2023 年完成,
預計另一座台中新廠也將在今年第四季動工,
雖然未來幾個月狀況不明,
但也不能放棄未來 10 年的佈局,
因為市場隨時都在變化,
這是董事長林恩平在法說會上說的。
.
📌 銷售地區
截至 2020 銷售地區佔比:
以中國為最大宗佔 58%,
日本 15%、韓國 13%,
光學鏡頭幾乎都賣給亞洲~
倒不如說為了降低生產成本,
因此手機代工廠都在亞洲,
所以大立光銷售地區才都會是在亞洲。
.
📌免責聲明:
單純分享財報資訊與個人看法,無邀約之實,僅符合量化條件的個股,無推薦之意,僅供參考、任何交易行為須自行判斷
智慧型 感 測器 應用 與 發展 在 Skylai TV Youtube 的最佳解答
2017年10大《時代》評選【最佳發明】 | 除了IponeX 外,萬萬想不到【指尖陀螺】也入圍了| Skylai Tv
美國《時代》雜誌最近評選並公佈了一份2017年25款最佳發明榜單,所以今天我選了其中10個發明來和大家分享讓我們一起看看在即將結束的2017年有哪些【最佳發明】
No.10 全球首款社交機器人——Jibo
相比於Google的Google Home、亞馬遜的Echo、蘋果的Homepod這三款一答一應的家庭智慧音箱,Jibo則是充當著「機器人伴侶」的角色。儘管899美元的售價對於大部分用戶而言並不便宜但在科技層面上,它為後來的「社交機器人」開創了人與機器人社交互動的先河。 Jibo由科學家Cynthia Breazeal設計採用相當可愛的圓形組合設計這款機器人擁有一塊圓形的大螢幕作為「臉部」,所以Jibo的喜怒哀樂我們可以透過這塊螢幕了解到。它的「頭部」用來收音 ,「耳朵」則可以透過聲音來源方向進行360度旋轉而透過對用戶的行為習慣學習 。 Jibo可以運用自帶的揚聲器和屏幕為用戶帶來智慧提醒,根據你的心情與你進行互動。
No.9 吃多也不會肥的冰淇淋——Halo Top
Halo Top只是一個普通的雪糕 包裝怎麼看都沒發現哪裡值得上榜的
不過,這個售價5.99 美元起的雪糕能讓一個企業。在一年內的業績翻了20多倍並超越了哈根達斯 ,靠的就是平凡包裝內裝著的「怎麼吃都不會讓人胖」
低卡路里的冰淇淋「減肥」這個話題永遠都不會過時,而減肥的關鍵就是控制好每次攝入的卡路里。 Halo Top正是捉住了這個痛點 帶來了一款採用低熱值甜味劑、甘蔗糖、赤藻糖醇等原料製作低卡路里冰淇淋並號稱它只有其他冰淇淋的六分之一脂肪含量。雖然 Halo Top 的冰淇淋 並不能給消費者帶來絕對「0 脂肪」的甜食但從銷售情況看,它的「低卡路里」賣點已經得到大家的青睞了
No.8 讓你喝到溫度剛剛好的咖啡杯-Ember智慧馬克杯
透過Ember申請了專利的「冷熱相變」技術,水杯能將液體保持在一個理想的飲用溫度最長可以保持2小時的合適飲用水溫。同時,水杯底部配有一個充電茶托
用戶可以透過手機應用程式或扭動底部的旋轉溫度盤,對水杯內的飲料進行煮沸或降溫,可以調整到自己喜歡的飲用溫度。目前,這款水杯已經在美國4,600家星巴克門店販售,售價79.95美元。
No.7 穿戴式吸奶器——Willow Pump
母乳喂養的好處相信媽媽們都了解,但在出行途中使用傳統的真空收集瓶
收集母乳難免會產生尷尬和不便在今年的CES 2017大會上,Willow展示了一款專為方便女性收集母乳的穿戴式收集器,用戶可將收集器穿戴著出門而無需因為帶上傳統收集器而感到不便。同時,透過應用程序則可以對收集器進行控制和接收提醒確保能夠收集足夠的母乳給予餵養
No.6 最貴最驚艷蘋果手機——iPhone X
今年9月,在紀念iPhone發表十週年之際,蘋果給我們帶來了紀念性的iPhone X
憑藉全新的「異型螢幕」和外觀。這款手機在發表初期就得到了大量關注。
為了在有限的機身尺寸內放入螢幕佔比更高的螢幕蘋果將iPhone標誌性的Home鍵移除取而代之的是全新的Face ID的臉部辨識以及不一樣的操作邏輯。
值得一提的是,根據近期曝光的消息看蘋果將繼續在「面部辨識」這項技術裡深造,力求帶來更卓越的使用體驗儘管在這次的iPhone X上蘋果做出如此激進的設計讓消費者評價褒貶不一但這也不失令它成為目最驚艷、最卓越的iPhone。
當然,有著999美元的售價使得它也成為了史上最昂貴的iPhone。
No.5 廚具都能成為社交裝置——Tasty One Top
在今年7月 BuzzFeed聯動烹飪頻道Tasty發表了一款智慧型廚具電磁爐 Tasty One Top透過與手機應用程式關聯後Tasty One Top根據用戶的喜愛來推薦菜譜
然後系統也能根據用戶所選的菜式進行智慧溫控調節當烹飪過程中需要添加配料時Tasty One Top也會透過應用程序提醒用戶而透過Tasty這個程式用戶可以與平台上的其他用戶進行社交互動交流烹飪心得
No.4 前所未有的無人機互動——DJI Spark
DJI首次將「人臉辨識」功能放進了,只有手掌大小的無人機當中如此新穎的設計,讓Spark成為了目前關注度最高的掌上無人機作為一款主打人機互動體驗的產品Spark可透過人臉識別自動解鎖起飛、懸停。同時,用戶可以透過手勢對 Spark 進行近距離控制透過對無人機揮手即可實現懸停、拍攝、回收進行一系列的操作重塑無人機的操作方式。
No.3 無氣概念輪胎——Michelin Vision Concept
在今年6月,米其林展示了一款無氣概念輪胎「Vision」
這款輪胎採用可生物降解的材料製作而成,輪胎內採用獨特的蜂窩結構在面對複雜的路面時輪胎可根據道路情況進行變化與此同時,「Vision」還是一枚智慧輪胎在輪胎內部米其林放置了用於連接手機的傳感器用戶可透過手機客戶端對輪胎進行調整和檢測即時狀態。但比較可惜的是儘管這款輪胎已經成型,但米其林表示並不會在短期內上市主要原因是因為行車安全的問題
No.2 為醫學界作貢獻的AR眼鏡——eSight 3
AR擴增實境技術在今年得到了飛速的發展這項技術除了被應用在電子設備的娛樂功能外也在醫學範疇裡被得到應用eSight 3就是一款透過AR技術來幫助視障患者恢復清晰視力的眼鏡。透過高速高畫質的攝影機作為對患者「眼睛」的替補
攝像機所捕捉到的畫面訊息會被即時傳輸到eSight 3的處理器中,進行品質與對比度增強處理,被處理後的畫面會被傳輸到用戶眼前的兩塊OLED螢幕上。
用戶可以透過遙控器對眼鏡的顯示色彩對比度焦距、亮度和放大倍率進行設置
迄今為止 eSight 3已被用於超過1,000名患者功效顯著。雖然它目前價格的9,995 美元讓不少人望而卻步,但是能夠幫助視障患者看清世界,相信這個花費也是相當值得的
No.1 好玩不貴的減壓小玩意——Fidget Spinners
Fidget Spinner是《時代》雜誌榜單中最便宜的 「最佳」發明了,因為它的售價僅有5.87美元。 Fidget Spinners 實際上就是我們常說的「指尖陀螺」起初這個小玩意是用於緩解壓力所用,但沒想到竟然能風靡全球全年齡段的人群video,並衍生出各種各樣的外觀和玩法。根據《時代》雜誌的統計指尖陀螺僅在今年四月就為美國小商品零售業同比往年增長多達20,000美元能在如此短的時間內為行業產生如此之大的收益看來指尖陀螺的這個「最佳發明」得來真的是當之無愧
推荐影片:
2017年伟大的发明,你需要看到的 https://goo.gl/qqQSxd
《我爱发明》 20171125 限高新招 | CCTV科教 https://goo.gl/B71Cw1
Skylai愛看的頻道:
老王頻道
OldOrange-TV-老陳
Yooyo Tv
HenHen TV
Rebecca's diary
JinRaiXin -迅雷進
CodyHong Tv
SernHao Tv
Stephie 蔚絲
eunicelicious TV
笑波子
Chris TV / 生活大小事
樂在其中
JerryOppa【傑裡歐爸】
奇怪的仙人掌
智慧型 感 測器 應用 與 發展 在 智慧感測器開啟IoT新應用 - 電子工程專輯 的相關結果
為了實現更好的用戶體驗,智慧型手機市場開始要求深度感測,例如應用於FaceID以解鎖裝置與安全支付、增強智慧對焦與擴增實境(AR)等拍照效果,以及物件偵測 ... ... <看更多>
智慧型 感 測器 應用 與 發展 在 智慧感測器應用廣製造與消費齊受惠 - 工業技術研究院 的相關結果
而智慧感測器主要應用領域則包括航空與國防、汽車工業(廢氣排放系統、懸吊系統、安全氣囊及加速計等)、程序控制、能源環保業(如瓦斯業、電力工業、熱能、水力電廠、焚化 ... ... <看更多>
智慧型 感 測器 應用 與 發展 在 不熟Smart Sensor,別說你懂IoT!智慧型感測器懶人包 的相關結果
智慧型感測器 能夠將振動量測和分析整合於一個小型無線的裝置,而這讓使用者不用再搭配體積大的儀器,就可直接將設備狀態數據傳至手機或電腦。若想了解更多 ... ... <看更多>