好書推薦《#內在原力》部落格文末抽獎贈書 2 本
你想提高自己在工作上的能見度嗎?你想在專業領域獲得眾人的青睞嗎?你想成為子女心目中的典範嗎?想要達成這些成就,你必須擁有對別人足夠的影響力。但是,要提高自己的影響力,該追逐的是權力嗎?是地位嗎?是名車和豪宅嗎?都不是,反而在我們追逐「外在」之物的同時,這些目標會離我們越來越遠。真正的答案,往往需要往「內在」去尋找。
部落格文章 https://readingoutpost.com/inner-force/
Podcast 用聽的 https://readingoutpost.soci.vip/
.
【為什麼我想讀這本書?】
.
在今年的上半年度,有一場令我印象非常深刻的演講,是由愛瑞克主講,主題是「為你引路,從優秀到卓越」,談我們每個人都有能力重設心態,邁向更卓越的人生。他在演講中用很多生動的例子,告訴我們普通人是怎麼想的,能夠成就卓越的人又是怎麼想的。差別往往在一念之間。
.
【這本書在說什麼?】
.
《內在原力》的作者是 TMBA 共同創辦人愛瑞克,他擁有紮實的金融實務背景,並且在40歲左右達到財富自由,轉而投身公益。他除了保留專業講師和顧問的身分之外,目前是一個全職閱讀者,總是無償推廣閱讀。他的粉專「 愛瑞克愛投資/也愛閱讀 」也是許多愛書人喜歡的地方,粉絲們都喜歡稱他為「愛大」,因此這篇文章我也沿用這個稱呼。
這本書你可以當成是「為你引路,從優秀到卓越」那場演講的「導演加長版」,加入了更多的內容,以及更多演講沒有提到的故事。愛大所謂的「內在原力」,指的就是一種影響力,透過有形的(文字和肢體語言)或無形的(同理和慈悲心)方式來引發他人的動機,進而幫助我們一同完成某些事情。
愛大認為,每個人都可以「重新設定」自己的人生演算法,拋開傳統的束縛和價值觀,用一種更開拓的視野來活出自己的人生。他在書中提到:「只要心態設定正確,人人都可以發揮出無窮的內在原力,去連結起周遭的人,聯合起來共同完成各種事情。」這本書,將告訴我們如何重設心態。
.
【這本書有什麼特色?】
.
這本書還有一個巧思,它的書封正、反兩面都是「正面」。全書共九個章節,愛大建議「外向者」可以把橘色封面當成正面,從第一章順序讀下去。相反的,「內向者」則把綠色封面當成正面,逆著從第九章讀回來。原來章節的安排,如果是逆著讀,代表「從內而外」調整心態。身為內向者的我,就是逆著讀的。
此外,他在書本的最後,很用心地提供了「延伸閱讀書籍總覽」的章節,收錄每章裡面提到的好書,讓有興趣的讀者可以依照興趣再找來讀。還有一個很棒的附錄是「各章金句總覽」,直接不囉嗦,幫你把每章最優的句子都摘錄下來。以下除了分享一些書中對我有啟發的觀念,我也拋磚引玉附上一些相關的推薦書籍,幫書中的觀念增添一些新的氣息。
.
1.#常保初心
普通人是先做再說,時常走到了終點才發現不是自己真正要的;內在原力者則是「以終為始」,知道自己內心想成為什麼樣的人,讓一切行動和決策都符合最終的那個價值觀。如果我們遇到重要抉擇卻忐忑不安,那就由「自己未來想要成為的人」來為自己做出眼前的各種抉擇。
愛大提倡一種信念系統,由內而外透過「Be,Do,Have」組成,最核心先知道自己想要成為什麼樣的人(Be),然後才去思考該做什麼、不該做什麼(Do),最後你就會擁有真正跟你價值觀一樣的人事物(Have)。一旦心裡有了想成為怎樣的人的憧憬,將引導你做出許多正確的選擇。
我很喜歡《恆毅力》這本書中一個名為「目標階層」的練習方式,目的在於找出自己真正的「終極目標」,也就是熱情得以持久的根源。簡而言之就是把自己的大大小小目標,全部分類成底層、中層、頂層目標,如果發現跟頂層目標不一致的項目,就刪除或者微調使其一致。終極目標就像是羅盤,無論你在底層目標遇到任何困難,都會引導你朝正確的方向持續邁進。
.
2.#包容力
普通人是習慣在別人身上貼標籤,然後用單一的角度來看世界;內在原力者則是透過「感恩的心」來看待這個世界,取得更多的助力。愛大用天文學的觀點舉例,在職場上有發光發熱的「恆星人」,也有會消耗和榨乾別人能量的「黑洞人」。
我們有時候會覺得遇到黑洞人真的很倒楣,巴不得避而遠之,甚至在內心充滿敵對和厭惡。但是,宇宙中每個黑洞都曾經是恆星,只是因為能量用盡了,核心坍塌收縮成了黑洞。愛大提醒:「我們不需要抱怨遇到黑洞人,因為他們都可能曾經照亮過別人,是我們自己來晚了。」這個心態提醒了我們要懂得包容,感謝他們曾經對世界的貢獻,只是很可惜跟我們擦肩而過。
我自己想到另一種職場上的情況,就是外向者時常嫌棄內向者「太安靜」都不表達意見,內向者又嫌棄外向者「太喧嘩」只會衝動行事。然而從《安靜,就是力量》這本談內向者特質的書中,我們卻可以學到這兩種特質各自的優點,擁有包容力的人將能夠同時善用這兩種特質的人才。
.
3.#沒有壞事
普通人遇到壞事就自認倒楣,更有甚者,可能會開始怨懟這個世界;內在原力者則是找出「隱藏在壞事背後的好事」,將逆境轉換成養分。
愛大曾經在國中一次玩跳高的意外當中,雙手嚴重骨折。但是事後看來,反而是因禍得福。他開始用康復比較快的左手寫字,活化了感性和創意的右腦,也適應了靜態的活動例如讀書和寫字。更難得的是,平日忙碌於事業的老爸,也因為這場意外要時常帶他回診、復健,彼此的關係比以往更加緊密。
就像《活出意義來》這本書的作者是二戰納粹集中營的倖存者,在暗無天日、毫無人性的折磨之下,他仍然保有自己的理智,相信這場發生在自己身上的壞遭遇,一定代表著某種「意義」。他發現無論外在遭遇有多麼嚴苛,人類的心靈仍擁有終極自由,決定如何回應生命意義的自由。他將壞事視為意義,將這個發現寫成此書,並且影響後世無數的讀者。
.
4.#無限思維
普通人認為資源是有限的,必須有強弱輸贏才能在這個世界上存活;內在原力者則認為世界之大,所有人都有安身立命之處,「超越自己」比戰勝他人更加重要。愛大引用了一句很棒的話:「用自己的蠟燭點亮別人的蠟燭,可以照亮別人,自己的亮度也不會減少。」這個世界太大,容得下我們每個人的成就。
就像是,愛大不一定是最頂尖的金融分析師,但是他透過演講接觸無數民眾,深知大家心中對理財的障礙。愛大也不一定是最頂尖的演說家,但是他善用感性的文筆,將艱深複雜的金融知識化為引起共鳴的問字。他的眾多特質,匯集成了愛大這個極具個人特色的形象。因此,結合多種不同的技能組合,一個人就可以發展出無限多種可能。這個世界真的容得下我們每個人的成就。
我很喜歡《黑馬思維》這本談「個體化」優勢的書,每個人都值得去追尋自己獨一無二的技能和熱情組合,作者陶德‧羅斯(Todd Rose)對於成為「最好的自己」的詮釋:「黑馬追求的不是眾人眼中的成功,而是心中最好的自己的樣貌。你的目標是成為最好的你,而這並不妨礙別人做最好的他們。」跟愛大的無限思維有異曲同工之妙。
.
5.#站對地方
普通人追逐熱門的東西,什麼東西當紅就一窩蜂擠過去;內在原力者會尋找屬於自己「能提供價值的獨特位置」,然後透過人際網路來擴大影響力。愛大也認為,我們不能坐在原地乾等,要主動站出來,才能被人看見。尤其網路時代發達的現代,要讓自己能被看見,比起以前容易許多。
尤其是,當你想要達成的是更遠大的目標,一個人的力量往往不足以撼動周遭世界。愛大認為:「人生最高效的運作方式,是讓自己成為人際網路的節點。」透過貢獻自身的價值,吸引更多志同道合的人一同努力。如同非洲俗諺:「一個人可以走得快,但一群人可以走得遠。」成為人脈節點,更有可能順利抵達終點。
如果,你覺得「主動站出來」是一件很難的事情,《WOL大聲工作法》這本書的作者約翰.史德普(John Stepper)提供了一個可行性很高的方法。他認為每個人都可以主動「公開分享」自己的工內容、正在做或學習的事情,建立人脈圈,讓同個人脈圈的所有人都能互相分享及回饋,形成一個正向循環。書中提供了正確的心態建立,以及可以循序漸進的做法與步驟。
.
6.#成功方程式
普通人會任由自己被資訊轟炸,容易人云亦云,失去自己的主見;內在原力者則認為「專注力」才是網路時代最該培養的技能。愛大提到了一個很有趣的名詞:「成功者的防護罩」,這指的是一個人能夠「篩選」和「過濾」掉不屬於自己應該追尋的事物,而將心神專注於「天命」裡的既定目標。
就像愛大所說的,我們如果任由資訊轟炸,就如同讓腦袋充滿了一堆「雜訊」,感覺聽到了一堆鬧哄哄的訊息,卻不知道真正有意義的「訊號」在哪裡。尤其在數位資訊爆炸的現代,該如何為自己的資訊來源加上「過濾器」顯得無比重要,要懂得放棄那些無關緊要的事情,才不至於不斷走偏了路。
我想到之前,讀生產力專家克里斯.貝利(Chris Bailey)的《極度專注力》這本書之後給我的最大共鳴:「若要說一個人最珍貴的資源是什麼?不是你有多少錢財和時間可以花費,而是你把『注意力』用在哪裡。」這本書教我們具體的專注策略,排除無謂的分心源。專注在哪裡,成就在哪裡。
.
7.#利他共贏
普通人認為已經自顧不暇了,哪還有時間去幫別人;內在原力者則認為「利他心態」的比例,應該隨著年齡增長而逐漸增加,先幫助別人,才可能吸引更多人來幫助自己。人是一種天生懂得「互惠」的物種,當你想獲得他人的幫助,最好的方式就是先幫助他人。
不過,也不是無條件的給予,愛大提醒了在利他的前提之下,我們要成為一個「懂得保護自我的給予者」,必須知道自己的界限,懂得選擇高影響力、相對低成本的幫助方式。助人在先很重要,但自己不要先被掏空。那麼,當我們自己有餘裕的時候,要幫怎樣的忙最有效益呢?
我很喜歡的管理大師約翰.麥斯威爾(John Maxwell)曾經在《從內做起》書中說過:「領導者應該幫助他人開發潛力,讓他們學會更有效率的工作方式,最高竿的還能指導別人如何也成為一個領導者。」給對方魚吃,不如給他一支釣竿。
.
8.#三種工作
普通人認為工作的主要目的就是賺錢;內在原力者則認為「工作組合」可以分成三種:有金錢收入的、無償的、自我實現的。有金錢收入的工作用來養家餬口,無償的工作用自己的專業技能幫人無償解決問題,自我實現的工作則是用來達成自己想成為什麼樣的人的憧憬。
愛大提議,雖然大部分的上班族都無法擅自離開有金錢收入的工作,但仍有變通的辦法。如果你目前的工作無法充分展現你的天賦,你可以靠無償的工作,來累積經驗值、打好口碑、拓展人脈,形成一個無形當中累積的資產。做自己真正想做的事,不一定要等到財富自由或某個里程碑,其實你現在就可以小步邁進開始做。
我從《財務自由實踐版》這本書曾經獲得啟發,投資理財談的資產配置,主要是為了要分散風險,這個道理也可以套用在人生和工作上面。這本書提到「多元化身分」的概念,在你的職業上,盡量嘗試不同的角色,甚至適發展副業,這個策略可以避免你的生活侷限在單一方向。
想像一下,當你擁有了多元的職業興趣,以及各種休閒興趣,你就可以將自尊和你關心的事物,投資到各種不同的領域(工作、商業、社交、人際、體育)。如果其中一個領域跌落至谷底,你也不致於完全陷入絕境,導致情緒崩潰。擁有正職之外的無償工作,在心靈平靜和自我實現方面會有額外的加分效果。
.
9.#一人公司
普通人認為領多少薪水就做多少的事;內在原力者則認為,應該「把自己當成一家公司」來經營,為自己的人生負上完全的責任。愛大認為未來的職涯發展,必然趨向跨學科的混合,將有新型態的應用、產品、服務,我們要從自身的熱情往外拓展,成為自己的執行長、行銷長、技術長,逐漸擴大自己的能力範圍。一家公司的願景可以吸引人才,一個人的品格也扮演同樣效果。
愛大認為,善良的品格可以吸引志同道合的人,我們必須先讓自己保持優質的形象,才有機會左右逢源,擁有更多發揮影響力的機會。他強調道,大量閱讀,是最簡單不過的方式。如果你不知道將來要成為什麼樣的人,不妨透過大量閱讀去尋找,總有一本會觸動你心,找到自己心中嚮往的典範。
關於要如何「具體地」把自己當成一家公司經營呢?我大力推薦《一個人的獲利模式》這本書,作者們把經營公司在用的「商業模式圖」轉換成適合「個人」使用的模式,以淺顯易懂的步驟,教我們找到自己的核心價值、發掘資源、提供獨特價值,把自己打造成一個等同公司運作方式的商業體系。
.
【後記:從內在做起】
.
《內在原力》書中的舉例淺顯易懂,背後的道理值得細細咀嚼。從愛大的個人故事和人生閱歷中,處處都可以發現,一個人隨時都具有「修改自己人生演算法」的能力。舉凡工作上的能見度、專業領域獲得青睞、成為子女心目中的典範,這些足以影響別人的「外在影響力」,終究還是得從自己的「內在原力」先做起。
當一個人開始發揮他的內在原力,散發出來的影響力將逐漸發生,周遭的人脈也會開始活絡起來。如同愛大在書中引用《牧羊少年奇幻之旅》的一段話,撒冷老國王對即將出發尋找夢中寶藏的牧羊少年這麼說:「當你真心渴望某樣東西時,整個宇宙都會聯合起來幫助你。」
最後,這些心態上的重新設定之後,就像是建立起一個新的思考習慣,必須經常使用、重複使用。古希臘哲人亞里斯多德曾經說過:「我們的重複行為造就了我們,所以卓越不是一種行為,而是一種習慣。」從今天起,讓我們把內在原力當成自己思考的習慣。
.
Kobo電子書7折代碼:WAKIINNER
Kobo 購書連結:https://bit.ly/3AHTP9E
使用期限:9/5~9/11
.
感謝 新樂園出版 與你悅讀 提供抽獎贈書
混合成本例子 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
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
混合成本例子 在 政經八百 Facebook 的最佳解答
#八百回合經濟談
〔「#成本」#的兄弟姊妹與他們的族譜〕
俗話說的好,花錢容易賺錢難,人們經常在生活想要把辛苦錢花得值得,進而斤斤計較每一分的生活成本。
然而,成本其實是我們對它的一個統稱,它還有許多兄弟姊妹。
因此今天政經八百要向大家介紹成本的兄弟姊妹:成本習性,以及它的族譜:攸關範圍,讓大家對成本有更近一步的認識!
▌ 什麼是成本習性?
根據成本特性區分為固定成本、變動成本與混合成本,此外,每種成本都會有所謂的攸關範圍。
接下來要透過生活中有趣的小例子向壯士們介紹每個成本以及各自的攸關範圍!
▌ 固定成本
固定成本大致分成兩類:單一攸關、複數攸關。
首先介紹單一攸關範圍的固定成本,這些成本在一定期間或數量內所需支付的費用金額是固定的。
相信各位壯士多少有在外租房或申辦手機網路吃到飽的經驗,月/年租金、「499 吃到飽」就是生活中的單一攸關範圍固定成本,這些例子的攸關範圍就是一個月或一年。
▌ 變動成本
變動成本的攸關範圍跟固定成本一樣可分成單一或複數兩種,但兩種成本不同的地方在於金額是否會隨著數量增加或減少。
生活中有許多單一攸關範圍變動成本的例子,例如超市火鍋肉片,價格計算方法為每 100 公克 25 元,如果買 300 公克總價格就是 300÷100×25=75 元。
而它的攸關範圍就是重量大於 0 的肉片淨重,買越多價格就越高。
多攸關範圍的變動成本則是根據使用量的不同採用不同的計費標準,可以看成對消費者的獎勵或是懲罰。
以我們的夏季電費為例,120 度以下 1.63 元/度、121~330 度部份 2.38 元/度,諸如此類。
這邊的每度價格與前面肉片的例子不同,並非自始至終為定值,電費的例子中攸關範圍就是 0~120 度和 121~330 度,從電價的變化也可以看出是對消費者的懲罰!
▌ 混合成本
混合成本就是部分組成為固定成本,部分組成為變動成本,可以說是前面介紹過的固定與變動成本的混合體。
例如搭計程車的時候,如果不考慮延滯計時運價,日間計程車計費方法為 0~1.25 公里 70 元,超過 1.25 公里部分為每 0.2 公里 5 元。
在 1.25 公里以下費用為固定,但超過 1.25 公里之後就會隨著里程數增加而增加收費,這就是生活中常見的混合成本。
此外,大學在學生或畢業生應該有聽過學分費吧!
如果只看學雜費的話可以發現同系的學生每位同學為固定金額,但輔系及雙主修部分課程必須繳交每學分約 1000 元的學分費。
因此根據每位同學學分數不同所收取的學分費也不同,其中學雜費為固定成本,學分費部分則屬於變動成本,大學學費也可以看成一種混合成本唷!
▌ 動動腦時間
大八百與小八百是政經大學的學生,兩位都擁有會計輔系資格,本學期學分數分別為 28 以及 25,學費總額分別為 $36,200 以及 $32,750。
各位可以動動腦想看看學費中固定成本以及每學分的學分費分別是多少呢?也可以動手畫看看這題的成本圖跟前面哪張最接近?算完在留言區告訴我們答案吧!
▌ 小結
介紹完每種成本的性質,相信壯士們都可以更快速地分辨生活中各種成本的特性,這個小觀念未來可以運用在很多分析上,敬請期待!
#臺灣 #生活 #政經八百 #知識 #大學生 #經濟 #經濟學 #台灣 #科普 #科普經濟 #懶人包 #成本 #固定成本 #變動成本 #混合成本
混合成本例子 在 成本管理會計:作業/混合成本制 - YouTube 的必吃
講義下載:https://reurl.cc/83e6b7 森森初會講義購買連結:https://shopee.tw/product/1386203/16976160655/ 平日不定時七點有影片,用淺顯易懂的方式 ... ... <看更多>