台 達 電 全 熱 式 交換機的八卦，MOBILE01、PTT和Yahoo名人娛樂都在討論

###### 星期三的臺灣創業基地報報 ######

本週L編將介紹一位熱血大叔的工作空間，位在台北南京三民捷運站附近，而這一間有一項設備是L編第一次聽到(見聞太少!?)，這次為創業工作者們電訪到KICKOFF空間的打雜小弟Kenny，以下是訪談內容，同時預告未來兩週將介紹在台中東勢與嘉義的空間，敬請期待。
.
1️⃣在這個地方工作的日常生活是一個怎麼樣的?
想像工作的地方像咖啡廳但又具有一般上班空間的規劃，同事是跟一起打拼的夥伴，但不是同一間公司，不會有利益牽絆與上司從屬的關係，只有大家為了自己的理想奮鬥的氛圍。這裡可以選擇在角落沉浸在自己的工作世界，或是在窗邊吧檯面對陽光寫著程式碼，無論如何，這邊都有志不同但道和的朋友一起享受著創業帶來的壓力。
.
2️⃣推薦空間附近的平民美食
鄰近武昌市場與南京公寓市場，各式小吃與餐館林立，若要跟客戶洽談，也可以選擇走到京華城的西式餐廳，在八德路監理站對面巷子內也有老饕經常尋訪的 #小龍飲食(L編:滷味跟怪味雞都相當好食)。如果要找火鍋、拉麵、素食或中菜館，在這裡應該都能滿足需求。
.
3️⃣工作空間的設計規畫特色
空間平面設計與3D建模都是我們打造，整體風格有點像工業風的設計，原始初衷以簡單實用為主，只是想讓創業者有一個適宜舒適的空間，而為了省施工錢我們找朋友認識的工班，為了縮短裝潢時間，我們動手貼地板、刷油漆、接電燈與網路線等，到了實際經營時，為了滿足不同團隊需求，直到今天都不斷在裝修改裝。我們空間最大的特色，可能是裝有全熱式活氧交換機吧，我們還滿在意室內空氣的品質，讓進駐團隊都能高效率與無憂的工作。
.
4️⃣有沒有特別著重招募產業領域團隊
我們嘗試過打造軟硬整合的創業聚落，不過這樣的團隊比較少，招募效果不佳，後來想找設計類的新創團隊，不過許多設計師單打獨鬥比較多，後來就不鎖定某個領域的團隊，反而以滿足各式新創團隊的基本需求為主軸，所以只要是有決心想創業我們都很歡迎。當然首要人品要好，不好也沒關係啦，進駐後大家會一起感化你。
.
5️⃣️目前進駐狀況、進駐辦法、進駐費用
目前剩一間6~8人團隊辦公室，而不過個人座位都還有，我們進駐合約很彈性，押金只需要一個月（因為我們知道創業團隊手頭都比較緊）第一次簽約三個月，後面可按月承租（對，因為我們也知道創業團隊隨時有變動），承租期間如果沒有異議可直接續約.如果不續承租只要前一個月通知我們就可以。
.
6️⃣如果對空間有興趣該跟誰聯繫?
姓名：Kenny
電話：02-27486689
EMAIL：service@kickoff-cowork.com
-------------------------------------------------------
感謝粉絲團的朋友看到這裡，你最喜歡台灣哪一個空間呢?有任何工作空間都歡迎跟L編介紹，L編幫你或其他工作者架起中間的橋樑。
.
更多創業空間文章　
#NO1 台北/岸汐職人 https://bit.ly/2KyhXWv
#NO2 高雄/作伙共同生活空間 https://bit.ly/2L2tDB9
#NO3 台北/Kafnu https://bit.ly/2JR5HLL
#NO4 台南/星球 https://bit.ly/2O2ERmr
#NO5 台南/好想工作室 https://bit.ly/2vLtkjF
#NO6 高雄/駁二共創基地 https://bit.ly/2MfidKR
#NO7 高雄/中山大學貨櫃基地 https://bit.ly/2MDcoqL
#NO8 新北/Life Area https://bit.ly/2Cg1Qt4
#NO9 台北/卡市達創業加油站 https://bit.ly/2NBLjUz
#NO10 台北/新富町文化市場 https://bit.ly/2MKbGDw

今天來到 #懶藍咖啡南京旗艦店，店外裝潢的顏色很繽紛，是很舒服休閒的峇里島藍色，超漂亮的老闆說希望每個顧客來到懶藍，就像回到家一樣舒適。

❗️懶藍咖啡還在全部空間裝置高效能高成本的 #全熱交換機，空氣淨化，全面隔離細懸浮微粒(PM2.5)過濾效果約99 %。讓室內維持全面新鮮的好空氣，舒服不悶～很多人在這邊看書工作放鬆😌

所有食材都有 #產銷履歷，不論是雞蛋、麵包、蔬菜，老闆娘都非常認真地介紹產地跟來源，就是希望顧客吃得安心放心。

🥚#蛋奶素 可以吃的 #滑蛋強醬，滑蛋採用的是彰化的 #草本飼養雞， #陳秋池牧場，飼料裡有很多營養素、葉黃素、靈芝、中藥材，沒有蛋的腥味😉

🍗 #雞腿排 採用 #大成溫體雞 的 #無骨雞腿排，香煎，可以使外皮酥脆，內裡鮮嫩多汁，採用照燒醬汁，可以釋出醬汁的層次感。

🍔 #手打牛肉 非常靠人工，是靠手勁去甩牛肉，絞肉空氣拍打出來後塑形，不能有裂縫，這樣煎的時候肉汁才不會流出來。漢堡還加了台灣在地小農的白甜洋蔥跟牛番茄🍅

🐂店家採用的不是美牛、不是紐澳的牛，而是中南美洲以牧草飼養的頂級安格斯牛肉，為了食品安全的顧慮考量，保障顧客的健康安全，如此才可以讓客人吃得安心放心。完美的20%脂肪比例，咬下去多汁肉甜。

#牛肉漢堡 的醬汁也很講究，採用無糖優格，讓新鮮品質的好芥末的嗆味不會太明顯，手研磨的蒜搭配蜂蜜🍯多層次的調味，非常好吃！😋

懶藍使用 #水耕蔬菜，是 #在地小農栽培，環境很安全👍

❗️連洗菜也超講究，因為怕用水洗，會讓水溶性營養素流失，懶藍將整株的菜泡15分鐘，再一片片剝開、沖洗。再放入蔬菜脫水機脫水後，放入生菜保鮮盆，以避免營養素流失，

超講究的啊❗️我跟老闆說，你們是在用 #FineDining 的方式經營懶藍吧😆

🐷豬排也很特別，是深坑的 #溫體黑毛豬，不含瘦肉精，零脂肪，紮實、緊密，咬起來十足Q彈👍

🥦配飯的配菜是花椰菜，用涼拌麻油的香氣，搭配胡麻胡椒的醬汁，我秒吃完XD很清爽好吃！
🍚 米飯非常好吃，是用十二穀米飯，我第一次吃到這麼好吃的飯！很推薦！又健康～

❗️ 懶藍咖啡的蛋糕必點！是廣達董事長特別欽點的烘焙甜點師🤩

🌟隱藏版，沒有放在蛋糕櫃裡的 #肉桂蘋果酥粒 130元，四吋塔皮，特製糖與海鹽酥粒，醃漬的肉桂蘋果，加入公平交易的肉桂棒與錫蘭與中國雙種肉桂、日本頂級 #鳥越麵粉，加上畫龍點睛的 #馬爹利白蘭地，微甜不膩，成就一顆完美的肉桂蘋果酥粒

🍵#重抹茶磅蛋糕 90元必點，外面的 #磅蛋糕 有點乾，但懶藍的抹茶磅蛋糕超好吃！很濕潤不乾，採用的是靜岡生產、靜岡研磨、靜岡加工、靜岡包裝，直接空運來台灣的 #靜岡抹茶，成本超級高，非常推薦大家來必點🤩

🧀️ #巴斯克乳酪蛋糕 當天賣完了！聽說賣超好！我改天一定要來試試看～

☕️懶藍的咖啡非常講究，是店家找了中南美洲八種配方咖啡豆特調烘焙而成，經過專業烘焙場出來，經過三輪盲測投票表決，找到的冠軍商品。咖啡帶有巧克力香氣，放涼的咖啡不僅不會變味，又帶有一點點的果香跟酸香，有不同層次。很像香水一樣有前中後味，很棒的咖啡！

❗️有乳糖不耐症的客人，還可以置換成 #燕麥奶咖啡，味道更濃郁～成本不惜變高也要讓客人喝到好喝的咖啡

🍹 懶藍咖啡的果汁都是 #新鮮現榨，其中最暢銷熱賣的 #火龍果檸檬 口感層次融合，很新鮮，酸酸甜甜的超好喝！

🫖茶品像是 #紅玉台茶18號、#歐洲水果茶 跟 #德國進口有機康福茶，都可以回沖。

店內的畫都是超漂亮的老闆原創設計的，超有才！連洗手間的標誌都很有創意，希望不同於以往刻板印象的廁所標誌～小細節的用心都看得到。

洗手間也很乾淨，還是用高成本的Toto馬桶🚽

☺️ #康福慵懶茶 採用的是有機認證的原料所製成，不含咖啡因、糖、或任何添加香料，含有甘草根、薄荷葉、蘿勒葉、茴香、檸檬草，
有鎮定感官、安撫心靈的效果。冷熱飲用皆宜，完全天然的成分，喝上一口真是舒服慵懶。

❗️店家還設計外帶出餐口跟店內用餐是分開的，就是為了讓外送員可以快速取餐不接觸到店內客人，保障雙方在疫情衝擊下的安全。

不怕客人坐久，只希望客人可以享受在懶藍咖啡舒適的時光～

真的覺得現在用心重視食材的溯源跟食物品質的餐廳不多，

老闆不計成本為了讓客人吃到最好的！

很值得推廣給大家知道這樣一家好店。

這樣一間好店，還不來嗎！

推薦大家感受質感的咖啡廳

懶藍咖啡 Chill Out Cafe 南京旗艦店
地址：台北市松山區南京東路五段66巷12弄1號
電話：02-27492279
營業時間：10:00-20:30(週日公休）
#懶藍咖啡

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