關於 摩爾空間評價 ，我們在網路上蒐集到這些相關的討論、資訊與評價

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

#青春期的孩子壓力山大 #爸媽也逃不掉
#家有青少女 #當青少女們遇上課業焦慮
.
　我們得竭盡所能地預備女兒承接學業挑戰的心態，因為比起男孩，女孩更加擔心課業。歷年來的研究都指出，#女孩比男孩花更多時間在擔心自己的學業表現， #儘管她們的成績已經比男孩還要好了。為了解釋這個悖論，專家們表示，我們的女兒比兒子更把老師給的回饋放在心上。女孩傾向把分數視為她們能夠達成某事與否的量尺。相反地，男孩們看待學校的態度通常更具信心。就算他們的成績不佳，他們也不會總是把負面評價當作是針對他們個人，或者是把壞成績歸咎在某個很容易就能彌補的原因上。舉例來說，男孩比女孩更容易在考試考砸時告訴自己「只是還沒有發揮實力」。
.
　想要幫助女兒別把學校的表現看得這麼重要—也同時幫助那些真的需要更認真的孩子—我們可以告訴她們， #作業或考試的成績， #只是反映了她們對於該特定教材的吸收程度而已。如果她們希望對這些內容更熟練，她們可以花更多時間和努力。歷年來的研究都證實，比起把分數視為對自己能力的評價、且再無修正空間的學生，知道自己努力唸書或是唸得更有效率就會產生進步的學生，更不擔心自己在學校的表現。
.
　事情是這樣的。我的兩個女兒，剛好都是拼字好手，在小學時總會帶回一張張一百分的拼字測驗考卷。我通常會在整理她們的背包時發現這些考卷，而我最典型的反應，便是把那份完美的考卷抽出來，然後說：「哇！好厲害喔！」但有時，我當然也會看見有寫錯的測驗。然後（我得很羞愧地承認），我很確定那份考卷的主人一定會看見了我臉上失望的表情。我會越過手中的考卷，看向我的孩子，我的嘴唇會抿起，眉頭也會皺出一條直線。而讓事情變得更糟的是，我有時候甚至會用幾乎聽不出來的氣餒口氣說：「喔！發生什麼事啦？」
.
　這樣的互動不是罪大惡極，但是也絕對不理想。因為女孩還有一個特質：她們的 #情緒感受度極高 。我們不用表現出怒火，甚至也不用說我們很失望，她們就已經知道了。不論我們是不是有意的，她們很容易就感覺到自己讓我們失望了。
.
　同樣地，就算是最有愛心的老師，也有可能不經意地對學生表現出失望之情。想像一位勤奮的女學生向老師要求延長作業的繳交期限，因她過去三天下午都在醫院陪伴自己生病的奶奶。就算真的讓她遲交，老師只要在開口前稍微遲疑一下，聲音只要有一點點的緊繃：「嗯，好吧⋯⋯那你還需要多少時間？」女孩就會希望自己一開始連問都沒問。
.
　身為大人的我們，為什麼會這麼做呢？我認真相信，我們並不是有意要用被動攻擊型的罪惡感當作武器，攻擊我的孩子。但同一時間，我表現得卻又比我想像得更苛薄，而我知道，對很多老師來說，這也是事實。一個女孩不完美的考試成果、或是想要遲交報告的要求，會像是在要求大人身上增加額外的工作量、或是好像必須改動老師評分的時間表。
.
　一個面部表情或是回應中最簡短的一點猶豫—都可以讓女孩乖乖聽話，不要在我們已經夠忙的任務中再就某方面而言，大部分家長和老師都知道，他們可以用最細微的信號—多添一筆。
.
　雖然這些互動都看似微不足道，它們所帶來的影響可不是。這種太過常見的互動模式，會讓女孩害怕讓大人失望，才努力在學校表現優異。我很想幫助女孩找到努力唸書的動機，但這不是我期望的方式之一。
.
　當然，並非每個女孩都是因為家長或老師給她的評價而對學校感到焦慮。有些家長非常支持他們的女兒，但這些女孩仍對自己的學業表現抱有比天還高的期待。而就連那些等到國中才開始為學生打分數的學校，他們也都發現有些三年級的小女孩，會焦慮地把作業上的每一個笑臉標記或星星記號，視為相對應的分數評等。
.
　不論她們的焦慮是從何而來，女孩面對學業的動機，都不該是恐懼。 #焦慮所驅使的學習， #會製造出明顯的情緒困擾，將學校變成一種慢性長期壓力。這也會製造一個很大的實際問題。當焦慮感太重時，女孩通常會變成非常沒有效率的學生。為什麼？因為太擔心自己學業表現的女孩，通常會發現讀書能舒緩她們的焦慮。一個女孩感到越緊張，她就會越拼。這意味著，在六年級時，她會準備五十張單字小卡來為考試做準備，但事實上也許二十張就夠了。八年級時，她也許會產生一個撫平學業焦慮的夜晚儀式，就是用不同顏色的筆重新把上課所做的筆記全部重寫一次。在很極端的狀況下，有些女孩會認為，只有在她們的表現達到「完美」時，她們才能放鬆。
.
　而這種過度勤勉的學習方式，最糟糕的部分就是，它們通常幾乎都行得通。借用一些專家們的用詞，多虧她們「盲目地過度準備」，這些緊張兮兮的學生們，通常成績都很優異。從旁觀的角度來說，這些因恐懼而努力讀書、效率非常低落的學習策略，有三個增強的效果。大量的準備幫助女孩撫平她們的學習焦慮，並不斷產生優異的結果，讓女孩感到自豪，也為她們爭取到老師與家長的稱讚。對那些動機為恐懼的學生而言，這個系統是非常有效的，直到它的平衡被破壞為止。
　
--
　
　本文摘錄自《我們的女兒怎麼了？：心理學博士給家長的解憂指南，陪伴現代青少女與壓力共處，化解焦慮，度過情緒平衡的快樂青春期》，作者麗莎．達摩爾博士畢業於密西根大學取得臨床心理學系，目前任職耶魯兒童研究中心；亦為達摩爾博士是羅倫女子學校女孩研究中心的執行董事，為青少女進行心理治療。
.
　突然悶悶不樂、焦躁不安，去上學就像上戰場一樣，好幾天都沒胃口、一瞬間情緒爆炸，我們的女兒到底怎麼了？
.
　研究發現，38%的青少女受焦慮症所苦。從2009年到2014年，經常感到緊張、擔憂或恐懼的青少女人數增加了55％。當來自家庭、學校、同儕、異性、社群網路的壓力過重，我們將幫助女兒與緊繃情緒共存，一步步戰勝恐懼，在充滿意外與危機的青春期勇往直前。
.
　麗莎達摩爾博士身為專門研究女童問題的臨床心理學家，在自己的研究、私人診所以及她所諮詢的女子學校中，她都目睹了青少女壓力和焦慮上升的趨勢。
.
　適當的壓力可以幫助我們踏出舒適圈，而焦慮可以在保持安全方面發揮關鍵作用。當承受的壓力和焦慮剛剛好時，可以幫助我們的女兒大步向前。
.　
　但是，沒有父母希望他們的女兒遭受情緒上的負擔，因此達摩爾博博士仔細探討了女孩生活中的壓力來源：她們在家庭中的互動、學校的壓力、其他女孩和男孩之間的社交焦慮以及來自社會的壓力。本書在女孩的生活中穿梭，家長將得到保護女兒免受文化與人們（包括身為父母的我們）造成的有害壓力能採取的關鍵步驟。
.
👉閱讀更多：https://tinyurl.com/y2kq5amj
👉高寶書版 · 高寶書版-致青春

被敲碗的帶小學生去俄羅斯看極光之冬季金三角旅行行程

Day 1

台北-北京

過境



Day 2

北京-傍晚抵達莫斯科

租車取車前往市中心

住宿：藝術家公寓 IZBA Kotelnicheskaya Royal Tower
（歷史建築、空間大、很有特色）



Day 3

莫斯科- 自駕前往金環小鎮距離莫斯科220公里的蘇茲達爾（車程三個半小時）

中途逛Outlet 公路邊經過好幾處XD，下午抵達小鎮散步、逛小鎮廣場的店

住宿：Paranoma Guest House

（窗景正對蘇茲達爾的Kremlin景觀超好、早餐非常豐盛、安娜老奶奶不諳英文，但會用google翻譯溝通順暢）



Day 4

蘇茲達爾- 莫斯科

早上參觀蘇茲達爾的教堂教會區（裡頭有教堂Annunciation gate church、博物館Knizhnyye Sokrovishcha Shesti Stoletiy、展示廳Saviour Monaastery of Saint Euthymius、庭園等可以逛）還沒開始參觀，就在門口零下十五度的街上跟攤販買手工木製玩具XD

中午去參觀蘇茲達爾的克里姆林、Sobornaya Kolokol’nya大教堂，在空地雪坡上飛空拍機

16:00開車返回莫斯科19:00

散步到紅場逛聖誕市集，和鼎鼎大名的聖瓦西里大教堂、Gym國家百貨拍照

住宿：藝術家公寓 IZBA Kotelnicheskaya Royal Tower



Day 5

莫斯科- 飛北極圈摩爾曼斯克

一早開車去23公裡外的Outlet 大賣場購物，再去一隻螞蟻跳蚤市場 Izmailovsky market逛市集購物（小學生和小學生的媽媽要買很多紀念品），中午回去整理行李打包，開車前往機場。

傍晚搭機，晚上八點半抵達摩爾曼斯克。

住宿：AZINUT Hotel
（摩爾曼斯克最高的建築物，頂樓有景觀餐廳，景觀很好，但是餐我個人覺得還可以而已，可以去喝杯調酒欣賞風景就好）



Day 6

摩爾曼斯克

租不到車的放空日，約了俄羅斯導遊朋友，到他推薦非常傳統蘇維埃時期留下來的糕點咖啡店，吃上午茶、聊天，下午摩爾曼斯克市區逛街逛到晚上，晚上去追極光。

住宿：AZINUT Hotel



Day 7

摩爾曼斯克- 基洛夫斯克

早上從摩爾曼斯克出發，到近郊車程45分鐘左右的哈士奇牧場Murmansk Husky（若要搭狗狗雪橇須事先預約），搭狗狗雪橇，這裡的狗狗是雪橇耐力賽的賽犬，遊客搭乘的路程和重量都比它們的常規訓練量距離還短和負重還輕。
搭完雪橇還可以在哈士奇牧場位麋鹿和狗狗們玩耍。開車往南三個小時到薩米文化村參觀，有傳統祈福儀式、薩米足球、介紹薩米民俗帳篷內裝、服裝、餵食麋鹿等活動，再繼續開車車程3小時到基洛夫斯克滑雪場附近的公寓。

住宿：Kvartira
（一房附一張雙人床、一張沙發床，另一房兩張雙人房，廚房、衛浴，一晚台幣1620元，距離滑雪場車程十分鐘內）



Day 8

基洛夫斯克滑雪日

小學生要求這趟旅行一定要滑雪，於是在摩爾曼斯克近郊十公里那間只有單一滑道弱弱的滑雪場，想必無法滿足小學生，才會大老遠殺來滑雪勝地基洛夫斯克的滑雪場Bigwood。

早餐在公寓自己煮，去滑雪場從早上十點半租裝備試裝備，教學上課兩小時後，就在雪場泡到晚上六點半（營業時間到晚上七點），真的是滑好滑滿。

晚餐到市區的餐廳用餐，導遊問我們還有沒有要去追極光，所有的人都累癱說不用了。XD
住宿：Kvartira



Day 9

基洛夫斯克 - 摩爾曼斯克 - 莫斯科

早上去騎雪上摩托車三個小時繞一整座山頭，中午午餐後去逛Snow Village（類似瑞典冰旅館的藝術冰雕屋，可以參觀不能住），下午四點往北開回摩爾曼斯克七點到機場，搭機飛莫斯科。

住宿：原本應該在飛機上，變成在莫斯科機場。



Day 10

莫斯科 - 伊爾庫茲克 - 奧洪島

摩爾曼斯克飛莫斯科的班機延誤，倒置凌晨飛伊爾庫茲克的班機失接，航班被改到早上七點四十五分，半夜只好待在機場，原本預計中午十一點多抵達伊爾庫茲克，也整個延誤到晚上七點半才抵達伊爾庫茲克，隨即搭接駁包車直奔距離三百公里遠貝加爾湖的奧洪島，晚上十一點半抵達民宿。

住宿：Residence PHILOXENIA- Olkhon
（一晚台幣四千塊，兩張單人床加一張沙發床，附「室內」獨立衛浴和餐桌的一室公寓，窗外可以直接看到貝加爾湖。
奧洪島其實有很多很便宜的住宿，像是有三張單人床的三人間，一晚才台幣500元，衛浴是公用，廁所在室外在室外在室外……室外可能是零下三十度…）



Day 11

奧洪島

澳洪島散策，走到貝加爾湖薩滿石拍照，逛小鎮，小鎮餐廳吃晚餐。

住宿：Residence PHILOXENIA- Olkhon

Day 12

奧洪島

貝加爾湖玩冰上雪橇、溜冰、去小森林溜狗，到鎮上餐廳吃午餐，傍晚回民宿洗俄羅斯浴。

住宿：Residence PHILOXENIA- Olkhon

Day 13

奧洪島

貝加爾湖北線行程，老司機阿伯帶我們去冰上獵遊，看冰柱洞、各種冰面結凍地形，午餐是在車上現煮貝加爾湖鮮魚魚湯粥（看到其他台車上的遊客是吃三明治，可能因為我們只有自己三個人包車的關係）

住宿：Residence PHILOXENIA- Olkhon



Day 14

奧洪島- 伊爾庫茲克

上午貝加爾湖南線行程，遠眺薩滿石，繼續玩冰看不同的冰湖面地形，中午和接駁回伊爾庫茲克的司機在湖邊界碰頭，換車前往伊爾庫茲克。

傍晚回到伊爾庫茲克，出門逛街做最後紀念品採買XD，和覓食。

住宿：Baikal Hotel
（一晚台幣1460的三人房，有兩張單人床一張雙人床，房間乾淨普通，附早餐挺豐盛的，但是沒電梯，前台人員親切但不諳英文）



Day 15

伊爾庫茲克 - 香港 - 台北

搭機離開



小叮嚀：

1、租車如果要租自排車的人，請記得提早至少一個月以前先詢問預定。

2、俄羅斯租車，駕照要解釋民國幾年和西元的關係，租車RentMotors評價好。

3、Sim卡在機場入境大廳出來就看得到了，若有安排要到摩爾曼斯克的人，建議辦Megafone（綠色那家）的收訊最好，14天內30GB 500盧布，約台幣235元。若是沒有要到摩爾曼斯克的人，辦MTC（紅色那家）一個月內吃到飽300盧布，約台幣141元，便宜到有點誇張。綠色那家的攤位是固定的，服務人員會講英文服務很好，紅色那家的攤位在機場是臨時的，上次來有看到，這次來小攤子撤掉了不知道改擺到哪裡，我們這次MTC的Sim卡是在市區辦的。

4、前往機場若不是搭機場捷運，而是自行開車或是搭乘計程車一定要提前四到五個小時出發，塞車塞在要離開市區的橋下回道一到兩個小時據說是常有的事，我們是傍晚六點的飛機，一點半出發開車前往機場，在市區多塞了一個小時，莫約一公里半的路開了一個小時，塞在路上看見莫斯科的克里姆林宮那幾棟顯著的建築一直在旁邊。Orz…

5、這次行程省略了很多莫斯科的重要景點，因為之前來過兩趟，如果希望莫斯科玩得更深入，要在至少多排兩天，才有空去逛莫斯科的克里姆林宮、列寧塔、普希金博物館、看馬戲團、看歌劇、看芭蕾舞，喜歡逛街購物的，要去逛逛幾座有名的華麗百貨GYM、TSUM等，還有一隻螞蟻跳蚤市集就可以消磨一整天。

6、貝加爾湖著名景點薩滿石附近是禁飛空拍機的，其他地方遠離飛機起降地是可以。