關於 索引定義 ，我們在網路上蒐集到這些相關的討論、資訊與評價

《攝影之聲》線上專題推出！​
​
《攝影之聲》關鍵字線上專題系列，每期由客座主編規劃影像與視覺領域的重要詞彙，邀請多位研究者共筆，透過不同角度詮釋書寫當代影像論題。本期由影像研究者謝佩君擔任客座主編，首期主題「家常任務：關於數位視覺政治性的關鍵詞」，每周二、四推出更新，歡迎追蹤閱讀！​
​
專題連結｜https://bit.ly/vop-keyword​
​
███ ​ 家常任務：關於數位視覺政治性的關鍵詞 ​
導言──謝佩君｜客座主編​
​
　　創立於世紀之末的美國外送平台Seamless，名實相符地是一則新自由主義式社會關係的寓言。以無縫接軌（seamless）作為品牌精神，和台灣現正風行的所有外送程式一樣，主打使用者從慾望到滿足過程的一氣呵成：我們可以躺著滑動手指於各家餐廳的菜色圖片間，點選、付款，接著等待外送員（gig worker）將餐點無接觸地送至家門外後，再附上一張即拍的照片作為送抵的證明。簡單又直覺，我們沒有發現線上點餐的自由，僅是將個體活動時空壓縮地複寫至市場──我們連躺著放空都可以消費，而零工經濟（Gig Economy）成就於我們壓榨自己的休閒時間（或是因經濟狀況犧牲休閒時間），在沒有基本工時、工會或保險的狀態下製造並滿足需求。從無縫接軌的角度來看，影像是「以時間根絕空間」障礙的資本共犯，既是索引也召喚著或點或滑或長按的反射動作，當它平順運行時我們感覺不到它的存在，一如無縫接軌作為新自由主義的理性與意識形態。​
​
　　「學術是關於認識世界的普遍任務」，批判與媒介理論學者沃克（McKenzie Wark）曾這麼說過。她將普遍定義為尋常、共享，甚至是粗鄙的形容詞，任務是時而帶著遊戲性質的勞動，而認識作為動詞，既是普遍之所以可能的條件，也是一種饒富趣味的任務。借鏡沃克將學術祛魅並重新賦予其社會實踐動能的論述，本專題「#家常任務：關於數位視覺政治性的關鍵詞」試圖將普遍一詞的公共意義擴延並轉化至家常，除了在疫情下居家辦公（Work from Home）成為新社會基準、公與私範疇並置且模糊的時刻，思考以家常為原點作為公眾實踐的可能外，也企圖以家常一字的意涵──日常、取材平易且頻繁使用──對上述影像無縫接軌地媒介於公於私的日常生活，提供十二個出自慣常口語的詞彙作為批判工具。因此，「家常任務」試圖認識的世界，不只是我們以第一人稱視角，以智慧型手機、筆電或平板，接受通知、點取、瀏覽並溝通交換的世界；同時也針對充斥於我們生活中之語言：以線上、視訊或梗圖等作為條件的日常經驗。例如，小說家言叔夏在〈回家的方式〉一文裡討論居家辦公，將進入Google Meet前的麥克風與鏡頭測試比擬作玄關的鏡子，視訊鏡頭下和鏡子前的我們一樣忍不住有著整理儀容的反射動作，毫不反抗地將自己投入畫面之中成為等待定義的主體。​
​
　　馬克思主義文化批評家威廉斯（Raymond Williams）在1975年出版《關鍵詞：文化與社會的詞彙》（Keywords: A Vocabulary of Culture and Society）的序言裡，提及寫作緣由的個人層面：當他於二戰結束返回劍橋時，遇到也甫從前線歸來的朋友，兩人不約而同地，對眼前的新世界說出：「事實上，我們不再說著相同的語言。」世界大戰造成的斷裂，在短短四年半裡，急遽體現在對話中同一詞語的不同價值與興趣導向。援引威廉斯的體察，「家常任務」關注的是何以在新千禧後：「我們總說著相同的語言。」在這20多年裡，為什麼如數位、媒介或影像等詞彙仿若通貨，跨越地理疆界、國境文化，成為我們可交換可溝通的共享語言？如何理解這加速度過程中，語言流轉於多民族、多文化間之抵抗與連貫性、干擾或對比的歷史？從這方面來說，語言也顯露了它與生俱來的異質性；換言之，從來沒有純血的語言。​
​
　　因此，本專題的七位作者邀請讀者在這無縫的語言生產鏈按下暫停鍵，以詞彙作為問題的切入點，透過家常的例子檢視數位世界的歷史與其概念流變，並剖析數位技術與影像生產、詮釋間的相互關係；或者，更重要地，以詞彙為單位，進行一場認識數位技術與影像生產政治性的練習：當數位物件同質化在我們眼前，它們是如何被渴求、辨識且描述？並進而被定義、處理以及認識？透過上述的提問，「家常任務」企圖承接威廉斯在上世紀的目標：以關鍵詞闡明文化如何是歷史的表徵，意即，在「創造屬於我們的語言與歷史時」，探尋一組詞彙──「去改變任何必須的改變」。​
​
＿＿＿＿＿＿＿＿＿＿＿＿＿​
⁡​
Voices of Photography 攝影之聲​
vopmagazine.com​
＿＿＿＿＿＿＿＿＿＿＿＿＿​
​
#影像 #數位 #科技與技術 #新自由主義 #數據視覺化​
#要素型媒介 #感覺中樞 #介面 #解殖 #文化分析 #平台 #投影​
#謝佩君 #王柏偉 #徐詩雨 #陳琬尹 #楊子樵 #鄭安齊​ #關鍵詞

【破解】吃過量水果會升膽固醇？

前幾天看到一篇文章，宣稱水果吃太多會導致LDL低密度膽固醇上升，並引用這篇2013年的統合性研究作為佐證[1]。

我認為這篇文章嚴重誤導大眾，有必要做出一些澄清

1. 水果裡的糖不是游離糖

世界衛生組織WHO建議，成人與幼童每日糖攝取不高於總熱量的10%[2]。可是！這邊說的糖是游離糖（Free sugar），額外添加的才算，原型食物中原本就存在的糖（Intrinsic sugar）是不能算在這10%內的。

WHO對游離糖有明確定義，游離糖包括添加的葡萄糖、果糖、蔗糖、麥芽糖、蜂蜜、（楓）糖漿、果汁、果汁濃縮液。 同一份報告指出，沒有證據顯示蔬菜、水果、牛奶裡面的糖對健康有負面影響[2]。

蔬菜水果的果糖濃度低、並伴隨纖維質一起吃下肚，消化吸收速度慢。研究顯示飲料與水果中的果糖對腸道菌的影響也截然不同[3]，實在不可相提並論。

2. 游離糖才會升高膽固醇

再來仔細看這篇「果糖升高膽固醇」的研究[1]，學者搜集24篇臨床試驗數據，發現每日超過100公克的果糖攝取，會升高LDL低密度膽固醇11.6mg/dL。

這100公克果糖來自水果嗎？當然不是。

在這24篇研究中，有4篇使用結晶狀的果糖、4篇使用液體果糖，其他16篇採用「混合狀態」的果糖。混合狀態是什麼意思呢？就我根據內文索引進一步去搜尋到的文獻，研究者使用的添加法包括果糖軟糖(23)、果糖餅乾(24)、溶在飲用水裡(29)、木瓜糖霜(!)(30)、直接灑到食物裡(25,26,31)。

把糖灑到食物裡吃，身為半個臺南人的我看了也是傻眼。

部分研究為了確保果糖攝取量穩定，乾脆要求受試者不能吃蔬菜水果(25)。

總之，這篇研究絕對不能拿來佐證吃水果會升高膽固醇，看研究不能只看標題。

3. 100公克以上的果糖才會升高膽固醇

原始論文中提到，以79.3公克的果糖代換掉其他碳水化合物，對於膽固醇不會產生任何影響。唯有在超過每天100公克的攝取量時，才有上述效應。

一罐330毫升的可樂含有33公克糖，如果是添加高果糖糖漿，33公克中約有18克是果糖，15克是葡萄糖。換算起來，一天要喝六罐可樂才會超過100公克的上限（註）

相對起來，吃水果要超過這個數字就比較困難。新鮮水果的果糖含量約佔總重0.1-8%之間，要吃1.25公斤的蘋果、或是2.5公斤的西瓜，才會超過100公克果糖。

每天喝六罐可樂會讓大部分人的健康亮紅燈，但如果有人挑戰每天吃3公斤西瓜，我還真的沒有把握他的膽固醇會變好、變壞、還是不變。

氧氣、陽光、水、運動、乃至於水果，任何好東西過量都會變成壞東西。在大眾普遍運動不足的情況下，因為少數運動過量的病例而建議大眾不要運動，是因噎廢食；同樣地，在大眾普遍蔬果攝取不足的今日，因錯誤解讀研究及因果不明的臨床案例，而建議大眾不要吃太多水果，我認為造成的傷害遠大於好處。

因此我決定跳出來發聲，歡迎分享。

（註：為避免理由伯們開心地決定一天喝五罐可樂，我超前部署解釋一下。一天喝五罐可樂是165公克糖、將近700大卡，遠超過WHO建議的每日總熱量10%，不客氣）

[1] https://pubmed.ncbi.nlm.nih.gov/23825185/
[2] https://www.ages.at/en/topics/nutrition/who-sugar-recommendations/
[3] https://www.mdpi.com/2072-6643/12/11/3444

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

我是JC老師
電腦相關課程授課超過6000小時的一位AutoCAD課程講師
由於實在太多同學向JC老師反映，希望可以有線上課程學習
所以就決定錄製一系列的AutoCAD線上影片教學
而且不加密、不設限、不販售，就是純分享，希望可以幫助到有需要的朋友們
如果這部AutoCAD教學影片對你有幫助的話
請幫我按個讚，給我點鼓勵，也多分享給需要的朋友們喔~

---------------------------------------------------------------------------------------------------------
性質功能區
● 性質工具列可以控制顏色、線型、線粗、透明度
● 查詢目前性質
● 更改目前性質
● 查詢物件性質
● 更改物件性質
● 盡量所有性質都用「依圖層」

顏色COLOR(COL)
● 定義物件的顏色。
● 「AutoCAD 顏色索引 (ACI)」255 種顏色、全彩與顏色表顏色中進行選取

---------------------------------------------------------------------------------------------------------

AutoCAD 2016 2D 線上教學影片目錄：http://bit.ly/2Y5F4Mw
AutoCAD 2016 2D 線上教學影片範例下載：https://bit.ly/3eOuKQR
AutoCAD 2D 常用快速鍵清單整理：http://bitly.com/2dUEJ9d
建築室內設計Arnold擬真呈現教學影片目錄：https://bit.ly/2VbZmmd
TQC AutoCAD 2008 2D 線上教學影片目錄：http://bitly.com/2dUGQtB
3ds Max 2015 線上教學影片目錄：http://bitly.com/2dUGqn3
JC老師個人網站：http://jc-d.net/
JC老師個人FB：https://www.facebook.com/ericjc.tw
JC-Design LINE ID：@umd7274k

我是JC老師

電腦相關課程授課超過6000小時的一位 Photoshop 課程講師
由於實在太多同學像我反映希望可以有線上課程學習
所以就決定錄製一系列的 Photoshop 線上影片教學
而且不加密、不設限、不販售，就是純分享
希望可以幫助到有需要的朋友們

這系列 Photoshop 教學影片
是由初學到深入，專為初學者設計
後半部進階內容與範例並非一般商業用途
而是針對 Photoshop 與 3ds Max 之間的整合教學
包含無縫貼圖製作、建築合成調色、室內設計合成調色、遊戲貼圖製作方面

如果這部影片對你有幫助的話，請幫我按個讚，給我點鼓勵
也多分享給需要的朋友們喔~

Photoshop CC 2020 線上教學影片目錄：http://bitly.com/2u0WwWG
Photoshop CC 2020 線上教學影片範例下載：http://bitly.com/2FTNygJ
JC-Design 網站：http://jc-d.net/
JC-Design 粉絲團：https://www.facebook.com/jcdesigntw/
JC-Design LINE ID：@umd7274k

---------------------------------------------------------------------------------------------------

解析度
　● DPI (Dot Per Inch) 指的是一英寸中有幾個像素
　　▲ 解析度的大小關係到影像的清析與否，一般電腦螢幕的解析度為72DPI，搭配高階一點的顯示卡則可到96DPI。如果是要印刷用的影像檔案，則至少要300DPI 以上才不會有馬賽克的模糊現像產生。若是要使用在網頁上的影像檔案，則只要72DPI 就足夠了。
　　▲ 影像的解析度會影響列印時，影像的列印品質及大小，但不會影響它在螢幕上所呈現的品質。而且，影像解析度是可以透過 PhotoImpact 、 PhotoShop 、 PaintShop Pro… 等影像處理軟體加以改變！
　● 每英寸像素，ppi 或 PPI （Pixels Per Inch）
　　▲ 像素密度(pixel density)單位，即每英寸的長度中所具有的像素。由解析度中X或Y軸的數字除以該軸的長度(英寸)，可得該軸的像素每英寸密度。一般的像素是方形或接近方形，X與Y軸像素密度相同，但也有不相同的顯示器。
　　▲ 掃描圖片時的度量單位：掃描圖片時，我們在原稿的每一英吋範圍內要產生多少畫素值pixel，經過掃描後，同一張原稿，它的 ppi 值越大時，所得到的圖像也越大，通常我們在掃描時，對於較大的正片或圖像，可以採用較大的 ppi 值，對較小的正片或照片採用較小的 ppi 值，ppi 與 dpi 是不同的！

介紹常見影像格式（BMP、GIF、JPEG、PNG、向量圖）
　● BMP：Windows的標準影像格式，支援RGB、索引色、灰階和點陣色彩模式。
　● GIF：翻譯為圖形交換格式，是一種LZW壓縮格式，設計用於最小化檔案大小和電子傳輸時間。優點為可以做動畫和透明背景圖，缺點是色彩數少，只支援256色、易失真。
　● JPEG：是利用離散餘弦轉換壓縮技術來儲存靜態影像的檔案格式。支援CMYK、RGB、灰階色彩模式，不同於GIF的是JPEG會保留RGB影像中的所有色彩資訊，但會選擇性的丟棄資料以壓縮檔案容量，是一種破壞性的壓縮。
　● PNG：是免專利的一種替代GIF的圖形格式，支援灰階、含Alpha的RGB色彩、點陣圖、無含Alpha的RGB色彩模式，利用Alpha色版來定義檔案中的透明度，所以可以產生無鋸齒邊緣的背景透明圖。
　● 向量圖：以數學函式來描述螢幕上的圖形、色彩，就算是改變圖形的外觀，也只是改變了數學函式的某些參數值，讓電腦重新計算而已，因此不會有點陣圖失真和鋸齒狀的情形發聲，而且因為只是記錄數學函式的參數值，所以檔案遠小於點陣圖。

---------------------------------------------------------------------------------------------------

==延伸線上教學聯結==
Photoshop CC 2017 線上教學影片目錄：http://bit.ly/2A9PH3B
3ds Max 2015 線上教學影片目錄：http://bitly.com/2dUGqn3
AutoCAD 2015 2D 線上教學影片目錄：http://bitly.com/2dUGm6Y
TQC AutoCAD 2008 2D 線上教學影片目錄：http://bitly.com/2dUGQtB

我是JC老師
電腦相關課程授課超過6000小時的一位AutoCAD課程講師
由於實在太多同學向JC老師反映，希望可以有線上課程學習，所以就決定錄製一系列的AutoCAD線上影片教學
而且不加密、不設限、不販售，就是純分享，希望可以幫助到有需要的朋友們
如果這部AutoCAD教學影片對你有幫助的話，請幫我按個讚，給我點鼓勵，也多分享給需要的朋友們喔~

---------------------------------------------------------------------------------------------------------
顏色 COLOR (快速鍵COL)
● 定義物件的顏色。
● 「AutoCAD 顏色索引 (ACI)」255 種顏色、全彩與顏色表顏色中進行選取

線粗 LWEIGHT
● 線粗是一種性質，指定給圖形化物件、填充線、引線和標註的幾何圖形，造成較厚，較暗的線條。
● 預設模型空間不會顯示線粗。
● 線粗是根據螢幕比例顯示。線寬是固定寬度的。
● 在模型頁籤上，線粗以像素顯示。使用與出圖時真實單位成比例的像素寬度顯示線粗。

顯示線粗
● 在圖面中可打開與關閉線粗，且在模型空間中而不是在圖紙空間配置中具有不同的顯示。

透明度 CENTRANSPARENCY
● 定義物件的透明度(1-90)
---------------------------------------------------------------------------------------------------------

AutoCAD線上影片教學範例下載：https://goo.gl/DhVTau
AutoCAD2D常用快速鍵清單整理：http://goo.gl/SjNIxz
AutoCAD2015線上影片教學頻道：https://goo.gl/Q5aCf5
JC老師個人網站：http://jc-d.net/
JC老師個人FB：https://www.facebook.com/ericjc.tw