關於 人腦開發程度 ，我們在網路上蒐集到這些相關的討論、資訊與評價

富人腦比窮人腦多一個關鍵力：花錢能力

不曉得大家知不知道 youtube和付費內容中，跟投資、理財、財富賺錢相關的內容都是需求最高的前三名主題。

雖然我們從小就被教育知道要賺錢、存錢、理財，但是直到我大學的時候認識一個家境神扯的朋友，他驚呼我到了大學每個月零用錢只有2000時，我們還爭執一番，我說：「雖然很少，我也很生氣，很氣我必須要去便利商店打工才能跟朋友好好去玩，但你不懂我們這種人的家裡，可能是爸媽能給的最多了。而且說不定，他們是為我們的未來做打算」我很記得對方回說：「但是你沒有錢，怎麼學會花錢？」當時的我聽不懂，氣呼呼的為了階級對立的憤慨，用各種角度解釋的怒吼回去，只為了在資本主義的不公下，求點理解。沒想到，多年後的現在，我才想通這句話的意涵。

多數的人在社會規則中，從職場所收益的薪資與各種投資，都會被他的背景、技能與機運所限制，也因此很少有人會積極去思考，如果你現在擁有了100倍以上的錢，你會怎麼運用，因為會被笑異想天開、好吃懶做、不切實際。

但是直到我在新加坡認識了一些上市公司老闆，一些財富階級已經不是一般人能達成狀態的人們，才發現這些人，多數在人生前半段都在建構自己的現金流能力，想辦法運用別人的錢做槓桿（不管是投資人還是銀行貸款），而這些也都不是秘密了，所以很多中產階級的人在工作機運頗佳或是累積財富到一定程度時，是有辦法也這樣做的。但接下來的關鍵點，讓這群中產階級上不去，有錢人卻能越有錢的節點，就在於他們是怎麼運用那每一分的現金的。

為什麼90%的樂頭得主最後會敗光積蓄變更窮，為什麼我爸已經破產去年好不容易拿到勞退一百五十萬現金，卻全部匯給詐騙集團。因為他們不知道還能怎樣花錢，去做到自以為的最大化效益。

到新加坡第二年時，我透過關係逼朋友介紹我去新加坡UOB銀行的VVIP私人銀行開發部門面試，福利底薪十萬台幣＋獎金，留存下來的人，每個月薪水平均都有30萬，對方三位主管，在當下問了我兩個問題：「如果公司給你一百萬公費，你要怎麼用來開發你的客戶」（目標客戶是：能開戶時存入350萬台幣的人）第二個問題是「如果你有10億會怎麼用」

我當時一直無法理解，誰能在當下回出這些問題，甚至以為我能想辦法不花完這些錢才會是最標準的答案。現在我才知道，如何用錢，才是擁有爆發性財富與資產的根本關鍵。可問題是，從小沒人鼓勵我們這樣思考，甚至也只會以手邊有的金額去當我們的眼界做財富運用的臨界點，這樣其實會阻礙我們的財商思維。

不要以為，月薪兩萬的人不需要去擁有這種思維，當你連10億的規劃都會導致財富攀升不上或是破產時，就代表你對錢（資產）與負債、支出與成本是沒有概念的，那這個錯誤會在十億上放大時，你手上的十萬翻轉不了更多，就會是剛好而已。也就是說規劃大錢時，卡關和不會治理的地方，會很明顯，這讓你比較能發現在理自己少少的錢時盲點的部位。如果你還是覺得十萬存款翻轉不了，對你而言差別不大，那就代表你連錢所衍生的機會成本也不會考慮進去。

錢本身不具意義，除非它產生交易。

舉例來說，你用對這十萬，可以讓你早五年財富自由，那你的差別就會是那五年本來可以卻不能財富自由、做自己愛做的事、過自己喜歡的生活，這樣的代價，就是機會成本了。這就是為什麼，我在去年底，看似一切財務狀況有好轉，創業也頗順時，買了一台賓士後，被身邊一個車庫有好幾台法拉利的朋友們罵爆，就這樣罵了半年後，決定換一台”花對錢“的車。

換了這台車後，多了幾十萬現金，我拿來做一點美股、前陣子放點台股，把欠的一些小錢還掉，結果賺的錢，現在看可能讓我有機會提早買房子、或是多請一點員工，那這連帶的影響，就是我當初選擇的機會成本。所以如果有天我有小孩，我不一定會給他很多零用錢，但我會帶他一起練習「如果你有一千萬、一億要怎麼花」的小遊戲。

——————————————————————————————-
艾兒莎的「窮忙世代翻身準則」有電子版囉！
📖 https://lihi1.com/J11gP
IG：rutuyyu1010
Podcast： 艾兒莎的翻身準則

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

【穎悟】-聰明魔法油
.
緣由：
我工作繁忙且腦力消耗十分巨大，所以開發一個來強化腦袋能力及運轉速度，讓自己能持續地投入我有興趣的研究或開發。
.
變化：
使用這瓶後，腦袋會有一秒時間像是重新開機並啟動，啟動時候會感覺腦袋中會些許不一樣，甚至還有些光產生，像是燈泡打開般。接著腦袋就會自動優化並且調整裡面結構，進入超頻模式，運轉速度會增加許多，而且會隨著時間還有投入程度而持續增加，就像跑車衝刺般，一下子腦袋就會進入高速運轉模式，直到跑到現階段的最佳狀態後才會維持在最高頻率。
.
效果：
對周遭的敏銳度及反應能力都會提高，思辨能力及理解力也會上升。身體掌握能力也會強化，肢體操作細緻度及準確度提高，誤差值減少。眼睛視角切換快速且能看到更多餘光。
.
記憶能力也會強化，背書及念書都會更輕鬆簡單，快速掌握重點，理解後深化記憶並自己會找到更多記憶點及記憶方式。若是要想起遺忘的事物，也是運算能力提升後，依循著現有脈絡而想起遺忘的，不是讓遺忘的事物直接憑空出現。所以要刻意記得某些東西的話，請在記憶之前就先使用魔法油，若之後才使用的話，是依靠腦袋運算能力去想起來，而不是記憶力強化而記得。
.
同時強化：「遺忘能力」，大幅度的忘記其他多餘的事物，讓你的腦袋能釋放出來專注在一件事物上。假設你的腦袋原本有2G的運算能力，其中有1G已經拿來處理各種雜事，用了魔法油後變成4G Ram的運算能力，此時若沒有把那個1G已經用掉的給釋放出來，那頂多只能用3G的運算能力，還沒有到最佳狀態，所以魔法油會把那已經用掉的1G透過「遺忘」給釋放出來，讓腦袋盡可能在最佳效能。
.
強化「抗噪」能力，不只是過濾掉多餘的噪音，也會忽視其他不重要的事物，周遭震動或是影響也都會盡可能地降低影響而專注在目前工作上。簡單來說：弱化其他干擾，五感上多餘干擾都會降低或消除。
.
時間流逝感也會不同，會更投入專注而讓時間變更快，但同時也會讓一秒內能進行的工作量增加。
.
也可能會增加靈感部分，但增加的方式是透過腦袋強化來快速運轉直接得到答案或是結果，也能增加預測能力(還是腦袋快速運算後會出現推算結果)。也有人腦袋能力提升後，就更看到自己的起心動念。
.
這瓶魔法油不是咖啡或是刺激物品，晚上一樣能夠好好睡覺。只是若在睡覺前十五分鐘還強化腦袋運轉能力，可能會導致作夢的質與量提升，夢的各項訊息及感受程度都可能會大幅度提升。但這樣下去作夢，隔天的精神可能會比較差，因為晚上會有大幅度的夢工作在跑，這個是要特別提醒的。
.
補充說明：
1.這是讓腦袋能力提升的魔法，不是提神物品。
2.身體已經筋疲力盡時，這瓶魔法油是幫不上忙的。沒電量時，會沒電去腦袋。就像是筆電一樣，總是要有一定電量才能超頻，跑車也一樣要有油才能跑。身體會把剩下電量拿來維繫生命及休息，而不是高速運轉。
3.我個人最常用在進修上課，吃完飯後想睡覺，就會拿這個讓腦袋維持在一定效能及吸收程度，身體還是會稍微累類想睡覺，但上課吸收完成沒問題。
.
容量10ML，邀請價777元。
.
使用方法：
1. 滴兩滴在手腕上，兩隻手腕交叉順時針抹抹抹，大概抹十到二十下，再把雙手拿到鼻子前面深呼吸聞三次，一次比一次慢。效力大概可維持至少兩到三小時。
2. 加強用法：除了手腕一定要塗外，可以加強用在其他部位。若塗在眉心輪可以使專注力更提升。也可以鼻子下側，腦袋運轉速度強化再強化。
.
Shivananda & Emily
21.4.3