關於 基於框架的專家系統 ，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

舊文重貼：

2020年7月5日 ·

【我如何運用法律與經濟學在投資決策：營業中斷保險】

2004年左右我就曾為文記錄如何從消費者保護法中的「科技抗辯（state of art）」判斷當年因止痛藥Vioxx瑕疵陷入集體訴訟法律風險、股價腰斬的默克藥廠，其實真正面臨的風險並不高，並大膽$26美元危機入市，兩年半後$50多美元陸續獲利了結。
這部份可以參考後來2018年寫得更清楚的【效率市場假說是錯誤的】一文。
這是一次靠法律專業知識的價值投資操作。
近日因Covid-19在美國失控的疫情，我們又看到新一波影響更廣的法律爭議浮出抬面：營業中斷（business interruption）。
美國各州政府的封城（lockdown）措施使得許多中小企業面臨無法營業、營收中斷、現金流鎖死的倒閉危機。原本這些中小企業購買的商業保險，幾乎都有「營業中斷條款」，此條款大概涵蓋範疇如下（以Allstate公司為例）：
1. 預期收入損失（For lost income from the destroyed merchandise (minus expenses you may have already paid, such as shipping).Your pre-loss earnings are the basis for reimbursement under business interruption coverage. Lost earnings, also known as the actual loss sustained, are typically defined as revenues minus ongoing expenses. ）
2. 額外支出（ For extra expenses if you must temporarily relocate your business because of the fire (for example, the cost of rent at the temporary location).）
然而近日上百萬家申請保險賠償的中小企業卻遭到保險公司拒付，理由是：「Covid-19疫情並未造成實質物理損失（actual physical loss）」。
什麼？賠到當內褲還叫沒有損失？這是怎麼一回事？
一、美國商業保險營業中斷（business interruption）條款法律爭議
多數保險公司紛紛於近日在各自網站上強調「實質物理損失（actual physical loss）的存在是申請保險支付的先決條件」。實質物理損失在保險公司方面的定義為：真實損害（damage）造成營業設備、不動產失去部分或全部原本功能/效用，造成商業收入損失。
換言之，目前美國保險公司的態度是 -- 病毒並未造成中小企業保戶物理上營業設備或不動產失去運作能力，病毒讓人致病又不讓機器廠房店面生病，當然不構成支付賠償金的條件。
中小企業主的立場顯然相反 -- 病毒與政府封城措施造成營業上之不可能，我當初買保險不正是為了這種不可預期之風險？沒了收入但租金、工資與各項支出依然照付，損失哪裡不真實不存在？
為何保險公司可以如此狹隘限縮解釋？這是因為此類商業保險的營業中斷條款最早源自於美國南北內戰時期，當時的商家因戰爭破壞或徵調的關係，其所擁有的商業設備或店面因此不再能持續生產失去收入，在此侷限條件下商界所應運而生的保險制度。故，美國保險法律與習慣上，對實質物理損失的看法是有歷史累積，而因循前例恰恰是普通法（common law）的核心邏輯。
可是現代世界與南北戰爭相差100多年，難道法律上都沒有可以擴張或改變的突破口？
有的，而此問題的法律突破口在一個我想台灣讀者大概都想不到的關鍵點 -- 「附著與污染」。
⟪附著與污染⟫
附著概念在1980、1990年代都已經有州法院判決提供了初步概念，但最標誌性、最多後來者引用的則是2002年康乃迪克州聯邦地方法院的⟪Yale University v. CIGNA Ins. Co.⟫一案。
此案中耶魯大學於1980年代的建築外牆塗漆後來證實含有重金屬鉛與石棉，造成第三人健康受損。耶魯大學根據產物保險條款，要求保險公司支付賠償金。保險公司稱：「塗漆又不影響建築物原本功用，不構成物理性實質損害。」拒絕賠償。
官司先在康乃迪克州州法院打，州法院也是採取與保險公司相同的限縮解釋。
但後來官司打到聯邦地方法院，聯邦地院卻採取擴張解釋：「附著」於耶魯大學建築物上的油漆，實質上「污染（contaminated）」了建築物，使其一部或全部失去了原本功用，因此構成實質物理損害。
此觀點在2009年也於⟪Essex Ins. Co. v. BloomSouth Flooring Corp.⟫案得到位於麻州的聯邦第一巡迴法院支持，認為附著於財產上的「惡臭（odor）」也是種能造成實質物理損害的汙染。
這也是為什麼目前我們看到針對Covid-19相關幾百個保險訴訟案中，最活躍的佛羅里達州律師John Houghtaling II主張：「『附著』於建築物、商業設施表面的冠狀病毒也是一種造成實質物理損害的汙染」。即便事實上多數公衛專家均指出目前科學證據顯示，Covid-19主要還是透過人傳人機制傳染，透過附著物體表面傳染案例屬於極少數特例。
因為熟悉英美法的人都知道，common law的先例是一個比較可能勝訴的框架，律師多盡量把訴之主張想辦法塞進成功框架裡，即便看起來很彆扭。要是跳脫既有框架另創新法律見解，則勝訴機率很可能大減。
但前述「附著與污染」見解並非每個法院都買單，例如紐約州州法院在2002年與2014年不同判決中都否定此擴張見解，堅持南北戰爭留下的狹義解釋。
可這就進入我們第二個重點...
二、經濟學角度切入：
各州法院之間對於營業中斷（business interruption）的法律定義不同勢必會增加各州中小企業與保險公司各自在營運上的不確定性。當然，這也會增加再保險公司的不確定性。
依據美國法架構，各州法律見解不同牽涉到跨州商務，是有高度可能最後進入聯邦最高法院以求一統一見解。然而法律訴訟程序的曠日廢時將使得中小企業不見得有足夠資金支撐到訴訟結果，但反之，希冀減少損失的保險公司們卻有相當高誘因要把戰場拖到最高法院。
從經濟學競爭（competitiveness）的概念切入，中小企業方也必將嘗試繞過既有遊戲規則，即法律程序，試圖建立有利於自己的新遊戲規則。
於是乎我們就見到美國知名四大主廚--Daniel Boulud （米其林兩顆星）, Thomas Keller（米其林三顆星）, Wolfgang Puck（米其林一顆星） 以及 Jean-Georges Vongerichten（米其林三顆星）-- 結盟，並於今年3月底去電美國總統川普，要求逼迫保險公司支付停業的商業損失。
川普果然也在4月份內部會議上提出：「他知悉保險公司對多年支付保費的餐廳業者雨天收傘一事，雖然他也知道保險公司保單涵蓋範圍有限，但如果支付賠償金是公平的，則保險公司就應該支付。（... saying restaurateurs had told him they paid for business-interruption coverage for decades but now they need it and insurers don’t want to pay. He said he understood that some policies have pandemic exclusions, adding: “I would like to see the insurance companies pay if they need to pay, if it’s fair.）」
熟悉制度經濟學的朋友都知道，當「無主收入」出現時，意味著租值消散（rent dissipation），也代表著整體社會的浪費。租值消散是整個經濟學最難掌握的高級概念，許多有名的經濟學家或教授，甚至某些諾貝爾獎得主，也不見得能正確理解並掌握此概念，本文並不打算詳談，請有興趣的讀者自行參考我過去幾篇舊文。
就我所知，一般經濟學者未曾討論「準租值消散（rent dissipation on depend）」狀況 -- 在法律定義未由最高法院統一見解前，被保險人無從得知是否可以取得保險賠償金；保險人雖暫時對保費有所有權，但一旦訴訟發生依會計原則也必須劃出一部分作為賠償準備金。可是在真實世界，我們目前不存在比曠日廢時的司法或所費不貲的政治遊說（包含政治獻金/賄絡），更有效率且廣為接受的制度來安排這樣的權利衝突。
（此處on depend概念類同於英美財產法中的on depend概念，我就不岔題解釋）
這是說，從經濟分析角度看，在統一法律見解未出現前，此狀況是一種社會費用，以租值消散形式暫時存在。
這就轉到本文的第三個重點，身為證券市場投資人，怎麼看怎麼應對？
三、投資人角度
在日常法律爭議上，此類「未有最終判決前，權利範圍或收入歸屬處於未定狀態」的狀況實屬常見。換個角度說，其實這些案件多屬於個體性風險，即便在系統內會產生一定權利範圍/未來收入預期影響，可幾乎都不會構成「系統性風險」。
但此次對「營業中斷」定義爭議卻碰上歷史罕見的大規模被迫停業狀況，根據美國普查局 (United States Census Bureau)的資料顯示，截至今年5月8日，因被迫停業而申請Paycheck Protection Program (PPP)的中小企業高達360萬家，借款金額達$5370億美元。4月26日～5月2日該週資料更是超過51.4%企業受到疫情影響（見圖）。
有保險公司代表說得清楚：保險原理是基於「大數法則」，亦即平時由多數人分別出資一小部分，於個別性風險實現時支付賠償金彌補其風險。但若「近乎所有出資者的風險都實現」，保險公司根本不可能同時支付所有被保險人賠償金，這已經不是個別性風險而是系統性風險，保險公司只能宣告破產。
2008年金融風暴主因之一也是原本以為透過大數法則建立的CDOs，包裹大量不同債信的房貸債權很安全，結果不堪系統性風險實現而崩潰。
我在今年五月份【美國失業人數破2千萬為何股市上漲？再來怎麼看？】一文中特別強調我們應該多關注CLOs（Collateralized Loan Obligation）潛在違約危機，也是著眼於此類別個別性風險轉為系統性風險的可能性激增。
同樣的，前述營業中斷保險條款無論美國法院最終見解為何，都很可能發生二選一結果：「大規模中小企業因封城出現流動性枯竭引發的大規模倒閉風險」對上「保險公司支付如此大量賠償金恐陷大規模財務危機」。
即便是繞過法律程序，透過政治遊說施壓美國行政單位，依然繞不開上述兩項風險必然實現其中一種的局面。
根據富國銀行（Wells Fargo）的推估，美國目前含有營業中斷條款的保險金額約$8千億美元，其中50%透過再保險方式轉嫁。值得慶幸的是我並未查到此類保險有轉化為其他衍生性金融商品，這表示風險可能未如CDO、CLO般倍數放大。富國銀行認為美國商業保險公司應該有能力吸收$1500億左右的賠償，但根據美國普查局資料受影響商家超過5成，意味著假設$4千億索賠發生時，即便能移轉$2千億至再保險公司，依然還有約$500億的差額。
我們要特別注意的是保險公司收到保險金後必須轉為投資方能獲利，這表示當股市下挫時保險公司的資產也會跟著縮水，償付能力也會隨之下降。例如巴菲特的Berkshire Hathaway旗下保險集團於今年第一季因支付保險賠償金淨損$4.89億美元，但同時集團資產卻也記入$550億資產減損。
故，我前述二擇一風險實現時，會不會引發股市下挫傷害保險公司資產也值得注意。
另一方面，有誘因把法律戰拖到聯邦最高法院的保險公司即便此策略成功執行，流動性短缺的中小企業恐怕提早實現第一種風險，對整體經濟乃至於股市同樣不利。
身為投資人還要再小心的，是本屆Fed主席Jerome H. Powell屢破歷史紀錄的灑鈔救市風格，也很可能在前述因保險爭議而生之系統性風險可能實現時再度開啟瘋狂印鈔機制，而在經濟學上會有什麼效果，我在【美國失業人數破2千萬為何股市上漲？再來怎麼看？】一文已經講得清楚，簡言之：
a. 證券資產價格將局部出現嚴重通貨膨脹。尤其這段時間持有美國資產者獲利率可能超越持有其他國家資產者。
b. 各國因貨幣政策多少掛著美元，而將出現輸入性通膨。
c. 寬鬆貨幣產生的貨幣幻覺（money illusion）將埋下更多錯誤投資地雷。
d. 每次寬鬆貨幣救市都是以美元地位為代價。當美元地位跌破均衡點，人民幣等主要貨幣不再支撐美元，美國將出現全面性嚴重通貨膨脹，美國債券價格將大跌，許多州政府、市政府有破產可能。此時，持有美元與美國境內資產者恐受相當傷害。
結論：
我批評過很多次，坊間常見的「價值投資」多半只是拿幾個財務數字挪來搬去，從嚴謹的經濟學角度看這只是看圖說故事的自我欺騙行為。我認為真正有效的價值投資，是依據如經濟學這類具備科學解釋力的理論架構，蒐集真實世界的關鍵侷限條件與條件轉變從而預測未來，並嘗試從中獲利。
掌握真實世界的關鍵侷限條件必須：a. 累積大量、多範圍的各種知識，其中法學、經濟學、基礎物理/化學/醫學乃至於某些工程實務等都是必須；與b. 有足夠的能力從無數侷限條件中分離出「關鍵」。
我也談過，Benjamin Graham以降至巴菲特的傳統價值投資法最大缺失在於「忽略貨幣因素」，一旦出現極端貨幣現象時，價值投資幾乎失效。這部份價值投資者必須自行強攻以價格理論出發的貨幣學來彌補。
巴菲特老夥伴Charlie Munger認為投資者需具備各種不同知識體系，吾人深以為然。此文為一又牛刀小試。
參考資料：
✤ Yale University v. CIGNA Ins. Co., 224 F. Supp. 2d 402 (D. Conn. 2002)
✤ Matzner v. Seaco Ins. Co., 1998 WL 566658 (Mass. Super. Aug. 12, 1998)
✤ Arbeiter v. Cambridge Mut. Fire Ins. Co., 1996 WL 1250616, at *2 (Mass. Super. Mar. 15, 1996)
✤ Essex Ins. Co. v. BloomSouth Flooring Corp., 562 F.3d 399, 406 (1st Cir. 2009)
✤ Roundabout Theatre Co. v. Cont’l Cas. Co., 302 A.D. 2d 1, 2 (N.Y. App. Ct. 2002)
✤ Newman, Myers, Kreines, Gross, Harris, P.C. v. Great N. Ins. Co., 17 F. Supp. 3d 323 (S.D.N.Y. 2014)
✤ The Wall Street Journal, "Companies Hit by Covid-19 Want Insurance Payouts. Insurers Say No." June 30, 2020
✤ Steven N.S. Cheung, "A Theory of Price Control," The Journal of Law and Economics, Vol. XVII, April 1974, pp. 53-71
✤ Willam H. Meckling & Armen A. Alchian, "Incentives in The United States," American Economic Review 50 (May 1960), pp. 55-61
✤ Milton Friedman, "Money and the Stock Market," Journal of Political Economy, 1988, Vol. 96, no. 2
✤ Irving Fisher, "The Money Illusion," 1928
文章連結
https://bit.ly/3gsJK6l

在死神面前，有一些人比你我更加脆弱
　
疫苗開打以來的這段期間，特權插隊、順序一再調整、類別定義模糊的亂象層出不窮，誰應該先打？誰應該後打？挑動了許多人的敏感神經。
　
該怎麼處理攸關生命安全的疫苗施打順序？#保護在死神面前最脆弱的同胞？我有一些想法跟大家分享。
　
首先，到上週五為止(6/11)，COVID-19在台灣已經造成385人死亡，65歲以上的老人就有306人，占了全部死亡數的八成(79.5%)。65~74歲的確診死亡率是6.62%，75歲以上的確診死亡率，更是高達20.12%。
　
毫無疑問，疫苗應該 #優先施打高死亡率的年齡層以及 #醫療衛生工作者，這個原則，在WHO的指引表述的相當清楚。
　
2020年9月14日WHO 發布的「世衛組織免疫戰略諮詢專家组『用於分配 2019 冠狀病毒病（COVID-19）疫苗和確定疫苗接種優先次序的價值觀框架』」（ https://reurl.cc/noZvKd ）中列了幾個原則，在人類福祉的原則中，第一項就是「减少 COVID-19 大流行造成的死亡和疾病負擔」。
　
據中研院民族學研究所研究員劉紹華於端傳媒一文：「劉紹華：當我們討論『誰先打疫苗』時，必須先正視結構性暴力」（ https://reurl.cc/vqmzOe ）：「依據首要設定目標「#減少死亡與疾病負擔」，疫苗施打的優先族群無疑即是「死亡或重病」高風險者，如老人和感染風險最高的第一線醫療人員。」
　
再看2020年10月20日WHO發布的「世衛組織免疫戰略諮詢專家組在供應有限背景下優先使用COVID-19疫苗路線圖」（ https://reurl.cc/vqke9L ），也在社區傳播的環境下，將「傳播風險高至極高的衛生工作者」和「基於年齡的風險界定的老年人」，列在第一階段（疫苗供給有限，供應總人口1-10%）的優先施打者。而在疫苗供應量達總人口11-20%時，則進一步納入其他老年人、因身體或社會因素重症和死亡風險明顯較高的群體、參與接種的衛生工作者等類型。
　
在已經進入社區傳播的區域，不論是英國、日本、南韓，根據不同的在地參數所推算出的模型，高齡者、高齡者的照顧者、醫療衛生工作者都是在最優先的幾個順位。
　
那台灣的優先施打順位呢，可說是獨步全球。
　
除了醫護、急救人員（救護、消防、警察）、照護機構及人員，還有許多群體，排在年長者的前面。
　
指揮中心(6/9)最新公布的順位， 直接畫重點，#75歲以上長者，排序第6。
　
第一類：醫事人員
沒問題，很明確。
　
第二類：中央及地方政府防疫人員
　
昨天指揮中心說，第二類下已造冊人數，已經達到16.2萬人。在這之中，「維持防疫體系運作之中央及地方政府重要官員」到底包含哪些機關？各有多少人？那些層級以上才算是「重要官員」，至今外界一無所知。
　
今天副指揮官陳宗彥說，中央重要官員3300多人，包括總統府、中央部會、指揮中心第一線防疫工作人員，地方重要官員4100多人。
　
第三類：高接觸風險第一線接觸人員。包含國籍航空機組員、防疫車隊駕駛、防疫旅館、港埠作業等第一線工作人員。
　
第四類：因特殊情形必要出國者
　
第五類：機構、社福照顧系統之人員及其受照顧者及洗腎者。
　
多在各國最優先順位的照顧者，竟然排到了第五類。更不要說，有沒有包含占台灣家庭照護者六成數量的家事移工，猶未可知。
　
第六類：75歲以上長者。
　
第七類：維持國家安全及社會機能正常運作者。
　
這些排序屢經調整，原理原則為何？有沒有模型評估？不清楚。
　
為什麼65歲至74歲的長者不見了？為什麼重大傷病及罕見疾病不見了？沒有解釋。
　
特定人員順位往前不是不行，但一定有明確原因、具體範圍、清楚造冊，特別是屢屢引起爭議的第二類，否則如何以昭公信？
　
誠如林達檢察官所言（ https://reurl.cc/yEm9Ml ） ：「中央所訂優先類別看似明確，實則充滿灰色地帶，加上造冊程序闕漏，等於倉門洞開。前面優先類別若持續「放寬定義」，不斷「自我膨脹」，不同行業階層相互嫉妒仇視，老年優先施打年齡持續「調高」，如此不公，恐將造成民間嚴重撕裂，未來要如何重新團結？」
　
每一個國家的疫苗優先施打順序，有其社會疫情狀況與本地的背景。但是萬變不離其宗，原理原則要清楚，分類造冊要明確。
　
請指揮中心在擬定疫苗整體政策時，千萬別忘了疫苗對 #轉重症群死亡 的保護效用，盡快將脆弱的長者族群順位上移，特別是75歲以上的長者，優先保護讓生命脆弱性高的國民。
　
畢竟在死神面前，他們比我們更脆弱。