#營收發展策略倍增技術
對創業、公司來說,最重要的事情就是「活下去」,活下去就是要創造營收利潤,如果無法創造營收,就沒有辦法支撐事業成長,更遑論長期發展,發不出薪水就無法對員工交代。
如果這一關都過不了,就不用談理想的實現。
營收卡關,要回到原點思考:產品有市場需求嗎?如果有,那是品質不夠優異?還是做不出市場區隔?還是業務團隊方針不對?或是產品的蜜月期過了,正在等待回購?
創業家教練第一個主軸,營收發展倍增技術,致瑋老師帶著大家從基本的產品核心開始,市場定位、行銷策略、年度計畫、策略聯盟與MP矩陣,重新建立正確的概念。
誰需要建立這樣的觀念?老闆、一人工作室、新創者都需要。
新創者和一人工作室,在初期只能靠自己,如果有了正確的觀念,就能夠在短期內為自己規劃一套有效的被增營收方式,活下去,最重要!
企業主、CEO也需要,你不能期待你的業務團隊一定要知道怎麼做,如果什麼都交給他們,自己一問三不知,當團隊企劃、執行出現問題,你無法協助他們導正方向,公司賺不到錢,要怎麼活下去?
很多朋友問,這個軸線的課程可以單獨購買嗎?可以!我們聽到大家的需求,特別把本軸線的十堂課做一個整理,希望能夠幫助到更多老闆和新創者,協助大家的事業可以撐過第一年,繼續茁壯成長。
創業家教練第一主軸:營收發展策略倍增技術
課程內容:十堂課,每堂一小時
課程費用:一萬塊
觀看方式:專屬社團
繳費後有半年的社團使用權限,影片可以隨時回放,半年後會將您移出社團。
報名請私訊職人講堂。
同時也有7部Youtube影片,追蹤數超過2萬的網紅數學老師張旭,也在其Youtube影片中提到,【摘要】 本影片主要推導 Cayley-Hamilton 定理,並講解幾個 Cayley-Hamilton 的應用,後半段講解極小多項式的觀念,並利用極小多項式推測相似矩陣的 Jordan form 【加入會員】 歡迎加入張旭老師頻道會員 付費定閱支持張旭老師,讓張旭老師能夠拍更多的教學影片 ht...
求 正交矩陣 在 劉昱佑 Facebook 的精選貼文
先講結論,我正式畢業、正式登出臺大,剛拿到熱騰騰的畢業證書。
行人寥寥,樹影搖曳,再次回首臺大校園,感懷流年似水,六年時光就在聲息中飛速而過了。今天終於拿到畢業證書,心中才較為踏實了。這年來為了學業奔走,日夜孜矻,莫敢自遑。不能說有多少智識上的長進,但收穫頗豐,學術上的產出和軼事趣聞,讓人感到美麗而安穩。是較人虛長幾歲,但也不算白費。
·
真的很幸運,能在二十三歲的尾巴拿到第四個臺大學位、第二個臺大碩士,要談客家精神,大概已經發揮極致,畢竟只繳兩份學費。過程就像買菜送蔥,知識也讓人恬淡、平靜、滿足。除了份內的事,我也和師長同學有些著作,目前期刊一篇、研討會三篇,至於努力中的還有兩三個。回首過往,至少不是混過來的,但求心安理得。
·
不過,這些年來也遇到許多困難險阻,但幸有貴人相助,我銘感五內。雖然研究所雙主修制度推出三載,所辦、研教組和圖書館卻沒有預期到有人可以在制度內達標,從學分認定、畢業考試申請,到論文繳交,都是經過密切聯繫,想出解決方案。他們替我排除萬難,我點滴在心。剛從研教組職員手中慎重地接過證書,「你是臺大第一個喔,恭喜。」比起頭銜和證書本身,以經驗譜寫歷史,參與制度臻善,其實更令人滿足自信。希望後繼的學生,走的比我順利、比我安穩。
·
負笈臺北六年,誠要感謝爺奶父母及親族照拂,舅舅舅媽安置,讓我毫無後顧。倘若有聲名、有令譽,我要將一切獻于爾等。研究所兩年,我非常感謝恩師宏浩的知遇,他嚴格正直、真誠自然,不吝給予指教,我學到很多,是我大學四年所遠遠不及。此外我在師門也悠遊自在,老師除了指教,也願意給我各種支持和關照,讓我見名於共著期刊,首現SCI是莫大的榮典,我不勝感激,師恩難報。還有朋友、同學及愛人在精神上的扶助,同樣也是莫大的鼓舞,我亦是心懷感謝。
·
最近修論文煩躁,偶爾看奧運消息,令人振奮,國人無不為之喝采,選手的沈澱與積累,著實不易。但比起能夠分高下、競輸贏的場合,學術生活可能就沒法那麼熱血,甚至還有些枯燥。宏浩師曾經跟我說,學術做得好,你越要忍受孤寂。到頭來能跟你聊上話的,可能真沒幾個。相較萬眾矚目的威武,學術的競逐更像燃燒自己、創造知識,在幽冥中護持青燈,於黑暗裏匍匐前行。這種使命感無法獲得普羅大眾的共鳴,但於自我成就上,同樣具有豐富的建設性,精神已然十分富足。因此,看奧運也成為另一種鏡射,使我鞭策自勵。很高興在東奧結束前,碩士生涯也告一段落,不過研究生涯卻不會因此中輟。很喜歡做實證,不只因為實證可以玩玩資料、代代模型。實證是用積極的方法,做入世的研究。
·
記得天津南開大學的一段掌故,校長張伯苓找經濟系主任何廉辯論,他詰問何廉:「為什麼要建立這些商品的價格指數?你可以了解什麼?」何認為,透過價格指數的建構,有助於中國的科學建設。張伯苓卻批評,這樣的做法無疑是「用顯微鏡找大象」。在張的語境下是批評,我卻認為,「用顯微鏡找大象」就是學術的精神、學術的態度。用嚴謹細膩的方法,去探究看似無疑的問題。胡先生說「做學問要在不疑處有疑」大抵如是。更況民生商品是一個入世問題,要了解中國百業趨勢,價格指數扮演相當關鍵的角色。
·
會談這個故事,其實與我的論文有關,做的是農地價格指數。我與老師協力,利用配對法和Lasso,共同提出一個建構農地價格指數的新方法。農地價格指數在臺灣鮮有所見,我們的研究在方法上也解決了選樣偏差、特徵眾多所造成的多重共線性等等。在農地方面,無疑是大的斬獲、好的貢獻。我國歷來重農桑,面對這樣的問題,我們慎重地、小心地回答了。能夠參與如此神聖的事,我戒慎、感激而滿足。
·
當然,並非所有研究都順遂可期,而學術的過程中本身就充滿痛苦。這幾年來,我很能感同深受。但「學術溺水」實難透過求助收效,我唯一意識到的是,只有自己能夠真正幫助自己。直言之,自我排遣是研究生生活中的要事。雖然領域是計量經濟,文本中矩陣、算式、表格遠多於情感豐沛的文字,但人文的精神不能偏廢。我很感激,在這段時間裡,董橋小品相伴,陳之藩和周作人的散文也在一旁,高陽小說引人入勝,他們為我注入精神活水,是沛然莫之能禦的。此外,有珍饈美酒左右,也令人飽滿幸福。林語堂喜歡吃香港鏞記燒鵝,甚至為他題寫菜單。胡適熱愛馬丁尼,他有自己的秘方。老民國的金絲眼鏡高高穩穩地架在鼻翼上,一身鐵灰白柳西裝,案前不放筆墨紙硯,而是佳餚一桌瓊漿一壺,處處顯露學者的講究、學者的體面。我也好吃,愛肥前屋、吃麵屋武藏,享用浙菜必點韭黃鱔糊,點心要福州芋泥和布朗尼。偶爾也下廚,烹角煮、燒獅子頭,雖然無關學術,卻同樣在漫長的征途裏平添不少逸趣。
·
我真的很幸運,自己境遇好、運氣好,讀書可以讀的多,朋友交的雅。早歲得公器得頭銜,活到24歲還算不賴。董橋自謙坐穩一個又一個位子,那是僥倖,不是才情。不過董公是真實力,而我的情況大抵如前。最重要還是感謝所有協助我的親族師長、同僚與友朋,我永矢弗諼,只是暫時無以報厚恩,人生旅途再慢慢償還。
·
至於未來的規劃,可能先遷西湖鴨母嶺,安頓一番。承蒙恩師垂愛,我會續任研究助理,繼續完成未竟的研究。沒意外的話年底會先做兵,其他的事可能就走走看看。疫情可怖,卻也留給我時間想想,可能也不全然壞事。早歲許身公共事務,後來才漸漸覺得底子太薄、本領太小,政治工作是需要精密的計算而非算計。大衛伊斯頓對於政治的定義是社會價值的權威分配,如果不先學好計量、學好數學,其實也是忝居所司,令人惴慄。不過,學優才有資格分配,這是橫亙中外之理。薩伊德把知識分子刻畫的很清晰,他不斷強調知識份子的應該具有「良知」,也要和權威對抗,致使知識份子具有邊緣性。這種想法實與傳統相若,政治是推己及人,大概就是「君子不匱,永錫爾類」。無論身在何處,都要精進智識、懷抱溫柔,繼續影響周遭的人,這是我時刻提醒自己的。此一矜持,近來歲月格外受用。我的研究生生涯就要告一段落,黨代表也面臨卸任,由衷希求於此之際,同大家共勉。
·
最後,疫情當前,首要是多保重自己,願神恩能永顧,祈使體膚長健,萬事安康。謹守防疫規定之外,也別忘了幽默感,偶而逾矩的言詞、煽情的畫面也非不可,不要悶壞氣壞才好。話說多了,再講下去,可能要比我論文篇幅還長。總之我們還會再會,願在追求真知的道路上相遇,成為照耀幽暗的微明,繼續邁步,奮力前行。
·
歲在辛丑孟秋
筆于福州山麓
求 正交矩陣 在 台灣物聯網實驗室 IOT Labs Facebook 的精選貼文
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
求 正交矩陣 在 數學老師張旭 Youtube 的精選貼文
【摘要】
本影片主要推導 Cayley-Hamilton 定理,並講解幾個 Cayley-Hamilton 的應用,後半段講解極小多項式的觀念,並利用極小多項式推測相似矩陣的 Jordan form
【加入會員】
歡迎加入張旭老師頻道會員
付費定閱支持張旭老師,讓張旭老師能夠拍更多的教學影片
https://www.youtube.com/channel/UCxBv4eDVLoj5XlRKM4iWj9g/join
【會員等級說明】
博士等級:75 元 / 月
- 支持我們拍攝更多教學影片
- 可在 YT 影片留言處或聊天室使用專屬貼圖
- 你的 YT 名稱前面會有專屬會員徽章
- 可觀看會員專屬影片 (張旭老師真實人生挑戰、許願池影片)
- 可加入張旭老師 YT 會員專屬 DC 群
碩士等級:300 元 / 月
- 享有博士等級所有福利
- 每個月可問 6 題高中或大學的數學問題 (沒問完可累積)
學士等級:750 元 / 月
- 享有博士等級所有福利
- 每個月可問 15 題高中或大學的數學問題 (沒問完可累積)
- 可許願希望我們拍攝講解的主題 (高中、大學數學)
- 可免費參加張旭老師線上考衝班 (名額不可轉讓)
家長會等級:1600 元 / 月
- 享有博士等級所有福利
- 沒有解題服務,如需要,得另外購入點數換取服務
- 可許願希望我們拍攝講解的主題 (高中、大學數學)
- 可免費參加張旭老師線上考衝班 (名額可轉讓)
- 可參與頻道經營方案討論
- 可免費獲得張旭老師實體產品
- 可以優惠價報名參加張旭老師所舉辦之活動
股東會等級:3200 元 / 月
- 享有家長會等級所有福利
- 一樣沒有解題服務,如需要,得另外購入點數換取服務
- 本頻道要募資時擁有優先入股權
- 可加入張旭老師商業結盟
- 可參加商業結盟餐會
- 繳滿六個月成為終生會員,之後可解除自動匯款
- 終生會員只需要餐會費用即可持續參加餐會
【勘誤】
無,有任何錯誤歡迎留言告知
【習題】
無
【講義】
無
【附註】
本系列影片僅限 YouTube 會員優先觀看
非會員僅開放「單數集」影片
若想看到所有許願池影片
請加入數學老師張旭 YouTube 會員
加入會員連結 👉 https://reurl.cc/Kj3x7m
【張旭的話】
你好,我是張旭老師
這是我為本頻道會員所專門拍攝的許願池影片
如果你喜歡我的教學影片
歡迎訂閱我的頻道🔔,按讚我的影片👍
並幫我分享給更多正在學大學數學的同學們,謝謝
【學習地圖】
EP01:向量微積分重點整理 (https://youtu.be/x9Z23o_Z5sQ)
EP02:泰勒展開式說明與應用 (https://youtu.be/SByv7fMtMTY)
EP03:級數審斂法統整與習題 (https://youtu.be/qXCdZF8CV7o)
EP04:積分技巧統整 (https://youtu.be/Ioxd9eh6ogE)
EP05:極座標統整與應用 (https://youtu.be/ksy3siNDzH0)
EP06:極限嚴格定義題型 + 讀書方法分享 (https://youtu.be/9ItI09GTtNQ)
EP07:常見的一階微分方程題型及解法 (https://youtu.be/I8CJhA6COjk)
EP08:重製中
EP09:反函數定理與隱函數定理 (https://youtu.be/9CPpcIVLz7c)
EP10:多變數求極值與 Lagrange 乘子法 (https://youtu.be/XsOmQOTzdSA)
EP11:Laplace 轉換 (https://youtu.be/GZRWgcY5i6Y)
EP12:Fourier 級數與 Fourier 轉換 (https://youtu.be/85q-2nInw7Y)
EP13:換變數定理與 Jacobian 行列式 (https://youtu.be/7z4ad1I0b7o)
EP14:Cayley-Hamilton 定理 & 極小多項式 👈 目前在這裡
EP15:極限、微分和積分次序交換的條件 (https://youtu.be/QRkGLK7Iw4c)
EP16:機率密度函數 (上) (https://youtu.be/PR1NSAOP_Z0)
EP17:機率密度函數 (下) (https://youtu.be/tDQ3o8uQ_Ks)
持續更新中...
【版權宣告】
本影片版權為張旭 (張舜為) 老師所有
嚴禁用於任何商業用途⛔
如果有學校老師在課堂使用我的影片的話
請透過以下聯絡方式通知我讓我知道,謝謝
【張旭老師其他頻道或社群平台】
FB:https://www.facebook.com/changhsu.math
IG:https://www.instagram.com/changhsu.math
Twitch:https://www.twitch.tv/changhsu_math
Bilibili:https://space.bilibili.com/521685904
【其他贊助管道】
歐付寶:https://payment.opay.tw/Broadcaster/Donate/E1FDE508D6051EA8425A8483ED27DB5F (台灣境內用這個)
綠界:https://p.ecpay.com.tw/B3A1E (台灣境外用這個)
#克萊漢彌爾頓定理 #極小多項式 #喬登型式
求 正交矩陣 在 陳永隆博士的6D思維 Youtube 的最讚貼文
1. 6D思維工具箱
《相對論》你對,或許對方也對 (先假設自己的對不是唯一的對)
《格局論》跳出你和對方的立場 (以旁觀者的立場去發現各自的道理)
《洞悉論》深度探索對方的原因 (Why*5去探索對方可能對的答案)
《自否論》直接假設自己是錯的 (放下自己的正確,且假設自己是錯)
《開放論》讓你我他的正反聲音都出現 (廣納彼此和自反/他反彼此的聲音)
《智慧論》共識最大化衝突最小化 (交集優先,聯集次之,求同存異)
2. 6X6 幸福矩陣 (心法)
打開思維寬度,尊重不同聲音;
打開思維高度,包容不同世代;
打開思維深度,理解不同答案;
面對以往歷練,謙遜以對:
面對今日當下,活出平衡;
面對未來希望,樂觀幸福。
3. 6X6 幸福矩陣 (方法)
對人,小我如點,微不足道;
對事,正反觀點,各自成理;
對物,不同象限,各具意義;
對局,多元角度,大局為重;
時間,相對時態,相對長短;
場域,宇宙心靈,無邊無界。
4. 6D思維的道/法/術/器
5. 找出自己的幸福 Bingo
求 正交矩陣 在 7Car小七車觀點 Youtube 的最佳貼文
歷經近十年淬煉,The New Volvo XC60 在今年也正式邁入第二代大改款時程,此次原廠訴求其擁有完美比例外型設計、北歐風格內裝質感與化繁為簡 Sensus 人因智慧科技、SPA 創新矩陣底盤平台、Drive-E 節能高效動力、與先進 IntelliSafe 主動安全配備等六大特質,充分演繹 Volvo 以人為本的品牌核心理念。國內市場繼先前媒體試駕之後,總代理國際富豪也於台北進行正式發表,如同先前預售所公布的訊息,這次國內市場共提供 4 種動力編成以及 6 款車型,售價方面,D4 Momentum : 222 萬元、T5 Momentum : 229 萬元、T5 R-Design : 249 萬元、T6 Inscription : 259 萬元、T6 R-Design :264 萬元、T8 Inscription : 299 萬元。
延伸閱讀:http://www.7car.tw/articles/read/45379
更多資訊都在「小七車觀點」:https://www.7car.tw/