關於 前瞻性研究定義 ，我們在網路上蒐集到這些相關的討論、資訊與評價

急性心衰竭 (心衰竭指引 ESC guidelines, 2021)

Part 2~~

key words:
AHF: 急性心衰竭(Acute heart failure)
ADHF: 急性失償心衰竭(Acute decompensated heart failure)
Cardiogenic shock: 心因性休克
MCS：機械式循環輔助 (Mechanical circulation Support)
RRT：腎臟替代療法(Renal replacement therapy)
Natriuretic peptides (BNP, NT-proBNP, MR-proANP)
MR-proANP = mid-regional pro-atrial natriuretic peptide
NT-proBNP = N-terminal pro-B-type natriuretic peptide

AHF流行病學、診斷和預後

AHF 是指 HF 的症狀和/或癥兆迅速或逐漸發作，嚴重到足以使患者尋求緊急醫療照護，導致意外入院或急診就診。AHF患者需要緊急評估，隨後開始或積極治療，包括經由靜脈治療或裝置步驟。AHF在院內死亡率為4%-10% 。出院後一年死亡率: 25–30%，死亡或再入院率高達 45% 以上。

AHF 可能是 HF第一次發作，或者是由於慢性 HF 的急性失償。與急性失償心衰竭相比，新發HF患者的院內死亡率可能較高，但出院後死亡率和再住院率較低。

AHF的診斷檢查包括心電圖、心超、胸部X光、檢查和肺超檢查。尤其無法檢測Natriuretic peptides(NP)時。如果診斷無法確定是否心因性心衰竭時，則檢驗血漿 NP數值（BNP 或 NT-proBNP 或 MR-proANP）。

NPs正常：排除AHF 的診斷。
急性 HF 的臨界值是：
BNP <100 pg/mL、
NT-proBNP <300 pg/mL
MR-proANP <120 pg/mL。

但NP值升高與多種非心臟疾病相關， 在一些患有晚期失償末期HF、肥胖、突發性肺水腫(flash pulmonary edema)或右側AHF的患者可測得低值NP。有AF和/或腎功能異常，其NP數值較高。

AHF診斷流程
• 初步驗血檢驗包括肌鈣蛋白(troponin)、血清肌酐、電解質、血尿素氮或尿素、TSH、肝功能檢查及D-dimer(疑似肺栓塞)；和procalcitonin (感染)，動脈血氧分析(呼吸窘迫)，以及lactate(低灌注的情況)。(註：procalcitonin降鈣素原可用於肺炎的診斷，數據 >0.2 μg/L 時，可能有使用抗生素治療的適應症。)
• 特定檢查包括冠狀動脈造影（疑似 ACS）和 CT（疑似肺栓塞）。
• 急性心衰診斷的NT-proBNP臨界值：
<55歲：> 450 pg/mL
55 -75 歲：> 900 pg/mL
> 75 歲> 1800 pg/mL

AHF臨床表現

AHF呈現四種主要的臨床表現，主要根據充血和/或外周血流灌注不足的原因所呈現出來不同的臨床表現。(參考表21)

四種臨床表現分別是：
1.急性失償心衰竭
2.急性肺水腫
3.孤立性右心室衰竭
4.心因性休克

各種急性心衰竭的臨床表現：

1.急性失償心衰竭(Acute decompensated heart failure, ADHF)
急性失償心衰竭 (ADHF) 是 AHF 最常見的形式，佔臨床表現的 50-70%。它發生在有HF病史和心臟功能異常，包括 RV 功能異常。與急性肺水腫表型不同，發作時程呈現漸進，主要變化是導致全身充血，液體滯留。
治療：
a. 使用環利尿劑，減少水份滯留。
b. 強心增壓劑(Norepinephrine)：於周邊低灌注時使用。
c. 短暫使用機械式循環輔助(MCS)：於周邊低灌注，器官受損時使用
c.腎臟替代療法(RRT: Renal replacement therapy)：如果利尿劑無效或腎病末期時，可考慮使用RRT (Class IIa)

2.急性肺水腫
急性肺水腫診斷的臨床標準包括:
呼吸困難合併端坐呼吸、
呼吸衰竭（低血氧症-高碳酸血症）、
呼吸急促、
>25 次/分鐘和呼吸功增加。

治療：
a. 給予氧氣，持續氣道正壓通氣、非侵入性正壓通氣和/或高流量鼻管。
b. 給予靜脈利尿劑。
c. 如果收縮壓 (SBP) 高，可以給予靜脈血管擴張劑，以減少 LV 後負荷。在少數晚期 HF 病例中，急性肺水腫可能與低心輸出量有關，在這種情況下，需要使用強心劑(Inotropics)、血管加壓藥(vasopressors)和/或MCS 來恢復器官灌注。

3. 孤立性右心衰竭 (Solitary RV Failure)
a. RV 衰竭是由於 RV 和心房壓力增加以及全身充血。RV 衰竭也可能損害 LV 填充功能，最後導致心輸出量減少。
b. 利尿劑通常是治療靜脈充血的首選藥物。
c. Norepinephrine，強心劑、血管加壓劑：適用於低心輸出量和血流動力學不穩定。可能優先選用能降低心臟充填壓的強心劑, 如，levosimendan, phosphodiesterase type III inhibitors。
d. 由於強心劑可能會使動脈低血壓更嚴重，必要時，可以與norepinephrine合用。

4.心因性休克
心因性休克是由於原發性心臟功能異常導致心輸出量不足的症候群，包括危及生命的組織低灌注狀態，可導致多器官衰竭和死亡。

心因性休克的診斷要件：

灌注不足的臨床症狀：例如四肢冷汗、少尿、精神錯亂、頭暈、脈壓變窄、低灌注。血清肌酐升高、代謝性酸中毒和血清乳酸升高，反映出組織缺氧和細胞代謝改變導致器官功能障礙。低灌注並不常合併低血壓，因為可以通過代償性血管收縮（使用/不使用升壓劑）來維持血壓。

應儘早開始治療心因性休克：早期識別和治療潛在原因。
尋找病因(口訣：CHAMPIT)：(see photo)
包括急性冠心症，高血壓急症，快速心律不整，嚴重心搏過慢，傳導阻滯，機械性原因(如，急性瓣膜返流，急性肺栓塞，感染，心肌炎，心包填塞)

嚴重休克病人則需要考慮將MCS(Class IIa)作為移植的過渡時期使用。

急性心衰竭的藥物治療：

利尿劑
靜脈利尿劑是AHF治療的基本。它們增加鈉和水份的排泄，適用於治療大多數AHF患者的體液過度負荷和充血。
a. Furosemide: 起始劑量為 20-40 mg，或靜脈推注 10-20 mg。Furosemide可以每天 2-3 次推注或連續輸注。由於給藥後，會有鈉滯留的可能性，因此不鼓勵每日單次推注給藥。連續輸注時，可使用負荷劑量以更早達到穩態。
b. 利尿劑治療開始後應立即評估利尿反應，並可通過在2或6小時後進行當時尿鈉含量(urine sport sodium) 和/或通過測量每小時尿量來評估。
c. 適當的利尿反應可以定義為2小時後，尿鈉(urine spot sodium) >50–70 mEq/L and/or
d. 前6小時尿量 >100–150 mL/h。
e. 如果利尿反應不足, 環利尿劑IV劑量可以加倍，並進一步評估利尿反應。
f. 如果利尿反應仍然不足，即使利尿劑劑量加倍，但每小時利尿量<100 mL，可以考慮同時使用其他作用於不同部位的利尿劑，即thiazides, metaolazone, acetazolamide。但需要仔細監測血清電解質和腎功能。

血管擴張劑
a. 靜脈血管擴張劑，如nitrate，可以擴張靜脈和動脈，因此減少靜脈返回心臟，充血減少，後負荷降低，增加心搏出量，因此緩解症狀。
b. Nitrate主要作用於靜脈，而nitroprusside則是動靜脈擴張。由於它們的作用機制，靜脈注射後，血管擴張劑可能比利尿劑更有效。急性肺水腫是由於後負荷增加和液體重新分配到肺部，而沒有周邊積液。
c. 當 SBP > 110 mmHg 時，可以考慮使用靜脈血管擴張劑來緩解AHF症狀。它們可以以低劑量開始並逐漸增加以達到臨床改善和血壓控制。應注意避免因前負荷和後負荷過度降低而導致的低血壓。因此，對於 LVH 和/或嚴重主動脈瓣狹窄的患者，應謹慎地使用。

強心升壓劑 (Inotropes)
a. 低心輸出量和低血壓患者的治療需要強心升壓劑（見表 22）。使用於左室收縮功能障礙、低心輸出量和低收縮壓（例如 <90 mmHg）導致重要器官灌注不良的情況。必須從低劑量開始謹慎使用，並在密切監測下逐漸增加。

b. Inotropes其是那些具有腎上腺素能機制的藥物，可引起竇性心動過速，增加 AF 患者的心室率，可能誘發心肌缺氧和心律異常，增加死亡率。

血管加壓藥(Vasopressors)
a. Norepinephrine具有顯著動脈收縮，適用於嚴重低血壓患者。主要目的是增加對重要器官的灌注。但會增加 LV 後負荷。因此，可以考慮同時併用Intropes + Norepisnephrine，特別是對於晚期 HF 和心因性休克的患者。

a. 休克患者第一線血管加壓藥的比較：Dopamine vs Norepinephrine，顯示在心因性休克患者Dopamine發生較多的心律不整，和死亡率。但低血容量或敗血性休克則沒有。

b. 在另一項前瞻性隨機試驗中，在急性 MI 引起的心因性休克患者中比較了Epinephrine vs Norepinephrine，由於頑固性心因性休克發生率較高，該研究提前終止。

c. Epinephrine會有較快的心率和乳酸中毒。儘管存在樣本量相對較小、追蹤時間短以及缺乏有關最大達到劑量的數據，但該研究表明Norepinephrine有較好的療效和安全性。這些數據與一項包括 2583 位心因性休克患者的綜合分析一致，顯示與Norepinephrine相比，心因性休克患者使用Epinephrine的死亡風險增加了三倍。因缺乏有關劑量、持續追蹤時間，和病因，使這些結果仍需進一步探討。

鴉片類製劑(Opoid)
a. Opoid類藥物可緩解呼吸困難和焦慮，在非侵入性正壓通氣期間用作為鎮靜劑，以改善患者的適應能力。 副作用包括噁心、低血壓、心搏過緩和呼吸抑制。
b. Morphine給藥與會使機械通氣頻率更多、住院時間延長、重症監護病房入院次數增加和死亡率增加。因此，不推薦在AHF中常規使用opoid類藥物。嚴重頑固性疼痛或焦慮治療的情況下，亦可考慮使用opoid類藥物。
c. SBP <90 mmHg時，勿用Morphine.
d. Morphine會抑制呼吸，使用時特別注意呼吸狀況及保持呼吸道通暢。

Digoxin
a. AF患者使用了乙型阻斷劑，但仍有心室心率過快(AF with RVR) (>110 b.p.m.) ，可考慮使用Digoxin。
b. 如果未曾使用過Digoxin，可以靜脈推注 0.25–0.5 mg。
對於CKD或影響Digoxin代謝的其他因素（包括其他藥物）和/或老年人，維持劑量可能難以理論上估計，應檢查血清Digoxin level。

血栓栓塞預防
a. 推薦使用肝素（例如低分子量肝素）或其他抗凝劑預防血栓栓塞。
c. 若正服用服抗凝劑或禁忌，則不需使用肝素。

短期機械式循環輔助(MCS)
a. 心因性休克可能需要短期 MCS 以增加心輸出量和維持器官灌注。
b. 短期 MCS 可用作恢復前(BTR, bridge to recover)，治療策略決定前(是否繼續積極治療或視為無效醫療, BTD, Bridge to decision) 暫時過渡期的使用。臨床研究證據仍然很少。因此，不支持在心因性休克患者中未經選擇地使用 MCS。
c. 心因性休克 II (IABP-SHOCK-II) 研究中的IABP-SHOCK-II顯示，主動脈內球泵浦 (IABP) 和合適藥物治療之比較，於心因性休克患者接受早期血管再灌注的急性 MI 後之休克中，30天和長期死亡率沒有差異。根據這些結果，不推薦 IABP常規用於 MI後的心因性休克(Class III)。然而，其他非ACS引起的心因性休克，對藥物治療無效，IABP作為BTD、BTR ，仍有幫助(Class IIb)。
d. 在小型隨機試驗和傾向匹配分析中將其他短期 MCS 與 IABP 進行了比較，但結果不確定。ECMO與 IABP或 MT進行比較的RCT亦無確定結果。
e. 一項僅包括觀察性研究的綜合分析顯示，與對照組相比，接受靜脈-動脈 (VA-ECMO) 治療的心因性休克或心臟驟停患者的預後良好。 VA-ECMO 也可用於治療暴發性心肌炎和其他導致嚴重心因性的疾病。
f. 根據心肌功能異常和/或合併二尖瓣或主動脈瓣閉鎖不全的嚴重程度，VA-ECMO 可能會增加 LV 後負荷，同時增加 LV 舒張末期壓力和肺充血。在這些情況下，可以通過經中隔/心室心尖通氣口或使用解除LV 負荷（例如 Impella 裝置） 。

本文出處：
https://reurl.cc/VEy9Gn

Ref:
European Heart Journal (2021) 00, 1-128
https://academic.oup.com/eurheartj/advance-article/doi/10.1093/eurheartj/ehab368/6358045#292214341

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

本會期總質詢簡要內容

在新冠疫情衝擊下，11月26日公布的《109年10月觀光市場概況摘要》， 10月來臺旅客僅有18,982人次，與去年同期相較，負成長97.75%。累計今年1至10月來台旅客人次，僅有133萬人次，較去年973萬人次，足足少了840萬人次，大幅衰退86.28%，是近40年來最差的紀錄。

然而疫情至今尚未趨緩，各國的確診人數都持續在增加中，且政府積極推動的新南向政策不管從觀光、貿易都未獲得好成果。

而因疫情影響，日月潭環景區截至今年9月，遊憩人數較去年減少200萬人次，清境農場也減少近60萬人，對於周邊的產業造成嚴重影響。以旅宿業者來講，南投縣觀光旅館住用率自今年年初開始，雪崩式的下滑後因暑假開始但無法出國並搭配國旅，才逐漸有所起色，然相較於前面幾個月的虧損，並無法有效填補虧損。

另根據觀光局統計，今年截至10月底止，已有71家旅行社停業，對比去年同期僅37家，停業家數幾乎翻倍，甚至連華航旗下的華旅都宣布停業，觀光業界在疫情下一直有裁員的情況。

發展基金一年各項費用支出金額在60億元上下，但近三年除了本身的業務支出，為了支援國旅補助不斷坐吃山空，明年也開始舉債。

對於我國觀光發展來說，基金的用罄不僅是業者失去補助，更是對於我國觀光業的一大警訊，觀光發展基金主要用途並非拿來補助國旅，而這也間接導致我國觀光補助轉趨保守，然經國際相關組織評估，疫情恐將於2022方能趨緩，這兩年內觀光旅遊業者，恐面臨更嚴重之衝擊，到時也會遇到沒有經費可用的狀況。

除此之外，交通部轄下的多個基金都出現舉債的狀況，包含民航基金、觀光基金、國道基金、鐵道基金，明年開始幾乎都進入借錢時代，民航基金規劃明年舉債300億，觀光基金明年也要舉債60億，國道基金則預估111年開始同樣要舉債476億。

相關基金的困窘，勢必影響我國的基礎建設及觀光發展。雖今年已經度過，但未來若疫情持續延燒在經費不足的狀況下，行政院應積極研擬對策。

要發展南投觀光第一要件就是交通，盤點南投交通資源相對不足
1、鐵路
集集線因屬觀光為主的鐵路線，沿途停靠站以觀光景點為主，對於成為縣內民眾所使用的替代大眾運輸可行性低，目前規劃交高鐵彰化站和集集觀光銜接強化其觀光，強化其觀光運輸量。
但對於縣內民眾的交通運輸量能並無提升。

2、高鐵
南投沒有高鐵站，要搭乘必須到台中或彰化，多數以台中為主。高鐵2007年通車至今也已經13個年頭，中部地區的旅客進出量也逐漸提升，且自高鐵通車以來台中車站就為第二大車站，2017年開始進出站旅客都突破千萬，對於中部路網提供充分的運能，然而中部生活圈並非所有縣市都能夠獲得高鐵所帶來的便捷性，以南投為例，接駁車輛短少，如台鐵一樣，南投並沒有高鐵，僅能透過搭抵台中再透過轉乘運輸的方式前往南投各地，且轉乘路線班次稀少，造成民眾及遊客的不便，對於南投民眾來說還是以自行開車為主要選項，並無法達成政府推廣大眾運輸之美意。

3、國道
承上所述，南投因大眾運輸不便，故進出都依靠國3、國6兩條高速公路，然而隨著近年南投觀光旅客逐年增加，每逢連假國道就會呈現塞車的狀況，甚至會關閉閘道對於當地居民及旅客來說是苦不堪言，在交通委員會時就多次向交通部長提及此事，部長也承諾會來研擬改善方案，但尚未有所結果。

再者，國道客運目前行經南投的只有8條其中四條是中彰地區往返南投，另外四條為北部地區，從南投搭國道客運最南僅能到嘉義，這也顯示出南投國道客運的量能不足，在南投僅有國道為主要幹道時，卻沒有足夠的大眾運輸量能協助疏緩車流量，這也一再造成塞車的情況，然而從過往至今政府積極推動南投觀光的情況下，對於南投路網的完善卻毫無協助，僅會造成來訪遊客帶著塞車的回憶離開，也會對當地居民造成影響。

南投因為有充足的觀光資源，故獲得遊客的喜愛，然長年以來交通路網的不足，加上遊客數量的增加，現有路網早已不堪負荷大量的車潮。再者，南投景點之間大眾運輸工具的連結度不足，造成要往南投遊憩多需要自行開車方能一覽南投的湖光山色，這也變向增加南投的車流量，有鑑於此交通部應做妥善規劃。

日月潭也是CNN網站上公布的「2016年全球熱門旅遊景點」之一，但依據106 年國家風景區遊客滿意度調查報告，若以民眾自出發地前往日月潭運具使用特性分析，可發現 58.90%的受訪遊客仍以自小客車為主要使用運具，另外有97.16%的受訪遊客表示，未來願意再重遊日月潭國家風景區內的景點，但其中交通不便(50.00%)占待改善意見之最多數，可見大眾運輸改善空間相當大，每逢連假停車位不足的問題更是令造訪遊客相當困擾，要根本解決該問題，便是提高大眾運輸的覆蓋率及搭乘率，如同上述所言，日月潭目前只有台灣好行和公路系統能夠支應，大眾運輸只是相對環保的選擇，對於日月潭這個國家級風景區可以有更前瞻性及再升級的作法。

日月潭國家風景區在民國103-105年由環保署主導正式成立全台首座「國家級低碳旅遊智慧觀光風景區」，配合交通部、經濟部、日月潭風景區管理處、交通部運輸研究所及工研院等展開跨部會合作，並同步配合專案改善交通載具，讓遊客可以電動公車、電動汽車、電動船、纜車及自行車串連，享受全方位的低碳旅程，可惜專案在105年就結束了，為推動低碳智慧觀光該計畫有其必要性，行政院106年核定的國家因應氣候變遷行動綱領明確記載，溫室氣體減緩要發展綠運輸，提升運輸系統能源使用效率;發展公共運輸系統，加強運輸需求管理;建構綠色運輸網絡，推廣低碳運具使用，建置綠色運具導向之交通環境及提升運輸系統及運具能源使用效率。故在此要求院長增加日月潭的大眾運輸便利性，並以綠色載具為考量選項。

另中天關台的爭議還未過去，但NCC的追殺卻還沒有結束，ＮＣＣ11日在臉書發文，在中天新聞台被下架、全面轉戰YouTube當天，ＮＣＣ臉書粉絲團突然發布講述美國對於ＩＳＰ（網際網路服務供應商）判例的貼文，似暗示中天就算在網路播放，依然有法可管，引發外界批評是在警告中天。

OTT專法在交通員會已經討論多次，多數委員都有不同的意見，公聽會上多數業者和學者也都秉持保留態度，其中草案第13條更是最多爭議項目，條文中規定只要NCC認定內容「妨害國家安全」、「妨害公共秩序」、「善良風俗」，經限期改正未改正，最高也是可罰100萬元，並得按次連續處罰；草案第14條也規定，網路視聽服務事業一定要共同成立或加入自律組織，遵守團體自律規範。若不照辦，也是最高罰50萬元，並得按次連續處罰。

現階段NCC主要的工作是保障而非管制，連業者的現有問題都無法協調解決，政府也沒有給予相對資源之下，國內業者又面對無限制的國外業者挑戰。

OTT平台的種類非常多：有正版、盜版、UGC、PCG、SVOD、AVOD，該產業的多樣性及變化性，對照政府僵化般的監管，完全扼殺了該產業的可能性，更有可能變相加大國外平台的優勢，對於國內業者而言，都希望政府低度管理且重於扶植。

若再為了特定業者而設立的專法，在出發點就有爭議，公聽會上許多業者也不認同專法的內容，認為欠缺整體產業發展及周延考量。

整部OTT專法內容讓我們分不清楚政府究竟是要鼓勵還是限制產業發展，政府不能想要政治性的解決所有問題，用一勞永逸的心態面對異議，對於抓大放小的定義完全不明，例如專法第六條及第八條都可能會讓國外廠商或非法業者佔有優勢，相關的數據內容個可能是營業機密，主管機管如何確保資訊不外洩，這部分要請相關單位再研議。