#追尋超凡 #人際關係的入門課
你可能已經和一、兩個人建立起超凡關係了——說不定還更多。在這種關係裡,你覺得對方已經看見、認識並接受你真正的樣子,而不是加工過的版本。Instagram上的幾百位朋友可能知道你上星期在一家高級餐廳點了什麼晚餐,但和建立起超凡關係的人知道,其實你多年來一直飽受食物過敏所苦,或是那一晚你和伴侶用餐時討論到共組家庭一事,或其實你是為了討論辭掉目前工作的利弊約這頓晚餐。
這些問題,你不會和高中畢業後就沒再見過面的朋友討論,也不會和平常共乘通勤的對象聊,而你偶爾問候一下的阿姨也與此無關。
然而,和你建立起超凡關係的某人,會真的知道你發生什麼事,是因為這個人真的了解你。
人際關係是連續不斷變化的存在。在光譜這一端,你覺得雙方的接觸沒有產生真正的連結,但是在光光譜另一端,你的感覺是自己被了解、支持、肯定與完全接納。當你處在這段連續體之間,會覺得和身邊的人緊密相連,但還渴望與更多人產生更緊密的連結。
問題是,你該怎麼做?要怎麼在連續體中移動呢?我們這輩子已經對數以千計的學生和客戶回答過以上問題,現在要來回答你。
超凡關係確實可以建立。這種關係有六項特徵:
1. 你更能做真實的自己,對方也是如此。
2. 你們都願意互相展現自己脆弱的一面。
3. 你們相信自我揭露不會變成對方拿來攻擊的把柄。
4. 你們可以對彼此坦誠。
5. 你們用有建設性的方式處理衝突。
6. 你們都投入彼此的成長和發展。
我們先簡單做個解釋。
前三項談的是自我揭露。很多人都說我們的文化已經自我分享過頭了,為什麼還要談這個呢?因為精心呈現的形象和分享你的真實樣貌是兩件不同的事。奧斯卡・王爾德留下的諸多妙語中,有句話相當犀利:「做你自己吧,其他角色已經有人演了。」人有太多時候因為怕別人給予負面評價,因此會對自我揭露的內容進行加工。
在社群媒體創造出的世界中,我們被迫要把每件事都包裝到很正面。發布在臉書上的照片,可能是你微笑站在艾菲爾鐵塔前,但實情是那趟旅行糟得要命。我們認識的矽谷執行長們提到,他們必須沒完沒了地把自己做的每件事都形容得「超厲害」,但疲倦、恐懼和過勞卻也是矽谷當地再真實不過的現實處境。
維持這些虛偽外表讓人心力交瘁。加工和美化你的模樣,不僅會讓你失去展現真實的能力,也會促使其他人美化自己的形象。我們的意思不是建議你把所有事都告訴單一某人,但在一段特別的關係中,你需要把具重要性的部分自我分享給對方。你所分享的應該是真誠、完全真實的自己,而不是用面帶微笑的度假照片或語氣歡欣的佳節祝賀詞堆砌出來的你。
至於後三項特徵,是和回饋、衝突有關。對他人提出質疑,其實也是一種強而有力的支持,只不過很少人相信自己能做好這件事。和你建立起超凡關係的人點出你身上某個令他們不快的行為,當他們真的這樣做了,你會知道此刻是自己學習的機會,不需升起防備心。而他們也知道,藉由幫助你理解自身行為造成哪些影響,就是在展現他們對這段關係的投入,並且幫助你成長。
爭吵無法避免,即便是最良好的人際關係亦然。(你稍後會看到,我們兩位作者就是實例!)然而,當你害怕起衝突時,引發衝突的刺激因素就會這樣被你埋掉了,如果你指出刺激因素,並成功處理掉它,這段關係反而能因此深化。
沒有攤開說清楚的衝突,照樣可以產生危害。在一段超凡關係中提出及解決問題,會比身處其他關係來得簡單,而且問題就不會再潛伏暗處,引發長期傷害。你會把挑戰看作學習機會,同樣的難題再次出現的機率就下降了。
我們接下來會直白地說明,打造更有意義的人際關係究竟需要花多大力氣,隨之而來又有多大好處。我們都見識過這種關係型態對友誼、婚姻、家族系統及職場同事會帶來多麼深遠而明確的影響。也知道運用我們所教導的事,可以產生更穩固、更快樂也更深刻的人際關係,並減少不必要的衝突。當你和對方都感到安全且可以彼此坦誠,關係中的成長機會就變得無限大。一旦你們的互動都處於最真實的狀態時,行為模式就轉變了。到了最後,超凡關係不只是一套技巧和技能而已,更是一種迥然不同的存在方式。讓你感到神奇的事物就藏在裡頭。
--
📖 本文摘自《史丹佛人際動力學:連開50年的課,教你好關係從真情流露開始》,作者大衛‧布雷弗德為史丹佛大學商學院名譽高級講師;凱蘿‧羅賓則為史丹佛大學領導學Dorothy J. King講師,兩人皆專精人際關係教學,尤其是以體驗式小組學習而享譽國際。
閱讀紙本書 https://reurl.cc/EZ7dyR
看看電子書 https://readmoo.pse.is/3mg8zq
同時也有1部Youtube影片,追蹤數超過40萬的網紅糖餃子Sweet Dumpling,也在其Youtube影片中提到,嗨!大家好,我是 Cassandre, 今天的『食不相瞞』,我們要跟大家分享一款簡單優雅、怎麼做怎麼好吃的甜點:法式古典巧克力蛋糕 (Gâteau Au Chocolat, French Classic Chocolate Cake)。 誰說創新的才能被欣賞?那些有點老派、口味單純,但𠩤料簡單、製...
微矽電子評價 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳解答
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
微矽電子評價 在 朱成志的華山論劍 Facebook 的最讚貼文
這樣的天才,是任何國家都期望的人物,⋯⋯
本篇報導內容很長,但值得一看.
~~~*****~~~
比爾蓋茨公開批評~川普。
「你不信任任何中國人,不信任華為、不信任中國科學家、
不信任中國程序員等技術人員。那麼世界上,就沒有其他科學家能值得你信任!」
比爾蓋茨為何這麼說?因為有個神秘的中國大伽,疫情期突然返回其祖國效力了!
這個中國人的履歷,
可以用「王者」來形容,他是美國所有巨頭公司裡,職位最高的中國人!也是矽谷科技圈最有權勢的中國人!
一個攪動世界20年的風雲人物,竟在危險的疫情期毅然返國!
他,就是 *沈向洋*。
1966年出生的沈向洋,太聰明也太「逆天」了,人生扶搖直上:
12歲,別人才讀初中,他已經初中畢業;接著初中只讀了兩年,不滿14歲,就考進南京大學,
20歲左右,就獲得了 *香港大學,電機電子工程系碩士學位!*
之後,沈向洋考入美國最頂尖的計算機學院~卡內基·梅隆大學,攻讀博士學位。
博士畢業,沈向洋選擇人工智能作為未來事業發展方向,
別看今天人工智能,
在全球都很吃香,可在30多年前,這一領域根本乏人問津,因那實在太冷僻也太遙遠了。和誰聊一下「人工智能」,一定會被當作「瘋子」看待。
但是沈向洋卻認定了這個全世界最前衛的研究,因在科研人的眼裡,30年後的未來,實已近在眼前。
1994年,當他公佈,
第一個人工智能三維全真模型時,全世界幾乎還沒有人,在這一個領域進行類似的工作;
在他寫的論文裡面,有世界上最早由照片轉換成虛擬現實的研究,他設計的「四分樹樣條數函數法」,則是世界上最好的運動參數估計算法。
在那個中國留美博士,還不受重視的年代,沈向洋直接被蘋果公司、微軟公司發聘書爭搶。他最後選擇了微軟,這個全球最知名的美國巨頭。優秀如他,即便是在高手如雲的美巨頭企業里,仍舊能「玩轉江湖」!
沈向洋一出手,
就開發出微軟的北美第二大搜索引擎:
必應(Bing);
還有情感機器人,
微軟人工智能:小冰.
而那些年,中國因高科技的落後,遭受到國外的企視,尤其像微軟這樣的巨頭企業,高管陣營裡,幾乎沒有中國人的容身之地。
但是沈向洋,打破了國外對中國的偏見!
2004年,
沈向洋成為微軟亞洲研究院院長,兼首席科學家,那時他只有38歲,卻達到別人50歲才能走到的高度!
2006年,
他成為世界最大的頂尖學會:
IEEE會士(電氣和電子工程師協會)
2007年,
沈向洋人生最高光的時刻,微軟給了他最高級別待遇:
全球資深副總裁!
在美巨頭企業里,有個不成文的規定,
副總裁職位必須是美國國籍,可沈向洋20多年供職微軟,從始至終都保持中國籍,
即便是高高在上的副總裁職位,他都沒有要加入美國籍,而美國方面為了留住他,做了很大的讓步!
從此,沈向洋成為美國所有巨頭公司裡,
職位最高的中國人!
也是矽谷科技圈最有權勢的中國人!
在國際巨頭屈指可數的華人高管之中,他是微軟的王牌,也被稱為「人工智能之父」攪動世界人工智能風雲20年!
也許有人會問,
百度總裁陸奇博士當年回國時,不是說也代表人工智能最高水平嗎?
不錯,陸奇確實是一位傳奇人物,但陸奇當年能進入微軟,實是得益於師兄沈向洋的推薦!
在國外看來,美國科技圈及人工智能領域,沈向洋才是首席科學家,甚至高出陸博士半個身位。
麻省理工學院這樣評價:
如果你在感情上難以支持微軟,那是你還未曾遇見沈向洋 。
微軟研究院創始人里克·雷斯評價:
沈向洋讓微軟亞洲研究院,發展到了難以置信的高度。
歐美給了他最高級別的待遇:美國國家工程院外籍院士、英國皇家工程院外籍院士。
2011年,
他獲得全美亞裔年度傑出工程師大獎;
2014年,
微軟公司年度技術領袖獎......
對全世界來說,
沈向洋
就是中國在IT界(人工智能),幾乎能碾壓所有人的「神」,他站在那裡!
履歷輝煌的華人之光,但因他的低調,除了人工智能界視他為「男神」,
而在普通人看來,他是神秘而不為人知的。
他一舉激起千層浪。
微軟突然宣佈,
沈向洋因個人原因辭去副總裁職位,
2020年2月回國。
什麼樣的個人原因?微軟沒有多說,
有相關人士分析,
是因半年來美國對華為不擇手段的打壓,激起了沈向洋的愛國義憤。
畢竟他心裡一直有中國。
早在1998年他在微軟剛立足,看到國內人工智能的落後,就馬上跑回北京,參與創立微軟中國研究院,後更名微軟亞洲研究院,並擔任計算組主任。
這個研究院的創立,對中國而言意義十分重大,它是人工智能的一座里程碑,堪稱中國IT界的「黃埔軍校」。
十多年來,沈向洋不斷將微軟先進技術,引進中國市場。
2004年,
在他成為微軟亞洲研究院院長後,更將這所研究院,辦成了中國科技界人才鼎沸的搖籃,一共走出了7000多名院友,
堪稱撐起中國人工智能的半壁江山:
其中200多位院友,
在世界各地頂尖高校執教;35位院友,是美國電子電氣工程師協會、
美國計算機協會,或美國人工智能學會會員;
超過15位院友在500強企業,和中國互聯網企業巨頭:如阿里、百度、小米擔任總裁,現在阿里巴巴的大佬王堅、小米創始人林斌等,就都在裡面學習工作過。
這所研究院,
被《麻省理工學院技術評論》譽為,
世界最火計算機實驗室。
有人問,沈向洋的貢獻有多大?
業內權威的說法是:
他帶動了中國的人工智能領域。
這樣一位享譽世界的「風雲大佬」,
去年決定要辭職回國了。
微軟中國做了一件從沒幹過的事,發佈一封感謝信,
將沈向洋稱為「微軟的中國先生,
中國的微軟大使」,
還說「廿三歲月,赤子之心!
縱有萬千語,難訴離別情!」
都離職了,還這樣不捨,
微軟從來沒有對一個中國人這樣重視!
媒體打的標題是:
沈向洋離職,美科技巨頭再無華人高管。
美國多次輓留,也有很多人不理解,
沈向洋都走到人工智能的巔峰了,
美國也給了最好的待遇,他還缺什麼?
其實原因很簡單,再多的錢,買不來沈向洋的心。
2020年2月,是他計劃回國的日子,可突如其來的疫情,將他阻隔國門外。
一些幸災樂禍的人又跳出來:
「中國經濟因疫情受到打擊,沈向洋肯定不會回去了,疫情那麼嚴重他敢回嗎?經濟那麼低迷他能回嗎?」
確實,
當時疫情席捲中國,是最嚴峻的時刻,
很多海外人才都在觀望,
有哪個科學家,敢冒險呢?
而兩個月來,
沒有任何關於沈向洋的消息,就連很多國人都開始覺得,沈向洋不會回來了,明明那麼好的待遇,為啥回來?現在又是疫情的阻隔,憑啥回來?
可是,當3月5日沈向洋受聘清華時,
眾人皆驚!
他已經離職了一段時間,
也就是說,2月份國內疫情還正在嚴重的時候,
他已經冒著風險決定效力祖國了!
說到,他就要做到!
3月5日清華公佈:
沈向洋
成為清華大學高等研究院雙聘教授!
今天在清華大學高等研究院官網上,已經能查到沈向洋的博士生招生計劃,他要為祖國培養新的AI人才。
在得知沈向洋歸國後,
微軟創始人比爾蓋茨,
急得公開指責川普:
「如果你不能信任華為,
以及中國科學家和開發者,世界上將沒有你想要的人才,你一定會後悔讓這些中國科學家離開!」
在微軟,他的身份有兩個:
一個是全球副總裁,
一個是首席科學家。
在世界,他的身份有兩個:
一個是美國國家工程院外籍院士,
一個是英國皇家工程院外籍院士。
但最終他的身份只有一個,
那就是:中國人。
在疫情最艱難的時刻,沈向洋選擇了歸國,且回國後提出:
量子計算將是下一個十年的技術趨勢。
他還說了人工智能,
在這次抗疫中發揮的巨大作用:
「發展人工智能是真正造福人類的,尤其最近的疫情,讓人工智能真正有機會應用到很多方面。
一方面,人工智能加速,推進預防診斷治療。
另一方面,通過AI數據分析,可以從全球衛生健康、流行病學方面,確定疫情傳播的特徵、變化、趨勢,利用遠程協作,讓全球各地的醫生,能一起看到怎麼去應對風險。」
(全文結束)
微矽電子評價 在 糖餃子Sweet Dumpling Youtube 的精選貼文
嗨!大家好,我是 Cassandre, 今天的『食不相瞞』,我們要跟大家分享一款簡單優雅、怎麼做怎麼好吃的甜點:法式古典巧克力蛋糕 (Gâteau Au Chocolat, French Classic Chocolate Cake)。
誰說創新的才能被欣賞?那些有點老派、口味單純,但𠩤料簡單、製作迅速的傳統糕點,經常才是能在味蕾上決勝負的永恆經典,而法式古典巧克力蛋糕 (Gâteau Au Chocolat) 就是一個,它只需要五種或六種最尋常的材料,全程一盆到底,只要接續的把材料攪勻,噹啷~一款絕對可以驚艷眾人的好吃甜點就完成了,一點都不需要費神。
法式古典巧克力蛋糕是一款表面跟邊緣有點酥脆、輕盈,內部質地很細緻濕潤、造型有點扁平的甜點,即使非巧克力的重度愛好者,吃了一口的反應都會對它頗為驚豔,我就是(笑)。它跟熔岩巧克的成份跟做法有點類似,嗯~又不那麼相同,不同的地方在於它使用更少的材料、更簡單的製程,然後用比較大的烤模而非那種小烤盅,因此需要的烘烤時間較長些,而烤出來的蛋糕內部沒有流心,但卻柔軟濕潤如膏狀,吃進嘴裡完全溶於你口。
若要簡單的評價它,那就是「簡單,優雅,別緻,一點都不費勁。」
這次的食譜我們是參考法國甜點大師 Pierre Hermé 的配方,但在作法上有稍微調整,有趣的是,這款蛋糕我們試過不同的製作流程,用不同的溫度與時間來烘烤,出來的成品都一樣好吃,完全可以把巧克力的迷人風味樸實的呈現,喜歡巧克力的朋友,推薦一定做做看。
這支影片還有無人聲的 #ASMR 版本:
https://youtu.be/10pO3Da0SeY
-----------------------------------
法式古典巧克力蛋糕 怎麼作呢?
下面是這款 法式古典巧克力蛋糕 的做法與食譜:
📍 烤盤尺寸: 直徑15cm (約6吋) 的圓形烤盤
📍 這次使用新烤箱來烤這款蛋糕,烤箱是 Electrolux 伊萊克斯 40L 電子式精準控溫旋風烤箱(EOT40DBD),烤箱設定為上下火 180度C,但沒有開旋風,如果是旋風烤箱的話,那麼一樣180度來烤也是可以的 😊。
材料 / Ingredients
70% 苦甜巧克力 125g
無鹽奶油 125g,切成小丁狀
細砂糖 100g (亦可使用三溫糖、黑糖)
雞蛋 2顆 (約100克), 中型尺寸, 室溫
中筋麵粉 35g
一小撮鹽
*另外準備一點軟化的無鹽奶油跟少量的麵粉來處理烤模
做法 / Instructions
1. 用刷子在烤模裡塗上薄薄一層奶油,並均勻灑上麵粉,再輕敲烤模除去多餘的麵粉,備用
2. 小碗裡打入兩顆雞蛋,均勻打散
3. 把巧克力切碎、備用。若使用水滴巧克力就不用另外切
4. 將切碎的巧克力跟切成丁狀的奶油一起倒入料理盆裡,另準備一個小鍋子,裡面加水煮至小滾後轉小火,把裝有巧克力跟奶油的盆子架上去,以隔水加熱的方式攪拌至完全融化,加熱的水量不要太多,以不碰到盆底為準,一旦巧克力跟奶油都融化後就立刻從爐上移開,趁熱把奶油與巧克力完全攪到絲滑有光澤的程度。(加熱的程序也可以用微波的方式加熱)
5. 把砂糖加入融化的奶油巧克力糊裡,攪拌均勻
6. 分兩次把蛋液倒入,每次倒入蛋液都要攪拌到乳化完全,也就是質地細滑一致,才能再加入剩餘一半的蛋液。
7. 將中粉跟鹽過篩加入,這裡要留意不要太用力或過度攪拌,只要輕輕攪拌至完全看不見乾粉,滑順有光澤即可
8. 把做好的麵糊倒入烤模裡,用矽膠鏟稍微抹平表面
9. 烤箱預熱 180°C, 烘烤22-25分鐘,出爐後在烤模裡完全放涼
10. 趁蛋糕已定型且還有點餘溫,脫模後即可以切片享用,室溫吃味道很棒,冰過吃又是另一種風味。至於裝飾,可以灑糖或淋上巧克力甘納許抹(巧克力控專屬),或搭配冰淇淋或莓菓醬來享用
-----------------------------------------------------------------------
影片章節 :
00:00 開場
00:34 食材介紹
01:13 前置作業準備
03:19 製作古典巧克力蛋糕麵糊
07:42 烤箱溫度與時間設定
07:55 出爐
08:11 古典巧克力蛋糕的三種口感試吃
09:10 製作技巧分享
-----------------------------------------------------------------------
更詳盡的作法與 Tips,可以參考我們的食譜網站喔:
更多的食譜:
https://tahini.funique.info
-----------------------------------------------------------------------
#古典巧克力蛋糕
#法式甜點
#簡易甜點
本片是以 Panasonic Lumix GX85/GX80 4K 影片拍攝。
鏡頭:
Panasonic LEICA DG SUMMILUX 15mm F1.7,
Panasonic LUMIX G 25mm F1.7 ASPH.
More Info:
https://www.sweet-dumpling.com
FB Page:
https://www.facebook.com/sweet.dumpling.studio/
![post-title](https://i.ytimg.com/vi/NYYSgiHARB0/hqdefault.jpg)