關於 加速器定義 ，我們在網路上蒐集到這些相關的討論、資訊與評價

2020 年受到疫情影響，各大企業走的戰戰競競，但特斯拉（Tesla）的股價卻呈現逆勢成長，甚至一度衝到一股 1643 美元，究竟特斯拉被看好的關鍵是什麼呢？ 重新定義！

看更多：https://meet.bnext.com.tw/articles/view/46767

#Q博展知識
在德國科學家倫琴發現X射線以前，醫生診斷病患體內的情況在手術前都只能依據觸診或是病患自己的描述，這樣的診斷方法常會造成誤診，以致拖延治療進度

現代醫學造影技術的發展，使病患經過掃描後就能夠很清楚的知道體內發生的問題，協助醫生更了解病患的狀況。

就讓Q博來簡單的介紹醫學影像技術吧！

【3D影像醫學及手術】
1970年代發展的電腦斷層(Computed Tomography，簡稱CT)及磁振造影(MRI)，經過數代的進階，時至今日的21世紀，不僅速度飛快、解析度高清、更進入從二維(2D)重建三維(3D)接近人體解剖的虛擬實境(Virtual Reality簡稱VR)的軟體發展。 VR虛擬實境已經運用在遊戲、媒體、室內設計、建築等各行各業，透過這樣技術將是未來融合虛實世界的重要設備，同樣運用於外科手術，三維(3D)的VR更可以做治療前計畫、教學及微創手術前的模擬操作。

所謂的AR擴增實境（Augmented Reality）的定義就是將3D重建的VR與實際的即時影像重疊結合，讓醫師在手術時更清楚病灶及周圍器官的相關性，特別是血管，使手術避免出血，視野更清楚。 目前至少已經有三個器官突破挑戰AR，即是眼睛、手與腦部(Augmented Eye, Hands and Brain)，這個確定性的進步不僅是醫療科技的創新更是人民的福祉。
https://scitechvista.nat.gov.tw/UrlMap?t=fG8

【核子醫學科技】
大自然中有氮、氫、氧、碳……等多種元素，這些元素分別有不同的原子序數與質量數。凡原子序數相同、質量數不同的元素都稱為同位素，各同位素的化學性質仍相同，只是物理性質不一樣。例如：氫有三個同位素，氫一叫氫，氫二叫氘，氫三叫氚，原子序都是1，但其質量數，氫是1，氘是2，氚是3，質量數的不同，使物理性質也不同。若從物理上觀察：氫的個性穩定，不會釋出放射線，稱為氫的「穩定同位素」；氚的個性不穩定，會釋出β負粒子放射線，稱為氫的「放射性同位素」。

當我們需要放射線的時候，可以先製造一個不穩定的放射性同位素，由於它會釋出不同能量的粒子與放射線，也因此，放射性同位素成為人造放射線的主要來源之一。

核醫科技結合放射性同位素藥物及放射線示蹤性，協助醫生診斷或追蹤病情；利用Ｘ光的穿透性，讓體內器官組織病變在底片上顯示；紫外光與物質作用時具有殺菌力；醫院為癌症病患做放射線治療，即是一種透過鈷-60加瑪（γ）射線或電子加速器產生X射線殺死癌細胞的治療方法。
https://scitechvista.nat.gov.tw/UrlMap?t=h5C

【磁振造影】
要說明磁振造影的原理，必須先解釋什麼是「核磁共振」。可以想像一個原子的結構，是在中心有一個很小的原子核，週圍有電子。不同的元素，它的原子核裡，會有不一樣數目的質子與中子，質子與中子數量的總和，稱為「質量數」。一個原子，只要原子核的質量數是奇數，比如是1, 3, 5, 7……的時候，當原子在強力磁場的作用下，原子核外圍電子的「磁矩」的「總向量和」，就會順著磁場方向來排列。這個時候，如果向原子照射適當的電磁波，原子核就會吸收其中的特定波長或能量的電磁波，被激發到比較高的能階，這個過程稱為「核磁共振」。
原子核會自然從高的能階掉回低的能階，此時它會放出電磁波，於是就產生了核磁共振的信號，也就是用來做磁振造影的信號。我們可以用儀器偵測這些信號。比方說，生物體內含有許多水，水分子是由氫原子和氧原子組成的，氫原子的質量數是1，我們就可以使用核磁共振的設備，讓它產生信號，並且偵測。醫學界發現，利用這個方法，不必動手術接觸人體，就可以獲取體內水分子分布的資訊，從而精確繪製人體內部的結構，這就叫做磁振造影。
https://scitechvista.nat.gov.tw/UrlMap?t=i8w

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

有看直播、教學或升級版的朋友，經常聽到我說「膽倉」，那到底是甚麼？這個策略又如何解決我在初學投資時遇到的兩個問題：#長揸變短炒 #死溝貨 ？有血有淚的教訓，希望今次的分享，讓大家不要走我錯過的路！下一集會分享，我自己的短線規條，滿足自己的「手痕」，又不會影響退休的大計劃！

如果大家喜歡我的分享，請按一下讚及分享給朋友，大家亦可以留言，分享你們遇到過的挫折、經歷，互相勉勵！投資的路不容易走，我們都需要戰友！

════════════════════

?財務自由不是夢！把握機會免費體驗?

施傅【10年財務自由】1小時簡介+工作坊
立即試看：https://www.gregorysy.com/

════════════════════

❓有效 極速 儲存千萬❓

【零至千萬加速器】1小時簡介+工作坊
免費試看：https://edu.money-tab.com/pages/accelerator

════════════════════

茶敘50 《ALL or NOTHING》
立即購票：https://edu.money-tab.com/pages/teatalk-50-online

所有課程/活動一覽: https://money-tab.info/activity

施傅新書「量化交易」手冊
網上即買： https://www.money-tab.info/2020-book-purchase


✓ APP下載: http://onelink.to/mtapp
✓ 升級版: https://money-tab.com/membership

❖訂閱【富翁電視MTTV】頻道:
https://bit.ly/35dJW4Y
❖訂閱【我要做富翁】頻道:
https://bit.ly/35LOy2J
❖讚好Facebook專頁:
https://facebook.com/203349819681082
❖追蹤Instagram專頁:
https://www.instagram.com/money_tab/

#施宏毅 #打大鱷 #投資教學 #膽倉 #核心倉 #富爸爸 #價值投資 #巴菲特 #齒輪理論 #電車男式跟盤

很多人認為，「投機」就是「賭博」，因此不去作任何的投機。但其實投機和賭博大不同！因為賭博畢竟是「莊家話事」，但投機只要方法正確，選對工具，一樣是能夠成功賺錢的。雖然我們不是鼓勵大家積極投機，但今天我會嘗試介紹我的「投機四步曲」，等大家能夠明白甚麼才是真正的投機。如喜歡今集教學請記得按個Like支持一下，也可以分享給你的朋友～看完影片後，大家可以在下面留comment，和我們交流一下對投機的看法 :)

本片內容：投機四步曲

先至聲明，我是絕不賭博的，但很多朋友會認為投機就等同賭博，今天就跟大家說明一下我的投機哲學吧！投機其實只是一個名稱，根據劍橋字典中的定義，投機就是「在不確定的情況下嘗試猜度結果，最後以賭一把的心態去看結果」，這便是投機。

投機第一步曲「短線投機 」：
在圖表上的止賺位一定要高過止蝕位，所以損益比率 (profit and loss ratio) 須多過2:1，甚至3:1以上，並必須紀律執行！最好在圖表當中記下最高位及最低位，比率一定要夠闊，才可以去做這個交易。在短線方面你要知，短線不能作長線，這是甚麼意思？一般是當你在蝕錢時認為股價或許會反彈而不繼等待時機沽出，這個概念絕對是錯的！短線就是短線，所以對短線的態度大家必須想清楚。

投機第二步曲「圖表分析 」：
此部曲在於策略上的運用，立場要非常明確，亦必須點到即止，嚴守止蝕，做足功課。很多人認為止蝕要轉位，一旦大陰燭跌穿止蝕線，就假設自己已找到一條新支持線，但這樣你就錯了；你在購入時所有線應該已畫好，亦應該知道所有轉勢。但最主要的是，任何圖表分析都是在假設歷史是會重複，而且現有的資料或基本分析是沒有轉變的。當基本分析或經濟數據，跟你買入的時候有轉變，你務必要改變或調整你的策略，甚至要止蝕離場。

投機第三步曲「槓桿理論 」：
槓桿最主要是，所有東西都是以倍數進行。若果選對工具，這個倍數是沒有問題的，但你必須計算你能承受的最大風險，另作出最壞打算。如果你能作出最壞打算及能嚴守止蝕，你便能參與這個遊戲。如果你不能嚴守紀律，那麼這個遊戲就絕不適合你。其次，在槓桿的情況下的短線投機是絕對不可以混貸，不能越跌越混得多貨，而是要狠狠地止蝕。

投機第四步曲「絕對回報 」：
在絕對回報當中，不管市況怎麼變動，政府有什麼政策上的改變，你都能夠在量化分析或基本分析中做一個跟市場相關系數極低的表現，去評估風險。而風險主要分為兩類，一種是系統性風險，而另一種是非系統性風險。無論你如何組合也好，你也不能夠分開政府、政策導致的風險，但在絕對回報的組合當中就有機會做到，今天可以嘗試一下。

但有兩件事情大家必須遵守，第一是在注碼方面要夠細，這樣能夠量度風險，虧損也有預算。第二是「工具」，如果短線投機牽涉到槓桿，你最好選擇期貨或期權也可以。但一些莊家或發行商分完再分的貨幣或資產，例如ELN、牛證、熊證、窩輪、細價股，因為背後受到「人性」操控機會比較大，賺蝕沒有原因，就永遠不能優化自己的組合。如果你不能優化自己的組合，你就不能夠做到絕對回報。如果你做不到絕對回報的組合，你投機的原因就少了很多。所以沒有以上兩項執行，最初才的四部曲也不能進行。

希望今集過後，大家對投機的角度及策略有所啟示 :)

撰文﹕施宏毅

════════════════════

?財務自由不是夢！把握機會免費體驗?

施傅【10年財務自由】1小時簡介+工作坊
立即試看：https://www.gregorysy.com/

════════════════════

❓有效 極速 儲存千萬❓

【零至千萬加速器】1小時簡介+工作坊
免費試看：https://edu.money-tab.com/pages/accelerator

════════════════════

茶敘50 《ALL or NOTHING》
立即購票：https://edu.money-tab.com/pages/teatalk-50-online

所有課程/活動一覽: https://money-tab.info/activity

施傅新書「量化交易」手冊
網上即買： https://www.money-tab.info/2020-book-purchase


✓ APP下載: http://onelink.to/mtapp
✓ 升級版: https://money-tab.com/membership

❖訂閱【富翁電視MTTV】頻道:
https://bit.ly/35dJW4Y
❖訂閱【我要做富翁】頻道:
https://bit.ly/35LOy2J
❖讚好Facebook專頁:
https://facebook.com/203349819681082
❖追蹤Instagram專頁:
https://www.instagram.com/money_tab/

本片內容：容易成功創業的五種性格

今日的話題比較特別，就是創業。創業的定義其實很廣泛，包括自己投資、實際開一間公司、創投集資、或開一間小店，亦算創業。今天我想分享創業比較容易成功的五種性格。需知性格可能比較難改變，但亦不是不可，而越是集齊以下五種性格，越是能成功。

*注意：以下說的性格亦可解作技能

1) 學習
學習即是建立自己的「核心」。一個喜歡學習的人是非常有優勢的，因假如自身沒有預先做好準備，學習足夠的知識和能力，即使機會來了亦不能好好把握。

2) 反思
沒有人一開始注定是成功的，因此不能怕失敗，而且失敗過後更要反思和從中學習。其實創業最大的敵人就是「過份自信」，所以由今天起，大家可以試想想當有錯處時，自己通常第一個反應會是：千錯萬錯也不是自己的錯？雖是自己的錯，但人誰無錯？還是不論是他人還是自己的錯，自己亦應當反省？

3) 解決問題
「想解決一些一直以來存在著的問題」是創業中不可缺少的心態，因為可以察覺到一些市場上缺少了的東西，從而填補這個空隙。所以你今日開始應該問自己：日常生活中有沒有一些東西你總覺得是需要改善？
另外，如有東西你總覺得是需要改善，你會是只想不做？還是有所行動？不少人喜歡停留在想的階段，缺乏執行力，這亦是創業最大的阻礙。

4) 多疑
你必須要懷疑市場上會有競爭對手比你優勝，這樣才能令你的業務有延續性，而不會輕易讓對手超越你。

5) 改變
跟據統計，市場上每五年就會有九成的新公司面臨結業。因為身邊的競爭對手亦不斷改變的同時，如你仍保持原地踏步，等著你的就只有死路一條，而你亦要不斷反問自己為什麼顧客非光顧你不可，不然就會被市場淘汰。

總結：
我們見過不少初創公司因為缺乏其中一種性格而最終失敗。如果你想成功創業的話，希望能夠反覆思考自己是否具備上述五種性格。

撰文﹕施宏毅

════════════════════

?財務自由不是夢！把握機會免費體驗?

施傅【10年財務自由】1小時簡介+工作坊
立即試看：https://www.gregorysy.com/

════════════════════

❓有效 極速 儲存千萬❓

【零至千萬加速器】1小時簡介+工作坊
免費試看：https://edu.money-tab.com/pages/accelerator

════════════════════

茶敘50 《ALL or NOTHING》
立即購票：https://edu.money-tab.com/pages/teatalk-50-online

所有課程/活動一覽: https://money-tab.info/activity

施傅新書「量化交易」手冊
網上即買： https://www.money-tab.info/2020-book-purchase


✓ APP下載: http://onelink.to/mtapp
✓ 升級版: https://money-tab.com/membership

❖訂閱【富翁電視MTTV】頻道:
https://bit.ly/35dJW4Y
❖訂閱【我要做富翁】頻道:
https://bit.ly/35LOy2J
❖讚好Facebook專頁:
https://facebook.com/203349819681082
❖追蹤Instagram專頁:
https://www.instagram.com/money_tab/

#Startup #我要做老闆 #實現創業夢 #技能 #CEO