疫情加IC報價到頂的憂慮,台股再度失守季線
市場對於這次DELTA病毒深感焦慮,所以這兩日賣壓相當沈重,但我客觀的看,台灣人公民素質好,這次降二級大家都帶著口罩,並且是早期就發現感染情狀並加以控制,所以不可能跟上次一樣大舉擴散,大家不必過度焦慮,平常心做好防疫就好,疫情對股市影響應該就1~3天而已。但電子業,最近充斥著晶圓代工漲價,但客戶旺季又快倒頂,包含MCU、MOSFET、DDI、二極體毛利率到頂要跌價的消息,根據我的了解,跌價壓力會較大的是DDI,其餘的並沒有太多轉變,不過是否可以轉嫁晶圓代工漲價的部份給客戶就很難說,所以毛利率到頂確實可能發生,是近期IC設計弱勢的主因,所以最近設計股要買晶圓代工漲價受惠族群如IP股,以及明年新產品週期剛開始而已,沒有跌價壓力的如高速傳輸相關IC,這兩區塊未來勢必將是IC設計的最強主流。另外年底就是要炒作隔年新產品,SIC、電動車將是重點中的重點,即使短線壓回,趨勢是不會變的,今日1727中華化又大漲再創新高就是例子,趁這兩天回檔,好好調整持股,資金買好明年新趨勢作夢股,下週又會大賺
金麗科逆勢小紅,我說了八月沒認的NRE九月會認,營收會回升,但若分幾個月認,就不必期待單月營收衝很高,但入帳的意義是行政電腦TAPE OUT後測試順利,可望持續朝量產推進,這是最大利多。另外新開案我預期很快會開花結果,將迎來新的NRE收入,也讓明年EPS預估再上修,這邊就是三角收斂最後階段,耐心等待吧,一旦利多發酵,可能很快就一倍了
6643M31盤中也逆勢翻紅,所有拉回都是好買點,昨日公告八月營收8331萬創今年新高,EPS估計為0.94元,新客戶積極開案7/5奈米新產品,後面營收將加速成長,我估計九月可望挑戰1E水準,第四季將會是今年最高並且明顯比前三季高,這中間有美國網通IC大廠的NRE可能要認進來,今年營收若達公司預估年增20%的成長幅度,第四季將會有很大的爆發力,全年要賺12~13元,最樂觀版本將是16元,而M31手握一堆USB4.0、5.0IP並且領先通過台積電認證,是最強高速傳輸IP股,而IP收入是以台積電、三星的營收%數算的,當晶圓代工漲價,力旺、M31收入隨之增加,同步受惠,力旺股價1700元,M31不到400元,未來存在著巨大的比價空間,第四季就會看的到
1727中華化逆勢大漲8.6%再創波段新高,21.5元買進四天大賺6.2元達28.8%,就快三成獲利。而這也符合我說的,年底就是中低價作夢股最會飆,中華化名年電解液、正極材料要擴產3~4倍,第二季EPS0.57元,相較美琪瑪1.18元,聚和0.7元,股價被低估太多,趨勢又正確,股價自然特別飆,就是年底作夢飆股無誤。另外一檔電池材料飆股5XXX,目前也逆勢小漲,這次拿下韓國大廠五年長單,第四季就要出貨,明年業績大好,股價也是要翻倍的趨勢,就等一個股價的發動點,都是最強作夢股
第三代半導體材料SIC也是第四季主流,漢磊、太極投資的盛新材料第四季都要量產SIC晶片,都是未來的新主流,漢磊這兩天因為疫情打回季線了,這邊可耐心等待,盤勢穩定之後自然就會反彈
這次DELTA病毒入侵,大家要小心防疫,但這次發現的早,台灣人即使打了疫苗都還是帶著口罩,與國外差異很大,所以我對於這次疫情的控制很有信心,大家不必太過焦慮,只要股票買的對,數字都強勁,市場反應兩三天之後回穩,股價很快就上去了。想跟著鄭老師買進年底最強最飆作夢股的朋友,請留言『九月作夢股+聯絡電話』,就可得到《九月飆股券》,領取最新飆股
服務專線02-23659333
LINE官方帳號 https://lin.ee/oiwWmOx
LINE ID:@STOCKMASTER
TELEGRAM頻道 https://t.me/stockmaster888
免責聲明:股市達人鄭瑞宗文章中分析之股票,僅供投資人作參考,投資請審慎考慮
同時也有1部Youtube影片,追蹤數超過149萬的網紅啾啾鞋,也在其Youtube影片中提到,這種材料從2012年開發出來至今,已經被許多科學家嘗試應用在各個領域,今天介紹的這個玩具就是其中一個例子。 支持啾啾鞋▶https://goo.gl/JzXgfv 想知道我怎麼蒐集與整理這些資料嗎? ▶ https://bit.ly/2vi0urX ▼啾啾鞋的人氣影片▼ 我是如何考到多益910分...
奈米材料例子 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
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
奈米材料例子 在 王立第二戰研所 Facebook 的最佳解答
最後了,我也得說一下,只講Technology而不說社會結構的,稱不上談戰略,那比較偏狹義的純軍事戰略,而這在現代越來越像是戰術討論。
=====
Part3 民主國家與非民主國家的困境
民主國家的困境,主要來自兩方面。第一,無法媒體管制,面對新形態的資訊戰相當無力,國內對立不利團結。第二,義務役的放棄,導致以徵兵制為基盤的民族國家開始崩潰,欠缺團結機制,全球化後加速社群解離成個人,走向後現代社會。
這兩者相互加成,促使民主國家內部鬥爭強烈,資訊戰需要矛與盾,攻擊倒很簡單,防守又分單純與複雜兩類,單純點就是封鎖與查禁,複雜的就是應對假消息等各種防衛機制。而單純手段幾乎不可行,導致民主國家應付非民主國家的「非對稱戰爭」,尤其是資訊與文化戰來說,相當的耗成本又難得到政治利益。
非民主國家之所以會對民主國家發起資訊戰,也並非是價錢低廉這麼單純,而是非常現實的一點:民主國家的整體國力遠超過非民主國家。
民主機制背後兩點,市場機制與私有財產,簡稱資本主義。而所有的經驗都證明,不管是國家管制型的資本主義,還是社會主義管控的資本主義,效率絕對遜於私有財產不受侵犯,法律保障的資本國家。
現代兵器的技術,全部是錢堆出來的,沒有巨量資本,根本就不可能發展出這些精密設備。尤其是2000年後奈米技術的發展,材料、製程往往差一代,其電戰能力的落差,就是全有與全無,不是表面上看到的那麼簡單,好像都有紅外線、都有夜視鏡,雙方的夜戰能力就會一樣。
複雜、多樣化的技術,是因應蘇聯解體後,美國稱霸的世界而生。全部的戰爭秩序,都圍繞在海權與全球貿易線暢通下,一但失去全球化的助益,世界各國走回區域發展,生活成本都會上升,連帶拖累技術發展。這表示大型戰略武器的需求變低,因為落差一代就是0與1,想要發展的必然是要挑戰當代秩序。
而這種近代複雜技術的整合,背後代表的是龐大資本的堆積,非民主國家沒有這個國力可以對抗,故需要發展非對稱手段。但非對稱手段要有效,基本上建立在3點上:
1.低廉的一般武器在特殊環境下可以抵銷先進武器的優勢
2.社會全體意志願意堅定支持衝突下去
3.不打破現有國際秩序的前提
因為,非民主國家畢竟很少是技術領導者,即使前蘇聯耗盡全國之力,也僅能在幾項突出。軍工技術可以在某一方面領先,但整體工藝技術需要民間企業蓬勃生機。一旦當今國際秩序毀掉,民主國家固然實力大損,非民主國家則會因為缺乏全球化,連技術連通都會斷絕。好比武漢肺炎疫情造成的狀況將之擴大,美國對外國也開始鎖國,當全世界都互相鎖起來,最倒楣的會是哪種國家?絕對不是一無所有的窮國,窮到一個程度反而沒差,而是需要一等先進技術的次等國。
而軍事技術會低落,不管在哪個國家都一樣,遵守著一條公式:「離戰爭越遠的國家,民間薪水就越高」
也就是沒有戰爭需求,或是長期遠離危機,還是人民不覺得有危機的時候,民間企業總是能提供較高的薪水,長遠的職涯發展。但本國若軍事技術持續低落,軍組織衰退的結果,就是容易引發他國入侵,產生新一代的戰爭。這個例子用在全球化的權力結構也是通的,進入現代之後,全球化可以拉平趨勢,但仍然解決不了霸權結構,以及世界資源的控制問題。
理想上,世界各國都放棄武力,共謀和平發展應該會對全人類好,但現實就是沒這回事。
而非民主國家對民主國家的挑戰,必定都是對自己有利?這其實也不是,非民主國家的困境,就在於全球化的世界中,他們只能選擇邊緣化,或是寄生在整個全球秩序下。
邊緣化的優點,就是萬一帝國體制崩潰,不會受到波及,還會有擴大區域勢力的可能。缺點就是,整體國力遠遠遜於進入體系的國家。寄生型的國家更慘,唯一的希望是,帝國崩潰之際,自己可以承擔新的帝國秩序。但歷史從未有這種狀況,全部的秩序交換都要透過戰爭,而往往戰爭過後,爭霸國自己也倒了,新的秩序起碼要兩代人重新建立。
技術的發展就是這麼殘酷,現代科技全部用資本堆出,沒有這些資本就產生不了精密武器。越精密的武器,整合起的性能只需要少量,就能發揮以一敵百的效果。沒有這些技術,就只好用血肉去堆屍體,依靠媒體戰打到民主國家主動棄戰。
但這種勝利又回到最初,這只是不敗而已,多半稱之為慘勝。殺敵一千自損八百固然很蠢,殺敵八百自損一千豈不是智障?
且不提這種挑戰霸權秩序的問題,光是從敘利亞到阿拉伯之春後的國家,以及中國對新疆的鎮壓,都可以看出要使用傳統武力,大部隊去綏靖、清洗一個地區,到底有多困難。即使不需要面對媒體壓力,針對的都是手無寸鐵的平民,依然不是十年八年可以做到,而且耗費大量資源,幾乎是陷入泥沼。
這其實從蘇聯入侵阿富汗就已經可以預見,現代要達到一百年前的各種統治效果,雖然有科技手段可以協助,但實際效率已經沒那麼好。而要控制所有教育與媒體,實質洗腦人民,讓全國民眾的思想有一致性,又會產生非多元化的弊病,最終影響國力發展。
而非民主國家嘗試解離民主國家,看似得到一時優勢,但長遠來說也是在毀掉自己的技術汲取源。雖然大多數的獨裁者,總以為自己夠聰明,可以紙上談兵的創造技術,這也是他們勇敢的泉源之一。但實際上無一例外,越是內部團結一心,社會穩固不變的,自有技術水準就越低落,總以為可以靠複製貼上得到世界。但複製總有時盡,他們總以為自己可以隨時接上人類千年智慧,不需要傳承。
這在民主國家中也是危機,知識普及與多元化,讓技術傳承越來越困難,多半是只知其一不知其二,曉得表面不懂內涵。半調子的結果往往比不會更糟,而從這邊要看未來軍武的發展實在很困難,畢竟社會與軍事是綁在一起的,全部解構化的社會長什麼樣子?
搞不好變成大企業家族重整,掌握武力後又變回貴族政治,新型態的封建體制成型。現代基礎的中產階級崩潰,恐怕不是這些試圖內部解離者,當初所想的那麼簡單,可以輕易的替代掉。就算可以,這個過程可能也會長達百年。
但人類就是這樣,越了解技術本質的,越清楚社會崩潰的恐怖。可這個世上多的是認為崩掉無所謂,只要自己稱霸就好。
這種不願意在冷氣房當社畜,寧肯在石器部落稱王的思考,都來自於幻想。幻想技術與資本,可以跟社會結構永遠脫鉤,只更迭統治者,其他都不改變。
奈米材料例子 在 啾啾鞋 Youtube 的最佳解答
這種材料從2012年開發出來至今,已經被許多科學家嘗試應用在各個領域,今天介紹的這個玩具就是其中一個例子。
支持啾啾鞋▶https://goo.gl/JzXgfv 想知道我怎麼蒐集與整理這些資料嗎? ▶ https://bit.ly/2vi0urX
▼啾啾鞋的人氣影片▼
我是如何考到多益910分的?
https://bit.ly/2uaA62k
牛排的血水根本不是血!
http://bit.ly/2lA5oND
VEVO是什麼?
https://bit.ly/2ubr8lx
驗光機裡面的農場、熱氣球是什麼?
https://bit.ly/2KRg5IQ
在路上撿到隨身碟,你會...?
https://bit.ly/2ytI7E5
還好我也退了! 當兵心得文
http://bit.ly/2AjxbWI
背景音樂Background Music:
epidemicsound.com
粉絲專頁:https://www.facebook.com/chuchushoeTW
Instagram:http://instagram.com/chuchushoetw
Twitter:https://twitter.com/chuchushoeTW
Google+:https://plus.google.com/+chuchushoeTW
![post-title](https://i.ytimg.com/vi/MCgNZS-2_lE/hqdefault.jpg)
奈米材料例子 在 奈米材料在生活 的應用 的相關結果
IBM 研究員發明掃描式穿隧顯微鏡,成為奈米科技發展的 ... 功研發製得以奈米碳管為材料的電晶體。 ... 各國已成功製得各種奈米產品,包括民生用品如衣服、網. ... <看更多>
奈米材料例子 在 奈米科技之現況與發展 的相關結果
除了尺寸的限制之外,奈米材料在結構上可分三種形式:顆. 粒狀(零維奈米材料,0D)、柱狀或線狀(一維奈米材料,. 1D)以及層狀(二維奈 ... 以銅奈米微粒子為例子:. ... <看更多>
奈米材料例子 在 奈米材料- 維基百科,自由的百科全書 的相關結果
奈米材料 [編輯] · 量子點 · 氧化鋁 · 纖維素 · 陶瓷 · 氧化鈷 · 銅 · 膠態金 · 鐵 ... ... <看更多>