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
話題終結者例子 在 Facebook 的精選貼文
▍黑特青少女用嘴巴就能殺死一個人?
◤青少女容易捲入暗黑較勁的社交套路,
適時引導孩子覺察,盡早偵測到惡念存在,就能避免負面社交習慣。◢
家有青少女的爸媽最常提出的社交問題是,女兒與手帕交激烈的友情變奏曲。前一個月還是連上廁所都要手牽手一起去的史上最強閨密,這個月因為有人在男同學圈子太夯而絕交、斷LINE。
有個媽媽說,小女生小鼻子小眼睛也就算了,但是,她女兒的遭遇讓她徹底體會什麼是最毒婦人心。
班上有一個眾女生都非常愛慕的小帥哥,不僅幽默風趣,又很會帶動氣氛,再加上就讀數理資優生,又拉一手好琴,所以女生為了這個男孩,紛紛暗自較勁、爭風吃醋。
本來女兒和閨密聚在一起無話不聊,當然,有關這男孩的動向更是她們最感興趣的話題,好像不聊個幾句他說了什麼爆笑的話、什麼舉動很有事,那一天就不算過完似的。明明每個女孩都愛在心裡,但說出來的,都變成這男孩既白目又可笑、對誰有意思、明天要怎麼對付他。聊八卦是兩個小女生最快樂的消遣,也是兩人感情最好的魔幻時刻。
■殘酷的青少女社交世界
因為朋友的女兒長得可愛、笑容可掬,功課不是頂尖,但人緣不錯,男孩子都滿喜歡她,也常傳聞有別班男生想來告白。正好音樂課她跟話題王子分在同一組,多了互動機會。
音樂課規定,每一組要籌備一小段十分鐘的音樂節目,任何形式、樂器不拘。男孩拉琴一把罩,而朋友的女兒則從小練鋼琴,就被湊成該組的主軸演出。
女孩個性和善溫柔,男孩則是幽默帥氣,練不好時,男生都故意開玩笑,惹得女孩不停傻笑,男孩愈看女孩愈可愛,在動人的旋律中似乎燃起小小火花,彼此雖沒明白表示,但下課總是自然而然地走在一起,說說笑笑。
沒想到,這為女孩和閨密的友情投下了震撼彈。閨密明顯感覺到女孩下課較少來找她,又看到她和話題王子走得這麼近,也說不清楚自己心裡到底是痛恨朋友見色忘友,還是嫉妒白馬王子愛的不是她?再加上每晚私 LINE 時,女孩都會把她和男孩之間開的玩笑、曖昧的感覺,毫不保留地跟閨密分享,讓閨密愈聽愈不是滋味。
不知何時開始,閨密對女孩愈來愈冷淡,而這冷淡的感覺,從兩人之間蔓延開來,女孩發現好幾個原本還不錯的女同學都不太搭理她,看她的眼光都帶著不屑。
直到有一天在補習班,一個別班的女生無意中跟她說,現在很多女生都討厭她,覺得她是騷貨,為了引起「王子」的注意,笑得很假掰,走起路來還扭來扭去的,噁心極了!女孩這才知道,她被排擠在一個新群組之外,而這個群組幾乎都在講她和男孩的八卦。
短短一個多月,女孩沒了閨密,更成為女同學共同的笑柄與仇敵。每天到學校,除了「緋聞對象」和幾個比較有話聊的男同學,幾乎沒有女生願意靠近她。她甚至隱約感覺到,下課時間總有一小群人聚在一起說說笑笑,刻意遠離她,不知道她們是不是在講她的壞話。形單影隻的她根本不知道自己做錯了什麼,心情非常沮喪。
這就是青少女的社交世界,溫暖起來讓人覺得自己永遠不可能倒下,但是殘酷起來,會讓人直想了斷與世界的關聯。
■小心八卦上癮
青少女的社交世界有幾個微妙又邪惡的心理元素:羨慕、嫉妒、恨。八卦事件像是照妖鏡,會讓這些潛伏的微妙元素攤在陽光下,化為拉攏、結盟、排擠、孤立等社交招數。說穿了,女孩們玩的社交鬥爭把戲都是老哏,都有SOP。
女孩與女孩之間隨時都可能在暗自較勁,如果自覺擁有的資源與受到的矚目差不多,頂多就是你偶爾羨慕我、我偶爾羨慕你,算是達到平衡的狀態。但是,如果其中一人受到的矚目與資源明顯高於另一人,那麼「羨慕」的強度就會增強成為「嫉妒」;而如果嫉妒心沒有轉化成提升自己的正向力量,或者無法靠著修為與智慧調整心念,內心的落差感就會浮上檯面,「嫉妒」就會惡化成為一股力道強勁的「恨」。
女孩的恨意需要釋放的出口,生活中的大小事都可能成為火種,讓攻擊者藉機展開各種操作,手法不出:誇大對方的負向特質、醜化其人格、扭曲事實,然後像發射子彈一般到處放出攻擊言論,這就是女生慣用的伎倆──八卦化。
八卦,可說是女生世界的精神「零食」,解饞又排悶,一口接一口,一個傳一個,就這樣完成了女生的聯盟動作。但是,八卦愈傳愈多人、愈傳愈離譜,結局必定以決絕撕裂作收。
女孩加入八卦集團的目的不一。有的純粹享受咀嚼「八卦零食」的痛快滋味;有的是為了拉出敵我、找到同儕的歸屬感;有的則也是在同溫層裡消化自己的嫉妒與恨,磨掉自己不如人的挫折感、維持優越感。但在女孩世界裡,若沒有一股正義的煞車力量適時出現,八卦負能量將如同滾雪球般愈滾愈巨大,其殺傷力可能超過一把利刃,殺人於無形。
因此,家有青少女,最怕她們毫無自我覺察,捲入、甚至內化了這種暗黑較勁的社交套路。在她們人格轉化與固化的青春期,不斷重複、負向增強,最後發展出愛嚼舌根、攪是非的「八卦人格」。
要是你家女兒願意聊聊班上同學八卦,可以問問她:「如果你是她,被好朋友講成這樣,你有什麼感覺?會不會覺得好朋友背叛了你?會不會對友誼失去信心?你覺得怎麼做對每個人都比較好、也比較公平?」這是青少女友誼世界中需要特別修練的功課─檢查自己是否染上了負面的社交習慣,喜歡妄下判斷、主觀認定、誇大其辭?爸媽閒談時透過這些問題,引導孩子去覺察自己的良心、反思自己的念頭,只要能在最開始就偵測到惡念的存在,便能無痛拔除。
■青少女社交特訓:拒絕加入八卦集團
所謂物以類聚,磁場相近的人會聚在一起,正向社交的人會吸引正向社交的人,寬大厚道的人會吸引寬大厚道的人,三姑與六婆,當然就一拍即合,最後都窩在同一鍋。
如果知道女孩團體裡已經流竄著言語流彈,可以找孩子談談,鼓勵她拿出勇氣來擔任「八卦終結者」:建議孩子試著改變話題,或是找機會幫對方說幾句客觀的公道話,甚至勇敢反問帶動的朋友,同樣的事如果發生在自己身上怎麼辦?在團體裡,找到能夠理性思考和溝通的朋友,先踩下煞車,再慢慢擴大這股正向的效應。
如果孩子自己就是被中傷的主角,最好的方式就是把問題帶到檯面上來解決,直接去找放話的主腦好好溝通,放在心裡只會不斷猜疑與怨恨,而使對峙的力道愈來愈強烈、人數愈捲愈多、手段愈用愈壞,傷痕愈裂愈大。
開誠布公邀請當事人騰出時間來當面聊聊,不建議用網路溝通、傳 LINE,因為文字的攻防戰通常只會愈描愈黑,淪為大家各自表述、只問立場、不問對錯的對立狀況,讓事態更加惡化、沒完沒了。找一個舒適、私密的地點,在適當的時間,讓彼此能安靜下來、不被打擾。
要怎麼溝通比較能達到效果呢?回到一開始的案例,被孤立的女孩誠懇地把閨密約出來,首先,可試著用最客觀的方式來敘述這段時間發生的事情:
我們本來是好朋友,但這陣子我們不僅沒有互動,我還聽到很多對我的批評。
再來,則是表達對這個事情的感受:
這個事件讓我失去你這樣一個好朋友,我覺得很可惜,很遺憾。
聽到一些好友批評我是騷貨、只想討好男生,這讓我覺得很受傷、很屈辱。
最後,則要提出對彼此友誼的期望,或是怎麼來解決彼此的衝突:
我很珍惜和你過去的那段時光,我希望我們能夠像過去一樣,還是好朋友。
如果我有什麼地方讓你看不慣,希望你告訴我,讓我有機會改變。
面對彼此的誤解與衝突,溝通的步驟很簡單,就如同上面所敘述的三個步驟:
敘述發生的事情→表達這件事情帶來的感受→提出期望與解決的方法
當然,單純的孩子會以為,自己誠心想要溝通,對方就得善意回應,最後應該要喜劇收場才對。但是,女孩子之間的暗黑競逐心理複雜難測,帶著誠意去溝通,最後熱臉貼冷屁股、鎩羽而歸也不意外。
藉由這一次次的經驗,就能看懂女孩的社交套路,也就學會更小心翼翼地避開女孩社交的「黑特」地雷。在成人前,摸透雌性世界裡的機伶處世之道,絕對是件好事,也是非常重要的事。
.
本文摘自《#家有青少年之爸媽的33個修練》
你那愈來愈陌生的孩子,該怎麼溝通?
作者:彭菊仙
... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
各位朋友好:
這幾天聽到了一個例子,能感覺到分享這件事的朋友,難掩心傷。
那是關於一個青少女。她很多事都不跟爸媽說,但什麼心底話都跟閨蜜講。不知何故,閨蜜翻臉,聯合其他同學展開關係霸凌,青少女一時無法承受,選擇自我傷害,最後離開了這個世界。
青少年攻擊人的力道,不管是肢體暴力或者言語攻擊,排擠、抹黑的手段,都可以很有殺傷力。所以我特別想分享這本書,希望幫助辛苦的父母,也關懷壓力山大的青少年。
祝願您,能學習愛自己,那永遠是停止霸凌的根基!
.
在這篇文章下方留言會贈書,請記得分享此文章到個人臉書版面,並設成公開。出版社會以官方粉絲團抽三位留言分享並公開的朋友贈書、寄送(不包含國外地區),三天後由出版社在文章下方留言公布贈書名單。
話題終結者例子 在 江魔的魔界(Kong Keen Yung 江健勇) Facebook 的精選貼文
各位魔粉,今天講一講否定人家意見的禁忌、合夥要如何分莊和如何冷靜的拒絕他人。
曾經有一位朋友招攬我和李民傑老師合夥開公司,而這家公司的目的就是要出版小說的。
當時我和李老師已經寫了幾本書,多寫小說是附加的,所以我們也有興趣。因為大家有了這個共識,所以就開始晚間會議,腦力激盪要寫些甚麼題材、故事和角色,但一開始洽談時,我們發現了一個狀況。
招攬我們的那位朋友D先生,有一直否定了我們提出的意見。例如李老師隨口提出故事是要鎖在一個有限空間內,例如一棟樓內,D先生就說這格局太小。
當我們提出有關殺手集團是透過紫微斗數看到了一個小孩將來長大後會成為如同希特勒的暴君殘害無數人,所以要秘密殺掉孩子,被一偵探發現而進行角力。當中不但辯論了命理學能不能信到這個程度,也會辯論了如同哲學課裡面應不應該殺一人救五人的道德問題。
D先生一聽了後就說殺小孩的情節可能會被人投訴。
當時李老師也說 Terminator 的故事就是未來世界的機器人派了魔鬼終結者機器人來到現在,要把人類叛軍的母親殺掉,第二集的電影就是拍T1000的液態金屬機器人來殺小孩的。
D先生又反駁說人家會覺得我們抄 Terminator的故事。
我們的回應是沒有甚麼故事的題材是全新的,任何故事,都一定會有類似的早已被出版,不如你給我們一些例子。
然後D先生就說我們的故事沒有骨幹。
我和李老師都很好奇的問他有骨幹的故事是怎樣的,結果我們很失望,他只是講了些模棱兩可的東西,然後又轉移話題了。
類似情況在接下來的會面都一直重複著,大約第三次的會議時,我們的點子又被D先生否定後,李老師的臉色變得很臭,全身不動,眼睛只是盯著桌子,不再發言。
D先生也留意到,他也問李老師有甚麼要補充,李老師只是搖頭。
那時候我心裡就做了一個決定。
離開會議後,我就私下跟李老師說幸好我們還未組公司,我沒有興趣跟這個人合作了,李老師當然認同。
下一次會議的時候,我就很快直接打斷D先生,我告訴他我沒有興趣組織公司,如果還有合作的話,就是憑每一次的合作來重新計算,而且有寫的人才能分錢,沒有寫就沒錢分。我的言下之意就是純出點子的人,不能分莊。
基本上我不是問他能不能接受,我只是冷靜告訴他這是我的決定。
當下D先生的腦袋很明顯的當機,我估計他應該是有一個背後議程,只不過他不要直接告訴我們,而不斷否定我們提出的意見,可能要等到我們有提出與他議程相近的,他才接受吧。
他當下語塞,可能沒想到我拒絕得很乾脆,他原先準備要講的,全部要嚥下。
直到今天為止,我和李老師都不確定當時D先生腦中的議程是甚麼。我認為如果他純粹是看不起我們腦袋的話,應該就不會選擇和我們合作。
我們事後有開玩笑的說不知D先生是否答應過要捧一些美女做演員,因為我們討論小說的會議中,他曾經提過女主角是模特兒,然後有人要追殺云云。
整個互動讓我們覺得D先生一直在釋放噪音,我們要從噪音中區別哪些是訊息,非常的費時費力。
總結來說,我們可以從這段經驗學到甚麼?
1)我對D先生提出的要求:有工作的才有錢分,這是很重要的價值觀,如我之前的文章,點子上不值錢的。我假設如果D先生提出的點子真的很強,他可以把點子賣給我們,而不是分莊。不然一旦開始合作,我們不斷的寫,他在那邊指指點點說這個好,那個不行,最後大家分的錢是一樣的話,我肯定會心理不平衡。
2)提出拒絕時,不需要生氣或無禮,也不需要客套滿滿,你最重要是帶出清晰的訊息即可。
3)訊息的清晰度有兩個很重要元素,第一個是文字的具體。如果說我還需要再思考一下,謂之不具體,你沒有告訴到人家你要甚麼。思考是甚麼意思?一下是多久?
4)訊息清晰度的第二個元素就是情緒量低,因為越高情緒量的溝通,不管是正面還是負面情緒,都只會把訊息變得不清晰,而且如果是生氣的情緒溝通,通常也會引發對方的情緒。兩方都很情緒化的溝通,試問訊息還能清晰嗎?
5)如果你要反對合夥人提出的意見,這也很正常。不過如果其他人的意見都一一的被你否定掉,你的潛台詞是你比大家更懂這個狀況。我們連續提出十七個意見都被你否定的話,我們一定會把球交在你手上,由你提出意見。如果你不提或顧左右而言他,我們是一定會生氣的。
6)而且就算現在你提出了一個意見,就算你認為你的意見很好,我們還是可以否定你的意見,這時候就很難說到底是據理否定,還是懷恨否定。
7)如果你有背後議程不肯講出來,拜託不要不斷的否定大家的意見而等到我們有提出你要聽的意見,首先它很浪費時間,因為大家沒有特異功能,要猜中你心中的,可比大海撈針。只有一種情況之下你可以玩假民主的遊戲,那就是你是大家的老闆。你出薪水給我們的話,我們就能陪你假民主。
#江魔設教
#廣渡魔粉
如果覺得我的文章有幫到你,你可以隨緣樂捐,打賞個小費給我吧:http://paypal.me/kongdemon
不打小費的話,就幫忙點讚分享,好讓演算法幫我推文!