關於 軟硬體整合意思 ，我們在網路上蒐集到這些相關的討論、資訊與評價

「一篇 ＃好的meta-analysis，在搜尋文獻，規劃方向的時候，就已經決定了。」
⠀
🔸 【最新公告】11/7（日）統合分析工作坊 │ 全新梯次，開放報名！
⠀
＃初學者，都是先收集資料、先歸納看看、先統計看看，再來想故事。
＃有經驗的寫作者，做同樣的事情時，心裡想的並不一樣。
⠀
收集資料時，思考「我該收進哪些？這些文章的角色是什麼？最後可以為我的論文增加什麼層次？」

歸納的時候，思考「我該怎麼歸納？怎麼分類？怎麼把一個更有趣的故事藉由歸納的過程說出來？」

Run統計軟體時，不只取得數據，更一邊決定「我要怎麼呈現圖片？順序為何？內容為何？怎樣的圖組最有說服力？」
⠀
你會發現，有了這樣的策略思維，當統計軟體 run 完時，論文的架構、高度、層次已經決定，剩下的，就只是把他從腦子裡寫出來而已。正如米開朗基羅所說：「雕像其實已經在大理石裏面了，我只是要把多餘的部份鑿開。」
⠀
課程中，「指定論文」原作者張凱閔醫師，將和您分享在寫作前所埋入的架構、高度與層次，帶您理解「勝兵，先勝而後求戰」的境界。會打勝仗的人，都是已經先知道自己會贏了，才找機會開戰；打敗仗的人，往往是先開戰了，然後才想辦法求勝。
⠀
🎯 克服經費與資源稀少的困境，帶您踏入統合分析的領域！
⠀
☑ 統合分析研究規劃技巧
☑ 正確拆解論文架構
☑ 必學的重要專有名詞
☑ 互動實作：完成一套 Meta-analysis 圖表
☑ 以發表為導向的搜尋文獻
☑ Meta-analysis 圖表優化重點
☑ 給初學者的起步建議
⠀
🔸 【全新梯次】11/7（日）統合分析工作坊
➠ https://meta-analysis.innovarad.tw/event/
現在投資自己，將來 PubMed 上有你。
⠀
⠀
🗣️ 課後學員回饋
⠀
「重點式的提醒，條列式的步驟，搭配『充實』的實作互動，讓我收穫滿滿，非常感謝所有課堂中軟 / 硬體的協助！」
⠀
「實作說明書非常詳盡，可以很快速按步驟完成圖表，讓初學者成就感爆棚！課程內容簡明扼要，能快速抓到重點！」
⠀
👨‍🏫 堅強講者陣容
⠀
＃張凱閔，知名復健醫學與超音波學者，台大流病與預防醫學博士，SCI 論文超過 190 篇，並有 25 篇以上為 meta-analysis，探討臨床常見議題。
⠀
＃曾秉濤，專業精神科醫師，擅長從臨床工作找到發表議題，並組成研究團隊，SCI 論文超過 85 篇，並有 70 篇以上為 meta-analysis。
⠀
＃蔡依橙，專業課程開發與整合者，能迅速理解學門架構，並以初學者能理解的方式，建構學習流程。生涯被 SCI 期刊接受的圖表，已超過 500 張，熟悉學術審閱過程與要求。

AI 時代的摩爾定律？黃氏定律靠的是自身技術力將 AI 性能年年加倍

作者 雷鋒網 | 發布日期 2020 年 12 月 16 日 8:45

1965 年，時任快捷半導體公司工程師，也是後來英特爾（Intel）的創始人之一的戈登·摩爾（Gordon Moore）提出了摩爾定律（Moore’s law），預測積體電路上可以容納的晶體管數目大約每經過 24 個月便會增加 1 倍。

後來廣為人知的每 18 個月晶片性能將提高 1 倍的說法是由 Intel CEO 大衛·豪斯（David House）提出。過去的半個多世紀，半導體行業按照摩爾定律發展，並驅動了一系列的科技創新。

有意思的是，在摩爾定律放緩的當下，以全球另一大晶片公司 NVIDIA 創始黃仁勳（Jensen Huang）名字命名的定律——「黃氏定律（Huang’s Law）」對 AI 性能的提升作出預測，預測 GPU 將推動 AI 性能實現逐年翻倍。

Intel 提出了摩爾定律，也是過去幾十年最成功的晶片公司之一。NVIDIA 作為當下最炙手可熱的 AI 晶片公司之一，提出黃氏定律是否也意味著其將引領未來幾十年晶片行業的發展？

AI 性能將逐年翻倍

受疫情影響，一年一度展示 NVIDIA 最新技術、產品和中國合作夥伴成果的 GTC China 改為線上舉行，黃仁勳缺席今年的主題演講，由 NVIDIA 首席科學家兼研究院副總裁 Bill Dally 進行分享。Bill Dally 是全球著名的電腦科學家，擁有 120 多項專利，在 2009 年加入 NVIDIA 之前，曾任史丹佛大學電腦科學系主任。加入 NVIDIA 之後，Dally 曾負責 NVIDIA 在 AI、光線追蹤和高速互連領域的相關研究。

在 GTC China 2020 演講中，Dally 稱：「如果我們真想提高電腦性能，黃氏定律就是一項重要指標，且在可預見的未來都將一直適用。」

Dally 用三個項目說明黃氏定律將如何得以實現。首先是為了實現超高能效加速器的 MAGNet 工具。NVIDIA 稱，MAGNet 生成的 AI 推理加速器在模擬測試中，能夠達到每瓦 100 tera ops 的推理能力，比目前的商用晶片高出一個數量級。

之所以能夠實現數量級的性能提升，主要是因為 MAGNet 採用了一系列新技術來協調並控制通過設備的訊息流，最大限度地減少數據傳輸。數據搬運是 AI 晶片最耗能的環節已經是當今業界的共識，這一研究模型以模組化實現能夠實現靈活擴展。

Dally 帶領的 200 人的研究團隊的另一個研究項目目標是以更快速的光鏈路取代現有系統內的電氣鏈路。Dally 說：「我們可以將連接 GPU 的 NVLink 速度提高一倍，也許還會再翻番，但電信號最終會消耗殆盡。」

這個項目是 NVIDIA 與哥倫比亞大學的研究團隊合作，探討如何利用電信供應商在其核心網絡中所採用的技術，通過一條光纖來傳輸數十路信號。據悉，這種名為「密集波分複用」的技術，有望在僅一毫米大小的晶片上實現 Tb/s 級數據的傳輸，是如今連網密度的 10 倍以上。

Dally 在演講中舉例展示了一個未來將搭載 160 多個 GPU 的 NVIDIA DGX 系統模型。這意味著，利用「密集波分複用」技術，不僅可以實現更大的吞吐量，光鏈路也有助於打造更為密集的系統。

想要發揮光鏈路的全部潛能，還需要相應的軟件，這也是 Dally 分享的第三個項目——全新程式語言系統原型 Legate。Legate 將一種新的編程速記融入了加速軟件庫和高級運行時環境 Legion，借助 Legate，開發者可在任何規模的系統上運行針對單一 GPU 編寫的程序——甚至適用於諸如 Selene 等搭載數千個 GPU 的巨型超級電腦。

Dally 稱 Legate 正在美國國家實驗室接受測試。

MAGNet、以光鏈路取代現有系統內的電氣鏈路以及 Legate 是成功實現黃氏定律的關鍵，但 GPU 的成功才是基礎。因此，GPU 當下的成功以及未來的演進都尤其重要。

GPU 是黃氏定律的基礎

今年 5 月，NVIDIA 發布了面積高達 826 平方毫米，整合了 540 億個晶體管的 7 奈米全新安培（Ampere）架構 GPU A100。相比 Volta 架構的 GPU 能夠實現 20 倍的性能提升，並可以同時滿足 AI 訓練和推理的需求。

憑藉更高精度的第三代 Tensor Core 核心，A100 GPU AI 性能相比上一代有明顯提升，此前報導，在 7 月的第三個版本 MLPerf Training v0.7 基準測試（Benchmark）結果中，NVIDIA 的 DGX SuperPOD 系統在性能上開創了 8 個全新里程碑，共打破 16 項紀錄。

另外，在 10 月出爐的 MLPerf Inference v0.7 結果中，A100 Tensor Core GPU 在雲端推理的基準測試性能是最先進 Intel CPU 的 237 倍。

更強大的 A100 GPU 迅速被多個大客戶採用，迄今為止，阿里雲、百度智能雲、滴滴雲、騰訊雲等眾多中國雲服務提供商推出搭載了 NVIDIA A100 的多款雲服務及 GPU 實例，包括圖像辨識、語音辨識，以及計算流體動力學、計算金融學、分子動力學等快速增長的高性能計算場景。

另外，新華三、浪潮、聯想、寧暢等系統製造商等也選擇了最新發布的 A100 PCIe 版本以及 NVIDIA A100 80GB GPU，為超大數據中心提供兼具超強性能與靈活的 AI 加速系統。

Dally 在演講中提到：「經過幾代人的努力，NVIDIA 的產品將通過基於物理渲染的路徑追蹤技術，即時生成令人驚豔的圖像，並能夠借助 AI 構建整個場景。」

與光鏈路取代現有系統內的電氣鏈路需要軟硬體的匹配一樣，NVIDIA GPU 軟硬體的結合才能應對更多 AI 應用場景苛刻的挑戰。

Dally 在此次的 GTC China上首次公開展示了 NVIDIA 對話式 AI 框架 Jarvis 與 GauGAN 的組合。GauGAN 利用生成式對抗網路，只需簡略構圖，就能創建美麗的風景圖。演示中，用戶可通過語音指令，即時生成像照片一樣栩栩如生的畫作。

GPU 是黃氏定律的基礎，而能否實現並延續黃氏定律，僅靠少數的大公司顯然不夠，還需要眾多的合作夥伴激發對 AI 算力的需求和更多創新。

黃氏定律能帶來什麼？

NVIDIA 已經在構建 AI 生態，並在 GTC China 上展示了 NVIDIA 初創加速計劃從 100 多家 AI 初創公司中脫穎而出的 12 家公司，這些公司涵蓋會話人工智慧、智慧醫療 / 零售、消費者網路 / 行業應用、深度學習應用 / 加速數據科學、自主機器 / IoT / 工業製造、自動駕駛汽車。

智慧語音正在改變我們的生活。會話人工智慧的深思維提供的是離線智慧語音解決方案，在佔有很少空間的前提下實現智慧交互，語音合成和語音辨識保證毫秒級響應。深聲科技基於 NVIDIA 的產品研發高質量中英文語音合成、聲音定制、聲音複製等語音 AI 技術。

對於行業應用而言，星雲 Clustar 利用 NVIDIA GPU 和 DGX 工作站，能夠大幅提升模型預測精確度以及解決方案處理性能，讓傳統行業的 AI 升級成本更低、效率更高。

摩爾定律的成功帶來了新的時代，黃氏定律能否成功仍需時間給我們答案。但這一定律的提出對 AI 性能的提升給出了明確的預測，並且 NVIDIA 正在通過硬體、軟體的提升和創新，努力實現黃氏定律，同時藉生態的打造想要更深遠的影響 AI 發展。

黃氏定律值得我們期待。

附圖：▲ NVIDIA GPU 助推 AI 推理性能每年提升 1 倍以上。（Source：影片截圖）
▲NVIDIA 首席科學家兼研究院副總裁 Bill Dally。
▲ 搭載 160 多個 GPU 的 NVIDIA DGX 系統模型。

資料來源：https://technews.tw/2020/12/16/huang-law-predicts-that-ai-performance-will-double-every-year/?fbclid=IwAR1vXHWAGt_b8nDRW6VUqzpAINX_n_DzJ0KwJvdBnl18s8Q1A3Thk7hgBoI

[我要發長文囉慎入]

趁大家在討論健保改革的同時，想要聊聊我對於我國醫療服務輸出體系模式改革的意見。這是我在立院四年，逐漸形成的想法，可惜有許多許多必須同時改革，無法短期就改，也真的需要政府啟動全面規劃才能進行。

簡單來說，國家必須讓公立醫療體系的給付與資源，脫離齊頭平等的健保業績制模式，讓公、軍、私體系的醫療責任和業務分工，平衡城鄉需求，並發展各自的專業任務。

目前健保給付的方式，是以疾病或醫療處置項目，同一層級醫療機構同一標準給付。

意思就是，同樣一個處置，不論資深或資淺，不論偏鄉或都會，一口價；而在醫學中心，給付最高，因為假設了這是「經過分級轉診」來到醫學中心的，所以是「比較複雜或困難的處置」；事實上，因為前20年根本沒有落實醫療分級，這個假設的結果，變成不論難症輕症，只要進了醫學中心就是較高給付；而因為健保總額給付有上限，因此原本是以「醫療品質」為評估的醫院評鑑制度，實質上變成醫院能夠拿到多少給付的競爭，理應全數「通過品質核定」的評鑑制度（全數醫療品質達標不是很好嗎）變成「只有這些錢能分配所以要分高下」的變態競爭，衛福部每次都說「評鑑沒有規定到那些細項」，但是當評鑑降級會使醫院得到的給付大縮水的時候，評鑑內容和醫院因應評鑑的各種做法就會變得非常變態。

因此，要嘛就設定時程目標，真正落實分級醫療制度；要嘛脫鉤醫院評鑑等級和健保給付之間的關聯。（2016年蔡政府是真正有開始動分級醫療的。）

我一直認為，台灣不大，北中南東都醫學中心，同一個區域還好幾家，根本是不合理的事；也因為醫學中心評鑑與給付，以及醫療機構設置標準的關係，所有最頂尖或最終端的次專科全數集中在「每一間醫學中心」，這不是不行，但是也變成醫院間的互相競爭廝殺，卻無法真正讓各特定專科次專科獨立出來；什麼意思呢？醫學中心必須要有「所有的次專科」，這些因為健保給付方式與資源的不均，全部會集中在大都市。如果將特定專科獨立作為某些專科的醫院，例如骨外傷復健醫院、心血管治療醫院、高風險婦幼醫院，依照地區需求分散設置，這能打破因為醫學中心設置標準與給付模式所造成的全數集中在都會特定某依家醫院的情況，均衡發展且平衡地方需求。

＃讓評鑑回到醫療品質而非給付基準
＃讓應有的急重難症給付提升到應有的條件

全台灣百分之九十九的醫療院所都是健保簽約院所，給付方式也都以一樣的齊頭平等，把私立醫療院所和（衛生福利）部（附）屬醫院、退輔醫院、軍醫院通通用同樣的遊戲規則，長期以來，變成部屬醫院的城鄉間資源和品質差距甚大，偏鄉軍醫院萎縮甚至關閉，退撫醫院也出現都會塞爆偏鄉拱手給私立醫療體系醫院作為擴充健保額度使用的現象。然後，大者恆大，弱者恆弱，醫療資源失衡。

很多年輕學生考醫學系的時候把「去偏鄉服務」掛在嘴上，偏鄉醫療的人力和資源不足也是許多報導和民代永恆的課題，問題是，為什麼偏鄉沒人要去？撇除偏鄉交通與生活相關資源與城市的差距，在健保給付模式不變的情況下，在都會一節門診的病人數與收入數，在偏鄉可能一個星期都比不上，這時候，一樣醫術、一樣能力，在偏鄉的醫師收入怎麼算都不如在都會，這還不考慮藥師、護理師、檢驗機構在偏鄉的人力聘任困難；長久以來，只能靠「熱血」、「熱情」、「奉獻」，要怎麽支撐？在不願意大改又急就章的「補足需求」的情況下，衛福部長期以「醫學中心支援」的模式，作為「偏鄉醫療」的解藥。如前段提過，醫學中心評鑑牽涉到給付，只要想通過評鑑的，掛入醫學中心評鑑條文中，醫學中心必定乖乖配合，因此可以永遠「生」出「醫學中心級醫師支援偏鄉」的服務，但是誰都知道，這樣不會常久，甚至有醫院通過評鑑後，直接不聘支援醫師了，反正補助不拿沒關係，只是為了評鑑通過。

這個國家原本就有至少三種醫療服務提供系統，就是我前面提到的部屬醫院、軍醫院（包括退撫醫院）及私立醫療機構（包括財團法人、教育部體系的學校附設和宗教醫院等），我一直認為，解決所謂偏鄉醫療資源不足的方法，是強化軍醫院與部屬醫院的資源，將資源直接挹注給支撐偏鄉醫療機構的公立醫院，而不是用「醫中計畫」等補助，輸送到私立醫學中心去。

全台27家的部屬醫院，一直都是各自經費獨立、聘任與分科業務獨立的；齊頭的平等之下，都會的部屬醫院病人多，當然資源與經費就豐沛，而其實在這些都會的部屬醫院周邊，還有許多私立醫療院所，彼此之間還有互相競爭的關係；偏鄉的部署醫院，因為年輕人口流失、偏老人與慢性病人需求，但是整個來說，有醫療需求，但病人少，資源與收入經費「養不活」這些部屬醫院，醫師靠健保收入也完全比不上都會，真的多數若不是因為理念或為家鄉服務，或公務身份派任，其實很難留下來，這也是公費醫師在還完公費之後通常不會留下來的原因之一。惡性循環之下，偏鄉的部屬醫院連舉債蓋新建築或買新設備的能力都沒有（屏東旅遊醫院支撐了台灣南端業務，卻是長期爭取之後獲得行政院經費支持才能改建超破敗的建築），民眾對這些醫院的信任度流失、醫療人員也留不住，民眾依然迷信都會的大醫院，怎麼樣都無法建立受肯定的偏鄉醫療服務。

衛福部與其不斷「補助」醫中計畫，不如盤點部屬醫院所需人力，以定薪聘任醫師的方式，讓偏鄉部屬醫院的醫師不需以「業績制」計薪，業務量相對都會少，但是收入反映業務量有其正面誘因，不要讓醫師只能抱著「奉獻」的心到偏鄉；而全國部屬醫院資源整併，讓都會醫院的收入來支持偏鄉醫院，類似所有部屬醫院「都是衛福部的分院」的概念，也同時解決人力流動支援、薪資差距過大、院間軟硬體藥品採購成本壓力差距的問題。

＃讓部屬醫院體質健康起來承擔普遍醫療照護服務的部分

我一直認為，軍醫院和退撫醫院體系，與私立醫療機構齊頭競爭健保收入，是非常不正常的事，更是對於軍陣醫學的長期忽視。
重大創傷的培訓與研究、災難醫療的訓練與整合、核生化救災、犯罪心理學和精神醫學、航空潛水醫學的專業，不該靠私立醫療機構「行有餘力」或專科醫學家「有興趣」才去發展，國家應該把這類專業的訓練、研究、整合和國際連結，交給軍醫和退撫醫療體系。這些都是隨時因應重大災害甚至戰爭醫學與國際災難支援所需的專業，據我所知，三總和國防醫有相關的研發，然而，再怎麼有專家研發，當醫院必須跟一般私立醫療院所一樣，靠健保和專案補助活的時候，怎麼樣都無法好好發展。

我相信國家有資源，或者，國家不是無法整併出相關資源，挹注軍陣醫療的研究與臨床服務和訓練，作為國家特殊醫療專業的統整和發展；只是，必須提供資源和整合，以及訓練合作的模式（特定專業由軍系醫院培訓，再到地方提供醫療服務，並定期回來訓練），並且把四散的創傷與重大外傷醫學服務，收攏成一個系統。這不只是讓重大傷害醫療和特定專業醫療成為有系統的研究發展訓練，整合台灣內部因應重大傷害或災難相關資源，更是接軌國際的需求，包括參與國際救災、戰爭前線支援等。

現在地方的軍醫院已經因為健保收入的不敷成本，萎縮到一一面臨關院的危機，這是重大危機！

＃讓軍系醫院發展軍陣醫療支撐國家重要醫療專業發展與國際連結

寫太多沒人會看，我要草草收尾（喂）。
1. 讓部屬醫院體質健康起來承擔普遍醫療照護服務的部分。
2. 讓軍系醫院發展軍陣醫療支撐國家重要醫療專業發展與國際連結。
3. 當部屬醫院和軍系醫院由國家支撐並均衡發展時，國家應鬆綁私立醫療院所在高科技與新技術的發展和收費，讓大型私立醫療機構專心發展全球最新最好的醫療。