1.联发科P23今天在京发布,售价死守10美元;

据台媒报道，联发科4G入门款P23、12nm制程的P30两款处理器，今天在北京正式发布，对比过去大型发布会，联发科这次很低调，营运长陈冠州将不会出席，由联发科无线通信事业部总经理李宗霖、产品规划总监李彦辑出席媒体沟通会。

P23处理器被联发科寄予厚望，采用16nm制程，搭载8核A53架构，锁定高通S450 处理器抢占市场份额。 因高通已将S450系列降至10美元以下，原先外界预期联发科将跟进，但供应链指出，P23调整幅度有限，原先定价约12~13美元，近期降至10~11美元，联发科死守10美元大关，并无外界想象的杀声隆隆。 外传P23已经拿到OPPO、VIVO、小米等手机厂订单。 

至于联发科首款12nm制程的P30处理器，将支持双信道LPDDR4内存规范，支持LTE Cat.10。 但相较于P23，采用P30客户较少，高通因应P30将在10月推出S660改版的Lite版本。

昨天网友在PTT爆料，联发科8月分红开奖了，8月传较2月分红打了5~6折。 联发科每年固定在2月和8月发放员工分红，计算基础为前1年度获利提列20%，来年发放，通常2月会比8月来得多。 联发科去年纯益240亿新台币，年减6.7%，分红跟着缩水。

今年2月分红约是去年打7~8折，8月分红再度缩水打了5~6折。  

2.美DARPA推CHIPS开放芯片 英特尔已加入 赛灵思表兴趣;

美国国防高等研究计划署(DARPA)旗下简称为“CHIPS”的计划，在未来8个月目标将定义及测试开放芯片介面，目标培育从即插即用小芯片(Chiplet)设计半导体元件的生态体系，希望在3年内将可见有多家公司以此连结广泛的晶粒，用以打造复杂的半导体元件，目前英特尔(Intel)已参与这项计划，赛灵思(Xilinx)几位高层也对DARPA这项计划表现出兴趣，预期不久后还会有几家业者加入。

根据科技网站EE Times报导，目前英特尔正在讨论是否开放其部分“嵌入式多裸片互连桥接”(Embedded Multi-Die Interconnect Bridge；EMIB)技术，作为该公司参与DARPA这项计划的一部分。在本届Hot Chips大会上，英特尔也介绍两款EMIB介面，分别称为“UIB”及“AIB”，两者均为相对简单的并行I/O电路，英特尔认为这项技术比为EMIB采用串列连结，具备较低的延迟性及较佳的微缩性。

英特尔目前仍未决定是否将发布AIB，以及如果发布了AIB，是否会让AIB成为开放源。AIB是英特尔为收发器所打造的专门介面，之后广泛应用于射频(RF)、类比及其他装置应用上，AIB在实体层能以高达每秒2Gbits的可程式化速率运行，在1个EMIB连结上并有多达2万个连结可用。

英特尔现场可程式闸阵列(FPGA)团队资深架构师Sergey Shuarayev认为，EMIB可被应用至将FPGA连结至中央处理器(CPU)、资料转换器以及光学元件，其成本较低且良率比2.5D堆叠技术为高。

赛灵思则在本届Hot Chips大会上，发布该公司第4代堆叠技术芯片“VU3xP”，内建高达3个16纳米FPGA以及两个DRAM堆叠，将于2018年4月前送样，这也是首度采用快取同调汇流互连架构加速器(CCIX)介面的芯片，支援4个连结主机处理器及加速器的同调连结。基于PCIe技术的CCIX初期以每秒25Gbits运行。赛灵思称该公司第4代FPGA芯片采用来自台积电的专门CoWoS 2.5-D封装技术。

高阶超微(AMD)及NVIDIA绘图芯片(GPU)也跟进赛灵思FPGA脚步，采用诸如CoWoS的2.5-D技术连结处理器与存储器堆叠，然而微软(Microsoft)一名资深工程师指出，这项技术至今对消费性产品来说成本太昂贵。

部分业界均表达希望DARPA计划能够克服复杂技术及商业壁垒的挑战，如赛灵思一名资深架构师指出，希望小芯片未来可变得更像IPs。另值得注意的是，英特尔与赛灵思与会讲者均提到在打造其模组化芯片设计上面临的部分挑战。DIGITIMES

3.英特尔加快处理器研发与AMD、高通较劲;

英特尔(Intel)推出第8代核心处理器系列，虽然新处理器主攻低功耗的轻薄型笔记型电脑，但新处理器预计将在2018年1月前扩展到消费者和商业市场的所有产品。

MarketWatch观察指出，英特尔态度很积极，将处理器核心数从2增加到4，基本上让每个处理器能够在笔记型电脑的电源限制中增加1倍运算量。由于笔记型电脑必须以有限的功耗和热量产生下运作，所以平衡性能和功耗至关重要。

英特尔押宝第8代核心产品，认为增加的处理能力将被软件更有效地使用，并且可以应付现在对速度要求极高的应用程式和操作系统。报导指出，当AMD在第1季推出用于桌上型电脑Ryzen处理器的核心数量比英特尔第7代处理器多1倍，这是英特尔的积极反应与预防性举措。

由于过去10年缺乏竞争，英特尔经常被指责为坐在自己的桂冠上，几乎不需要牺牲利润或投入资源来改善。AMD的出现再次唤醒沉睡的巨人，英特尔将会采取移动来确保其在市场上的地位。

AMD的蓝图包括Raven Ridge，将在2017年稍晚以4核处理器和高性能集成图形处理器，锁定笔记型电脑市场。AMD仍然在图形和游戏方面具有优势，但英特尔应该能够使用第8代核心处理器提供更低功耗和更高性能的系统。高通(Qualcomm)也将提供接近英特尔双核处理器产品性能水平的硬体。

英特尔近几个月来一直在许多方面感到压力，虽然进军手机市场使得股价下跌，但现在正在重新关注AMD和高通加入竞争后的企业和消费市场。英特尔有能力快速、灵活地恢复和适应变化，随着成本上升，利润率可能会缩小，但英特尔一直深知如何获得足够的利润。

报导认为，忽视英特尔的人都严重低估英特尔在中央处理器的技术优势。DIGITIMES

4.英特尔借由投入FPGA推动机器学习与AI;

自从机器学习(machine learning；ML)与人工智能(AI)在近期受到欢迎后，包括英特尔(Intel)等科技大厂也积极抓紧机会投入开发相关领域。该公司高层日前也表示，英特尔正利用现场可编程闸阵列(FPGA)技术，提供ML或AI的解决方案。

据New Electronics报导，为了抢搭ML与AI风潮，英特尔透过收购与内部发展打造解决方案。英特尔的可编程系统事业群(Programmable Systems Group；PSG)前身为Altera，AI产品专家Bill Jenkins表示，PSG专注在机器学习。

ML/AI目标则包含资料中心、自驾车与工业系统以及以大量数据分析来解决无法预测的问题。

Jenkins也举出一些目前遭遇困难，例如1辆车在1天约产生4Tbyte数据，而1间工厂则产生1ExaByte。在美国搜集后的数据有94%都被丢弃，至于要如何使用上述数据的答案在于变得更聪明。他也指出，让业者能在合理成本与资源下解决之前无法处理的问题，其中的硬体解决方案之一就是FPGA。

Jenkins表示，使用FPGA时是为了问题创造1个架构，让人可控制数据路径，有别于让数据从CPU移动再储存在存储器，目前数据已可直接进入FPGA，之后在最少延迟下做个别处理。换言之，FPGA重点就是系统效能与延迟。

Jenkins表示，FPGA已出现大约30年，在该领域目前所使用的是Arria 10，因为其浮点运算能力可保持精准度。Arria 10元件可提供达1.5TFlop的运算能力，而Stratix 10则为10TFlop。

Jenkins也指出，FPGA有大量内部存储器频宽，大概8Tbyte/s以及数个MB内建存储器，所以可很快取得数据、分析并在最短延迟内将结果回传，其表现也比CPU好，例如CPU需要在GHz时脉运转，FPGA可在300MHz运转并维持输入输出量。另外，在较慢时脉运转元件并将结果保存在FPGA上也可节省能源。

他认为，外界虽可使用ASIC来执行ML/AI，但其问题在于一旦打造1个ASIC后便无法改变，而且建造1个ASIC成本不便宜。厂商要投入ML/AI时必须厘清如何拓展用户群等问题。早期FPGA是透过OpenCL作为软件方案来增加潜在用户。

Jenkins表示，OpenCL目的就是将FPGA带入软件发展社群中。由于OpenCL是软件为基础的发展流程，因此外界已利用OpenCL写出学习资料库，但开发人员需要了解FPGA能提供的平行结构与更细致的路径，才不会让外界眼光被固定架构所限。

收购Altera后，英特尔随后发布的消息之一便是将FPGA与其Xeon伺服器处理器整合。Jenkins表示，外界正在寻找方法加速处理，而且搭载特定加速器的系统也被打造。虽然CPU可执行任何东西，但要速度快，意味着需要更多处理器或加速器，至于FPGA则容易扩充而且易连接。

Jenkins指出，英特尔目前作法是将机器学习元件从Xeon卸载并引进FPGA，如果不是FPGA原生，暂存汇流排会将数据推回CPU，运算之后再送回FPGA，成为无缝整合。

另外，FPGA作为服务(FPGA as a Service)概念正在形成。云端服务供应商并提供客户使用FPGA当作加速器，2家英特尔客户已提供该服务。大陆阿里云提供云端工作量加速来作为投资FPGA基础建设的另1种选项，在欧洲与Accelize合作则让OVH用户采用预建FPGA加速器、客制化或新建。DIGITIMES

5.Google：神经网络亟需最佳化硬件;

Google资深研究员Jeff Dean强调，硬件系统可针对执行少量特定的作业实现优化，并形成大量机器学习模型，从而打造更强大的神经网络…

如果您目前尚未考虑到如何有效利用深度神经网络(deep neural network)来解决您的问题，那么您的脚步必须加快了。至少，根据Google资深研究员兼深度学习人工智能研究计划(即Google Brain)主持人Jeff Dean是这么认为的。

在日前于美国加州举行的Hot Chips大会专题演讲中，Dean介绍神经网络如何大幅改写运算设备，并在语音、视觉、搜寻、机器人与医疗保健等领域取得重大的进展。他强调，硬件系统可针对执行少量特定作业实现优化，并形成大量的机器学习(machine learning)模型，从而打造更强大的神经网络。

Dean说：“针对神经网络具备的特性打造专用计算机极具意义。如果你能开发出一套真正善于进行特定作业(例如加速的低精度线性代数)的系统，那就是业界梦寐以求的。” 

针对美国国家工程院(National Academy of Engineering；NAE)于2008年提出的14项21世纪重大工程挑战，Dean认为，透过神经网络可望在解决这些所有问题时发挥重要作用。Dean在发表简报时特别着重于其中的五项挑战：恢复并改善城市建筑、推动健康资讯工程进展、更有效地用药，以及人类大脑的反向工程等。不过，对于NAE重大挑战清单中的最后一项——为科学探索打造工具，Dean却保留了他的看法。

Dean表示：“人们已经意识到我们需要更多的运算能力，才能解决这种种的问题。”

TPU Pods解决更大的问题

Google最近开始为其客户和研究人员提供可经由云端服务的第二代TensorFlow处理器单元(TPU)机器学习ASIC。这是一款客制化的加速器板，配备4个第二代装置，据称可带来180兆次浮点运算(TFLOPS)运算和64GB高带宽内存(HBM)的性能。

Dean表示，新的云端TPU芯片设计主要用于将彼此连接在一起，形成更大的配置——亦即被称为‘TPU Pod’的机器学习超级计算机。一个TPU Pod配置中包含64个第二代TPU，可提供11.5 petaflops以及 4TB的HBM内存。他并补充说，Google还免费提供了1,000个云端TPU给致力于开放机器学习研究的顶尖研究人员。

Dean说：“我们对于TPU Pod解决更大问题的可能性感到非常振奋。”

2015年，Google发表TensorFlow软件库，为机器学习开放来源，目标就在于建立一个可用于表达与交换机器学习想法与系统的通用平台。Dean并展示了一张图表，显示TensorFlow才刚过一年半，就已经比其他具有类似用途的库更受欢迎。

Dean表示，近五年来迅速出现的神经网络，主要是受到过去20年来运算能力的重大进展而促成的。他并补充说自己在1990年时还为此撰写了一篇有关神经网络的论文。他认为，当时的神经网络发展几乎是可行的，但大约还需要更高60倍的运算能力。

Dean说：“而今，事实证明，我们真正需要更高大约100万倍的运算性能，而非60倍。”

6.数据重要性日增　可望带动半导体成长契机

目前半导体产业正处于数据分析的中途点，除了大量数据已被产生及分析之外，新技术的开发也让分析数据更有效率。不过，评论认为，随之而来的问题是如何进一步利用数据，因此也可望激发更多实验与投资潮出现，一举推升半导体到新的成长阶段。

据Semiconductor Engineering报导，思科(Cisco)预估，2021年每年网路流量将从2016年的1.2ZB(Zettabyte；1ZB为1兆GB)，来到3.3ZB，而且从每日最忙碌60分钟期间的流量来看，在2016年已增加51%，相对整体流量成长则仅有32%。

评论指出，如今真正问题不在于数据量，而是有价值的数据数量为何，但目前并没有清楚定论。Synopsys执行长Aart de Geus表示，目前许多产业已发现自家业务、产品与营业模式会被不同数据运用而受影响，如果能加以利用找到捷径与效率，除了带来巨大影响力之外，也可能产生巨大获利。

于是此举也将带动许多投资，包括资料探勘(Data Mining)与云端服务以及机器学习与工业物联网(IIoT)等技术的投资。

Mentor执行长Wally Rhines指出，拥有数据、分析与处理上述数据能力者可为自己带来所有获利。目前并无法判断该市场是否是赢家全拿的局面，但至少已有许多大型公司虎视眈眈，例如亚马逊(Amazon)、Google、微软(Microsoft)、Facebook与IBM等都在争抢龙头。

其中IBM销售主管Christophe Begue指出，借由物联网(IoT)数据，外界可搜集到有关效能、行为与装置的使用资讯，下一步则是将数据丢给Watson以便执行数据分析，但该数据唯有与未从装置取得的大量外部数据或脉络数据(Context Data)配合才有意义，例如从卡车判定交通模式，借此了解人们与其社会行为。

评论认为，目前问题在于如何将数据化成获益以及确认潜在客户为何，但在这之前，企业必须了解数据真正价值，并且能快速因应数据的改变，以及具备为数据议价的能力。

另外，并非所有有用的数据都是来自外部，内部产生数据对工业运作也相当有价值。诸如智能制造或工业4.0(Industry 4.0)与工业物联网其实都是奠基在更佳利用内部数据。

Optimal+副总David Park指出，工业物联网目的就是改善工厂，目前业者虽有流程分析与即时化生产技术，但欠缺预测分析。而且问题在于并非所有数据都是好的，一旦决策来自不好的数据，也将带来无法预期的问题。Park也表示，如果数据良好，良率可大幅提升2~3%。

国际半导体产业协会(SEMI)副总Tom Salmon也指出，有效利用数据也是该协会智能制造顾问委员会(Smart Manufacturing Advisory Council)主题之一。虽然拥有数据相当重要，但问题并不在于拥有数据不足，而是目前仅使用1成的数据。

因此，业者必须厘清提出问题的方向为何，以及如何加以运用，以便达成为制造所设定的目标，例如虽然出现可靠度问题，但并非是制程问题。

评论也指出，机器学习基础在于搜集关键数据并让机器在预设参数下从中判读，目前汽车市场已利用相关系统来协助、并希望在最后取代现实世界的驾驶行为。机器学习也被运用在半导体设计与制造上来提升品质、可靠度与良率。

eSilicon行销副总Mike Gianfagna指出，一旦业者能建立具备详细程度的数据，便可运用在未来设计上，但让数据过于细或粗糙都无济于事，运用目的在于让数据产生获利并降低风险与提高作业效率。对于半导体设计与测试来说，所产生的数据量虽然远比部分由大型云端业者执行的大数据分析还要小，但更为复杂。

美国国家仪器(National Instruments；NI)副总George Zafiropoulos认为，目前技术现况在于取得数据，下一阶段则是厘清数据分析可发挥功用的地方，但有可能会导致更好的芯片设计出现。

ANSYS副总John Lee则指出，7纳米是业者首度需要产量、速度与机器学习与大数据分析的制程，由于热会影响系统可靠度，因此需要进行同时热分析。评论认为，半导体产业正处于数据分析的中间点，也衍生出许多新成长机会。

据Cadence执行长Lip-Bu Tan指出，连网车市场将从2015年240亿美元，2020年增加到370亿美元，深度学习会来到100亿美元，云端与资料中心则会来到800亿美元规模。Tan也认为，从物联网最大化到云端都会提供半导体庞大机会，但问题仍在于如何继续使用及应用数据。