從雲端加速技術看台灣高階人才培育問題(十五):改變體質、找到方向 | Rocket Café 火箭科技評論

從雲端加速技術看台灣高階人才培育問題(十五):改變體質、找到方向

洪士灝
台大資訊工程系暨網路及多媒體研究所教授;主要研究領域為計算機架構與平行處理、計算機效能評估與最佳化、電子商務系統及雲端運算、嵌入式系統設計、以及網路資訊安全。

編按:本文是洪士灝教授一系列談論高階科技人才培育問題專文的第十五篇,前面幾篇請在此點閱:第一篇第二篇第三篇第四篇第五篇第六篇第七篇第八篇第九篇第十篇第十一篇第十二篇第十三篇、第十四篇

上一篇談到台灣待突破的研發文化,但批評容易,如果不提出有建設性的作法,又會被譏笑為酸民。不過真的提出建議後,通常長官沒時間看,酸民也不愛看,讀者寥寥無幾;如果光看點閱率,長久下去自然會造成電子媒體界酸文遠多於建設性文章的問題。

世界上很少有所有人都叫好的東西,「父子騎驢」的故事聽過吧?無論是意見或產品。對作家來說,最重要的是找到適合自己、可持續耕耘、有機會突穎而出的個人風格,而不是想去討好所有人;對產品開發者來說,最重要的也是找到適合自己、可持續耕耘、有機會脫穎而出的產品路線,才能長久經營下去。

台灣在過去二十餘年所耕耘的系統產業,曾經輝煌風光過。筆者說過,我並不反對代工和做代工的人,我反對的是「管理階級說台灣只能做代工,大聲疾呼要政府補貼代工產業,否則台灣就如何如何悲慘」的一套說詞。代工又不是新創公司,如果獲利夠高,何必要政府補貼?

台灣高科技業的出路,其實十分寬廣

那麼台灣的高科技業的出路在哪裡呢?我看到的路太多了,無法一一列舉;但我資質駑鈍,不懂得走捷徑,所看到的路,都是需要充分學習、運用才智、磨練經驗之後才走得通的道路。所以想走捷徑,請找別人。坊間有數不盡教人如何致富的暢銷書,搞不好寫書的人因此致富的數量比讀者還多。

要務實搞研發,隨手舉例來說,日前哈佛大學的David Brooks教授來到台大資工系演講,題目是「為深度學習而設計的計算機架構」(Computer architectures for deep learning applications),就是台灣系統產業非常感興趣而且可以做的題目。但是這個題目要做好並不容易,因為這不是那種設法把人家制定好的硬體規格,直接放進系統晶片的傳統作法。

怎麼說呢?

深度學習是當今的顯學,啟發了很多新的智慧型的應用,產值相當看好;但如何將深度學習的機能放入各種應用?除了發揮創意、打造應用之外,深度學習引擎的效能和效率必須具備足夠的競爭力。

以汽車產業為譬喻,作為動力來源的引擎,是最重要的技術。跑車需要大馬力、貨車需要大扭力、轎車要平順可靠、小車要經濟省油;各汽車廠如果沒有掌握好引擎技術,即便車子造型做得再漂亮、內裝再豪華,可能還是乏人問津。

因此,如何幫深度學習應用打造合適的引擎,也是當前計算機架構的研究重點。Brooks教授目前擔任ISCA 2017年會的Program Chair,這場年會受到計算機架構研究社群的高度重視。他談到最近相關領域雖然是百家爭鳴,但是研究者似乎專注在某些容易產出結果的應用,業者似乎只憑著經驗法則來開發新的深度學習應用,都有不少的盲點,都還在摸索,所以還有很大的研發空間。

全球業界在深度學習領域,都還在摸索做法,所以台灣還有很大的發展空間。

正是如此。這幾年常有系統晶片業者來問筆者,怎麼做深度學習用的晶片?我的回答是這件事不容易,要真的做好的話,要先深入了解應用的特性,分析運算的分佈,再來談晶片設計。然後呢?就沒有然後了。系統晶片設計業擅長的,是做客戶提供規格的設計工作;要他們從應用端出發,分析軟體的特性,就是他們相當不擅長的工作。

這就是代工產業多年以縝密分工來追求效率衍生的問題,鮮少有台灣的公司能夠做從應用到系統「端到端」(End-to-End)的創新研發。好比很多人詬病台灣教育體制訓練出很多擅於考試的學生,遇到沒見過的、複雜度高的題目,就不知如何下手,腦袋就無法運作。

我的想法與Brooks教授一致,正所謂「工欲善其事,必先利其器」,為了要針對百花齊放的智慧型應用,打造出最適用的深度學習引擎,我們還缺乏相當多的工具與分析方法。因此他的演說,談的就是如何提供一套完整的做法(A Full-Stack Approach),講居於樞紐地位的工具設計,如下圖所示。

由上而下,他的團隊研究如何以深度學習設計深度學習的演算法(Algorithms)、打造一套供研究者使用,用以評估重要的深度學習工作量的開源專案Fathom、針對低功率應用設計的深度學習加速器架構設計工具Minerva、以及用台積電28nm製程做出的SM2深度學習加速晶片。這就是End-to-End的示範。

David Brooks教授的投影片。

台灣如何切入深度學習的軟硬體產業?

雖說遠來和尚會唸經,但我們也不是不懂。筆者指導的幾位研究生,也在研究深度學習引擎的架構與最佳化,為此開發效能分析工具。例如Google雖然提供開源的Tensorflow深度學習中介軟體,但實際上要怎麼打造出一套高效能的Tensorflow引擎呢?我和Brooks教授都認為,雖然Google早已做出Tensorflow專用的TPU晶片,但世界上有太多這類型的研發工作,而台灣應該有機會在此扮演重要的角色。

筆者對Brooks教授說,是的,台灣應該做得到,只要把資源投在對的人事物上面。我的淺見是:

  • 不需要補助大公司做這些,因為他們本來就該投資研發。如果他們自己不想出錢進行技術研發,即便政府提供補助,執行效果也是有限的,往往只是交差了事,錢最後還是會進到他們覺得更有利可圖的短期研發項目上。
  • 如果大公司想做這些,最好是將部門獨立出來成為子公司,給予中長期的資金援助;此時政府可視該子公司的狀況決定是否該投資,而非補助。既然是投資,當然應該有監察和回饋機制,子公司較為單純,政府比較容易應對。
  • 如果法人機構想做相關研究,也是請相關人等出來開公司比較好。我在幾個場合中對政府長官建言,建議政府應該重新評估工研院和資策會等法人的定位。過去這些法人的確扮演過舉足輕重的角色,尤其在引進國外技術和培育人才上貢獻卓著;但這些年演變下來,法人往往成為舒適圈,不夠積極。
  • 有技術深度的新創公司,是政府最應該長期投資的對象。如上所述,台灣目前最缺乏的,是能從應用到硬體把產品End-to-End做出來的高階技術人才;但這類人才不易培養,需要足夠肥沃的土壤。所謂長期培養,就是不以一般業界的短期成敗來論英雄,但也不是放任;應該適度引進國外高階人才來帶領和砥礪,才不會閉門造車。

至於研究型大學的研究能量,如果要能夠釋放來協助業界,法令也必須鬆綁。如果一面批判高等教育有嚴重的產學落差,一面又嚴格規範大學教授與產業合作的範疇,那麼大學只會動輒得咎、進退失據。

現在資訊業所需的高階技術人才,不是學界和業界任何一方單獨可以培育出來的,因此產學研究非常重要。

現在資訊業所需的高階技術人才,不是學界和業界任何一方單獨可以培育出來的,請大家不要在用二十年前的觀點來看待產學落差和產學合作。這不是一般人熟知的技職教育和產業實習,而是產學共同投入資源,合作研究前瞻且有價值的高階應用領域。

總之,拔尖和均富,都是政府要做的,不可偏廢;重點是務實做每件事,不然說得再頭頭是道,也難以濟事。實際上產學雙方可以如何合作呢?留待下一篇再來談。


喜歡我們的文章嗎?按讚立即加入粉絲團 :)


推薦您也參考

獎勵作者

歡迎您以點數獎勵作者:

關於點數的獲得與使用方式,請參閱說明