※ 引述《kaube (轉眼之間)》之銘言：
: 1.原文連結：
: 台積電、聯發科等逾50家大廠力拱 AI晶片聯盟正式成立
: http://bit.ly/2FMEquy
: 2.原文內容：
: 為協助晶片設計業者掌握人工智慧(AI)晶片彈性多工的自主設計能力，同時因應製造及封
: 測業者對於少量多樣、快速產製的技術缺口，經濟部整合產官學研資源推動「台灣人工智
: 慧晶片聯盟」(AI on Chip Taiwan Alliance；AITA)。
: 目前聯盟成員包括台積電、聯電、聯發科、瑞昱、南亞科、廣達、鴻海、華碩及台灣微軟
: (Microsoft)等56家大廠，合力共組AI生態鏈，目標讓業者能降低10倍的AI晶片研發費用
: 、縮短6個月以上的開發時程，協助台廠成為全球AI晶片產業的領航者，同時AITA聯盟也
: 將打造具備多工、彈性、低耗電的新興AI晶片架構，使台灣半導體產業得以彎道超車，確
: 保台灣AI晶片位居全球領先地位。
: 經濟部部長沈榮津表示，全球AI晶片總體市場產值預估在2022年可達到新台幣5,000億元
: ，台灣有半導體、ICT等強項，更是全球大廠信任的夥伴 這些優異條件奠定了台灣具備發
: 展裝置端AI晶片的優勢。擔任AITA聯盟會長的鈺創董事長盧超群亦表示，AI發展中，最關
: 鍵且可著力的部分正是台灣所擅長的半導體產業，將半導體技術跟AI整合才能持續與國際
: 並駕齊驅。
: 工研院院長劉文雄指出，AI是市場的走向，半導體則是台灣的強項，所以兩者的結合就是
: 台灣未來發展的新藍海。ATIA目標有三個，第一，「產業要完整鏈結」，指硬體端與軟體
: 端的發展要能整合，且從設計到製造等可應用在產業、生活上達到目的；第二，「必須發
: 展關建技術」，包括演算法、半導體等技術，兩者如何能結合，就是關建的主要技術；第
: 三，「趕快製造做產品」，這個真的要快，要注意市場的時效性，不要等到產品做出來後
: ，市場也消失，因此錯失世界的商機。
: AITA此次聯手台灣半導體產業協會(TSIA)，目前會員包括台積電、聯電、力積電、日月光
: 、矽品、華邦電、力旺、聯發科、瑞昱、神盾、義隆電、聯詠、創意、鴻海、廣達、華碩
: 、台達電，以及台灣微軟、益華(Cadence)等56家國內外半導體與ICT大廠。
: 3.心得/評論：
: 台灣的IC設計業在多樣化的裝置端晶片十分擅長，但在裝置端AI晶片方面，部分廠商面臨
: 光罩價格過高，不適用少量多樣情境；此外，廠商也遭遇缺乏關鍵AI加速器，AI系統整合
: 能力不足的問題。目前全球各國全力發展AI應用，其中晶片會是最關鍵的一環。
目前 AI 晶片
主要還是聚集在 影像辨識 人臉辨識 聲音辨識 之類的算法
當然也有最短路經 關於最佳化之類的東西
這些應用大部分都可以用線性代數去解
例如人臉辨識 早在1987年就提出
https://en.wikipedia.org/wiki/Eigenface
使用的方法是 PCA (主成分分析)
經過證明 PCA 其實就是計算 關聯矩陣(covariance matrix) 的
特徵向量 (eigen vector) 跟 特徵值 (eigen value)
證明在這:
https://www.stat.cmu.edu/~cshalizi/uADA/12/lectures/ch18.pdf
既然是要計算矩陣的 eigen vector/eigen value
就是找出 SVD (singular value decomposition)
SVD 數值運算的方法 OpenCV 是使用 Jacobi method
這部分是可以經由硬體加速運算
還有跟最佳化息息相關的最小平方問題 (Least Squares Problem)
可以用 QR decomposition 去計算
計算 QR decomposition
可以用 Givens rotation matrix, Householder matrix, Gram-Schmidt method
目前 AI硬體可以實作 Givens rotation matrix
具有比較好的數值收斂跟平行處理
另外像是 Cholesky decomposition/LU decomposition
在很多應用上也會使用 像是 AR/VR 的應用上
會用到 Cholesky decomposition
大概是這樣 有錯請指正