今天和台灣全國兒少安置機構聯盟夥伴,一起針對即將定案的「兒少替代性照顧政策」召開公聽會。
台灣於2016年簽署《兒童權利公約》(The Convention on the Rightsof Children,CRC),並於2017年11月首次邀請國際兒童人權委員審查我國兒童權利現況,為回應國際審查之結論性意見「去機構化」,政府於今年四月提出「替代性照顧政策草案」,以「去機構化、發展家庭式照顧」為替代性照顧政策方向。
要發展非機構式服務,很好。但寄養家庭數這十年來的趨勢呈現減少,兒少機構大約滿足每年60%的安置兒少需求。台灣應該要站穩自己的發展脈絡。
希望透過今天的公聽會,讓兒少安置實務界的夥伴和社家署、地方政府深入溝通兒少替代性照顧政策,在執行上應該要注意的事。
六點會議結論:
✅1. 在評估兒少安全與家外安置必要性及返家評估、返家準備計畫時,應以兒少最佳利益為考慮,避免開案過嚴或結案過鬆,切勿以降低家外安置數量及比率為設定前提。
✅2. 機構安置兒少返家評估及返家後追機制中,應邀請安置機構代表參與,已充分反應受安置兒少需求。
✅3. 政府應發展多元化安置服務,同時須確保安全安置床位數。家庭式照顧與機構安置不應該只能擇一發展,兩者沒有衝突,政府應發展建置多元化安置照顧服務資源,確保替代性照顧所需之安全安置床位數量,讓不同類型的個案可以選擇其合適的照顧模式。
✅4. 類家庭式住宿照顧單位是以建立類似家庭照顧的模式,有助於照顧者與兒少建立依附關係,並針對兒少需求提供個別化服務,該項照顧模式在轉型過程中應被認可。在優化替代性照顧的服務模式,提供類家庭式住宿照顧時,政府亦應同時協助機構因應勞動基準法的規定,並在補助制度上回應經營成本的增加。
✅5. 因應特殊兒少的安置,衛福部在補助相關跨專業服務費的規劃,不應有安置人數比例限制,只要有需求都應該可以申請。
✅6. 有關兒少權法施行細則第10條的法定安置順序,造成兒少轉換安置頻繁的問題,建請衛福部朝向該款次為多元安置選項,而非安置順序研議修正,並於今年底完成研議。
🔆安置盟政策建議
(1)對於社家署提到已經辦理十四次的替代性照顧政策工作小組,安置盟認為其中的機構代表性不足,也造成在制訂政策期間及之前,安置盟無法與政府做更多的討論,最後只能召開公聽會。所以對話是很重要的。
(2)兒少安置機構是從宗教慈善到專業要求一步一步走來,事實上從民國93年兒少福利機構專業人員資格及訓練辦法制定後,至今已經18年。目前安置機構中所有的生輔員,在職前就要接受360小時的訓練,但是寄養家庭服務主要照顧者只需接受20-24小時的職前訓練。從兒權法施行細則第10條的順序,是從親屬、重要他人、寄養、再到機構;但若要定義專業,哪一個比較專業?
(3)從兒權法施行細則第10條的安置順序排下來,安置機構常常是承接最後最困難或多次轉換的個案;但是政府提供給安置機構的資源、配套措施卻是最不足的。
(4)政府替代性照顧政策中對去機構化及機構轉型策略不明,讓安置機構處於很多的不確定性之中。然而,安置機構轉型與定位存在很多可能性,如何善用這些資源、並且合理地定位安置機構中已經發展58年類家庭式的服務模式,是必須的。
(5)去機構化不等於關掉安置機構,去機構化乃是去機構式的教養,而目前76%的兒少安置機構都已經是類家庭式的照顧。且家庭式的照顧跟住宿式的照顧,不應該是擇一發展,它們沒有衝突,政府應該發展多元的安置服務。
(6)政府應該積極輔導還沒有成為類家庭式的機構,以及輔導有些能夠成為專業型住宿照顧模式的機構,讓現在仍安置在醫療機構、護理之家的兒少,能夠到安置機構來,有正常的生活。
(7)安置順序不應該是固定的SOP,故安置盟建議修法:兒權法施行細則第10條不應是安置順序,而應是多元的安置選項。
(8)當個案結束安置以後,回到各縣市,建議政府不要再以地方自治的理由,造成後追、自立資源的不一致,讓兒少接受到的幫助有所不一。
(9)替代性照顧政策應有具體量化的目標、執行期程、輔導指引、資源配套。安置盟希望聽到的不是口號,也希望政府不要拿著CRC的旗幟,滿足自己的政績。
多元夥伴關係定義 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
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
多元夥伴關係定義 在 偽學術 Facebook 的精選貼文
【認真聽】如何閱讀一本書 | 閱讀教練教你「#閱讀力」 | 細讀與李維斯學派 // 李長潔 feat. R星球頻道 的Ryan 📒
.
從小到大都一直被推薦一本書,《#如何閱讀一本書》,由Adler與Van Doren在1940年出版,然後不斷再版到現在。今天就與「櫞椛文庫」的負責人Ryan,還有他的節目「R星球頻道」,一起連結,聊聊「閱讀」這件事。聽說Ryan的新業務是「#閱讀教練」,到底甚麼是「閱讀教練」?閱讀可以有那些技巧?你的閱讀姿態又是甚麼呢?甚至在當代,這個「不太看文字」的新媒介時代,閱讀力為何必須要培養?進來聽就對了~
.
📌 #今天的內容有
.
▶我們的書爆炸多,我們都看哪些書呢
▶抓起你手邊的一本書
▶用最喜歡的閱讀姿態看書
▶書作為一種文明的傳播與積累
▶文化研究中的李維斯學派
▶如何閱讀一本書
▶細讀的理論意義與技巧
▶做一位閱讀教練
▶鍛鍊你的閱讀力
▶規畫你的知識領域與自我成長
▶數位時代的閱讀素養
.
📣#firstory 聽這裡:https://open.firstory.me/story/ckriojdlu6cym08502wbnk637
.
📣#kkbox 聽這裡:https://podcast.kkbox.com/episode/GocHVpv-Xvn8KSHZMm
.
📣#spotify 聽這裡:https://open.spotify.com/episode/0h5wo08gWvxnDDt4O0LgsZ?si=uwL423O2Seam7nM8NWXPSg&utm_source=copy-link&dl_branch=1
.
📣#apple 聽這裡:https://podcasts.apple.com/us/podcast/ep-51-%E5%A6%82%E4%BD%95%E9%96%B1%E8%AE%80%E4%B8%80%E6%9C%AC%E6%9B%B8-%E9%96%B1%E8%AE%80%E6%95%99%E7%B7%B4%E6%95%99%E4%BD%A0-%E9%96%B1%E8%AE%80%E5%8A%9B-%E7%B4%B0%E8%AE%80%E8%88%87%E6%9D%8E%E7%B6%AD%E6%96%AF%E5%AD%B8%E6%B4%BE-%E6%9D%8E%E9%95%B7%E6%BD%94-feat-r%E6%98%9F%E7%90%83%E9%A0%BB%E9%81%93-%E7%9A%84ryan/id1516956557?i=1000529932445
.
📲#facebook 完整論述:https://www.facebook.com/208541192666847/posts/1815731235281160/
|
能夠好好地閱讀一本書,在當代流行文化中,似乎已經是一種難能可貴的「能力」,甚至是「休閒活動」。如果說書本,是一種知識傳播、儲存的載體,那麼閱讀就是這些知識的再生產實踐。也就是說,我們的文明與文化之根本,在很大一部分的時候,是倚賴「書本」來做為基礎。無怪乎,在文化研究中,就有「文化與文明」傳統,更有強調高級文化保存的「#李維斯學派」。
.
▓ #文化與文明傳統
.
李維斯(F. R. Leavis)承接阿諾德(Matthew Arnold)的「文化與文明」觀點,認為文化是一種「有教養的閒散」(cultivated inaction),一種對內在的耕耘(cultiver)。而當時(1990年代前後),大量印刷的書籍可以被認為是最有效的傳播管道,當然,能夠有良好的閱讀能力自然就成為通往「文化」的技巧。而李維斯在他的著作《#大眾文明與少數文化》、《#小說及閱讀大眾》、《#文化與環境》中,奠定了他對大眾通俗文化與30年代文化危機的觀點。
.
▓ #鼓勵閱讀的李維斯學派
.
他認為「文化向來靠少數人來保存」,這種文化精英論顯示,隨著民主精神的到來,通俗文化的席捲,傳統知識權威深感威脅,擔心某種無政府的失序。李維斯批評電影、電視、廣播、廣告等大眾傳播媒體,這些內容降低了語言文字,貶抑了情感生活,破壞了生活品質。他們嚮往一種神秘的純樸過往,未受商業污染的文化協調性(充滿秩序與分際)。所以他們鼓勵文學閱讀,甚至是一種「細讀」(close reading),以恢復高級文化的涵養。
.
艾德勒(Adler)與范多倫(Van Doren)的《如何閱讀一本書》,也是在40年代的這個文化氛圍中誕生。強調培養一種「主動的閱讀」,希望讀者可以在接下來的時代中,促進「理解」,習得「知識」,持續「文化與文明」。書本就是一種溝通(傳播),是可以也應該增進的能力。想到大學時上林春明的課程,他很浪漫的說,書就是跟過去的哲學家對話,當初覺得僅是幽默,現在想來貼切,閱讀是一種超越時空條件限制的交流。
.
他們幫書做了分類,一種是「實用性的書」(如果我們想做什麼,我們該怎麼做)、「理論性的書」(知道這是怎樣回事),前者是「教導性」的,後者是「規範性」的。例如,康德的「純粹理性批判」、「實踐理性批判」就是這麼回事。
.
▓ #閱讀的四個層次
.
然後,閱讀可以有四個層次,包含:
.
「#基礎閱讀」(elementary reading),談論書本最基礎的語句理解,也就是「這些句子在說寫甚麼」。
.
「#檢視閱讀」(inspectional reading),就是在一定的時間內,抓出一本書的重點,了解「書本包含了哪些內容」,例如看封面、封底、目錄、文獻、序文等,很有系統的略讀過一本書。接著可以進行較為粗淺的閱讀,先不管那些你不明白(沒有背景知識)的地方,直接看過去。
.
「#分析閱讀」(analytical reading),分析閱讀就是全盤的閱讀、完整的閱讀,在這個層次的閱讀,讀者會緊抓著一本書,一直讀到這本書成為他自己為止。在這個階段中,我們會試圖找出書本(作者)想要解決的問題、表達的論點、甚至是展現的技巧,並且,身為讀者,我們開始進行詮釋,透過自己的分析架構,解構與再建構作者的「理解」世界。最後,對這本書進行「批判」,證明作者的論證、知識、技巧、邏輯有哪些優質與不足之處。
.
「#主題閱讀」(synoptical reading),是所有閱讀中最複雜,同時也是最系統化的閱讀。在做主題閱讀時,我們會將多本書籍文件並置,並列舉出這些資料之間的關係,提出一個所有資料都談到的主題,並且形成論述。我們會在不同的陳述間,建立起一個論證的網絡,釐清問題,定義問題,解決問題,討論反思。例如在韋伯、桑德爾、韓炳哲、葉啟政、馬斯洛之間,找到西方社會對自我實現的社會學想像。艾德勒與范多倫,對閱讀與理解提出的四個層次,蠻受用的,十分適合檢視或歸納自己的閱讀動機。
.
▓ #如何閱讀社會科學的書
.
艾德勒與范多倫將所有的書籍分類為不同的讀法,包含「實用型」、「想像文學」、「故事、戲劇與詩」、「歷史書」、「科學與數學」、「哲學」、「社會科學」。社會科學被放在最後一個,是因為對於社科的閱讀,包含了前面所有的閱讀。社科閱讀的簡易之處,在於其關於我們的每日生活。
.
社科作品閱讀的困難之處。首先在於讀者的立場是否願意同意作者,這關乎你的閱讀體驗。其次,作品中雜用的專有名詞,與各種來自多方領域的概念,你可能會看到一堆關鍵字,但隨便卡在個詞的脈絡中,你便不理解作者想要表達或批評的意思了。最後,社會科學的作品,通常脈絡相當的廣泛,可能需要同時閱讀多本書,才能明白某個作品的內涵,這必須要進入到第三、第四層次的閱讀。
.
▓ #細讀的理論意義與技巧
.
其實上述艾德勒與范多倫的閱讀法,就是一種李維斯學派想強調「細讀」。當然在年代上,它們可以呈現為同一個學術路徑。算是文學領域中40年代「新批評」的一種模樣。在李維斯學派中,他們認為,閱讀應該是字句斟酌,研讀文本中的細膩結構,像是用詞、文法、修辭、篇章結構、敘事、內容邏輯等,找出作者的深意,隱藏的結構,與多元性的觀點。這樣的試讀素養培養,在文學、外國文學的教育體制中,直到現在都是重要的核心能力。也是40-60年代,全球教育體制都很渴望提升的「#素養」(literacy),識讀能力。
.
▓ #數位時代的閱讀力
.
這個識讀能力,在文化研究的文化與文明傳統中,被認定為維繫文化發展的重要基礎。正如李維斯學派的知識份子們所擔心的,我們終究是在100年的發展中,受到「通俗的」媒體文化來襲,素養能力也就在不同時期呈現為「讀寫素養」(1930)、「媒體素養」(1960)、「媒體批評素養」(1980)、「多元文化素養」(1990)、「數位素養」(2000),甚至到今日的「運算數養」。
.
最近,秦琍琍、胡全威、李佩霖、沈孟湄、費翠與我將出版一本新書《#數位語藝》,裡面就呼應了這種數位時代的各種素養。我們要知道當代的數位文本具有「更加對稱的互動與傳播」、「又產又用的「產用者」(produser)」、「文本的不穩定性」,如John Harrley(2009)高呼的「全民書寫運動」,一個數位時代的文化能力全面啟動。
.
我們必須要同時兼顧「細讀」與「遠讀」,細讀就是鑽研到文本的結構當中,如今天所談的內容。而「遠讀」(distant reading)則是要從一個更加鉅觀的角度,去拆解文本,包含「技術」(techno)、「使用者/使用」(user/usage)、「內容」(content)、「所有權」(ownership)、「治理」(governance)、「商業模式」(business models)等構面,甚至用「文字探勘」等數位工具,去理解文本。將「細讀」與「遠讀」並置,才能夠掌握數位時代的文本本質。
|
🌐 R星球頻道:https://www.facebook.com/readingplanet
📚 櫞花文庫:https://www.facebook.com/enkalibrary
|
今天的聊天夥伴:林廷璋。私人圖書館「櫞椛文庫」館長|文藝誌《圈外》總編|「R 星球頻道」 Podcaster|日本文化觀察、文學評論等文章,散見於各藝文雜誌及媒體平台。熱愛各種形式的閱讀,相信文字的力量,同時也懷疑所有的真理與事實。
多元夥伴關係定義 在 SDG17 - 行政院國家永續發展委員會 的相關結果
「全球夥伴」目標,著眼於與國內外利害關係人建立多元夥伴關係,在人文、經貿、教育、技術、環保領域,與夥伴國及開發中國家開展國際合作,協力促進永續願景。 辦理友善 ... ... <看更多>
多元夥伴關係定義 在 SDG 17 夥伴關係/團結!加快邁向永續的腳步 的相關結果
不遺漏任何人!實踐SDG 17 夥伴關係,打造永續未來 ... 在聯合國所制定共17 項的「永續發展目標」 (Sustainable Development Goals,簡稱SDGs)中,前16 項涵蓋了人類與自然 ... ... <看更多>
多元夥伴關係定義 在 SDGs 目標17|建立多元夥伴關係,協力促進永續願景 的相關結果
為了迎戰貧富差距、氣候變遷、性別平權等議題,2015年,聯合國啟動「2030永續發展目標」(Sustainable Development Goals, SDGs),提出17項全球政府與 ... ... <看更多>