Search
五月份疫情開始之後，加上比賽陸續取消，你有持續訓練嗎??
據我所知，身邊的鐵友呈現二極化發展，有一些人因為無法外出，加上在家工作，幾乎每天都在家裡踩台。不只FTP變高了，甚至體重也變輕了，整個體能提升一大段。
當然，也有部分人是乾脆就軟爛不練了，不只FTP降低30W，體重也提升5KG，推力比當然就更難看...
我的幾位課表學生中，大概有1/4在這幾個月是暫停課表，也就是說，有3/4的人還是不停地在訓練。當然游泳因為泳池原因無法練，但是騎車跑步還有拉彈力繩都沒有中斷。騎車當然是以訓練台為主，跑步有些人會找屋頂、中庭、山上，甚至買跑步機在家裡練。所以其中大部分學生反而這段期間體能是變強的，甚至還比之前更強。
像是阿賢學員，從WKO5來看，mFTP不但提升了大概30W達到274W，體重也降到66kg，推力比順利突破了4.1，就是很強的一個例子。因為一般業餘選手要突破4.0w/kg其實真的不大容易。而且又是在幾乎無法外騎的狀況下達成這樣的成果。
所以，不要以為疫情大家都在偷懶，其實只有你在偷懶，其他人都已經默默變超強了啊!!
#不要找藉口軟爛
#持續訓練就會進步
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
[來推幾本最近在看的書]
1.讀懂保險股
https://item.jd.com/13285472.html
推薦這本原因很簡單，保險業是我覺得財報最難分析的行業，講保險業分析的書中歐美加起來應該只有10本上下，看過去我覺得也沒有特別適合投資人的版本。
這本定位是在銜接入門(保險分析入門基本上就是要很熟練了啦)到教科書中間，但為了求讓人通俗理解，用了很多通俗的字和例子，反而讓我看了會有點理解困難，但整體來說不錯的解釋了定價體系/保險會計/內涵價值/營運利潤(中國保險業的non-gaap)之間的關聯。
2.頂尖操盤手的10.5堂投資思維課
https://www.books.com.tw/products/0010890632
超薄，可以1小時左右看完，內容還不錯。
3.不採雷投資法
https://www.books.com.tw/products/0010845665
可以看成英國版的騙術與魔術，內容會比騙術與魔術再深一點，更需要會計的知識，不知道是翻譯的問題還是案例比較不熟，讀起卡卡的，但還行。
4.雜訊
https://www.books.com.tw/products/0010893007?sloc=main
非常期待，但我自己看完好像沒有特別多學到啥，感覺大多數東西都說過了，只是換個新架構，但這新架構好像也沒提供比以往更多洞見或實際使用上更好的指南，就作者的地位還是會推一下，BTW推力最終版今年也會上市。
5.超速贏利
https://www.books.com.tw/products/0010879902?sloc=main
這本投資講得比較少，基本上提到的就動能策略的共性，比較像是Larry Hite的半傳記，衝著Larry Hite還是看完了。
陳寗全客製化音響請直接 Line 討論：http://bit.ly/ningline
──────
NOW! 成為陳寗頻道的會員並獲得獎勵：https://lihi1.com/ZT8bZ
陳寗嚴選 iPad Pro/iPhone 保貼：https://lihi1.cc/VnHIF
陳寗嚴選兩聲道音響：https://lihi1.com/2ecL7
B&W 707 陳寗嚴選進階組：https://lihi1.com/cpdBN
陳寗嚴選抗菌靜電濾網/防潑水抗菌強化膜：https://lihi1.cc/x7Sse
──────
如果追求聲音的全方位表現，那麼我依然還是最推薦 Accuphase 擴大機，一來推力大卻聲音細緻，二來價格合理容易入手。但如果要追求特定方面的聲音表現，例如絕贊人聲、超強弦樂等等，那麼有很多機器是我們絕對不能錯過的，例如今天的 Sonic Frontier SFC-1 就是很好的例子。
Sonic Frontier 雖然過去從來沒有「實機」出現在我的頻道過，但卻在我口中無數次被提起。沒錯，他就是那個在我提到「類比功力超強的 DAC 廠商」時，一定會拿來與 Theta G3 相提並論的另一個極端，一台因為很容易壞掉就無法維修而被我放棄的超強 DAC：Sonic Frontier SFD-2 MKII。而今天這台真空管擴大機，就是出自這家廠商的第一代產品。
Sonic Frontier SFC-1 的架構可以在很多其他品牌的機器上看到，但他卻能在機體設計與聲音上玩出與眾不同的特色與組合來。由於價格合宜、聲音超讚，使他被許多老歌愛好者選用，拿來與 ProAC、AR 等老聲喇叭搭配，打造絕佳老歌聆聽系統。
到底這台機器有多好聽？今天就讓哥來跟你好好說道說道～
#音響 #兩聲道 #喇叭
──────
喜歡這支影片嗎？
請點下面連結加入本頻道的社群計畫，為影片上字幕/翻譯簡介/翻譯字幕：
http://bit.ly/SubtitleNing
感謝你的協力！
──────
本頻道幾個原則跟你約定好：
1. 開箱零業配：
真實使用過後才發表心得，通常試用至少 1 個月，所以你通常不會看到我最早發表，但哥真性情的評論，保證值得你的等待。
2. 理性討論：
我有自己的偏好，你也有自己的好惡，我們互相尊重，時時用大腦，刻刻存善念，不謾罵，不矯情。可以辯論，不可以沒邏輯。
3. 我團購我驕傲：
我很愛買東西，也很愛比較產品，我自己使用過、多方比較過，還是覺得喜歡的東西，我才會辦團購。（簡單說就是挑品很嚴格，至今 80% 廠商找上門都被我打槍。）辦團購我一定有賺，但我跟廠商拿到提供給你的團購價，也會讓你一定有划算感。所以如果你品味跟我相近，或是剛好有需要，就跟我團購，我們互惠。如果你覺得跟我團購，你就是我乾爹，說話不懂得互相尊重，那就慢走不送，你可以去找一般店家買貴一點。
看了以上，覺得可以接受就請你訂閱，訂閱順便開鈴鐺。我們每天晚上 6:00 見。
我的網站連結在這：https://ningselect.com/
也別忘了幫我的 FB 粉絲專頁按讚：http://bit.ly/ningfb
如果有任何問題，包括團購等問題，都可以在影片下方留言問我，同一支影片下很多人都想知道的問題會優先用留言回答，如果是比較大的題目，則有機會拍成 QA 影片回答～如果你想問的是針對個人的音響選購、配置問題，可以直接傳 Line 問我：http://bit.ly/ningline
另外團購商品請參考我的商城：https://shop.ningselect.com/
廠商合作請先了解相關原則：http://bit.ly/coopning
【一個專為香港人而設的廣東話課程】
➜更多內容: https://www.cantonesecollege.com/course
讓廣東話發揚光大！
殿下推出新的廣東話學習資源 - 地道粵語用語 【殿下謹製・隔日放送・FB限定】
-------------
這是讓你學習廣東話的一股推力，你必須訂閱的FB專頁！
https://www.facebook.com/RyuDenka/
每隔一天就有新一集的廣東話俚語介紹，這些俚語都是經殿下篩選，香港人比較會經常使用的，而且每一集都有一個主題分類，希望有助大家記憶。材料將會以圖片形式上傳 ，歡迎大家下載作為溫習之用。當然這些用詞沒有使用例子，在學習用途上是有限的，為了彌補缺憾 殿下希望之後可以把這些拍成影片，務求讓大家有更深刻的領悟， 可以達到聽得懂 用得出來的程度。當然聰明的大家可能看到詞語也經猜到怎麼運用，也歡迎大家在FB專頁留言嘗試使用新學到的詞語，殿下會留言回應大家有沒有運用得對，殿下將會不停地推出新的地道用語，直到用盡殿下的題材為止！
-------------
殿下推薦的廣東話Youtuber!!：
點點dimdim
屎萊姆的3次元
Hein Cream 海恩奶油
HuhuuuTV /廣東話教學
Mira's Garden
疯粤CrazyCanton
頴珊頻道 | The Wingshantsui Channel
MtzCherry
Learn Cantonese with CantoneseClass101.comDandan Chen
にんじんレイ
ようき楽園 / 玉其樂園 - マカオと広東語
CarlosDouh
我は何しに香港へ？ Why did I come to HK ?
也感謝有份推廣香港的各位：
蔡阿嘎
聖結石Saint
香格拉 Shangrilayt
MaoMao TV
Ryuuu TV / 學日文看日本
JASON(大J)
Halo Mackey
HenHen TV
-------------
關鍵詞：
廣東話學習,廣東話學習資源,地道粵語,粵語用語,學習資源,廣東話教材,
廣東話,广东话,香港,教學,道地, 粵語,口語,白話,教室,廣東話教學,bensir,歐陽偉豪,广东话教学,打招呼,中英夾雜,港式英文,九聲六調,翻譯,字幕.廣東話髒話,廣東話 黃明志,楊民翠,點點,香港女生,廣東話歌,廣東話卡通,廣東話口音,廣東話 罵人,廣東話 詩歌,廣東話 數字,廣東話粗口,廣東話,廣東話兒歌,廣東話髒話,廣東話 你好,廣東話 謝謝,廣東話 普通話,廣東話打招呼,廣東話旁白,廣東話 翻譯,廣東話 英文,廣東話拜年,廣東話 拼音,廣東話學習,廣東話 發音,廣東話 客家話,廣東話 app,廣東話 母語,廣東話輸入法,廣東話故事廣東話俗語,廣東話歇後語,廣東話 澳門,Cantonese,Hong Kong,Cantonese lesson,広東語,広東語 会話,広東語 挨拶,広東語 発音,広東語 こんにちは,広東語 中国語
