強化數據移動時間/方式 　RISC-V躋身運算新利器

近年來，產生、處理及進一步利用數據以取得更多價值與資訊的方式已大不相同，而這都是受到深度學習與神經網路應用等新型運算模型崛起所影響。這些深遠的影響都始於數據中心，透過深度學習技術從大量數據中洞察出其價值，主要包括影像的分類與辨識、促成自然語言或語言處理功能，甚至用於理解、生成及學習如何進行複雜的策略遊戲。 這個變化也帶動了專為解決此類問題，且更具能源效率運算裝置的(以通用型繪圖處理器(GP-GPU)及現場可程式閘陣列(FPGA)為基礎)發展，甚至包含完全客製特殊應用積體電路(ASIC)，能夠進一步加快並且提升這類深度學習系統的運算能力。

大數據(Big Data)應用是使用特殊的GP-GPU、FPGA與ASIC處理器，搭配深度學習技術作分析，從中找出趨勢、固定模式及關聯性，藉此提供影像辨識、語音辨識或其他功能。大數據的應用多建立於「過去的數據」或「儲存於雲端的數據」，因此經常能形成「訓練有素」的神經網路，尤其適合執行特定作業，例如辨識並標註影像或視訊中所有的臉孔，甚至是語音辨識也是代表性案例。

此類作業亦非常適合讓配有專用引擎(或推論引擎)及快數據應用的邊緣裝置來執行(圖1)。透過處理、分析終端所擷取的數據，快數據可引用大數據的演算法提供即時決策及結果。畢竟大數據所提供的洞察價值之一，是從「已發生的事」來推斷「未來可能會發生的事」(預測性分析)；而快數據則是提供即時行動，藉此改善商業決策、營運，並減少效率不彰情況。這些方法亦可適用於各種邊緣及儲存裝置，像是攝影機、智慧型手機與固態硬碟(SSD)。