Search
https://youtu.be/e4KDAbo6Q74
軟體教學 | 微星MSI如何開啟VT功能｜BIOS
本影片是微星MSI主機板如何開啟VT功能！
順便簡單如何去看CPU是否支援VT～
VT檢測下載位置：https://www.azofreeware.com/2015/09/cpu-v.html
【BIGWEI愛教學】播放清單：https://goo.gl/LMNeV7
相關影片
Asus開啟VT讓您手機模擬器比較順暢：https://youtu.be/4Il7F0xlvOs
2021年新版本安裝教學：https://youtu.be/cChfNu-CIqY
雷電模擬器安裝簡易設定教學：https://youtu.be/_znkdEe2XN8
雷電模擬器簡易按鍵設定教學：https://youtu.be/CF9FUsnKl8M
#教學 #開啟VT #虛擬化技術 #Virtualization #Technology #Intel #BIOS #微星MSI
小米秋季新品發佈會，正式發佈高階旗艦系列新品小米MIX 4，搭載全新CUP全面屏技術，讓螢幕既能無任何孔洞完美顯示，但這款似曾相似的仿生四足機器人比較吸引我注意。
--
CyberDog彙集小米11年的技術沉澱，是工程師文化和創新精神的深度凝結，也是小米對於未來科技生活的再次探索。CyberDog搭載小米自主研發高性能伺服馬達，具備強大運算能力與強勁動力，內建超感視覺探知系統和AI語音互動系統，支援多種仿生動作與姿態，是一個來自未來的「科技夥伴」。
小米承諾將仿生四足機器人研發成果向全球深度開源，限量開放1,000個工程探索版與擁有極致探索精神的米粉、極客發燒友合作共創，透過技術探索讓CyberDog實現更多「超能力」。CyberDog工程探索版定價人民幣$9,999元。
強勁性能，高精度環境感知
CyberDog內建小米自研高性能伺服馬達，提供32N·m最大輸出扭矩、220rpm最大轉速以及3.2m/s最大速度，能保證高扭矩的同時兼具高速性能，做到靈動回應。強大的性能支援讓CyberDog能夠輕鬆完成各類高速運動及後空翻等高難度動作。
如果將馬達比喻成心臟，那麼邊緣AI超級電腦就是CyberDog的大腦。大腦內建了NVIDIA JETSON XAVIERNX平台，內建384個CUDA® Cores、48個Tensor Cores、6個Carmel ARM CPU和兩個深度學習加速引擎，可處理來自多個感測器的大量資料。
感測器決定了CyberDog感知能力的上限。CyberDog內建高精度環境感知系統，可還原更真實的生物反應。她全身擁有11個高精度感測器時刻待命，可主動探測外部細微變化。其中包括觸摸感測器、鏡頭、超音波感測器、GPS模組等，基於此可衍生更符合生物直覺的交互功能，以及環境感知、分析能力。
超感視覺，智慧互動陪伴
小米將手機影像的技術延伸至仿生機器人領域，讓CyberDog實現空間感知能力。CyberDog支援超感視覺探知系統，通過AI互動相機、雙目超廣角魚眼相機、intel® RealSense™ D450深度鏡頭打造硬體基礎，透過電腦視覺，檢測辨識使用者相關資訊，為使用者提供更智慧化的視覺使用體驗。
CyberDog內建超感視覺探知系統，可實現自主辨識跟隨、SLAM建圖和導航避障功能。技術層面，小米透過人形檢測技術和行人重辨識技術保障了跟隨功能的穩定，使用人臉辨識技術讓CyberDog具有寵物化特徵，滿足跟隨主人的場景需求，最終讓她能在室外空曠平整的環境中跟隨主人。借助多個感測器的協作，感知目前環境，透過演算法建立導航地圖，並自動規劃到下一目標點的最優路線。在導航及跟隨過程中均能達到自主規避障礙物。
使用者可透過語音、遙控器、手機多種方式操控CyberDog，以「鐵蛋鐵蛋」喚醒詞向CyberDog下達指令。目前小米智慧語音已應用於8大互動場景，導入超過72個品類，3000餘款裝置。現在，這項技術將運用有溫度的溝通，喚醒未來智慧活新方式。
深度開源，共創無限可能
作為開源產品，CyberDog具備豐富的外部設備擴充能力，她擁有3個Type-C和1個HDMI介面，可以外接探照燈、全景相機、運動相機、雷射雷達等多種擴充設備，開創更多應用場景。另外CyberDog整機支援生活防水，可應對多種複雜使用環境。
小米致力於打造一個仿生四足機器人開發平台，透過程式碼開源和開源社區的方式，改善機器人開發環境，推動機器人行業發展。小米將仿生四足機器人研發成果向全球深度開源，開放1,000台工程探索版，與擁有極致探索精神的米粉、極客發燒友共創。小米社區的「CyberDog圈子」將打造良好的共創環境，為極客用戶們提供交流競賽的平台。小米還將設立小米機器人實驗室，邀請更多工程師一起探索更酷、更好玩的未來。
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
本影片是微星MSI主機板如何開啟VT功能！
順便簡單如何去看CPU是否支援VT～
VT檢測下載位置：https://www.azofreeware.com/2015/09/cpu-v.html
【BIGWEI愛教學】播放清單：https://goo.gl/LMNeV7
相關影片
Asus開啟VT讓您手機模擬器比較順暢：https://youtu.be/4Il7F0xlvOs
2021年新版本安裝教學：https://youtu.be/cChfNu-CIqY
雷電模擬器安裝簡易設定教學：https://youtu.be/_znkdEe2XN8
雷電模擬器簡易按鍵設定教學：https://youtu.be/CF9FUsnKl8M
贊助商品遊戲E-mail：iweibow@gmail.com
Instagram IG：iweibow
臉書粉絲：https://www.facebook.com/ilovebigwei/
#教學 #開啟VT #虛擬化技術 #Virtualization #Technology #Intel #BIOS #微星MSI
最新ECOVACS科沃斯AIRBOT AVA全屋空氣清淨智慧機器人
👉365小時免費試淨: https://bit.ly/3fbSqjJ
高效淨化✅頂規醫療級濾網六層H13，對抗300+汙染源，包含H1N1, EV71等常見病毒細菌
全屋淨化✅一台頂多台，解放荷包，從此告別電線
連動淨化✅搭配空氣檢測儀Aaron, 哪間房間發生汙染，AVA立即出動淨化
智能控制✅超直覺APP智慧控制，讓你不在家裡，也能一指空氣煥新
高規設計✅母嬰高標準，防傾倒防絞手防觸電；
防疫在家，需要空氣潔淨；讓你解放雙手也解放荷包
－－－－－－－－－－－－－－－－－－－－－－－－
「訂閱我的Youtube頻道」：https://ppt.cc/fe0hGx
「按讚我的Facebook專頁」：https://ppt.cc/f5d45x
「追蹤我的IG」：https://ppt.cc/fyn2Fx
－－－－－－－－－－－－－－－－－－－－－－－－
更多影片：
小羊菌Life：https://ppt.cc/fZbZ8x
小羊菌小開箱：https://goo.gl/RXuYf2
小羊菌電腦教室：https://goo.gl/qFR4sp
－－－－－－－－－－－－－－－－－－－－－－－－
有任何合作提案都歡迎寄信到我的信箱：
pijun67@gmail.com
或私訊粉專：https://www.facebook.com/pijun67/
ig：https://www.instagram.com/pijun67/
拍攝器材：Canon 77D、GoPro Hero 7 Black
收音器材：SHURE VP83
剪輯軟體：Apple Final Cut Pro X
ASUS ExpertBook B9 (B9450) 就是屬於 ASUS 當家最強商務筆電首選，ASUS ExpertBook B9 (B9450) 同時兼具輕薄高性能長續航還有完整的功能，可以說是近期包含阿輝在內許多科技 KOL 最想要的夢幻機種！而更重要的是 ASUS 除了產品本身優勢，更提供了軟硬體整合的商用需求服務，從企業採購需要的商用筆電客製服務，到提供完整檢測維修保固的可靠服務與流程，完全提供了商業應用完整的需求與加值服務，ASUS 商用產品提供的服務比大家想像的還要多！
關於MyASUS in WinRE：
1. 限 2020/9 後，台灣出貨，搭載 Intel 第 10 代 CPU 的筆電
2. 非台灣出貨的筆電建議送華碩皇家俱樂部，由工作人員協助
3. 後續華碩將針對報修網頁進行改版，視覺呈現更美觀、使用體驗更順暢
CPU 虚拟化 检测 工具网上推荐的有SecurAble, Intel ® Processor Identification Utility , 特别是SecurAble，很多文章推荐它，但它的 检测 是否正确呢？ ... <看更多>
intel cpu檢測 在 Guess the lyrics - Facebook 的推薦與評價
CPU -Z 是一款家喻戶曉的硬體規格檢測工具，是檢測CPU 使用程度最高的一款工具，除了使用Intel 或AMD 自己的檢測工具之外，平時使用最多的此類相關軟體就數它了。 ... <看更多>