Google 日前於 Google IO 大會展示 Smart Compose 技術，能在使用者撰寫電子郵件時，只需輸入前半段語句，系統就會自動預測並推薦適合的後半段內容，有效增加文字撰寫速度並提高生產力。這種技術最大的挑戰，就是該如何讓人工智慧了解自然語言，並產生恰當的語句。從自動回覆進步到自動撰文先前 Google 曾推出 Smart Reply，分析 Gmail 信箱收到的電子郵件，並自動產生多組回覆範本，方便使用者快速點選並回信。這次推出的 Smart Compose，則是將功能提升到新境界，在使用者撰寫電子郵件的過程中，即時預測接下來的語句，並以類似自動完成的方式，協助使用者完成後半段語句。不過兩者畢竟還是有許多不同。傳統的自動完成是透過記錄先前輸入過的語句，並在偵測到輸入相同內容時，將後半段語句顯示出來，輸入地址等長用固定語句時能發揮很大的功能，但並沒有「憑空產生語句」的功能。Smart Compose 則是透過人工智慧與機械學習的方式，來產生有意義的回覆。Smart Compose 設計主要有三大考量，首先系統的反應速度要很靈敏，需要在 0.1 秒內即時產生回覆。再來需要提供不同類型郵件內容的準確分析，以滿足超過 14 億 Gmail 使用者的需求。最後則是為了確保使用者的隱私，所以限制開發人員接觸郵件內容，這也意味著開發人員要在無法閱讀郵件的前提下，設法訓練深度學習系統。▲ Smart Reply 能透過人工智慧分析郵件，自動產生適合的候選回覆。（Source：Google AI Blog，下同）▲ Smart Compose 則能在使用者撰寫郵件時，即時產生適當的語句。透過 TPU 提生效能為了要滿足即時顯示預測語句的目的，開發人員捨棄 Sequence-to-Sequence 序列式自然語言分析，改採融合 Neural Bag-of-Words（BoW）與 RNN Language （RNN-LM）等語言產生模型（Language Generation Model）的技術，能在犧牲少量預測精準度的情況下提升運作速度。在決定模型之後，下一步就是要調整模型的超參數（Hyperparameter，在系統開始學習之前設定的參數），並透過數十億則範例來訓練系統，並使用 TPU 進行訓練工作，以縮短訓練所需花費的時間。在系統訓練完成後，若使用一般處理器進行運算，產生語句預測大概也需花費數百毫秒的時間，仍無法滿足使用上的需求。因此 Google 仍然依賴 TPU 進行運算，能讓所需的時間縮短至數十毫秒，並大幅提升單一伺服器能夠同時處理的工作數量，▲ 系統在產生預測時，會將先前的郵件中的訊息編碼並嵌入到演算過程。▲ TPU 能在機械學習的訓練與實作中大幅提升運算效能。（Source：Google Cloud）開發團隊表示他們會持續改善預測語句的品質，並採用最先進的訓練方式進行實驗，一旦這些新的技術能夠滿足低延遲等條件，就能正式應用於 Smart Compose。此外開發團隊也著手於個人化的語句模型，以求更加精準模擬每個使用者的文筆風格。（本文由 T客邦 授權轉載；首圖來源：pixabay）延伸閱讀： Google 的 AI 又進化了！像真人一樣打電話訂位、回郵件
東芝（Toshiba）旗下半導體事業子公司「東芝記憶體」（TMC）22 日發新聞稿宣布，因 3D 架構的 NAND 型快閃記憶體（Flash Memory）「BiCS FLASH」中長期需求料將呈現擴大，因此為了擴增 3D NAND Flash 產能，決定將在 2018 年 7 月於岩手縣北上市著手興建新工廠，該座北上新廠廠房預計將在 2019 年完工。TMC 指出，上述北上新廠將採用耐震結構、最新的省能源製造設備，且將導入活用人工智慧（AI）的生產系統，提升生產效能、改善良率。北上新廠具體的產能、生產計畫將視今後的市場動向再作決定。TMC 並指出，在和美國 Western Digital（WD）進行協商後，預計今後雙方將對上述北上新廠進行共同投資。據日本媒體指出，2018 年度（2018 年 4 月至 2019 年 3 月）TMC 對上述北上新廠的投資額約 1,000 億日圓，而廠房於 2019 年完工後，TMC 將在 2019 年春天開始導入生產設備，預計 2020 年開始進行量產。東芝 22 日大漲 3.31%，收 312 日圓，創約兩個月來（3/27 以來）收盤新高水準。（本文由 MoneyDJ新聞 授權轉載；首圖來源：東芝）延伸閱讀： 給川普首個善意回應？中國批准東芝半導體業務出售 東芝傳增產 3D NAND，考慮興建兩座新廠房
人工智慧的研究近幾年取得長足進步，但想讓電腦理解人類交流的所有內容仍處於開始階段。今天大多數機器人和智慧語音助理都能回應簡單命令，例如播報天氣預報、播放歌曲，但無法理解其中的含義以及對話。為了讓溝通更加有效，智慧助理需要能夠進行自然對話，而不僅僅是回應命令，這被稱之為「對話式 AI」。5 月 20 日，微軟宣布收購了位於加州柏克萊的 Semantic Machines 公司，該公司開發了一種革命性的新方法來建立對話式 AI。他們是利用機器學習的能力，讓使用者能以更自然的方式發現、訪問訊息，獲得服務並與之互動，而且效率更高。▲ Semantic Machines 公司成員。（Source：微軟）據了解，Semantic Machines 由會話式人工智慧領域的許多先驅領導組成，其中包括科技企業家 Dan Roth，還有全球傑出和創新的自然語言 AI 研究人員，加州大學柏克萊分校教授 Dan Klein 和史丹佛大學教授 Percy Liang 以及蘋果前 Siri 首席語音科學家 Larry Gillick。微軟人工智慧及微軟研究事業部 CTO David Ku 表示：「20 多年來，微軟一直在致力於研究和突破對話式 AI 的基本模組建構，例如語音辨識和自然語言理解。我們的目標是將我們周圍電腦的『視覺』擴展到它們能夠看到的世界，聽到並理解人們的談話。在 2016 年，我們在實現會話運算這一目標的過程中又邁出了一大步，推出了一個機器人開發的框架，並為人工智慧助理發表了預先架構的認知服務，包括語音辨識和自然語言理解。今天，有超過 100 萬開發人員使用微軟的 Microsoft Cognitive Services 和超過 30 萬名開發人員使用 Azure Bot Service ，這些都有助於使計算更具對話性。」微軟還在進一步增強數位助理 Cortana 以及像「小冰」一樣的社交聊天機器人的對話式 AI 能力。目前小冰已經進行了超過 300 億次的會話，每次會話時間平均為...
鴻海將於 6 月 22 日召開股東會，22 日公布致股東營業報告書，董事長郭台銘於報告書表示，今年鴻海將全力發展人工智慧及工業互聯網應用，為股東創造更大價值；他並重申，自今年起的未來 3 年，將是集團走向大數據、人工智慧、工業互聯網的「工作年」。展望今年，郭台銘指出，今年全球經濟在美國稅改、歐洲與亞洲發達經濟體成長之下，將穩定擴張，但仍須留意通膨及升息速度等不確定性因素；而中國經濟持續受到調結構的影響，IMF 預期經濟增速將放緩，其他新興國家亦面臨通膨、失業、成長趨緩等問題，加上科技產業生態結構的快速變遷，都將使今年面臨挑戰。郭台銘表示，在此大環境下，鴻海集團必須以跨廠區、國際化的運作規模，開發工業物聯網的實際應用，協助加快集團轉型為科技平台公司；持續深耕技術創新，廣納全球英才，在世界舞台上追求卓越；除了在全球建立高速運算雲端中心，並將在 5 年內投資百億元，要在全球陸續成立工業互聯網人工智慧應用實驗室、機器人研究院等，全力發展人工智慧以及工業互聯網的應用。郭台銘也指出，鴻海將以實體經濟為核心，首波布局三張網，即智慧製造、健康互聯網及資訊安全，並將以提質增效及降本減存的競爭力，以「雲、移、物、大、智、網＋機器人」為戰略方向，整合工業大數據、雲端智慧、數據安全管控、區塊鏈金融、智慧製造、智慧供應鏈等，以人流、技術流、訊息流、過程流、物流、金流等六流大數據為基礎，邁向萬物聯網的智能社會。（本文由 MoneyDJ新聞 授權轉載；首圖來源：科技新報）
機器人大軍殺入農業領域，可能會顛覆當前的農作生產方式，市值 1,000 億美元的農藥和種子市場恐受衝擊，不利農藥大廠拜耳（Bayer）、先正達（Syngenta）等。路透社報導，目前農產品最有利潤的生產方式之一，是大面積栽種能夠耐受農藥的基改作物，並全面使用除草劑，以提高產出、增加收入。然而人工智慧（AI）和電腦視覺帶來的農藥精準噴撒技術，也許會改變此種生產模式。倘若新技術普及，未來只需對雜草噴藥，基改作物和農藥需求將減，將打擊相關業者。瑞士機器人業者 ecoRobotix 研發出太陽能板供電的除草機器人，外型像在桌子下加裝了 4 個輪子。此種機器人會逐一檢視作物生長情況，辨識雜草、再噴灑農藥。ecoRobotix 表示，該公司機器人能讓除草劑用量減少 20 倍，預估明年上市。美國業者 Blue River 也開發出類似機器人，能分辨雜草和作物，只在需要時噴灑農業，估計除草劑用量能夠減少 90%。諮詢機構 ROBO 主管 Richard Lightbound 說，許多技術都已到位，問題是如何組合，並以正確價格賣給農人。如果農藥用量能以十倍數減少，對農人有相當大的吸引力，而且此種作法也更為環保。農藥廠防範未然，拜耳已與精準噴灑業者合作。中國化工旗下的先正達也開始研發適用於精準噴灑的產品。「Robo 全球機器人與自動化 ETF」22 日下跌 0.28% 收 42.40 美元。21 日收在 42.52 美元，為 4 月 19 日以來收盤新高。今年迄今走高 2.61%。（本文由 MoneyDJ新聞 授權轉載；首圖來源：ecoRobotix）延伸閱讀： 這台小機器人能用機器視覺採草莓，還能看出熟了沒 從種植到收穫都不需人力，英團隊完成首個無人農場計畫 電腦視覺讓農業裝置會「看」了，施肥除草更精準 農業機器人知多少：從放牧機器人、擠奶機器人再到施肥機器人 機器人搶農夫飯碗？專家：還早得很
在李世乭和柯潔戰敗後，人類在棋類競技場已經難與 AI 爭鋒。很多人會說，身為非職業棋類選手，不在乎下不下的贏棋。想一想，以後會不會連玩遊戲也贏不了 AI……這件事情已經發生了，且還在加速。之前曾有報導，2017 年 8 月，Open AI 的 DotA 2 遊戲人工智慧在 1V1 中擊敗了人類玩家。同年 9 月，全球最大的 3D 遊戲引擎 Unity 宣布發布 Unity Machine Learning Agents（ML-Agents），一款提供給遊戲開發者的開源 AI 工具包。Unity 這一開源工具包是 Unity 將機器學習應用在遊戲的成果，AI 已經附能各行各業，那麼在遊戲行業，會帶來哪些有趣的成果？5 月 11-13 日，Unite Beijing 2018 在中國國家會議中心召開。Unity AI 與機器學習副總裁 Danny Lange 分享了 ML-Agents 的新進展。ML-Agents 助力遊戲開發Lange 介紹到，機器學習對於遊戲開發來說很重要，能夠讓遊戲開發過程更加簡單，讓遊戲變得更有吸引力，開發者可以不用每一個方案都編程，遊戲與玩家的互動變化可以讓系統自己學習。就像人從環境當中感知，並做出反應一樣。ML-Agents 可以以相同的方式來訓練這些系統。Lange 展示了一個 Demo，未來主義的賽車遊戲，Demo 中左邊是人類，右邊是機器學習的 Agent。一開始的時候，Agent 轉彎不好，容易撞車，但是它慢慢學習人類的操作，大概 25 分鐘的訓練之後，你可以看到可能還是有點不穩，但是不會再撞車了。經過不斷的訓練，Agent 能編程非常好的選手。那麼，具體遊戲場景中，可以有以下應用：機器學習可以應用在幾個方面。第一個是創建 NPC，有多種行為的...
4 月，Facebook 執行長馬克祖克柏因為劍橋分析（Cambridge Analytica）濫用 8,700 萬用戶個資事件，在美國聽證會上接受 44 位國會議員連番拷問，因為受影響的用戶中包括 270 萬名歐盟成員國用戶，道歉大會從美國移師到了歐洲。不過這場道歉大會顯得有點多餘、浪費時間，因為會議形式設計的非常奇怪，再加上時間限制，讓祖克柏沒能完整回答歐洲議員們的諸多疑問，正因為如此，祖克柏僅回答自己想回答的問題，也被部分議員批評回答避重就輕、內容空泛。怪異的聽證會設計，讓祖克柏選擇性答題「我問了你 6 個問題，但我一個答案都沒得到。」比利時歐洲議會成員 Philippe Lamberts 會議接近尾聲時這麼說。這場於歐洲登場的會議與 6 週前美國的聽證會很不同，因為迫於外界壓力，從原本的一場閉門會議，最後臨時改為一場公開透明的網路直播。比利時代表這麼抱怨不是沒有道理，許多人都期待相隔了 6 週，祖克柏能不能提出更多讓人耳目一新的說詞，但卻被獨特的會議形式破壞了當初的期待。不同於美國聽證會長達 5 小時的輪番提問，歐洲的這場會議，一開始祖克柏先朗讀事前擬的聲明，接著在場 12 位歐洲議會代表，用超過 1 小時提問大量問題，祖克柏一邊做筆記，所有人提問結束後統一回答，但最後祖克柏回答的時間只剩下 7 分鐘，且議員不能事後追問。除了拷問祖克柏，更像宣傳 GDPR 的舞台「過去幾年，我們沒能阻止自己開發的工具被用來做壞事，不論是假新聞、國外團體干涉總統選舉，還是開發者濫用用戶數據，我們都沒能好好履行自己的職責，這明顯是錯誤的，我在此道歉。」會議一開始，祖克柏再度以道歉拉開序幕。這次聽證會比起得到祖克柏更多說法，也許歐盟更想藉由這個機會好好向世界宣傳，3 天後將上路的「歐盟通用資料保護規則」（GDPR），違反的企業將面臨年營業額 4% 罰款，藉此向外界傳達「數據隱私是目前歐盟最關注的事項」的訊號，而社群巨頭濫用個資就是最完美的例子。▲ 不同於美國聽證會長達 5 小時的輪番提問，一開始祖克柏先朗讀事前擬定的聲明，接著在場 12 位歐洲議會代表，用超過 1 小時提間，祖克柏再統一回答。（Source：European Parliament）毫無意外，這次問題依舊圍繞在隱私，議員想知道 Facebook 可不可以保證劍橋分析事件絕對不會再次發生、要如何遵守 GDPR 的細則、用戶是不是能掌控自己的資料，也有人問到 Facebook 是否會開發一項產品，讓用戶可以選擇不要成為廣告投放的目標，另外還有假帳號、假新聞，以及是否能保證不再受外國勢力操控、WhatsApp 及 Facebook 資料會不會雙向蒐集。祖克柏維持一慣基調，並沒有逐一回答，他表示公司絕對會遵守將上路的 GDPR...
對 Alphabet 或 Google 管理層來說，不得不考慮的嚴重問題是：該如何處理已與美國國防部在 Project Maven 達成的合作關係。Google 食言了？Project Maven 是美國軍方 2017 年 4 月主導建立的專案，也稱為演算法戰跨職能團隊（AWCFT）。Maven 的工作是「加速國防部整合大數據和機器學習技術」。據該中心助理研究員 Greg Allen 介紹，首要工作是幫助軍方有效處理空中無人機每天收集的大量影片。按照美國國防部的計畫，Project Maven 成立 6 個月就可以執行；為了滿足迫切時間要求，國防部依靠自身顯然不夠，於是轉而尋求學界和業界的人工智慧專家合作，以彌補軍方和矽谷之間的技術差距。根據總監 John Shanahan 的說法，Maven 將為整個國防部點燃「人工智慧的火焰前線」。據報導，自 2017 年 12 月以來，Maven 已部署至與伊斯蘭國的對抗。外界普遍認為，身為 TensorFlow 開發者，Google 有參與合作，不僅為國防部提供機器學習應用的 TensorFlow API 介面，還動用工程師資源提供幫助。這合作今年稍早候曝光之後，引起大量爭議，許多 Google 員工表達抗議。2017 年秋天，還擔任 Alphabet 董事長的 Eric Schmidt 在一次談話說起科技圈與軍方合作的擔憂。「技術社群普遍擔心軍事和產業結合，會用做不正當殺人武器。」同樣也是國防創新委員會成員的他補充，「我不會在軍隊提供 Alphabet 的東西」。不過隨著 Eric Schmidt 在 2018 年初卸任 Alphabet 董事長，Google 似乎食言了。不少媒體認為，為了爭取國防部雲計算業務的訂單，Google 參與了國防部 Project Maven；儘管...
人工智慧（AI）與 5G 被譽為未來關鍵性技術，在這浪潮之下，邊緣運算（Edge computing）跟著受到重視！近期微軟的 Build 2018 開發者大會，針對邊緣運算推出一系列產品、服務與開發工具，不僅於此，從雲端服務三巨頭 AWS、微軟、Google，還有伺服器、網路設備、晶片大廠一眾廠商早就紛紛投入，邊緣運算到底在夯什麼？邊緣運算為何物？邊緣運算可說是物聯網時代下的產物，簡而言之，邊緣運算在傳統雲端與裝置端的連接中間，多了一層運算層──Edge 端，Edge 其實指的是靠近數據源的運算單位，包括閘道器、路由器，以及硬體底層相關的各種機器、裝置、設備與系統。（Source：拓墣產業研究院）有了 Edge 端直接針對多裝置、龐大訊息先做擷取、過濾與處理，對裝置端做出回饋與反應，不用讓所有資料都上到雲端，以期在資料量逐漸龐大、重視資訊即時處理傳輸的現代，更能有效率處理資訊，減少事事上雲端所帶來的時間遞延與資料傳輸/儲存成本。邊緣運算將對市場造成架構與實質應用上的改變，許多標準組織積極訂定標準，包括歐洲電信組織 ETSI 的多重接取邊緣運算（Multi-access Edge Computing，MEC）、OpenFog 的開放霧運算（Fog Computing）、中國廠商華為所主導的 Edge Computing Consortium，都積極且持續地釋出參考架構與建立生態系。而邊緣運算會如此受到重視，不僅它是雲端與裝置端的橋梁，更是實現 AI 、5G 等未來關鍵技術的重要催化劑。邊緣運算為何能助攻 AI ？AI 的進步會率先在邊緣運算中實現，過去 AI 仰賴強大的雲端運算能力，來進行數據分析與演算法運作，但隨著晶片能力提升、邊緣運算平台成熟，開始可賦予現場端裝置、閘道器擁有較為初階的 AI 能力，數據資料能在 Edge 端便進行更快的篩選、分類、彙整、分析，並且利用這些數據資料來不斷修正與優化模型。如汽車自動煞車系統、工廠自動化設備即時示警、家庭智慧音箱都是邊緣運算的運用案例。微軟、AWS、Google 三巨頭的「邊緣布局」近期甫落幕的微軟開發者大會 Build 2018，微軟 CEO 納德拉點出了「智慧雲端（Intelligent Cloud）」與 「智慧邊緣（Intelligent Edge）」的未來發展布局，會中微軟也宣布開放 Azure IoT Edge Runtime 資源，讓 Azure API 機器學習、認知服務、影像處理分析等能從雲端下載至 Edge 端運行，意味著不上雲端、在斷網的情況下，裝置還是能做到圖像識別、自然語言處理、語音驗證、將語音轉換成文字、對應複雜資訊和資料做出智慧建議等 AI 工作。得以讓智慧音箱、無人機、無人車、機器人等創新應用，能做到更快速的反應。積極推動無伺服器運算（Serverless）擁抱 Edge 的雲端服務大廠不只微軟，這件事領頭的其實是龍頭...
如今我們談製造業升級，自動化產線已遠遠不夠，邁向智慧工廠才是必然趨勢。所有製造過程的環節都必須進行串連與溝通，而這就得從底層的感測器、物聯網收集數據，邊緣及雲端運算，再透過軟體整合分析與機器學習一氣呵成。資策會產業情報研究所（MIC）預測，全球智慧工廠光在今年產值就將超過 2,500 億美元，未來數年市場規模還將以 10 % 左右的力道快速成長，不容小覷。AI、機器學習高速成長，PCIe 角色吃重想像一間智慧工廠，當中每台工業電腦的主機板都是一座城市，各種數據就如同川流不息的人群與物資，需要設置固定且高效的路線往返輸送。而這些傳輸路線的樞紐，就是電腦匯流排。為了讓設備做到自行相互溝通、即時狀況處理以及預防性維護等工作，具備高速及高效傳輸速率的 PCIe 匯流排技術在工業領域重要性不斷提升。近兩年來 AI 與機器學習的進展，帶來更多數據及運算需求，資料吞吐量大增，讓新一代的 PCIe 4.0 規格終於在去年底正式發布，而 PCIe 5.0 也預計將於 2019 年推出，標誌著 AI、機器學習等應用日增，才帶來了這一波升級浪潮。PCIe 匯流排實體層能提供 x1、x2、x8、x12、x16 和 x32 通道頻寬，PCIe 4.0 編碼規格與 PCIe 3.0 同為 128b/130b，傳輸速率則是翻倍來到 16 GT/s，換算下來單一單向通道頻寬為 1969 MB/s。而具備低延遲與更高頻寬的特點，加上模組化架構以及向下相容 PCI 的特性，讓 PCIe 能滿足工業電腦越來越多元的建置趨勢，以及與其他高速設備串接的要求。若要在工業 4.0 時代掌握決勝關鍵，智慧工廠的生產線上勢必要導入 AI 及機器學習等相關解決方案，PCIe 的重要性自然也是不言而喻。在這些解決方案中，主要就有 DAQ 資料採集、機器視覺及運動控制等技術可以用來說明。DAQ 資料採集DAQ 資料採集，就是透過電腦測得物理或電子現象，整套系統包含感測器、DAQ 介面卡，以及搭配可程式化軟體的電腦。感測器收集產生的訊號能由 DAQ 介面卡讀取，而 DAQ 介面卡就是電腦與外部訊號之間的橋樑，能進行訊號處理、數位/類比轉換，並具有電腦匯流排以銜接電腦。如研華科技（ADVANTECH）的 DAQ 介面卡 PCIE-1802，便是一款高精度的...