三星積極發展人工智慧（AI），繼智慧手機搭載的個人語音助理 Bixby 之後，又發表了企業導向的智慧秘書「Brity」，可用於客服中心、線上即時通等，節省公司的人力成本。韓聯社報導，三星關係企業 Samsung SDS 5 日推出 AI 平台 Brity，Brity 能了解商業對談，提供企業資料等。舉例而言，用戶問到，昨天下訂的冰箱，哪天會送到？Brity 會從對話內容判斷，知道應該回答冰箱送達之日。該公司宣稱，Brity 的準確度高達 95%。Brity 平台可用於語音或文字平台，比如客服中心或 LINE 即時通等，用戶能用自然語言與 Brity 對話，取得所需資訊。Samsung SDS 5 月份開放自家員工測試 Brity 功能，AI 平台能正確回答時程、合約、或餐廳供應餐點等問題。目前 Brity 只有韓語版，英語版正在開發中。Samsung SDS 的 AI 策略分為三大項，除了 Brity 之外，還有著重研究數據的「analysis AI」，以及具有機器視覺，能找出瑕疵品的「visual AI」。（本文由 MoneyDJ新聞 授權轉載；首圖來源：shutterstock）
北韓近日的氫彈試爆，讓許多人憂心起第三次世界大戰會否來臨，但特斯拉執行長馬斯克（Elon Musk）對此有不同想法，他認為從「對人類文明的威脅」的角度來看，人工智慧（AI）發展仍舊是最大的問題。馬斯克近日在推特發文表示，人類文明存在的風險清單上，北韓的威脅程度應該比較低，在他看來，各國都在竭力爭取 AI 競爭的優勢，才是最有可能導致第三次世界大戰的原因。許多人認為，馬斯克這系列推特發文，便是在對俄羅斯總統近期的宣言發表評論。 China, Russia, soon all countries w strong computer science. Competition for AI superiority at national level most likely cause of WW3 imo. — Elon Musk (@elonmusk) 2017年9月4日就在日前學生演講時，普丁（Putin）少見的透露了對 AI 發展的想法，他認為 AI 影響的並不只俄羅斯，而是全人類的未來，因為他相信 AI 領域的領導者，也將具有支配這個世界的能力。因此普丁建議，各個國家應該互相分享關於 AI 的知識，以避免有人獲得壟斷地位，「一旦有人獲得壟斷地位，情況將會變得十分嚴峻。」那麼從目前的情況看來，究竟會是哪個國家在這場競爭中獲得優勢呢？高知特（Cognizant）的策略負責人 Malcolm Frank 指出，以目前的情況看來，美國、中國、印度在 AI 領域的領先遠遠超乎其他國家。但馬斯克認為，不論是哪些國家取得領先，其他國家也會用盡一切手段迎頭趕上。「政府並不用遵守一般的法律，他們可以取得任何公司開發的 AI 產品，只要有那個必要。」這並非馬斯克第一次呼籲政府應該制定 AI 相關法律，來保障公眾安全，在過去很長一段時間，馬斯克一直試圖警告人們關於 AI 發展的危險性，但很顯然的影響力並不夠。「於是我想說，好吧，看來為了確保 AI 的開發方向不會偏離正途，我們也得投入研究了。」（Source：shutterstock）在那之後，馬斯克建立了兩個新企業來減緩他對 AI 發展的「焦慮」，一個是研究人機介面的 Neuralink，另一個則是非營利的研究機構...
隨著一大波公司湧入 AI 醫療領域，一股現代淘金風潮再度掀起。但由於高風險性，FDA 將監管這些軟體。在美國，雖然「21 世紀治療方案」已撤銷對部分 CDS 的監管（ClinicalDecisionSupport，臨床決策支援），並表示還會撤銷更多專案的監管，但確信的是，FDA 會繼續監管高風險的 CDS。問題的關鍵在於：FDA 該如何監管集成機器學習技術的高風險 CDS？一些人稱醫療領域的機器學習應用太新，不知道 FDA 將有何反應，但事實並非如此，FDA 已有數十年的機器學習監管經驗了，且幸運的是，這能給我們一些有用的幫助：當這種技術大幅擴張時，FDA 會有何反應？FDA 對機器學習技術的監管實踐1998 年開始，FDA 放射健康部門已開始監管電腦輔助辨識系統，在大多數情況下，這些軟體利用複雜的演算法找出醫學影像的病竈區。最初，這認定為三級裝置──這意味著最高風險等級和最大監管力度，後來，FDA 又評定為二級，即認定風險等級適中。這些軟體出售給臨床影像醫生使用，指導醫生看片，但醫生無法完全依靠這些軟體。在理論上，這些軟體風險為零，但 FDA 懷疑影像醫生將完全依靠系統檢查，對風險警告置若罔聞。2012 年，FDA 發表一連串指導檔案，涵蓋了與這類軟體有關的所有規定。在這些檔案中，FDA 重申之前法規明確說明的內容：按軟體的臨床應用分類將有效提升監管水準。FDA 區分 CADe 和 CADx，前者僅標出病竈，後者會進一步給予疾病診斷和分類。很明顯，CADx 的風險等級更高，因為需要更嚴格監管，通常認定為三級。但 FDA 對 CADx 的態度也在與時俱進。就在 2017 年 7 月，FDA 決定將辨識癌症病變的 CADx 降為二級，FDA 的此舉強調「電腦輔助醫療影像可疑癌症病變辨識」，這種軟體基於從醫療影像擷取的資訊或特徵，辨識病變，並且提供病變資訊。將其評定為二級軟體是一個「大跨步」，促進了這種軟體的發展。因為三類產品的製造商必須提交一大疊上市前批准申請，並進行大範圍的臨床試驗；而二級產品製造商僅需要闡明產品基本上與市面已有的產品相同（可能也需要臨床試驗，但無論臨床設計或實驗範圍，都更適中）。對集成機器學習算法的影像分析軟體，FDA 已有一套相對成熟的臨床試驗監管辦法。研究人員可建立一套醫學影像資料集，其中包含已確診的正常人和患者影像，申請者可設計臨床試驗對比，有無軟體幫助的情況下每組最終的診斷效果。當然，還有其他可能的臨床設計，這取決於申請者需要證明的假設是什麼。除此之外，FDA 有一套相對明確的審查指標來審查集成機器學習演算法的軟體。在 2012 年的指導性檔案中，FDA 列出這些指標，比如演算法設計、特徵、模型、用於訓練和測試演算法的資料集，以及使用的測試資料「衛生程度」。後者非常重要，因為有些申請者沒有基於測試集選擇分類 ，顯然這不被允許。FDA 想知道公司如何抓取資料，以保證反應真實情況。FDA 判斷公司試驗用的統計方案和研究假設是否合適有豐富的經驗，以他們的經驗來看，許多申請者的研究包含多個假設，這可能影響後續資料分析、統計方案等，總而言之，FDA 最重要的目標之一是確保產品設計和臨床驗證能反映預期用途。FDA 已收到一些申請，其中明確聲明系統有機器學習算法──FDA 稱為「適應性系統」，隨著之後進入市場，使用過程蒐集更多新證據，這樣的系統會不斷進化。事實上，開發一套適應性系統是大多數開發者的終極目標，但這給 FDA 造成一定的挑戰，因為現有的法規是：醫療裝置一旦有改動，必須重新取得批准。如果這個裝置自行進化，到哪個時間點需要重新批准呢？同樣，FDA 必須決定什麼程度的改變需要重新驗證。至少在某些情況下，簡單的確定軟體參數以控制軟體遠遠不夠。除此之外，還有許多其他懸而未決的問題，比如軟體開發商是否能重新使用測試資料集；訓練或測試的資料量如何確定。FDA...
行政院生技策略會議 5 日登場，科技政務委員吳政忠表示，近來包括人工智慧（AI）等新科技加入，台灣必須掌握時間和機會，新創和跨域整合是未來的機會。行政院 2017 年生技產業策略諮議委員會議（BTC）今起一連 3 天在台北福華大飯店舉行，會議主軸為「創新科技、提升動能、邁向生醫新世代」，盼透過凝聚共識方式，導引生醫產業整體環境連結國際、在地及未來的思維。吳政忠致詞指出，從去年迄今在生技產業相關硬體建設有不少進展，包括竹北生醫園區第一生技大樓進駐廠商已滿，竹北生醫園區生技大樓第二期年底將發包；南港生醫園區也陸續開放進駐，並提供部分空間給新創團隊。法規部分，吳政忠提到，除放寬高風險醫材認定外；行政院在今年 5 月也指定將精準醫療等 4 項產品納入生技新藥條例適用範圍等，這些都是過去一年來的進展。他認為，近來生技產業有許多大變化，包括像是人工智慧等新科技的加入，未來跨域結合變得更加重要，這也是本次會議特別邀請台灣人工智慧實驗室創辦人杜奕瑾、AppWorks 之初創投合夥人程九如等國內產業代表參加的原因，「台灣必須掌握時間和機會，新創和跨域整合是未來的機會」。杜奕瑾隨後也以「AI 在醫療領域的新價值」發表演說，認為台灣醫療產業是隱形冠軍；且台灣交通大學「CGI」團隊在圍棋大會打敗騰訊旗下的人工智慧「絕藝」，加上台灣全民健保已累積 22 年的醫療資料，未來在法規鬆綁、跨領域活化和整合都是重要工作。他指出，台灣若能利用這波機會結合醫療領域和資訊產業領域，就能創造人工智慧醫療的新價值，而且有機會做到世界冠軍。羅氏製藥全球技術營運前總裁楊育民則以「全球生醫產業的趨勢和展望」為演說主題，他表示，今年生物產業仍將持續去年趨勢進行合併，且近幾年是生物科技的「完美風暴」，意即結合科技和自動化等時代來臨。楊育民認為，未來生技產業的趨勢，包括擴展當前的蛋白技術平台、不斷創新（包括破壞性技術）、生物科技和高科技融合、生物科技競爭以速度決戰等，雖然台灣在高科技上是強項，但他仍感慨好人才難尋，政府在人才培養方面也應該要提供獎勵誘因。（作者：黃麗芸；首圖來源：shutterstock）
南韓總統文在寅推動課徵「機器人稅」跨出了第一步。目前南韓企業投資產業自動化設備，可抵減投資額 3%~7% 公司稅，文在寅政府最新的稅改方案中，將此抵減措施延長至 2019 年底，但抵減稅率下修至最多 2%，他是想要緩下業界自動化的普及步伐嗎？說真的，這跟用電燈加稅，鼓勵用蠟燭的概念一樣。自動化是不可抵擋的潮流，理論上應該儘早將被自動化取代的勞工引導到其他領域，儘快加值，而不應繼續保護，最後造成嚴重結構性失業。事實上，正因為我們可敬的競爭對手南韓，減少自動化投資抵減，我們更應該利用此時，加速鼓勵產業投資自動化。非體力勞動的價值英國經濟學家 Evan Davis 曾經在《Made in Britain》（英國製造）一書中提到一個小故事。他沒有直接談到機器人，而是討論非體力勞動、生產效率的問題。我想就「非體力勞動的價值」做一點延伸。假設有一個毛巾／內衣工廠，每天大量生產「基本款」，可能就是男生服役去福利社買的那種最簡單的毛巾／內衣。這工廠當然要雇用藍領員工，操作機器、包裝什麼的，當然，在製作過程中，這些員工或許可以從勞動中取得成就感，因為他們每天就是有這些產能。 但是假如有一天，包含製作、包裝、運送，從半自動化到全自動化，甚至連司機也不用，因為無人車興起，那所有勞工都不存在了，怎麼辦？其實不需特別擔心。當機器人開始做這些工作的時候，這些勞工將會轉移到相關產業。比方說，當省下大量人力成本，毛巾公司的管理者可以開始思考，如何將毛巾的單品價值提高，增加工廠利益。在城市裡面開精品店，讓穿著時尚的員工，詳細解說各類不同的毛巾的質料、功能、甚至與服飾的搭配；沒錯，隨著人工智慧加上機器人產業科技的進步，現在不但可以生產自動化，還可以客製化、功能化。當轉換成為時尚顧問、專業銷售員時，這附加價值只會更高。至少，現階段人類還是習慣跟人類互動。但我們仍要注意公平或許有一天，機器人與 AI 最終會取代大部分行業、大部分人類的工作。或許能大量投資這些機器人設備的，還是較具優勢的資本家。所以，一般人不會反對「那個時候」加徵機器人稅，再去合理分配。但是，我們應在還萌芽、初期階段的時候，去鼓勵勇敢的創業家、資本家，先替我們國家在初期階段創造資源，之後再合理的分配資源。畢竟，承擔風險的，還是這些創業家。很期待我們在新世紀的新產業，能有先佔之機。 （首圖來源：shutterstock）延伸閱讀： 盼能緩下自動化步伐，南韓推全球首創「機器人稅」
為何要談演算法（Algorithm）而不直接講人工智慧？因為人工智慧是演算法的一種，但演算法不只是人工智慧。現今人工智慧的熱潮並非無跡可尋，而是應該由更長遠的角度來看待這個問題，早在電腦尚未發明以前，就已有人工智慧的概念，而看似早已過去的數位革命，其威力其實才正要開始。數位革命又被稱之為第三次工業革命，是指計算機技術的運用對各行各業造成的衝擊層面。在早期，以核能、航太、資訊工業等領域為主要，而在個人電腦及網際網路興起後，更加的普及於民生，而此一階段又被稱為資訊革命，誕生了許多支撐現代社會運行的演算法。它們的基本特徵就是能夠讓機器更迅速及有效率的實現人類的智力活動，促成了人類社會從經濟及文化的根本變革。其實演算法這門學問看似艱澀冷門，但本質上仍是為了解決人類面臨的現實困難。像行程安排，就是每個人生活中常見的問題。就曾有數學教授利用演算法推算出高鐵要如何分段買票才最便宜，例如彰化到左營票價原為 670 元，但「彰化到嘉義 250 元」加上「嘉義到左營 410 元」卻是 660 元，分開買可省 10 元，並以此來向學生科普演算法在日常上的應用。何謂演算法？演算法是計算機科學中非常重要的基礎科目，常用於計算、資料處理和自動推理。更精確地說，演算法是一個有限長度的具體計算步驟，以清晰定義指令來使輸入資料經過連續的計算過程後產生一個輸出結果。簡單來講，演算法就是電腦科學家為了解決問題，而設計出的一連串數學公式，以得到其想要的解答。之所以需要演算法是因為很多看似簡單的生活問題其實比想像中複雜。雖然如行程規劃若僅限於少數站點，其實許多人無須借助計算機，就可以得出答案。但若要替一個想環遊世界的旅客量身打造最短時間的旅遊行程就沒那麼容易，這件工作出乎意料的困難。在假定已知每個城市間的距離，在不重複訪問同一個城市下，如何求出最快速的行程組合，這就已經是電腦科學中著名的難解問題，又被稱為旅行推銷員問題（Travelling salesman problem, TSP）。事實上，不要說環遊世界這種可能多達數十個站點的行程安排，光個位數城市的行程，不用更有效率的演算法及計算機來處理，就非常繁雜。▲ 有效運算 7 個節點的 TSP 演算法過程，若用窮舉法會有數百種組合。（Source：By Saurabh.harsh (Own work) , via Wikimedia Commons）而解決這些問題的演算法，其用途當然也不僅是能得知怎麼旅遊比較有效益而已，背後數學本質的探討與突破，有更廣泛的用途。像這樣的線性規劃演算法，早已被應用在物流、生產製程、甚至是 DNA 測序等各方面。簡而言之，為了面對越來越複雜的經濟及生活問題，數學及電腦科學在現代經濟中，扮演的角色越來越重要。計算的複雜性歷史上最早的演算法被認為是歐幾里德算法（Euclidean Algorithm），又稱輾轉相除法，在基礎教育中其實就已提到過，是為了求得最大公因數的一種遞迴算法，每一步計算的輸出值就是下一步計算時的輸入值。這樣的算法在處理大數時非常高效，也是計算複雜性理論（Computational Complexity Theory）的開端，讓後來科學家進一步探討如何運用資源進行有效計算的學問。 ▲ 在計算複雜性理論中，以時間及空間需求對問題複雜程度進行分類，前文舉例的 TSP 問題就是 NP 問題中最難的一種。 （Source：By Hand drawn in Inkscape Qef , via Wikimedia Commons） 如果一個問題被認為是可計算問題，那麼就表示可被一連串的機械數學步驟所解決，亦即是能被計算機處理的問題。然而現實中計算機的算力是有限的，如果一個問題的求解需要太多資源，則被認為是難解的問題。簡而言之，計算複雜性理論的作用就是在研究可解問題的實際限制。然而還有一種問題對於演算法的發展更為重要，也就是不可解，不僅是資源有限，而是在數理上不可解。若有一天演算法能突破原先被認為不可解的問題或許就是計算機邁向真正人工智慧的一大步。所以說，雖然摩爾定律非常重要，實現了計算機的普及，而網際網路則加速了資料的傳遞，但演算法的進步才真正發揮數位革命的影響力，也是計算機的威力所在。 演算法的極限演算法的進步，簡單來講，就是讓計算節點增加，但計算步驟不會呈指數式的爆發，就代表演算法更有效率，也能做到更多的事。而現今的演算法已能讓機械高度自動化，將所有製造流程以及機械動作寫進程式裡，在少數人力，甚至完全不需要人力的情況下完成生產過程，還能自我檢測及修正錯誤，這些已並非科幻。除錯程式本身就是一種偉大的演算法發明。不僅如此，現今演算法已經能完成一些高度複雜的工作，甚至勝任超越人類的智力活動，但還是不會將這些演算法，稱之為真正的人工智慧，就像在圍棋上戰勝世界冠軍的 Alpha...
用影像重建 3D 數位幾何架構是電腦視覺一個非常核心的問題。這種技術在許多領域都有廣泛應用，例如電影、遊戲的內容生成、虛擬實境和擴增實境、3D 列印等。柏克萊人工智慧研究中心的 Christian Häne 等人近日發表一篇論文《Hierarchical Surface Prediction for 3D Object Reconstruction》，討論如何從單張色彩影像重建高品質的 3D 幾何架構，就像以下這張圖所顯示。對人類來說，即使只看到一張影像，我們也能毫不費力地理解物體和場域的形狀。請注意，眼睛的雙目效果允許我們感知深度，我們不需要了解物體 3D 幾何架構，即使我們只看到一張實體的照片，也能對它的形狀有很好的感知。不僅如此，我們還能理解物體看不見的部分（例如背面），這對拿取物體的動作來說非常重要。於是問題來了，人類是如何從單張影像推理出物體的幾何架構？在人工智慧方面，我們怎樣才能教會機器掌握這能力？一、形狀空間任意匯入影像來重建 3D 幾何架構，基本原理就是：物體形狀不是任意，因此有些形狀是可能的，有些是不可能的。一般來說，物體的表面往往是光滑的，尤其是人造物體，常常是由幾個分段的平面構成。至於預測物體，我們可以使用同樣的規則。例如，飛機通常有機身，兩側各有一主翼，後側會有垂直穩定翼。人類透過眼睛觀察世界，並用手與世界互動，然後獲得知識。在電腦視覺，「形狀不是任意的」這個事實允許我們透過收集大量範例，將一個對象類或多個對象類的所有可能形狀，說明成低度形狀空間。使用 CNN 預測體素（Voxel Prediction）最近 Choy、Girdhar 等人各自發表了關於 3D 重建的論文，在他們的工作中，「匯出」一個 3D 體積空間，這 3D 體積又細分成體積元素（稱為體素，voxel），每個體素會有一個規格（被佔據或自由空間），而物體形狀的預測則表示為由體素組成的 3D 佔據體積。在他們的模型中「匯入」一個通常用來說明物體的單色影像，然後他們用卷積神經網路（CNN）的上卷積解碼器架構來預測佔據體積。該網路線端對端進行訓練，並且由已知的 ground truth 佔據體積（透過合成 CAD 模型資料集獲得）進行監督學習。透過這種 3D 表示（體素）以及 CNN，這種模型就可以學習，且能適應各種對象。二、層進表面預測上述方法（使用 CNN 預測佔據體積）有一個很大的缺點，由於匯出空間是三度，於是相對增加的解析度就會以立方增長。這個問題使這種方法難以預測高品質的幾何形狀，且限於比較粗糙的解析度體素網格，例如上面 32^3 的結果。Christian Häne 等人的工作中，他們認為這是一個不必要的限制，因為表面只是二度。於是他們透過層進的方式利用表面的二度性質來預測精細解析度體素，此時只需要高解析度預測表面即可。其基本思想和八叉樹表示的思想關係很近，八叉樹表示通常用於多視圖立體聲和深度圖融合等領域，來表示高解析度的幾何架構。方法在這個 3D 預測模型（稱為層進表面預測［Hierarchical Surface Prediction，HSP］）中，首先我們匯入一張單色影像，用卷積編碼器將其編碼為低度表示。然後，將該低度表示解碼成 3D 使用體積。主要思想是透過預測低解析度體素開始解碼。關鍵之處在於，不同於標準的方法將體素分為佔據／自由空間，HSP 會將體素分為 3 類：自由空間、佔據空間和邊線。使用這種方法，「匯出」的解析度可以很低，只要保證在那些有跡象表明它包含「邊線」的部分有較高解析度即可。透過更新，我們可以層進預測出高解析度的體素網格。更多模型的細節可參看論文。實驗模型的實驗主要利用合成的...
新科技改變零售服務業的經營效率，李世珍提到，五大科技應用是為無人零售服務業帶來新的發展可能性，擅長製造的台灣產業，也可從中找到機會點。不只是便利商店，就連最講究人員細膩服務的旅館業，也開始減少用人。日前才開幕，來自荷蘭 Citizen M 世民酒店，採取自助報到櫃台；該公司經理蘇天佑表示，鎖定 30 歲以下、善用網路資訊科技的商務人士與背包客，兩百多個房間只用 33 名員工，就算面對國內飯店市場的高度競爭，仍樂觀相信會比一般旅店的回收速度更快。醫院也開始有自助服務，台北醫學大學附設醫院行政副院長蔡淑暖提到，現在北醫正建置智慧醫療系統，病人進來醫院，可以自助報到、自助量血壓、測血糖等數據連上網傳給醫師病例資料庫、自助批價結帳，這樣的模式更有效率，護理師工作量減少，不用加班，而病人習慣這樣的流程，資料數據也都存在雲端，還可選擇遠距醫療的會員服務。新科技改變零售服務業的經營效率，李世珍提到，五大科技應用是為無人零售服務業帶來新的發展可能性，擅長製造的台灣的產業，也可從中找到機會點。目前無人商店主要用到有五大科技：首先是為了綁定消費者身分的辨識系統，除了用 App 手機程式外，還可以用人臉辨識、或者刷掌紋來確認；鏡頭則是分布在賣場各處，搭配系統可做影像辨識並記錄消費者行為；此外，為了能進一步分析消費者行為，做商品預測或者是針對個別消費者給予促銷訊息，這就得有 AI（人工智慧）的系統來分析；至於用工業電腦或者是 RFID 標籤，則可進行自動結帳的功能。只不過，電商業者因具備「可設定範圍」和「可設定族群」等特性，可以花大錢嘗試一個新事業，不用考慮太多，就像是所有電商的短時間配送到府服務，都有限制地區。但一旦要擴大複製到實體店，思考就完全不一樣，「投入新科技一家成本 1 千萬元，看起來還好，但若要一次導入 5,000 家門市，成本就很難回收。」有多年零售業經驗的林修煜認為，現階段無人店的新科技投入成本還是太高。科技業對零售服務業所帶來的破壞式創新，姑且不論模式各有不同，業者也在各自表述，雖然有其發展優勢，但究竟能否完全取代傳統服務模式，目前最大的突破關鍵，恐怕還是在成本；誰能把有效率的平台系統價格，降到可以被大量複製，無人店的市場才會真正大爆發。（本文由 財訊 授權轉載）AI 人工智慧新知管道如何深入了解 AI 趨勢？快速收到第一手 A.I. 學習資訊與相關新聞？歡迎加入臉書社團「AI 人工智慧基地」。
近年隨醫療與生活環境品質提升，全球人均壽命不斷提升，特別是在先進國家，多數人均壽命已超過 80 歲，意味著醫療與照護體系負擔的壓力逐年加重，如何確保永續經營，就成為了重要課題。長壽與老齡化，傳統醫療面臨瓶頸在台灣，全民健康保險制度已上路 20 餘年，自 1995 年開辦初期，年支出 1,945 億元，至 2015 年已增加超過 3 倍，達到 6,450 億元。在龐大醫療體系中，有諸多待改善的問題，如醫療分流不彰，民眾習慣至大醫院就診、浮濫用領藥、大醫院的軍備競賽等。此外，醫護人力不足，導致超長工時，而患者等待造成的糾紛與暴力事件更時有所聞。未來，在國人人均壽命持續提高（2015 年為 80.2 歲）的背景下，健保如何永續經營、長期照顧資源如何取得等，皆成為大眾關切的熱門議題。在英國，健保核心價值與台灣類似，醫療制度屬於公醫制，全民皆享有免費接受醫療的權利，但因人均壽命已達 81.2 歲，這種以稅收為基礎的服務使政府負擔沉重。在就醫方面，英國健保服務由國民保健署（National Health Service，NHS）管理，公民必須事先在特定的普通科醫師（General Practitioner，GP）診所註冊，生病時僅可預約所屬 GP 看診、開立處方籤，有必要時由 GP 將患者轉診至大醫院治療。雖有良好的醫療分流，但在民眾醫療需求與各類成本日益增長的情況下，NHS 逐漸難以負擔，進行了數次的醫療改革以削減成本，但最終導致醫療品質下降與 2016 年的醫師大罷工，影響超過 10 萬門診診次。由於支出過高，外界預估 NHS 在 2020 年將面臨 300 億英鎊的資金缺口，另外，在龐大醫療壓力下，NHS 體系內的醫療院所每年不當處置與誤診超過 1 萬名病患，單就賠償費用每年就達到 2 億英鎊。此外，病患的平均等候期間過長，在 GP 診所預約通常需要數天至數週，而轉診至大型醫院則需要再等候數週至數月，高達 2 成病患無法及時就醫。AI 為醫療帶來新曙光受上述因素影響，NHS 開始測試引進 AI 應用於醫療體系。透過 AI 對過往醫療的大數據進行深度學習與分析，將病癥與疾病連結的能力將超過人類醫師。此外，透過 AI 達成的自動化醫療照護與傷病篩檢，也有助於降低臨床醫師的工作量。其中，最知名的案例就是與...
日經亞洲評論 26 日報導，瑞克魯特職業研究所（Recruit Works Institute）預估，快速的自動化進程恐將導致日本失業率在 2025 年升至史上最高的 5.8%。瑞穗證券首席市場經濟學家 Yasunari Ueno 表示，人工智慧（AI）的快速發展恐令白領勞力過剩，進而導致失業率升高。第一生命經濟研究所首席經濟學家 Toshihiro Nagahama 指出，能夠成功地透過 AI 等方式提升效率的企業也將會要求旗下員工素質跟著提升。日經、英國金融時報的聯合研究顯示，在大約兩千項人類有償工作項目當中、機器人能夠執行的比率已達 30%，在日本此一比率更是超過 50%。日本官方數據顯示，2017 年 4-6 月工業機器人訂單金額年增 49% 至 1,717 億日圓。日本政策投資銀行的調查發現，本會計年度大企業資訊科技投資金額預估將年增 28% 至 5,582 億日圓，佔整體資本支出 8.2% 的比重。MarketWatch 8 月 16 日報導，倫敦政治經濟學院經濟學家 Grace Lordan、加州大學爾灣分校經濟學家 David Neumark 分析 1980~2015 年期間美國人口普查局「現行人口調查」數據後發現，最低工資大幅提高所引發的自動化浪潮對低技能工人的衝擊程度最大。Forrester Research 曾預估，未來 10 年自動化、AI 的興起將為美國創造出接近 1,500 萬份新工作，相當於 10% 的勞動力。不過，同一時間機器人等新興技術也將讓 2,500 萬份工作消失。（本文由 MoneyDJ新聞 授權轉載；首圖來源：shutterstock）延伸閱讀：...