MindMeld 是一家能夠為任何應用程式、裝置或網站提供智慧會話的雲端平台公司。企業客戶使用這個平台快速創建智慧會話助理，以了解用戶的需求。MindMeld 之前也叫 Expect Labs，成立於 2012 年，其最早業務是利用 iPad 上的應用提供類似「Siri」的智慧語音服務。隨後為了不僅停留在 iPad 生態內，MindMeld 將產品標準化並隨之開發了一套擁有語義解析、語義推理和語言生成的智慧 API，幾乎所有主流平台和作業系統都能適配。MindMeld 之前曾獲得來自 IDG Ventures USA、KPG Ventures、Samsung Ventures、GV 等 16 家機構總計 1,540 萬美元的風險投資。近期在矽谷，會話類 AI 成了收購熱門標的，三星 2016 年為 Vivv 支付了 2.15 億美元，目的是將其產品與技術整合進三星的私人助理 Bixby 中。同樣的，思科近期在收購領域的表現也頗亮眼。截至今日，思科從 2016 年起共完成 10 起收購案，除去未透露的金額，總計達 67.08 億美元。思科表示，MindMeld 團隊將與思科團隊組成一個新的人工智慧語義認知專案組，這一舉動被外界認為將會是向 IBM 的 Waston 發起挑戰的一個舉動。 Cisco acquires conversational AI startup MindMeld for $125 million （本文由 36Kr...
很多人都不確定到底什麼才是機器學習。但是事實上機器學習已經成了我們日常生活的一部分。機器學習是人工智慧的一種，透過機器學習，電腦可以從例子中學習而不需要一步步執行指令。英國皇家學會（The Royal Society）認為機器學習對人們生活的影響會越來越大，並號召大家在這方面做更多研究以確保英國充分抓住並利用這個機會。機器學習已是很多系統的「動力系統」，從平凡到可以改變生活所有。以下是一些例子：1. 手機運用語音指令命令手機完成搜尋和撥打電話等功能，就是依賴機器學習相關的技術。虛擬人工助理，如 Siri、Alexa、Cortana 或 Google Assistant 能執行指令也是因為有語音辨識技術，處理人類語言，符合相關指令並以越來越自然的方式反應。虛擬語音助理透過學習大量的對話及其他各種各樣的方式學習人類語言。它們也許會問詢具體資訊，如怎麼稱呼你，或一家人中每個人的聲音分別是如何。所有用戶產生的大量對話資料也被用做學習例子進而幫助虛擬人工助理辨識多音詞，以及學習如何自然討論。2. 購物很多人都非常熟悉購物建議，回想一下線上超市提醒你購買東西的場域，或 Amazon 向你建議你可能喜歡的書。機器學習就是透過所謂的建議系統來進行。透過分析消費者的購物歷史資料以及消費者表現的消費喜好，建議系統可在購物歷史中總結出規律，預測你可能喜歡的產品。3. 電視相似的建議系統同樣也用於電影或電視等串流媒體，比如 Netflix 就有這樣的建議系統。建議系統利用機器學習分析觀看習慣，根據每個人看過什麼、喜歡看什麼分析出偏好形態。了解觀眾喜歡的電影類別、點播歷史和高分評價以後，建議系統就可分析出看電影的個人偏好。在 Spotify 等音樂類串流媒體同樣有建議系統，Facebook 也透過這樣的機制為用戶推送廣告。4. 電子郵件機器學習同樣可用於區分不同種類的物品或專案。這點用來從一堆電子郵件中挑出你想看的郵件。垃圾郵件探測系統利用一組示範郵件辨識出垃圾郵件──透過偵測特定的詞語、發件人以及其他特徵判定是否為垃圾郵件。一旦設定好，系統就可以直接將相關郵件放進特定檔案夾中。隨著用戶標注郵件或在檔案夾間移動郵件，該系統持續學習。5. 社群網路你想過 Facebook 是怎麼知道你的照片裡有誰並自動標註的嗎？Facebook 及其他社群媒體採用的自動標註影像辨識系統也是基於機器學習。當用戶上傳照片並標注朋友和家人後，影像辨識系統就會辨識重複出現的元素並將其分類或指向特定人物。6. 銀行透過大量資料分析和型態認證，人工分析員無法辨識的行為都可以解析。這種能力最常見應用就是打擊金融卡和信用卡詐欺行為。機器學習系統可訓練辨識典型的消費型態及交易特徵（如地點、數目或時間），或多或少降低詐欺可能性。當一單交易看起來不規則時就會觸發警報，隨後用戶就會收到一條相關資訊。7. 醫院醫生開始考慮使用機器學習來做更好的診斷，比如發現癌症和眼疾。透過學習醫生記號過的圖片，電腦分析認證新的病人視網膜圖、皮膚斑點或顯微鏡下的細胞圖。透過這種方式，機器可發現疾病存在的視覺線索。此類影像辨識系統在醫療診斷領域越來越重要。8. 科學機器學習同樣也為科學家探索新發現提供了助力。特別是在粒子物理領域，機器學習幫助電腦從 Cern 的大型強子碰撞型加速器收集到的海量資料集中發現型態。機器學習在希格斯玻色子（Higgs Boson）的發現中有重要作用，現在機器學習應用於任何人都沒有想過的「新物理」探索。同時，還被用於發現新藥，比如透過搜尋新型小分子或抗體來對抗疾病。未來將會怎麼樣？未來的發展將聚焦於製造出能夠出色完成特定工作的系統，並使這些系統成為人類的助手。在學校，機器學習可以追蹤學生的表現，制定個人學習計劃。可以幫助我們有效利用資源，降低能耗；透過幫助人們發現更多有意義的人際接觸，加強對老人的關懷。在交通領域，機器學習推動無人駕駛。各行各業都可利用演算法提高效率。金融服務的自動化程度更高，律師事務所利用機器學習完成基本的調查。常規工作更快完成，這將挑戰依賴於按工作時間收費的商業型態。在未來十年，機器學習科技將越來越多滲透到我們的生活中，改變我們工作和生活的方式。 Eight ways intelligent machines are already in your life （本文由 36Kr 授權轉載；首圖來源：shutterstock）
知名統計軟體大廠 SAS 在 4 日與玉山銀行及台灣大學電資學院宣布將進行正式的技術合作，期望在台灣建立能夠自我學習的預測分析法，以領先業界完成高度個人化的金融服務設計，預計 2017 年底系統能正式引進。 美國 SAS 公司一直深耕於大數據及機器學習領域，在台灣也持續推動有關統計及資料科學等產學合作，而此次與台大將共同為金融業聯手打造最適化的普惠金融。台大電資學院副院長陳信希指出，所謂的普惠金融是希望能夠照顧到客戶的所有需求，透過各種不同異質化的資料來源，做到使用者意圖分析、意見探勘甚至是情感分析，打造能預測顧客需求的演算模型。圖形辨識完成度高台大資工系副主任張智星表示，雖然台灣金融業在精準行銷上一直有在努力，但數據演算其實相當複雜，要如何準確的辨識及細部貼標是一個很大的挑戰，何況部分的重要資料是以圖片形式存在。SAS 台灣總經理陳愷新指出，就算是難度較高的圖形辨識，也已與台灣科技業者進行合作研發演算法，經過不斷的訓練之後，距實際商業運用已有一半的完成度，可望年底能有實質的展示。陳愷新強調，其實不管是將大數據應用在行銷抑或是機器人理財等其他金融科技上，其背後所需要的演算有相通之處，所以 SAS 也有與 UBS 及美林銀行等合作，致力打造一個大數據演算法平台，以讓業者進行各種服務應用。關於個資蒐集的問題，他也表示，此次合作的數據主要是由玉山銀行提供，不過仍有需要透過網路爬蟲等工具蒐集一些個人的社群資料，其實公開社群的資料蒐集已經是各廠商行銷運作的常態，目前法規尚未構成障礙。新零售也是同理機器學習的運用其實也不僅在金融業，同理在零售業的應用也是如此，如馬雲提出的新零售概念。SAS 台灣創新中心資深顧問林輝倫表示，傳統的行銷做不到即時及個人化，很難正確的投放資訊，而這背後必須要仰賴機器學習的演算才有辦法達到最佳化。目前台灣的零售業者，雖然還沒有人能達到理論上的人工智慧行銷，不過也在逐漸地改進中。林輝倫強調，實務上，讓業者引進機器學習技術的障礙主要還是成本問題，不僅是要有軟體，也要聘用專業的工程師與資料學家，才有辦法實現，尤其是不涉及網路的實體廠商意願就很低，因為他們比較偏重報表的總體營業數字，如果投資回報率不夠就不太有意願進行改革。不過除了大規模的電商之外，規模太小的網拍工作室等，也頂多只願意使用外包服務。（首圖來源：科技新報）延伸閱讀： 機器學習已悄悄潛入生活，你可能還沒發現 搭起學界與業界橋樑，趨勢科技與國網中心合作機器學習平台 T-brain 台灣電子支付扶不起，人工智慧才是金融科技業良方？ IBM Watson 機器學習技術導入 z Systems，助企業運用資料洞察先機
每天，Google 地圖都為成千上百萬的人們提供方位指示、即時路況資訊以及商業資訊。為了提供最佳的用戶體驗，地圖資訊需要不斷根據現實世界的變化調整。街景車每天收集數百萬張圖片，如果用人工分析每天超過 800 億張高清晰圖片，找出其中的新變化或更新地圖資訊，顯然不可能。因此，Google 地面實況團隊（Ground Truth team）的目標之一，就是從地理位置圖像自動提取資訊來升級 Google 地圖。在「從街景圖像中提取基於注意機制的結構化資訊」（Attention-based Extraction of Structured Information from Street View Imagery）一文中，Google 描述了採用的方法──怎樣在街景視圖中使用深度神經網路自動且準確無誤地讀出街道名稱。演算法系統在挑戰「法國街道名稱識別數據集」（French Street Name Signs（FSNS）dataset）中達到 84.2% 的正確率，明顯優於之前的最優系統。重要的是，Google 的系統在提取其他類型資訊也很容易擴展。比如現在幫助 Google 自動提取商店前面的商戶名稱。目前該模型已經開源。▲ 法國街道名稱標識數據集中的一個例子，被 Google 的系統正確辨識。上圖為同一標識的 4 種不同視角。自然環境中的文本辨識在電腦視覺和機器學習上是一個非常具有挑戰性的問題。傳統的光學字符辨識（OCR）系統，主要側重於從掃描的文檔中提取文本。在自然場景中由於視覺偽影，如失真、閉塞、定向模糊、雜亂的背景或不同的角度給提取文本提升了難度。Google 從 2008 年開始致力於解決這一問題，使用神經網路模糊了街景圖像中的臉和車牌，以保護 Google 用戶的隱私。從最初的研究中，團隊意識到經過足夠的標記數據訓練後，機器學習不僅能保護用戶的隱私，而且還可以自動升級 Google 地圖相關的最新資訊。2014 年 Google 地面實況團隊在街景門牌號數據集（SVHN）上公布了讀取街道號碼的方法，隨後暑期實習生 Ian Goodfellow（現為 Google 員工）進行了運用。這個工作不僅是出於對學術的興趣，而且也是使 Google 地圖更為精確的關鍵。如今得益於這個系統，超過三分之一的全球地址已經在 Google 地圖上有了自己的位置。在一些國家，如巴西，這個演算法增加了超過 90% 的 Google 地圖地址，大大提高了 Google 地圖的可用性。下一步是將這些技術擴展到街道名稱。為了解決這個問題，Google 創建和發布了法國街道名稱標誌（French Street Name Signs，FSNS），有超過 100 萬的街道名稱訓練數據集，旨在提高人們對 OCR 模型在實際使用情況下的認識。FSNS 是 Google 經過多年努力而構建的，它比 SVHN 數據集更加龐大，也更具挑戰性，因為如果要準確辨識某個街道標識，可能需要對各個角度所拍攝的圖片進行整合處理。▲ 上圖是辨識起來很有難度的一些標識，也被 Google 系統透過對圖像的理解而正確判斷了。尤其是第二個，不過這個模型在之前學習了語言模型，使其能夠消除歧義，並正確識別出街道名。值得一提的是，在 FSNS 數據集中，同一路標在少於 4 個獨立視圖的情況下會增加隨機雜訊。Google 實習生 Zbigniew Wojnazai 在 2016 年夏天用這個數據集開發了一個深度學習模型，它能夠自動標註新的街景視圖。這個新模型的一個優點是，它可以根據日常的命名習慣進行文本規範。▲ 上圖的例子中，可以將「AV.」轉化為「Avenida」，「PRES.」轉化為「Presidente」這是我們期望看到的結果。▲ 在這個圖中，模型沒有被圖中的兩個街道名稱迷惑，將「AV.」正確轉化為「Avenue」，同時也辨識出數字「1600」。儘管這個模型非常精確，它依然有 15.8% 的序列錯誤率。不過，在分析錯誤樣本後，團隊發現，其中 48% 是由於地面實況錯誤，也就是說，模型與標記質量呈現的準確度基本一致。這個新系統結合了提取街道號碼技術，能夠直接從圖像創建新的地址。現在，每當一輛街景車在新建的道路上行駛時，系統可以捕捉上千萬張圖像，提取街道名稱和數字，並自動在 Google 地圖上創建和定位新地址。但自動為 Google 地圖創建地址是不夠的。此外，還希望能夠為商業提供導航。2015 年，Google 發表了「從街景圖像中進行大規模的商業發現」（Large Scale Business Discovery from Street View Imagery）一文，文中提出一種方法可以準確地檢測商店外牆的標誌。然而，檢測到商店外牆，仍然需要準確地提取它的有用名稱。模型必須找出哪個文本是商戶名稱，哪些文本是不相關的。Google 稱這種提取為「結構化文本」信息的提取。它不只是文字，而是具有語義意義的文本。使用不同的訓練數據，用來讀取街道名稱的模型結構也可以用來準確地提取商業名稱。在這種特殊情況下，如果已經知道這個商戶在 Google 地圖的位置，可以只提取商業名稱來進行驗證，使之能夠更準確地更新商業列表。▲ 如上圖所示，雖然沒有從圖片中獲得任何有關真實地址的資訊，但系統還是正確辨識出了商戶的名字 Zelina Pneus，而且沒有被旁邊的輪胎品牌所騙。模型需要處理 800 多億個街景圖像，需要強大的計算能力。這就是為什麼 Google 地面實況團隊採用 TPU，可以大幅減少推理計算成本。人們依賴於 Google 地圖的精準性來協助他們工作和生活。同時，在景觀、道路和商業不斷變化的情況下，Google 地圖的更新所面臨的技術挑戰，遠遠還沒有解決。為超過十億的 Google 地圖用戶創造更好的用戶體驗，一直是 Google 地面實況團隊追求的目標。 Updating Google Maps with Deep Learning and Street View （本文由 雷鋒網 授權轉載；首圖來源：Flickr/J K THORNE (J K THORNE) CC BY 2.0）
在仿冒品氾濫的現今，二手名牌商品的買賣總是存有許多隱憂，微小的差距讓人難以識別，但或許問題就要找到解決的辦法。美國的一家企業發明了一款具有深度學習（Deep Learning）功能的掃描工具，幾秒鐘的時間就能讓假貨無所遁形。CNBC 報導，當消費者想以較便宜的價格購買保存良好的二手名牌商品，往往傾向在網路商店尋找，並試圖從布料拼接、字體大小和內部標籤來辨別真假，但根據經合組織（OECD）的數據來看，在有 4,600 億美元產值的仿冒「產業」存在的情況下，這十分難以辦到。為了解決這個問題，紐約一些企業最近開始使用一種攜帶型掃描工具 Entrupy，透過拍攝細節圖片來快速偵測名牌商品。Entrupy 會針對材料、加工細節、序列號及損傷的部分進行偵測，再透過深度學習將其與數據庫比對，如果商品被 Entrupy 判定是真品，持有者能夠馬上得到證書。Entrupy 在 2016 年 9 月推出付費服務，執行長 Vidyuth Srinivasan 表示，目前公司有超過 130 家付費客戶，其中多數都是美國企業，設備使用至今，準確率約達到 97.1%。Srinivasan 指出，公司選擇從二手銷售商著手推廣，因為他們發現人們對二手名牌商品總是缺乏信任，尤其又以網路購物的情況最明顯。在 Entrupy 的投資者中，除了包含紐約大學、Facebook 人工智慧研究團隊（FAIR）領導者 Yann LeCun、日本創投公司 Accord Ventures，還有新加坡時尚電商平台 The Fifth Collection。（Source：Entrupy）The Fifth Collection 主要在販售二手名牌商品，創辦人夫妻 Nejla Matam-Finn 和 Michael Finn 表示，他們大約是在 2015 年開始投資 Entrupy，當時公司才剛以自有資金成立，甚至還不能支付自己的薪水。兩人表示，投資 Entrupy 幾乎是不用太多思考便決定進行，「對於公司業務來說，商品認證是非常重要的核心，我們一直試圖在改善產業現況，這和 Entrupy 對未來的目標一致，我們認為這非常值得。」身為亞洲地區唯一使用 Entrupy 的企業，The Fifth Collection 認為 Entrupy 很好的保障了商品的真實性，但並不打算藉此向客戶收取額外的驗證服務費用，他們覺得多收費用十分不公平。The Fifth...
「AI 可能是有 3 個大腦（指決策、預測、分類）：可深度學習，憑深度學習就能讓 5 成的人失業。」創新工場董事長李開復在近期的演講直指 AI 對於就業市場的影響。AI 技術與日俱進，導入領域也不斷擴大，當然也為各產業帶來不同程度的衝擊與影響，若從拓墣統計的數字來看：AI 機器學習應用最大宗就是金融與資訊安全，占比 20%，其次是數位廣告科技的 18%，前兩大產業都與大量的數據息息相關，也成為 AI 最快、最容易切入的領域。 而如此龐大的產值佔比是否意味著對原本的工作機會造成影響？無論是從應用別分布數據、或是近一年來媒體揭露的金融業裁員消息來看，AI 時代來臨，首當其衝的不外乎是已經發展成熟的金融產業，海量的數據判讀、預測、分析已經逐步能由 AI 取代，而受到最明顯的衝擊。這是否也意味著 AI 時代的來臨，我們都有可能被機器人所取代？或許也不用這麼悲觀。儘管許多工作機會因為 AI 技術的成熟而逐漸消失，新興工作機會卻同時正快速地增加，其中就以能掌握數據、分析數據，並且能從數據中找到商業價值的「資料科學家」、「資料分析師」一舉成為職場的明日之星。「資料科學家」、「資料分析師」的人力缺口究竟有多大？實際從 Linkedin 搜尋這兩項職缺，全球就有近兩萬筆相關職缺訊息跳出。而根據微軟的說法，台灣就有超過 10 萬名的資料科學家職缺，然而目前卻只有 1,800 多位的資料科學家，看到了這個缺口，而讓微軟開始進行資料科學家的認證培育計畫。那麼，到底資料科學家、資料分析師需要具備什麼樣的條件？想要在一個 AI 盛行的新時代，三項基礎能力是我們必須具備的：「程式語言能力」、「統計學知識」、「跨領域知識」（Domain Knowledge）。程式語言能力對於將資料導入實務應用的工作者來說，如何讓 AI 按照需求行動將會是一門重要的功課，AI 的開發除了硬體能例外，背後也有著無數的演算法與軟體應用相搭配，才能讓 AI 正確收集、理解、應用大量資料。現在各家國際軟體平台大廠所提供的開源框架（Open Source Framework），都是針對降低 AI 系統開發難度所推出，目的是要吸引更多應用開發夥伴一同加入，越大的開發者社群，就能將語言框架的結構設計更為完備、同時降低新人加入的門檻。目前這些開源框架都是建立在既有高階程式語言的基礎上，以 Python 和 C++ 為主流。我們也可以從這些國際廠商的發展動向推估，AI 的時代來臨將會推升學習 Python 和 C++ 等程式語言的重要性。統計學知識的重要性有了程式語言能力作為基礎，處理數據及數據可視化的能力也是不可或缺的。而上述的數據處理能力正是建構於統計學的知識，將大量資料變成更有價值的資訊。統計學概念在機器學習上也扮演相當重要的角色，因為現在的AI系統其實都是透過模擬人腦的架構進行學習，利用輸入大量 Data 的方式，從中統整出一套規則，因此專門應用於大量數據處理與迴歸分析的統計學自然不可或缺，透過機器學習讓 AI 得以提升模預測精準度，並不斷藉由不同算法自我提昇。關鍵的 Domain...
關於亞馬遜正在研究內建觸控螢幕的 Echo 智慧語音設備的傳言，已經有一段時間了，而據 AFTVnews 的報導，終於有一些確鑿證據證明這件事。AFTVnews 在亞馬遜伺服器上發現一張畫素很低的照片，裡面的設備極有可能是 Echo 的新化身。不幸的是，圖實在很小，但總體看得出來像一個帶有大揚聲器的顯示器，頂上也似乎有一個攝影機。雖然照片中沒有明顯的亞馬遜商標，但有理由相信 AFTVnews 找到的確實是新款 Echo。該網站之前在亞馬遜伺服器上發現 Echo Look，約一個月後，亞馬遜也發表了這款新設備。該網站稱，這張照片是以同樣的方式發現的。Cnet 之前有報導，內建觸控螢幕的 Echo 可能在本月晚些時候公布。鑑於發布的時間節奏與之前也差不多，聽起來這張照片上面的設備真有可能是新 Echo 了。目前還不知道亞馬遜會怎麼使用新增加的觸控螢幕。它有鏡頭，再加上形狀，很可能會有視訊通話功能。Echo Look 因為攝影鏡頭也遭到不少吐槽，引發關於隱私的擔憂，先前 Echo Look 的報導就有一些討論。不知道這新款內建觸控螢幕的 Echo 又會獲得怎麼樣的評價。（本文由 雷鋒網 授權轉載；首圖來源：亞馬遜）
近日華倫‧巴菲特（Warren Edward Buffett）的公司波克夏‧海瑟威（Berkshire Hathaway）召開了第 52 屆股東大會。在長達 5 個小時的問答環節中，公司董事長巴菲特和副董事長查理‧芒格（Charlie Thomas Munger）現場回答了股東、記者還有分析師的 57 個問題。這些問題涉及全球及中國經濟、接班人、投資策略、夢想、人工智慧、無人駕駛等。巴菲特稱，沒有投資亞馬遜是當時錯過的一個大好機會，至於原因，他說是「因為我太蠢了，沒有預料到亞馬遜發展得這麼好」，而且「我們可能低估了他們執行力的優秀程度」。看到這句話，很多投資人應該吁了一口氣，畢竟連巴菲特都無法對一家公司的未來做出準確的預測。談到同樣讓人看不懂的人工智慧，巴菲特表示，自己在這方面不是專家，但「我會預料，它們會大大減少我們雇用員工的數量。這對我們某個業務不會是好事，但對整個社會來說是好事。」他同時承認，很難預測人工智慧的未來是什麼樣，但不覺得近未來就會有多人工作被人工智慧取代這樣的情況。 其中與科技產業相關的整理如下：無人駕駛車輛的發展會影響到今天的保險業嗎，會有怎麼樣的影響？巴菲特：無人駕駛的車子對汽車保險當然會有適度的影響，這可能是很久以後的事情。可是，根據現在一些經驗、早期介紹還有測試，都跟這個情況息息相關。如果自駕技術能讓世界更安全，我覺得這是件好事。但對我們這種汽車保險公司來說，可能並不是太好的事。但我們如果真的面臨卡車產業缺少駕駛員的情況，如果這些技術能提高他們的安全性，我覺得會很受歡迎。你覺得哪個公司可以讓你們投資，得到你們的青睞？巴菲特：我們會看在 5~20 年之後的時間裡，他們還會不會具備現在的競爭優勢，會不會持續這麼長的時間。另外這個公司有沒有足以信賴的領導層和管理人員，還要看能不能符合我們伯克希爾公司的文化，當然還有價格因素。收購一個企業時，我們會出很多現金，會看他們長期是不是有良好表現。當時你說對科技公司不要投資，因為你不了解。現在你好像對高科技 IT 方面已經改變了，因為你最近投資蘋果公司。星期五你又講 IBM 好像沒有滿足你當初的期望。你對這兩家公司的看法有何不同？還有你對現在科技公司的想法是什麼？巴菲特：買 IBM 是 6 年前的事了，6 年過去一定會比較好。當然 6年過去了，我想現在看這兩家公司當然不一樣。因為蘋果是個消費行業，但產品我們討論分析之後，就是你要看一下消費者的行為以及到底是怎麼樣看，當然這些產品因為消費者的行為而有所不同。你今後的客戶是誰，IBM 的客戶跟蘋果的客戶是完全不一樣的。當然我講的方法是不是都對，大家不見得要完全同意。這兩個公司是兩個不同決策下的產品，第一個我可能做錯了一些決定，但是第二個，蘋果公司，我是不是又做錯了？我們到時候可以拭目以待。但是我不會說，一個是橘子一個是蘋果，兩個是不能同日而語的不能相提並論的。當然我不是這麼想。亞馬遜我們當時沒有投資也是錯過了一個大好機會。亞馬遜因為貝索斯的精明領導做得非常出色。對於亞馬遜的看法是什麼？為什麼沒有買這個公司？巴菲特：因為我太蠢了，沒有預料到亞馬遜發展得這麼好，我沒有覺得它會像現在這樣取得大規模的成功。但是亞馬遜做的這些像雲端方面的業務，都是具有很大的潛力的。當我們打造零售帝國的時候，我們發現亞馬遜會帶來顛覆性的變化。在技術行業，對我來說這種投資當時是非常長線的投資，我當時也低估了它的發展潛力。我們可能低估了他們執行力的優秀程度。做這種網上業務是需要很強的能力的。他當時在幾十年前的財報裡面是有這樣的路線圖，他需要怎麼樣去做，下一步怎麼樣，這樣一個非常詳細的規劃。而三到四個月前，我們也重新聽了這部分演講，我覺得是受益匪淺的。我當時只覺得這是一個非常昂貴的投資，但是我真的沒有料到它能取得今天這麼大的成績。我覺得他是一個非常優秀的管理者，我當時只是沒有想到他能夠取得今天這麼大的成就。過去幾年中，你 twitter 推了大概九次。除此之外，你最近開始投資到這些高科技的 IT 公司了，我現在要問的問題，還有芒格先生，你為什麼不對高科技有那麼大的興趣？為什麼會進行這樣的轉變？巴菲特：現在要怎麼講，我們還是在 IBM，我自己本身在那個時候投資了 IBM 極大的數字，但是那個時候我並沒有得到相應的收獲。這是我自己本身的經驗，對於 IBM 的投資。最近我們現在在蘋果也進行了大量的投資，因為它是一個消費者的產品的公司，它有一些所謂的經濟性是我們喜歡的。而且它有非常大的技術涵蓋在產品之中。而且很多其他的公司是沒有辦法做到的，所以我進行了投資。但是我的想法就是，我不會保證我任何的投資都是對的。但是我想，一對一或者一對二，Charlie 你的想法呢？我現在並不是保證任何東西，也不是影射任何的意思。在 IP 的環境，在知識產權的定義上來講，我也許知道某些具有洞察力的信息，也就是根據消費者的態度能夠了解的，而且可以取得在這些消費者的態度上取得很多的信息。也可以看得出他們到底是怎麼樣喜歡這些產品的一些意圖，跟為什麼如此。在這種市場化證券上我也犯了一些錯，在其他一些方面也是如此。在科技方面我也怕有這樣的錯誤出現。有很多的這樣的行業，不同的知識，我當然在保險方面是做得不錯的，雖然以前也曾經有些損失。這麼多成千上萬的行業當中，我從出生到現在一直沒有辦法對高科技的行業有那麼深刻的見解。你覺得人工智慧對波克夏的業務有什麼影響？除了無人駕駛和 GEICO 之外的影響。另外你和比爾·蓋茨的交流，未來什麼樣的業務有更大的影響？雇員是會增加還是減少？巴菲特：我對這方面不是一個專家，但是我會預料，它們會大大減少我們雇傭員工的數量。但是這對於我們某一個業務不會是好事，但是對整個社會來說是好事。我們先假設一下，如果一個人會按按鈕，按不同的機器上的按鈕，而可以造出所有整個國家的產出，如果有一個機器人，一個人工智慧去替代他，如果一個人可以做這個事情，比如以前我們需要 150 萬做這個事情，而一個人工智慧的人去做所有的這些事情，那是多大的改觀，生產力是多大的提高，這是很好的事情。但是會帶來一個非常巨大的變革，人與人之間的關係，他們與政府之間的關係，都會相應的進行改變。很難預測它的未來是什麼樣的。在某方面來說，我們有三萬六千個 GEICO 的雇員，我們仍然有這麼多雇員。如果能夠用一個人工智慧的機器來代替這三萬六千人，或者只是其中的一部分人，如果能夠很快的進行這樣的取代，而在其他方面也有這樣的情況的話，情況就會不一樣。但我並不覺得我們會在很接近的未來就會去經歷這樣的情況。（本文由 雷鋒網 授權轉載）
蘋果的行銷長席勒（Phil Schiller）日前受訪時，隱晦地談到 Amazon Echo 一類的智慧音響，以及這類產品的靈魂：智慧語音助理的設計。被問到這個話題時，席勒顯得非常小心，也沒有評論兩款先行者 Amazon Echo 與 Google Home 的設計。不過話鋒一轉，席勒倒是談到語音助理在很多情況下只靠聲控會很有用，但那不表示用戶會永遠都不需要螢幕。席勒舉的例子是導航。雖然直接用語音操作、然後讓智慧助理提報方向很方便，但用戶在使用導航的時候，多數還是會想要看到整張地圖，知道自己現在在哪裡，或是了解哪些路口比較壅塞。實際上，Apple Watch 版的 Google Map 就有這項缺點──它只能提報方向，但沒辦法像手機版顯示整張地圖。後來它也被 Google 下架。▲ 不清楚蘋果的智慧音響會不會是下一代 Apple TV？抑或是新版的 Beats 產品？（Source：蘋果）根據外媒報導，台灣代工大廠英業達據傳已經接到蘋果的智慧音響訂單。這項產品據悉會搭載 A8 以上的 SoC 並類似 Mac Pro，同時頂端會有一個凹槽，可以用來點按操作。相比 Google Home，蘋果的音響據悉也會更強調音質，搭載 1 個低音單體與 7 個高音單體，但按照席勒此次的描述，上頭應該會有的螢幕則沒有進一步描述。在 iPhone 成長開始觸頂、甚至有衰退跡象以後，蘋果儘管靠著經營能力，還能微幅拉抬整體營收，但過度依賴 iPhone 的隱憂已經愈來愈明顯。考慮蘋果短期內不太可能再創造一個 iPhone 等級的商品，原先被外界寄予重望的 Apple Watch 也未成氣候，在財報上被歸類在「others」與「service」的項目因此成了分散 iPhone 營收比重的焦點。由於「服務」營收持續成長已經不是新聞，CEO 庫克（Tim Cook）也首次在 2017 Q2 財報透露蘋果穿戴式裝置的營收至少有 56 億美元──這包含了 Beats 耳機、Apple...
2017 年，語音計算成為主流。在這波浪潮中，亞馬遜一馬當先，短短兩年時間內就售出了超過 800 萬台 Echo 和 Dot 音箱，並藉助亞馬遜語音服務平台讓 Alexa 語音助手幾乎無處不在。從冰箱到機器人再到美國 40 年來銷量第一的福特 F-150 汽車上，都可以看到 Alexa 的身影。再加上 Google Home，以及蘋果可能在今年夏天發表的 Siri 揚聲器等產品，毫無疑問今年語音計算裝置的出貨量將超過 2,500 萬台。語音計算裝置迅速增長的同時，也暴露了一些核心問題。根據 Voice Labs 的最新研究，97% 的用戶會在不到兩週的時間裡對 Alexa 的新功能失去興趣，不再使用它；與此同時 Alexa 的 1 萬項功能裡只有不到三分之一贏得了回頭客。但這並不意味著語音計算正在走向失敗，語音計算遭遇困境只是因為它不過是未來場景計算革命中的一部分。場景計算是指，在某個場景（比如住宅）中任何人都可以直接使用其功能，而無需藉助手機和電腦這樣的中間裝置。如果你曾經在廚房裡命令過 Alexa 播放音樂或者開燈（這是 Alexa 最常見的兩個用途，使用頻率都超過 30%），那麼你就已經用到了場景計算。如果你家安裝了帶運動感測器的燈，當你離開時會自動熄滅；或者安裝了帶牆面控制器的安防系統，那麼你也用到了場景計算。語音計算只是你與場景直接互動的多種方式之一。在你確定自己的需求（比如想知道天氣預報）的情況下，語音計算表現十分出色。但在其他情況下──比如需要從列表中選擇選項，確認資訊或者查看可用功能時，則乏善可陳。通用場景計算裝置將具備多種互動連接，用戶可以根據具體應用場景和個人偏好自由選擇。這就帶來一個問題，在多種場景計算能力中，哪種互動連接的使用頻率最高？我們最近用智慧家居控制面板 Brilliant Control 做了一次小規模測試。透過分析開啟了語音服務家庭中的上千次互動情況，我們發現語音互動的使用頻率為 14%，而觸控互動的使用頻率高達 81%，動作互動的使用頻率則只有 5%。為何觸控互動的使用頻率最高？原因有三：操作簡單。當你走進房間時，透過劃動手指開燈要相對容易。 方便選擇。當需要在多種選項中進行選擇，比如在音樂播放器的播放列表中選擇曲目時，透過螢幕操作要自然得多。 反饋及時。透過劃動手指來調節燈光亮度或音量時，要比發出連續的語音指令直到找到合適的光強和音量，更加方便快捷。儘管存在諸多不足，語音計算仍扮演著重要角色。事實上語音計算在家庭中的使用總量增加了，原因很簡單，相比其他互動方式 Alexa 可以覆蓋家庭中的更多房間。雷鋒網認為，語音計算在未來家庭中發揮重要的作用，不過它本身並非一個完整的解決方案。場景計算的範疇要比單一語音互動寬廣得多。如果亞馬遜在下一代 Echo 音箱中內建了螢幕，那麼它將提供更加豐富高效的互動連接。這將幫助語音計算找到並留住用戶，同時鞏固亞馬遜在語音計算領域的領先地位。亞馬遜最近推出的「display cards」功能表明，它們正在透過幫助語音服務合作商獲得向語音指令反饋可視數據的能力，來朝著這一方向進發。亞馬遜最新推出的 Amazon Look──一款結合了 AI 驅動鏡頭、能幫助你選擇著裝的裝置，體現了它的執行力。如果亞馬遜將語音、顯示、觸控和圖形與後端 AI...