鴻海深耕人工智慧，砸下 1 千萬美元（約新台幣 3.07 億元），透過子公司轉投資中國北京驀然認知，布局對話機器人語意辨識人工智慧方案。鴻海 21 日傍晚公告，透過子公司 Foxconn（Far East）Limited-Cayman 轉投資方式，間接取得 MORAN COGNITIVE TECHNOLOGY（CAYMAN）LIMITED 優先股，交易數量 1,699 萬 3,007 股，每單位價格 0.5885 美元，交易總金額 1 千萬美元。鴻海公告交易後持股比率約 12%，主要目的是長期戰略投資。市場人士指出，MORAN COGNITIVE TECHNOLOGY 公司中文名稱為驀然認知科技有限公司，位於北京，主攻人工智慧，相關技術可以應用在智慧家居，人工智慧語音進一步串聯家電生態。根據驀然認知官網資料，驀然認知成立於 2016 年 5 月，是一家以認知計算、自然語言理解技術為核心的人工智慧公司，提供包括訊號處理、語音辨識、語義理解及服務自動對接的一站式聊天機器人解決方案。根據官網資料，對話機器人可驅動各種設備與人自然交互，進而構建無縫的智慧化機器協作網路。驀然認知的技術和解決方案，鎖定手機助理、智慧車載、智慧家居以及智慧機器人等領域。（作者：鍾榮峰；首圖為 CEO 戴帥湘，來源：驀然認知）延伸閱讀： 鴻海跨足半導體，將在珠海拓展晶片事業 蒐集員工身體資訊做分析，鴻海威斯康辛廠將成智慧醫療實驗基地 鴻海在矽谷成立 AI 公司，致力發展工廠自動化技術
近期，可說是7奈米產品競相冒出頭的時刻！除了中國挖礦機廠商搶下了全球首個 7 奈米製程晶片的首發之外，行動晶片龍頭高通（Qualcomm）也表示，其下首款 7 奈米製程晶片，將整合 5G 通訊標準，並且在 2018 年底送樣。如今，個人電腦及伺服器處理器大廠 AMD 也指出，將在 2018 年底前，將優先推出 2 款 7 奈米製程的晶片產品，分別是「Rome」和「Vega 20」。AMD 表示，「Rome」採用的是 AMD 的 Zen 2 架構，相較之前 Zen+ 架構的 12 奈米製程產品來說，「Rome」可說是名副其實的第 2 代 Zen 架構 CPU，未來預計將用在第 2 代 EPYC 伺服器的處理器上。至於 Vega 20 的部分，AMD 規劃未來將用於 Radeon Instinct 加速卡和 Radeon Pro 專業顯示卡上，以提供人工智慧（AI）及深度計算相關的負載場景運算，最大可以搭配 32GB HBM2 顯示記憶體。而目前，AMD 流片的 7 奈米 CPU 和...
英特爾資料中心負責人在 8 日表示將提出新的升級計畫，來面對 AMD 的挑戰。英特爾是全球第二大晶片製造商，近年來因為 PC 市場停滯而開始轉向資料中心發展，但也因為未達到預期目標，而使市場失去信心，股價下跌。尤其 AMD 計劃在明年推出 7 奈米晶片，然而英特爾 10 奈米卻遲遲未能量產，市占率將會受到威脅。目前英特爾產品仍仰賴 14 奈米製程，雖然宣稱其產品性能優於大部分同等級產品，但在製程上先行一步的 AMD 似乎已確保了在 2019 年的領先優勢。分析師表示，多年來英特爾為其製程先進而自豪，然而如今已優勢不再。 （Source：Google 財經）當然英特爾也並未坐以待斃，資料中心主管 Navin Shenoy 已公開表示，資料中心的市場比預期成長的還要快速，且英特爾在 AI 領域的發展已能獲得收益，英特爾仍然可以透過改善現有市場，能獲得超出預期的成長。但預計 10 奈米晶片要在 2020 年才能量產出貨。英特爾計劃將整合 CPU 與內存晶片，還有半訂製晶片與軟體產品，並透過升級令其 AI 計算能力可與 Nvidia 匹敵。且據消息指出，英特爾還挖角了 AMD 圖形技術系統工程副總裁 Mark Hirsch 來擔任競爭軟體程式副總裁，已優化英特爾的晶片與軟體生態，不過目前尚未得到官方回應。但的確，英特爾近年來聘請了許多來自 AMD 的工程師。VLSI 研究公司首席執行長 Dan Hutcheson 指出，雖然英特爾在晶片尺寸方面落後，但處理器能力表現還是超出水平，不太可能因此失去市場主導地位，整體來講大概只落後了半代而已。但不可避免的，英特爾仍會失去在小型晶片的優勢，並讓出市占率。 Intel Hires AMD Exec To Boost Data-Centric...
美國時間 8 月 5 日下午，OpenAI 主辦的線下比賽（OpenAI 稱為「OpenAI Five Benchmark」）一共進行了四局比賽。第一局 5 名現場觀眾組成的路人隊伍被 7 分鐘破中路二塔，9 分鐘上路上高地，12 分鐘破兩路，人頭比 26：4，可說是完全輾壓。之後三局比賽是重頭戲，OpenAI Five 對陣 4 位前職業選手（Blitz、Cap、Fogged、Merlini）與一位現任職業選手（MoonMeander）組成的高手隊伍。第一局依然慘敗，21 分鐘破第二路高地，人類選手打出 GG，人頭比 39：8。第二局人類選手選擇更強的控制、更積極的打法，卻也只堅持 24 分鐘，人頭比 41：12。這樣，三局兩勝的比賽就告終了。▲ 第二局人類高手比賽結束後，OpenAI CTO Greg Brockman 依序向 5 位職業選手（前）擁抱致意。勝負已分，第三局就純娛樂，現場觀眾幫 OpenAI Five 選了 5 個不怎麼厲害的英雄，最後果然讓人類玩家獲勝。不過除了比賽比分，廣大強化學習研究人員和人工智慧愛好者還有一個深深的疑問就是，這樣的 AI 是如何訓練出來的。毋庸置疑，DOTA 遊戲的複雜度比圍棋高，回饋也相當稀疏，即使選用 OpenAI 開發非常成熟的大規模分散式 PPO 實現「Rapid」，也難以直覺信服「只要有足夠訓練時間，就能學到如此豐富的遊戲行為」。比如首先 OpenAI Five 團隊協作表現出人類一樣的明確核心和輔助英雄，比如據 OpenAI 的研究人員介紹 OpenAI Five 也會選擇打肉山，只說這兩件事就都是人類玩家需經有意識的策略判斷和執行才能做出，強化學習演算法現在就有這麼高層次的思維了？不太可能吧！下面這些 5 日比賽瞬間也值得玩味：▲ 比賽進行到 20 分鐘，AI 的巫妖去看肉山。實際上整場比賽 AI 的英雄時不時就會去看看肉山。▲ Blitz 的影魔被 AI Gank，用暗影護符原地隱身，AI 的直升機和冰女兩個有 AOE 的英雄在附近還有一個 AI 隊友的情況下直接撤退了。現場解說評價「簡直是人類對隱身物品的濫用」。▲ 還是天輝方的 Blitz 的影魔，繞樹林被 AI 方的眼看到。值得注意的是，這時候天輝方下路 2 塔都已經丟了，而這個夜魘方的眼就插在夜魘下路 1 塔外不遠的地方。這個眼位可算是非常保守、非常奇怪。 ▲ AI 的火槍手很喜歡見面就給大，Blitz 的滿血影魔露頭就被大──這個策略其實非常有效，團戰中人類方的冰女經常在團戰開始前先被火槍大到半血，然後團戰一開始就馬上陣亡。▲ 22 分鐘 AI 的冰女補出點金手，不過接下來 3 分鐘內都沒有使用。強化學習的範式決定了「幫助帶來高回饋的行為」會更容易學到，而 DOTA 的複雜就在於，許多行為和最終遊戲結果之間的關聯似乎若即若離，大多數場合都有一錘定音效果的行為也許人類自己都說不清。即便相信 AlphaGo 能在反覆自我對局找到更好策略的人，也不一定相信 DOTA 如此複雜的環境下僅靠自我對局就可以學到定位、分路、補兵、先手、看肉山、插眼等系列行為。結合 OpenAI 之前放出的一些資料和 OpenAI Five 開發團隊比賽現場的訪談，找到了「計算集群上相當於 180 年遊戲時間每天訓練」之外的，幫助我們理解更具體的 AI 達成端倪。相比說這些是「強化學習研究的小技巧」，我們更覺得這是「人類教學的小技巧」；相比 OpenAI Five 訓練中模型自己的探索行為，意義更重大的是人類成功把自己的知識和經驗設法教會了 OpenAI Five。 只使用最終比賽結果為回饋過於稀疏，所以 OpenAI 還增加一些評價人類選手表現的常用指標，比如總財產、擊殺數、死亡數、助攻數、補刀數等。這些指標的改進也會與比賽輸贏一起帶來回饋提升，促進模型學習（避免長時間停留在無效學習區）。 同時為了避免 AI 過於關注這些偏向短期策略的資料，OpenAI 對基於指標的回饋設計並不是「指標數值越大越好」，而是只鼓勵 AI 在這些方面做到人類玩家的平均水準。這項巧妙的設計同時也可幫助 AI 學到不同英雄在團隊作戰的不同定位：以人類玩家的平均水準而言，火槍是核心英雄，應當高傷害匯出、高正補、高人頭、低助攻、低輔助行為，冰女則應當低正補、低人頭、高助攻、高輔助行為。資料指標的不同就可引領不同的行動策略。 DOTA 的英雄除了自身定位，之間也需要合作，比如抱團殺人拿塔。OpenAI 並沒有為 AI 之間設計顯性的溝通頻道，目前他們設計了一名為「團隊精神」的超參數，這個 0 到 1 之間的值會反應每個英雄關注自己的單獨回饋和整個團隊回饋之間的比例。訓練中 OpenAI 透過退火來最佳化這個值的具體大小。 大家可能記得，OpenAI Five 剛發表時還不支援肉山。很快支援肉山之後，大家都很感興趣 OpenAI 團隊做了哪些改進。5 日比賽現場 OpenAI 的研究人員給了答案：正常的探索很難出現 5 個英雄都來到 Roshan 坑裡然後打了 Roshan 拿到正面回饋的情況，所以他們啟動模型學習的方法是，訓練過程把 Roshan 的血量設為隨機，那探索過程中英雄如果遇到血量很低的 Roshan，顯然就可輕鬆獲得高回饋，進而鼓勵 AI 開始關注 Roshan。不過同時 Roshan 也不是隨時都要打，隨機血量的設定會讓 AI 只有覺得能打過 Roshan 的時候才會打。 從長期學習的角度講，只要有足夠訓練時間讓 AI 探索各種行為，人類覺得有幫助的各種遊戲作業，AI 最終都有機會學會（比如切假腿吃大藥，也比如打肉山），只不過 AI 做出夠多次數之前，都還無法形成有效的學習。人類希望 AI 快速學會的行為，可透過設計一些正回饋來鼓勵；另一方面，不常出現的局面，也會像我們對深度學習模型的正常預期，AI 並不知道該怎麼處理。 關於裝備和眼，OpenAI 研究人員透露目前都是透過 API 編寫程式檔讓 AI 購買，AI 並不需要自己選擇；尤其是眼，目前程式檔設定是眼只要 CD 就會購買。這樣設定當然降低了訓練難度，讓 AI 享有穩定出裝，同時也給輔助英雄帶來有趣的結果：因為有眼就要買，就會占格子、遲早需要清出來，這成為一項促使 AI 插眼的動力；實際上，如果真的要為「插眼」本身設計回饋，OpenAI 研究人員發現，還真的很難找到任何指標量化眼插得好不好。所以這設計確實是一種簡單快捷的解決方案。 現在知道這些 OpenAI 的「教學」方法之後，再回過頭看看前面提到的 OpenAI Five 遊戲表現，是否顯得合理親切多了呢？可說 OpenAI Five 開發團隊想了許多辦法，鼓勵 AI 用像人類的策略和作業玩 DOTA，但並不明確限制表現上限。人類玩家探索這個遊戲這麼久之後，借助人類的經驗快速避開低效的遊戲空間當然是一個好主意。從這角度講，OpenAI 現階段的 OpenAI...
新浪財經引用第一財經日報報導，中國人工智慧（AI）概念普及之後，各方都在尋找商業模式，期待 AI 技術盡快落實，但目前大部分的 AI 創業公司處於依靠融資燒錢階段。AI 晶片無疑是近年最火熱的話題之一，不僅 NVIDIA、Google 等國際巨頭相繼推出新產品，中國百度、阿里等也紛紛布局該領域，誕生了寒武紀等 AI 晶片創業公司；在 CPU、GPU 等傳統晶片領域與國際相差較多的情況下，中國 AI 晶片被寄望能實現彎道超車。近日一則人工智慧領域神經網路解決方案公司燧原科技宣布獲得融資的消息（Pre-A 輪融資 3.4 億元人民幣），再度引起晶片業的關注。燧原科技今年 3 月成立於上海，產品是針對雲端資料中心開發的深度學習高階晶片，定位於人工智慧訓練平台，這是騰訊首次投資中國國內 AI 晶片公司，種子輪投資方亦和資本（武嶽峰資本旗下基金）、真格基金、達泰資本、雲和資本亦持續跟進投資。根據市場研究公司 CompassIntelligence 發布的全球 AI 晶片排行榜，除了 NVIDIA、英特爾等傳統晶片公司巨頭，寒武紀、地平線等 AI 晶片公司也位居前列。不過，晶片業是高投入、高風險、慢回報的行業。多位業內人士表示，晶片研發週期非常長，從立項到上市通常需要兩年左右時間。做為創業企業，特別是從事演算法的企業，如果自己獨立研發晶片，在時間和資金方面都面臨巨大壓力，其中最重要的原因是晶片成本高，對錯誤零容忍。中國在 AI 概念普及之後，各方都在尋找商業模式，期待 AI 技術盡快落地，但目前大部分的 AI 創業公司處於依靠融資燒錢階段，AI 晶片也被認為是 AI 技術落實的一種方式，但目前而言，這條路並不容易。有業內人士認為，AI 晶片行業將迎來整合併購時期，這也讓大家更清楚地看清做晶片的難度。以 FPGA 龍頭賽靈思收購深鑒科技為例，賽靈思表示，將繼續加大對深鑒科技的投入，不斷推進公司從雲端應用領域部署機器學習加速的共同目標。該人士指出，深鑒科技掌握的是 DPU 的演算法，但晶片的鏈條太長，光有 DPU 不夠，如果僅靠自己，在可見範圍內一直要不斷加大晶片設計和研發費用，燒錢非常快。中國清華大學微電子所所長魏少軍曾指出，AI 無疑十分重要，但 AI 晶片的發展很可能會在未來 2 到 3 年遭遇一個挫折期。今天的一部分、甚至大部分創業者將成為這場技術變革中的「先烈」。地平線智慧解決方案與晶片事業部總經理張永謙表示，AI 晶片市場將來肯定很大，但容納不下那麼多家公司，所以肯定有些公司會死掉。這也很正常，因為任何一個新技術起來的時候，尤其是像 AI 這麼大的一個底層技術崛起的時候，有泡沫很正常，2000 年的網路泡沫破滅的時候，很多大的網路公司就倒閉、裁員，然後再起來。產業有週期，現在就已經到了一個高點了，預期後面一年肯定會下來，然後再回歸理性成長。（本文由...
8 月 8 日，知乎創始人兼 CEO 周源宣布，知乎完成 2.7 億美元 E 輪融資，並表示這是知乎史上最大的融資；具體估值和投資方沒有公布。不過根據之前消息，知乎本輪融資的估值接近 25 億美元，領投方為一家新基金，並有多家老股東跟投。知乎方面表示，本輪融資後，將加速全民知識內容平台建設，增加投入 AI 技術、內容生態、知識服務和商業化等多方面。2011 年成立到現在，知乎已成長為龐大的知識社群生態。根據知乎公布的資料，截至今年 6 月底，知乎註冊用戶達 1.8 億，相比去年同期增加了一倍多；知乎成立至今積累超過 1.1 億個回答。在這種條件下，知乎希望透過 AI 技術增強內容生態發展。知乎 CEO 發給員工的內部信表示：知乎會用 AI 來應對挑戰，解決內容生產、內容品質、社群氛圍、資訊建議等問題。過去一段時間，演算法發揮越來越大的作用，問題路線、建議演算法等核心機制扮演內容生產中樞排程的角色。這超越了原有依賴每個提問者自身社交圖譜進行問答邀請連線的機制，而是自動化、規模化的全平台問答連線。同時，影音等新媒體形態內容也進一步降低內容創作和消費門檻。商業化方面，知乎也有諸多探索。知乎 2017 年正式開展商業化，並陸續成立商業廣告和知識服務兩大事業部；2018 上半年，知乎商業廣告營收額相比去年同期增長 340 %，知識服務也在今年 6 月完成「知乎大學」戰略升級，已提供超過 1.5 萬個知識服務產品。可以想見，隨著本輪融資完成，知乎會在商業化道路上越走越遠。知乎 8 月 8 日發表會，還宣布了針對用戶和內容創作者的海鹽計畫，目標是讓知乎的知識生態更好。知乎合夥人、進階副總裁白斗斗表示，計畫第一階段是「鹽值計畫」，考核有五大維度：基礎信用、內容創作、友善互動、遵守規格、社群建設。知乎宣布上一輪 D 輪融資是在 2017 年 1 月，額度為 1 億美元，領投方為今日資本，包括騰訊、搜狗、賽富、啟明、創新工場等原有董事股東也跟投。從那時候起，知乎已將自己定位為「中國最大知識平台」。（本文由 雷鋒網 授權轉載；首圖來源：知乎）
面對 AI、大數據分析、機器人等新技術，各國政府都在想盡辦法提升產業價值，在製造端提倡企業之間的合作、補貼新技術導入成本，盡全力宣導工業 4.0 好處，而在應用端，政府扮演需求領頭羊的角色。日本政府為協助國內醫療設備與智慧醫療應用發展，將打造 10 家以 AI 應用為主的醫院，帶動智慧醫療設備研發動能，同時可以解決醫療資源不均的問題。日經新聞（Nikkei Asian Review）報導，日本政府預計 5 年內投入超過 1 億美元，牽頭企業和學術界合作，在 2022 財政年度末建立 10 家 AI 模範醫院。AI 將協助更新患者圖表到分析測試與解析圖像的任務，讓醫生可以花更多時間照顧患者，同時可抑制醫療支出。日本教育、工業和衛生部門將合作招募參與計畫的企業和醫院，鎖定 AI 專家和醫療設備製造商，最初的工作重點是癌症患者。譬如參與方將開發一種 AI 輔助程式可以將患者在檢查期間與醫生的對話自動將資訊輸入患者的醫療紀錄當中，讓醫生有更多時間與患者討論病情。AI 還將應用在解析磁共振成像和內視鏡成像，以及分析血液測試和其他資訊。它甚至會研究患者的 DNA，協助選擇最合適的治療方法。導入 AI 目的在減輕醫生和護士負擔，並解決勞動力短缺問題。甚至還可以識別醫生未能診斷出的癌症。但 AI 主要扮演的是支持作用，醫生擁有最終診斷權。為了提高 AI 的準確性，參與者將開發可收集數據的血壓計、心電圖儀和其他醫療設備，累積日本患者的數據將可提高 AI 的診斷能力。而在 AI 的幫助，預計將減少不必要的治療，每年可省下數千億日圓。報導指出，截至 2016 年底，日本的醫生人數創歷史新高達 31.9 萬人，年增 2.7%，但卻高度集中於某些領域，醫療資源分布不均，而 AI 醫院可以解決醫療保健方面的結構性挑戰，包括某些地區長期缺乏醫生和護士以及醫療費用上漲等問題。日本國內醫療器械市場估計約為 2.8 兆日圓，但由於醫生依賴外國製造的治療設備，因此進口比出口額多 8 千億日圓。由政府領頭的尖端醫療計畫，將有助支持 AI 開發，促進醫療設備出口，提高日本企業在世界舞台上的競爭力。日本製造商日立正在研究 AI 分析電腦斷層掃描圖像的程式。佳能醫療系統使用 AI 來改進電腦斷層掃描成像，減少所需的輻射劑量。預計日本 AI...
9 日，亞馬遜宣布推出 Alexa 汽車核心（AAC）SDK 或 Auto SDK 的開源版，幫助汽車製造商將 Alexa 語音控制整合到汽車及資訊娛樂系統，並用於代替導航、媒體等功能所需的螢幕操控。軟體開發套件可在 GitHub 免費下載，會針對汽車中控台最佳化 Alexa，以完成與免持語音控制類似的工作──如播放音樂、原生導航系統的語音援助或打電話。Auto SDK 還可執行 Alexa 在普通智慧音箱可做的事，比如控制智慧家居裝置、檢視天氣和啟動 Alexa 技能。Auto SDK 來自 Alexa Auto 團隊，去年剛成立，旨在幫助 Alexa 與 Apple CarPlay 的 Siri、Android Auto 的 Google 智慧助理和 SoundHound 競爭，後者的 Houndify 平台目前正部署到現代汽車語音控制和 NVIDIA 自動駕駛平台。團隊還曾與福特等汽車製造商及 Anker 等公司合作，Anker 推出過售價 50 美元的 Roav Viva 打火機小配件，把 Alexa 帶到沒有資訊娛樂主控台的汽車。由於不同國家、不同品牌的汽車，車載中控系統可能有很大差異，因此亞馬遜選擇開源 Auto SDK，以便讓團隊更容易相互協作，並將 Alexa 整合到產品。近年來，像福特和豐田等汽車製造商已將 Alexa 引入旗下受歡迎的品牌，賓士、現代、通用和其他公司也搭載 Alexa 技能，讓你可用智慧音箱解鎖車門。但 Auto SDK 推出代表亞馬遜首次專門為車輛研發一套開發套件。亞馬遜今年稍早曾推出一款行動配件套件，鼓勵硬體製造商將 Alexa 引入可穿戴技術、無線耳機和耳機領域。Auto SDK 也是亞馬遜「讓 Alexa 無處不在」計畫的最新一步，幫助亞馬遜將 AI 助手引入更多行動裝置。（本文由 雷鋒網 授權轉載；首圖來源：亞馬遜）
創新工廠創始人李開復 9 日出席新書《AI 新世界》的論壇演講，分享他如何看待中國、矽谷在未來 AI 世界發展扮演的角色，以及浪潮即將帶來的改變與衝擊。在大數據、科技進步的協助下，AI 已經不是十年前停滯不前的技術，深度學習更為 AI 發展帶來巨大改變，預計未來將會帶來數波改變的浪潮下，但在談論這些改變之前，AI 究竟是什麼？即將來臨的 AI 四大浪潮李開復指出，其實 AI 技術現在十分常見，人們手機裡各種應用程式背後技術就是 AI，透過人們使用應用後提供的反饋，程式便會持續學習並變得更加好用，以常見的「美圖秀秀」為例，當人們自拍修改後選擇「儲存」及「分享」，對軟體來說就可以視為肯定，反之「刪除」就表示調整得不好，在這樣一來一回之下，修圖軟體也就變得比以往更為符合需求。而電商網站也是一樣的，在記錄用戶購物習慣後，網站往後便會在有類似購物習慣的人購物時，提供過去購買者類似的商品以供參考，而這也是他過去經常提起的 AI 四大浪潮中的「網路 AI」，包含 Google、Amazon、Facebook 等大型公司，都是運用這套技術把大量技術轉換為商用價值。由於擁有數據的不僅是大型網路公司，包含銀行、政府、健保都有資料，他們也可以運用數據來提高業務價值，包含降低詐欺、協助保險風險評估等，而這也就是被形容為第二波浪潮的商業 AI。前兩波浪潮都是將資料轉換為價值，而在感知 AI 上，則是透過像 Amazon Alexa 行動助理這樣的智慧裝置，從鏡頭、聲音、感測器進行各種資料收集，用來達成過去所無法達成的事，像是自駕車、臉部辨識，至於自主 AI，則是許多人最關注的取代工作，李開復強調，這些浪潮不會是一接二，而是會逐漸同時發生，每波比都會比每波更為劇烈。從發明走向應用AI 發展需要 5 個條件：海量資料、客觀精準反饋、單一領域、計算量、AI 科學家工程師，在李開復看來，前 4 個條件目前仍是必備的，但第 5 件事的必要性已經開始出現轉變。隨著世界對深度學習技術已有普遍理解，已有許多工具可以將 AI 導入各產業應用，李開復認為，現在已經不是比較論文數量的時代，而是比較誰能夠更快速尋找到適當問題、並找到適當的海量資料轉換為商業價值、快速應用 AI，而這些特點正符合中國的優勢。美國確實是引領 AI 發展的世界霸主，但世界正在改變，像是賈伯斯一樣的矽谷精神已經不是唯一模式，在過去 10 年間，中國先是大量借鑒美國模式，並在當地激烈的「模仿參考」競爭發展出本土創新，進而以全新模式走向世界。李開復認為，與美國紳士的競技相比，中國就像是羅馬競技場，雖然模仿者並非一定能成為創新者，但其中一部分人會在過程中學習到創新，在這樣結果導向的情況下，中國企業以超級快的速度與學習能力將產品疊代，最終創造出像是「美團」這樣的成功企業。▲ 美團外賣在中國十分成功。（Source：達志影像）從投資和政策方面來看也是相同的，數年以前中國針對 AI 的投資還大約只有美國三十至二十分之一，但就在去年，中國的投資已經超越美國；而在政策面上，與美國鼓勵討論、在立法前花很多時間研究相比，中國反而更加鼓勵技術嘗試，一旦發生錯誤還能再進行收回，這種嘗試精神也可以從自動駕駛的上路測試情況中看出。雖然以目前的 AI 發展來說，美國還是保持領先，但中國將有希望在未來 5 年內趕上，在中美雙引擎、遍步全球的 VC 創投、普及的開源工具驅動下，世界已經出現七大巨頭（微軟、Google、Facebook、Amazon、淘寶、百度、騰訊）形成良性迴圈互相競爭，能夠把 AI 連接到數據的人已越來越多，「AI 是賦能給創業者的。」AI 新世界在演講的最後，李開復也再次談及他對於...
說說看你認為常見的身分辨識方式有哪些？沒錯，臉部辨識、聲音、指紋、視網膜掃描都是常見用以辨識身分的方式。那麼，走路的方式呢？在家中你可以透過聆聽走路的聲音分辨出是哪一位家人嗎？其實走路方式也是一種「生物行為參數」（behavioural biometrics），攜帶了每個人特有的生物訊息。過去幾年，利用電腦分析錄影攝像中人們步態的研究，已有相當進展。但要將此類訊息轉譯為實用的身分辨識系統，還是有挑戰之處，其中很重要的一項就是保持這些攝像錄影機的隱密性，因為在知情的情況下，人的步態舉止有偽裝的可能性，而攝像錄影機往往都是可見的；另外，攝像錄影機擷取資訊也有許多限制，包括需要良好的光源（環境太暗時難以觀察）、同時也要避免遮蔽（人來人往中可能會遮蔽到目標物）。那麼，有什麼方法可克服這些挑戰呢？英國曼徹斯特大學（University of Manchester）的 Krikor Ozanyan 和愛爾蘭國立大學（National University of Ireland）的 Patricia Scully，兩位領導的研究團隊找到一個更好的方法進行步態辨識（gait-recognition）：壓力感應地墊。其實這種地墊不是什麼最新科技，保全系統已應用好幾年了，但 Ozanyan 和 Scully 博士應用的是更進一步版本，能記錄不同地點、同一個人走過地墊時產生的壓力。這些測量結果會形成一個人獨特的行走模式，Ozanyan 和 Scully 同時也利用當前最熱門的 AI 人工智慧系統進行機器學習（machine learning），以解密並辨識這些模式。目前此項研究已有相當不錯的成果，研究團隊今年稍早發表了系統的測試成果。經過系統分析 127 名不同個體的步伐，辨識失誤率只有 0.7%，Scully 博士表示，他們建立的系統還可成功判斷出個體的性別，因為男性和女性骨盆大小不同，導致走路的方式也有不同，更甚者，系統還能猜出個體的年齡。這項以地墊為主的辨識系統，其中一項優勢就是不受光線條件的限制，就算是完全黑暗的環境還是能分析；那麼，此項辨識系統是不是沒有任何限制？當然不是，目前已發現穿著不同的鞋（高跟鞋 vs. 運動鞋）會有不同步伐分析結果，假如在建立步伐數據到資料庫時穿著運動鞋，未來此個體若是穿著高跟鞋，系統可能就無法辨識出來，但若要模仿另一個人的步伐來混淆系統，恐怕還是很難成功。Ozanyan 和 Scully 博士目前正在重新設計地墊，之前地墊包含無數個壓力感應器組成的陣列，新地墊則包含光學纖維組成的格柵，地墊其中一側相連的兩邊分布著發光二極管（light-emitting diodes），能將光傳遞至纖維，位於光學纖維對側邊的感應器可測量收到多少光線；地墊接收到的任一壓力都會造成纖維扭轉，然後轉變為不同量的光線傳遞，不同位置不同的改變量，將由機器學習系統繪製和分析。Ozanyan 博士表示團隊已建立一塊 2 公尺長、1 公尺寬的展示用光纖地墊（fibre-optic mat），材料成本約新台幣 4 千元，目前他們正積極與廠商合作進行商業化量產，其中一項用途是應用於醫療產業，特別是老年照護，光纖地墊可安裝於照護中心或老人住所，以監測特定疾病可能導致的步態改變，如此有機會及早提供警訊給有較高摔倒風險的人，或是給罹患失智症等較易有認知受損發生的病患。步態分析也可應用於工作場所的安全量測，監控限制出入的區域，像是軍事基地、伺服器中心或具高度危險的實驗室，在這些情況下，員工必須事先同意掃描他們的步態以建檔，就如同臉部、視網膜或指紋掃描等視像安全系統的建檔。除了居家和工作場所應用，最易引起關注的就是公共場所使用步態辨識地墊了，試想在機場能透過走過地墊辨識身分，多麼快速方便啊，但如同指紋等已存在的辨識系統，建檔將是關鍵步驟。另一個大挑戰就是步態模式與視網膜或指紋相較，改變的機會和範圍都比較大，不過這項科技的進一步運用還是相當令人期待。 The way people walk can be used for ID and health checks （首圖來源：pixabay）