卷積神經網路（CNN）廣泛用於影像分類、人臉辨識、物體偵測及其他工作。然而，為行動裝置設計 CNN 模型是個大挑戰，因行動模型需要又小又快，同時還要保持足夠的準確率。雖然研究人員花了非常多時間精力在行動模型的設計和改良，做出 MobileNet 和 MobileNetV2 這類成果，但人工設計高效模型始終很有難度，其中有許多可能性需要考慮。受 AutoML 神經網路架構搜尋研究的啟發，Google Brain 團隊開始考慮能否透過 AutoML 的力量讓行動裝置 CNN 模型設計也更進一步。Google AI 部落格的新文章，介紹了用 AutoML 思路為行動裝置找到更好網路架構的研究成果，以下為文章編譯。Google 論文《MnasNet: Platform-Aware Neural Architecture Search for Mobile》中，嘗試了一種基於強化學習範式的自動神經網路架構搜尋方法來設計行動模型。為了應付行動裝置的執行速度限制，Google Brain 研究人員專門把執行速度資訊也加入搜尋演算法的主回饋函數，這樣搜到的模型就是可在執行速度和辨識準確率之間取得良好平衡的模型。透過這種方法，MnasNet 找到的模型比目前頂級人工設計模型 MobileNetV2 快 1.5 倍，比 NASNet 快 2.4 倍，同時還保持同樣的 ImageNet 首位準確率。以往的網路架構搜尋方法中，模型的執行速度通常借助另一種指標參考（比如考慮裝置的每秒運算數目），而 Google Brain 此次透過在給定的裝置上執行模型，直接測量模型的執行時間長短；研究使用的就是自家 Pixel 手機，可直接測量模型在真實環境執行時的具體表現，尤其不同型號的行動裝置有不同的軟硬體屬性，僅憑運算速度這項指標無法概括全部情況；為了達到準確率和執行速度之間的最佳平衡，所需的模型架構也有不同。Google Brain 方法的總體流程主要由 3 個部分組成：一個基於 RNN 的控制器用於學習模型架構並取樣，一個訓練器用於構建模型並訓練模型得到準確率，還有一個推理引擎，會在真實手機上透過 TensorFlow Lite 執行模型、測量模型的執行速度。他們把工作公式化為一個多目標最佳化問題，最佳化過程中得以兼顧高準確率和高執行速度；使用的強化學習演算法有個自訂回饋函數，可在不斷探索時找到帕累托最優的解決方案（如不斷提升模型準確率，同時不讓執行速度降低）。▲ 為行動裝置自動搜尋神經網路架構的總體流程圖。對網路架構搜尋過程，為了在搜尋彈性和空間大小之間取得平衡，Google Brain 研究人員提出一種新的因子分解層級化搜尋空間，設計是把一整個卷積網路分解為一系列按順序連線的模組，然後用一個層級化搜尋空間決定每個模組的層架構，這樣設計的搜尋流程可允許不同層使用不同作業和連線方式。同時也強制要求同個模組的所有層都共用同種架構，相比普通的每層獨立搜尋架構，這樣就把搜尋空間顯著減小數個等級。▲ 從新因子分解層級化搜尋空間取樣得到的 MnasNet 網路，整個網路架構可有多種不同層。Google Brain 研究人員在 ImageNet 影像分類和 COCO 物體偵測工作測試這種方法的效果。實驗中，這種方法找到的網路在典型行動裝置計算速度限制下達到準確率新高紀錄。下圖展示了 ImageNet 的結果。▲ ImageNet 的首位準確率與推理延遲對比。論文新方法找到的模型記號為 MnasNet。在 ImageNet，如果要達到同樣準確率，MnasNet 模型可比目前頂級人工設計的模型 MobileNetV2 快 1.5 倍，比 NASNet 快 2.4 倍，其中 NASNet 也是用網路架構搜尋找到的。採用「壓縮─激勵」（squeeze-and-excitation）最佳化後，Google 新的 MnasNet + SE 模型首位準確率可達 76.1%，這已達 ResNet-50 水準，但卻比 ResNet-50 的參數少了 19 倍，乘─加的計算運算目也減少了 10 倍。在 COCO，Google 的模型系列可同時在準確率和執行速度領先 MobileNet，準確率與 SSD300 模型相當，但所需計算量少了 35 倍。Google Brain 研究人員很高興看到自動搜尋得到的模型可在多個複雜的行動電腦視覺工作取得頂級成績。未來他們計劃在搜尋空間整合更多作業和最佳化方法供用戶選擇，也嘗試應用到語義分割等更多行動電腦視覺工作。 MnasNet: Platform-Aware Neural Architecture Search for Mobile MnasNet: Towards Automating the Design of Mobile Machine Learning Models （本文由 雷鋒網...
Google 旗下的人工智慧（AI）公司「DeepMind」，研發出 AI 科技，可以從 3D 視網膜掃描片上，辨識 50 多種眼部疾病。由於 AI 判斷極為準確，早期測試結果甚至勝過訓練有素的人類醫生，未來計劃用於臨床治療。Business Insider、金融時報報導，DeepMind 攜手英國倫敦知名的摩爾眼科醫院（Moorfields Eye Hospital），13 日在醫學期刊《Nature Medicine》發布共同研究成果，宣稱 DeepMind 演算法能夠正確辨識青光眼、黃斑部病變等疾病，並建議是否需要緊急治療，避免視力喪失。文章指出，摩爾眼科提供近 1.5 萬份的 3D 視網膜掃描片，由人類醫生先標記出病變區域，AI 再從此一資料庫中學習。初步結果顯示，以 997 張掃描片做比較，演算法建議轉診的準確度，超過摩爾眼科醫院的 8 名視網膜專家。AI 錯誤率只有 5.5%，專科醫生的錯誤率則在 6.7%~24.1% 之間。如果專科醫生取得病患的相關訊息，錯誤率可降至 5.5%~13.1%，僅和 AI 打平而已。眼科醫生 Pearse Keane 是論文共同撰寫者之一，他說結果好到讓人「嚇到下巴掉下來」，未來 3 年內，AI 可望在英國國家醫療系統NHS使用。DeepMind Health 主管 Dominic King 指出，該公司也和倫敦大學學院醫院（University College London Hospitals）合作，學習判讀放射線掃描片；並和倫敦帝國學院（Imperial College London）結盟，學習判讀乳房攝影（Mammograms）結果，未來可能會在醫療領域上更加廣泛使用 AI。（本文由 MoneyDJ新聞 授權轉載；首圖來源：pixabay）延伸閱讀： 看眼球就知道你的人格特質，AI 做得到 Google...
雖說電腦本身不會歧視，但開發者的構成卻可能會無意間讓系統出現歧視的情況，因此目前有不少科技公司都致力讓人工智慧開發變得更平等，減少歧視。美國加州的非營利組織 AI4All 最近得到 Google.org 的 100 萬美元撥款，以擴充服務範圍。此組織專門向社會被忽視的族群和女性進行外展科技教育工作，讓他們可接觸人工智慧等比較進階的科技知識，希望可讓業界加入更多不同膚色的開發者，性別比例也更平衡。之前已有不少研究發現，由於人工智慧的開發和機器學習的材料都以白人為主，導致系統對有色人種的分析不準確，甚至有歧視成分。例如容貌辨識系統，有色人種更容易判斷成罪犯，執法時採用這種系統將帶來後果嚴重的誤判問題，微軟之前開始研究如何減少容貌辨識的歧視問題。透過容許更多不同族裔的人進入業界，將讓開發社群更多元化，對未來的人工智慧開發也有正面作用。AI4All 總裁 Tess Posner 表示，他們需要在科技開發過程讓受該科技影響的人得以參與，確保開發過程負責任。如果沒有人提出合適的問題，會導致偏見存在。目前他們在美國全國舉辦科技學習營，邀請低收入族群、有色人種和女性參與，參加者都是高中生。未來他們將推出免費線上人工智慧學習課程，讓世界所有人都可以獲得這方面的知識。 Artificial intelligence has a racial bias problem. Google is funding summer camps to try to change that （本文由 Unwire Pro 授權轉載；首圖來源：AI4ALL）延伸閱讀： AI 演算法為什麼會有性別歧視？Google 有解釋了 AI 有性別歧視？其實都是人類惹的禍
人工智慧（AI）發展半世紀以來經過數次寒冬，如今隨著深度學習落實於各個領域，對我們的世界造成空前衝擊。創新工場創辦人暨執行長李開復表示，AI 從發明期進入實務應用年代，龐大的資料量會是發展 AI 服務的重要優勢，而其快速成長和可取得性，也將是深度學習大幅破壞無數產業的主要動力。「重磅」模式成競爭優勢中國過去靠著模仿抄襲矽谷企業的模式創業，在創新至上的矽谷人眼中，像中國那樣盲目模仿只會扼殺創新。「如果一個人永遠只會山寨，確實如美國人的思維一樣，是無法做出價值的，」李開復說，「但如果他把山寨做為一個學習，那其實是很好的成長路徑，尤其當你有大量的資本跟市場來幫著推動的話」。他提到，確實有很多人只是一味山寨而無法存活，但當中也有少數人在過程中不斷調整商業模式，在競爭激烈的競技場上學會創新、快速迭代，發展出符合當地人需求的本土化產品與服務，美團網就是一個例子。美團網創辦人王興當年先靠模仿團購網酷朋（Groupon），後來不斷擴展業務、改造核心產品，最後發展出截然不同的商業模式，現在已是市值 300 億美元的公司。也就是說，現在中國所發展出的商業模式，早已不是矽谷人刻板印象中「只會山寨，沒有創新的能力」，加上近年中國「O2O 革命」發展興盛，例如微信、滴滴出行、共享單車、餐點外送服務等，提供線上到線下多元的各式服務，跟矽谷模式有了明顯差異。有別於矽谷公司專注數位領域的「輕量」模式，中國則採取深入實務的「重磅」模式，不只打造資訊平台，也深度涉入實體世界執行大量繁複工作。舉例來說，Uber 的對手滴滴出行以叫車平台為基礎，並發展加油、維修、車險、保養等線下服務；Airbnb 的對手途家網也不只是張貼租屋公告的平台，還自行經營管理出租民宿、處理退房後事務等。「這種思維跟美國思維是不一樣的，中國為了達成最後稱王的目的，願意去做這些苦差事，」李開復說，「要做得很重（重磅），才能形成非常強大的競爭點」。龐大資料量帶動「良性」迴圈的隱憂中國 O2O 服務深入實務的經營模式，不斷累積用戶在實體世界中各種豐富多元的資料，包括消費模式、習慣與喜好。資料量持續累積增長結合深度學習，經分析改進後產生更好的商品和體驗，進而吸引到更多用戶，用戶愈多就能產生愈多資料，自動形成「良性」迴圈，同時也更有能力吸引頂尖 AI 人才加入。這樣的迴圈循環將進一步擴大產業領先者與其他對手之間的差距，也將導致財富不均及失業問題加劇。中國廣泛蒐集實體世界各種數據資料，所擁有的資料量相當龐大，現已超越美國成為資料產量最多的國家。「如果把人工智慧比作新的電力，大數據就是發電機需要的燃油，」李開復提到海量資料在 AI 實務應用年代下的重要性。從 AI 發展現況來看，他認為未來 10 年美國仍將維持領先地位，而中國也將迎頭趕上成為另一 AI 強國。李開復直言 AI 的強化式壟斷（reinforcing monopoly）是個大問題，未來 AI 巨擘的壟斷力量也將愈來愈強。他認為，AI 產業如果只有 Google、Facebook、亞馬遜（Amazon）、微軟（Microsoft）、百度（Baidu）、阿里巴巴（Alibaba）、騰訊（Tencent）等七巨頭並不健康，但他們不可能涵蓋所有產業，期望未來能有更多企業加入平衡七巨頭的力量 。失去工作的人們該何去何從？儘管 AI 發展過程中會有跌宕起伏，李開復認為 AI 不會像過去幾次寒冬般再次冬眠，而席捲全球的四波 AI 浪潮將顛覆各行各業，未來十年足以影響人們 50 ％以上的重複性工作，也會擴大貧富差距。他提到，努力工作仍是現今許多人生存的目的，但當工作遭到 AI 取代，不只是要面對收入喪失、就業再訓練等問題，也會因為失去生存目的，使個人及社會安寧受到挑戰。▲ 李開復在最新著作《AI 新世界》中分析人類與 AI 共存的藍圖（Source：《科技新報》攝）「未來 AI 一定會創造不少工作出來，但是它取代的工作一定是遠大於它能創造出來的工作，」李開復說 AI 能將人類從乏味無趣的例行性工作中解放，卻也導致廣泛技術性失業，我們應分析理解未來社會的問題與挑戰，思考人生的意義並發揮人類特有價值。如何減輕 AI 時代的衝擊，李開復不認為「全民基本收入」（Universal Basic Income，UBI）是化解未來失業危機的最好辦法，而是該善用 AI 能力，從人類與機器不同之處中找解方，畢竟 AI 沒有溫度、缺乏情感，也無法從事創造性工作，因此服務業會是一大機會，例如照護者、導遊、婚禮顧問等工作，這也是他過去曾多次提及的出路。「這其實是我們最大的、也可能是唯一的機會，」他說。他也提到台灣雖然市場不大，但可以利用我們本土的優勢創造本土的數據找機會，而發展服務業也別具價值，不應對服務業存有偏見。「如果我們已經有這樣的優勢但不去用它，總是考慮著說為什麼不能成為...
邊緣運算帶動新的市場商機和轉型，也讓市場對硬體有了新的需求，包括大量裝置如何管理、人工智慧的導入與安全防護如何實現等，但隨著開發過程難度上升，許多廠商開始著手升級開發工具的完整和便利性，讓開發者可以專注在自身業務的投入，造就新一波開發風潮。邊緣運算改變既有架構，帶動新型開發需求邊緣運算觸角已涵蓋各領域並得到落實，但由於架構從集中式轉為多節點的分散式，邊緣端（如終端和閘道器等）的自主性提升，使得底層的裝置管理將更複雜、網路技術融合也會更重要，而且安全防護機制需要更加謹慎，因此開發過程需要考量的內容越來越多元，自然增加開發過程的難度。 ▲ 邊緣運算基本架構（Source：拓墣產業研究院，2018/08）對開發者來說，開發過程難度提升會影響產品與服務產出速度和效率，因此越來越多上游廠商積極改善開發工具的實用和便利性，協助開發者專注於自身創新業務開發，而非工具的學習。以下便分析上游 IP 廠商 ARM、晶片廠商 Intel 與雲端廠商微軟等在開發工具和平台的布局與進展。ARM──從邊緣端進行全方面 IP 擴增知名 IP 廠 ARM 從多方切入積極布局邊緣運算，於 2017～2018 年推出各式相關 IP，並協助開發者降低開發難度。除了三大晶片 IP 系列產品外，ARM 先前已推出 ARM Mbed 平台，包括 Mbed Cloud 和 Mbed OS 兩大部分，Mbed 主要是基於 ARM 架構，針對 IoT 服務發展的基礎建設框架，並搭配自家 Cortex-M 晶片進行市場推廣和建立生態系。Mbed Edge 主要是透過物聯網閘道器讓使用者能將 Mbed Cloud 裝置管理功能進一步拓展，如對裝置進行導入、控制與管理等。Mbed Edge 有三大特點：1. 通訊協定轉譯：可將非 IP 協定的聯網裝置（如LoRa和Modbus）轉譯成 IP based，共同在 Mbed Cloud 進行管理；2. 閘道器管理：提高 IoT...
iPhone 裡的 Siri 依然有點笨，只能辨識一個人的聲音，聽一個人說話，但將來它可能分得清不同人說的話。▲ 蘋果專利說明。（Source：appleinsider.com）8 月 14 日，美國專利商標局公布蘋果一名為「語音輸入處理的用戶特徵分析」（User profiling for voice input processing）專利，顯示蘋果的語音辨識技術可讓裝置判斷不同人的聲音，進而使用預先註冊的帳號。解鎖裝置有很多種方式，除了最常見的密碼，生物辨識還有指紋、臉部和聲音辨識。目前蘋果電腦就可透過密碼登陸不同帳號。如果這項專利技術應用到蘋果裝置，最有可能就是增加 Siri 的技能。根據專利說明，可想像一個場景：甲、乙、丙 3 人在蘋果某個裝置預設好自己的帳號以聲音。當甲透過聲音叫裝置開啟通訊錄、消息或圖庫時，只能開啟僅限甲帳戶的內容，並不會讀取到乙和丙帳戶。此外，這項專利還會將各用戶的語言風格和用詞習慣記錄下來，構建特定的資料庫。有業界人士推測，這項專利技術如果可應用到 HomePod，就能大大提升對消費者的吸引力。語音是很多人認為人機互動的下一個進入點。2011 年至今，Siri 隨著 iPhone 4S 發表面世，到現在也 7 歲了，但比起 Google 和亞馬遜兩家語音助手後來居上，Siri 常被認為不夠聰明機靈，不夠精準智慧。▲ 蘋果招募 Siri 相關職位都在增長。（Source：Thinknum）從今年 4 月蘋果放出的招募資訊看來，蘋果今年想招募上百位工程師來拯救 Siri。有統計顯示，2016 年以來，蘋果招募與 Siri 相關職位一直增長，今年上半年尤其明顯。其實發表最初，蘋果研發團隊對 Siri 的預期是這樣的：Siri 應是快速準確抓取資訊的助手，或是熟知如何處理複雜工作的助理。不過這麼多年過去了，Siri 的長進並沒有追上用戶的期待。7 歲的 Siri 確實比當初更「機智」點，支援的語言也達 21 種，能直接呼叫的 App 也越來越多。去年開始，iPhone 用戶可使用 Siri 發微信了。▲ 使用 HomePod 讀發簡訊需將 Siri 設定成與其一致的語言和地區，還很難用。但這依然不夠，本應是 Siri 大展拳腳的裝置 HomePod，反因 Siri 的缺點飽受質疑，目前只能將音質當作賣點。不得不說，Siri...
科技發展競爭白熱化，南韓政府也急起直追，要藉由大數據與人工智慧、區塊鏈等技術發展創新科技，為現有產業生態加值。南韓政府最新報告指出，明年政府預算中將投資超過 5 兆韓圜，超過新台幣千億元，促進包括區塊鏈在內的創新技術發展。根據南韓聯合通訊社報導指出，南韓政府提出四大目標，包括建立大數據數位平台和 AI，以及促進區塊鏈技術，支持數位交易和共享經濟發展，第二是緩解數位鴻溝，第三是建立氫燃料電池供應鍊，第四是制定教育計畫，以滿足未來對合格勞動力的需求。南韓政府將為這 4 個項目制定一個 5 年計畫。預算方面將在 2019 年投資 5 兆韓圜，約新台幣 1,350 億元，用於發展平台經濟和 8 個實驗項目，與 2018 年相比增加超過 2 兆韓圜，約 65%。在接下來的5 年中，對平台經濟總投資金額將達 9 兆至 10 兆韓圜，約新台幣 2,700 億元，明年將先投入 1.5 兆韓圜。2019 年實驗項目的預算為 3.5 兆韓圜，比 2018 年增加 62%。南韓政府表示，目標將專注於推廣大數據和人工智慧、開發區塊鏈技術，以確保安全數據管理，並促進共享經濟發展。雖然投資計畫當中沒有提出區塊鏈相關項目的細節，但之前的消息是，南韓政府將在 2019 年為區塊鏈新創公司撥款 900 萬美元。另外南韓資通訊部門正在與其他政府機構合作開發 6 個實驗項目，主要是與公共服務領域採用區塊鏈技術有關。此外，南韓政府表示，2023 年前將為相關領域培育一萬名專家，這部分將耗資 600 億韓圜，約合 5,300 萬美元，新台幣 16 億元。由國家科學和資通訊技術部贊助的青年培訓計畫將在 9 月展開，重點放在區塊鏈、人工智慧和其他領域，當作緩解青年失業的手段，並為企業找到合適人才。南韓政府希望政府可以發揮領頭羊的作用，引領企業界擴大對新技術投資。 South Korea Budgets $880...
由伊隆‧馬斯克（Elon Musk）創辦的非營利性人工智慧組織 OpenAI，向外界展示了一項新的研究成果：讓機械手像人手抓取和操縱物體。雖然這種仿真造型的手掌已見過很多，但讓「手指」能和人類手一樣靈活可動，對機器結構來說不是一件簡單的事。下面的動圖能看到，這套名為 Dactyl 的機器手臂系統能按照指令要求，輕鬆完成轉動立方體的動作，且這種包含各種技巧的指尖操作，顯然比過去看到的機器人行走跳躍複雜得多。Dactyl 之所以能高效運作，和 OpenAI 使用的強化學習演算法有關。就像剛出生的小孩，AI 或機器人剛造出來的時候什麼都不懂，如果你希望它能完全理解某項複雜任務的流程，肯定需要反覆訓練。尤其是對真實存在的物理機器人來說，研究人員往往要耗費大量現實時間指導其練習。但 OpenAI 現在的做法，是完全在虛擬環境訓練 AI 機器人，然後再把 AI 應用在實體機器人身上。他們還在訓練過程增加大量動態隨機事件，讓 AI 自己領悟完成任務的訣竅。以這次的機器手掌為例，他們會在一個控制網路教導機器手臂最基礎的翻轉指令，以及利用鏡頭，在視覺網路預估立方體的位置和方向；然後開始改變周圍環境的燈光和噪聲，還有立方體的顏色、重量、紋理和摩擦力等；甚至是改變重力環境因素。之所以加入隨機化變量，是為了讓 AI 更能應付各種意外情況：「比如說不同的重力環境下，Dactyl 就會領悟這對立方體操控造成哪些影響。不然現實世界中，一旦我們改變手臂的高度，重力環境發生改變，立方體可能就會滑落。」另外，由於不用模仿人類的行為，所以 OpenAI 的訓練方式也可允許 AI 充分思考人類沒有想過的方式，說不定能獲得意想不到的成果。這種虛擬環境的訓練模式還有一個好處，就是不耗費現實世界的時間。目前 Dactyl 已積累約 100 年的訓練經驗，嘗試用無數種方法來控制立方體轉動，但實際上這個過程只相當於現實世界的 50 個小時而已。在虛擬世界裡完成訓練後，AI 就可應用這些經驗分析現實世界的動態因素，並調整行為完成任務了。如今 Dactyl 已可連續完成 50 次立方體旋轉操作，且不會出錯。值得一提的是，這種超高效訓練模式不僅能運用在物理機器人，也同樣可用於其他虛擬 AI 模型。去年 7 月，OpenAI 開發的 Open AI Five 在虛擬世界經歷上萬個小時的學習，實際上只花費了幾天時間，然後便在 Dota2 遊戲擊敗了職業選手 Dendi。雖然只是一次 Solo 對決而非 5v5，但依舊讓我們看到人工智慧在電競這種複雜領域的有效性，包括我們熟知的「圍棋殺手」 AlphaGo，也是 DeepMind 公司使用深度強化學習訓練出來的 AI 模型。據說強化學習的靈感最早來自人類長期觀察自然界動物學習過程，之所以近幾年才開始嘗試，也是受益於神經網路技術進步，以及...
為了因應東南亞市場蓬勃成長的雲端運算需求，科技大廠 Google 預計將斥資 8.5 億美元( 約新台幣 262 億元) 在新加坡設立第 3 座資料中心。另外，還將擴大台灣及香港的資料中心，3 項計畫的總花費將達到 10 億美元 ( 約新台幣 309 億元 )。根據國外科技媒體 《Techcrunch》 的報導，Google 宣布，將在新加坡打造的第 3 座資料中心。目前，該公司自 2011 年在新加坡建立了第 1 座資料中心之後，4 年後的 2015 年又增加了一個資料中心，如今預計再興建第 3 座資料中心。而 Google 會在新加坡如此快速興建資料中心的主因，在於該地區的用戶和使用量迅速增長。根據最新的資料顯示，自 2015 年開始，東南亞地區首次使用網路的人口達到 7,000 萬人，累計上網人口數總數達到 3.3 億人，甚至超過了美國的總人口。對此，Google 全球資料中心的副總裁 Joe Kava 表示，東南亞地區越來越多的企業開始使用網絡，這使得 Google 必須不斷擴大雲端運算平台的規模，用以應付市場需求的快速成長。而且，自從 Google 在 2017 年在當地推出了 Google 雲端運算平台服務之後，包括新加坡航空、Wego、Go-Jek 和 Carousell ...
有時候坐在辦公室，就是抵擋不了突如其來的睡意，為了協助員工「度過難關」，日本空調大廠大金（Daikin）和日本電氣（NEC）近日宣布，他們已經開發出一個空調控制系統，將能自動偵測出昏昏欲睡的員工，並運用溫度調整協助保持清醒。自 2016 年宣布結盟以來，大金 和 NEC 一直在空調的應用上合作進行研究，而這套新開出的系統便是結合了大金的自動調節溫度技術以及 NEC 的臉部識別技術，隨時監測辦公室內員工不同類型的眼瞼運動，系統在尋找到早期睡意的跡象後，便會自動降低房間的溫度，協助員工提振精神。這項研究並非毫無來由，美國曾有研究指出，人們的生產力和清醒度（大腦的興奮程度）呈現「逆 U 型」關聯，也就是說不論是不清醒或太過興奮，大腦的性能都會有所下降，因此為了讓員工保持適度的清醒，雙方才會開始尋求透過外部刺激些微提振精神的方法。在進行初步研究時，為了搞懂何種方式可以有效讓人保持警覺，研究團隊針對近 100 名員工測試了包含降低溫度、調整光線和引入香氣等幾種方式，來觀察受試者的清醒度改變情況，結果顯示，改變光線和引入香氣的效果並不明顯，反而是溫度的調整確實達到提神的效果。▲ 團隊認為，未來透過刺激互相搭配或能取得更好的成效。（Source：DAIKIN 官網）在受試員工進行簡單且重複性的工作時，團隊將 27℃ 的空調溫度暫時降至 24 度，接著在 30 分鐘後再調整回 27 度，這樣的溫度調整能夠抑制超過 45 分鐘以上的睡意。研究人員指出，短時間內調整溫度除了能避免過度寒冷而失去舒適感，還可以防止適應刺激（溫度變化）導致的清醒度降低。當然，雙方進行的實驗前提是，員工在前一天晚上並沒有「喝酒」或「進行劇烈的運動」，同時也維持一定的身體條件，因此系統在實際生活的效果可能還是會因環境、個體出現差異，大金發言人表示，他們將在本月開始進行實驗，並透過數據累積進一步進行改良，預計 2020 年將會讓系統正式問世。 眠気防ぐ空調で能率アップ ダイキンとＮＥＣが共同開発、室温で刺激与える NECとダイキンが実証！猛暑でも眠気吹き飛ばす｢温度刺激テク｣今日から職場でできる That’s cold: Japan begins trialing tech that tracks employees’ eyes to see if they fall asleep on the job – and blasts snoozing workers with AC （首圖來源：達志影像）