等了 4 年，世界盃終於來了，這個牽動超數十億美元產業，吸引全球超過一半人口關注的賽事，正在俄羅斯境內如火如荼進行，同時，32 支來自 5 大洲球隊亦在綠茵賽場上為爭奪大力神杯揮灑汗水。從球場裁判輔助、資料收集，到球場外的觀賞體驗，這場全球性體壇盛宴，也隨著各種高新科技的發展而「升級」了一次。（Source：FIFA）除了法國對澳洲那場小組賽「聲名大噪」的 VAR 影片助理裁判技術（Video Assistant Referees），這屆俄羅斯世界盃還使用了不少智慧硬體，且與體育競技緊密結合。（Source：latercera）愛迪達 Telstar 18 智慧足球2018 年俄羅斯世界盃的官方比賽用球，是去年年底愛迪達公布的名為 Telstar 18 智慧足球。▲ Telstar 18。（Source：Adidas）從設計到命名，這顆足球，是愛迪達致敬首款登陸世界杯的比賽用球──1970 年愛迪達首次為世界盃製作的比賽用球 Telstar。外觀採用經典黑白兩色設計，印有 Telstar、愛迪達、俄羅斯世界盃等金色 Logo，並在深色球面使用馬賽克圖案。（Source：SoccerBible）最大亮點在於球內嵌了 NFC 晶片，也是世界盃用球第一次引入的技術。不過，相比於先前愛迪達推出的利用感測器監測速度和彈道指標的 miCoach Small Ball 智慧足球，這顆加入 NFC 晶片的 Telstar 18 比賽用球，就沒有那麼智慧了。Telstar 18 只能與智慧手機簡單互動，包含取得 Telstar 18 的產品資訊以及特殊的小遊戲挑戰。裁判員價值 5,200 美元的智慧手錶除了球員腳下的智慧足球，跟著滿場跑的裁判手上也戴了一款表──Hublot 推出的 The Big Bang Referee 智慧手錶。（Source：影片截圖）這是 2018 年俄羅斯世界盃官方指定的裁判智慧手錶，基於 Wear OS 作業系統，並附帶一些世界杯相關的主題錶帶。根據 Hublot 資料顯示，The Big Bang...
在 AI 技術不斷發展的大趨勢面前，幾乎所有科技巨頭都要面臨愈加嚴苛的道德評判和輿論──之前不得不接受美國國會聽證的 Facebook 如此，被迫放棄與國防部合約的 Google 也是如此。現在，輪到另一個巨頭了，這次是電商老大亞馬遜。當臉部辨識被警方使用事情不是突然發生的，而是長期醞釀。2016 年，亞馬遜推出一款臉部辨識工具 Rekognition，能辨識圖像和影片，分類內容， 比如人物面孔、場景、文字、物體等；當然，背後還是亞馬遜強大的人工智慧技術和 AWS。技術本身看起來沒什麼問題，且帶來很多好處，問題在於實際應用場景會引起人們的不同反應；比如說警察部門。的確，亞馬遜 Rekognition 已用於美國相關政府部門，亞馬遜官網的介紹頁面，Rekognition 已用於 Washington County Sheriff’s Office in Oregon（華盛頓郡警長辦公室），當然該頁面介紹的是正面案例：利用該工具成功捕獲商店扒手。2017 年 6 月，亞馬遜在官方部落格發表一篇來自警長辦公室分析師撰寫的文章，介紹如何利用 Amazon Rekognition 辨識案件嫌疑人。文章提到兩個案例：第一個案例，銀行監控鏡頭捕捉到失竊信用卡用來領現的影像，但光線和角度問題，辦案人員無法人工辨識，透過 Amazon Rekognition 則達成 95% 的人物符合度。另一個案例是，利用 Amazon Rekognition，辦案人員成功在 Facebook 找到一名使用假名發表內容的個人。文章最後強調利用 AWS 進行人臉辨識的便利性，並表示 Amazon Rekognition 已成為警長辦公室辨認嫌疑人的有利工具，並希望它成為法律案件臉部辨識的標準工具。當然，除了上述案例，Amazon Rekognition 也用於其他警察相關機構，比如說奧蘭多警察局。亞馬遜聲明也提到，不少機構利用這項技術找到被拐騙人員和走失兒童。另外，其實 Amazon Rekognition 也有很多非執法類的商業用戶，比如 Pinterest 和 C-SPAN。亞馬遜面臨的輿論即使如此，Amazon Rekognition 與美國執法部門合作的負面輿論效應漸漸發酵，尤其涉及隱私層面，已有不少機構和個人對亞馬遜表達不滿。2018 年 5 月下旬，美國公民自由同盟（American Civil Liberties Union，簡稱 ACLU）和其他隱私保護團體，要求亞馬遜停止對警察機構售賣 Amazon Rekognition，原因是執法部門可能會利用這技術，簡單地構建能辨識並即時監控任何人行蹤的系統。ACLU...
魔術方塊是非常有趣的益智玩具，但從難度來說，其實不比其他棋類遊戲困難，如果人工智慧（AI）演算法可在西洋棋或圍棋輕鬆打敗人類，那麼復原魔術方塊也不是困難的事。 但是對演算法來說，要解出魔術方塊的謎題和下棋是完全不同種類的任務。過去在棋類遊戲展現出超人類表現的演算法，都是屬於傳統的「強化學習」（RL）系統，這類型 AI 確定某些特定一步是實現整體目標的積極步驟時，便會獲得獎勵，進而使系統產生追求最大利益的習慣性行為，然而當 AI 無法確定這一步是否有益，強化學習自然無法發揮作用。如果還是無法理解，試著這麼想吧：玩棋類遊戲時，系統可輕易判定一個動作究竟屬於「好棋」或「壞棋」，但轉動魔術方塊時，你能說出任何特定的一步，是改善整體難題的關鍵嗎？從外觀來看，魔術方塊是很單純的益智玩具，然而因為 3D 立體的特性，這讓一般常見的 3 階魔術方塊就已有驚人的近 4.33×1019 種組合，其中只有六面都是相同顏色的狀態才能成為「正確解答」。過去人們已研究出許多不同算法和策略來解決這項難題，但 AI 研究人員真正的目標還是希望能像 AlphaGo Zero 那樣，讓 AI 在沒有任何歷史知識的情況下，學會自行應對隨機的魔術方塊難題。近期加州大學 Stephen McAleer 和團隊透過一種稱為「自學疊代」（autodidactic iteration）的 AI 技術打造「DeepCube」系統，成功讓 AI 面對任何亂序 3 階魔術方塊時，都能成功找出正確解答。根據團隊解釋，自學疊代是一種全新的強化學習演算法，與過去棋類遊戲演算法的處理方式不同，採取「反著看」的內部獎勵判斷機制：當 AI 提出一個動作建議時，演算法便會跳至完成的圖形往前推導，直到到達提出的動作建議，藉以判斷每一步動作的強度。雖然聽來相當繁雜，但這讓系統更熟悉每一步動作，並得以評估整體強度，一旦獲得足夠的數據，系統便能以傳統的樹狀搜索方式找出如何移動最好的方法。▲ DeepCube 自行找出的策略 aba-1，許多玩家也經常使用。（Source：arXiv via Stephen McAleer）團隊研究發現，DeepCube 系統在訓練時自己找出許多與人類玩家相同的策略，並在經過 44 小時的自學訓練後，已能在沒有任何人為干預下，平均 30 步以內復原任何隨機亂序魔術方塊──這些「最佳解答」不是和人類最佳表現一樣好，就是比這些表現更好。McAleer 和團隊打算未來進階測試更大、更難解決的 16 階魔術方塊，這項全新的系統將有助於 AI 應用更全面化，像是生物物理學重要的蛋白質摺疊（Protein Folding）問題或也有望得以解決。 Machines can now finish the Rubik’s Cube without...
2014 年上映的電影《雲端情人》（Her）中，男主角西奧多帶著搭載 AI 操作系統「莎曼珊」的手機，走在擁擠的遊樂場裡。他突然心血來潮，決定閉上眼睛，讓莎曼珊指揮他的路線。西奧多伸直手舉著手機，莎曼珊完美的指引他避開迎面而來的人群，繞過廣場的柱子，抵達他的目的地──一家披薩店。電影裡這個場景很溫馨，單獨拿出來看，這畫面很詭異。但無論如何，這樣的功能離我們越來越近。想做到 AI 即時指路，背後需有兩個關鍵技術。首先，AI 要能用最高效的方式辨識周圍空間；其次，它還要像人一樣，基於視線所及的圖像來「腦補」整個空間格局。最近，AI 在這兩個能力上取得重大進展，帶頭的又是 Google 旗下的 AI 明星公司 DeepMind。週四出版的《科學》（Science）雜誌，DeepMind 發表了一篇論文，向世界介紹名叫 GQN 的新 AI 系統。GQN 的全稱為「Generative Query Network」，直譯為「生成式查詢網路」，改進了現有的機器視覺研究方式：目前的機器視覺在訓練時，還是依賴「吃進」人為標記好標籤的圖像數據來訓練，大部分屬於監督式學習，而 GQN 的方法則是讓機器自我訓練，屬於無監督機器學習。這是一種更接近人類行為模式的系統：當我們走進一個空間時，可根據雙眼看到的簡單畫面，快速對所處空間有整體的認知。比如，眼睛看到的可能只是衣櫃正面，但在我們的腦中，衣櫃的全貌、在房間所處的位置、陽光下的陰影樣子，其實都已同步生成並存於腦海。這對人類來說很簡單，但沒人能說清人類大腦如何處理這些資訊。當 AI 嘗試復刻人類大腦流程時，若依然採取輸入規則、監督式的學習方式，顯然十分困難。GQN 選擇神經網路的方法，決定讓機器自己學習，就像它們在圍棋、翻譯等領域做的那樣。具體來看，GQN 由兩個模型構成，一個叫做表徵網路（representation network），另一個叫做生成網路（generation network）。前者其實可視為模仿人類的眼睛，後者則嘗試複製人類大腦處理空間資訊的方式。表徵網路透過圖像感測器觀察世界，把空間中看到的二維圖像，以數據形式輸入系統，之後生成網路會基於這些數據學習，然後嘗試預測某陌生視角下這空間的樣子，渲染後以三維形式呈現。簡單說就是，表徵網路看見一張桌子的正面，包括它的構造、顏色、高低等，然後生成網路要據此「猜出」桌子側面、底面等其他角度的樣子，就像人類無時無刻做的那樣。由於採用無監督學習模式，表徵網路在「看」東西時並不知道生成網路最後需要從哪個視角預測，為了更幫助後者完成任務，它需要在不斷的訓練中，提升觀察和記錄能力，最終保證提供的輸入最高效。過程中它慢慢積累經驗，對整個空間各物體之間的透視規律、陽光陰影關係等都有認知（事先並沒有任何人為干預告訴機器什麼是「顏色」、「位置」、「大小」等這些概念，全靠機器自己「開悟」），並最終用一種電腦能理解、最濃縮最高效的數據形式完成輸入。而生成網路在一次次訓練中，將這些輸入數據再次轉換成圖像。且這圖像不再是二維，需要轉成立體的空間畫面，物體的尺寸、定位、光影關係、透視關係都要準確呈現。過程中生成網路逐漸學習成了有渲染能力的圖像神經網路。經過一段時間自主學習後，DeepMind 測試 GQN 在虛擬環境的成果，結果驚人。下圖是第一種測試，在一類似小廣場的簡單虛擬三維空間，GQN 的表徵網路從一個視角輸入一組二維圖像，而生成網路達成了清晰精確的三維「還原」──包括二維圖片以外的空間。接下來，DeepMind 又做了第二種測試，有點類似念書時都做過的空間感覺測試。表徵網路對一多個立方體組成的「積木」觀察輸入，而生成網路需要回答這個物體由幾個立方體組成。GQN 也完成了測試。第三種測試，DeepMind 把 GQN 從開放的小廣場趕到一個更複雜的「迷宮」，在這裡，視野受到限制，但 GQN 可以來回走動，找到它認為最好的視角觀測，進而幫助生成網路還原整個空間。可以看到，GQN 就像玩拼圖，隨著表徵網路觀察角度增多，逐漸完美「腦補」出整個空間的全貌。這已經和人類非常接近，近到有點嚇人。DeepMind 聯合創始人、CEO 傑米斯‧哈薩比斯（Demis Hassabis）說：「GQN 已可從任何角度想像和呈現場景。」其實，如果拉長時間來看，這次 GQN 的突破，其實是最近 DeepMind 在 AI 辨識空間方面的一系列嘗試中一環。就在 5 月，DeepMind 曾在《自然》發文，表示他們在 AI...
邊界問題一直以來都是美國和墨西哥爭論的焦點，美國總統川普（Donald Trump）在競選時甚至說出要在邊境蓋上一堵牆的豪語。許多人對這個想法嗤之以鼻，不過有人打算用 VR 和人工智慧（AI）技術，打造出科技式的解方。提出另類解決方法的人，就是 VR 頭戴式裝置公司 Oculus 的共同創辦人 Palmer Luckey。Luckey 在 2011 年研發出第一代 VR 頭戴式裝置，後來才創立了 Oculus，並在 2014 年將公司賣給了 Facebook。Luckey 曾經引發過一些政治上的爭議，他在 2016 年美國總統大選期間曾經捐款幾千美元給攻擊希拉蕊‧柯林頓（Hillary Clinton）的組織，後來就離開了 Oculus。這套虛擬長城由結合 VR 和 AI 技術的高塔所組成，並首度在 2017 年公開，近來科技雜誌《Wired》的報導揭露了城牆系統的面紗。這家 Luckey 投資的 Anduril Industries 正在推銷這套稱為 Lattice 的監視系統，系統可以從兩英里外就能監控到意圖跨越邊境的偷渡客。Lattice 配備有攝影鏡頭、雷達和紅外線感測器，可以記錄邊界的影像和數據，接著利用 AI 進行分析。AI 能夠根據移動的方式等條件，來判斷偵測到的是人、車子、郊狼或是風滾草。監控者戴上 VR 頭戴式裝置之後，Lattice 就能顯示邊界實際狀況。如果有任何人、動物或車輛意圖穿越邊界，系統就會以綠色方框標記來警告監控者。Lattice 系統目前在德州的私人牧場進行測試，並在 10 週的時間裡，就幫助美墨邊界的警方逮捕 55 人，並查緝了 982 磅的大麻，不過被捕的其中 39 人與毒品無關。這種利用科技來建造虛擬邊界的方法其實不算太新穎，早在 2006 年美國國土安全部（DHS）就有過類似的計畫稱為...
6 月 18 日，舊金山的 IBM 辦公室，人工智慧在一場辯論賽擊敗了人類頂尖辯手。參戰的是 IBM Research 新推出的 AI 系統 Project Debater，對手則是以色列國際辯論協會主席 Dan Zafrir 和 2016 年以色列國家辯論冠軍 Noa Ovadia。IBM 研究對話式人工智慧已多年，之前推出過「華生」（Watson），Project Debater 是最新的成果。據 IBM 官方介紹，Project Debater 是第一個可在複雜話題與人類辯論的 AI 系統。Project Debater 透過處理大量文字，就特定主題構建良好架構的演講，提供清晰明確目的，並反駁對手。最終，Project Debater 將透過提供引人注目、以證據為基礎的論點，並限制情感、偏見或模稜兩可的影響來幫助人們推理。Project Debater 外形不得不說有些「嚴肅」，如影片所示，Project Debater 像一塊黑色大石頭，在螢幕上有 3 個漂浮的藍色小圓。Project Debater 進行了兩場表演賽，第一個話題中，Project Debater 持正方觀點「政府應該增加太空探索的費用」，而人類辯手持反方觀點「政府不應該增加太空探索的費用」。第二個話題，Project Debater 持「遠端醫療會在醫療占更大比例」觀點，人類辯手反之。辯論賽的流程是 4 分鐘開場演講，4 分鐘反駁和 2 分鐘論證總結。人類辯手首先發言，然後 Project Debater 反駁。據外媒 Engadget 報導，Project Debater 拋出不少觀點，同時還根據對手的發言反駁。VentureBeat 記者稱，太空探索的話題，Project Debater 並不是簡單參考 Wikipedia 的資料，而是嘗試理解題目，整合多方資訊。Project Debater 能參考沙烏地阿拉伯 Sheikh 的系列言論，或是德國經濟事務部長報告指出太空探索所能提供的工作數量。但為了避免犯錯，Project Debater 沒有直接參考對手的言論。一共有 40 名成員參與投票，太空探索這題，Project Debater 比 Dan Zafrir 多獲得 9 票，贏得比賽。Project Debater 也犯了一些錯，或做出過於大膽的論斷，例如它論證，太空探索比更好的公路、更先進的學校、更好的醫療更重要；又或者，它在辯論中說出「Scott Pelley 配音」，這通常是哥倫比亞廣播公司新聞播報員會說的話。IBM Research 首席調查員兼 Project Debater 創造者 Noam Slonim 說，Project Debater 專案 6 年前就開始了，而在兩年前才能參與人們辯論。Debater 的辯論智慧來自數以億計的期刊和報紙文章。比賽之前，Project Debater 並不知道辯題。除了辯論開始的問候和笑話，陳述都是 Project Debater 自由發揮，沒有固定的陳述詞。當 Project Debater 獲得新話題時，會在其文章語料庫搜尋與該主題相關的句子和線索，用來支援辯方論點。根據相關內容，它會嘗試理解辯論主題，然後組織自己的陳述。據了解，這天的展示之後，Project Debrator 將在今年稍晚參加延長辯論，隨後可能會舉行一次研討會，學者可提供他們對 Debater 的評論。此次，科技記者已經有一些簡短評論。VentureBeat 記者評論，Project Debater 具備一定的幽默感，懂一些小把戲，偶爾也能做出有力論點。Engadget 記者表示 Project Debater 的思路和回覆讓人印象深刻，但不是所有時候都讓人感覺自然。MIT Technology Review 記者的反應則較冷淡，認為 Project Debater 並沒有理解題目，只是東拼西湊。顯然，Project Debater 還是一個實驗性項目，它的可能性在哪裡？最重要的一點或許是，AlphaGo 證明了 AI 可以涉足棋類競技，而 Project Debater 則向人類最至關重要的一項技藝──辯論，發起進攻。從蘇格拉底時期，辯論就是人類生活重要的部分，人們透過辯論來制定國家戰略、道德準則；透過辯論來明辨是非、抒發己見。在辯論中，理性和智慧的光輝得以閃耀。然而，人們很難不受利益影響。辯論上，AI 或許比人更優越的一點是，它可以提供「無偏頗」的觀點，為決策者提供更中立，不受利益影響的資訊。會辯論的 AI 另一個顯然用途是，幫助人們辯論。AI 可快速提供大量正反方觀點，進行大量辯論模擬。這是 AI 進入內容創作、內容生產領域的一大重點──與人類合作創意。（本文由 雷鋒網...
「小愛同學，提醒我 15 分鐘後拿下面膜！」愛美的小玲說。「小愛同學，幫我打開掃地機器人！」愛乾淨的小敏說。「小愛同學，來一段經典的戲曲！」愛聽京劇的爺爺說。「小愛同學，我想聽蠟筆小新的聲音！」愛玩遊戲的阿寶說。「小愛同學，幫我記下這個窗簾的高度，高 1.5 公尺，寬 0.6 公尺！」忙著安置新居的大明說。上面的這些台詞出現在中國小米音箱的廣告，搭配各種不同的生活場景需求，描繪出有人工智慧助理能力，透過智慧音箱互動裝置，所塑造的未來智慧家庭面貌。2017 年美國的智慧音箱賣了超過 2,500 萬台，滲透將近 15% 的家庭，其中 Amazon 的 Echo 系列占了七成，Google 和蘋果等大廠緊追在後（2018 年 Google Home 快速攀升）。中國廠商也立即跟進，雖然數量還不及歐美市場（約 300 萬台），但在小米、京東、阿里等零售巨頭紛紛投下龐大行銷，以超低的價格（299~499 人民幣，比 Echo 便宜一半以上）來搶占市場的情形下，也已造成市場風潮。當筆者詢問中國朋友對於這種智慧音箱的使用滿意程度時，多半獲得不太正面的評價，許多人嘗鮮買回去，用了幾天發現不太實用，多半束之高閣。相對的，Amazon Echo 在美國的使用率就大很多，產生的商業價值也被大家高度認可，公司股價不斷衝向新高。為什麼這個智慧音箱（本質是智慧助理）的戰場這麼重要，可能改變未來多個產業的格局，和人們生活的方式？又為什麼 Amazon 目前還能獨占鰲頭，其他大廠及中國公司學著畫皮容易，但還學不到其中精髓？以下筆者從 3 個方面來做一些剖析：1. 語音是人機互動最自然的介面，將成為人工智慧的新 「入口」，自然是兵家必爭之地。用自然的口語來操控電腦，執行生活上或工作上的任務，是許多軟體科學家數十年來努力的一個重要領域。從早期 Office 的指令，到近期的 iPhone Siri，即使是簡單的指令動作，經常因為無法辨識各種口音，或稍微複雜的語意，而讓使用者頻頻失望，難以成為實用的習慣。智慧音箱因著 AI 在自然語言處理（NLP）技術的突破，經過大量數據的建置和訓練，已經具備在特定的情境和知識體系下，省去手眼的操作（觸控、打字等），能有效地與人們進行溝通。加上串聯在各種應用場景背後相關的內容服務和環境控制，不僅比手機或電腦更方便完成任務（例如查詢資料、上網購物），也為許多原本不適合操作電子裝置的人和情境（例如臨時或長期行動不便者），掃除障礙。更威的是，厲害的智慧助理系統，能不斷從使用者操作方式和生活習慣的熟悉，增加用戶的以來，建立不容易被置換的門檻，比手機還要高。因此這一塊領域（不只是音箱這個裝置，更是整個助理系統），所有企圖掌握市場寶座的企業，莫不投下重資，期望成為未來每個人的 AI「操作系統」。這戰場不僅在家庭應用上，在企業應用（各垂直產業）、教育、醫療、或公部門中，都可能誕生少數的超級平台公司，掌控我們未來的人機互動入口。2. 不僅提供購物及服務，平台生態包括了智慧裝置，成為家庭生活，甚至其他應用場景的控制中心。不少科技巨頭（例如微軟、蘋果等）曾提出多種「家庭控制中心」的方案，描繪許多看來很夢幻，讓生活更美好的使用情境，但至今無一成真。除了前述的人機介面技術問題之外，裝置及網路間的標準不一致，服務和控制體驗不能無縫銜接，是更重要的商業原因。Amazon 挾著多年來累積的幾項優勢（線上購物、數位內容服務、雲端平台服務以及大量用戶等），並且在推出音箱的同時，「開放」這個以人工智慧為基礎的 Alexa 平台，邀請廣泛的協作廠商，建立一個生態系統，因此能在很短的時間內聚集相當多的合作夥伴，提供能與 Echo 流暢地串接的軟體、硬體以及服務，終於實現了家庭控制中心的角色。我們也可以相比中國的市場狀況，雖然大廠能推出低價的音箱產品，整體銷售以及使用量，還是遠不及 Echo 的普及，就是因為服務及裝置的生態圈建立非常困難，門檻很高，必須有具備開放平台經營，了解軟體與硬體銜接，又充分掌握使用者體驗的廠商，才有辦法做到。展望後市，諸多廠商中筆者認為小米的機會比較大。3. 打通消費及使用數據，整合銷售和行銷的上下行溝通，為線上線下完整的新零售場景補足最後一塊拼圖。這幾年「新零售」的口號喊得很響，雖然每個人的倡導和理解可能不同，但努力提供消費者「完整且無縫的購物及使用體驗」，則是所有人都一致同意的。除了把實體店面智慧化，網路及行動購物流暢化，線上線下的通路整合之外，運用這種位在使用現場的智慧音箱、智慧助理或類似形式的智慧裝置，能將過去無法企及的使用者接觸點（Touch...
總有許多美好的瞬間，想用慢動作錄影記錄下來，再慢慢重播欣賞。但手機拍攝的慢動作影片，總是讓我們不太滿意。這回輝達的人工智慧可以解決這個遺憾。6 月 18 日，Nvidia 發表一支影片，顯示正搭建的人工智慧可將普通影片轉為平滑自然的慢動作影片。轉換一段汽車飄移的影片時，可明顯看到使用 30fps 拍攝的再用 12.5% 速度慢動作播放時，有明顯的卡頓。下方轉換後的影片，使用 240fps 效果播放，汽車飄移過程真是「順滑如絲」。女舞者跳舞的影片，也可看到轉換後的慢動作影片，人物旋轉時頭髮及衣裙的細節更清晰。這段影片還有兩個場景，是將知名慢動作 YouTuber「The Slow Mo Guys」的影片轉換並對比。一個場景是人往下跳，壓破氣球，一個用網球拍擊打彩色水球。從影片看來，人工智慧對定位物體及補幀技術都相當不錯。Nvidia 還表示，該技術可最佳化各種規格的慢動作影片。此人工智慧主要由 Tesla V100 GPU 及 cuDNN 加速的 PyTorch 深度學習框架組成。透過使用 1.1 萬段 240fps 影片訓練，內容包括日常生活及體育活動。不得不說，黃仁勳領導下的 Nvidia 研發的人工智慧，在影像辨識方面，一直領先業界。今年 1 月，Nvidia 推出新訓練方式，讓人工智慧從已有影像生成新影像，甚至可利用不同人像生成新肖像，且影像依然穩定又高品質。除了這種無中生有成人像的技術，Nvidia 的人工智慧還能在影片「偷天換日」修改天氣，樹木、路燈等其他物體卻無太大變化。去年底，Nvidia 就展示過其影片人工智慧特技，可將白天變成黑夜，下雪變成晴天，還能修改動物斑紋，將美洲豹變成非洲獅。這次 Nvidia 展示的新能力，如果真的可在消費層級使用，對影視產業的朋友而言，影片後製就更省事了。（本文由 愛范兒 授權轉載；首圖來源：影片截圖）延伸閱讀： 黃仁勳：NVIDIA 專心發展 AI，不在意虛擬貨幣市場，邊緣運算也非目標 照片也變臉，NVIDIA FastPhotoStyle 演算法將氛圍轉移到另一張照片 AI 憑空捏造「真人面孔」，交友網站的「美女照騙」更不靠譜了？
身為頂尖的人工智慧研究公司，DeepMind 近年申請了一堆國際專利，但專利內容和申請數量就不得而知了。最近，DeepMind 首次披露一系列國際專利，涉及現代機器學習基礎面，對正在人工智慧領域商業化活動的任何人都有潛在意義。DeepMind 背景DeepMind 總部位於倫敦，是公認為處於 AI 領域最前線的頂尖人工智慧研究公司。DeepMind 成立於 2010 年，2014 年被 Google 以 4 億英鎊收購。2017 年，DeepMind 因開發打敗人類世界圍棋冠軍的 AlphaGo 而聲名大噪。關於 DeepMind 的人工智慧方法，可參考 The Verge 訪問創始人 Demis Hassabis 博士的文章《DeepMind founder Demis Hassabis on how AI will shape the future》，Demis Hassabis 博士詳細介紹了 DeepMind 的人工智慧方法，這篇文章也適用外行人了解一般意義的人工智慧和機器語言。Hassabis 博士人氣頗高，《衛報》稱他為「人工智慧的超級英雄」和「天才」，《金融時報》稱他為「現代博學家」，《倫敦晚旗報》還送給他「倫敦超人」（London’s megamind）稱號。他甚至還上過 BBC 的《荒島唱片》節目。▲ 人工智慧有多種用途，包括進行藝術創作。圖為 AI 畫作《Rose Hungry Cat》。DeepMind 披露專利申請 WO 2018/048934，「利用神經網路生成音訊」，優先權日期：2016 年 9 月 6 日。 WO 2018/048945，「利用卷積神經網路處理串列」，優先權日期：2016 年 9...
Amazon 在 6 月 19 日宣布與萬豪國際合作，推出專為高級旅館設計的「旅館版」Alexa，可以用來要求客房服務、查詢旅館設施的開放時間和推薦旅館附近的餐廳等等。自從智慧音箱 Echo 上市以來，Amazon 就大舉在智慧家居市場攻城掠地，現在還開始提供滿足特定需求的特別版 Alexa，像是車用版和兒童版，如今則有了旅館版。「旅館版」Alexa 將率先在美國 10 家萬豪酒店上線，未來也能適用其他旅館業者，讓 Alexa 滲透到每個地方，能讓 Amazon 在智慧音箱市場的地位更加穩固，並與蘋果（Apple）和 Google 的戰爭中搶占有利位置。Amazon 智慧家居副總裁 Daniel Rausch 表示，Amazon 願意為不同旅館量身打造「旅館版」Alexa，推薦旅客當地特殊景點和餐廳，以及提供飯店本身的特定資訊。Amazon 還開發一套管理系統，協助旅館業者管控所有 Echo 設施。未來 Amazon 很快就會讓旅客在旅館 Echo 智慧音箱使用他們的 Amazon 帳戶，並使用 Amazon 的相關服務，退房之後也會自動登出帳戶。為了維護旅客隱私，旅館版的 Alexa 不會與亞馬遜共享旅客的語音資料，而且會每天刪除資料。不過 Alexa 要進入這些地方也不是觸手可及，畢竟不是每個人旅遊時都想使用智慧家居產品。但到目前為止，使用過的顧客整體給予正面評價。當旅客第一次進入房間時，房內的 Echo 智慧音箱會處於靜音模式。如果旅客不想使用 Echo 智慧音箱，也可以維持靜音或拔掉插頭，或一開始就選擇沒有「旅館版」Alexa 的房間。為了降低駭客入侵的風險，旅館版 Alexa 只有連線到飯店的無線網路才能使用，要是插頭被拔除飯店也會收到通知。 Amazon’s Alexa for Hospitality handles hotel checkout, pool time...