科技始終來自於人性，因此在 AI 工具的協助下，現在有一群人專門拿艾瑪·華森、艾米莉亞·克拉克、娜塔莉·波曼等女明星的臉移花接木，放在 A 片女演員的頭上，製作出各種詭異的影片，在 Reddit 論壇引發換臉熱潮，餵養男性網友的瘋狂幻想。這一切是怎麼發生的？2015 年，Google 宣布將釋出開發 AI 演算法的內部工具 TensorFlow，進而改變了全世界的 AI 研究與發展方向。用 Google 執行長的話來說，AI 科技的影響力可能如電力般深遠，而 Google 提供的工具是開放、免費的，入門 AI 的門檻也從博士學位降低到只需要一台筆電。但 TensorFlow 的力量，現在已經超出 Google 的控制。兩年多來，學術界和矽谷用 TensorFlow 締造不少引人注目的成果，但匿名 Reddit 論壇用戶 deepfakes 成了最新焦點。Deepfakes 以 AI 軟體為基礎，打造了幾乎能自動無縫縫製任何臉部影像到影片的功能。你可以輕易想像這會被拿來做什麼事。《Motherboard》報導，這個軟體被拿來把任何人的臉（例如女明星或臉友）放上色情片女演員的身體。《Motherboard》首先披露消息後，Deepfakes 創造了自己的 subreddit，累積 9.1 萬多名訂戶。另一名 Reddit 用戶 deepfakeapp 也釋出一個叫做 FakeApp 的工具，讓任何人都可以下載這個 AI 軟體、自行使用。目前 Reddit 已經禁了這個社群，理由是這違反了該網站對於非自願色情的規範。根據 FakeApp 的使用指南，這項軟體是以 TensorFlow 為基礎打造的。Google 員工曾以稍微不同的設定和主題，用 TensorFlow 做過類似的事，訓練演算法從塗鴉中產生影像。Deepfakes...
目前，全球許多大型超市為了節省人力成本，都會設置自助結帳區，顧客只要把商品放上自助結帳區的掃描台，讓機器掃過條碼和秤重後，就能把商品一樣樣裝進袋子，等機器顯示今天花了多少錢再付款就好。然而，無人看管下順手牽羊的行為是家常便飯，各式各樣五花八門的偷竊手法也推陳出新……為了節省人力成本 自己買什麼自己結你比較喜歡到超市自助結帳區結帳，還是比較喜歡和收銀員面對面呢？許多大型超市為了節省人力成本，設置了自助結帳區，讓顧客在無人看管的情況下結帳。然而，這乍看方便的表面下，卻隱藏了一個醜陋的事實──順手牽羊的行為屢見不鮮，而且還發展出各式各樣技巧。今天你想怎麼偷？首先，第一招就是「香蕉騙術」，也就是把以重量計算要價昂貴的商品放上秤重台，選單上點選便宜的商品來代替。舉例來說，有的顧客會把每磅要價 13.99 美元（約台幣 414 元）的丁骨牛排放上秤重台，當作每磅只要 0.49 美元（約台幣 14 元）的香蕉來秤重。傳球、快手交換再來，故意不把商品放上掃描區，而是偷偷放入袋中，這招叫「傳球」。還有一招得多費點工夫：把某樣便宜商品的條碼撕下，偷天換日蓋在昂貴商品的條碼上，這招叫「快手交換」。不過如果你要用這招，得確保兩件商品的重量差不多，這樣放在自助結帳感應區時才不會出現「不明物品」的警告。▲ 自助結帳區通常會有裝袋區、感應區和秤重區，消費者點選螢幕品項後把商品放到秤重區，就可以知道要付多少錢。（Source：Flickr/Karl Baron CC BY 2.0）20% 的人承認偷過東西究竟，在自助結帳區順手牽羊的情況有多普遍呢？專門提供網路消費者優惠券的公司 Voucher Codes Pro 發了一份匿名線上調查給 2,634 個人，其中有大約 20% 受訪者承認他們曾經利用自助結帳偷過東西，這些人中有超過一半的人表示，他們成功擺了自助結帳系統一道，且超市警報系統根本就不太可能抓得到他們。沒經過掃描就帶走2015 年，英國萊斯特大學的犯罪學家也做了一份拿著手持掃描器自助結帳的研究。檢視一年中 1 百萬筆加起來要價 2,100 萬美元（約台幣 6 億 2,132 萬元）自助結帳的帳單後，研究人員發現有大約 85 萬美元（約台幣 2,515 萬元）的商品被順手牽羊，沒有被掃描器掃過就帶出了商店。原本不想偷東西的……萊斯特大學犯罪學家總結， 因為在自助結帳區偷東西相對容易，鼓勵那些不會偷東西的人以身試法，這些人並非一開始就抱著偷東西的念頭來購物，而是在最後結帳時想著不如給自己一點「優惠」。一名商店員工告訴研究人員：「原本不打算偷東西的人可能會發現……當我買了 20 樣東西時，我可以讓 5 樣東西免費。」滋生犯罪的環境研究人員進一步表示，或許這些採用自助結帳區的超市得為營造一個容易犯罪的環境負責。研究指出，這些超市為了減少人力成本，創造了一個「滋生犯罪的環境」，這個環境把利益擺在社會責任之上。▲ 竊案頻傳後，有的超市選擇重回收銀員懷抱，取消了自助結帳區。（Source：Flickr/Paul Townsend CC BY 2.0）重回收銀員的懷抱有鑑於此，有的超市乾脆把自助結帳區收起來，認為這不僅沒有節省消費者大排長龍等待的時間，又讓他們蒙受商品失竊的損失。連鎖超市 Big Y 和艾伯森（Albertsons）都取消了自助結帳區，重回收銀員幫顧客結帳的懷抱。明年全球上看 32 萬台不過，在這個凡事講求自動化的時代，自助結帳機的數量仍然不斷上升，明年全球可望達到 32 萬 5,000...
Google 旗下 DeepMind 公司開發出一種透過分析醫學影像診斷疾病的人工智慧產品，這是人工智慧技術在醫療健康領域的一次重要試水。總部位於倫敦的 DeepMind 透過處理數以千計的視網膜掃描影像，訓練出一種人工智慧演算法，可比人類醫生更高效準確檢查出眼部疾病。DeepMind 與 NHS 和全球最好的眼科醫院之一──倫敦 Moorfields 眼科醫院，進行了長達兩年的合作，驗證這項演算法的有效性。得到積極的回饋後，DeepMind 向醫學雜誌提交了這項研究成果。如果這項結果通過學者的同行評議，就能在幾年內進入臨床實驗階段。DeepMind Health 臨床主管 Dominic King 告訴英國《金融時報》：「你將在未來數年間，看到我們借助人工智慧技術在醫學影像這樣的專業領域取得重大突破。未來我們在診斷疾病方面將變得更敏感精準，機器學習將扮演非常重要的角色。」DeepMind 的演算法使用 Moorfields 眼科醫院提供、經過眼科醫生嚴格標記的匿名資料進行訓練。目前正和包括 Moorfields 等醫院商談，合作進行臨床實驗。醫學影像的數百萬畫素裡藏著非常豐富的資訊，機器學習演算法可透過學習和分析這些資訊，診斷 3 種最嚴重的眼科疾病：青光眼、糖尿病視網膜病變和老年黃斑部病變。Moorfields 研發總監 Peng Tee Khaw 表示：「我們對這項研究成果非常看好，相信能幫助世界各地的人們避免不必要的視力損傷。我們希望明年能在同行評議的期刊發表研究成果。」Dominic King 介紹，人工智慧是一項通用技術，意味著它可以應用到其他各類別的影像。DeepMind 表示，接下來將分別與倫敦大學醫院和倫敦帝國理工學院合作，訓練分析 X 光影像和乳腺 X 光的演算法。Google 辦公室一位資料標記顧問表示，「標記頭頸部癌症的影像每天需耗費 5、6 個小時，醫生通常會在下班後做這件事情。NHS 現在承受非常巨大的醫療壓力，於是人工智慧應運而生。」隨著世界人口日益增長和人口老齡化加劇，醫療衛生系統已不堪重負。世界各地的醫院開始討論，是否可以用人工智慧減少一些重複性工作。在此背景下，DeepMind 的健康衛生團隊迅速擴充到 100 人，3 年前這個團隊只有 10 人。大型科技公司和醫院之間的關係非常微妙。2017 年，英國資料保護監督機構做出一項裁決，指責 NHS 的一家信託公司向 DeepMind 提供 160 萬患者的醫療紀錄觸犯了法律。據了解，這項裁決涉及 DeepMind 的醫療診斷...
深度學習技術的成熟，大幅提升影像與語音辨識的精準度，也再度掀起了市場對人工智慧技術的強烈關注。全球瘋 AI，台廠也不例外隨著 Amazon、Google、IBM 與 Microsoft 等國際大廠的加入，面對龐大的人工智慧市場商機，包括台灣等來自世界各地的企業，都想透過圖像辨識等人工智慧技術加值產品服務能量。不過，礙於人才（技能）不足、對深度學習模型掌握度不高、可用資料庫不齊全等挑戰，如何將技術真正落實在產品應用中，以充分滿足使用者需求，仍是許多對 AI 大餅躍躍欲試的廠商所須攻克之處。全球市占第一的台灣網路儲存伺服器品牌群暉科技（Synology）日前推出搭載深度學習影像辨識的相片管理服務── Moments，僅運用四人團隊，在不到一年的時間之內就將深度學習技術應用於服務，其關鍵即在於運用自行建置的深度學習模型，以提升圖像辨識精準度。優化圖像辨識精準度的兩大祕訣──自建與訓練深度學習模型對期望提升人工智慧圖像辨識能力的企業來說，如何自建深度學習模型，以及如何訓練模型來優化圖像辨識精準度是最關鍵、也最具挑戰的工作。企業資料科學家得先依據目標建立適合的演算法，並建構一套可以自行分析數據資料、找出特徵值的深度學習模型，然後透過大量有標記（Label）的數據資料（又稱資料集）持續不斷的訓練、優化深度學習模型對圖像辨識的精準度。現成模型通常都有原先設定的目標，如「物件偵測：偵測每張照片裡面的物件與位置」，但企業開發新應用時希望建立的演算法往往與現成模型原先目標不相同，導致同一張圖像套入模型或演算法出現不同的辨識結果，大幅影響將深度學習技術導入產品的可能性。以群暉科技為例，希望建立的演算法目標是「從一張照片中辨識出多個物件 / 場景」，但這與當前學界研究中盛行的「影像分類：一張圖片即一個主題」等演算法的目標不同。為了讓研發結果能與產品服務接軌、滿足使用者需求，群暉科技才決定自行開發模型。然而，另一個困難點則在於訓練用資料集的可用性問題。深度學習模型能夠成功實現智慧辨識的關鍵，在於資料的訓練過程，而訓練用資料中已經存在的標記，將很大程度地決定最終訓練結果能否符合目標。群暉科技在取得訓練用數據資料時，便因為資料標記方式與訓練目標不一致，於是重新標記每一筆資料，並且另外準備了一份專門用來驗證辨識成果的驗證用資料集，才得以順利進入正式的模型訓練階段。值得特別注意的是，為提升深度學習模型的圖像辨識精準度，研發團隊通常都將花費許多時間「調整模型參數、重新訓練模型與驗證模型精準度」，才能從中找出最佳參數，並導入於產品或應用服務中。從跨界合作取代單打獨鬥 人工智慧就這麼做深度學習模型的研發費時費工，群暉科技花了近一年的時間，透過產學合作的方式與台灣大學資工系教授徐宏民的研究團隊合作，加速整個產品開發；但是前瞻深度學習技術還是得面對群暉產品、客戶上的諸多要求，因此內部的人工智慧研發團隊得自行落實模型開發與建立。「很令人興奮的產學合作經驗，群暉在深度學習技術從無到有，甚至目前各項視覺辨識指標都達到世界級的水準。」徐宏民表示，在協助群暉科技研發團隊採用合適的視覺辨識技術之際，也發現了其他重要的研究議題，已帶回實驗室進行前瞻的研究工作。群暉科技軟體開發部協理高士軒說：「在開發 Moments 的經驗中，我們發現想以人工智慧提升服務能量，除了要成立人工智慧研發團隊、還得清楚定義目標，並且持續不斷的予以優化。」高士軒亦認為，因應需求差異，每個產業所需要的深度學習模型都將有所不同，為加速人工智慧相關產品的開發腳步，建議除成立專門的研發團隊，還可進一步尋求外部技術支援；群暉科技便是在徐宏民教授的專業指導下，得以在短時間內成功推出搭載人工智慧技術的全新應用服務。 ▲ 全新智慧照片管理套件 Moments 透過深度學習技術，主動辨識出人像、地點、主題等，分類照片不費吹灰之力。（Source：Synology）對欲導入視覺辨識等人工智慧技術的企業，徐宏民提出三點建議，首先是相信台灣具有相關領域世界級的技術研究能量；其次是確保高階主管對深度學習等技術的認可並願意投資；最後是將深度學習等技術放到產品藍圖，而非只是單純做研究。展望未來，隨著機器人、自動車、智慧工廠與智慧醫療等應用的崛起與普及，視覺辨識等人工智慧技術將被廣泛地應用在各個地方，不過，由於應用領域差異，所需的視覺辨識技術將有所不同，相關領域企業可透過產學合作等方式及早投入，提升對視覺辨識等人工智慧技術的掌握度，從而開創專屬藍海市場。（首圖來源：Synology）
據美媒 The Verge 2 月 5 日報導，Intel 即將上市一款智慧眼鏡，名叫 Vaunt。記者 Dieter Bohn 以長文曝光 Vaunt 的上手體驗，說明 Vaunt 的硬體、軟體和應用等方面。結合外媒資訊與以往報導發現，Vaunt 這款眼鏡和 Google Glass 及目前所看到的智慧眼鏡或 AR 眼鏡思路都不一樣。2015 年 Intel 收購智慧眼鏡公司 Recon 起，就一直傳言 Intel 將推出智慧眼鏡，時隔 3 年，我們終於看到產品。概括來說，這款眼鏡有以下特點： 外觀類似普通眼鏡大小，重量僅 50g。 眼鏡沒有裝載鏡頭，這和大部分智慧眼鏡、AR 眼鏡不同。 採用雷射投影，直接投射在人眼視網膜。 採用 Intel AI 晶片，有多種感測器，能感知位置、運動資訊。 藍牙連線智慧手機使用，類似智慧手錶可以執行多種 App 功能。 全自訂，需要測量瞳距，支援近視眼鏡／普通眼鏡，或將在眼鏡店銷售。 如果你對 Google Glass、Spectacles、Magic Leap 這些標誌性智慧眼鏡、AR 眼鏡有了解，你會發現，Intel 這款 Vaunt 智慧眼鏡簡直是天外飛仙！智慧眼鏡首先要能戴Google Glass 給了我們很多幻想，AR 眼鏡將從各方面改變我們的生活。而 Intel 認為，改變我們的生活之前，需要改變智慧眼鏡的外形，使其真正應用於生活。Intel 創新產品部門負責人 Itai Vonshak 告訴 The Verge，「頭戴產品很難做是因為人們把一件產品放在自己頭上時，會付出很多其餘的社交顧慮，因為這些頭戴產品與佩戴者的個人形象息息相關。」目前，大部分智慧眼鏡由於追求科技感和炫酷功能，通常戴起來很嚇人。Google Glass 的失敗在於，沒有提到到眼鏡上的鏡頭，總讓其他人擔心隱私被侵犯。眼鏡前方的顯示元件顯得很有科技感，卻讓人覺得目的感太強，戴上 Google Glass，會帶來很多社交負擔；Snap 的 Spectacles 設計成時尚太陽眼鏡，曾經被稱為是最像智慧眼鏡的設計，然而或許還是「太過了」；HoloLens 基本等於將一台微型電腦放在頭上；而 Magic Leap One 的原型一公布，過於像外星人的外形就被大大吐槽。Itai Vonshak 認為，Intel 想要的智慧眼鏡是「零社交成本」，所有設計都去除「科技」感，要變得和普通的近視眼鏡沒有差別。因此，Vaunt 眼鏡上沒有鏡頭、沒有按鍵、沒有觸摸螢幕、沒有 LCD 顯示螢幕，更沒有任何突出的零件。The Verge 記者稱 Vaunt 戴起來與普通眼鏡沒有差別，重量僅 50g，雖然比一般眼鏡重一些，但是戴一整天也不會有疲倦感。目前，Vaunt 展出幾款不同的外形設計，據說還會有很多種不同外觀。雷射投影成像Vaunt 設計成普通眼鏡一樣，那麼有哪些特殊功能吸引人拋棄普通眼鏡呢？依然和所有智慧眼鏡的初衷一樣，將人從手機螢幕解放，直接在人眼前提供數位資訊。Google Glass 的關鍵在於單眼顯示元件，目前 AR 眼鏡都在追求更輕便、更小、視角更廣的顯示元件，而 Vaunt 另闢蹊徑，採用雷射投影成像。Vaunt 眼鏡的右邊裝了一個電子元件，可以傳送低功率的雷射射線（VCSEL）。該雷射將 400×150 像素的紅色單色影像照射到眼鏡右側鏡片上的全息反射鏡，然後影像直接反射到你的視網膜。據介紹，這種雷射是一級季雷射，且功率很低，不會對人眼造成任何傷害。Intel 智慧穿戴裝置負責人告訴 The Verge，「我們不得不整合非常非常節能的光源，用於實際上繪制影像的 MEMS 裝置，我們使用內嵌鏡片的全息反射鏡將正確波長反射回人的眼睛。該影像稱為視網膜投影，所以影像實際上是『塗』到視網膜後面。」由於直接放在視網膜上，所以影像始終在你的視線裡。因此，Vaunt 的眼鏡需要全自訂，測量配戴者的瞳距之後，由工程師製作完成。Intel 認為，如果讓數位資訊一直出現在眼前會很干擾，因此實際上，數位資訊是出現在眼鏡下面大概 15° 的位置，當人往下看時，資訊會顯示，當你目視前方時，資訊會消失。這樣人性化的設計還有很多。Vaunt 眼鏡還加入一些感測器，例如加速器、陀螺儀等，眼鏡會清楚知道你的頭部運動，由此判斷如何合適地提供資訊。之後或許還會加入麥克風和語音互動，和 Alexa 這種語音助手互動。由於沒有控制器，Vaunt 透過藍牙與智慧手機相連，獲得智慧處理能力。Vaunt 設計成開放給 App，可以對應很多智慧手機功能。關注「Moments」應用場景說了外形和硬體，那麼 Vaunt 究竟有哪些應用場景？Magic Leap 的 CEO 羅尼‧阿伯維茲（Rony Abovitz）反覆強調 AR 眼鏡的應用場景，想要將其用在遊戲、社交、音樂等，為生活帶來真正神奇的變化。而 Magic Leap One 可是採用多顆鏡頭和感測器，但簡化的 Vaunt 能做到什麼呢？它能超越 Google Glass 的願景嗎？會成為下一個 Google Glass 嗎？The Verge 記者說，Intel 目前並不想詳談應用方面。從他的體驗中，我們看到，目前 Vaunt 可實現的場景包括：在你出門時顯示路線資訊，即時導航；來電提醒；雙手沒有空時顯示航班資訊；做菜時顯示食譜等。Intel 希望 Vaunt 可解決人們生活中具體時刻 Moments、具體場景的需求，而不會有人沉迷於 Vaunt，因為你還是可以用電腦和手機來做到其他功能。也有一些設想中的複雜場景：例如當你走在街上看到一間餐廳，Vaunt 可直接顯示 Yelp 關於該餐廳的資訊。你的手機知道你的位置，而你的眼鏡知道你在看什麼方向，因此這些資料可幫助創造這種應用場景。但還得有人來實現，而 Intel 並不打算親自做。Intel 希望透過搜尋開發者和合作夥伴，共同完成硬體和軟體生態。目前 Intel 會開放「開發者項目」，類似 Google Glass 的探索者項目，讓早期開發者先拿到開發者版本，一同開發軟體。Intel 正計劃出售 Vaunt 部門大部分股權，吸引更多投資者加入。Intel 並不想大量資金支援，而是尋求在有強大銷售管道、硬體、軟體的合作夥伴來共同促進 Vaunt 發展。由於 Vaunt 需要測量瞳距，因此最佳的銷售管道自然是各大眼鏡行，而這樣的傳統通路並非 Intel 擅長。The Verge 記者認為 Vaunt 是他戴過最舒服的智慧眼鏡，體驗比他在 CES 嘗試的智慧眼鏡都好。看來，Intel 的智慧眼鏡能發揮效應，還得看搭載的 AI 晶片如何與智慧手機聯合，解決人們生活場景的問題。不然，我們或許還是更期待，有複雜感測器、外觀詭異，像 Magic Leap One 這樣的 AR 眼鏡，畢竟不僅希望智慧眼鏡給我們輔助資訊，我們也期望 AR 眼鏡能讓我們真正融合虛擬與現實。 INTEL MADE SMART GLASSES THAT LOOK NORMAL （本文由 雷鋒網 授權轉載；圖片來源：影片截圖）延伸閱讀： 英特爾傳分拆 AR 部門，拚智慧眼鏡年內上市
來電辨識服務 Whoscall 在全球已突破 6,000 萬用戶，開發商 Gogolook 6 日宣布獲得台幣 3.45 億元投資，將利用龐大資料庫著手發展人工智慧與物聯網裝置。Gogolook 打造《Whoscall》應用程式，幫助 Android 與 iOS 用戶辨識未知來電並且封鎖騷擾電話，在全球突破 6,000 萬用戶，且其電話資料庫已擁有 10 億筆資料。根據 Google 統計，《Whoscall》連續 5 年蟬聯 Google Play 最受台灣人喜愛 App 排行榜前 5 名。Gogolook 宣布獲得台幣 3.45 億元投資，投資者均是在高科技與網路領域享有盛名的投資機構。新一輪資金將有助於 Gogolook 拓展台灣以及海外市場，並投入產品研發。Gogolook 致力於運用強大的資料庫發展人工智慧（Artificial Intelligence，AI），藉由用戶接收詐騙電話的大量數據分析、並模擬詐騙集團的手法來預防犯罪；此外，將會應用在物聯網（Internet of Things，IoT）裝置上，進而保護更多 Whoscall 用戶。Gogolook 共同創辦人暨執行長郭建甫表示，智慧型手機已相當普及，但手機最核心的通話功能，其相關的創新發展在近幾年並不多；社交軟體如《Facebook》、《LINE》、《WhatsApp》已大幅改變我們與親朋好友的溝通方式，但與陌生人的聯繫方式仍是電話。Whoscall 有能力以信賴為基礎，精準建立全球電話使用者與服務提供者之間的聯繫網路。Gogolook 將持續提供用戶最好的產品與使用者體驗，並在商業模式方面有更多嘗試。除了持續優化產品的使用者體驗，同時需要政府單位支持與電信產業共同協助，期許能為社會大眾創造一個「零詐騙環境」。（首圖來源：Gogolook）延伸閱讀： Whoscall 首推網購詐騙回報系統 一支電話就能宣傳生意！Whoscall Card 助商家抓住行動商機 Whoscall 全球突破 5 千萬下載，超過 2 倍台灣人口數...
在人工智慧（AI）技術持續進化之下，許多領域的發展都有了都有了長足的進步，面對無法人工檢查或處理的龐大資料，機器學習及深度學習便成了絕佳解決方法，Google 6 日特別分享了一些 Google Brain 在天文及生物醫學合作方面的成果，希望藉此讓大家體會到開源和數據的重要性。Google 台灣董事總經理簡立峰表示，在 NASA 的開放數據下，工程師也能夠對科學有所貢獻，基因組序列也是有著開放資料庫才能順利研究，而 Google 也在開發出運用深度學習的測序工具後便進行了開源，相信若許多科研領域若願意開放數據提供研究，各個產業的進步也將會更為快速。用機器學習辨識新行星美國太空總署（NASA）在 2009 年展開了克卜勒任務（Kepler mission），透過克卜勒太空望遠鏡的觀測及記錄，4 年期間總計蒐集逾 20 萬顆恆星、每顆恆星 7 萬次亮度的紀錄。在檢查超過 3 萬個望遠鏡收集的訊號後，科學家已經能夠認定其中約有 2,500 個是來自於行星，但這樣的人工檢查過程相當耗時，加上有些外在因素（如恆星上的斑點）導致訊號較弱的無法倚靠人工判讀，單以人力進行可說是相當吃力不討好。▲望遠鏡收集了許多訊號，無法全部都以人工檢查。（Source： Google ）而機器學習便在這時候派上用場，在與 NASA 的合作中，Google Brain 團隊將尋找行星的過程主要分成兩個階段，先是由電腦演算法找出潛在行星訊號後，再由天文學家判斷哪些訊號是來自真實的行星。為此 Google 特別運用通常用於圖像分類的卷積神經網路（CNN）建立了模型，再透過 15,000 個天文學家已人工標記的克卜勒訊號來訓練模型辨識。在經過訓練後，Google 的演算法在克卜勒資料庫中的 670 個恆星中，發現了新行星克卜勒「90 i」和克卜勒「80 g」。與人工判讀的不同，Google Brain 團隊提供給神經網路的主要是較弱的訊號，這些訊號由於較難判讀、存在行星的比例也較低，過去並不會將人工時間運用於此，但透過機器學習的模型大量篩選了訊號，天文學家只需要從少量訊號中進行判斷即可。▲ 上方為 Kepler-90 系統行星，下方則為太陽系行星。（Source：NASA）但機器學習在搜尋上仍有一些尚未能解決的問題。像是在有數個鄰近恆星的情況下，模型還無法辨別行星的訊號是來自何者，目前這點仍仰賴人工方式協助模型確認，團隊計畫未來將更新系統，加入位置資訊辨識，來達到下一個目標：運用模型辨識整個克卜勒資料庫中超過 20 萬顆恆星。深度學習與基因變體識別（Variant Calling）基因組測序技術在近幾年來相當火紅，透過捕獲遺傳密碼中的各項訊息，對於癌症標靶治療的療效、新生兒疾病的病因尋找都十分有幫助，而變體識別（Variant Calling）便是測序過程中相當重要的一環。雖然變體識別並無法預測變體是否會產生疾病，但透過找出「個體」和「參考基因組」間的差異，將能做為許多醫療及藥物開發的第一步，只是考量到人類基因組的龐大資料量，以及測序儀不完整且碎片化的讀取特性，變體識別仍在持續發展當中。▲ 變體識別。（Source： Google ）現有普遍的變體識別工具仍維持傳統的統計技術，仰賴大量人工參與，也因此需要花費專家多年時間進行，為了協助提高基因組測序準確性，Google Brain 團隊與 Verily Life Sciences 合作花了兩年多時間開發出 DeepVariant，透過深度學習大量省去了人工手調參數的時間。在將測序儀的數據編碼為圖像後，DeepVariant...
隨著人工智慧（AI）此波浪潮來襲，科技部已於去（106）年擬定 AI 科研戰略，全力布建 AI 研發的基礎環境，透過建構 AI 主機、AI 創新研究中心、半導體射月計畫、打造智慧機器人創新基地及科技大擂台 5 大推動方向，帶動產業投資與應用，以提升臺灣未來在 AI 領域的競爭力。 跨領域－強化跨域結合，激盪創新綜效 數位醫療（生命科學與工程技術結合，強化領先優勢）：建構在臺灣 ICT 產業的成熟與優勢技術基礎上，結合 AI 科技的醫學效能，跨域整合生技醫藥、前瞻醫材、半導體、電子工程及大數據等領域能量，發展 AI 臨床診斷與治療決策輔助系統、電子神經網絡訊號偵測與解譯、電子神經追蹤與治療裝置/藥物等醫療新科技產品，推動新一波創新數位醫療產業之浪潮。人文社會創新（人文連結科技，催生跨虛實火花）：人文的扎根源自對生活憧憬與文化創意，常常是從無到有的突破；而科技創新的力量則來自於科學研究與知識積累，是從一到無限的高速進展。科技部已與文化部攜手創造藝術家與科學家間的先期微型碰撞，獲得熱烈迴響，並透過實質的行動建立合作平台，期以漫畫科技競賽及文化科技論壇等活動，開展各項文化與科技的跨域無極限合作機會。未來科技部將更積極推動AI與人文社會相關議題的對話，除有關法律、心理、語言、哲學及管理等領域已經進行對談，並將以開放思維，納入文學、藝術、考古等多元面向的不同題材，透過豐富的人文社會素材汲取，發揮觸媒趨動的效果，與 AI 科技交流激盪出不同的火花，發展衍生改變未來的任何可能性。 跨部會－運用AI技術，推波轉型契機 科技部+農委會：合作推動「智慧農業」，將 AI 相關創新技術應用於農漁畜業，透過引導學研界扣合農業需求，使創新科研成果與 AI 實際應用於解決環境、耕種及保鮮的問題，建立安全便利農耕及漁、畜飼養環境，讓農業邁向智慧化，翻轉臺灣農業成為具國際競爭力之輸出產業。科技部+文化部+經濟部：共同推動「跨虛實科技人文計算平台」，以推進國內文化元素的科技應用研發，建置虛實混合 GPU 算圖平台基盤及提供服務，加速注入文化元素的科技應用研發。未來將建置全新跨虛實算圖平台，可支應多元高速運算，動畫特效、VR/AR、即時算圖等功能，期能達到「激勵產業導入數位創新」、「加速內容創新及數位創意產業發展」及「促進先進數位科技、文化科技與內容創新應用研發」等效益，未來除能滿足國內文化產業發展所需，並發展符合國際水準之標竿技術。科技部+經濟部：刻正規劃推動「AI 101計畫」，鼓勵廠商提出實際遇到且可藉由 AI 解決的問題，也同步將培訓之 AI 人才媒合至產業界，將學界 AI 相關研發成果導入業界，尋求具體解決方案。計畫除希望提供企業解決方案外，也能僱用蹲點之 AI 人才，達到人才培育和增進就業的目標。除了與上述部會合作外，科技部亦積極與其他部會結合，如與金管會共同推動「金融科技創新創業」，與交通部及環保署共同合作「民生公共物聯網計畫」，發展自製 AQI 氣體感測元件，以扶植相關新創產業。 跨產業－透過 AI 加值，啟動智慧生活 為打通 AI 軟、硬體的任督二脈，協助臺灣全新升級 AI 研發環境，科技部推動「建構雲端服務及大數據運算平台」，發展前瞻智能應用之軟硬體技術與服務，橋接產業應用。未來 AI 運算資源服務除了原有政府與學研界使用的 50% 外，另 50% 將提供創新產業應用推動，涵蓋面向從硬體的核心裝置（如晶片、雲端運算系統及終端硬體），加上演算法技術（如深度學習/機器學習、開發平台架構、語音或影像辨識，及大數據趨勢預測分析），最終將人工智慧應用到金融科技、智慧製造、智慧醫療/健康及智慧交通等，透過AI之加值讓產業及民眾生活具體改變。又如「國際產學聯盟」計畫，亦橫跨生技、綠能、材料、半導體、金融科技、智慧照顧、農業科技、航太科技、智慧製造等前瞻領域，未來更將籌組...
人工智慧正席捲整個醫療保健領域，許多新創公司的落地場景包括重大疾病預測、放射學和藥物開發等領域，美國 Paige.AI 則選擇從癌症診斷入手。癌症診斷技術研發商 Paige.AI 近日完成 2,500 萬美元 A 輪融資，曾投資過 Facebook、被譽為美國風投第一人的吉姆‧布雷耶（Jim Breyer）領投，數位匿名投資者跟投，包括一家位於加州門羅帕克的投資機構。儘管 Paige.AI 宣布融資時才同時宣布公司成立，但據華爾街日報報導，知情人士稱其 2017 年就已註冊。病理學是癌症診斷的基礎學科，然而大部分病理診斷仍靠傳統人工判斷。這種診斷方式用時長，且容易出現誤診。比如乳腺活檢，病理學家通常需要審查約 60 張病理影像，才能確定患者有無患病，每張影像都超過 2,000 萬畫素，資訊量極大，但只有幾張影像與患病區域真正相關。儘管病理影像數位化已有十餘年，但醫療機構並未形成一套完善的數位化診斷流程，這些數位化影像較難派上用場。▲ 病理影像示意圖。Paige.AI 則針對這過程研發相關人工智慧技術，讓癌症診斷能流程化，幫助醫生縮小影像範圍，提高診斷效率和準確度，並降低診斷成本。電腦科學家將利用人工智慧和臨床工作流程結合，分析已有的病理影像，對治療的機率模型、醫療方案和圖形辨識等問題進行計算。因此，病理學家可將大部分時間用於解讀已有資料並制定詳細的診療計畫，而不是看著影像一個個數細胞。Paige.AI 表示，目標是讓基礎醫學人工智慧化，讓病理學和診斷原則從定性轉向量化。短期內開發一系列癌症診療模組；長期來看，將人工智慧引入整個診療及治療模型。不過，人工智慧的訓練離不開大型資料庫。據 Paige.AI 近日發表的新聞稿，已和美國紀念史隆‧凱特琳癌症中心（Memorial Sloan Kettering Cancer）簽訂全面許可協定，獲得其計算病理學資料的獨家使用權。凱特琳癌症中心資料庫是世界上最大的腫瘤病理檔案庫之一，過去 5 年致力於將病理影像數位化，擁有 60 年份數百萬張病理影像。華爾街日報指出，目前凱特琳癌症中心是 Paige.AI 的唯一用戶，但公司之後會繼續尋求與其他癌症中心合作。現階段 Paige.AI 將專注乳腺癌、前列腺癌及其他主要癌症研究，並於 2018 年推出首個產品──病理影像瀏覽應用。這一應用獨立於裝置，除了提供病理學家應用模組，還能整合到實驗室資訊系統，進而在臨床工作流程達到無縫應用。團隊方面，Paige.AI 目前有 5 名員工，此後計劃利用部分融資擴充團隊。創始人及首席執行長 Thomas Fuch 為凱特琳癌症中心數位和計算病理中心主任、康奈爾大學威爾醫學院教授，曾任職葛蘭素史克藥廠和 NASA；病理學研究負責人 David Klimstra 有 30 年外科病理學診斷經驗；電腦科學家 Peter Schüffler 為瑞士蘇黎世聯邦理工學院博士，有十年機器學習、病理學、放射學相關經驗。總地來說，人工智慧在醫療方面的應用有 3 部分：輔助診斷、決策支援系統、手術支援系統，Paige.AI 專注前兩個部分。中國有騰訊投資的「覓影」主攻癌症早期診斷，阿里和萬里雲的「Doctor You」AI 系統和一脈陽光等主攻醫學影像診斷，雲知聲、科大訊飛、惠醫惠影等主攻語音病例診斷；國外還有 Grail、Freenome、沃森腫瘤（Watson for Oncology）等公司關注癌症診斷。（本文由 36Kr 授權轉載；圖片來源：Paige.AI）延伸閱讀： DeepMind 再強化醫療 AI 功能，可同時診斷 3 種常見眼部疾病 IBM 研究團隊用人工智慧預測精神疾病，準確率高達 83% 病理「數位化」，Proscia 用 AI 提升病理診斷精確度 每年消化 5 萬篇新研究，「華生」幫人類打贏抗癌戰
Google 官方部落格週三透露，智慧家居品牌 Nest 將重新加入 Google ，與 Google 的硬體團隊合作。此次回歸與 Google 近年不斷加碼智慧硬體有很大關係。Nest 聲明指，Google 2017 年對硬體的投資組合增加了一倍，2017 年銷售的智慧裝置比前兩年總和還多。越來越多人開始在生活中使用 Google Asistant。透過合作，Nest 與 Google 可將硬體、軟體和服務結合。據了解，Nest 現任 CEO Marwan Fawaz 將向 Google 硬體主管 Rick Osterloh 匯報，此次合併意味著 Google 的人工智慧技術，比如 Google Asistant，會更融入 Nest 的智慧家居產品。Nest 與 Google 的關係也經歷一番不小折騰。2014 年初，Google 以 32 億美元高價收購 Nest，當時引起智慧家居市場巨大的反應。Nest 旗下主要產品包括恆溫器和智慧煙霧探測器等。Google 當初出高價也是看中這家新創公司在智慧家居領域較早且成熟的專利布局。但一年後，Google 架構性重組。除了保留搜尋、地圖、YouTube、Android、廣告和應用業務，其餘業務改歸在母公司 Alphabet 旗下。Nest 隨後經過了產品爭鬥和 CEO 離職，同時 Google 更關注智慧家居產品，推出語音助手 Google Asistant 及智慧喇叭 Google Home，與亞馬遜 Echo 正面競爭。把 Nest 找回來是為了「超越 Nest 的使命」，聲明如此寫道，「透過合作，我們將繼續結合硬體、軟體和服務，創造更安全、更友好、更聰明的家。」Google CEO 桑德爾·皮蔡（Sundar Pichai）在第四季財報電話會議時也暗示了這點：自從我們的團隊緊密合作，已有良好的開端，今天我們很高興讓 Nest 成為 Google 投注硬體的重大組成部分。（本文由 36Kr 授權轉載；首圖來源：Nest）延伸閱讀： 快被人遺忘的 Nest，發表了一款高「智商」家用監控鏡頭 Cam IQ Nest 之亂：對 Google 的智慧家居、物聯網以及智慧硬體意味著什麼？