在第四季財報電話會議上，蘋果執行長庫克（Tim Cook）提及一款專為皮膚科醫生所設計、使用 Core ML 技術的醫療 App《VisualDX》，只需利用手機對皮膚患部拍照，經分析可得知感染的疾病或皮膚的狀況，因而受到國外媒體關注。《VisualDX》內建專屬的皮膚資料庫，儲有 2,900 筆診斷紀錄、40,000 張皮膚圖片，由皮膚專科與醫生收集、用於辨識病況。醫生可使用安裝《VisualDX》的 iPad 或 iPhone，開啟「DermExpert」功能拍下患者的皮膚表面，再透過機器學習技術自動辨識皮膚狀況、或是縮小罹病的範圍。▲ 以 DermExpert 功能拍下患部，透過機器學習技術辨識皮膚狀況。（Source：VisualDX）蘋果積極拓展醫療領域，推出許多開發工具，期望協助醫療人員收集數據、進行醫療研究。庫克表示《VisualDX》是醫療診斷的創舉，在於利用蘋果所開發的機器學習技術 Core ML 來自動化皮膚圖像分析，協助醫生進行診斷。也因為《VisualDX》採用了 Core ML，使得整個流程能在醫生手上的 iPad、iPhone 直接運行機器學習的演算法，而非上傳圖像數據到第三方的雲端伺服器進行分析，可保護病患的就診隱私不外流。從使用《VisualDX》拍照辨識病況的模式，更為未來醫病發展提供新方向。執行長 Art Papier 向國外媒體 Business Insider 透露，正在開發一般民眾可使用的 App《Aysa》，同樣可對身體部位拍照、並回答一些簡單問題，用以確認膚況是否需要馬上就醫，或者只是一般皮疹而已。儘管《VisualDX》已經上架至 App Store 與 Google Play，但並非適用於一般手機使用者，而是針對具有專業資格的皮膚科醫生。開發商提供一年 99 美元（約台幣 3,000 元）的訂閱方案，另有一年 499 美元（約台幣 15,100 元）的完整方案，提供更多醫療資訊，訂閱可透過應用程式內購買（In-App Purchases）的方式獲得加值功能。 Apple (AAPL) Q4 2017 Results – Earnings Call Transcript Apple CEO Tim Cook gave a shout-out to...
蘋果 Vision 框架的發表，意味著開發者可在 App 使用深度學習演算法和許多其他電腦視覺技術。那麼，支援這創造性革新的背後，蘋果團隊面臨哪些挑戰？日前蘋果在官網發文，首次揭露這些資訊。整理詳情如下。蘋果在 iOS 10 開始使用深度學習技術。隨著 Vision 框架發表，開發者可在 App 使用深度學習技術和許多其他電腦視覺演算法。蘋果開發 Vision 框架時，為了保護使用者隱私，讓演算法高效執行，面臨巨大的挑戰。下面介紹這些挑戰。蘋果首先透過 CIDetector 類在 Core Image 框架發表了人臉檢測公用 API。蘋果內部應用程式也使用這個 API，例如 Photo。CIDetector 最早版本使用的是一種利用 Viola-Jones 的檢測演算法，基於傳統電腦視覺技術的進步，CIDetector 持續改進。隨著深度學習出現以及電腦視覺問題上的應用，這些頂尖技術在人臉檢測的精準性取得前所未有的巨大進步。為了利用這些技術帶來的轉變，蘋果徹底重新思考方法。與傳統電腦視覺相比，深度學習學到的模型需要更大的記憶體、更大的儲存空間和更多計算資源。雖然手機發展到現在，已具備各種各樣的功能，但傳統高階手機並不是適合訓練深度學習視覺模型的平台。大多數行業透過雲端 API 提供深度學習解決方案解決這個問題。在那種雲端解決方案中，圖像發送到雲端伺服器，然後再利用深度學習來推理、檢測人臉。雲端的服務通常使用性能強大的桌面級 GPU，具大量可用記憶體。當碰到非常大的網路模型，或可能要配置大型模型時，都可在伺服器端運行，這能保證用戶端（可能是行動電話）可在雲端（在本地無法執行）運行大型的深度學習架構。蘋果 iCloud 照片庫是一個基於雲端的圖片和影像儲存解決方案。不過，由於蘋果之前承諾，絕不侵犯用戶隱私，所以他們不能利用 iCloud 伺服器進行電腦視覺計算。所有發送到 iCloud 照片庫的照片和影片在發送到雲端儲存之前就在裝置上編碼，且只能透過註冊過的 iCloud 帳戶裝置解密。因此，為了帶來深度學習的電腦視覺解決方案，必須直接在 iPhone 執行深度學習演算法的挑戰。除了這一點，蘋果還面臨諸多挑戰。 深度學習模型需要裝配到作業系統，占用本來就很稀少的 NAND 儲存空間。 此外，它還需要載入 RAM，使 GPU / CPU 的計算時間大大延長。 與雲端服務不同，雲端資源可分配，用來單獨解決視覺問題；想在裝置進行計算，則需要在與其他正執行的應用程式共用系統資源。 最後，計算必須夠高效，能在相當短的時間內處理大型圖片庫，並且讓手機電量不會消耗過快，手機也不能產生明顯發熱。 An On-device Deep Neural...
18 日，美國《時代》雜誌評選並公布了一份 2017 年 25 款「最佳發明」榜單。這份榜單中，憑藉一塊「異形螢幕」深入人心的蘋果的 iPhone X、代表特斯拉在汽車製造業更高造詣的 Model 3、幫助任天堂力挽狂瀾的 Switch 均有上榜。還有哪些「最佳發明」上榜？它們又身懷哪些「絕技」能讓《時代》雜誌選中？下面不妨逐個來看看（排名不分先後）。全球首款社交機器人──Jibo▲ Jibo 社交機器人。（Source：Jibo）相比 Google 的Google Home、亞馬遜的 Echo、蘋果 Homepod 這 3 款一答一應的家庭智慧喇叭，Jibo 則充當「機器人伴侶」的角色。儘管 899 美元售價對大部分用戶而言並不便宜，但在科技層面上，它為後來的「社交機器人」開創了人與機器人社交互動的先河。Jibo 由麻省理工學院的科學家 Cynthia Breazeal 設計，採用相當可愛的圓形組合。這款機器人擁有一塊圓形的大螢幕為「臉」，我們可透過這個螢幕了解 Jibo 的喜怒哀樂；「頭部」收音「耳朵」可透過聲音來源方向 360 度旋轉；經過學習用戶行為習慣，Jibo 可由自帶喇叭與螢幕達到智慧提醒、根據你的心情與你互動。為醫學界貢獻的 AR 眼鏡──eSight 3（Source：eSight）AR 擴增實境技術在今年飛速發展，這項技術除了應用在電子裝置的娛樂功能，也在醫學範疇得到應用，eSight 3 就是一款透過 AR 技術幫助視障患者恢復清晰的眼鏡。透過高速高畫質的攝影機替補患者「眼睛」，鏡頭捕捉的畫面資訊會即時傳輸到 eSight 3 處理器，進行品質與對比度增強處理，處理後的畫面會傳輸到用戶眼前兩個 OLED 螢幕。用戶可透過遙控器設置眼鏡的顯示色彩、對比度、焦距、亮度和放大倍率。迄今為止，eSight 3 已用於超過 1,000 名患者，功效顯著。當然，這款擁有強大功能的眼鏡定價也不便宜，9,995 美元讓不少人望而卻步。不過它所帶來的是目前其他裝置並不具備的功能，能幫助視障者看清世界，相信這個花費相當值得。吃多也不會肥的冰淇淋──Halo Top與前面兩款「黑科技」裝置比較，Halo Top 低調很多。外表看起來，Halo...
過去新創公司要進入半導體產業幾乎難如登天，但隨著人工智慧對運算效能的需求更高，給了有志打破產業規則的新創公司一個機會。這幾年風險投資資金大量進駐，半導體似乎出現新生態，但新創晶片公司面對英特爾與 NVIDIA 等有深厚產業知識與資金的巨人在前，很難殺出一條血路。麻省理工科技評論（MIT Technology Review）報導，2017 年風險投資人對人工智慧晶片新創的投資資金達 1.13 億美元，為 2015 年全年 3 倍之多，其中英國半導體新創公司 Graphcore 剛從矽谷風投紅杉資本募得 5 千萬美元。發展人工智慧晶片的新創有 Mythic、Wave Computing、Cerebras、中國深鑒科技（DeePhi Tech）與寒武紀科技（Cambricon），寒武紀科技最近拿到中國政府一筆 1 億美元投資。為什麼新創公司有機會，報導指出，現在許多企業重金投資可運行深度學習系統的硬體，突顯現存晶片的限制，譬如 NVIDIA 的圖形晶片是以數以千計的微型電腦並行運作來渲染像素，透過一些調整，已可運作深度學習演算法，但也涉及大量的並行計算，最大的缺點就是太耗電。卡內基美隆大學還要求研究人員縮短晶片使用時間，因為這會給學校的電力系統帶來壓力，他們正在尋找替代能源緩解這個問題。新創公司計畫生產效能更高的晶片，但他們真正想的是生產人工智慧應用的客製化晶片。現在新一代晶片將多個處理功能結合至一個步驟，而圖形晶片是讓多個步驟產生同一個結果。前者的功能通常綁在一起，以優化特定用例，例如幫助自駕車發現潛在障礙的訓練演算法。Graphcore 預計明年第一季出貨，聲稱其晶片執行同樣任務比其他產品快 10~100 倍。寒武紀的客戶華為也表示，針對深度學習應用如訓練演算法與辨識影像等，寒武紀的晶片比圖形晶片快 6 倍。而許多專注機器人或電腦視覺等先進應用的產業人士認為新創公司提供的晶片，確實有助於這個領域的研究進度。當然晶片巨人不會坐以待斃，英特爾即將發表一系列新處理器，是由先前購併的機器學習新創公司 Nervana Systems 設計，NVIDIA 也加緊腳步升級自家晶片。另一個挑戰是新創主要設計高度專用化硬體，需歷時好幾年才能上市，到時候產業發生什麼變化很難預測。但如果新創公司設計的晶片涵蓋層面太廣，就可能得犧牲性能層級，無法與大公司競爭，有些可能最後會以被購併告終。小蝦米對抗大鯊魚，自古就不是件容易的事。 The Race to Power AI’s Silicon Brains （首圖來源：Flickr/Masaru Kamikura CC BY 2.0）
2017 人工智慧年會 10 日特別邀請到 DeepMind 工程師黃士傑來暢談發展 AlphaGo 的心路歷程，除了分享協助 AlphaGo 下棋時幾個感到意義重大的時刻，他也對 AI 未來的發展提出一些看法。黃士傑表示，之所以會開始發展 AlphaGo，一切都是與 20 年前西洋棋王與 IBM「深藍」的對局有關。在西洋棋被 AI 打敗後，人們開始將焦點轉到更複雜的圍棋，研究人員試著用西洋棋那套去設計下圍棋的 AI，但棋力始終無法突破業餘三段，這也讓許多人相信圍棋是 AI 最終挑戰。DeepMind 創辦人 Demis Hassabis 可能也有相同的想法，他在 2011 年成立公司後便找來劍橋大學的同事 David Silver 一同發展，黃士傑則是在 2012 年加入 DeepMind。其實 2011 年 DeepMind 就已與黃士傑聯絡，當時黃士傑設計的 ERICA 運用單薄的硬體設備擊敗了其他國家的 AI，贏得電腦奧林匹克（Computer Olympiad）19 路圍棋冠軍。但當時的 DeepMind 並沒有透露想發展圍棋的意思，因此儘管收到 Silver 來信邀約，黃士傑還是先前往加拿大擔任電腦圍棋研究員，直至隔年才決定加入 DeepMind，成為 DeepMind 的第 40 號員工。黃士傑表示，加入 DeepMind 的第一年，團隊只是埋頭進行 AI 相關研究，但...
眼見 PC、智慧手機成長降溫，晶片業者莫不加緊腳步，人工智慧（AI）研發賽正式開打。華爾街日報 9 日報導，科技市調機構 IDC 預測，2021 年全球 AI 相關軟硬體支出，有望從今年的 120 億美元膨脹至 576 億美元，其中大部分將投入資料中心，預估 2020 年會有四分之一貢獻給跟 AI 相關的運算處理。根據 PitchBook Data Inc. 統計，民間投資人今年對 AI 硬體的投資總額，已拉高近一倍至 2,520 億美元。繪圖晶片巨擘 Nvidia Corp. 過去 12 個月的資料中心相關營收，幾乎成長了 3 倍，來到 14 億美元，而其股價過去兩年間更暴漲近 7 倍。英特爾（Intel Corp.）也未停下研發步伐。2016 年英特爾購併了 AI 深入學習公司 Nervana Systems，目前正在跟 Facebook 等業者合作，開發以 Nervana 技術為基礎的晶片，試圖在今年底超越 Nvidia 的 AI 晶片運算能力。另一方面，超微（AMD）聚焦 AI 的 Radeon Instinct 系列繪圖晶片處理器，也在最近開始出貨，客戶包括百度（Baidu...
AI 領域存在很久，但是過往相關人才並不好找工作。如今風水輪流轉，變成各方都在搶 AI 人才，就連政府也很快立定政策目標，要好好發展 AI 領域。11 月 9、10 日在中研院舉行的台灣人工智慧年會，場內爆滿的聽眾關注產業和學界大老對 AI 發展的建議和學術發表，場外絡繹不絕的人逛廠商攤位，攤位工作人員熱切招募人才，深怕這波 AI 熱潮下，不夠努力被淹沒。 廠商擺攤積極招人才，傳統 AI 應用廠商繼續精進技術 關於 AI，有很多可以運用的場域，如圖像辨識、文字辨識、語音辨識、自然語言處理。其中 AI 用在圖像辨識的發展歷史悠久，相關技術也相當成熟。因此 AI 大會上面有相當多的學界人士投稿論文和參與大會，許多團隊是做圖像辨識技術，也不足為奇。聯發科除了手機晶片外，還有用在影像辨識的晶片，當然聯發科也不忘趁著大會期間努力求才，積極招覽大會到攤位填資料。 ▲ 國泰金控的攤位使出花招，積極招覽資訊人才。 ▲ 玉山金控的易拉寶，列出徵求的職位所需技能。 不知道湊巧還是剛好，聯發科的人在場內演講。聯發科技術副理王淳恒 Andrew，用數據玩股票多年，專精用機器學習用在金融上面。但知道光靠數據分析專長難以養活一家人，所以選擇從事晶片設計工作。最近幾年 Andrew 則是上 Kaggle 平台解決各大公司發出的難題刷積分。以前靠數如今聯發科也有不少跟 AI 有關係的產品，像是影像辨識晶片，有跟上這波 AI 趨勢。 ▲ 傳統數據分析專家不受重視，但隨著 AI 發展身價水漲船高。 電腦防護公司趨勢科技出現在 AI 大會上面並不令人意外，因為要找出病毒資料庫未登錄的惡意程式，必須由 AI 找出有可疑活動的惡意程式。而最近幾年出現的即時競價廣告系統的公司，也在會場擺攤宣傳公司以及招募人員。 傳統屬於寡佔事業的銀行，也很緊張在會場擺攤，準備很多紀念品，要吸引到場的技術人填問卷，希望能收集業界人才資料，從中找到屬意人才。但是銀行面臨新時代的挑戰，有許多可以做的事情，但也面臨政府管制的問題，銀行 IT 人員需要處理的事情相當多，其中又有多少能發揮在較具前瞻的專案上面，令人存疑。 ▲ 各家廠商努力發傳單，要招覽人才。 跨界合作辛苦但是仍得持續進行...
近來，頻頻為台灣科技產業的發展提出想法，並且發聲的科技部長陳良基，就針對國內科技產業未來的藍圖規劃，他的輪廓是甚麼？又將要如何來執行？這次就請他為我們來說詳細解說！產業尋找客戶想法與體驗 政府規劃群體投資首先，對於當前國內的科技產業面臨發展的瓶頸，要如何尋找為國內廠商尋找下一波的發展動能的問題，科技部長陳良基表示，當前的科技發展是一波緊接著一波前來，就像是科技產品推出新的之後，舊的會隨之淘汰更新一樣。但是，每一代產品之間的生命週期變短了，而且還要在這縮短的期間內，找到對的下一個發展方向，這才是科技產業發展的困難所在。 而這近十年來，台灣的科技產業走向都跟隨著當紅的產品，也就是智慧型手機的發展走，這是延續之前個人電腦的發展狀況。不過，因為台灣廠商過去都是習慣去尋找一個單一大客戶，去接一個大訂單來生產的模式，並不擅長個別去尋找終端用戶。所以，這個階段無法掌握終端用戶的實際想法與體驗情況下，產品難以合乎市場需求，使得整個產業發展也已經不同於個人電腦時代的風光了，這也使得許多廠商感慨有走不出去的感覺。因此，在後來 HTC 這個台灣少數能夠在終端尋找客戶的廠商出現時，開始讓大家對其有所期待，也使得 HTC 能在一段時間為人所追捧的原因。而回到要獲取終端用戶的想法與體驗結果上，陳良基還是認為，在台灣的科技廠商中，除了 HTC 之外，還是在上千家的廠商中有少數做的不錯的範例，找到了客戶所需要的產品方向，然後大量投入研發，給予客戶最適合的產品。陳良基舉例表示，曾經在矽谷見過一家由台灣人創辦的生產主機板廠商，就是緊貼著雲端伺服器或儲存裝置的低耗能、高效能需求，研發客戶所需要的高度客製化產品。這使得這家公司在號稱高科技園地的矽谷，一樣能以生產主機板生存。找夥伴、打群架、結盟主因此，陳良基認為，要獲取終端用戶，且不論是消費者或是科技大廠的想法與體驗，事實上都必須花費很大的投資。而台灣廠商在看準了的一個市場之後，經常礙於能力與財力，雖然無法單獨的進行投資。但是，現在可以藉由結合周邊的力量來合作，建立打群架的概念。就如同台積電 2005 年當時，看準了開發創新設計平台 (Open Innovation Platform），集合了各個合作夥伴一起來投資，造就今天台積電在晶圓代工的龍頭規模一樣。所以，科技部希望在這個關鍵的計畫上，藉由產學聯盟計畫的建立，開始協助台灣廠商找夥伴、打群架、結盟主。 陳良基以台積電的例子說明，台灣科技產業藉由這樣供應鏈合作的基礎，要勇敢的說出「我就是要做全世界第一」的概念，而不要再想過去以低價競爭的策略。陳良基指出，當年雖然有關人工智慧的機器學習還沒有開始，但他就曾經對國內 IC 設計大廠聯發科提議，應該從那時的 8 核心，投入現在加入工至智慧運算的 64 核心晶片研發。只是，當年聯發科在龍頭高通都還沒有進行相關研發計畫下，不敢花費打大筆資金大膽投入研發，所以錯過當前搶攻市場的好機會。因此，科技部在這樣的架構上，希望藉由各個產學聯盟的建立，除了連結國內的各個科技廠商之外，也能藉台灣學術界在科技研發上的力量，與國外科技大廠介接經驗，期望能帶動整個產業界的新一波科技產業發展。陳良基表示，事實上，因為學術單位很會想題目，解問題。因此，讓學術單位發想題目及產品，然後再將其研究的結果，落實到由產業界來進行生產與商品化。產業聯盟建構一條龍產業發展步驟而這樣的產學聯盟，過去已經在半導體業界，尤其在 IC 設計業界行之有年。現在，科技部希望將其落實到整個科技發展上，在 2016 年已經透過這個方式帶領了一千家的各類廠商參與科技產業聯盟的連結，2017 年預計數量再要倍增到兩千家。而這些廠商不僅是科技產業，而是希望將所有產品都帶入科技的元素。只是，這些科技元素的取得，往往需要大筆資金的投入。這時候，藉由產學聯盟的模式，問題就可以進一步獲得解決。 另外，陳良基還指出，在產學聯盟的架構上，很多中小企業不一定有技術能力能夠參與。因此，就必須設計設立類似資科技服務公司，聘請高科技背景人才來協助中小企業。陳良基以人工智慧產業發展為例，因為許多的人工智慧開發與應用，都必須依靠資金與人才。所以，透過產學聯盟的管道，為各個企業提供資源。經過這樣的準備後，預計人工智慧從當前在 Google、微軟、IBM 等大公司的使用，一直下放到一般消費者運用的時間，還有 4 到 5 年的情況下，國內這樣的產學聯盟合作發展，預計屆時帶動台灣科技產業有另一波的大成長。此外，陳良基也表示，類似資科技服務公司的作法，目前正在一步步的建立中。就人工智慧的部分來看，要讓各個產品加入人工智慧的元素，雖然是必須的。但是，不見得每一家公司都有獨立的財力與能力來完成。因此，一但有完整的模式可以導入，對這些企業來說就會方便簡單許多，也能有更大的經濟規模。所以，科技部日前與輝達（NVIDIA）攜手建構國內的超級電腦，以發展人工運算平台就是這個概念。透過人工運算平台的學習，將結果再交由企業去進行產品導入，這樣就能加快速度，且服務更多的企業。先由產業定方向 再由教育補人才至於，當談到在這些產業發展計畫上，始終都不能缺少的人才培育，科技部要如何來為當前產業界解決時，過往從學界轉到政界服務的陳良基指出，當前的人才不足狀況並非實際的人才培育，不能滿足企業的需求，而是企業界在未定好下個階段的發展目標前，需求甚麼樣的人才一直不明確。而這也使得學校不能在正確的領域中，培養出有專業技能，且合乎產業界需要的學生，也使得這一代的學生在學習與求職過程中顯得比較茫然。因此，科技部在人才問題的解決方式上，陳良基就以先訂出產業發展方向為優先。也就是藉由發展人工智慧這一個項目，並透過協助工協會來舉辦CEO的論壇，以告知產業界如何參與，並凝聚共識之後，自然學生與海外學者就會陸續響應。陳良基指出，目前已經有學生會開始針對這樣的方向，開始更多相類似的學習計畫。也有海外學者針對這樣的產業主軸貢獻經驗，甚至願意回國服務。如此，在有更多相關人工智慧人才的情況下，就能夠逐漸填補目前產業界人才的缺口。而除了藉由產業界的目標發展，吸引人才的培育與回流之外，重要的人才培育關鍵還是在學校教育本身的體制上。陳良基坦承，目前的學校教育的確有很大的問題在阻礙專業人才的培育。但是，這是很大的結構性問題，短期間內也無法改善。因此，陳良基思考，先從一的部分下手解決，也就是從學位法的改進方向來執行。期望這部分通順之後，其他結構性的問題也能夠隨之改變。射月計畫儲備人才 填補台灣半導體不足之處陳良基解釋到，當時在教育部著手修學位法的原因，是希望效法國外學生進大學時 「選校不選系」 的方法。也就是一開始學生不論選甚麼系進大學，待後來產業界對於人才的需求，需要哪一個層面專業人才多，就多給予哪一個方面的專業學習與學位。如此，不但可以因應產業界的變化，隨時彈性調整人才的供給。而且還可以得到跨領域的人才，使得產業界獲得更多的創新能量。 最後，在人才培育的 「射月計畫」 上，科技部希望借助政策的引導，來讓人才的培育朝向產業需求的方向走。陳良基解釋到，以目前定調國內科技產業發展人工智慧的政策來說，國內當前半導體產業幾乎都是未來人工智慧不可或缺的一環。尤其，預計在 4 到 5 年後，人工智慧將滲透到每一個人身邊的設備時，那時候就必須要以強大的半導體生產與研發為後盾，來支持這樣的產業發展。因此，射月計畫就是面對未來人工智慧產業的發展，哪些半導體領域的專業能力是國內產業界仍不足的部分。就透過政府政策的協助與前期投資，藉以累積人才與技術。陳良基表示，既然人工智慧未來會進一步滲透到每一個人周邊的生活中，則無線射頻技術、高效能電池電路設計、精密感測元件、甚至智慧化晶片設計都是不可或缺，但這些又是台灣產業界比較弱項的部分。因此，透過射月計畫的施行，累積人才與技術能量後，在未來產業進一步發展下，產業界就能搭順風車前進。（首圖來源：《科技新報》攝）
iPhone X 規格曝光，預告手機未來趨勢：3D 感測、擴增實境與人工智慧， 非蘋陣營手機品牌商也已跟進布局，與蘋果互別苗頭。蘋果想再次定義未來10年智慧型手機的技術、稱霸市場10年，能否成風潮，看競爭對手的動態就知道。蘋果預告科技三大走向 非蘋果陣營積極投資布局目前，不管是 3D 感測鏡頭技術、AR 擴增實境和人工智慧晶片，蘋果之外的手機廠商早已動了起來，積極投資。在 3D 感測技術，最值得注意的公司是深圳的奧比中光。去年，市場上還在為聯發科投資指紋辨識公司匯頂，股價大漲感到興奮時，聯發科卻悄悄以 3.5 億美元代價，投資這家 3D 感測公司，跨進另一個生物辨識領域。回頭檢視，聯發科的投資時間點極為精準。奧比中光的創辦人黃源浩在接受採訪時透露，早在 2015 年 11 月，奧比中光就開始銷售 3D 感測器。這家公司也是中國第一家能設計、生產 3D 感測器，並且擁有完整的解決方案，是少數已有現成產品的廠商。在聯發科加持下，OPPO 正積極和奧比中光合作，讓手機配備 3D 感測和 AR 功能。回到台灣，8 月 30 日，高通和奇景光電共同宣布合作，推出一款 3D 感測產品，整合高通 Spectra ISP 訊號處理器，以及奇景光電的晶圓級光學元件（WLO），預計 2018 年第一季投產。小米新一代的旗艦手機計劃採用高通和奇景的產品；華為則是預計和以色列 Mantis Vision 公司合作。「Android 陣營的手機，要到 2018 下半年才能跟蘋果競爭。」一位分析師觀察。硬體明年第一季就能量產，為何 Android 陣營的手機產品要明年底才能配備 3D 感測功能？演算法與應用未成氣候 3D 感測還難以追上蘋果腳步「相關的演算法和應用還沒有準備好」，他分析，雖然明年初已經有相關零組件，但是必須要有正確的演算法，才能讓不同設計的手機，都正確依照手機發出的訊號，計算人臉大小，而且，就算能讓手機偵測正確的距離，缺乏應用程式也是一大問題。相反的，蘋果已累積不少特別的應用，如擴增實境表情符號 Animoji、能讓表情符號跟著你的表情一起動，還開發一款擴增實境相機、能幫你在大型活動中搜尋朋友，蘋果陣營還提供擴增實境遊戲，像喪屍射擊遊戲《Our World》、虛擬寵物遊戲《The Very Hungry Caterpillar》等；非蘋陣營的手機品牌商則還沒有明確、豐富的應用情境。今年...
大多數的軟體故障（Software bug）最多會讓你電腦當機，但絕對不會殺了你。不過，如果把場景換到自動駕駛汽車上，恐怕一旦出錯就是致命的了，畢竟誰也承受不了一輛疾馳的汽車在錯誤的時間做出錯誤的決定。為了消除人們的擔心，研究人員專門開發了尋找軟體故障的方法，它能有系統地揪出線上服務和自動駕駛汽車上深度學習演算法的錯誤決定。不過，想揪出 AI 的錯誤，還是得靠 AI。這種名為 DeepXplore 的糾錯方法背後至少有 3 套神經網路（深度學習演算法的基礎架構）。投入使用時，它們會相互進行對照檢查。DeepXplore 由哥倫比亞大學和理海大學共同研發，其主要目標是解決最佳化問題，即在最大化神經網路中神經元的觸發數量和在不同的神經網路中觸發盡可能多的衝突決策中找到最佳平衡。當然，這種方法也有個前提，那就是假設大多數神經網路在通常狀態下會做出正確選擇。隨後，DeepXplore 會自動對那些懷有異見的神經網路進行「再教育」，讓它們學會「跟隨潮流」。「這是一個完全不同的測試架構，它能找到自動駕駛系統和類似神經網路系統中出現的數千種錯誤。」裡海大學計算機科學助理教授 Yinzhi Cao 解釋。據了解，10 月底在上海舉辦的 SOSP 大會上，Cao 和他的同事就憑藉一篇論文技驚四座並拿下大獎。該團隊的獲勝意味著業內對深度學習中潛藏的軟體故障越來越關心，像 DeepXplore 這樣的除錯工具未來將有一番新天地。一般來說，深度學習演算法在做特定任務時是有人幫助的，技術人員會在大量的訓練數據中標出正確答案幫 AI 進步。這樣的方式讓深度學習演算法在某些測試數據集上準確率突破了 90%，在執行 Facebook 的人臉辨識和 Google 翻譯的句型選擇時能派上大用場。當然，在這種使用場景下，出點小錯根本無傷大雅。▲ DeepXplore 找出了輝達 DAVE-2 自動駕駛軟體的致命錯誤（右）。（Source：研究論文） 如果說以上的應用場景 AI 準確率已經能讓人滿意的話，在高速上行駛的大卡車恐怕就達不到要求了，畢竟一個小小的錯誤可能就會釀成大禍。想讓政府監管者放行自動駕駛汽車，就必須向他們證明自動駕駛汽車能達到非常高的安全水準，或者用隨機測試集考驗它時不會輕易被揪出那些會帶來災難的「極端情況」。「我認為安全和可靠 AI 的理念與可解釋 AI 如出一轍。」Suman Jana 說，他是哥倫比亞大學的計算機科學助理教授。「透明、可解釋和穩健這三大特點在機器學習系統與人類攜手工作或驅動自動駕駛汽車上路之前，還有許多地方有待提升。」Jana 和 Cao 所在的團隊有許多研發者是軟體安全和除錯專家，在他們的世界裡，即使是那些準確率高達 99% 的軟體也不安全，因為駭客會找到系統故障的地方並趁虛而入。不過，在當下的 AI 行業中，深度學習研究者將錯誤當成整個訓練過程中非常自然的一部分。因此，這個團隊非常適合擔起大任，成為 AI 世界中的「Bug 獵人」，幫演算法找到一個除錯的綜合方案。眼下，在為自動駕駛汽車的神經網路除錯時，會用到一些相當沉悶且隨機的方法。其中就包括研究人員手動創造測試圖片並將它們「餵」給神經網路，直到 AI 做出錯誤的選擇。第二種測試方案名為「敵對測試」，AI 會自動生成一系列測試圖片，透過調整其中細節發揮欺騙神經網路的作用。DeepXplore 的方法與以上兩種有所不同，它自動創造的圖片會讓 3...