市場情報公司 Tractica 9 月 5 日指出，2017 年消費者人工智慧（AI）市場（包括硬體、軟體、服務）產值預估將達 27 億美元，高於 2016 年的 19 億美元，2025 年規模預估將達到 421 億美元。Tractica 首席分析師 Jessica Groopman 指出，消費者 AI 市場目前是由 Google、亞馬遜、Facebook、百度、蘋果等當代網路巨擘所引領。CNBC 報導，RBC 資本市場 3 月 9 日指出，Echo 智慧音箱內建的 Alexa 雲端數位助理可望成為亞馬遜的金雞母，2020 年預估將為亞馬遜創造出 100 億美元的營收。RBC 預估到 2020 年 Alexa 裝置累計銷售量將達到 1.28 億台，單單在 2020 年就可賣出 6 千萬台，若以 85 美元的平均售價來計算，將可創造出 50 億美元營收。根據 CNET、分析師以及亞馬遜的估計，2017 年德國柏林消費性電子展（IFA）上有多達 30 種支援 Alexa...
在科技發展之下，許多人都擔憂會被人工智慧（AI）搶走工作，但人們要擔心的可能不只這些，未來員工的工作績效評估，很有可能也會掌握在 AI 手中。福斯新聞（FOX News）報導，機器學習公司 Wildebeest 執行合夥人 Ran Craycraft 近日透露，他認為透過收集員工工作品質相關的數據，AI 很快就會用來評估員工的生產力。「作家的產值可輕易根據所寫作品的數量、複雜度和情感來評估；在銷售員方面，則可從電子郵件的寄送數量、得到的正反面評價來衡量業績。」軟體公司 Headliner Labs 的執行長 Dana Gibber 也表示，這些評估工作品質的 AI「專員」被認為非常有價值。「因為它們能給予管理者關於員工的關鍵見解，並鼓勵員工拿出最佳表現、提高效率。」以軟體開發團隊的情況來說，AI 將可從團隊成員每天寫多少代碼、休息多少次、工作的品質評估個人表現，只要有一個成員偷懶，老闆就能馬上察覺。（Source：shutterstock）人資收購和管理公司 ClearCompany 的執行長兼共同創始人 Andre Lavoie 則指出，如果有必要，AI 甚至可以追蹤每個人瀏覽網路或其他相關活動的時間，甚至閒置時間也能追蹤並向雇主報告數據。類似能追蹤員工瀏覽習慣的工具其實並不少見，為了確保員工不違反工作場所規定，美國許多企業都已廣泛使用。那麼運用 AI 又能做什麼特別的呢？產品研發企業 Nintex 發言人 Matt Fleckerstein 認為，AI 的不同之處，是可以幫忙確定使用者的意圖。舉例來說，一個員工持續大量瀏覽網路文章，或許是為了開發正在了解相關研究數據，或是撰寫相關市調報告。Fleckerstein 表示，透過將上網的內容與實際工作的表現互相關聯，AI 就可辨別是否與工作相關。「AI 能辨識上網是促進、減少了銷售表現，或是創造更多銷售管道，或只是與表現毫無關係的舉動。」Fleckerstein 強調，AI 主要是用來提高生產力，而不是監視偷懶的員工。他們希望藉由 AI，讓員工知道如何改善做事效率。這聽起來是很理想的狀況，但只怕事情不會如此順利發展。在 AI 的行為監控之下，誰產出最多工作，誰又花了太多時間瀏覽網路、往返茶水間泡咖啡，員工的一舉一動或許都會納入評估。可想而知，這些 AI 專員將會受到老闆的熱烈歡迎，但 Craycraft 認為，新的問題也會隨之出現，「當員工因為老闆並未親眼所見的事受責怪時，就是我們開始踏入灰色地帶的時候。」「員工不會喜歡更多監視出現，屆時勞工可能會組織起來反對 AI，就像過去歷史上出現的工會與自動化的鬥爭。」 How Artificial Intelligence will tell if you’re slacking off at...
在現在 AI 風潮之下，IBM Watson 計畫算是很早就開始進行，並且早在 AI 吹進大街小巷前就有跟如商業、醫療等領域合作。但 STAT 調查發現 Watson 與醫療機關合作推薦最適合的癌症治療方法 Watson for Oncology，仍卡在最初步──辨識這是哪種癌症，並不如 IBM 宣傳的那麼神。醫療產業的產值有數十億規模，但實際採購 Watson 系統的醫院寥寥可數。STAT 實際造訪用 Watson 系統的醫療機構，到過南韓、斯洛伐克及美國佛羅里達州南部，訪問醫生、人工智慧專家、IBM 高層。STAT 的結論認為 IBM 太急於用 Watson 創造營收，因而大肆吹捧 Watson 的效果，忽略實際部署到醫院後面臨的挑戰。IBM 也並未針對 Watson 成果發表論文，因此當 Watson 經第一線醫事人員實際使用後，Watson 的限制就出現了。IBM 行銷宣傳聲稱的 Watson 好處，其實誇大了。Watson for Oncology 需要有領域經驗的人操作，將高度專精的資料輸入，因此很依賴輸入資料的人。SLAT 文章比喻為類似 Mechanical Turk 的狀況，就像 1700 年出現的玩棋機器人，其實是有人躲在機器裡下棋。Watson for Oncology 仍然大量依靠人工。Watson for Oncology 由紐約 Memorial Sloan...
TrendForce 旗下拓墣產業研究院指出，AI（人工智慧）對半導體產業的影響，已從銷售機會與生產方式升級兩項指標逐步顯現，包括 OS 廠商、EDA、IP 廠商、IC 晶片廠商都在 2017 年針對 AI 應用推出新一代的架構與產品規劃，AI 帶來的影響將在 2018 年持續擴大，預期 2018 年至2022 年半導體年複合成長率將為 3.1%，AI 將扮演半導體主要成長動能。拓墣產業研究院研究經理林建宏指出，AI 正從兩種不同的路徑影響半導體產業，一個是銷售機會，包含新的應用帶來新產品與新技術，像是更多的感測器、數學加速器、儲存單元與通訊能力，落實服務、建設通訊骨幹、並同步升級資料中心與伺服器。另一方面，則帶來半導體產業生產方式的升級。從銷售方面來看，2018 年由 AI 帶來的成長關鍵包含單一產品所搭載的半導體數量上升、主要的半導體產品平均價格提升，以及新的應用終端穩定放量。從應用面來看，車用、電動車或是先進駕駛輔助系統，引入越來越多的傳感器與控制元件；語音助理帶出新的智慧家庭使用情境與產品需求。此外，智慧手機導入多樣性的生物識別方案，對資料運算、存儲與傳輸上的需求越來越高，也推升晶片升級需求，最明顯的是包括前三大的智慧手機品牌廠、五大中高階手機晶片供應商都提供與採用含 AI 加速功能的 IC 與應用套件。另一方面，不論是從 AI 導入或是工業 4.0 的角度來看，新的生產模式，正在重塑各半導體公司對有效產能的定義。預計在 2018 年起，數位化程度的差異與掌控資料量的多寡，帶給各廠商的影響將越來越顯著，不論是台、中、美、韓等半導體廠商都將因各公司對新生產模式掌握度的差異，而有不同程度的壓力與機會。TrendForce 將在 2017 年 9 月 29 日（五），於台大醫院國際會議中心 201 室（台北市中正區徐州路 2 號 2 樓）舉辦「2018 集邦拓墣大預測」研討會。（首圖來源：shutterstock）
IBM、麻省理工學院（MIT）7 日宣布結盟。IBM 將在未來 10 年合計斥資 2.4 億美元於美國麻州成立 MIT-IBM Watson 人工智慧（AI）實驗室，藉此支援雙方科學家所進行的研究。新聞稿指出，這將是有史以來最大規模的產學長期 AI 合作案之一。實驗室將進行基礎 AI 研究，力求推動能夠釋放 AI 潛能的科學突破。這項合作是以推進與深度學習相關的 AI 軟硬體、演算法為目標，進而提升 AI 對健康照護、網路安全等產業的影響力，同時還將探索 AI 在經濟、道德層面對社會的衝擊。網路安全新創公司 Cybereason 6 月 21日宣布，最大股東軟銀（Softbank）已加碼投資 1.0 億美元。自 2012 年成立以來，Cybereason 已自 CRV、Spark Capital、Lockheed Martin 以及軟銀募得 1.89 億美元資金，其產品被企業用來防範類似 WannaCry 勒索病毒的網路攻擊。日經亞洲評論報導，Cybereason 創辦人據悉具有以色列軍方資歷。這家公司號稱可透過 AI 學習企業資訊科技系統在正常狀態下的運作型態並藉此偵測出不尋常活動。日經 6 月報導，日本永旺集團（AEON Co., Ltd.）將藉軟銀 Pepper 機器人、IBM 華生（Watson）AI 系統之力在旗下購物中心與銀行分行開設無人信用卡櫃台，原先的人力將被賦予推廣信用卡的任務。（本文由 MoneyDJ新聞 授權轉載；首圖來源：Flickr/IBM Research CC BY 2.0）延伸閱讀：...
據富比士雜誌報導，我們每天能產生 2.5EB（約 10 億 GB）數據，這相當於 25 萬個美國國會圖書館或 500 萬台筆記型電腦記錄的內容。我們有 32 億個全球網際網路用戶，他們每分鐘在 Pinterest 上發表 9,722 個 Pin，在 Twitter 發表 347,222 條推文，在 Facebook 上留下 420 萬個「讚」，我們還透過拍照和影片、保存文件、打開帳戶等行為產生其他大量數據。我們正處於傳統電腦數據處理能力的極限，但數據還在不斷增長。雖然摩爾定律（Moore’s Law）預測集成電路上的晶體管數量每隔兩年就會翻一倍，但自 1965 年這個術語出現以來，事實證明它有很強的彈性。隨著技術進步，晶體管現在的體積越來越小。正因為如此，業界領導者展開激烈競爭，看誰能首先推出一款比現有電腦更強大的量子電腦，處理我們每天產生的所有數據，並解決日益複雜的問題。量子電腦能快速解決複雜問題當這些行業領袖成功製造出商業上可行的量子電腦時，這些電腦就有可能在幾秒內完成龐大的計算量，這些任務可能需要傳統電腦花費數千年時間才能完成。今天，Google 宣稱已擁有這種量子電腦，據說它的速度比當今任何一種計算系統都快 1 億倍。如果我們能用它處理生成的大量數據並解決非常複雜的問題，那將至關重要。成功的關鍵是把現實世界的問題轉化為量子語言。我們生成的數據集之複雜性和增長規模，遠比計算技術進步快得多，因此對計算結構造成相當大的壓力。雖然今天的電腦難以解決或無法解決某些問題，但這些問題預計將被量子電腦在幾秒鐘內破解。據預測，人工智慧（AI），尤其是機器學習，可從量子計算技術的進步中獲益，且還會持續下去，即使在完整的量子計算解決方案出現之前。量子計算法使我們能增強機器學習的能力。量子電腦將優化解決方案量子計算促進數位革命的另一種方式是，我們能採樣數據，並最佳化遇到的各種問題（從組合分析到最佳遞送路線等），甚至能幫助確定每個人的最佳治療方式和醫療方案。我們正處在大數據增長的關鍵點，我們已經改變了電腦架構，這就需要用不同的計算方法來處理大數據。它不僅規模更大，且要解決的問題也不同。量子電腦更能有效解決連續性問題，給予企業甚至消費者做更好決策的能力，這正是說服企業投資新技術方面所需要的。量子電腦可辨識大數據集中的模式預計量子計算能搜尋非常大、未排序的數據集，以非常快的速度發現模式或異常。量子電腦可同時訪問數據庫所有條目，在幾秒鐘內辨識出相似點。雖然這在理論上可行，但它只發生在並行的電腦上，且只能以一個接一個的方式查看每條紀錄，所以它花費大量的時間；取決於數據集的大小，它可能永遠不會成為現實。量子電腦以幫助整合不同數據集的數據此外，由於可用於整合不同的數據集，量子電腦有望獲得巨大突破。雖然這在沒有人類介入的情況下可能很困難，但人類的參與將幫助電腦學會未來如何整合數據。因此，如果有不同獨特模式的原始數據源，並有研究團隊想要比較它們，那麼在數據比較值錢，電腦就必須理解模式之間的關係。為了實現這個目標，需要在分析自然語言的語義方面取得突破，而這正是 AI 面臨的最大挑戰之一。然而，人類可以提供輸入，然後訓練未來系統。最終，量子電腦將允許快速分析和整合龐大的數據集，這些數據集將改進和改變機器學習和 AI 能力。（本文由 36kr 授權轉載；首圖來源：pixabay）
麻省理工科技評論（MIT Technology Review）7 日報導，奇異創投（GE Ventures）子公司 Avitas Systems 現在透過無人機或機器人，讓油管、電力線以及交通系統的檢查工作得以自動化。Avitas 利用現成的 Nvidia 機器學習技術（DGX-1系統）來引導檢查流程、自動地從收集的影像數據中找出可能的異常之處。Avitas 創辦人 Alex Tepper 表示，客戶過去得花數億美元，派人去偏遠地區手動檢查設備。無人機或機器人可重複多次地自動收集相同地點的影像]，因此能夠輕鬆地察覺異狀。Avitas 預估這樣的自動化檢查方式每年可為一家煉油廠省下 100 萬美元的檢修費用。Nvidia 部落格 7 日報導，Avitas Systems 透過 NVIDIA 人工智慧（AI）超級運算平台「DGX-1」所提供的 AI 服務可讓機器人自行穿越工業場所，探索人類無法踏上的地方。Avitas 利用電腦視覺技術學習檢測故障並創建目標區域、組件需要維修或汰換更新的熱圖，並根據風險機率排定維修的先後順序。NVIDIA 連續 3 年名列麻省理工科技評論年度「50 家最聰明企業（50 Smartest Companies）」名單，2017 年更是高居第一名。（本文由 MoneyDJ新聞 授權轉載；首圖來源：NVIDIA ）
若你是一個喜歡按讚的人，每當朋友在網路上發表照片或影片，你總是習慣性去「捧場」，或你更喜歡默默欣賞；又或許對自己的網路動態，你很想知道別人的真實想法是什麼……單純按讚，似乎無法滿足人們的網路社交生活了。一款名叫 Polygram 的社群應用軟體應運而生。Polygram 是一款集發表照片、影片和訊息為一體的社群軟體，目前僅支援蘋果手機免費下載。它利用人工智慧技術捕捉人的臉部表情，並即時轉化為 emoji 表情。Marcin Kmiec 是 Polygram 的聯合創始人之一，他稱 Polygram 的人工智慧系統並非只簡單抓取臉部特定部位，如瞳孔或鼻子，而是透過神經網路技術捕捉用戶的臉部表情，並快速分析一系列圖像。Marcin Kmiec 說，Polygram 會利用 iPhone 的前置鏡頭和圖像處理器，這樣，用戶就能在手機上完成整個臉部辨識過程。雖然 Facebook 平台除了有按讚的圖標，還提供一些其他設定好的表情，但 Polygram 有自己的獨特之處：它能即時執行手機本地程式，運用神經網路技術，辨識出你微笑、皺眉、無聊、尷尬、驚訝及更多表情。當你瀏覽該 App 貼文時，你會發現有一張小黃臉出現在底部，它會隨著你的表情變化而即時改變。當然這個「即時」還是有誤差，大概有約 20 毫秒的輕微延遲。Polygram 會記錄你的反應表情，並保存在表情框中。另外，在同一篇貼文的表情框，你還可以看到其他人瀏覽完的反應表情。對於熱愛滑動態又在意別人看法的人來說，Polygram 為他們帶來福音：用戶在社群平台發表照片、影片等內容後，就能看到所有瀏覽者的表情回覆紀錄，還包括其他細節，比如誰看了這些貼文、看了多長時間，以及瀏覽者所處的地理位置。（Source：iTunes）但是有的用戶比較注重隱私，即使可以匿名，他們還是擔心自己的一舉一動被追蹤。App 研發者很清楚，開發出一款成功的社群軟體並不容易。並不是所有 App 都能像 Instagram 或 Snapchat 一樣，最終在市場上站穩腳步（還記得 Secret、Path、Yik Yak 和 Google+嗎？）Polygram 開發者說，目前這項臉部辨識技術僅運用於自己這款 App。不過，將來也有可能拓展到其他應用，比如 Telemedicine App，這樣醫生或護士就能看到患者的真實表情反應，進而判斷他們的心理反應。「或許未來我們會發表該軟體的工具包，允許其他開發者在自己的軟體運用這項技術。」 Polygram 開發者補充。 The Next Generation of Emoji Will Be Based...
鑑於數據、計算力、演算法等諸多門檻，自神經機器翻譯（NMT）產品化以來，很大程度上便是網際網路巨頭的競技場。如今，又一個新的挑戰者高調加入，直接把矛頭指向堪稱行業技術標竿的 Google、微軟及 Facebook。上週，來自德國的 DeepL 翻譯上線，號稱實現了 NMT 技術的新突破，打造出「世界上最精確、語言組織最自然的機器翻譯系統」；並宣布在自家組織的盲測中，打敗了 Google 翻譯、微軟與 Facebook 的 NMT 系統，挑釁意味十足。目前，DeepL 翻譯已支援英德法西等 42 門歐洲語言，正在訓練漢、日、俄等語言，並計劃將來發表一款 API，讓開發者能將 DeepL 翻譯整合入其應用。公司前身首先要說，這家公司的來歷並不簡單。公司前身是營運近十年的線上外語詞典 Linguee，DeepL 翻譯也完全由 Linguee 團隊打造。Linguee 在中國沒什麽存在感，至於在海外……有 Google 翻譯專美於前，存在感也不是很高，但還是有一批認可它的用戶。▲ Linguee 的英漢、漢英詞典介面。（Source：Linguee）不過，Linguee 的成敗現在已不重要了，它在今年正式更名 DeepL，以「Deep」提醒 VC 自己是一家正經的深度學習公司。真正重要的是 Linguee 的技術積累。Linguee 由 Google 翻譯前研究員 Gereon Frahling 在 2007 年離職開發，2009 年正式上線。Linguee 的核心優勢是它的爬蟲和機器學習系統，前者抓取網路上的雙語對照翻譯，後者評估這些翻譯的品質。兩者結合，使 Linguee 成為當時「世界上首個翻譯搜索引擎」。十年積累，Linguee 無論數據或演算法的研究都不可小覷。▲ 去年在倫敦 Noah 演講的 Gereon Frahling。（Source：YouTube ）一年前，研究團隊著手欲實現一個新目標：利用在機器翻譯領域的多年專業積累，打造一套業內最先進的 NMT 系統。這便是...
林全內閣在「亞洲矽谷」計畫備受批評之後，發回國發會重新寫成「亞洲‧矽谷方案」，其中再度強調「工業 4.0」（也就是相當於舊政府的所謂「生產力 4.0」）還列出「一大生態體系、兩大主軸、三大連結、四大推動策略」洋洋灑灑大塊文章，讓人對國發會的作文能力十分刮目相看，竟然隨時都可以湊出個一二三四來。產業界過去對政府推出的許多遠大口號，若不說是餘悸猶存，至少也是如人飲水、冷暖自知，歷經政黨輪替下來，不管哪黨執政，政府都好大喜功，總是編造一些定義不清、前景不明，連自己都搞不清楚的名詞，甚至同一名詞不斷改名重複炮製，編造誇大的預期成效數據，行銷成執政者很有方向感的樣子大肆推動，產業界雖然心存懷疑，但是在政府投注巨量資源之下也不得不低頭，被迫跟著一唱一和，不敢當那個戳破國王沒穿新衣的孩子，在這樣盲人騎瞎馬的情況下，不論是「亞洲營運中心」還是「兩兆雙星」都成了泡影。當然，類似現象也不只台灣才有，各國政府都有要提出遠大願景的壓力，也不是只有政府才會胡亂炒作名詞，產業界與媒體界也會重複炮製名詞炒作議題，最明顯的例子莫過於所謂「大數據」，在兩岸炒作大數據議題火熱的關頭，許多資深資訊業界人士，一聽到往往反射式的回應：不就是所謂「機器學習」或「資料探勘」嗎？其實正是，1959 年起定義的機器學習，即發展演算法，讓電腦人工智慧能在並未事先指定特別方向或任務的情況下，從大量資料中找出資料中的關鍵之處或是異常之處，可逐步學習，並有預測能力。把時間往後推到如今的 2016 年，產業界的運算能力使得機器學習可發揮驚人的水準，其成就表現於 AlphaGo 以「深度學習」擊敗人類圍棋棋士，於是「深度學習」又一時成為當紅的新名詞，其實不過就是過去被遺忘的機器學習。如今深度學習已經開始應用於許多領域卓然有成，但 1959 年時，人類掌握的運算能力還不足以讓機器學習產生太大的有意義成果，結果到 1960 年代開始出現「資料釣魚」或「資料挖泥」的貶稱，因為統計學家嘲笑這種不設定預設假說、只是丟進一堆數據就想分析出成果的想法是異想天開，說是跟挖爛泥巴沒兩樣，機器學習這個名詞蒙塵，遭扔進爛泥堆，但是電腦科學家的理想不變，到了 1990 年，又發明了新名詞，這次叫「資料探勘」，強調從大量資料中找出關鍵或異常資訊的能力。資料探勘這個名詞風行了好幾年，也的確有許多應用，但從 1990 年開始喊，到 2000 年已經成了 10 年前的老名詞，又感覺不大新潮了，於是全球的產業顧問界為了創造新流行，在 2001 年又新發明出「大數據」，強調巨量、即時、多樣化的資訊經由機器學習處理的應用，其實本質上與過去的機器學習、資料探勘並無二致。同樣一件事，進入馬政府於 2015 年對德國「工業 4.0」有樣學樣提出的「生產力 4.0」計畫中，又提到生產力 4.0 將運用的技術之一是「巨量資料」，也就是大數據、也就是資料探勘、也就是機器學習，這是一路追溯到 1959 年的舊觀念，如今應用早已經相對成熟，譬如在台灣，健保局於健保 IC 卡化後，利用資料探勘，察覺出診所申報的看診情況異常，再針對這些異常資料的診所進行實地檢查，果然發現其中有部分診所有詐騙健保的行逕，這就是一個相當成功的資料探勘應用。早有實際應用，卻寫入了生產力 4.0 之中，成為「專家們普遍預期到 2030 前才有機會實現」的最新未來技術。 德國對工業革命歷史的詮釋有謬誤學者與市場人士都曾揶揄，所謂生產力 4.0 很快就會消失，因為政黨輪替又會包裝出一個新口號，就像機器學習被不斷改名重複炮製成新口號、重新炒作議題的歷史一樣，不過，目前新政府並未打算這麼做，只是把生產力 4.0 還原回原本德國的工業 4.0，對業界來說，一則以喜、一則以憂，喜的是至少新政府不打算浪費大量心力胡亂創造新口號，產業界可以省下很多無謂的應付心力，憂的是所謂生產力 4.0 本來就定義不明，前景模糊，蕭規曹隨下去也不知會走到哪去。整個工業 4.0 風潮，始作俑者是德國，2011 年時，德國提出了工業 4.0 的想法，其主要概念認為一般我們所稱的 18、19 世紀工業革命，只是「第一次工業革命」，代表的是蒸汽動力的技術革命，19 世紀末到 20 世紀初則因為普遍引進了電力、電動馬達，視為「第二次工業革命」，代表的是電力相關的技術革命，而 20 世紀末到...