初次想要投資的人一開始碰上的問題莫過於不知從何下手，就算買了股票也是每天戰戰兢兢的看盤不放？現代的金融科技可以讓你直接從線上透過與人工智慧的對話，就能告訴你如何進行投資。機器人理財（Robo Advisors）除了便利特點，更能夠實現自動化管理資產，不會有人為的道德風險問題。這項服務剛推出時，從各個層面帶給了市場相當大的震撼，值得一探究竟。假如民眾不僅是要短期投機，而是想盡量降低風險並獲得較為穩健的報酬，那麼理解投資組合理論就是一件必要的事情。俗話說雞蛋不要放在同一個籃子裡，就是投資組合的寫照，然而實務上如何去選擇，是一門很大的學問，不同的資產有不同的風險及報酬，甚至同一種資產也會隨著時間及環境改變，所以掌握足夠的資訊就非常的重要。例如 Wealthfront 公司的機器人理財服務就是結合市場資訊演算並基於現代投資組合理論而誕生。人工智慧設計投資組合在主打機器人理財服務的新創公司當中以美國的 Wealthfront 及 Betterment 公司最為有名，其所用到的技術包括機器學習、大數據分析、資料回測、人工智慧等，就是用來找出個別資產之間的相關性及配置比例，以達到符合投資者風險偏好的資產組合。例如最基本的，想要更穩健退休的民眾就分配更多比例的資金在債券上，而追求報酬的投資人其資產配置，股票就可能佔更多。再透過理論模型的演算就可以設計出符合不同風險偏好及理財目標的投資組合推薦給客戶。 再拿 Betterment 公司為例，只要在線上回答年齡、年收、投資目標等並填寫銀行帳戶、地址等基本個人資料後，就可以取得客製化的投資組合建議，還可以隨時利用手機 APP 等軟體來查看獲利情形，並調整偏好的資產配置，如股票與債券的投資比例。其實就這些步驟而言，與傳統金融業者並無不同，畢竟原本這些演算大部分就是透過電腦完成的，只是在某些判斷上可能依靠更多人力。 （Source：Betterment.com） 降低入門門檻 事實上，單純利用網路科技理財已不算是創新，自從智慧裝置興起之後，能即時監控投資的軟體層出不窮，但在財富管理上的應用卻不普遍，所以才造就了機器人理財這項服務。理財機器人具備協助客戶設定目標、針對目標提供理財規劃等附加功能，可解決許多初學者及缺少專業知識的民眾在投資時所遇到的問題。機器人相較於傳統理專還有一項優勢就在於道德問題，有些從業人員為了賺取更多傭金會去鼓吹客戶購買不必要的商品，甚至導致客戶虧損。不過以目前的技術而言，大部分的機器人理財服務，仍然侷限在被動投資管理，而主要標的通常是 ETF。 也因如此，雖然機器人理財有諸多優勢，不過仍不能說改變了整個市場，近年來，美國兩大機器人理財領導公司 Betterment 與 Wealthfront 所受託管理的資產成長速度已經趨緩。其中原因除了其他傳統資產管理公司也在發展相關業務如，貝萊德（BlackRock）收購了 FutureAdvisor 以及高盛（Goldman Sachs）及嘉信集團（Charles Schwab）等皆推出了自己的智慧理財服務外，事實上大多數客戶僅滿足於免費服務。 （Source：Kitces.com） 關鍵還是在信任 所以有觀點認為，機器人理財還是沒有辦法完全取代人力作投資研究及決策，付費的機器人服務並不受青睞。但這可能還不是主要原因，因為還有一點很難用技術克服，那就是信任。真正能影響市場的高資產人士，是否真的願意將財富交由機器人代為管理，才是金融科技能否顛覆傳統市場的真正關鍵。據華爾街日報的調查，目前只有 1/3 的受訪者表示他們會願意用完全數位化的服務作為主要的投資顧問。而且光靠線上的風險容忍問卷，原本也很難達到理解投資者真正的財務需求和目標。 但這並不表示，機器人理財就沒有前景。事實上，許多傳統資產管理公司正開始以機器人來強化原有服務，但不是取代。就如同前圖所示，自從老牌資產管理公司 Vanguard 及 Charles Schwab 加入了機器人理財服務後，那些新創公司便開始遇到成長壓力。可以說此項金融科技，並不利於讓新創公司直接挑戰傳統金融巨頭，如台灣政府本身也擔心沒有投顧執照的公司跨足這項服務而暫不開放。 Can Robo Advisers Replace Human Financial Advisers? 4 Reasons Why the End is Near for Wealthfront Wealthfront Review 2016:...
顯示晶片生產廠輝達商 (NVIDIA) 在 9 日宣布，將攜手軟體大廠微軟 (Microsoft)，發展全新專為驅動人工智慧 (AI) 雲端運算的超大規模 (hyperscale) GPU 加速器藍圖「HGX-1 」。全新 HGX-1 架構的設計是為滿足 AI 雲端運算的需求需求而來。其範圍包含自動駕駛、個人醫療照護、超越人類的語音辨識、數據與影像分析以及分子模擬等應用。輝達表示，全新 HGX-1 是一款結合微軟 Project Olympus 開源設計的超大規模 GPU 加速器，提供超大規模資料中心於人工智慧快速且具彈性的途徑。而且，HGX-1 適用於建構在雲端運算上的人工智慧作業，如同二十多年前為 PC 主機板所推出 ATX (Advanced Technology eXtended) 時的角色一般，HGX-1 建立了一項業界標準，能快速且有效的被採用以協助達到急速增長的市場需求。輝達共同創辦人暨執行長黃仁勳表示，AI 為全新的運算模型，因此需要全新的架構支援。HGX-1 超大規模 GPU 加速器在 AI 雲端運算所扮演的角色，如同過去 ATX 標準使現在 PC 能夠普及一樣。HGX-1 將使雲端服務供應商能更輕易的透過 NVIDIA GPU 滿足激增的 AI 運算需求。微軟公司總經理，暨 Azure 硬體基礎架構部門工程師 Kushagra Vaid 也指出，HGX-1 AI 加速器將提供極至的效能擴充，以達成快速成長的機器學習作業負載需求，同時，其特殊的設計使現今全球各地的資料中心皆能輕易採用。對於全球數千家已投資 AI 與採納基於...
在 9 日凌晨的 Google Cloud Next ’17 大會上，Google 雲端服務 AI 與機器學習部門的首席科學家李飛飛，公布了新的機器學習 API：Video Intelligence API。它可以自動辨識影片中的物體，讓影片搜尋成真。李飛飛稱，影片一直被視為電腦視覺裡面的「暗物質」，無法像圖片一樣便捷的搜尋，但新的 API 可以幫助開發者開發出從影片中讀取實體的應用。在展示中，影像 API 可搜尋棒球、狗這樣的實體，並標出其在影片中出現的位置，進而得到物體在影片中出現的頻率。除了提取資料，API 還允許標籤變換的場景。在 Google 的官網已經有了展示的影片，可以點這裡試玩。除了影像 API，李飛飛還表示，Google 的機器學習引擎 ML Engine 會提供給更廣泛的用戶。該引擎可以使用 TensoFlow 框架開發機器學習模型。她還在演講中提到，希望能讓 AI 民主化，讓更多人享受到 AI 的便利。（本文由 雷鋒網 授權轉載；首圖來源：Google）
3 月 8 日的 Google Cloud Next Google 雲端計算開發者大會上，華人 AI 學界的驕傲、Google 雲端首席科學家李飛飛宣布一則重大訊息：Google 收購 Kaggle。其實，這事近兩天已陸續有風聲傳出。但 Google 和 Kaggle 對媒體總是「無可奉告」的態度，導致大家各自猜測，但無從證實。即便李飛飛在 Next 大會上對全世界宣布，也僅停留在「沒錯，我們是收購了 Kaggle，這對雙方都有好處」層面；對收購細節、未來計畫等一概沒提，更別說收購協定和價格。但是 Google＋Kaggle，即便不進行任何探究，也是震動資料科學、AI、機器學習三界（在很多方面「三界」本是一體）的大事件。其衍生出來的潛藏資訊：對開發者社群的意義、產業走向，以及Google的機器學習布局等──雖然當事者惜字如金，卻為嗅覺敏銳的觀察者帶來巨大的想像空間。這隱約使人聯想到 2014 年 Google 收購 DeepMind：雖後者與 Kaggle 不管在業務還是營運方式都完全不同，但 Kaggle 所掌握的產業資源，只會在 DeepMind 之上；兩次收購對 Google 的意義，同樣位於極高的戰略層面。▲ 李飛飛宣布 Google 雲收購 Kaggle。下面我們來整理一下，關於此次收購至今披露的所有資訊。Kaggle 簡介凡是玩資料科學和機器學習的老手，有兩個網站一定不會錯過：GitHub 和 Kaggle。前者用來分享，後者進行實戰練習。對不熟悉 Kaggle 的人，先來一段簡介。簡而言之，Kaggle 是玩資料、ML 的開發者展示功力、揚名立萬的江湖。它在 2010 創立，專注於舉辦資料科學相關的線上競賽。它吸引大量資料科學家、機器學習開發者參與，為各類現實中的商業難題開發基於資料算法的解決方案。競賽的獲勝者、領先者，在得到對方公司提供的優厚報酬之外，還可引起業內科技巨頭的注意，或許獲得各路 HR 青睞，為自己的職業道路鋪上紅地毯。因此與 GitHub 不同的地方，Kaggle 為其社群提供一整套服務。其中最有名的是它的招聘服務以及名為 Kaggle Kernels...
根據藍色巨人 IBM在官網上的公布，該公司已經開發出針對語音辨識，錯誤率達到 5.5% 的系統。根據這樣結果，顯示當前電腦語音辨識的能力已經與人類達到差不多的水準。IBM 指出，人們在說話時，對方每聽 20 個單字或詞，就有可能會漏掉或聽錯 1 到 2 個。以此比例計算，人類在 5 分鐘的對話中，有可能會聽錯 80 個單字或詞。只是就人類來說，多數人在理解說話的意思上沒有問題。然而這樣的情況對電腦可就不一樣。2016 年，IBM 宣布在自然對話環境中的語音辨識上獲得重大進展，也就是開發出單字或詞錯誤率為 6.9% 的系統，之後還在不斷進步。現在 IBM 宣布，已經達到新的業界紀錄，創下 5.5% 錯誤率。而 IBM 研究人員在達成這個突破時，是專注於應用深度學習技術，將 LSTM 和 WaveNet 語言模型與其他 3 個強大的聲學模型結合起來的結果。使用的 3 個聲學模型中，前 2 個為雙向 6 層 LSTM。包括一個為多特徵輸入，另一個則是有對話多任務學習能力。最後一個模型不僅能從積極的例子中學習，也能利用消極的例子，這將使系統變得越來越聰明，在之後重複出現類似的說話風格時，便能表現更好。IBM 表示，達成與人類同等水準，也就是錯誤率與一般 2 個人類說話時相當，長期以來都是在開發語音辨識時的目標，目前其他公司也正在努力追趕 IBM 的紀錄。在這樣的成就上，IBM 與合作夥伴 Appen 正合作呈現與人類相同水準的語音辨識系統。不過，雖然 IBM 達成 5.5% 的錯誤率是一次大突破，但有其他廠商的研究發現，真正的電腦語音辨識要達到人類同等水準，其錯誤率應該下降到 5.1%。雖然只有 0.4% 錯誤率的差別，但就目前的科技技術來說，要達到與人類相同水準的錯誤率，還有很大一段需要努力的距離。（首圖來源：shutterstock）
DeepMind 用機器學習的方式殺得頂尖圍棋好手接連敗仗，可說是機器學習領域的大勝利。但拿 DeepMind 技術處理健康資訊，那可是另一個故事。Google DeepMind 共同創辦人 Mustafa Suleyman 及隱私和透明度主管 Ben Laurie 發文說要用區塊鏈技術記錄健康資訊，引發不少爭議，不少人無法信任有廣告業務的 Google 經手處理最私密的資料──醫療健康資料。Google 旗下健康部門 DeepMind Health 發展的特殊數位記錄方式，是每當資料傳送時，自動用密碼學方式產生每一筆記錄，意味健康保險單位、醫院還是病人，每次只要修改、存取時，都會留下紀錄。如果這套類似比特幣區塊鏈的技術能引進醫療業，將能大幅減低人工記錄的時間，減少審計資料的成本。這次 DeepMind 高層發文要用區塊鏈技術應用到醫療資訊，其實是延續去年在英國的醫療資訊合作案。去年 11 月 DeepMind 已與英國國民保健署簽下 5 年的合作合約，國民保健署下 3 家位於倫敦的大醫院──Royal Free、Barnet 和 Chase Farm，將與 DeepMind 分享 160 萬名病患的醫療資訊。另外 DeepMind 也會協助醫院簡化記錄病患資訊的流程，並推出手機 App Strams，依據病患的醫療紀錄，醫護人員在病人有狀況時即時推播病患資訊。但 DeepMind 要介入健康資訊記錄領域，卻引來爭議，深怕 Google 的手太深入了，淪為 Google 要推數位精準廣告下的數據。但 Google Deepmind 共同創辦人 Suleyman 覺得引入區塊鏈機制進醫療資料，帶給贀療資料透明化的曙光，能清楚顯示資料是被誰存取，又是什麼情況授權下取得資料。目前看來 Google DeepMind 想簡化審計資料的流程，用自動化生成的區塊鏈來記錄誰修改、用到資料。除了 DeepMind...
無人機或無人車的開發者總有一種困擾，那就是要驗證 AI 究竟管不管用，免不了要打造機體，找空曠的地方測試是否會墜機或撞車等，發生不少損壞意外。好在微軟（Microsoft）針對無人機開發了 AirSim 模擬器且以 MIT 授權開源釋出 ，讓無人機、無人車的 AI 演算法可以在模擬的世界先好好測試一番。Microsoft 的 AirSim 基於 Unreal 3D 遊戲引擎 ，提供一個非常高級細膩的虛擬世界，其中道路、樹木、房屋、電纜等障礙物一應俱全，陰影、反射也十分細緻，畫面的解析度、擬真度極高。用來訓練無人機、無人車的 AI 時，在這個極其逼真的世界裡可以盡情測試，不必擔心發生損害真實事物的風險。Microsoft 表示，希望透過此舉幫助「機器人開發的民主化」，幫助資本有限的個人、研究人員和小公司，也能好好測試自己開發的無人機或無人車。為什麼要在虛擬世界而不是真實世界中測試無人載具呢？主要是因為無人載具在移動的過程中，AI 要學習區分陰影、實心物體、深色牆壁的差別，這要對其類神經網路做大量「訓練」，如果你把無人機造出來，讓它在真實世界進行訓練與測試，你可能要經歷多次花費昂貴的失敗；改在虛擬世界進行時，你就不用怕這些損失，而且本來在真實世界不方便也不能進行的，你都可以大膽地一再進行了！例如說虛擬世界的住宅區、高速公路等，這樣就避免在真實世界進行上的許多限制。如果你的無人機在住宅區測試，AI 失手墜機了，砸傷人或損壞車子、房屋，不單打造無人機的費用沒了，還可能要負擔鉅額的保險理賠。當然，因為是模擬的，所以也允許改變場景的體積大小與時間速度，來更有效率地訓練 AI 系統。為了好好「教育」無人機，所以這個軟體也要保持對真實世界模擬的高度準確，Microsoft 表示，其模擬器會保持運用圖形處理技術的最新進展，提供最接近真實世界的細節，陰影、陽光眩光、陰霾和道路表面積水等都必須精確模擬好，這樣子 AI 才能好好學習。此外，根據 Microsoft 的 Ashish Kapoor 在公司網誌文章中的說法，它應該也適用於任何類型的機器人，所以長腳的機器人應該也能受益。其他用途上，如果你有玩遙控飛機，也可以接搖桿或 XBOX 控制器，在這個模擬器裡面好好練習飛行技術呢。 Microsoft open sources a simulator for training drones, self-driving cars and more （圖片來源：微軟）
「機器學習能幫我們找到更多相關資料，數學模型能幫我們做出更佳預測，而且能即時自我修正學習。」這段話聽起來像是技術應用研討會上的發言，然而說這話的是 Upstart 創始人兼 CEO Dave Girouard。Upstart 是家美國網貸創業公司，服務傳統金融機構「狗不理」的年輕客群──它開發了新信用評分模型，為沒有幾年信用和從業紀錄的年輕人提供貸款。是的，在紐約最近一次金融科技峰會 LendIt 上，金融專家將舞台完全拱手讓給技術。人工智慧成為金融市場上的「新寵」理解金融科技，就要理解技術是提供金融服務的中心。人多、錢多、資料多的金融業一直是工業變革的推手，而人工智慧是當下最令人興奮的技術之一，為這個古老的行業提供更多可能。金融專家對人工智慧的期待，普遍集中在提高效率和擴大規模上。人工智慧已取得突破的一個應用場景，就是改變企業與用戶互動的方式。從直播答題節目出道的網紅超級電腦 IBM Watson 擔起這個重任。Watson 的最新案例正是智慧投資顧問：和以前依照規則和人群圖譜分析猜測完全不一樣，Watson 現在能夠透過辨識自然語言和人臉表情來「理解」用戶的需求。這項人工智慧服務能在手機和其他智慧裝置隨時隨地啟動，「聽懂」你的語氣、「看懂」你的表情，並「讀懂」你的歷史資料，再據資訊做出不機械的反應。這也是此項技術最有趣的地方。它不是按圖索驥，把你放在規則之間比長比短，而是結合你的風險偏好和理財目標，給你個性化的建議。也就是說，人工智慧在答疑解惑之餘，還能發現用戶潛在的金融需求。這種聰明互動能像骨牌一樣活化金融服務。在前端提供個性化的用戶服務，在決策黑盒子中最佳化授信和決策，在背景用於風險控制。技術以意想不到的速度，幫這個古老行業進化其實 Watson 的例子已有很多，包括華爾街和矽谷鼓吹技術改造金融工業已經很久，主角從雲端計算到大數據再到人工智慧，但無論大數據還是人工智慧，技術並沒有徹底改變金融規則，而是讓規則更完善。FICO 為美國主要的信用評價體系，長期以來透過審核人們的銀行戶口、多少存款、償還多少貸款這些資料來做信用評價。由於年輕人信貸歷史短、交易紀錄少，所以一般信用評分較低，這樣的體系讓年輕消費者陷入「沒借過錢所有沒有信用紀錄─沒有信用紀錄所以借不到錢」的迴圈。就像下面這個諷刺漫畫說的那樣：Upstart 的智慧演算法可把更多資料納入。它並沒有完全推翻 FICO 的規則，而是完善。它在自己的網貸系統裡將社會因素加入分析範圍，把年輕人教育程度和工作經歷加入考量範圍，讓年輕人貸款有更合理的評價。CEO Dave 在創業前曾在 Google 負責企業應用。他說：「人工智慧無法重新發明授信機制。技術能參與破壞性創新的玩法是，讓符合標準的借款者，能更容易借到符合他風險水準的貸款。」正如 Upstart 扎根於矽谷，越來越多技術人才在金融工業掌握更多話語權。Sentient Technologies 是目前人工智慧領域融資額最高的新創公司之一，從李嘉誠等其他頂級投資人手裡融到 1 億多美元，想做的就是把人工智慧應用到金融市場上的大量交易。Jeff Holman 是華爾街老兵，也是 Sentient Technologies 的投資負責人，他正不遺餘力地為自家公司旗下即將公開交易的新對沖基金搖旗吶喊。Jeff 領導一支 15 人的對沖基金團隊，隊裡有 11 個工程師，卻只有 4 個金融業者。他解釋人員配置的理由：「工程師會控制算法生成的虛擬交易員，來高速處理各種資料包。」根據他透露，Sentient Technologies 本身有個 30 人演算法的科學家團隊，這些人 20% 的時間也用在交易算法的最佳化上。他們會根據一個 3 年的歷史資料包建立虛擬環境，讓演算法不斷進化，找到更有效的交易方式。就像 Alpha Go 不斷透過虛擬對弈強化，由於 Sentient 的技術積累可將...
服務型智慧機器人為當前科技發展一大重點領域，市場成長潛力備受看好。繼軟銀 Pepper、華碩 Zenbo 等機器人陸續在台上市後，遠寬電信也宣布引進機器人製造商優必選（UBTECH Robotics）兩款教育機器人「Alpha1 PRO」及「Jimu Robot」，並與遠傳電信合作推出獨家銷售方案。UBTECH 為中國高科技新創公司，自 2012 年成立以來，主要研發人工智慧（AI）與人形機器人相關產品。台灣民眾或許對 UBTECH 機器人稍感陌生，事實上 UBTECH 所開發的 Alpha 系列機器人，已在全球吸引不少企業青睞並達成合作關係，其中包括成為英超足球名隊曼城（Manchester City）全球策略合作夥伴，並與亞馬遜（Amazon）策略合作，將導入其 AI 語音助理 Alexa 推出新款 UBTECH 智慧人形機器人，另外也將與迪士尼（Disney）合作開發 IP 授權機器人，產品預計今年在台推出。 ▲ UBTECH Alpha1 PRO 人形機器人。 UBTECH 所推出的升級版 Alpha1 PRO 人形機器人，在台灣發表會現場大展舞姿，不僅肢體協調性與平衡力極佳，靈活度也相當高，可做出下腰、倒立劈腿等高難度動作。Alpha1 PRO 採用無毒環保材質，全身置有 16 個伺服馬達（servo motor），可因應各種複雜動作，最大角度可達 300 度，並具有防夾手結構設計，電池續航力可達 60 分鐘。使用者可透過 App 簡易操控機器人，以及運用 PC 端 3D 視覺化動作編輯軟體設計機器人動作。 ▲ Alpha1 PRO 機器人具有極佳協調力與平衡力。 ...
在沒有 Uber 的時代，馬路上經常遊蕩著這樣一批計程車：跑了好幾圈也沒載到一個人，好不容易拉到一個人，去的地方也就 10 公里。而在日本，計程車的現狀依然如此，因為 Uber 至今沒有合法在全日本落地。不過，最近日本本土一家公司打算著手解決這個問題了，那就是日本的五大營運商之一 NTT Docomo。Docomo 在 3 月 6 日宣布，要在今年秋天為出租車搭載一款人工智慧平台，將會幫司機更了解乘客需求情況，並且有效提醒司機哪裡可以更快接到乘客。它的應用會在很大程度上幫助司機優化路線，提高出租車司機載客效率。說得具體一些，Docomo 的系統會用 AI 技術分析大量數據，包括手機使用位置的分布情況、天氣狀況以及乘客乘車的歷史紀錄，分析顯示的結果會是乘客潛在的叫車地點，顯示在司機座位旁邊的螢幕上，這樣司機在尋找乘客時也會更有目標。Docomo 其實在去年 7 月就已經透露了這一計畫，並已經和富士通用有限公司和東京計程車協會進行合作。在去年 12 月，該系統在東京成功完成測試，測試期間平均每輛計程車的收入增幅達到 50%。如果這項技術能在 2020 年東京奧運前得到大規模應用，不論對計程車還是乘客來說都是利多消息：司機拿到更多訂單、出租行業加固競爭優勢、乘客叫車更容易；但是對一直嘗試想進入日本的網約車平台來說可能就意味著更高的門檻。為什麼日本政府不允許 Uber 做網約車服務，卻允許 Docomo 做類似事情呢？這其實並非日本政府針對本土企業的政策保護，而是 Docomo 的模式與 Uber 完全不同。Uber 的模式大家都比較熟悉，就是網約車公司直接與私人車主簽訂勞動或勞務合約，車輛屬於網約車公司或個人，乘客付錢給網約車公司，網約車公司再給司機付勞務費──這其實就是一家計程車公司的營運模式。與各國一樣，這種模式在日本受到嚴格的限制，Uber 始終不達標而無法開展營運。但 Docomo 的這套系統不涉及叫車、約車和支付，只是搭載在已有的合法計程車上告訴司機「這個地區可能乘客要多起來了」或「這個地區這個時段沒有客人」，本質上是一種預測系統而不是訊息中介和交易平台。要做到這一點的難度其實比滴滴的大數據調度更複雜，因為它要在不要求用戶主動提供叫車資訊的情況下，分析每個用戶的外出習慣，並預測一個地區內的交通流動。不過對營運商來說，Docomo 要做到這一點並不困難。因為想像一下，如果中國移動想要做一個交通領域的大數據分析，拿到的數據量和覆蓋範圍一定比任何一家網約車公司都要多，因為每個手機用戶的位置資訊都是即時透過基地台傳遞到營運商後台。不同在歐美國家的流行地位，Uber 在亞洲地區的日子可說是非常不好過，在中國被滴滴合併、在日本被計程車擠兌、在台灣被禁。但 Uber 似乎從來沒有放棄打破僵局的機會。被日本政府禁止大部分地區的營運後，Uber 轉向其他方向嘗試，去年 10 月在日本引入 UberEats 外賣系統，意在暗示載人不行我還可以送吃的。選擇突破口只是一個開始，能否在這個行業長時間存活下去還要看背後的支撐是否夠堅實。 Uber 也試圖在技術上增加自己的競爭優勢，即自家無人駕駛技術開始測試後，Uber 去年 12 月宣布成立人工智慧實驗室 Uber AI Labs，同時完成對初創公司 Geometric...