紐約時報 5 日報導，市場估值逼近 700 億美元的優步（Uber Technologies Inc.）宣布購併人工智慧（AI）新創公司 Geometric Intelligence。優步產品長 Jeff Holden 在受訪時指出，AI 人才爭奪戰正激烈開打，特別是 Google、蘋果（Apple）以及特斯拉（Tesla）都在從事自駕車相關計畫。他說，自駕車需要一段相當長的時間才能成熟到可以執行優步現在每天所完成的旅程、進展速度端視 AI 開發進度，如果競爭對手先研發出來，優步的麻煩就大了。Geometric Intelligence 是一家成立於 2014 年底的 15 人新創企業、現在成為優步旗下 AI 實驗室，由 Gary Marcus、Zoubin Ghahramani 領軍。Holden 表示，旗下負責開發自駕車的先進科技中心（ATC）將與 AI 實驗室並肩作戰。Marcus、Ghahramani 的研究團隊是透過包括深度學習、貝氏學習等不同方式來開發 AI。Holden 5 日透過優步官網指出，Geometric 創始執行長 Gary Marcus 將擔任優步 AI 實驗室負責人。AI 實驗室將在美國舊金山落腳，專注開發人工智慧、機器學習。fortune.com 報導，Marcus 為紐約大學神經科學教授、為 AI 領域知名研究專家。Zoubin Ghahramani 為知名機器學習研究人員。（本文由 MoneyDJ新聞 授權轉載；首圖來源：shutterstock）延伸閱讀： Uber 收購無人駕駛卡車新創公司 Otto 蘋果雄心勃勃 大舉投資自駕車...
美國人不滿薪資停滯，對工作也不滿意，他們期待川普能幫美國人找回往日時光，其中他們最期待的就是老話題，即把製造業移回美國。時代在進步，川普當選是否真的能走回頭路，許多人都不看好，理由是製造業已經率先走向全面自動化，未來與人類競爭工作的是機器人，不是東南亞的廉價勞工。Techcrunch 報導指出，製造業回美國，就算川普能克服複雜的政策、關稅、地理政治問題，科技也不會讓這件事情發生。因為無論在汽車產業、電氣、電子業，機器人都已經幫這些產業降低對海外勞動力的依賴。自動化確實能讓製造業重新回到美國，但是能帶回來的工作並不多。在發展中國家，製造業已經讓愈來愈多工人失業，回到美國情況也不會好轉。新創公司在全世界創造取代人力的機器人，吸引了龐大的投資資金。例如 Momentum Machines 與 Zume 的機器人分別會做漢堡和比薩，Rational Robotics 的機器人會畫畫，Modbot 與 Baxter 機器人可完成各種任務。不只新創公司是罪魁禍首，大品牌如 Nike 與 Adidas 都減少承包商數量，擁抱機器人與 3D 列印等技術來製造鞋子，大型農場早就開始僱用機器人，Amazon 與 UPS 更是高度仰賴機器人從事物流與倉儲工作。這些企業為什麼要這樣，因為在已開發國家使用機器人，可以減少在開發中國家支付的傳統勞動成本，且已經對全世界產生衝擊。機器人不只可提高生產力，他們還可以幫公司簡化在海外設立公司有關的各種麻煩，製造業外包或是海外雇用員工，必須支付各個不同地方的管理人事、設計、品質、安全、海關與物流、法規與知識產權等成本，機器人技術進步，讓企業把製造業拉回美國，可以減少行政、法律、勞動成本等開銷。且機器人愈來愈聰明，電腦視覺與人工智慧進步，讓機器人擁有軟體驅動的大腦，甚至比人類更可靠，特別是在製造業，甚至在管理進出口、停車場、建築物等物理保全，或醫療應用上。機器人出納、助理、保安、空服人員等都可以被機器人取代。對勝利著迷的狂人川普而言，競選是一種會激發腎上腺素的工作，可能比當政要簡單的多，尤其是在這個變動的時代做美國總統，到底要如何兌現競選當時對鄉村人民的承諾，或許川普要阻擋的不是中國與東南亞等國家，而是美國自己的科技發展。 Trump promises to bring back manufacturing jobs, but robots won’t let him (首圖來源：shutterstock)
人工智慧的潛力，大家想必都有目共睹。在未來幾年，人工智慧無疑會在生活的各方面發揮作用，健康領域同樣不例外。以下整理了 9 個人工智慧將會顛覆或重塑的健康行業，一起來看看吧。大數據及人工智慧將會顛覆我們的生活在 2013 年，數據還只是處於緩慢增長的狀態，達到4.4 ZB，但emc 預計這一數字每兩年就會翻一倍，到 2020 年將會達到 44 ZB，也就是 440 億 GB 的驚人數量。如果少了人工智慧對浩如煙海的這些數據進行整理及計算，人類必然無所適從。誠然，我們遠沒有達到強人工智慧的階段，但在弱人工智慧層面上，我們已經取得了一定的成就。Siri、Cortana、OK Google，還有 Echo，都能在短時間內對人類所提的簡單問題進行快速檢索並給出解答。而人類也在人工智慧上嘗試走得更遠，更貼近我們的生活。例如 2015 年 9 月的 DoNotPay，這款應用軟體由 19 歲的史丹佛學生 Joshua Bowder 開發，能在 1 分鐘內處理亂收費的停車罰單。截至 6 月，這款應用軟體已經在紐約及倫敦處理了 25 萬張罰單裡的 16 萬張，成功率達到 64%。想像一下，如果這種高效能應用軟體在健康領域，是否能拯救不少人的生命？人工智慧與健康領域的結合能夠讓病人就診流程更加便利，醫生也能合理安排手術日程，甚至還能為醫生們在看病時提供決策建議。一名就職於 Sutter Health 的數據科學家 Andy Schuetz 表示，「雖然我不知道成熟的人工智慧演算法可能會花 2 年還是 10 年才能實現，但這一願景正在實現。」只需環顧一下人工智慧市場的健康領域，你就會發現他所言不虛。雖然 IBM Watson 經常霸佔著 AI 健康領域的頭條，但是還有不少熟悉的名字也出現在了這個板塊中：戴爾、蘋果、日立研究院、Alchemy API、Lumiata……而這也只是以管窺豹。目前已經有不少人工智慧在健康領域實踐的成功案例，無疑也預示著它的樂觀前景。接下來帶大家一起看看幾個比較熱門的健康領域：資料挖掘健康領域與人工智慧結合，最簡單的聯想自然是資料管理。收集、儲存、同構並追蹤它的來源，這些著實會對現有的健康系統帶來顛覆。Google 的 DeepMind Health...
過去 3 年，IBM、GE、微軟搶人工智慧人才搶到台灣來，台灣畢業的土博士，挖到美國工作，年薪 12 萬美元起跳，讓自己站上國際舞台，讓能力被看見，讓他們身價從此不同。在美國，人工智慧（AI）相關人才炙手可熱，一名懂人工智慧技術的博士生，一畢業，年薪至少 12 萬美元（約 380 萬元台幣）起跳。這股人工智慧挖角風，竟跨海吹進台大。過去 3 年，台大資工系徐宏民教授的實驗室訓練出來的台灣「土」博士，已有 4 人分別被美國 IBM Spark 技術中心、奇異全球研究中心、美國微軟和位於矽谷的 Fuji Xerox 研究中心挖走，還有一位即將畢業的博士生，已被 Google 和微軟看上，爭相邀請加入團隊。9 月底，NVIDIA 執行長黃仁勳宣布和台大合作成立人工智慧實驗室（Nvidia AI Lab），計畫負責人正是徐宏民，「徐教授和他的團隊，在這個領域有突破性的成就」，黃仁勳在演講中說。微軟、英特爾 競相取經宣布時，徐宏民不在國內，因為他人正在美國紐約州的 IBM 研究中心。IBM 剛發表全世界第一支用人工智慧剪接的電影預告片《魔詭》，IBM 給電腦看過 100 支恐怖片預告後，再把拍好的新片交給電腦，電腦就模仿看過的作品，組合出一支 6 分鐘的預告片。其中，就用了徐宏民研發的技術。過去幾年，從微軟、英特爾、聯發科、光寶科，甚至台灣的金控公司代表，都曾造訪徐宏民在台大資工系的研究室，採用他們的新技術為自己公司加值。徐宏民曾是訊連第八號工程師，早期是產品經理，他的強項是帶領團隊開發影像處理程式；直到有一次，公司要他開發能自動管理影片的新功能，他才發現「這個很難」，意識到這是有潛力的關鍵技術，開始鑽研用人工智慧處理影像的新技術。「我研究的應該叫機器智慧（Machine Intelligence）。」徐宏民解釋，人工智慧給人一種機器無所不能的錯覺；但現實狀況是，機器目前只能解決特定問題，「這是一個突破，只要給電腦足夠資料，就能訓練電腦解決問題。」徐宏民說。「我做的事情，是教電腦自動從資料裡去學，如何判斷照片裡的內容。」徐宏民說，他的專長就是教電腦擁有看懂照片和影片的新能力。這有多難？以一個最簡單的例子，要電腦辨認照片裡有沒有貓，都是一個困難的挑戰；因為電腦只能接受死板的命令，當設計者告訴電腦，「貓，有兩隻眼睛，一個嘴巴」，那麼，當照片裡的貓只露出半邊臉，甚至只露出兩隻耳朵的時候，電腦就認不得。史丹佛大學人工智慧實驗室與視覺實驗室負責人李飛飛曾坦言，這個 3 歲小孩都能回答的問題，卻花了他們多年時間才得到解答。現在，最新的挑戰是，不只教電腦看懂照片裡有什麼物品，還要能正確解讀照片的內容，把每樣物品的關係正確串聯起來；譬如，輸入一張在廚房做菜的照片，電腦必須正確說出，「照片裡有兩個女人，正在廚房煮飯」，而且，不是一、兩張照片判斷正確就好，是幾千萬、上億張照片都正確解讀。就像 AlphaGo 教電腦從無數棋譜中學習下圍棋一樣，徐宏民的工作之一，就是開發影像版 AlphaGo，教電腦自己學習看照片。影像版 AlphaGo 屢屢獲獎2013 年，徐宏民團隊就曾拿下微軟舉辦的影像辨識大賽首獎，擊敗全球的團隊。回憶當時參與比賽，陳殷盈說，微軟的考題是把 8 萬張照片放在網路上，要求在 12 秒內全部辨識完成，讓全球團隊去較量，看誰的辨識正確率最高。這個挑戰不比 AlphaGo 對決南韓九段棋士李世乭簡單，因為 AlphaGo 挑戰的是人腦，他們面對的卻是全世界的人工智慧團隊。「老師喜歡學生有企圖心，能提出有創意的方法。」陳殷盈說。徐宏民平常就鼓勵學生，參加國際上有難度、有影響力的挑戰，這次比賽也是他操練學生能力的關卡之一。軟體比的是想法。剛開始，台大團隊用世界通用的方法，想開發一套辨識所有東西的技術，只要不斷改善這套技術，就能解決所有問題。走別人都走的路，卻讓他們辨識率停滯不前，離比賽只有幾周時間，怎麼可能在短時間內找到突破性的解法？在反覆討論後，有人提出，影像辨識最常出現的主題是「人」，既然不能一次解決所有問題，乾脆在原有技術上，加上另一套辨識人形的新技術。等於別人只帶一把刀上場，他們卻準備了兩把刀，台大團隊因此榮獲首獎，第二名是來自俄羅斯的資訊公司。這些被挖角到國外工作的學生，都有豐富的國際經驗。陳殷盈畢業後，就被 Fuji Xerox 研究中心，邀請到矽谷做研究；陳殷盈分析，她的論文多次被這個領域的頂尖學術會議 ACM...
在車聯網時代來臨的前夕，我們車上已經有 GPS、行車紀錄器、藍牙喇叭等裝置，營造更便利的駕駛環境。不過，在上路前免不了的一連串手動輸入或設定，卻又不是那麼方便了，更遑論開車到一半時要進行變更。即使是趁著等紅燈的空檔，只要還得伸手去螢幕上按來按去，就多少增加了行車風險。於是，為了駕駛人與乘客更舒適安全的的乘車體驗，語音助理搭配人工智慧將是不可或缺的環節。然而，這樣一來我們就得面對另一個難題，便是這些車用語音智慧產品，如何能提供優異的語音辨識品質，提高辨識率，讓機器準確接收我們的指令呢？想像一下，你載著滿車朋友出遊，在國道上高速行駛，大夥快意談笑，夾雜引擎運轉與風噪聲，可能還正好放著一首 Lana Del Rey 的《Burning Desire》，使你不自覺腳踩油門。這時車內環境噪音絕對高於 70dB（分貝），而且還夾雜不同頻率的聲音。因此，讓產品偵測說話的人並接收正確指令，是相當令人頭痛的問題。環境噪音對語音通訊品質的影響在語音辨識的流程中，可分為五道程序：包含語音輸入及語音訊號處理、語音特徵擷取、以聲學模型（acoustic model）進行語音單元辨識、以語言模型（language model）來組織語音單元、解碼及輸出等。目前語音助理的市場上，Microsoft 耕耘最久，Apple、Google 相繼而起，以完善智慧型手機體驗為目標；近期火熱的 Amazon Echo，其語音助理 Alexa 則一開始就以獨立的聲控家用平台為定位，建立自身生態系。以上這幾家語音助理開發商，基本上已經掌握後面四道程序。不過，一旦來到車用領域，產品裝置開發商則勢必要在語音輸入及語音訊號處理的程序上，投注更多心力。車用語音智慧產品在車內環境中，與使用者的距離不出 0.5~1 公尺之內。一般汽車引擎發動後且車窗緊閉的情況下，車內噪音約 60dB 左右。假設使用者發出約 89dB 的聲音（即一般說話音量的平均值），此時嘴邊的訊噪比為 29dB，足以維持良好的通訊品質。但你不會想要每次下指令還得把臉貼到汽車面板前，因此 0.5~1 公尺是產品接收語音訊號的合理距離。然而，當說話聲音傳到 0.5 公尺時會衰減至 65dB，此時訊噪比只剩 5dB；說話聲音到 1 公尺時則只剩 60dB，與噪音的音量相當，更不用說上述提到高速行駛的環境下，噪音都比發出指令的人聲還要大。符合標準的車用通訊品質當面臨車聯網逐漸完善、語音應用普及化，越來越多車廠要求內建 Android Auto、Apple Carplay 等智慧助理，而這些都需要按照 ITU-T P.1110/P.1100 語音標準來設計，對代工組裝或設計加工的車用電子系統廠來說，等於是踏入未知的領域，只能以現有產品不斷偵錯找出問題，相當耗費時間。因此像是貝爾聲學這種第三方語音測試實驗室，就會從麥克風模組、連接線材等部分測試，首先幫廠商判斷選料是否正確。貝爾聲學曾針對一款舊的車用麥克風模組進行測試，該模組配兩顆 ECM 電容式類比麥克風，一顆為全指向性，主要用來收環境音，作為背景噪音消除演算法的用途；另一顆為單指向性，收音方向指向駕駛，用來接收駕駛的語音訊號。依據 ITU-T P.1110 測試方式，得出了以下數據： 從結果可以看到，麥克風模組離標準建議值太遠，感度差了約 30dB，因此訊號必須放大 30dB，才能滿足標準建議值。然而，這意味著雜訊也會跟著放大，造成語音品質跟辨識率低落。代表這款麥克風一開始根本就不該出現在車用語音智慧產品上。透過貝爾聲學的協助，能讓廠商快速找到癥結點，避免進行過多無意義的測試。由於車子所處的環境噪音會隨著車速、路段、路況、空調、乘客及音響等各種因素不斷改變，而背景降噪演算法不易解決時時變動且突發性的聲音，所以車用語音智慧產品可以著重在一些細節，幫助提升通訊品質。例如採用兩顆以上的麥克風陣列，以進行較佳的背景降噪演算法；採用訊噪比較高的麥克風，最好是 SNR 58dB 以上。其次，把麥克風置於離駕駛嘴巴最近的位置，如方向盤附近；但同時又要盡量縮短麥克風線材至主機的距離，且加強線材隔絕性，以減少外來的雜訊。最後，則是加上迴音消除（Echo cancellation）、背景降噪（Background noise reduction）以及麥克風自動增益（Mic auto gain...
工業 4.0、物聯網革命、深度學習、破壞式創新、FinTech、貨幣民主化……這些詞彙相信大家都已經耳熟能詳。有的定義廣泛，彼此關係千絲萬縷；有的還只是概念，仍處於起步階段。而最令我們在意的是，這些詞彙所蘊含的科技，什麼時候才會落實應用，又會為我們帶來什麼影響？回首 2016 年重大發展，你還記得哪一些？大家尤其熟悉的物聯網，從 2007 年 iPhone 現身，智慧型手機蔚為風潮；到 RFID 等感測器技術價格滑落、IPv6 拍板定案以及將來 5G 通訊的普及，已經進展了好幾年，但物聯網時代真的來臨了嗎？每個人心目的對物聯網都有不同定義，不過在數位轉型的過程中，物聯網可不只是「萬物皆可連」這麼單純（光這一點要辦到，都得先面對產品規格、傳輸方式及通訊協定等兜不攏的問題），而是如何將網際網路整合到生活每一個部分，讓物件彼此能真正溝通，提供服務或解決方案，否則的話，就只是一堆能上網的電子裝置罷了。這牽涉到更多其他技術，而各家企業及廠商莫不在諸多領域展開布局。像是雲端平台及服務的進展，廣泛滲透到企業及個人應用上，甚至將進一步出現分散式運算的「霧運算」；Google、Tesla 等企業研發自駕車，Uber 推動自駕車載客服務，都在試圖完善下一代車聯網；例如 SAP 未來 5 年也將投資 22 億美金在物聯網業務，將收集到的大數據，利用其自家 S/4 HANA 平台分析整合；還有，像是可以偵測身心健康狀態的智慧衣，也將組成所謂的衣聯網。然而，物件都相連了後，終究還是得以人為本，如同 Google 台灣區總經理簡立峰所言，物聯網的核心精神，是背後的「智慧服務」。今年 3 月時，由 Google 旗下 DeepMind 公司開發的人工智慧 AlphaGo，挑戰韓國職業九段棋士李世乭。賽前包含李世乭本人，以及資訊專家李開復等，都認為人類將取得勝利。但結果大家已經知道了，AlphaGo 取得四勝一負，甚至後來世界積分排名還曾一度超越棋王柯潔。不過，AlphaGo 仍屬於弱人工智慧（applied AI），只處理特定的問題，不具備情感或認知的能力，對於自己獲勝也沒有任何感受，因此要像魔鬼終結者（The Terminator）的天網（Skynet）一樣統治地球，短期內還不可能。但是，從超級電腦 Watson，到語音助理 Amazon Echo、Google Home 等，人工智慧應用在可見的將來，勢必仍會為人類生活帶來很大的影響。另外，隨著大數據爆炸性成長與雲端運算的進展，電腦演算法管理的基金報酬率開始擊敗人類經理人，銀行也逐漸開始以機器取代人類員工，我們在工作上將會更加有效率，或甚而被機器取代。在這波數位轉型浪潮中，你做好準備了嗎？七大趨勢與數字，看數位科技亮點2016 邁入年尾，根據這一年來數位科技的脈動與成長，不斷推動軟體與 IT 服務營收爬升，市場研調機構 Gartner 便預測，2017 年全球企業在 IT 支出上將達 3.5 兆美金，較 2016 年的預估支出 3.4 兆美金成長 2.9%。而以下我們就來看看，專家認為哪些趨勢及數字代表著數位轉型的未來？人工智慧與先進機器學習到 2020...
IBM 的 Watson 大神又發功了，這次想幫忙解決癌症治療領域的一個難題。之前，IBM 的 Watson 除了跟新基生物製藥公司合作，追蹤藥物的副作用，還運用自身的人工智慧認知技術，推薦癌症治療方案，主要是在美國的郊區、印度、中國等這些缺乏腫瘤學家的地區。IBM Watson 健康（Watson Health）的總經理 Deborah DiSanzo 曾經如此介紹。比如，Watson 可以閱讀病人的電子病歷、分析癌的醫學圖像、甚至觀察腫瘤的基因序列，為特定的病人找出最優治療方案。現在，Watson 又有新動作，要跟 MIT 和哈佛合作，尋找抗癌新療法。儘管有越來越多的療法能抑制癌症，長達數月甚至數年，但不幸的是，大多數癌症最終仍會復發。其中部分原因在於，腫瘤會發生基因突變，產生了抗藥性。有時候，一些病人對某些療法完全沒有反應；有時候藥物一開始有用，但後來就無效了。就此，IBM 的 Watson 人工智慧平台將與麻省理工學院（MIT）及哈佛大學布羅德研究所合作，研究對癌症藥物產生抗藥性的病例，希望釐清抗藥性產生的原因，研發新一代抗癌藥物和療法。MIT 及哈佛布羅德研究所是一所位於美國麻薩諸塞州劍橋的非盈利研究機構，致力於生物醫藥與腫瘤學研究，與 MIT 和哈佛大學都有合作關係。該研究所負責人 Eric Lander 表示，美國每年約有 60 萬人死於癌症，其中有不少是因為病例產生了抗藥性。儘管科學家們已為少數癌症病例找到了抗藥性產生的原因，據此研發出新療法，但大多數癌症病例產生抗藥性的原因仍未明。對於這個難題，布羅德研究所的科學家相信，基因的不同也許可以解釋為什麼藥物在一些案例中有效在另外的案例中卻不行。因此，IBM 和 MIT 以及哈佛大學發起了一項新的為期 5 年投資 5,000 萬美元的癌症基因組計畫。在這 5 年間，研究所將會在全美大約 1 萬名匿名病人身上收集腫瘤基因組數據，研究員會分析這些數據，然後用 IBM 的 Watson 超級電腦來處理，幫助研究員理解癌症案例如何產生抗藥性。這項研究由 IBM 資助。他們的目標就是要回答當今癌症治療領域的難題：為什麼有的癌對特定療法有反應，但有的沒有？抗癌的難點就在於，癌細胞變得太快了，正如 Lander 說：抗癌就像在下一盤如履薄冰的生物棋局。當我們在療法上走了一步，癌症就會發現新的方式來抵抗這種藥物，以還擊我們。因此解決問題的關鍵可能就是，透過學習臨床經驗我們可以提前預見癌症的下一步棋，從而做好部署切斷它的退路。為了了解癌細胞如何對特定療法產生抗藥性，布羅德研究所會透過從這些病人中提取生成腫瘤基因序列；然後使用新的基因編輯技術，在實驗室進行大規模的癌症抗藥性研究，找到腫瘤的弱點。研究員將使用 Watson 分析這些數據，確定基因組模式，更好地理解癌症抗藥性背後的分子機理，預測藥物的過敏性，以及哪些腫瘤可能對哪些藥物產生抗藥性。簡而言之，研究員會獲取腫瘤的「基因組圖譜（genomic fingerprints）」，比較它們在病人被治療前後的不同，等到腫瘤產生了抗藥性之後又再對比一次。布羅德研究所的首席科學館 Todd Golub 博士說，不同情況下不同腫瘤的分子差異可能會告訴我們一些線索，為什麼他們會產生抗藥性。如此一來，醫生就可以給不同的病人制定更有效的藥物治療方案。這樣就能減少在無效藥物上的花費，否則每個病人可能要花上好幾萬甚至幾十萬。同時，據北卡羅萊納大學 Lineberger 腫瘤中心主任Norman...
輝達 ( NVIDIA ) 於 16 日宣布與藍色巨人 IBM 進行合作，針對 IBM 與 NVIDIA 旗下最新技術開發一款最佳化的全新深度學習工具，協助訓練電腦讓電腦以更接近人類的方法加快思考與學習。NVIDIA 表示，深度學習（deep learning）是一項極速成長的機器學習方法，能從數百萬筆資料中偵測與歸納排序萃取出最重要的訊息。目前，許多領先業界的消費者網站以及行動應用廠商已公開支持深度學習。而越來越多的傳統產業公司也正快速採納此技術。透過深度學習與其他人工智慧科技，廣泛運用在各種領域，銀行運用臉部辨識進行先進詐欺偵測、汽車業開發各種自動駕駛車款、零售業設置完全自動化的電話客服中心等項目上，運用電腦更精確了解客戶問題並進行回答。 此次，結合 NVIDIA 全新發表的深度學習工具 IBM PowerAI，是在 IBM 近期為人工智慧所發表的伺服器上所運行的軟體套件。這款伺服器搭載針對其 Power 架構進行優化的 NVIDIA NVLink 互連技術，使得這套軟硬體結合的解決方案，在執行 Caffe 軟體的 AlexNet 時，效能比搭載 4 顆 GPU 的同等級伺服器高 2 倍以上。另外，在同樣搭載 4 顆 GPU 的 Power 組態系統下，其效能在執行 BVLC Caffe 軟體的 AlexNet 時，甚至能超越搭載 8 個 M40 GPU的 x86 系統，有意發展深度學習的企業用戶，這將是市面上可立刻入手的全球最快系統平台。Caffe...
Google 公司相信推動雲端計算業務成長的關鍵在於人工智慧 ，為了更提升在這一領域的競爭力，該公司招募了兩位頂尖的人工智慧專家，主管 Google 雲端計算業務部門的機器學習技術團隊。機器學習是人工智慧的一個細分領域，主要是利用大量的資料來提升電腦的分析能力，加入 Google 機器學習團隊的兩位專家分別是 Stanford 大學人工智慧實驗室的主管李飛飛和 Snapchat 的研究主管李嘉，兩位都是華裔女性。 李飛飛和李嘉在機器視覺方面的研究有著非常深的造詣，這是人工智慧最重要的技術之一，提升電腦辨識圖像的能力。Google 雲端計算業務主管 Dinae Greene 表示，招募這兩位頂尖的人工智慧專家，將幫助 Google 旗下的人工智慧研究推向商業化，機器學習團隊將從研究成果應用到 Google 的產品，比如一些可以用於商業分析和預測的軟體系統。李飛飛和李嘉是全球頂尖的科學家。更應該被注意到的是，這兩位科學家都是女性，長期以來人工智慧領域的高階主管都是男性居多，這一點也飽受詬病，李飛飛和李嘉的加入也表面女性不僅僅是在人工智慧的研究領域，還能夠在科技公司的相關部門擔任要職。李飛飛曾在接受採訪時承認人工智慧領域缺乏女性的身影，她曾參與發起了 ImageNet 機器視覺競賽，這一專案是幫助人工智慧研究者使用前沿技術來處理資料，包括利用深度學習技術來辨識圖像。Google 公司發言人透露李嘉將在感恩節後加入 Google，李飛飛的入職時間則是 2017 年年初。目前各大公司在人工智慧領域展開了人才競爭戰，甚至大學還沒有培養出博士級的人工智慧專業人才，各大科技公司能夠招募的人才數量不多，往往為了吸引人才加盟會給予豐厚的薪資，但 Google 沒有透露給這兩位華裔科學家的薪資條件。 Google Adds Artificial Intelligence Hotshots To Lead New Data Crunching Team Google Cloud Machine Learning family grows with new API, editions and pricing
在 AI 研究方面，微軟找上了馬斯克。近日，微軟與馬斯克的人工智慧研究團隊 OpenAI 宣布合作，為其提供 Azure 雲端系統進行大規模實驗。微軟的 Azure N 系列虛擬主機是一個基於 Nvidia 圖形處理單元的強大雲端運算服務，而 OpenAI 是其早期用戶之一。Azure 除了提供深度學習、模擬、神經網路渲染和訓練等服務外，其 NVIDIA GRID 也為工作站和串流媒體應用提供高階虛擬化功能。Open AI 在其部落格上透露，Azure 的高速電腦是他們選擇與其合作的重要原因：「我們進度的飛速進展，離不開越來越快的電腦使用，尤其是對於新興的 AI 技術如強化學習和模型生成來說，更是如此。」同時，OpenAI 也表示，雙方之後還將在促進 AI 研究及其使用方法上進行合作，他們將在實驗過程中向微軟持續提供反饋，以幫助其改進 Azure，「使 Azure 的能力跟上我們對 AI 的理解」。OpenAI 是馬斯克聯合諸多矽谷大亨於 2015 年 12 月建立的非營利性組織，對未來 AI 過於智慧表示過擔憂的馬斯克，成立這家公司的目的正是為了確保 AI 的安全開發， 防止其被誤用。儘管曾經對 AI 心存疑慮，但馬斯克無疑是這一計畫的直接受益者之一。比如馬斯克旗下的特斯拉汽車，其自動駕駛系統就得益於 AI 的深度學習，而藉助 OpenAI 的平台，馬斯克也可以為特斯拉網羅人工智慧領域的人才。 Microsoft is partnering with Elon Musk’s OpenAI to...