海地政府公布过渡总统委员会成员名单并正式任命

這一幕，就連稱頌羅斯福的歷史學家杰伊・溫尼克（Jay Winik）也不禁如此評論說：「倘若就其本性而言，他就是一個偽善的陰謀家與欺騙者，但同時他對追求不朽的聲望又有著無可匹敵的意志與根深蒂固的使命感。

Photo Credit: Shutterstock / 達志影像 1. 徹底瞭解女生的需求 要提高核心競爭力的第一步，就是充分瞭解女生的需求。什麼是核心競爭力？就是人無我有，人有我精。

但對於女生來說很重要，賞心悅目永遠是別人願意接近和瞭解你的第一道門檻。你喜歡的女生，她會喜歡什麼樣的男生，她有什麼樣的需求，是需要通過實際相處和用心去感受的。但是我也不知道為什麼，有很大一部分的男生，就是執著的認為他們最大的競爭力只有一個，那就是變有錢受最大的核心競爭力。因為只有當你的核心能力和女生的需求相匹配時，你才有競爭力可言。我可以很明確的跟你說：如果你只會對女生好這一招，是沒有任何技巧性和戰略性的，是很難追到你喜歡的女生。

要是你都不願意去搞清楚女生真正的需求，有錢之後就更搞不清楚了。所以不要在電視劇、網路影片裡學習如何定義女生，最好還是在實踐生活中，多去跟女生相處才能學習真正跟女生相處的模式。對於愛看電影的人而言，新型冠狀病毒的出現強制改變了我們的觀影習慣。

美國與北約被迫公開介入這場內戰，派出陸戰隊進入烏克蘭維持秩序，並立即成為科沃的攻擊目標。可是在電影中，烏克蘭女民兵頭目蘇菲亞卻流露出強烈的反美情緒，她指責哈柏駕駛無人機投下的炸彈，才是導致烏克蘭孩童成為孤兒的元兇。否則民進黨那麼親美，又何必天天去強調美軍在太平洋戰爭末期轟炸台灣的歷史呢？烏克蘭政府從地緣戰略的現實考量出發，確實需要仰賴美國或者北約的協助來平衡俄羅斯，但是這卻不代表烏克蘭人在心裡或者情感上真正認同美國這個國家。蘇菲亞平常以經營孤兒院維生，照顧內戰中失去父母的烏克蘭孤兒。

可見灌輸里歐仇美思想的，並不是電影中的親俄民兵或者俄羅斯政府，而是本該與美國還有北約同一陣線的烏克蘭人。談談烏克蘭反抗軍 為什麼理應相互仇視，在戰場上大打出手的親俄民兵與烏克蘭民兵會有「反美」的共識呢？而且從蘇菲亞希望將核子武器投向美國，沃夫則只想以核子武器為籌碼爭取美國外交承認這點來看，其實烏克蘭民兵的反美程度還遠遠超過親俄民兵

2012年ImageNet LSVRC比賽的冠軍AlexNet是利用ImageNet資料庫訓練出來的8層卷積神經網路，也是第一個將深度學習應用在電腦視覺中的影像分類器（image claissfier），傳聞可達到99％的準確率。其中，若只將標籤資料（L）放入算法裡就稱為監督式學習。但實際上將乞討婦人的照片丟到AlexNet所訓練的Caffe分類器（Caffe classifier，一種能實現多標籤影像的分類器）中，電腦判斷的結果卻是「狗」及「家畜」。由於這一波AI的復興奠基於資料驅動（data driven）的特徵學習（representation learning），其需要大量且多元的資料支持，而ImageNet雖然提供了夠多的資料，卻不夠多元。

不信邪地，他們另選了一張兒童在孤兒院中學習的照片，張教授心中想的關鍵字是「希望」，並預期分類器至少可以認出「兒童」，但電腦又再一次的沒認出人，或許是將孩子身邊的書桌認成鋼琴了，它給出的是「衣服」、「樂器」及「商品」等答案。總而言之，現階段人工智慧的影像辨識需要足夠數量（scale）與多元（diversity）的數據才能發展。身為HTC健康醫療事業部的總經理和史丹佛大學（Stanford University）電腦系客座教授，張智威教授能與大家分享最多的，還是過程中的困難與突破，尤其是與數據拔河的歷程。當他們再回顧這張照片時，想到的關鍵字是「貧窮」、「受苦」以及「被忽視」，不過張教授知道當代的分類器無法辨識出這些形容詞，頂多可以認得照片中的物件如「人」、「街道」等。

飛機的發明甚至能讓我們飛躍雲端，俯瞰喜馬拉雅群峰。Photo Credit: 三民書局 僧侶五體投地膜拜的照片被分類為「狗」及「家畜」。

將資料丟進算法之後便可以求出一個函數（f），靠這個函數我們就能對未知的目標物件作出預測和分類。因此他們只能滿懷淒涼地走過，並為婦人留下一張剪影。

因此，張教授的第一張測試，是尼泊爾旅館外，一位婦人抱著嬰兒乞討的照片。科技給了我們新的許諾，人類如今已能夠前往雲之頂、海之底的未知境域探索，而新一波人工智慧的復興，似乎也昭示著新世界的來臨。在這個天空邊緣的國度裡流傳著這樣的傳說：從前從前，第5任國王爬上了通往雲端的樓梯，騎著一頭斑頭雁飛到天堂去，卻忘記把樓梯降下來，從此之後不丹的人們就再也無法爬上雲端了。換句話說，如果ImageNet資料庫中沒有喜馬拉雅山區居民的圖像，它所訓練出來的分類器也無法辨識出喜馬拉雅山區的居民。從尼泊爾經驗看電腦視覺的盲點 在2017年年初的一次研究行旅中，張教授和史丹佛大學的團隊從不丹穿越尼泊爾到拉薩，在喜馬拉雅山區拍了很多照片，旅程的尾聲張教授想以這些照片測試看看AlexNet的影像辨識能力。資料分為附標籤的（labeled data，代號L）跟沒有標籤的（unlabeled data，代號U），前者包含影像跟標籤資訊（例如：裡面有貓、有人），後者只有單純的影像。

人工智慧也有歧視心態嗎？ 在影像分類領域中，所有研究跟報導都告訴我們，人工智慧的正確率已經超過人類了，但為什麼實際測試卻會得出各種光怪陸離的答案呢？從這次的分類器測試中，我們又可以學到什麼經驗？ 首先，機器不會有人類的歧視心態，那麼為什麼它會把尼泊爾婦人及拉薩僧侶都看成是狗呢？原因是「機器無法判斷它沒見過的東西」。Photo Credit: 三民書局 乞討婦人的照片被影像分類器分類為「狗」及「家畜」。

是在這樣前進三步，後退兩步的反覆摸索中，才有了今天大家所看見的人工智慧之躍進。當時他們被交代：在尼泊爾不能當眾施捨，否則群眾會一窩蜂的湧上來。

最後一張照片，他們選擇了一位僧侶五體投地地在拉薩街上膜拜的照片，這時他想到的是「尊敬」、「奉獻」及「信仰」等詞，電腦卻同樣的得出「狗」及「家畜」的結論。大家所熟悉的深度學習是這波復興中最熱門的話題，但實際上卻只是人工智慧大餅中的一小塊。

演講：張智威（HTC 健康醫療事業部的總經理、史丹佛大學電腦系客座教授、日本SmartNews 人工智慧顧問）｜彙整：連品薰 位於喜馬拉雅山區，不丹是個坐落在高山之頂的國度，那裡的人們彷彿只要抬起手就可以觸碰到雲朵。兩者皆有（L + U）就是半監督學習（semi supervised learning）。反之若只放無標籤資料（U）則是非監督學習（unsupervised learning）。當人工智慧躍上新聞版面，成為科技公司的新寵，為什麼學界的權威反而要跳出來提醒我們仍須努力研發呢？或許，在討論人工智慧的應許之前，我們必須重新釐清這場被視為AI文藝復興的運動做到了些什麼。

接下來我們還需要一個算法（learning algorithm），舉例來說深度學習就是一種算法。人工智慧中最大的子集是機器學習，何謂機器學習呢？簡單來說，機器學習最重要的元素就是資料跟算法。

每一篇談論不同人工智慧科技的文章都不免俗地要問：「人工智慧會怎麼改變人類的生活？它能讓我們更幸福嗎？」然而在這之前，我們得先瞭解當代人工智慧的應許和限制，才不會成為從雲端摔落的伊卡洛斯（註：希臘神話裡的人物，因飛得太高，使得蠟製雙翼遭太陽融化，跌落水中喪生）兩者皆有（L + U）就是半監督學習（semi supervised learning）。

飛機的發明甚至能讓我們飛躍雲端，俯瞰喜馬拉雅群峰。人工智慧中最大的子集是機器學習，何謂機器學習呢？簡單來說，機器學習最重要的元素就是資料跟算法。

人工智慧也有歧視心態嗎？ 在影像分類領域中，所有研究跟報導都告訴我們，人工智慧的正確率已經超過人類了，但為什麼實際測試卻會得出各種光怪陸離的答案呢？從這次的分類器測試中，我們又可以學到什麼經驗？ 首先，機器不會有人類的歧視心態，那麼為什麼它會把尼泊爾婦人及拉薩僧侶都看成是狗呢？原因是「機器無法判斷它沒見過的東西」。反之若只放無標籤資料（U）則是非監督學習（unsupervised learning）。最後一張照片，他們選擇了一位僧侶五體投地地在拉薩街上膜拜的照片，這時他想到的是「尊敬」、「奉獻」及「信仰」等詞，電腦卻同樣的得出「狗」及「家畜」的結論。其中，若只將標籤資料（L）放入算法裡就稱為監督式學習。

當他們再回顧這張照片時，想到的關鍵字是「貧窮」、「受苦」以及「被忽視」，不過張教授知道當代的分類器無法辨識出這些形容詞，頂多可以認得照片中的物件如「人」、「街道」等。從尼泊爾經驗看電腦視覺的盲點 在2017年年初的一次研究行旅中，張教授和史丹佛大學的團隊從不丹穿越尼泊爾到拉薩，在喜馬拉雅山區拍了很多照片，旅程的尾聲張教授想以這些照片測試看看AlexNet的影像辨識能力。

在這個天空邊緣的國度裡流傳著這樣的傳說：從前從前，第5任國王爬上了通往雲端的樓梯，騎著一頭斑頭雁飛到天堂去，卻忘記把樓梯降下來，從此之後不丹的人們就再也無法爬上雲端了。但實際上將乞討婦人的照片丟到AlexNet所訓練的Caffe分類器（Caffe classifier，一種能實現多標籤影像的分類器）中，電腦判斷的結果卻是「狗」及「家畜」。

將資料丟進算法之後便可以求出一個函數（f），靠這個函數我們就能對未知的目標物件作出預測和分類。是在這樣前進三步，後退兩步的反覆摸索中，才有了今天大家所看見的人工智慧之躍進。