close
【DOMETIC】雙門雙溫專業酒櫃SS40DD
【DOMETIC】雙門雙溫專業酒櫃SS40DD
商品網址:
商品訊息功能:
第3波AI浪潮崛起 機器學習成重心
商品訊息描述: 工商時報【林貞妤】
消費性終端產品發展進入瓶頸期，許多國際大廠投入人工智慧（AI）和服務的研發，帶領大眾關注人工保羅沃克女兒meadow智慧潛在應用。發展始自1956年的人工智慧是一門整合跨領域知識的學問，如今已進入第3波崛起階段。
一、人工智慧的範疇與應用性
（一）人工智慧特性與範疇：
人工智慧又稱為機器智慧（machine intelligence），是指利用人工製造出來的系統，讓電腦具有思考、推理、判斷與解決問題等能力。而在人工智慧領域中所提及的「行動」，也不僅限於肢體動作，而是泛指所有制定出來的決策或行為。
人工智慧的產生，是人類針對各種問題，試圖將引發的思考、判斷、推理、計畫與決策等過程步驟化和公式化，讓電腦能在此結構下順利解決或處理目標問題。為達到這樣的目的，人工智慧必須建構在多項跨領域知識的基礎之上。
需要注意的是，「人工智慧」與「機器人」其實無法畫上等號，因為人工智慧研究的是機器人的大腦，但機器人領域除了機器大腦外，還會進行其他如電子電路、機械結構的研究，再者，人工智慧領域涵蓋許多無形的軟體服務，這也是人工智慧與機器人領域有所區別的地方。
（二）人工智慧應用範圍廣泛，吸引眾多廠商投入市場：
人工智慧的本質是由軟體運算模型組成的系統，可應用領域範圍極廣。從網頁搜尋、垃圾信過濾、語音助理、自動駕駛車、生物辨識、廣告行銷、安防監控、醫療診斷輔助、金融風險控管等，都可以看到人工智慧的身影。更直接地說，人工智慧是一套讓產品和服務能表現更好的軟體工具，往往看不到實際形體，但有些廠商會基於某些目的給予人工智慧系統一個外型，使其以智慧機器人的樣貌呈現在世人眼前。
在軟體方面，主流大廠如Google、微軟、臉書、亞馬遜、百度、騰訊、阿里巴巴、雅虎與Twitter等，無不積極布局相關雲端工具平台。在硬體系統方面，NVIDIA、AMD、英特爾、高通與賽靈思都已針對人工智慧發展高速運算晶片，或布局相關加速硬體運算能力的產品。至於Mobileye、Delphi與Tesla等廠商則持續積極布局自動駕駛車系統，以早日達成自駕車上路目標。
此外，由於人工智慧將為未來帶來多種商機，且產業鏈尚未真正成形，因此除了國際大廠，也吸引眾多新創廠商投入相關軟硬體與創新應用服務，形成百家爭鳴的狀態。
二、3波發展歷史與爆發關鍵
1950年，圖靈（Alan Turing）發表的著名論文「圖靈測試（Turing Test）」被視為智慧機器的概念先驅。而人工智慧一詞的出現，公認則應追溯至1956年的「達特矛斯夏季人工智慧研究計畫」會議，由計算機科學家的會議發起人約翰．麥卡錫（John McCarthy）所提出。
（一）第1、2波人工智慧崛起：
1956年達特矛斯會議後十多年間是人工智慧第一次崛起的黃金年代，計算機被應用於解決代數問題、證明幾何定理、學習與使用英語等，成果豐富，也讓研究人員信心倍增。然而到70年代，研究人員發現人工智慧對許多項目的難度評估嚴重不足，遭遇的許多瓶頸也難以克服，最後無疾而終。
70～80年代，人工智慧轉向發展「專家系統（expert system）」，加上日本政府注入大量資金發展「第五代計算機計畫」，希望能創造出能對話、翻譯、辨識圖像並推理的機器，刺激英美響應，並帶動人工智慧再次蓬勃發展，但這波榮景僅持續了7年就進入尾聲，主因是效能落敗競爭產品，且成本價格過高。
（二）第3波人工智慧崛起：
經歷2次失敗低谷後，1993年至今的發展則被稱為第3波人工智慧崛起，且「機器學習」成為重心。不僅演算法在語音和影像辨識方面有極大突破，硬體運算能力也大幅提升，讓人工智慧技術立下多個重要里程碑。
例如：1997年5月IBM的超級電腦「深藍」戰勝世界西洋棋王卡斯帕洛夫（Garry Kasparov），2012年加州Google X Lab用1,000台電腦架成Google Brain，成功辨識人臉、人體與貓的圖片，2016年3月，AlphaGo挑戰韓國世界圍棋棋王李世?，以4：1取得壓倒性勝利，更引起全球注目。
第3波人工智慧崛起也正滲透到我們日常生活當中。Google Photos能識別照片中的物體，自動分類照片，亞馬遜語音助理Echo能立即回應民眾問題，透過自然語音就能操控家中家電，甚至線上購物，Google Now能自動推送民眾需要的訊息，可讓電子郵件收件夾自動撰寫電郵回覆等，都漸漸融入並改變民眾的生活習慣。
（三）三項核心條件與一項重要因素：
第3波人工智慧浪潮能再次崛起是因為現代演算法、大數據與硬體運算能力3項核心條件的大幅改善，此外，雲端技術也是加速現代人工智慧發展的關鍵。無論是把演算法相關軟體工具放在雲端空間，供民眾進行雲端運算，或利用雲端存取和放置大量數據資料等，透過雲端服務不僅讓人工智慧系統效能更加強大，也讓推廣變得更容易。
其中容易被忽略的是，「軟體演算法」和「硬體運算能力」間其實存在某種程度的抵換關係，人工智慧發展重點只關注於目標達成，不在乎軟硬體間效能的分配比重，因此若軟體效能極佳，則硬體效能的要求就可以較低。以日本NEC為例，他們在2016年10月底於台灣舉辦的研討會上就表示，在他們優異的軟體演算法下，只要使用一般伺服器而不需超級電腦就能跑出人工智慧訓練結果。
不過，這種抵換關係僅止於目標應用維持不變，或較容易達成的條件。若希望達到的目標非常遠大，則不僅軟體必須進步，搭配的硬體效能和規格也必須大幅度提升才有機會達成。
三、人工智慧的學習功能
現在「人工智慧」領域中，機器學習（machine learning）和深度學習（deep learning）十分受到關注，範圍又以人工智慧最大，機器學習次之，深度學習最小。機器學習是人工智慧的一個分支，而深度學習則是實現機器學習的一種演算模型方法。
就現在人工智慧發展趨勢內涵而言，不管是提到人工智慧、機器學習、大數據分析或深度學習，其實大多所指的都是深度學習模型。
（一）機器學習模式不只一種： 若機器還停留在一個指令一個動作的架構下，即使設法寫出更多程式讓機器的判斷機制更完善，還是無法做到零疏漏境界。因此，讓機器能自主學習，就成了研究的一大重點。
（二）半監督式學習與非監督式學習，逐漸取代監督式學習：
監督式學習、非監督式學與半監督式學習，都是餵給電腦大量數據資料的方式來進行，但過程略有差異。
監督式學習指的是將已標註標籤的圖片（例如：大量標註為「貓」、「狗」的圖片）輸入給電腦，讓電腦學習這些標籤代表哪些照片。非監督式學習指的是輸入許多未標記的貓狗照片，讓電腦自己學習判斷特徵和差異分類。半監督式學習則綜合兩者特色，考量的是同時利用少量有標籤的資料和大量無標籤的資料進行機器低利貸款銀行學習訓練，培養其分類資料的能力。
監督式學習在訓練時所處理的資料都有標準答案，因此演算模型是在已知「輸入什麼」和「輸出什麼」下進行比對學習，概念上著重「分類」。而非監督式學習使電腦需在未知答案下模型必須自己揣摩可能答案，此種方法著重於「分群（clustering）」。
隨著數據資料爆炸，逐一標籤變得更不可行，因此近年機器學習模式逐漸走向非監督式學習和半監督式學習來訓練電腦，此外，透過大量數據讓電腦自己學習判別並比對特徵值，即使一開始正確率很低，但透過反覆練習和修正，辨識正確率已可達到非常高。
此類功能可應用於醫療，例如新創人工智慧公司DeepCare主攻胸肺部CT（電腦斷層攝影）的智慧影像診斷，以大量胸肺部影像加上患者年齡、性別、症狀與確診疾病等訊息進行機器學習，形成結構化數據庫，能識別出可疑病灶圖片，進行病灶重點標註，為醫生預作篩檢，大幅節省醫生診斷時間。
（三）深度學習為矚目焦點：
深度學習模型是當今人工智慧發展最重要也最核心的技術，深度學習模型對於現代人工智慧發展會這麼重要的原因，在於它能讓辨識準確度大幅躍升至值得信賴的程度、尤其是人工智慧長期耕耘的語音辨識與影像辨識精準度上取得革命性的突破，是人工智慧應用範疇快速擴張的關鍵，如AlphaGo就是運用深度學習的成果。深度學習將人工智慧發展帶到另一個高度，也讓未來人工智慧發展愈來愈值得期待。
四、小結
第3波人工智慧浪潮崛起，是因為演算法、大數據與硬體運算能力三項核心條件大幅改善，加上雲端技術的進步所促成，使人工智慧成為信賴度高且可被實際運用的技術工具。
在演算法持續改善的同時，硬體廠商也正在積極提升產品效能，主要可區分為加速伺服器運算效能，以及加強終端即時運算能力這兩大方向。
在機器學習模式方面，非監督式學習、半監督式學習將成為資訊爆炸時代的主流。這些功能可應用於圖片自動分類、人臉辨識、人類行為辨識、自動駕駛和無人機自動導航、醫療識別可疑病灶、遊戲與棋類競賽等，應用範圍十分廣泛。
（本文作者為拓墣產業研究院研究員）
商品訊息描述:
商品訊息簡述:
【DOMETIC】雙門雙溫專業酒櫃SS40DD
商品網址:
融資貸款企業公司F33CACBEAB4C802B
公司企業融資還在用古老又費時的家電嗎？隨著科技進步，現在的【DOMETIC】雙門雙溫專業酒櫃SS40DD已經不像過去一樣，
【DOMETIC】雙門雙溫專業酒櫃SS40DD只要有單一的功能就能滿足所有需求，而是要有更多更方便的功能，
才能讓居家生活更方便，今天小編就要帶大家來看看【DOMETIC】雙門雙溫專業酒櫃SS40DD，
現在市面上有哪些家電產品，是酷炫又好用的呢？
【DOMETIC】雙門雙溫專業酒櫃SS40DD是現在的科技趨勢！
而【DOMETIC】雙門雙溫專業酒櫃SS40DD在這方面就具有優勢
【DOMETIC】雙門雙溫專業酒櫃SS40DD
商品網址:
商品訊息功能:
第3波AI浪潮崛起 機器學習成重心
商品訊息描述: 工商時報【林貞妤】
消費性終端產品發展進入瓶頸期，許多國際大廠投入人工智慧（AI）和服務的研發，帶領大眾關注人工保羅沃克女兒meadow智慧潛在應用。發展始自1956年的人工智慧是一門整合跨領域知識的學問，如今已進入第3波崛起階段。
一、人工智慧的範疇與應用性
（一）人工智慧特性與範疇：
人工智慧又稱為機器智慧（machine intelligence），是指利用人工製造出來的系統，讓電腦具有思考、推理、判斷與解決問題等能力。而在人工智慧領域中所提及的「行動」，也不僅限於肢體動作，而是泛指所有制定出來的決策或行為。
人工智慧的產生，是人類針對各種問題，試圖將引發的思考、判斷、推理、計畫與決策等過程步驟化和公式化，讓電腦能在此結構下順利解決或處理目標問題。為達到這樣的目的，人工智慧必須建構在多項跨領域知識的基礎之上。
需要注意的是，「人工智慧」與「機器人」其實無法畫上等號，因為人工智慧研究的是機器人的大腦，但機器人領域除了機器大腦外，還會進行其他如電子電路、機械結構的研究，再者，人工智慧領域涵蓋許多無形的軟體服務，這也是人工智慧與機器人領域有所區別的地方。
（二）人工智慧應用範圍廣泛，吸引眾多廠商投入市場：
人工智慧的本質是由軟體運算模型組成的系統，可應用領域範圍極廣。從網頁搜尋、垃圾信過濾、語音助理、自動駕駛車、生物辨識、廣告行銷、安防監控、醫療診斷輔助、金融風險控管等，都可以看到人工智慧的身影。更直接地說，人工智慧是一套讓產品和服務能表現更好的軟體工具，往往看不到實際形體，但有些廠商會基於某些目的給予人工智慧系統一個外型，使其以智慧機器人的樣貌呈現在世人眼前。
在軟體方面，主流大廠如Google、微軟、臉書、亞馬遜、百度、騰訊、阿里巴巴、雅虎與Twitter等，無不積極布局相關雲端工具平台。在硬體系統方面，NVIDIA、AMD、英特爾、高通與賽靈思都已針對人工智慧發展高速運算晶片，或布局相關加速硬體運算能力的產品。至於Mobileye、Delphi與Tesla等廠商則持續積極布局自動駕駛車系統，以早日達成自駕車上路目標。
此外，由於人工智慧將為未來帶來多種商機，且產業鏈尚未真正成形，因此除了國際大廠，也吸引眾多新創廠商投入相關軟硬體與創新應用服務，形成百家爭鳴的狀態。
二、3波發展歷史與爆發關鍵
1950年，圖靈（Alan Turing）發表的著名論文「圖靈測試（Turing Test）」被視為智慧機器的概念先驅。而人工智慧一詞的出現，公認則應追溯至1956年的「達特矛斯夏季人工智慧研究計畫」會議，由計算機科學家的會議發起人約翰．麥卡錫（John McCarthy）所提出。
（一）第1、2波人工智慧崛起：
1956年達特矛斯會議後十多年間是人工智慧第一次崛起的黃金年代，計算機被應用於解決代數問題、證明幾何定理、學習與使用英語等，成果豐富，也讓研究人員信心倍增。然而到70年代，研究人員發現人工智慧對許多項目的難度評估嚴重不足，遭遇的許多瓶頸也難以克服，最後無疾而終。
70～80年代，人工智慧轉向發展「專家系統（expert system）」，加上日本政府注入大量資金發展「第五代計算機計畫」，希望能創造出能對話、翻譯、辨識圖像並推理的機器，刺激英美響應，並帶動人工智慧再次蓬勃發展，但這波榮景僅持續了7年就進入尾聲，主因是效能落敗競爭產品，且成本價格過高。
（二）第3波人工智慧崛起：
經歷2次失敗低谷後，1993年至今的發展則被稱為第3波人工智慧崛起，且「機器學習」成為重心。不僅演算法在語音和影像辨識方面有極大突破，硬體運算能力也大幅提升，讓人工智慧技術立下多個重要里程碑。
例如：1997年5月IBM的超級電腦「深藍」戰勝世界西洋棋王卡斯帕洛夫（Garry Kasparov），2012年加州Google X Lab用1,000台電腦架成Google Brain，成功辨識人臉、人體與貓的圖片，2016年3月，AlphaGo挑戰韓國世界圍棋棋王李世?，以4：1取得壓倒性勝利，更引起全球注目。
第3波人工智慧崛起也正滲透到我們日常生活當中。Google Photos能識別照片中的物體，自動分類照片，亞馬遜語音助理Echo能立即回應民眾問題，透過自然語音就能操控家中家電，甚至線上購物，Google Now能自動推送民眾需要的訊息，可讓電子郵件收件夾自動撰寫電郵回覆等，都漸漸融入並改變民眾的生活習慣。
（三）三項核心條件與一項重要因素：
第3波人工智慧浪潮能再次崛起是因為現代演算法、大數據與硬體運算能力3項核心條件的大幅改善，此外，雲端技術也是加速現代人工智慧發展的關鍵。無論是把演算法相關軟體工具放在雲端空間，供民眾進行雲端運算，或利用雲端存取和放置大量數據資料等，透過雲端服務不僅讓人工智慧系統效能更加強大，也讓推廣變得更容易。
其中容易被忽略的是，「軟體演算法」和「硬體運算能力」間其實存在某種程度的抵換關係，人工智慧發展重點只關注於目標達成，不在乎軟硬體間效能的分配比重，因此若軟體效能極佳，則硬體效能的要求就可以較低。以日本NEC為例，他們在2016年10月底於台灣舉辦的研討會上就表示，在他們優異的軟體演算法下，只要使用一般伺服器而不需超級電腦就能跑出人工智慧訓練結果。
不過，這種抵換關係僅止於目標應用維持不變，或較容易達成的條件。若希望達到的目標非常遠大，則不僅軟體必須進步，搭配的硬體效能和規格也必須大幅度提升才有機會達成。
三、人工智慧的學習功能
現在「人工智慧」領域中，機器學習（machine learning）和深度學習（deep learning）十分受到關注，範圍又以人工智慧最大，機器學習次之，深度學習最小。機器學習是人工智慧的一個分支，而深度學習則是實現機器學習的一種演算模型方法。
就現在人工智慧發展趨勢內涵而言，不管是提到人工智慧、機器學習、大數據分析或深度學習，其實大多所指的都是深度學習模型。
（一）機器學習模式不只一種： 若機器還停留在一個指令一個動作的架構下，即使設法寫出更多程式讓機器的判斷機制更完善，還是無法做到零疏漏境界。因此，讓機器能自主學習，就成了研究的一大重點。
（二）半監督式學習與非監督式學習，逐漸取代監督式學習：
監督式學習、非監督式學與半監督式學習，都是餵給電腦大量數據資料的方式來進行，但過程略有差異。
監督式學習指的是將已標註標籤的圖片（例如：大量標註為「貓」、「狗」的圖片）輸入給電腦，讓電腦學習這些標籤代表哪些照片。非監督式學習指的是輸入許多未標記的貓狗照片，讓電腦自己學習判斷特徵和差異分類。半監督式學習則綜合兩者特色，考量的是同時利用少量有標籤的資料和大量無標籤的資料進行機器低利貸款銀行學習訓練，培養其分類資料的能力。
監督式學習在訓練時所處理的資料都有標準答案，因此演算模型是在已知「輸入什麼」和「輸出什麼」下進行比對學習，概念上著重「分類」。而非監督式學習使電腦需在未知答案下模型必須自己揣摩可能答案，此種方法著重於「分群（clustering）」。
隨著數據資料爆炸，逐一標籤變得更不可行，因此近年機器學習模式逐漸走向非監督式學習和半監督式學習來訓練電腦，此外，透過大量數據讓電腦自己學習判別並比對特徵值，即使一開始正確率很低，但透過反覆練習和修正，辨識正確率已可達到非常高。
此類功能可應用於醫療，例如新創人工智慧公司DeepCare主攻胸肺部CT（電腦斷層攝影）的智慧影像診斷，以大量胸肺部影像加上患者年齡、性別、症狀與確診疾病等訊息進行機器學習，形成結構化數據庫，能識別出可疑病灶圖片，進行病灶重點標註，為醫生預作篩檢，大幅節省醫生診斷時間。
（三）深度學習為矚目焦點：
深度學習模型是當今人工智慧發展最重要也最核心的技術，深度學習模型對於現代人工智慧發展會這麼重要的原因，在於它能讓辨識準確度大幅躍升至值得信賴的程度、尤其是人工智慧長期耕耘的語音辨識與影像辨識精準度上取得革命性的突破，是人工智慧應用範疇快速擴張的關鍵，如AlphaGo就是運用深度學習的成果。深度學習將人工智慧發展帶到另一個高度，也讓未來人工智慧發展愈來愈值得期待。
四、小結
第3波人工智慧浪潮崛起，是因為演算法、大數據與硬體運算能力三項核心條件大幅改善，加上雲端技術的進步所促成，使人工智慧成為信賴度高且可被實際運用的技術工具。
在演算法持續改善的同時，硬體廠商也正在積極提升產品效能，主要可區分為加速伺服器運算效能，以及加強終端即時運算能力這兩大方向。
在機器學習模式方面，非監督式學習、半監督式學習將成為資訊爆炸時代的主流。這些功能可應用於圖片自動分類、人臉辨識、人類行為辨識、自動駕駛和無人機自動導航、醫療識別可疑病灶、遊戲與棋類競賽等，應用範圍十分廣泛。
（本文作者為拓墣產業研究院研究員）
商品訊息描述:
商品訊息簡述:
| 品牌名稱 | |
|---|---|
| 各式容量冰箱 |
|
| 門數選擇 |
|
| 能效等級 |
|
| 價格區間 |
|
型號：SS40DD
容量（Max No.of bottles）：約40/52 (以波爾多0.75L瓶裝為基準)
電壓：110V / 60Hz
溫控器：觸壓式
溫度範圍：5℃?22℃
酒架層數：5（可調式層架）
重量：47KG
尺寸HxWxD（mm）：820mm x 595mm x 615mm
正妹警花莎曼沙
| 保固期 | 1年保固期全機1年保固 |
|---|
【DOMETIC】雙門雙溫專業酒櫃SS40DD
商品網址:
融資貸款企業公司F33CACBEAB4C802B
文章標籤
全站熱搜
留言列表
