時尚服飾

• 作者：施翔程
  
  追蹤
  
  
  
  居家









• 出版社：五南
  
  出版社追蹤
  
  
  
  





• 出版日：2014/6/25









• ISBN：9789571176529





• 語言：中文繁體





• 適讀年齡：全齡適讀

工商時報【台北訊】

國內最權威、規模最盛大的企業、建築獎項「第18屆國家建築金質獎暨第13屆國家品牌玉山獎」頒獎典禮於日前在公務人力發展中心二樓卓越堂盛大舉行。

頒獎典禮莊嚴隆重，主辦單位中華民國國家企業競爭力發展協會更邀請立法院院長蘇嘉全、行政院政務委員張景森、國發會副主委曾旭正、經濟部常務次長王美花、內政部次長花敬群、公共工程委員會副主委顏久榮、營建署副署長王榮進親臨致詞頒獎，並代表政府給建築營建及企業最大的支持與鼓勵。

立法院長蘇嘉全親臨頒獎致詞表示，國家建築金質獎帶領建商營造商實踐綠建築、先進技術、綠建材、新工法發展，朝向永續概念邁進，激發出更多元、創新且符合市場需求的智慧綠建築，經過評審們詳盡嚴謹的評選肯定優秀建築作品，帶給大眾理想的永續居住環境。

國家品牌玉山獎參賽作品續創新高，計有「傑出企業類」、「最佳產品類」、「傑出企業領導人」、「最佳人氣品牌類」、「卓越貢獻類」等81件作品脫穎而出，獲獎知名企業如國泰世紀產物保險、遠雄人壽保險、元大投信、聯亞藥業、永豐餘工業用紙、東台精機、漢來美食、金格食品、愛瑪麗歐、品臻國際及宏佳騰動力科技…等。

「國家品牌玉山獎」網站：www.twyushan.com.tw，主辦單位中華民國國家企業競爭力發展協會服務服務專線：（02）2346-2121。

人工智慧（Artificial Intelligence）的研究，過去60多年來從未停歇，而今總算有了不凡的突破，從AlphaGo到智慧語音助理、自動駕駛技術等，無疑捕捉了無數人們的注意力，宣告著劃時代的科技盛世已經到來。



1950年，圖靈在他名為〈運算機器與智慧（Computing Machinery and Intelligence）〉的論文裡提問：「機器能思考嗎？（Can Machine Think？）」，挑戰了人類對計算機智慧的想像。圖靈認為人們會首先流於爭執機器與思考的定義，卻沒有辦法很精確地討論問題核心：「機器會有智慧嗎？」

由於機器智能難以確切定義，圖靈在該論文首次對如何判定機器具有智慧，提出了著名的「圖靈測試」：如果機器與人類進行非面對面（例如在中間以布幕隔離）對話（例如使用文字訊息），人類卻無法辨認出對方是機器，那麼這台機器就具有智慧。圖靈測試無論在當時或現代，對於人工智慧研究而言都是重要且相對嚴謹的研究提案，後續許多業界與學界的研究都企圖挑戰圖靈測試：如1966年麻省理工學院人工智慧研究室的約瑟夫．維森鮑姆（Joseph Weizenbaum），以字串比對自動回覆的方式所開發出的聊天機器人ELIZA；或到2014年，英國雷丁大學（University of Reading）重磅宣布其所開發出的Eugene，已經通過測試，但後來被質疑標準有誤。

其實，人工智慧一詞直到1956年，才在美國新罕布夏州一場為期兩個月的研究工作坊「達特茅斯暑期人工智慧研究計畫（The Dartmouth Summer Research Project on Artificial Intelligence）」上，由負責組織會議的電腦高階語言LISP之父約翰?麥卡錫（John McCarthy）正式定名。這場工作坊所討論的問題：「計算機、自然語言處理、神經網絡、計算理論、抽象化與隨機創造」後來都成為人工智慧研究發展的重要領域，而達特茅斯會議也因此成為人工智慧領域的經典起源。

歷經了60年的發展，人工智慧的研究領域因種種困難而起起落落，經歷了無數個轉角。起初仿造動物神經元，希望打造強人工智慧的人工神經網絡（Artificial Neuron Network），先是經歷了機器無法應付計算複雜度的困境，無法取得研究經費而停滯；同一時期另一脈絡的弱人工智慧，則發展出博聞強記、分辨率隨資料質與量逐步提升而快速進展的機器學習。如今，人與機器的對話，已因商業應用的普及而不再困難。這一甲子，到底電腦科學家解決了些什麼問題呢？從人工智慧三大關鍵技術突破或可窺探未來。

關鍵技術一 文藝復興後的人工神經網絡

對於人工智慧，電腦科學家當然希望可以直接模仿生物的神經元運作，因此設計數學模型來模擬動物神經網絡的結構與功能。所謂人工神經網絡是一種仿造神經元運作的函數演算，能接受外界資訊輸入的刺激，且根據不同刺激影響的權重轉換成輸出的反應，或用以改變內部函數的權重結構，以適應不同環境的數學模型。

1951年，科學家馬文．閔斯基（Marvin Minsky）第一次嘗試建造了世上第一個神經元模擬器：Snarc（Stochastic Neural Analog Reinforcement Calculator），它能夠在其40個「代理人」和一個獎勵系統的幫助下穿越迷宮。六年後，康乃爾航空工程實驗室的法蘭克．羅森布拉特（Frank Rosenblatt）設計、發表神經網絡的感知器（Perceptron）實作後，人工神經網絡（或稱類神經網絡）學者曾經一度振奮，認為這個突破終將帶領人工智慧邁向新的發展階段。

但，人工智慧領域的研究在1970年代因為缺乏大規模數據資料、計算複雜度無法提升，無法把小範圍的問題成功拓展為大範圍問題，導致計算機領域無法取得更多科學研究預算的投入而沉寂。到了1980年代，科學家首先透過思考上的突破，設計出新的演算方法來模擬人類神經元，迎來神經網絡發展的文藝復興時期。物理學家約翰．霍普費爾德（John Hopfield）在1982率先發表Hopfield神經網絡，開啟了神經網絡可以遞迴設計的思考。四年後，加州大學聖地牙哥分校教授大衛．魯梅爾哈特（David Rumelhart）提出了反向傳播法（Back Propagation），透過每次資料輸入（刺激）的變化，計算出需要修正的權重回饋給原有函數，進一步刷新了機器「學習」的意義。科學家更進一步把神經元延伸成為神經網，透過多層次的神經元締結而成的人工神經網絡，在函數表現上可以保有更多「被刺激」的「記憶」。

目前多層次的人工神經網絡模型，主要包含輸入層（input layer）、隱層（hidden layer）與輸出層（output layer），另外根據資料輸入的流動方向，又分為單向流動或可以往回更新前一層權值的反向傳播法。由於神經網絡模型非常仰賴計算規模能力，為了增加高度抽象資料層次的彈性，電腦科學家將之複合為更複雜、多層結構的模型，並佐以多重的非線性轉換，將其稱之為深度學習（Deep Learning）。

關鍵技術二 靠巨量數據運作的機器學習

科學家發現，要讓機器有智慧，並不一定要真正賦予它思辯能力，可以大量閱讀、儲存資料並具有分辨的能力，就足以幫助人類工作。1970年代，人工智慧學者從前一時期的研究發展，開始思辯在機器上顯現出人工智慧時，是否一定要讓機器真正具有思考能力？因此，人工智慧有了另一種劃分法：弱人工智慧（Weak AI）與強人工智慧（Strong AI）。弱人工智慧意指如果一台機器具有博聞、強記（可以快速掃描、儲存大量資料）與分辨的能力，它就具有表現出人工智慧的能力。強人工智慧則是希望建構出的系統架構可媲美人類，可以思考並做出適當反應，真正具有人工智慧。

機器學習（Machine Learning）可以視為弱人工智慧的代表，只要定義出問題，蒐集了適當的資料（資料中通常需要包含原始數據與標準答案，例如人像圖片與該圖片內人像的性別、年齡），再將資料分做兩堆：訓練用與驗證用，以訓練用資料進行學習，透過特定的分類演算法抽取特徵值，建構出資料的數學模型，以該數學模型輸入驗證用資料，比對演算的分類結果是否與真實答案一樣，如果該數學模型能夠達到一定比例的答對率，則我們認為這個機器學習模型是有效的。這種具有標準答案，並以計算出的預期結果進行驗證的機器學習，通常被稱為監督式學習。 相對於監督式學習，非監督式學習則強調不知道資料該如何分類的機器學習，換句話說，我們提供電腦大量資料，但不告訴它（或許我們也真的不知道）這些資料該用什麼方式進行分類，然後電腦透過演算法將資料分類，人類只針對最終資料分類進行判別，在數據尋找規律就是機器學習的基礎。

機器學習的發展方向，是在設計、分析一些讓電腦可以自動「學習」的演算法，讓機器得以從自動分析資料的過程中建立規則，並利用這些規則對還沒有進行分析的未知資料進行預測。過程中，時常運用統計學技巧，並轉化成電腦程式，進而計算出資料??的分界條件來做預測。 弱人工智慧作為人工智慧領域的發展途徑，無論是監督式學習或非監督式學習，隨著資料被大規模蒐集、經由網際網路被傳遞、輔以雲端架構支援的運算，用機器學習來解決人類基礎的問題變成一種可能。目前機器學習也是人工智慧商業應用最廣泛的一種技術。舉凡搜尋引擎、圖像辨識、生物特徵識別、語音與手寫識別與自然語言處理、甚至是檢測金融詐欺等等，都是常見的應用。

關鍵技術三 人工智慧的重要應用：自然語言處理

對人類來說，如何讓這些現代自己製造出來的機器們，可以聽懂人話，並與人類「合作」，絕對是可以推動我們面對未知宇宙的重要助手。

自然語言處理（Natural Language Processing, NLP）的研究，是要讓機器「理解」人類的語言，是人工智慧領域裡的其中一項重要分支。英國雷丁大學的演化生物學家馬克．佩葛（Mark Pagel）認為，最早的一種「社會科技」是人類的「語言」，語言的發明讓早期人類部落透過新工具：「合作」在演化上占有優勢。自然語言處理可先簡單理解分為進、出計算機等兩種：其一是從人類到電腦──讓電腦把人類的語言轉換成程式可以處理的型式，其二是從電腦回饋到人──把電腦所演算的成果轉換成人類可以理解的語言表達出來。

無論是從人類到電腦，或從電腦到人類，語言處理通常都使用到我們一般學習外語所要具備的聽、說、讀、寫等技能。其中：聽與說主要使用到聽覺與發音，對電腦而言就是能夠透過麥克風「聽」到人類說話，把聽到的聲音轉成文字（這是語音辨識），或把電腦想要表達的意思轉成人類可以理解的詞句（這是自然語言生成），再用耳機或喇叭「唸」給人類聽（這是語音合成，功能通常稱作文本朗讀：text to speech）。科學家與工程師們也致力於影像文字辨識，影像來源可以是掃描完成的文件影像檔案、也可以是手機鏡頭的即時影像，目標的文字體則可以是一般鉛字印刷品或列印的文件，也可以是手寫文字（手寫文字辨識）。

當計算機透過「聽」或「讀」，將人類的話語或文章轉成文字、語句進到處理層，還需要能夠自動分詞（word segmentation），也就是電腦必須拆解人類的語句來理解語意，才可以進而給出相應的答案。例如一般人對手機說：「今天香港會不會下雨」，手機必須錄下聲音、並且濾掉雜音、將這句話的聲音轉化為文字、將這句文字拆解成不同詞句，並標注上不同詞性（speech tagging）。

「瞭解」使用者想要知道氣象資訊的命令後，手機必須對能提供「天氣」資訊的伺服器發出相應的（告訴伺服器要的地理資料是香港、並把今天轉換為實際的日期時間）資訊請求，包含未來數小時區間氣溫、氣象（是多雲、雨或晴天等）、風速、降雨機率、濕度、氣壓、空氣品質或紫外線指數等。

當伺服器回應了前述的相應數據後，手機可以選擇用螢幕畫面來回應，但更貼心的作法是把這些資訊翻譯成「人話」，然後用聲音唸出來。這時的處理可以把「香港接下來八小時會是晴天，氣溫攝氏25度，降雨機率是10%，空氣品質良好」這個句子，透過合成不同語詞聲音後說出來。但是，使用者問的其實是「會不會」下雨，所以必須進一步把降雨機率10%、晴天等等資訊轉換成「會不會」的尺度，例如10%可以轉化為「不太會」或是「只有很小的機率」一詞。

人類互動最重要的工具就是語言，無論是文字或語音，語音智慧助理讓人能和機器說話，無非是近年行動裝置普及後，最令人興奮的進展之一。

下面附上一則新聞讓大家了解時事

儘管上市過程一延再延，但上海銀行仍是大陸股市今年以來最大宗的ＩＰＯ案。十一月二日上海銀行開始進行個人與法人申購程序，股票掛牌上市已箭在弦上。台灣上海商銀因間接持有香港上海商業銀行約六○％的股份，而香港上海商業銀行持有大陸上海銀行約三％股份，代表台灣上海商銀可間接認列一．八％有關大陸上海銀行所貢獻的業外收益。雖然上海銀行對於台灣上海商銀獲利的貢獻有限，但重點應著重在上海商銀未來如何結盟兩岸三地的「上海銀行」，創造出自身獨特的優勢。

上海銀行公告ＩＰＯ發行價格每股十七．七七人民幣，募集金額一○六．七億人民幣，發行股數將不超過六．○○四五億股，占發行後總股本十％。發行價格是今年所有大陸新上市銀行股中最高，以上海這個特殊的經濟地位，即使目前大陸銀行業不良貸款率攀升，獲利成長下滑等一連串的負面條件，仍無損上海銀行掛牌後大漲逾十元人民幣。

大陸銀行業的挑戰

大陸市場對於上海銀行上市的蜜月行情有些許的雜音，甚至傳出有可能跌破發行價格。不過，以今年大陸所有上市銀行股上市第一天全數漲停，掛牌一個月後普遍都有一倍以上的漲幅，當然上海銀行新股行情也沒有讓股民失望，同時成功擠下杭州銀行，坐上銀行股股王寶座。而身處台灣的投資人，如果也想參與這次地方銀行的ＩＰＯ熱潮，除了在大陸工作的台商可直接開陸股戶頭外，台灣投資人可以利用複委託的方式，透過台灣券商下單給大陸券商投資陸股。

大陸進入十三五規劃期，調結構、去產能，使得銀行業整體經營環境更加複雜，加上金融業與網路金融業務的開放，銀行業之間的競爭不斷擴大。大陸經濟正處在轉型，銀行業經營壓力與風險增加，而受到利率市場化的影響，銀行間競爭的壓力，使淨利差縮小的趨勢不會改變。中國整體銀行業淨利差從二○一三年的二．六八％，一路下滑至一五年的二．五四％，上海銀行的淨利差則是從二○一三年的一．九九％跌至一五年的一．八二％。隨著去產能、去槓桿、去庫存的力道逐漸增加，產業和企業風險將加重，銀行業的信貸風險將相應提升。而且大陸銀行業未來還要面臨流動性、跨產業、跨市場等各種複雜交錯因素所帶來的新風險。

台灣銀行業困淺灘

上海商業蓄儲銀行是少數在台灣未公開上市的商業銀行之一，二○一四年九月二十五日於櫃買中心以參考價每股四○元登錄興櫃。隨後原本有意在二○一五年銀行成立一○○周年時，提出上市規劃。但台灣金融業平均ＰＢ比低於一倍，並不是上市好時機，因此銀行高層沒有設定進度表而暫緩上市作業。不過上海商銀常務董事陳逸平表達出上海商銀一定會上市的態度。

台灣銀行業受限於市場飽和、家數過多，加上法令的限制，銀行業無法進行太過風險性的投資，使得整體銀行業營收和獲利無法有突破性的發展。

根據中央銀行的統計資料顯示，二○一六年一月底，台灣金融機構之分行，本國銀行達三四四四家，其次為基層金融機構則有一一二一家。以金融密度來看，每一分支機構平均服務約四七○○人，或每七．二平方公里即有一家分行金融機構。如果再以台灣銀行業的集中度分析，前三大銀行資產的市占率僅約二五％，集中度不高，顯示台灣銀行業在家數過剩之下，市場競爭激烈。

作文課後 推薦, 作文課後 討論, 作文課後 部落客, 作文課後 比較評比, 作文課後 使用評比, 作文課後 開箱文, 作文課後?推薦, 作文課後 評測文, 作文課後 CP值, 作文課後 評鑑大隊, 作文課後 部落客推薦, 作文課後 好用嗎?, 作文課後 去哪買?

• 明星商品
• 最便宜
• 最後機會
• 有限
• 知名商品
• 熱門
• 批踢踢
• 夏季特賣
• 限時商品
• 流行

• 本周優惠 超搶手一般警察特考[四等][行政警察]精簡版套書(贈英文單字口袋書)(附讀書計畫表)(105年適用版)
• 夏季特賣 優惠中龍的飼養準則 迷你海報書籤組
• 最便宜 強檔優惠【愛的世界】LOVEWORLD 酵素奶瓶蔬果洗潔液(700ml-瓶)-台灣製-(白色)
• 活動搶便宜 特價【INTEX】38吋花色透明浮圈-不挑款 58263
• 暢銷 CP值超高丙級建築製圖應用－手繪項技能檢定學術科題庫解析(2015最新版)(附學科測驗卷)(04659066)