<div class="field field-name-field-news-column-category field-type-taxonomy-term-reference field-label-hidden"><div class="field-items"><div class="field-item even"><a href="/tags/%E6%96%B0%E8%81%9E">新聞</a></div></div></div><div class="field field-name-body field-type-text-with-summary field-label-hidden"><div class="field-items"><div class="field-item even"> <h3><span style="vertical-align: top; color: rgb(0, 0, 255);">重點新聞(1111～11117)</span></h3>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 消防輔助 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 火災逃生 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 成大 </span></strong></span></p>
<p><strong style="font-size: 22px;">成大打造消防AI即時預測火勢，還能整合現有系統</strong></p>
<p>成大製造資訊與系統研究所副教授蔡佩璇團隊打造一款消防輔助AI系統，可用來輔助室內消防安全檢測、即時預測室內火災走勢、加速指引民眾緊急逃生等3大層面，而且，這套系統可直接與現有消防系統並行，使用者不必重新建置整套系統。</p>
<p>一般來說，消防系統應要有指引逃生、收集火場資訊和環境安全評估的功能，但傳統消防系統常見3種問題，一是逃生路徑是事先規畫的，無法根據火災當下來動態調整逃生路徑。再來是，火場即時資料大多來自感測器，但感測器網路設備容易受到高溫燃燒、氣體擾動影響，進而干擾資訊收集。第3是，目前的環境消防檢測大多仰賴專業人力實地評估檢驗，難以根據最新變動（如大型家具移動）來給予建議。</p>
<p>因此，成大團隊先針對火場逃生，開發一套建築數位雙生逃生演算法，來規畫室內逃生路徑。他們利用建築物的資訊，如室內定位系統、室內地圖和火災偵測系統（感測器資訊）來建模，進而算出最安全的動態逃生路徑，並將資訊發送到手機等行動裝置上，協助民眾避開危險區域。團隊實驗發現，與其他現有方法相比，該方法的逃生生存率能有效提高。此外，他們還開發一套快速火災預測方法，可透過火災模擬，快速評估室內環境，也能在火災當下補強即時資訊，規畫出更安全的逃生路徑。</p>
<p>為防範未然，成大團隊也打造一套自動化環境檢測工具，透過AI快速地將室內環境虛擬化並自動產生模型，結合火災模擬和物件、材質辨識，來找出引發火災或影響逃生的危險因子。在他們的模擬中，AI系統能根據不同材質，準確推算出不同時間的溫度和煙霧濃度變化值。而整套消防AI輔助系統，可加強現有公寓大樓、廠房倉庫等的消防安全不足之處，也能與現有消防系統並行。<a href="https://www.nstc.gov.tw/folksonomy/detail/22fa021c-2fb2-4801-8dd2-b2fd9442d610?l=ch#start-left">（詳全文）</a></p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/%E8%9E%A2%E5%B9%95%E6%93%B7%E5%8F%96%E7%95%AB%E9%9D%A2%202022-11-17%20171530.png" /></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> DeepMind </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 點追蹤 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 物件追蹤 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>如何準確追蹤移動中物體？DeepMind開源點追蹤基準測試</strong></span></p>
<p>對自駕車、監控AI來說，準確辨識移動中物體的表面變化很重要，如旋轉、變形等，DeepMind最近開源一款TAP-Vid基準測試（Benchmark），包含4個資料集，皆由人工標註的追蹤點真實影片和模擬合成影片組成，可用來衡量AI模型對移動物件的辨識準確率。</p>
<p>發展基準測試的同時，DeepMind也打造一款物件點追蹤模型TAP-Net，並開源程式碼供開發者使用。團隊指出，以TAP-Vid基準測試結果來看，TAP-Net的表現比傳統點追蹤方法要好，包括光流法和3D重建的運動恢復結構法（SfM）。不過，DeepMind也坦言，他們的研究成果仍有局限，比如仍無法處理液體或透明物體。<a href="https://twitter.com/DeepMind/status/1590029887213273089?ref_src=twsrc%5Etfw%7Ctwcamp%5Etweetembed%7Ctwterm%5E1590029887213273089%7Ctwgr%5E3d79fd86f0e76074d540b2d141847acc5ab38b39%7Ctwcon%5Es1_&ref_url=https%3A%2F%2Fanalyticsindiamag.com%2Fgoogles-deepmind-sets-a-new-benchmark-in-object-detection%2F">（詳全文）</a><img alt="" src="https://twitter.com/i/status/1590029887213273089" /><img alt="" src="https://s4.itho.me/sites/default/files/images/%E5%9C%961(9).png" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 台電 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 智慧電表 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 微電網 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>台電智慧電表大數據發展產業動態指數，目前正打造微電網平臺</strong></span></p>
<p>台電公司日前揭露發、輸、配、售等電力系統的轉型應用成果，像是在全臺安裝173萬具AMI智慧電表的基礎上，結合HEMS居家能源管理系統，發展出新應用，將用電異資訊常搭配智慧音箱，來調控家中的家器用電。</p>
<p>此外，台電也用AI搭配智慧電表，來發展產業動態指數，也就是以台電用戶用電數據、帳單資訊和產業資料來訓練模型，產生產業動態指數，作為未來各產業發展參考。甚至，這些產業動態指數可透過數據介接，交由資料經銷商來販售，如提供給金融業、政府或其他利害關係人，作商業使用。</p>
<p>在配電端部分，台電也已在部分配電變電所部署巡檢機器人，不只可預設巡檢目標、排程，由機器人自動執行外，中控中心也能從遠端遙控機器人至特定點檢测，取代部分維運人力。另一方面，台電也正在樹林區打造微電網平臺，包含儲能系統、主變電站，還有跟市電連結的控制系統，以及PV智慧變流器、電動車與各式儲能。台電表示，透過這座微電網，已可提供計畫性和非計畫性的微電網併網與孤島運轉，未來可打造成虛擬電廠，提供台電更多電能調度。<a href="https://www.ithome.com.tw/news/154093">（詳全文）</a></p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/%E4%BF%AE-PXL_20221018_075217381.jpg" /></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);">Meta </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 蛋白質 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> ESMFold </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>Meta釋出6億個微生物蛋白質結構，要揪出蛋白質界的「暗物質」</strong></span></p>
<p>Meta在11月初發表一套用AI預測的微生物蛋白質結構資料庫，數量高達6億個，是現有最大的高解析度蛋白質預測結構，Meta也提供API，來供研究者取用所需的蛋白質結構。同時，他們也開源用來預測蛋白質結構的大型語言模型ESMFold，預測速度比時下SOTA模型快上60倍。</p>
<p>近年來，AI用於蛋白質結構預測有不少突破，比如DeepMind打造AlphaFold2模型，解決50年來的蛋白質折疊預測難題，今年更進一步開源2億個蛋白質結構，幾乎涵蓋地球上所有已知的生命體基因庫。不過，Meta從另一面下手，鎖定總體基因體，也就是來自土壤、海洋、人體內部的微生物蛋白質，要來預測這些蛋白質的結構。因為，這些蛋白質可幫助人類解開進化之謎，也有可能治癒疾病、淨化環境或生產乾淨能源。</p>
<p>他們用來預測蛋白質的網路是ESMFold，主要2019年開發的語言模型ESM為基礎。這個模型是自監督模型，能自動在一段話中，填入被遮住的空白處，如To __ or not to __, that is the ________.他們利用這個原理，來讓模型填補空白的蛋白質序列，如GL_KKE_AHY_G，進而探索新結構。這個模型由上百萬個蛋白質序列訓練而成，後來，他們進一步將模型擴展為ESM-2，參數量從800萬增加至150億個。該模型也加速蛋白質結構的預測時間，可比傳統方法快上60倍；Meta指出，他們用2,000顆GPU叢集，2周就完成6億個蛋白質結構預測。<a href="https://ai.facebook.com/blog/protein-folding-esmfold-metagenomics/">（詳全文）</a></p>
<p><img alt="" src="https://scontent.ftpe7-1.fna.fbcdn.net/v/t39.2365-6/312062054_824222298698283_7847738217102467171_n.png?_nc_cat=110&ccb=1-7&_nc_sid=ad8a9d&_nc_ohc=Et1fg8jZxKIAX8ntp3f&_nc_ht=scontent.ftpe7-1.fna&oh=00_AfAlzzgee07XyThrUhserr68XrIVOBG3eqW4-dFR-Ya8zw&oe=637B6393" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 語音壓縮 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> MP3 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 元宇宙 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>Meta新AI語音壓縮技術效果比MP3好10倍</strong></span></p>
<p>Meta日前發表一款AI音訊壓縮技術，效果比MP3好10倍，方便使用者在低頻寬網路傳送語音或音樂檔案。Meta表示，使用串流多媒體、傳送高品質音樂仍需大頻寬和儲存空間，但若發展元宇宙，就需要更有效的壓縮技術。</p>
<p>於是，Meta AI研究部門開發一款AI音訊超壓縮技術，先建立一款包含編碼器、量化器和解碼器的EnCodec模型系統。其中，編碼器可將原始資料轉為高維度和低幀率的格式，量化器則將這格式資料壓縮。量化器經訓練，能將資料壓縮為所需大小，同時保留最重要的資訊。而解碼器，可將壓縮訊息重建為類似原始音訊的波形，FAIR也用GAN的鑑別器，來提升生成樣本的永久品質。</p>
<p>在一項1.5kbps到12kbps低位元速率語音壓縮測試中，Meta發現，EnCodec在各種頻寬及音訊品質上，都能在單一CPU核心系統上即時編碼及解碼。而且， EnCodec（6kbps）壓縮率是MP3（64kbps）的近10倍。Meta也將EnCodec技術的程式碼和樣本公布在GitHub上，並發表技術白皮書。<a href="https://ai.facebook.com/blog/ai-powered-audio-compression-technique/">（詳全文）</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 微軟 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 電腦視覺 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Vision Studio </span></strong></span></p>
<p><span style="font-size:22px;"><strong>微軟推出圖形介面電腦視覺工具Vision Studio</strong></span></p>
<p>微軟發布圖形介面電腦視覺工具Vision Studio，用戶就算沒有技術基礎，也能探索電腦視覺功能，甚至採用微軟提供的客戶端函式庫和REST API，來部署電腦視覺應用。</p>
<p>在Vision Studio中，每個電腦視覺功能都有一個或多個試用功能，用戶可用自己的圖像，或微軟提供的範例圖像來測試。Vision Studio還提供光學字元辨識（OCR）功能，供用戶從圖像和文件中，擷取印刷或手寫文字，另，Vision Studio也能進行空間分析，辨識影片裡的人物和人物的移動，並產生其他系統可回應的事件。至於圖像分析功能，則能從影像中擷取視覺特徵，如物件、臉部、成人內容，甚至是自動生成文字描述（圖說），來改善無障礙功能。<a href="https://azure.microsoft.com/zh-tw/blog/introducing-vision-studio-a-uibased-demo-interface-for-computer-vision/">（詳全文）</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 抖音 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 推薦系統 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Monolith </span></strong></span></p>
<p><span style="font-size:22px;"><strong>抖音為何推這支影片？字節跳動揭露推薦系統架構</strong></span></p>
<p>抖音母公司字節跳動前陣子發表論文，揭露抖音使用的即時推薦系統Monolith主要架構，具參數同步和高容錯兩大優勢。團隊表示，即時推薦對許多有時效性的業務很重要，如線上廣告、短影片排序，但現有的通用深度學習框架如TensorFlow、PyTorch，仍難以滿足推薦業務需求。因為，這些基於密集運算和靜態參數的調整系統，利用動態參數來推薦，因此影響模型品質。而且，這些框架的設計，並未整合批次訓練和正式上線這2階段，無法即時根據顧客需求來修正模型。</p>
<p>於是，團隊首先設計一套無碰撞嵌入表格（Collisionless embedding table）並進行優化，以可終止嵌入和頻率過濾來降低記憶體用量；再來，他們打造高容錯性、隨時可正式上線的線上訓練架構，而且，他們的設計，可透過系統穩定性來換取即時的模型學習，更貼近即時回應的業務需求。字節跳動表示，這個推薦系統現已用於自家產品BytePlus Recommend上。<a href="chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://arxiv.org/pdf/2209.07663.pdf">（詳全文）</a></p>
<p><img alt="" src="https://lh4.googleusercontent.com/-JhcCP67xEPK21fKRXVigZ0VcQkf_28JXRArfEN0NmWR9LDrjQbsjBGhWDPPJCnvsXrn874171ScdhuAcg5fZ_b5zxas4ulxqk4xTTxTttPdcf5-UOvpwY_V5a5nOEdc02x1-aDlPVC82ltgDKHiC_lQVO_mBlWmgjtjouRJUrnFcGJG7pKL_LUy6npfDg" /></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Google </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 機器人 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> CaP </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>機器人也能寫程式！Google揭露新AI模型</strong></span></p>
<p>Google日前在AI大會上展示一款模型，可讓機器人寫程式，而且不需大量資料訓練。這款模型叫做Code as Policies（CaP），也就是將語言模型產生的程式，以實體機器人執行。CaP是以Google先前開發的幫手機器人模型PaLM-SayCan為基礎，根據Python通用語言少量、簡單的說明，就能讓語言模型撰寫機器人程式碼，並由機器人精準執行。Google的目的，是要讓單一系統執行多種複雜任務，不需特別訓練。</p>
<p>研究人員解釋，CaP使用一種程式碼撰寫模型，在提供了暗示（如告知它有哪些API）及範例（如命令該如何轉成程式碼）後，就能為新命令撰寫新程式碼，像是重寫API呼叫、合成新函式，表達回饋循環，以程式語言表達出來，在runtime組成新行為。目前，Google也將CaP的程式碼及技術白皮書在GitHub上開源。<a href="https://ai.googleblog.com/2022/11/robots-that-write-their-own-code.html">（詳全文）</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> Gartner </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 自適應 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 即時 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>Gartner預測2023年：自適應AI更為重要</strong></span></p>
<p>Gartner揭露2023年十大科技趨勢預測，強調自適應AI（Adaptive AI）將越發重要，模型得根據不斷變化的環境，來調整預測。進一步來說，自適應AI要求系統要能根據即時回饋，來修正輸出值，適應不斷變化的環境，甚至邁向線上訓練、線上推論的方向。</p>
<p>另一方面，Gartner認為，接下來將出現更多超級App（Superapps），也就是一款集應用、平臺和生態體系的應用程式。它不只有自己的功能，也提供平臺給第三方開發和發布自己的微應用程式，如微軟Teams、Slack等。他們預測，到2027年，全球50%以上的人口將成為超級App的日活躍用戶。不過，Gartner也點出，AI信任、風險和安全會是明年的重要課題，企業需確保模型的可靠性、可信度和數據保護，且需不同部門來聯手落實。<a href="https://www.gartner.com/en/articles/gartner-top-10-strategic-technology-trends-for-2023">（詳全文）</a></p>
<p>圖片來源／成大、DeepMind、Meta、字節跳動</p>
<p>攝影 / 余至浩</p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> AI近期新聞 </span></strong></span></p>
<p><strong>1. Google優化BigQuery文字分析能力，正式推出高效搜尋功能</strong></p>
<p><strong>2. IBM發布433量子位元的新一代量子處理器Osprey</strong></p>
<p>資料來源：iThome整理，2022年11月</p>
</div></div></div>
