<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（0131～0206）</span></h3>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 國科會 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 算力 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> AI開發雲端服務平臺 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>加速建置AI算力，政府預計2029年公共算力達480PF</strong></span></p>
<p>2月6日，國研院院長蔡宏營在行政院會後記者會中揭露國家AI算力計畫，其中，國網中心去年建置的16PF算力超級電腦，預計今年5月開放使用。再加上目前進行中的晶創臺灣計畫（2024年至2028年）、將建置280PF算力，以及大南方新矽谷推動方案（2026年至2029年）、將建置200PF算力，國科會預計，2029年公部門算力將達到480PF，屆時加上民間算力，預估可超過1,200PF。</p>
<p>至於開放時程，指出，南科雲端資料中心預計今年底開放使用，沙侖AI運算資料中心則預計2029年開放使用。這些大型雲端資料中心，不只是AI算力機房，也能作為國家關鍵資料基地，儲存量可達60PB。除了AI基礎建設，政府未來也會強化算力資源的管理、能源的運用效率，並發展多元算力應用。</p>
<p>算力之餘，蔡宏營表示，政府也將推動產學橋接，來發展多元AI應用服務，並計畫對中小企業或新創產業，提供AI技術輔助和優惠。此外，國科會計畫建立一站式的AI開發雲端服務平臺，來介接資服業者服務、技術，將雲端服務擴大到各行各業、帶動公私部門投資。<a href="https://www.youtube.com/watch?v=YS-1qX3N61k&t=1198s&ab_channel=%E8%A1%8C%E6%94%BF%E9%99%A2%E9%96%8B%E9%BA%A5%E5%95%A6-2">（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%202025-02-08%20172707.png" /></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 數發部 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> AI評測 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 公部門 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>3月召開說明會，數發部今年要建立公部門AI評測機制</strong></span></p>
<p>數發部在2月6日行政院會後記者會中，揭露AI評測機制進展，首先是2024年開始推動AI評測、成立AIEC評測中心，也參考國際標準，建立了公平性、準確性、可靠性、隱私、資安等5大評測項目。接著，今年3月，數發部將邀請各部會召開說明會，來建置公部門的AI評測機制、建立題庫和工具。至於私部門的民間企業，數發部點出，企業可透過AIEC、測試實驗室、驗證機構等單位來評測自家AI產品。為將國內評測機制與國際接軌，數發部還預計邀請OpenAI、Meta等業者合作。</p>
<p>就公部門AI使用狀況來說，數發部已在去年底公布試辦版的公部門人工智慧應用參考手冊，預計今年底發布正式版。同時他們也規畫，建立政府語言模型試用環境和AI範例展示平臺，要提供10個大型語言模型（包括TAIDE和全球排名前9的LLM），並以App市集為概念，提供20個AI Bots，供行政院二級機關人員試用。至於AI法規，國科會去年研擬的AI基本法草案，目前在行政院審核中，而行政院也針對AI資料治理法規和著作權法等，進行法規調適。<a href="https://www.youtube.com/watch?v=YS-1qX3N61k&t=1198s&ab_channel=%E8%A1%8C%E6%94%BF%E9%99%A2%E9%96%8B%E9%BA%A5%E5%95%A6-2">（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%202025-02-08%20163806.png" /></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> s1-32B </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 史丹佛大學 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 推理模型 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>史丹佛大學開源低成本推理模型s1-32B</strong></span></p>
<p>日前，史丹佛大學團隊發布一款新模型s1-32B，以極低成本和少量資料訓練而成，但其數學表現比OpenAI的o1-preview模型還要好，在MATH和AIME24的數學標竿測試中高出了27%。該模型已在<a href="https://github.com/simplescaling/s1">GitHub上開源</a>，包括模型、程式碼和資料。要提高模型的推理表現，傳統方法是在模型訓練過程中，增加運算資源和大量資料，但近來有種新型方法，是在模型完成訓練後，在使用階段增加運算量，來提高推理能力，這就是測試時間擴展方法（Test-time scaling），也是s1-32B採用的方法。</p>
<p>為訓練模型，史丹佛大學團隊先根據難度、多樣性和品質，篩選出1,000個樣本，這些樣本包括問題、模型推理過程和答案，集結起來就是s1K資料集。接著，他們開發預算強制（Budget forcing）方法，在測試期間（也就是模型使用期間）強制控制運算量，比如當模型想太多時，提早終止思考來減少推理步驟、產出答案，或是強迫模型延長思考，在模型要結束輸出時，多次加入「Wait」來讓模型繼續推理，來自我修正推理步驟。最後，他們用s1K資料集來監督式微調Qwen2.5-32B-Instruct模型，得出s1-32B模型，以16張H100 GPU和26分鐘完成訓練，花費約20美元。<a href="https://arxiv.org/abs/2501.19393">（詳全文）</a></p>
<p><img alt="" src="https://github.com/simplescaling/s1/raw/main/visuals/scaling.png" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> Hugging Face </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 多模態模型 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> SmolVLM </span></strong></span></p>
<p><span style="font-size:22px;"><strong>號稱業界最小多模態語言模型來了</strong></span></p>
<p>AI資源平臺Hugging Face最近發布兩款新多模態模型SmolVLM-256M和SmolVLM-500M，前者號稱是全球最小的多模態及影片語言模型（VLM）。進一步來說，256M和500M模型都使用SigLIP作為圖片編碼器，以SmolLM2為文字編碼器，來共同運作。</p>
<p>其中，SmolVLM能勝任多種多模態任務，包括生成圖片描述或短影片字幕、PDF或掃瞄文件問答，以及回答圖表問題。這種模型架構輕巧，適合用於行動裝置應用，同時維持強大效能。其中，256M是最小型的VLM多模態模型，它能接受任何序列的圖片和文字，生成文字輸出，能以不到1GB的GPU RAM對單一圖片推論。若要更高效能，則可選擇SmolVLM-500M模型，在單一圖片上推論僅需1.23GB的GPU RAM。二款模型微調後表現更好。<a href="https://huggingface.co/blog/smolervlm">（詳全文）</a></p>
<p><img alt="" src="https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/smoller_vlm_benchmarks.png" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 推理模型 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> Open-R1 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> DeepSeek </span></strong></span></p>
<p><span style="font-size:22px;"><strong>Hugging Face要打造推理模型Open-R1</strong></span></p>
<p>DeepSeek-R1模型發布以來，因其相對低廉的硬體和訓練成本展現良好推理能力，如數學、程式開發與科學領域的推理能力，引發社群關注。不過，DeepSeek-R1只開源了模型權重，並未開源資料集和訓練程式碼，因此Hugging Face啟動一項專案，要根據DeepSeek公布的研究內容，進行逆向工程，打造一款名為Open-R1的開源版本，希望在透明、可驗證的環境下，讓研究社群能更深入了解這項技術，如關鍵架構、訓練步驟，以及在有限硬體資源下達到高效訓練的方法。</p>
<p>Hugging Face團隊的做法，是先分析DeepSeek發布的技術報告與模型論文，並從現有權重中，推斷其訓練配方和資料分布。再來，Hugging Face將召集志願者，共同整理出可公開使用的高品質推理資料，藉此復刻或接近DeepSeek-R1所使用的多階段訓練策略。Open-R1若順利出爐，還可能在技術透明度和研究價值上，超越原始模型，供任何人檢閱並改良強化學習流程、語言模型結構和推理邏輯。<a href="https://huggingface.co/blog/open-r1">（詳全文）</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> OpenAI </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> o3-mini </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> ChatGPT </span></strong></span></p>
<p><span style="font-size:22px;"><strong>OpenAI推理能力模型o3-mini正式推出</strong></span></p>
<p>OpenAI最近揭露，小型推理模型OpenAI o3-mini已部署到ChatGPT和API，供付費方案用戶及開發人員使用。這款o3-mini保有OpenAI o1-mini的低成本和低延遲特性，但進一步加強小模型的效能和速度，具備優異的STEM（科學、數學和程式撰寫）能力，在AIME 2024數學標竿測試中，o3-mini-high推理能力等級模型得到87.3，優於o1-preview的56.7、o1-mini的63.6。</p>
<p>對開發者而言，o3-mini和o1-mini一樣，也支援串流，而且有低、中、高三種推理能力可選擇，用於不同場景。OpenAI指出，o3-mini能整合搜尋功能，可提供即時網頁答案及連結。不過，目前o3不支援視覺功能，需要的用戶還是得繼續使用o1-mini。o3-mini已部署到ChatGPT和API，包括API使用層級3到5特定開發人員的Chat Completions API、Assistants API及Batch API。<a href="https://openai.com/index/openai-o3-mini/">（詳全文）</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> Deep Research </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> OpenAI </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 搜尋工具 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>OpenAI推強大搜尋研究工具Deep Research</strong></span></p>
<p>最近OpenAI推出Deep Research功能，可整合網路上大量分散資訊，自動執行多步驟研究、產出報告結果。進一步來說，該系統利用端對端的強化學習技術，經大量困難瀏覽與推理任務的訓練，學會自主規畫、執行多步驟資訊搜尋流程。</p>
<p>這個功能不只能繪製圖表、嵌入網站圖片，還能精確引用來源文字，滿足研究報告對技術與細節的需求。而且，Deep Research內建Python工具，能動態生成圖形，並將分析結果嵌入最終報告，可大幅降低人力負擔。OpenAI評估顯示，在Humanity's Last Exam這項涵蓋多領域專家級問題的測試中，Deep Research達到26.6％準確率，比其他先進的語言模型，如OpenAI o3-mini_high的13.0％、DeepSeek-R1的9.4％、OpenAI o1的9.1％還要好。</p>
<p>Deep Research目前供Pro用戶使用，未來將逐步擴展至Plus、Team與Enterprise等更多使用者。OpenAI表示，未來還將新添Deep Research功能，來連接更多專業訂閱資源和內部資料庫。<a href="https://openai.com/index/introducing-deep-research/">（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%202025-02-08%20174455.png" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> LLM </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> DeepMind </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 複雜任務 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>不必轉化為數學模型，LLM也能良好解決複雜問題 </strong></span></p>
<p>日前，DeepMind發表Mind Evolution技術，結合了大型語言模型（LLM）和演化式搜尋方法，解決傳統方法在自然語言規畫與推理任務中的效率和準確性瓶頸。這個研究的特別之處在於，語言模型可直接用來處理複雜問題，且解決能力非常好，不必先將問題轉化為數學模型。</p>
<p>團隊表示，LLM在處理複雜自然語言規畫和推理任務仍有限制，比如旅行規畫或行程安排等情境，傳統方法容易受限於局部搜尋，或難以將問題轉換為明確的數學模型，影響了解題效果。於是，DeepMind設計一套演化式搜尋策略，結合隨機探索和深度最佳化，可生成、重組、改進候選解方。這個方法能在短時間內，大幅提高解題準確性，還能應對自然語言描述中，隱含的約束和需求。而且，這個方法還不需要一一檢查每個中間推理步驟，大幅降低運算成本。</p>
<p>DeepMind還以旅行規畫、行程安排及隱寫術生成（Steganography）等高難度的自然語言任務，來測試Mind Evolution。結果顯示，Mind Evolution在TravelPlanner與Natural Plan基準測試的成功率在95%至100%間，遠遠超過傳統的最佳解搜尋與逐步修正策略。<a href="https://arxiv.org/html/2501.09891v1">（詳全文）</a></p>
<p>圖片來源／國網中心、數發部、史丹佛大學、Hugging Face、OpenAI</p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> AI近期新聞 </span></strong></span></p>
<p><strong>1. 行政院要求公務機關全面禁用DeepSeek AI服務</strong></p>
<p><strong>2. Google Gemini 2.0 Flash Thinking供所有用戶測試</strong></p>
<p><strong>3. Anthropic預計替Claude加入雙向語音模式</strong></p>
<p>資料來源：iThome整理，2025年2月</p>
</div></div></div>
