<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（0228～0306）</span></h3>
<p><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);"> 合成資料 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> AnyPlace </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>單用合成資料，也能訓練出精準擺放物體的機器人</strong></span></p>
<p>最近，來自喬治亞理工學院、多倫多大學、Vector Insititute等機構的研究團隊<a href="https://www.arxiv.org/abs/2502.04531">發表一項新機器人訓練方法AnyPlace</a>，專門用合成資料，來訓練機器人在現實世界中擺放物體，包括堆疊、懸掛、插入等多種擺放方式。這個AnyPlace包含兩階段方法，首先是用視覺語言模型（VLM）來辨識大致的擺放區域，同時聚焦要擺放的局部區域。如此一來，就能用來訓練擺置動作預測模型，來在精確範圍內預測最佳的擺放方式，這就是第二階段方法。</p>
<p>為加強模型泛化能力，團隊用合成資料來訓練模型，包括用Blender生成隨機物體、用IsaacSim設置多元的擺放配置，來讓模型在沒有真實世界資料的條件下，學習擺放各種物體。經測試，AnyPlace在成功率、擺放方式和精確度等方面超越基礎模型，且能在真實世界中正確擺放，有別於其他模型的吃力表現。<a href="https://any-place.github.io">（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%202025-03-10%20155707.png" /></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);">生物電腦 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 人類神經元 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> CL1 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>澳洲新創用人腦神經元打造生物電腦 </strong></span></p>
<p>在近期落幕的行動通訊大會MWC上，澳洲一家生物科技公司Cortical Labs亮相一款商用生物電腦，名為CL1，由數十萬個人類腦細胞和傳統矽晶片組成，目前正研究其在AI和機器學習等領域的潛在應用。CL1由一個矽晶片組成，覆蓋一層實驗室培育的人類神經元。這些神經元可回應電訊號，形成類似生物大腦的訊息處理網路，並整合到自家開發的生物智慧作業系統（biOS）中，作業系統可將環境資訊傳遞給神經元，由神經元反應、執行模擬。</p>
<p>該公司表示，這些神經元可感知和適應環境，形成原始的學習能力，也能部署程式碼。不過，這些神經元最長可存活6個月。Cortical Labs認為，將生物元素整合到電腦中，可提高傳統AI難以完成的任務的效率，例如模式辨識，或在不可預測環境中的下決策。在推出CL1前，Cortical Labs 曾在2022年打造DishBrain生物電腦，由實驗室培養的80萬個神經元組成，經訓練後可以玩簡單的乒乓球遊戲。</p>
<p>Cortical Labs透露，首款CL1電腦將於今年6月出貨，每臺售價約3萬5千美元，使用者也能透過WaaS（Wetware-as-a-Service）雲端服務從遠端使用。儘管CL1這樣的生物電腦可能比傳統AI模型更有優勢，特別是學習效率和能耗部分，但這項技術的可擴展性仍不明確，要生產和維護這類系統，也比傳統處理器複雜許多。尤其，人類腦細胞的應用也引發倫理擔憂。<a href="https://corticallabs.com/cl1.html">（詳全文）</a></p>
<p><img alt="" src="https://corticallabs.com/images/footer-device.jpg" /></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 資料 </span></strong></span> <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);"> 人才 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>數發部瞄準AI資料需求，研擬草案要解放更多資料價值</strong></span></p>
<p>數發部在2月27日揭露發展臺灣AI的5大策略，鎖定算力、資料、人才、行銷和資金。其中，就資料來說，數發部今年要研擬促進資料創新利用發展條例草案，來提高非個資資料於AI訓練的可用性，同時建置臺灣主權AI訓練語料庫，作為訓練語料給國內外LLM使用，內容將涵蓋政府擁有著作權的非機密性文件，以及鼓勵民間捐贈的著作權內容。</p>
<p>不只非個資的資料，對於政府各部會擁有含有個資的結構化資料，數發部也提出資料匯流與隱私強化的計畫。該計畫將由數發部建置資料匯流的Proxy連結各個部會，由各部會提供資料目錄，當AI研究員向數發部提出資料需求，數發部再轉向管理資料的部會提出需求，部會將資料經過去識別化處理後，傳送給數發部，再由數發部進一步強化隱私處理，並將處理後的資料提供給AI研究員。</p>
<p>至於AI人才部分，目前數發部正在推動公務機關導入AI，要透過線上課程、實體課程，培養一般公務人員運用AI提升效率，另也要針對公部門IT人力，培養簡易開發AI應用的能力。再來，產官學的AI人才培養，則將由國科會、教育部、數發部、經濟部分別推動計畫，數發部也會與AI學校等民間單位合作，制定AI開發人才指引及標準。<a href="https://www.youtube.com/watch?v=0wTC3JQV_JU&ab_channel=%E6%95%B8%E4%BD%8D%E7%99%BC%E5%B1%95%E9%83%A8-moda">（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%202025-03-10%20160454.png" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 算力 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 資金 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 媒合 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>數發部揭AI算力、行銷和資金策略</strong></span></p>
<p>數發部在2月27日宣布，要從算力、資料、人才、行銷、資金等5面向提高臺灣AI發展。其中，就算力而言，目前以國科會國家實驗研究院的國網中心超級電腦為主，去年底建置的新超級電腦算力達16PF，預計今年5月開放算力服務，今年底再增100PF算力。</p>
<p>同時，數發部數產署去年已建置共32片Nvidia H100和8片AMD MI300X的GPU算力池，算力約1.58PF，去年已開放部分軟體、新創者申請免費使用，今年預計開放三個梯次申請，包括4月開放50家業者免費使用、7月和10月各開放70家業者使用。</p>
<p>另一方面，行銷策略方面，數產署將與軟體業者合作，舉辦多場Demo Day或需求媒合會，讓軟體或AI業者展示AI產品或服務，供開發資源不足的中小型企業參考。至於資金，數發部要與國發會合作，匡列為期10年的100億元預算，要與民間創投業者聯手共同投資具潛力的AI業者，或還未上市櫃的數位經濟領域公司。<a href="https://www.youtube.com/watch?v=0wTC3JQV_JU&ab_channel=%E6%95%B8%E4%BD%8D%E7%99%BC%E5%B1%95%E9%83%A8-moda">（詳全文）</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> VS Code </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 代理模式 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 智慧提示 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>VS Code 1.98版再強化Copilot整合，推代理模式</strong></span></p>
<p>微軟最近發布程式碼編輯器VS Code 1.98正式版，針對GitHub Copilot的編輯輔助體驗、終端機智慧提示和自動化執行能力進行大幅升級。首先，這次更新主打的Agent模式，讓Copilot能自動檢查程式碼錯誤，還能以互動式介面執行終端機指令，協助開發者自動完成更複雜的工作流程，比如開發者透過簡單的快捷鍵，確認或修改Copilot提出的終端機指令，減少過去在終端機與編輯器間來回切換的不便。</p>
<p>另一個亮點是終端機智慧提示（Terminal IntelliSense），VS Code 1.98改善了終端機中常見Shell工具的智慧化完成功能，增加對Bash、Zsh與PowerShell指令更詳盡的參數描述，也納入絕對路徑與別名（Alias）的辨識，提供更直覺且準確的建議資訊。再來，VS Code也針對Notebook編輯進行調整，開發者在編輯Jupyter Notebook等檔案時，Copilot可針對不同的Notebook單元格提供更流暢的自動化建議，降低手動編輯大量資料和文件的負擔。<a href="https://code.visualstudio.com/updates/v1_98#_github-copilot">（詳全文）</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 阿里巴巴 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> QwQ-32B </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 推理 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>阿里巴巴開源QwQ-32B模型</strong></span></p>
<p>繼於去年11月釋出QwQ-32B-Preview模型之後，阿里巴巴旗下的通義千問團隊近日正式開源QwQ-32B。千問團隊主要開發同名的Qwen基礎模型，而QwQ則是以Qwen系列為基礎的推理模型，具更深入的思考和推論能力，可在相對困難的下游任務中，表現更好。</p>
<p>這個具325億參數的QwQ-32B屬中型推理模型，團隊稱其表現可媲美DeepSeek-R1、o1-mini等先進模型。他們用來衡量模型表現的基準測試，涵蓋了數學推論、程式碼任務、語言能力、遵從自然語言指令的能力，以及函數調用能力，並發現，自家模型表現都與DeepSeek-R1-671B、OpenAI-o1-mini以及Qwen-32B等模型相當，有些甚至超越。<a href="https://qwenlm.github.io/blog/qwq-32b/">（詳全文）</a></p>
<p><img alt="" src="https://qianwen-res.oss-accelerate-overseas.aliyuncs.com/qwq-32b-final.jpg" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 圖靈獎 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 強化學習 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 獎勵 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>2024圖靈獎頒給強化學習奠基者</strong></span></p>
<p>有電腦科學界諾貝爾獎之稱的ACM圖靈獎，日前揭曉2024年得主，皆為奠定強化學習（Reinforcement Learning）的兩位重量級人物，分別是Andrew Barto和Richard Sutton。這兩位學者從1980年代開始，逐步建立強化學習核心理論和演算法框架，如時序差分學習演算法、策略梯度法、神經網路表達學習函式等，讓電腦在未知環境下，能根據累積的經驗自行調整行為，逐步提高決策品質。</p>
<p>這些貢獻，奠定了AI代理透過經驗和獎勵訊號來自主學習的基礎，進而開啟機器自主決策的現代應用。尤其，過去10年深度學習快速崛起，強化學習技術再次受到重視，特別是在對話機器人ChatGPT中扮演的關鍵角色。其他如晶片設計、機器人控制、網路壅塞控制，甚至供應鏈最佳化等領域，也已開始大規模導入強化學習技術。<a href="https://awards.acm.org/about/2024-turing">（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;"> Phi </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 多模態 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>微軟發表多模態模型Phi-4-multimodal </strong></span></p>
<p>微軟在2月底發布小型語言模型Phi-4-multimodal，具56億參數、支援12.8萬Token的上下文長度，可處理語音、圖像和文字任務，已於Azure AI Foundry、Hugging Face和Nvidia API Catalog等平臺上架。相比前幾代模型Phi-3.5和Phi-4.0，這次版本不但加強多模態整合能力，也強化了語音辨識、視覺理解和推理能力，適合開發多種AI應用場景。而且，Phi-4-multimodal還針對運算資源受限情況進行最佳化，能在裝置端執行。</p>
<p>目前，這個多模態模型可處理20種語言，如中文、日文、韓文、德文和法文等，語音則能處理英語、中文、西班牙語、日語等主要語種，圖像處理則以英文為主。另一方面，微軟也推出Phi-4-mini，是一款38億參數的小模型，專注於文字處理，特別適用於程式碼生成、數學推理、長文本處理與函式呼叫，也支援12.8萬Token內容。<a href="https://azure.microsoft.com/en-us/blog/empowering-innovation-the-next-generation-of-the-phi-family/">（詳全文）</a></p>
<p>圖片來源／喬治亞理工學院、Cortical Labs、數發部、阿里巴巴</p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> AI近期新聞 </span></strong></span></p>
<p><strong>1. <a href="https://news.microsoft.com/2025/03/03/microsoft-dragon-copilot-provides-the-healthcare-industrys-first-unified-voice-ai-assistant-that-enables-clinicians-to-streamline-clinical-documentation-surface-information-and-automate-task/">微軟推出Dragon Copilot醫療語音AI助理</a></strong></p>
<p><strong>2. <a href="https://ithome.com.tw/news/167704">Google搜尋測試新工具，具推理能力的AI Mode</a></strong></p>
<p><strong>3. <a href="https://www.ithome.com.tw/news/167754#:~:text=%E4%B8%AD%E5%9C%8B%E5%8C%97%E4%BA%AC%E5%B8%82%E6%95%99%E8%82%B2%E5%A7%94%E5%93%A1%E6%9C%83,%E5%B0%8F%E5%AD%B8%E7%9A%84AI%E5%85%A8%E9%9D%A2%E6%99%AE%E5%8F%8A%E3%80%82">北京要求當地中小學開設AI課程，秋天開跑</a></strong></p>
<p>資料來源：iThome整理，2025年3月</p>
</div></div></div>
