情色小說www.38kky.com

工商時報【楊日興╱綜合報導】美國以大幅加徵關稅的方式對中國打起貿易戰，但IMF（國際貨幣基金組織）研究報告指出，當前因中國商品關稅所產生的成本幾乎都由美國承擔，美國進口貿易商損傷最慘重，其次則為當地消費者。路透24日報導，IMF發布的最新研究報告指出，中美關稅戰拖累兩國的廠商以及消費者，當前兩國之間貿易減少，但雙邊貿易逆差卻沒有太大變化，且短期因為關稅上升的成本幾乎都由美國進口商讓利吸收。報告稱，美國勞工統計局中關於中國進口商品價格的數據顯示，美進口商是當前貿易戰受傷最深的族群，在關稅加徵後，中國商品進口價格也以相同幅度上漲，表示進口商降低利潤自行吸收成本。而如洗衣機等部分商品被加徵的關稅，則已轉嫁至美國消費者上。而當前中美雙邊貿易差額並沒有因為關稅戰受到太大影響，反而因為許多中國商品搶在關稅前銷往美國，提前搶單狀況使美國2018年的貿易逆差還有所增加。雖然截至2019年Q1底，美國貿易逆差有小幅下降，但美國對中國的出口也在下滑。值得注意的是，報告著重分析截至近期、短期內中美關稅戰所造成的影響，長期下利害關係可能有所變動。但報告也稱，若真如中美所表態的全面開打關稅戰，短期內預計全球GDP就會下降0.33個百分點，商業和市場信心效應預計影響其中的一半。IMF將在6月初公布G20監督說明，當中預計披露更多細節。IMF強調，雖然當前關稅戰影響尚溫和，但未來將會較2018年更加劇烈，如果美國與他國無法解決貿易分歧或是其他領域發生進一步貿易衝突，市場情緒將導致新興市場債券利差和匯率產生負面影響，造成投資和貿易增長放緩。

記者陳柏翰／台北報導 牙周病是糖尿病併發症之一，醫師提醒，長期高血糖會引起免疫體質改變，進而導致牙周病感受性增加及病情容易惡化，使糖尿病患者罹患牙周病風險，約為一般人的  3倍。 台北市立聯合醫院陽明院區口腔醫學科主治醫師顏瑞瑩表示 牙周病是因為細菌分泌毒素引起發炎反應而造成牙周組織破壞，所以說牙周病是一種感染也是一種發炎反應。長期高血糖會引起免疫體質改變，使糖尿病患者對感染的抵抗力下降，也讓身體長期處於發炎狀態。 顏瑞瑩指出，高血糖會導致牙周病感受性增加，也就是說糖尿病患者較容易有牙周病發生，約為一般人的  3倍；而且牙周病的嚴重程度也比一般人嚴重。糖尿病患者傷口不易癒合是因為膠原蛋白代謝異常，導致傷口容易惡化且復原能力降低，糖尿病患若有牙周病，病情也會加重，若口內有植牙，發炎感染的風險也會大大提升。 在治療上，顏瑞瑩說，糖尿病患者的牙周治療與一般患者相同，但還須配合糖尿病的治療，雙管齊下，如此一來可得到與一般患者相同的治療效果。 顏瑞瑩提到，根據研究指出，有嚴重牙周病的糖尿病患者血糖不易控制，患者除了配合糖尿病的飲食控制、藥物治療，也要到牙科門診進行全口牙齒檢查及牙周治療，才能對血糖控制及牙周病病況有相輔相成的效果。

中國時報【報導潘鈺楨、徐桐炘】第72屆坎城影展於台灣時間今日凌晨揭曉競賽片得獎名單，「一種注目」競賽單元25日先公布贏家，巴西電影《尤莉迪絲古斯芒的隱形生活》（The Invisible Life of Euridice Gusmao，暫譯）奪下最佳影片大獎，該片描述兩位女性在50年代的巴西遭受壓抑和偏見的故事，為導演卡林安努茲（Karim Ainouz）對單親母親的回憶，他領獎時說：「我很自豪能代表巴西，巴西現在正在經歷一些不寬容且非常艱難的事。」國片《灼人秘密》遺憾未得獎，但受到不少肯定，宋芸樺雖戲分不多，但她回想當初為該片閉關數星期，「讀非常多書、感受寂寞。」她更首度嘗試舞台劇，足足花2個月準備，努力改變表演模式。她此行帶著媽媽前往坎城，一起出席首映，宋芸樺透露已事先向媽媽報備片中有和吳可熙的親密戲，「未來爸爸看到的時候我會比較緊張一點。」還直言吳可熙當初為排戲經常出入自家，「媽媽對可熙很滿意。」吳可熙收穫滿滿兼任編劇和演員的吳可熙則說，昨頒獎典禮上遇到幾位評審私下表達對電影的喜愛，畢業於政大土耳其文的她更大膽拾起許久沒用的語言，和來自土耳其的評審暢聊，表明自己非常喜愛土裔名導法提阿金（Faith Akin），對方則大方邀她到土耳其演戲，並承諾介紹她認識法提，成為她此行的意外收穫。

往機身內塞桌機級處理器的電競筆電，現在又新增了一台。MSI 剛剛公佈的 GT76 Titan 機種，將會配備有一顆第九代「完全桌機級」的 Core i9 處理器。它將擁有八核心、十六執行緒的配置，只要你搭配的散熱系統允許，頻率就可以衝到最高 5GHz 的水準。根據這些描述，可以推測廠方此番選擇的很有可能是一款不鎖頻的 K 系列產品。也就是說在核心規格上，GT76 Titan 估計跟類似 Alienware Area-51M 這樣的筆電同級（使用 Core i9-9900K）。但 MSI 會不會採用和 Dell 一樣處理器可更換的設計，現在還沒有個確定的答案。為了更好地散熱，GT76 Titan 本身配有基於四風扇加十一導熱管的降溫系統。MSI 聲稱這套方案能產生「兩倍氣流」，但卻沒有說明比照對象是哪一款筆電。而在顯示卡的部分，GT76 搭載了 GeForce RTX 2080（有光線追蹤和 tensor 核心）。雖然沒有 2080 Ti 那麼強，但對筆電來說仍是相當不錯的選擇了。此外 MSI 還表示 GT76 的設計是從名車中得到的靈感，鍵盤和機身底部均設有燈光，可以滿足玩家對燈效的追求。目前這款產品的發售資訊還沒有公開，可能等到 Computex 時 MSI 會願意透露更多吧。與此同時，MSI 還另外公佈了一款 GE65 Raider。它由第七代 Intel 處理器升級到了第九代，可選 Core i9 和「最新款的 RTX 顯示卡」。另外裝置的螢幕刷新率也從 120Hz 升級到了 240Hz，並且加入了對 WiFi 6 標準的支援。

為有效促進團隊默契，秀傳醫療體系連續10年積極組隊參加每年的鹿港龍舟競賽，今年彰濱秀傳和彰化秀傳員工組「秀出活力隊」及「傳遞健康隊」二隊參加，共計46名員工參加勞資組競賽，其中包括黃士維院長共有14位醫師參加。24日在競賽地點的福鹿溪水道練習，並使用比賽的傳統龍舟，實際體驗比賽真實臨場感，促進團隊默契，及提升團隊戰鬥力。今年彰濱秀傳醫院派出男女員工組成「秀出活力隊」、彰化秀傳醫院派出男性員工組成「傳遞健康隊」，兩支隊伍報名參加勞資組，將在6月6日、7日比賽。經由抽籤，兩支隊伍第一場比賽將遇上去年第一名、第二名隊伍，賽前秀傳員工認真練習，並投票選出隊員出席率高的日期來安排練習，自5月4日起到賽前，將團練共8次。龍舟競賽展現團隊默契 秀傳醫療白衣二隊參加競賽秀傳兩支隊伍，由醫師、護理人員、藥劑師及行政人員等共計46名員工組成，將近一半的人首次參賽，但所有隊員都很認真配合專業龍舟選手教練的指導，同心協力想突破以往的成績，無論之後的比賽結果是輸或贏。秀傳醫院醫師黃漢斌分享，今年是他參賽的第五年，吸引他年年報名的原因，是因為大家透過練習或比賽所展現整體團隊精神，讓他很感動，尤其當大家在同一條船上，透過一致的整齊動作、節奏，彼此同心出力，靠意志力衝到終點，發揮秀傳的精神及價值。經過這些年來參賽經驗，他相信「沒有最強，只有更強！划過的每一道，都是成就更好的自己！」秀傳微創手術中心院長黃士維表示，龍舟競賽歷史悠久，結合了千年傳統，融合到現在，變成人人都很享受的團體活動，當他參賽投入其中，親身感受到和秀傳同事之間，一起參賽的樂趣，其實有沒有得獎不重要，最重要就是參加，以及全隊透過練習培養出來的向心力，展現秀傳人齊心努力學習的精神，提升自身健康，更表現守護民眾健康的決心。醫院是全年無休的單位，每年秀傳員工都懷抱熱情踴躍參與一年一度的龍舟競賽，透過每一次的練習，每一場的比賽，除了展現團隊的精神，也展現醫護人員的熱情及活力。 更多新聞推薦● 北部萬安42號演習5/27登場 桃機籲旅客早出門防搭不上飛機

編者按：隨著人工智能的普及，其背後不断發展的智能算法也在各種決策中發揮著越來越重要的作用。然而，就算法理解、使用實踐、自動化決策中快速滲透的偏見甚至缺乏透明度和問責制等方面問題，仍然尚存爭議。前不久，就有媒體爆出，亞馬遜自己研發的人工智能簡歷篩選系統，就存在“偏見”，並且會自動過濾女性求職者。人工智能偏見到底是怎麼一回事？著名分析師Benedict Evans專門針對這個問題發表了一篇題為Notes on AI Bias的文章，希望對你有所啟發。圖片來源：DigitalOcean如今，機器學習是科技領域重要的基本發展趨勢之一。在未來十年，要通過科技更廣泛地影響和改變人類世界，機器學習也是非常主要方式之一。然而，機器學習也讓人產生了不少顧慮。有人擔心它對人類就業會帶來潛在的不利影響，也有人擔心過度依賴機器學習可能會觸及人類的道德底線，當然也有人討論人工智能偏見所帶來的一系列問題，這些問題一點都不簡單，這也是這篇文章討論的重點。什麼是人工智能偏見？原始數據既是一個矛盾體，又是一個壞點子。所以，我們應該精心處理並分析這些數據。——傑弗裡·博克爾（Geoffrey Bowker）在2013年之前，如果你想開發一個軟件系統，並用它來識別照片中的貓，你可能只有通過寫程序的方式來實現這個目的。在程序腳本中，你可能需要關注的是如何識別並分析圖片中的動物輪廓、眼睛以及動物皮毛。此外，你還需要關注這些動物有多少隻腿等等。然後再把所有的因素綜合一起考慮。然而，這樣的程序實際上並沒有多大的用處。從概念上來說，這就好比製造一匹機器馬一樣。從理論上來說，的確行得通。然而實踐起來，卻又是另一回事，你會發現事情的複雜性，要比你想像的難得多。最後，你有可能寫了成百上千條腳本程序，也沒有得到任何有用的結果。借助機器學習，我們就不再需要親自寫腳本程序來識別X或Y。相反，機器學習的做法是，通過收集上千個樣本X和Y，並基於這些樣本的有關數據通過電腦對其建模。然後，該數據模型就會產生具有一定精準性的全新數據點，同時可以識別其是否符合所有的X或Y樣本的特徵。機器學習需要借助數據來建模，而不是通過人工寫這個模型程序。這種方式生成的結果高度精準，特別是用於識別或模式發現等情況下。因此，整個科技領域如今都在往機器學習方向發展。不過，有一個問題也值得我們關注。在現實社會中，上千個（甚至上萬、上百萬個）樣本X和Y中，同樣還包括A、B、J、L、O、R和P。它們可能沒有平均地分佈，從而系統可能會更加“關注”L和R，而稍微“忽視”了X。這在實踐中又意味著什麼呢？我可以通過自己喜歡的例子來說明。圖象識別系統會傾向於分析一張滿是綠色草地的山丘，然後識別出山丘上的綿羊。多數“綿養”的樣本照片背景中，都有綠色草地。畢竟，這是羊群通常生活的地方。而這些照片樣本中，相比於白色茸毛狀的綿羊，綠色草地則會顯得更加突出和明顯，所以整個圖象識別系統就會把對草地的權重加高，從而更“關注”草地。圖片來源：Cubix如果要用更“嚴肅”的案例，就不得不提到最近一項關於通過照片識別皮膚癌症的項目。在這個項目中，皮膚病專家把患有皮膚癌症的照片樣本拿來研究，通過對圖象的不斷放大併進行局部結構分析，從而讓系統不斷熟練地識別皮膚癌症的標記。但實際上，健康皮膚的照片樣本中根本都不存在他們想找到的局部結構。對這套系統而言，這些局部結構（或者可以理解為一格格像素）是分析並設別皮膚癌症的關鍵，有的情況下它們比皮膚上的小紅斑點還明顯。因此，與其說這個系統是用來識別皮膚癌症的，不如說它是用來識別這些局部結構的。值得注意的是，機器學習背後的系統，實際上並不瞭解我們所觀察事物背後的語義。我們可以通過識別並理解照片上的一格格像素，從而識別出那隻羊、皮膚或者其局部結構，但系統能識別出的卻只是一串列數字。它無法看到3D景象，或各種物體和其結構，當然也看不到那隻羊。它只能看到的是各種數據模式。此外，另一個具有挑戰的事情是，機器學習系統生成的模型（即神經網絡）包含了不計其數個節點，但我們卻無法直接深入模型內部並瞭解它到底是如何做出決策的。否則，機器學習根本就是多餘的，我們也許可以直接通過寫腳本程序來解決這個問題。很多人總是擔心，機器學習就像一個黑匣子（不過，這個觀點的確有點誇大其詞。後文還會進一步闡述）。簡言之，人工智能偏見（或者機器學習偏見），實際上是某個尋找數據模式的系統可能會找到錯誤的模式，而我們人類還有可能不會察覺這個錯誤。它是這項科技的核心附帶品。無論是在學術界還是大型科技公司，研究和使用這項科技的人都瞭解這個事實，但其影響卻是非常複雜的，而我們可能應對的解決方案，也同樣沒那麼簡單。首先，先談它的影響。圖片來源：Health Catalyst人工智能偏見的場景提到人工智能偏見，最明顯也最直接出現這種情況的場景就是涉及人類多樣性的場景。據前段時間的報導稱，亞馬遜嘗試建立一套機器學習系統，從而來篩選求職者的簡歷。因為亞馬遜現有成員以男性居多，所以這套系統所挑選的符合標準的“合格候選人”畫像也更偏向於男性，所以在挑選建立過程中就自動過濾掉了很多女性求職者。亞馬遜隨後發現了這個問題，後來也沒有再繼續開發這套系統。這個案例的關鍵點在於，即便求職者簡歷上並沒有標明其性別，系統在自動篩選過程中仍能偏向於男性求職者。之所以導致這樣的結果，是因為系統能夠從樣本數據中進行模式分析，比如女性在描述個人成就的時候會使用和男性不同的詞彙，又或者女性在學校參加的體育運動和男性也不同。當然，系統肯定不知道什麼是冰上曲棍球，不知道人類是什麼，當然也不知道什麼是“合格”，它可以做的，只不過是對文本進行數據分析罷了。然而，系統可以分析的數據模式，我們人類卻並不一定可以注意到。即便我們注意得到（比如我們所知的不同性別在描述個人成就方面所選詞彙的不同），我們可能也會因此耗費大量精力和體力。當然，人工智能偏見的場景遠不止於此。擅長通過蒼白皮膚識別皮膚癌症的機器學習系統，可能根本無法識別顏色較深的皮膚上可能存在的皮膚癌症，反之亦然。這並不是因為系統對樣本有偏見，而是我們可能需要針對不同樣本而建立不同的分析模型，從而找出不同的特徵。機器學習系統也並不是可以互通交換使用的，即便是圖象分析這種同類型的應用當中。你必須對這套系統結構進行不斷的調整，有時候為了識別你感興趣的數據其固有特徵，還需要不斷地試驗和試錯，從而達到期望的準確率。然而，你可能無法覺察到的是，這個系統在識別某個群體樣本時準確率可能達到98%，但識別另一個群體樣本的準確率卻只有91%（即便這個準確率仍然比人工分析的準確率還高）。目前我列舉的案例都是以人物或者其有關特徵為主。但更重要的是，人工智能對人的分析偏見實際上是某個大問題中的一個子問題。我們會用機器學習來分析很多事物，而樣本偏見則存在於所有的分析之中。因此，如果我們的樣本是人的話，那相關的數據分析則可能存在一定的偏見。圖片來源：SmartData Collective為了更系統地瞭解這個問題，我們可以再次回到之前提及的皮膚癌症案例，並同時考慮以下三種可能被打破的假設情況：樣本人口特徵不均勻：所有樣本照片中，各種膚色的皮膚樣本並不相同，所以系統會基於皮膚膚色做出錯誤的分析判斷。樣本數據包含明顯的非平均分佈的非人類特徵信息，並且毫無診斷價值，但系統卻基於此（樣本皮膚癌症照片中的一格格像素，或者樣本羊群照片中的綠色草地）而不斷進行分析訓練。在這個案例中，如果我們把所看到的像素當作局部結構（實際並不是）來分析的話，結果就可能相差甚遠。數據所包含的某些特徵信息無法被人類察覺發現，即便通過某些特定方法仍然無法發現。那麼，“即便通過某些特定方法”又意味著什麼呢？我們的先驗經驗告訴我們，數據可能會有傾向性地偏向一部分群體，或者至少會有類似的計劃（換句話說，要猜測為什麼數據會偏向一部分群體，其實是因為多種社交因素導致的）。如果我們想要發現樣本照片中的局部特徵，我們是可以看見的。但我們選擇了忽視它，因為我們知道它是不相關因素，但我們卻忘記的是，系統對此卻全然不知。然而，如果所有的不健康皮膚樣本照片都是在白熾燈的照射下拍攝的，但健康皮膚的樣本照片卻都是在螢光燈照射下拍攝的，這又會出現怎樣的情況？如果在拍攝健康皮膚樣本照片和拍攝不健康皮膚樣本照片的間歇期間，你更新升級了手機的操作系統，而蘋果或者谷歌剛好又更新了降噪算法，這又會導致怎樣的情況？這些情況，即便我們投入再多精力，我們可能還是根本無法察覺，但機器學習系統卻可以輕鬆地察覺並利用這些情況。畢竟，它什麼都不知道。此外，在這之前我們一直在討論錯誤的相關性，但數據中其實也有很多非常正確的模式，只不過基於一些道德因素、法律因素或者產品相關的因素，我們並不想利用這些數據模式。在某些司法管轄區域，即便我們知道女性司機的車禍率可能更低，我們也不能因此降低她們的保費。所以，我們就可以輕鬆地假設，可以借助機器學習系統，結合歷史數據並發現看起來像女性名字的被保險人其報保險的機率更低，從而從數據中排除這些名字。但是，就像前文提到的亞馬遜案例一樣，系統也許可以通過其它因素辨別出分析對象的性別（儘管系統可能並不瞭解性別或者汽車等概念），但在瞭解相關數據分析之前，你可能卻全然不知。最後，我們通常都說，目前我們只會利用機器學習系統從事有關人際社交交往的研究和學習，但實際上並不是這樣。如果你是燃氣渦輪機製造商，你可能就會對機器學習系統感興趣。因為借助機器學習，你可以對成百上千個渦輪機感測器實現遠距離測量（通過聲音、振動、溫度以及感測器反饋的其它數據信息輕而易舉地建立機器學習模型）。假設情況下，你可以從中篩選出1000份出現故障即將停止運轉的渦輪機工作數據，同時還可以篩選出另外1000份正常運轉的渦輪機工作數據。然而，你可以以此建立一個機器學習模型，從而分析兩種數據之間的差別。分析相關數據後，假設75%的故障渦輪機都是用的是西門子生產的感測器，而只有10%正常運作的渦輪機使用的是西門子感測器（同時假設故障與感測器無關）。然後，你就會發現，機器學習系統建立的數據模型，就會更加“關注”裝有西門子感測器的渦輪機。圖片來源：Hacker Noon如何管理人工智能偏見？針對人工智能偏見，我們能做的是什麼？首先，我們可以從三個角度來思考人工智能的偏見：收集和管理訓練數據的方法嚴謹性；分析和診斷數據模型行為的科學工具；機器學習實踐過程中的培訓、教育和注意事項。在法國喜劇作家莫里哀（Molière）著作的《貴人迷》（Bourgeois Gentilhomme）一書中，講述了這樣一個笑話：一位男子活了一輩子都不知道文學可以分為詩歌和散文，直到別人告訴他後，他才欣喜地發現，原來他這輩子只接觸過散文。如今的統計學家，也可能有類似的體會。他們這輩子可能都在從事研究工作，但就是沒有意識到“人工智能”和“樣本偏見”兩個不同命題。擔心存在樣本偏見，或者尋找樣本偏見，並不是新問題。只不過，我們需要系統性地對待這個問題。正如前文渦輪機案例所述，在某種程度上，如果只涉及到和人相關的主題，它可能實際上（或者從理論的角度）就會相對簡單一點。因為先驗經驗告訴我們，針對不同群體可能存在一定偏見，但我們沒有意識到的是，我們可能對西門子存在偏見。而更新的觀點是，我們並沒有再直接地對數據進行分析，而是讓機器通過建立我們無法直接分析的超級複雜的模型來完成這項作業。整個過程中，透明度就是與偏見相關的值得考慮的主要問題之一。我們擔心的，並不只是可能存在偏見，而是我們根本無法知道是否存在偏見，這對我們來說是全新的事物，和我們所接觸過的組織機構或自動化流程也不同，所有並沒有可以讓你回顧審查的清晰邏輯步驟。圖片來源：Symmetry Magazine在某種程度上，我們可能可以回顧審查機器學習系統，但要去審查其它系統，則更加困難。因此，這就引出了以下兩個問題。首先，目前關於機器學習的研究主要圍繞借助相關方式和工具，發現機器學習系統中的亮點功能。但機器學習是一個全新領域，相關科學進步速度也非常快，所以我們不應該假設，今天還不現實的事情，明天就一定不現實。馬斯克牽頭成立的AI研究機構OpenAI旗下的這個項目，就是活生生的例證。此外，在現有的系統或組織架構中，我們可以審查並瞭解系統決策制定的這個想法，雖然理論上是成立的，但實踐過程中卻存在很多問題。比如，在一個複雜的組織架構中，要審查並發現決策制定的方法非常困難。也許存在一個正式的決策審批流程，但這並不是人們實際溝通交流的方式，而且就個人決策而言，人們通常也沒有邏輯清晰同時又極具系統性的方法。正如我的同事維傑·潘德（Vijay Pande）所言，人類群體也是黑匣子。在這個黑匣子中，有不計其數的個體，他們縱橫交錯與各種組織和機構中，背後還連帶著著各種數不清的複雜問題。我們事後才知道，宇宙飛船在重返大氣層時會解體，但美國航空航天局（NASA）內部不少人士都認為，後面可能會釀成悲劇，但系統自身卻對此全然不知。同時，NASA之前在損失宇宙飛船後，也經歷過一模一樣的審查流程，但後來卻因為相同的原因，又損失了一艘宇宙飛船。所以，無論是組織機構，還是人類系統，我們可以審查其遵循的清晰邏輯規則，說起來的確簡單，但經驗告訴我們，並不是這麼回事。這就是所謂的蘇聯國家計劃委員會謬誤（Gosplan fallacy）。圖片來源：shutterstock在本文中，我一直將機器學習和數據庫（特別是關係數據庫）做比較。關係數據庫是一項新的基礎技術，它改變了計算機科學中已經證實的事物，同時也改變了宏觀世界，它被運用於各行各業，但我們卻未曾注意到它。但數據庫也存在問題，而且這些問題都有相似的特徵：這些系統可能是建立在錯誤的假設和數據之上，很難分辨，而我們人類在使用過程中，可以不假思索地聽命於系統提示，並且完全不會提出相關質疑。有很多故事都在講，稅務局把你的名字拼錯了，但說服他們修改系統的拼寫錯誤，比你在公安機關申請改名字要難得多。這是結構化查詢語言（SQL）固有的技術問題，還是甲骨文公司（Oracle）的問題，或者是大型官僚機構的制度問題？建立一個所謂的流程，從而讓系統無法修改拼寫錯誤到底有多難？或者在引起民眾投訴之前，發現系統出過類似問題，又有多難？用更簡單的生活實例來講，車載衛星導航系統沒有及時更新，車主跟著導航把車開進了河流中。這裡的問題是，導航系統的確沒有及時更新。但另一個值得關注的問題是，如果這輛車順流漂向海中，那Tomtom公司（荷蘭主營地圖、導航和GPS設備的公司）需要承擔多少責任？通過這些內容，我想說明的是，機器學習出現之前，世界上就存在各種問題，當然有各種解決方案。機器學習偏見也會導致問題，但同樣也是可以發現和解決的。因此，最容易想到的出現人工智能偏見的場景，可能並不是來自權威機構的核心研究實驗室，而是一些三流技術承包商或軟件供應商，他們胡亂地把各種開源組件、軟件庫以及工具拼湊在一起，在自己不懂的前提下，就直接將其出售給了一些“天真”的買家。這些只在乎“金玉其外”的買家，看到“人工智能”標籤就根本不考慮該問的問題，然後直接將這套軟件交給公司底層領著最低工資的員工，並且告訴他們文不加點地按照“人工智能”的提示操作就行。這就是數據庫出現的問題。這個問題，甚至都算不上是人工智能的問題，或者說軟件問題。更準確的說，這是人的問題。圖片來源：House of Bots寫在最後……機器學習系統可以為你做任何事情。你能訓練狗完成的事情，機器學習系統也可以完成。只不過，你完全無法確定的是，你到底在訓練狗做什麼。我經常都在思考，“人工智能”這個詞彙是不是在類似的背景中百無一用。它在很大程度上給我們造成一種錯覺，即我們實際上創造了智能，一種可以真正進行理解的智能，然而，實際上卻並不是這麼回事。從根本上而言，它們只不過是機器罷了，也許更恰當的做法，是把它和洗衣機拿來對比。就洗衣服而言，洗衣機的確要比人工效率高得多，但你把盤子放進洗衣機並開啟洗衣功能後，它還是會洗這些盤子，而且盤子也還是會變得乾淨。但最後的結果，肯定不是你所期待的結果，因為洗衣系統對盤子有偏見。洗衣機肯定不知道什麼是衣服，什麼又是盤子，它只是一個自動化機械。從概念上而言，它和之前其它不同的自動化機械也並沒有太大的區別。也就是說，正如汽車、飛機或數據庫一樣，這些系統可以非常強大，同時又非常有侷限性，並且完全取決於人們如何使用它們，或者我們到底有什麼企圖，甚至人們對這些系統原理的教育或無知程度。所以，如果說人工智能就是數學，它不會出現偏見，就大錯特錯了。同理，如果說機器學習本身也存在偏見，這種說法也站不住腳。機器學習是在數據中發現模式，至於是什麼模式，則取決於數據，而數據又取決於我們，我們怎麼利用它也是取決於我們。機器學習在某些領域的表現遠遠超過我們人類，就像狗比人類更擅长發現毒品等違禁物品一樣，但我們卻不會根據狗的證據來定罪。狗比其它任何機器學習系統都要聰明。本文經授權發布，不代表36氪立場。如若轉載請註明出處。來源出處：36氪

在近期手機持續向多鏡頭的方向前進，由不同的鏡頭擔當望遠、廣角、大光圈夜拍、模擬淺景深等各功能的同時，Google 的 Pixel 系列絕對是當中的異類，意圖靠著 AI 的智慧演算能力，將唯一一顆的鏡頭的效益發揮到最大，讓它在各種場景下都能發揮實力，與多鏡頭手機比相比，依然有一拼之力。我們拍照只要按一下快門，就幾乎都能拍出好照片來，然而究竟 Google 在背後做了些什麼神奇的黑科技？今天 Google 延續了進行許久的 AI 系列研討會，特地請來了 Google 的傑出工程師（Distinguished Engineer）、史丹佛大學榮譽退休教授 Marc Levoy，來介紹由他的團隊所領導開發的 HDR+ 模式、肖像模式、和最新的夜視功能等 Pixel 手機背後的各種強大系統與技術。HDR+首先，是早在 2014 年就已經推出，但老實說至今依然無人能敵的 HDR+。HDR（高動態範圍）照片的處理真的是一門「藝術」－－由於它在本質上是拉高陰影的亮度、並同時降低亮部的亮度，以達到展現更多細節的效果。傳統的 HDR 的做法是拍攝幾張不同曝光長度的照片，再將它們疊合在一起，並且視局部需要取用不同程度的曝光結果；但是 HDR+ 不一樣 -- 它是一口氣拍一大堆極短曝光的照片，然後視局路需要疊合足夠數量的照片。這讓 HDR+ 可以更精確地抓到邊緣來對正影像，也可以減少長曝光的殘影。此外，如果只是將一條固定的曲線呆板地套用到照片上的話，會顯得照片灰灰的，沒有什麼對比。對此，Pixel 3 的 HDR+ 的做法是針對亮暗的邊緣處去做強化對比，但壓縮非邊緣的部份，讓照片符合人類的視覺。這結果，就是 Pixel 3 總是能提供最「養眼」的照片來，雖然對於拍照的人來說會一眼就看出以「相機」的角度這樣的照片幾乎不可能做到，但以「人眼」的角度來說好像相去並不遠呢。肖像模式第二個介紹的，是肖像模式。Pixel 手機的肖像模式最早是在 Pixel 2 上推出，是 Pixel 2 的大賣點之一。和 iPhone 的一大差異，是 iPhone 僅能將肖像模式運用在人物上，而 Pixel 卻是人像、近物皆可。據 Levoy 介紹，原來有人在畫面中和沒有人在畫面中，Pixel 用的是完全不一樣的技術來做深度圖 —— 有人的時候，它是利用神經網路與機器學習的訓練，來截取人的位置；而在沒有人的時候，它則是利用「雙像素」感光器（Dual-Pixel）來判斷深度。由於肖像模式的虛化完全是人工的，Google 還幫一般拍攝者取了個巧，故意「擴大」人物前後的景深範圍，讓你不用太準確去對焦，就能拍出人物銳利的照片來。在 Pixel 3 上，則是對雙像素進行了進一步的優化，加入了機器學習，讓它能由 R、G、B 三色的左右輸入直接算出深度圖來，而不用傳統對比同一畫素在左右兩張圖間的距離的方式，計算距離。高解析變焦第三個，是用來取代長鏡頭的「Super Res Zoom」功能。傳統上數位變焦似乎總是被瞧不起（其實小編也是），主要就是和光學變焦相比，數位變焦並不能真的變出原本不在的資料來。無論是受限於鏡頭的解像力、還是數位放大的演算法，其極限就在那邊。Google 的做法是利用「像素移位」的原理，將多張略微偏移的照片疊合，試圖找出不同照片中可以還原的細節。這一點點的偏移可以靠握持手機時的手震來達成，如果是架在三腳架上的話，Pixel 3 還會晃動自己的防手震機構，來自已製造偏移呢。當然，嘗試疊加多張照片的演算法也已經存在多年，但現實上的挑戰並不少，例如單張照片的噪點容易被判讀錯誤、不同畫格間物體的相對位置可能有移動等，都是傳統單純計算每個畫素時難以避免的挑戰。這就是輪到 Google 的 AI 登場的時候了。在噪點誤判的方面，Google 用的是「尋找邊緣」的方法，先將邊緣定下來後，在其附近減少降噪，確保邊緣的銳利，其他地方就能用較激進的方式去做柔化，來減小噪點造成的衝突。而在移動中物體的部份，則是要靠 AI 來找到畫面中的「特徵物」，將不同畫格中相同的特徵物對齊，而不是全畫面的對齊，以求達到更銳利的效果。只是要了解畢竟物理上的限制擺在那邊，數位強化能做到的終究還是有其極限，以 Pixel 的技術來說大約到 2x 變焦都能有接近光學變焦的效果，但如果再放大的話，就是光學變焦的天下囉。夜視模式最後，是在 Pixel 3 世代首度推出，取代大光圈鏡頭的「夜間模式」。手機的小鏡頭一般來說進光量就有了先天的限制，高密度的感光器又是個後天的限制，兩者相加之下的結果，就是夜拍效果經常慘不忍睹。一個簡單的解決方法就是從硬體上著手，裝上大光圈、低畫素的夜拍專用鏡頭，但這勢必要增加成本；而另一個比較常見的替代方案就是從軟體上想辦法，用更多張的照片來「疊合」出足夠的亮度，但一般來說你很難確保畫面在長快門的期間都不晃動，另一方面這樣的照片噪點也很多，如果要把噪點抹平的話，照片上的細節也就沒了，相當難用啊！Pixel 3 新推出的夜視模式（Night Sight）試圖用 AI 的輔助，來強化軟體夜拍的方案。因為在操作上的本質的不同，夜視模式是一個獨立的模式在「其他」裡，不像 Super Res Zoom 是只要有數位放大就會啟用。它和普通拍照最大的不同，就是普通拍照其實是從相機啟動開始，便持續地將鏡頭看到的影像存在一個循環式的緩衝區裡，在你按下快門鍵的瞬間，就會將緩衝區中最近的幾個畫格送進影像處理單元，達到「無延遲」的效果。但用這方式的話，在夜拍時最多就只能取得 1/15 秒的影像，也就是說快門無法長於 1/15 秒。在夜視模式下則會像一般照相機一樣，在按下快門後才開始依曝光需求收光，所以就沒有這個限制了。第二個不同，是運用了一種名為「光流法」（Optical Flow）的技術，讓夜視模式可以即時地判斷目前的畫面有沒有手震的風險。如果說你的鏡頭有光學防手震（例如 Pixel 3），那夜視模式就會開放更長一點的快門；如果手機是放在一個穩定的平台上（例如三腳架、甚至是靠在牆上）的話，夜視模式甚至可以將曝光時間延長至 1 秒。拍完多張照片之後，下一步當然就是將它們疊合在一起了。在 Pixel 1 和 Pixel 2 上，夜視模式用的是 HDR+ 的疊合技術，而在 Pixel 3 上則是改用了前面的 Super Res Zoom 的疊合技術。後者自然是更先進，但也更費運算資源，所以只有 Pixel 3 才能使用。最後，Google 還有最後的大絕招「AI」可以使用，為夜拍的照片帶來更自然的白平衡，以及更適當的光照曲線。白平衡向來是夜間拍攝的一個極為頭痛的問題，特別是在頻率單一的光線之下，很多物體根本分辨不出顏色來。Google 的 AI 會透過機器學習盡量削除掉一些人造光的影響，試圖還原一些物體本來的顏色，但小編也碰到過在很個別的情況下，Night Sight 會很用力地去矯正顏色，結果反而和原本的場景天差地遠了。整體來說，Night Sight 是這次 Pixel 相機的各種 AI 新功能中，最為讓人驚豔的一個。雖然說 Pixel 1 和 Pixel 2 也都能安裝，但前者沒有光學防手震、後者也沒有 Pixel 3 的運算力，因此論最終效果，還是 Pixel 3 最棒呢。

記者朱怡蓉、張晃旻／屏東報導屏東即將舉辦黑鮪季，除了最吸引饕客眼光的黑鮪魚相關料理之外，這次還有規畫出文青專屬行程，教遊客除了吃黑鮪魚還有不少道地小吃，像是青草茶、雙糕潤，遊客還能到東隆宮了解迎王歷史！▲東港黑鮪季開跑！即使平日也有不少遊客。遊客到東港怎樣玩？大家有不少意見。遊客：「華僑市場，華僑市場一定有（怎麼說）華僑市場有海產啊！」、「傍晚去海口那邊吃海產，然後海邊走走。」有著尚青料理的華僑市場，平常日人潮還是不少，但是到東港不只吃海鮮，這次搭配黑鮪季，其實主辦單位還特別設計出小摺頁，除了吃吃喝喝的饕客行程，還有介紹當地特色文化的文青之旅。創建在清朝的東隆宮香火鼎盛，特殊的宗教儀式也讓不少遊客想要試試。▲清朝建立的東隆宮直到現在仍有不少香客前往朝聖。距離東港不遠的大鵬灣、會開闔的跨海大橋，還有專業賽車場，一樣吸引遊客目光。參加黑鮪季其實可以玩出不一樣，連在地人都躍躍欲試。▲大鵬灣也很適合遊客去走走。（圖／翻攝自大鵬灣 YouTube）東港店家：「不錯啊，對整個東港有加分作用，而且這邊的店家都有感受到。」當地民眾：「這樣不錯啊，這樣比較好找，要吃甚麼玩甚麼都知道。」嚐嚐當地特色美食「雙糕潤」，還有肉粿、青草茶，有吃有喝還有文化之旅，舉辦多年的黑鮪季，今年期待遊客肚子飽飽，更有不同層次的收穫。（整理：實習編輯徐薰懋）▲雙糕潤也走向多元口味供饕客參考。更多三立新聞網報導獨／零食拚外銷！去年出口額衝破90億 牛軋餅成韓國最愛口袋賺滿滿！竹科男另一半都是「超正校花」？網揭驚人真相顛覆傳統！懷舊食品再進化 新一代「蘋果麵包」果肉入餡獨／新台灣之光！ 新銳設計師讓珍奶「不用吸管」也能喝！

作者為世新大學副校長世新大學花了三年時間建置的全媒體大樓即將在三月底完成，意料之外的是，錄音工程竟然是其中最為費心的樓層；主要原因是，包括隔音、吸音、反射、防震等聲學處理，這些結構細節確實頗費功夫。期盼藉此短文略作分享，對收音技術的心得。收音人員經常會自我要求，如何將現場所收到的聲音予以忠實呈現。其實，不只是影像有高畫質的要求，聲音亦有高清晰度的規範，想要滿足收音的技術細節，確實比影像處理來的複雜；因為，收錄音不只是要面對監測的困難，後製時還需考量整體心理層面的營造。其大前提就是，「音頻不失真、響度不破音、雜音不干擾與情境不扭曲」高傳真（hi-fi）再現的概念。聲音具有輔助影像與場景的意義。各種類型節目的處理，聲音角色的適當使用，除了填補畫面的完整性外，更可增加情境、情節、情感與情緒的調和感。因此，對於影音情境或意象融合而言，與其說收音是一種技術，當然也是一種藝術。技術領域的運作，如何理出對聲音的感覺有其規律可循。諸如麥克風的規劃、發聲的技巧、音源的判斷以及收音的環境掌握等，皆屬不可或缺的條件；其中包括，如何靠近主音源、掌握靈敏度、避開干擾源、寬音頻再現、符聲學空間、重後製調音，尤其是選對麥克風等。無論劇場表演或影視現場的收錄音作業，麥克風的安置原則，如果單支麥克風即可完成，儘量不要用多支的麥克風。亦即，保持少支麥克風的原則，因為減少麥克風，就可避免在麥克風之間引起相互干擾的機率，兩支麥克風收到的聲音，經常會產生直接音源與間接音源共振效應(resonance)的現象。由前段敘述可知，現場收音與錄音室控音有許多不可忽視的條件，包括靈敏度、立體感以及整體音質的要求，從收音材料到收音環境乃至控音設備必須環環相扣，否則難有所成。收音品質的基本要求，音源必須在麥克風的收音範圍內（on-mike）；簡言之，係指麥克風能夠在有效的收音距離或在收音的區域內，同理，麥克風不能夠發揮功效，或是不能準確收音的方向，須強調的是，音源和麥克風的距離太接近，收音時經常發生的嘴唇離合的聲音、齒音、舌尖擺動的聲音以及呼吸的雜音，都將被錄進去。這些情況，都將造成後製過程對聲音品質的要求徒增困擾。收音前應先作好麥克風的規劃，先決條件乃考量要收錄那一種主要的音源，才可安排麥克風的類型與擺設位置；其次，再決定聲音的音源數量，以作為收音方式的依據。欲收錄多少音源，須將後續混音條件納入考量，判斷各種音源之音量、音調與音色等。除了高傳真的要求之外，宜關注所謂的靈敏度接收微弱訊號的放大效果，會將噪音擴大而前功盡棄，皆不能疏忽。麥克風之指向性與阻抗值(impedance value)，是決定收音品質的必備條件。無指向麥克風可得多向的音源，在外景現場收音的整體感較佳，而且不易收到呼吸聲及風聲的優點，但是容易收到殘響聲，尤其在空曠場地及吵雜環境收錄主要音源較為困難。指向性麥克風可避免反響與環境的噪音，因具指向特質較不受環境干擾，對回授聲音之困擾亦比無指向麥克風為低，還可對遠距離之收音。除了指向性的要求之外，專業型的現場收音，可選擇低阻抗麥克風，因為麥克風阻抗低則輸出小較不易收到雜音，低阻抗麥克風的音質必然優於高阻抗麥克風。「聲音表情與肢體語言」是專業劇場與影視表演時，導演經常對演員的要求。聲音的表演有時會有無限的想像，尤其在後製過程，為使聲音頻率響應曲線更為平坦，經常會加上等化效果處理，再輔以音樂與音效，以改善音源表現的豐富度。影視聲音大致可分為對白、音樂及音效。聲音的內容可事先蒐集、現場收音，事後挑選適合之素材加入。通常需配合影像的節奏感，以加強影像意念傳達，尚需考量整體氣氛的表現或過場銜接等因素；經由後製階段的音效處理，有時可延伸對話和音樂的功效，亦可藉以演繹情緒思考或其他象徵意義，尤其是暗示效果與心理描述，可讓觀賞者在堆砌的音源組合中，引發思想和感情的共鳴。人類對聲音的要求通常是兩極化，一般人追求有聲即可；但是，當聲音被用在專業呈現時，將會有一些用藝術層面看技術的工作者，對聲音忠實再現地堅持，對聲音與影像呈現的整體感，經常超乎一般人的想像空間。更多論壇文章 辣台妹被罷工打回神隱少女 老謝：史上最悲觀經濟預測 中國國企會像東印度公司一樣消失嗎？ 無視勞保財務懸崖 政府年改玩假的？ 給林志玲跳水替身 你不懂這世界的遊戲規則＿＿＿＿＿＿＿＿＿＿＿＿＿＿【Yahoo論壇】係網友、專家的意見交流平台，文章僅反映作者意見，不代表Yahoo奇摩立場 >>> 投稿去

Twins成員鍾欣潼（阿嬌）和台灣被封為「醫界王陽明」的老公賴弘國去年12月註冊結婚，兩人婚後過著台灣、香港兩邊飛的生活。昨(22日)陸媒驚曝阿嬌成為人妻後不幸福，一直租房子住，且處於分居狀態，還有資深記者批評「婚結得不值」。38歲阿嬌去年生日接受小8歲的賴弘國求婚，姐弟戀開花結果，去年12月兩人在香港舉行婚禮並註冊結婚，成為合法夫妻。據騰訊娛樂《一線》報導，一名資深娛樂記者最近在網上爆料，指結婚半年的阿嬌不幸福，不只跟老公分居，還頻頻出席活動賺錢，相較於男方常和朋友開心聚餐，阿嬌婚後感覺十分委屈。報導更指出，阿嬌先前上大S節目，便透露婚後買個名牌包都要先看老公臉色，可見阿嬌處處以老公意見為重。對此，阿嬌朋友火速出面駁斥，指出小倆口感情很好，賴弘國常去香港陪老婆，阿嬌也一直去台灣，雖不清楚阿嬌有沒有在台灣買房子，但所謂「一直租房、經濟拮据」絕對是假的，阿嬌在香港有自己的房子，阿嬌公司也同步否認，說：「不是事實的不回應，謝謝關心。」更多 TVBS 報導徐乃麟遭黑道掌摑 女星「脫到剩內衣」委屈爆淚 沈玉琳遭惡整真動怒！現場翻臉：這節目以後都不會上 恬娃揚言拍「全裸寫真」贊助郭台銘 今穿這樣現身相挺 51歲蕭薔凍齡仙照曝光 水蛇腰鉛筆腿身材辣到不科學