財神現金網38kky.com

美國國家航空暨太空總署（NASA）23日揭露半世紀來首次將太空人重新送上月球的「阿提米絲」（Artemis）計畫時間表，包括2024年前8起預定發射行程及繞月迷你太空站建設計畫。法新社報導，先前登月計畫以希臘神話中的太陽神阿波羅（Apollo）命名，而阿提米絲則是阿波羅的孿生姊妹，為月亮、狩獵及野生動物庇佑女神。NASA署長布萊登斯坦（Jim Bridenstine）證實，預計2020年進行的阿提米絲1號計畫將是無人駕駛繞月任務。其次的阿提米絲2號任務，將在2022年左右帶人繞月飛行；最後，2024年的阿提米絲3號任務，將帶首位登月女性等太空人登月。這3起發射計畫，將透過波音（Boeing）帶領打造的史上最大火箭「太空發射系統」（SLS）執行任務。SLS目前仍在開發階段，但出現許多延誤，被批為過於龐大的就業計畫。除了這3個花費NASA全部心力的任務外，還有另5次運載迷你月球太空站「匝道」（Gateway）建造組件的發射計畫，太空站將作為登月中轉站。這些計畫將在2022年至2024年間由NASA支付民營太空企業執行。太空軌道站最初將包括簡單電力、推進元件及小型居住艙。太空人2024年前往月球途中將停在那裡，並搭乘登陸器至月球表面，部分登陸器將留在月球，其他部分會帶太空人回太空站，他們接著再登上獵戶座太空船（Orion）返回地球。布萊登斯坦表示，NASA已選擇私人企業馬薩爾科技（Maxar）建造太空站的首個含電力及推進元件的太空艙，這將大幅仰賴太陽能板。NASA未來幾個月將得決定誰來建造月球登陸器。波音及洛克希德馬丁（Lockheed Martin）等航太巨擘，正與新對手貝佐斯（Jeff Bezos）的藍源公司（Blue Origin）競爭這份合約.布萊登斯坦談到登陸器時表示：「我們不擁有這種硬體，我們要購買這項服務。這裡的目標是速度，2024年就快到了。」他表示：「我們目標最終將轉移到火星，並不止步於月球表面。」

文章來源：Qooah.comLG 今年相對以往來說「低調」了不少，不僅僅是發布的機型少了，甚至不少大媒體都稱 LG 今年應該不會有旗艦機，最多只會給我們帶來入門及中階手機。但是在下一部旗艦上想必會支援 5G。 現在又有消息稱 LG 並不是不會推出旗艦機，只不過是稱為 G8s ThinQ。將 G8s ThinQ 與 LG G8 ThinQ 對比，發現命名上是多了一個「S」，但是 G8s ThinQ 雖然比 G8 ThinQ 的 6.1吋大一點點，為 6.2 吋，但是解析度僅為 2248 x 1080。除此之外 G8s ThinQ 搭載了Snapdragon 855 處理器，配以 8GB RAM，支援 NFC，保留 3.5mm 耳機孔。 續航方面，G8s ThinQ 電量有 3550mAh，支援最高18W快速充電。在拍攝上，G8s ThinQ 比 G8 ThinQ 多一個鏡頭，為三鏡頭設計。規格分別是1200萬像素標準、1200萬像素 長焦以及 1300萬像素超廣角，前置為8MP，以及一個 ToF 3D 相機。從整體上來看，G8s ThinQ 配置是當之無愧的旗艦機，如果外觀可以，價格不錯的話都是值得注意的手機之一。為您推薦更多相關文章：DxO 發佈 LG G8 ThinQ 鏡頭評分，認為有點遜LG V50 ThinQ 5G 終於上市，售價驚人啊

知名財經節目主持人「阿娟」陳斐娟，年初離開三立後重返老東家開闢全新談話節目《這！不是新聞》，自3月籌備至今歷經近3個月才正式與大家見面。當中傳言不斷，其中就屬許聖梅傳出因為跳槽來她的節目而被其他節目封殺，鬧得最大。陳斐娟自認無辜表示自己離開三立後就沒見過許聖梅，但不否認為來有適合的議題會找許聖梅來上節目。知名財經節目主持人陳斐娟今年過年從三立電視「畢業」，並上演「鳳還巢」回到東森電視主持新節目《這！不是新聞》，今日舉行記者會，不僅電視台高層高規格歡迎，過去的老搭檔《夢想街57號》的主持人廖慶學也意外現身，除了送上花束給予祝福，還主動擁抱陳斐娟，讓她相當感動。除此之外，前立法院長王金平，高雄市場韓國瑜，前行政院長賴清德等，關鍵時刻主持人劉寶傑等也特別拍攝一段祝福影片播放。自離開三立後，大家原以為新節目3、4月就會播出，但總是只聞樓梯響未見人下來，直到3月底陳斐娟在臉書公布，新節目將會在5月開播，但5月都過了大半才終於正式與大家見面。對此陳斐娟坦言，為了搭建耗資千萬的專屬攝影棚，從3月就開始構思，直到5月20日才正式完工。主持人陳斐娟強調自己對於新節目有3項堅守原則，其一是「不做me too，一定要創新」，接著強調「絕對不為意識形態服務」，會就事論事，更不會對不起投資人、坑殺散戶！對於日前傳出遭友台封殺的名嘴許聖梅，是因為要跳槽到《這！不是新聞》才慘遭封殺，對此陳斐娟表示「這些許聖梅都有澄清說不是了！」節目尚未開播就紛爭不斷，陳斐娟苦笑直呼「不可思議」，不論是「節目財務卡關」、「踩死廖慶學、李冠儀節目」到「許聖梅因跳槽被封殺」等等負面傳聞，都讓她覺得不可思議。陳斐娟認為或許就是因為準備期間太長，才會讓人有太多想像空間，她也強調自己從三立離開後到現在都沒有跟許聖沒有聯繫，未來如有適合的議題，也不排除邀她上節目的可能。至於前行政院長賴清德挖苦笑她說：「又跳槽加薪喔！」陳斐娟先是喊冤自己上次跳槽已經是7年前的事，而「加薪」一事，她直率表示「有！比7年前高！」至於詳細金額或加薪幅度，她笑說：「多到多少這不能說！」更多鏡週刊報導【財經主播投資術】阿娟對房市偏空看淡 但仍倡導「二宅一生」的原因是…【洪文棟過世】熟識洪文棟與前女友 周遊無意間證實私生子疑雲好友劉駿耀癌逝 陳斐娟難過「生病了都沒跟大家講」更多新聞報導體重剩40.7kg 羅巧倫暴吃竟瘦成紙片人婚禮拖30個月 主播羞曝最愛「激活」老公偶像劇有本土劇哏 張庭瑚追身世謎誤咚媽綠帽戴到不爽了 馬國明驚傳甩掉黃心穎56歲李連杰撇駝背老態 顏值回春帥到翻今日娛樂推薦影音

【羅開新聞中心特派員張瀚元北市採訪報導】高球品牌HONMA（本間）成立於1959年，是日本高端高爾夫球桿製造商和品牌，縱橫高球界六十年個年頭，已是球友心目中頂級球桿的代名詞；創立三十年頭的台灣老字號高球事業-陽光高爾夫，於日前成為Honma經銷商，銷售並推廣Honma高球具及系列商品。陽光高爾夫事業從用品專賣店起家，秉持「誠信待人、以客為尊」的創業精神。引領同業求新求變，創辦於1989年的陽光高爾夫事業，走過四分之一世紀，今年邁入第三十個年頭，持續帶來最新商品與服務，廣受球友好評。陽光高爾夫門市向來以商品多元豐富聞名，陽光高爾夫董事長潘曉風表示：「對於球友來說，Honma球具有如知名精品LV、香奈兒等品牌一樣未於頂端的地位，為了服務陽光貴賓，讓我們的商品服務更周全，特地將Honma引進了陽光公司。」Honma最有名的是擁有高端的碳纖維桿身技術，運用八軸、甚至十軸的工法，讓桿身扭轉的安定性，更加提升；另外最頂級的素材，佐以日本大師級工匠極為細緻的球桿工藝，加上與時俱進的球桿科技技術，六十年來技術卓越，優良口碑如今依舊發光發熱。為了慶祝Honma正式進駐陽光高爾夫，即日起到六月九日將在陽光高爾夫松江門市舉辦限時特賣，除了有最頂級的IS-06三星系列領軍的各種特價球具商品之外，消費滿一萬元即送HONMA最新專用球，喜歡Honma的球友可利用活動期間前往陽光高爾夫本店，或是電洽02-25150801詢問。

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

高雄一名陳姓聯結車司機，前年載貨行經台東大武鄉時，因為鐵塊沒有綁好，砸中了對向的一輛千萬麥拉倫，事後維修費報價上千萬，保險公司向司機和雇主求償7百多萬，結果肇事司機聽到賠償金額，嚇得跑了，留下爛攤子給雇主，但雇主認為保險公司在沒有告知的情況下，報廢超跑不合理，雙方對於賠償金額尚未達成共識。拿出事故鑑定照片，上頭的超跑擋風玻璃，車框、車頂凹陷，但整個車體還完好，但估價維修費卻高達千萬，把肇事的聯結車司機嚇跑，留下爛攤子給雇主梁小姐。聯結車司機雇主梁小姐：「我們真的賠不起啊，然後司機為了這件事情，她的壓力很重，就又跟我肇事了，然後就不見了，到現在我都找不到人。」因為砸到的不是普通車子，而是這款價值千萬的超跑，麥拉倫650sSpider，最大馬力650匹，0-100公里加速只要三秒，新車價1500萬起跳，有選配的話則2000萬左右，拿出估價單細看，其中車台總成就要703萬，敞篷車頂187萬，麂皮儀表板橘色車縫線也要92萬，光是三項就要價982萬，總修復費用高達1174萬元。聯結車司機雇主梁小姐：「路況有一些顛簸吧，繩子有一些鬆脫，就東西掉下來，砸到這台超跑。」還原當時經過，事件發生在2017年九月，當時郭姓男子開著綠色麥拉倫，行經台東大武鄉，遇到陳姓連接車駕駛，因為鐵塊沒綁好，砸中，事後透過保險公司，索賠780萬，結果金額太高，駕駛無力償還落跑，但對於鉅額賠款，梁小姐認為不合理。聯結車司機雇主梁小姐：「就是還跟他們講說，這個車子那麼貴，你們跟人家求償這麼多錢，你們不可以跟人家報廢喔，可是今年年初的時候，他們就再開庭，他們竟然就把車子給報廢了。」只能按照對方開出的價格，覺得不合理，只是當初保險公司依照車體殘餘價值不到200萬的情況下進行報廢，現在雙方進入司法程序，保險公司將要對肇事司機和顧主車行，提告連帶賠償。更多 TVBS 報導沒注意！ BMW失神一次撞毀小牛、法拉利 未注意車前狀況 駕駛衝撞小牛、法拉利 台64線超貴車禍！BMW追撞法拉利、小牛 畫面曝光 姚元浩賽車撞護欄 力道太大「內臟被震」

臺南敏惠醫專幼兒保育科兒童戲劇畢業成果展演邁入第十年，今年首度移師新營新民國舉行，以「健康大作戰」為主題，融入健康及環境保護議題，以幽默風趣演出教導孩童健康的重要性。敏惠學生演出延續往年好口碑，吸引上千名大小觀眾入場，另靜態展呈現幼保學生手做及繪畫創意幼教學習成果，激盪出敏惠一○三級幼兒保育科學生籌辦活動能力。敏惠兒童戲劇展演由五年級卅四名畢業學生分工合作規劃，歷時四個月期間，從劇情、舞台裝、海報、音樂到活動手冊全部一手包辦，利用產學合作單位和明紡織贊助餘布，以廢物利用概念設計演出服裝，劇情活潑有趣也深具教育意義，展現五年學習成果。敏惠董事長沈秀春勉勵幼兒保育科學生表現，也提及敏惠及鳳和中學創辦人楊聲喈當年曾在新民國小擔任校長，此次以新民國小為畢業展場地，將成果分享與回饋給社區兒童，是教育精神的傳承，別具意義。敏惠校長葉至誠說，幼保科培育學生多元發展，每屆畢業生都精心設計不同主題兒童戲劇，傳承學長姊精神、感恩幼兒園及社區鄰里，也展現創新活力，學生於畢業前取得合格教保員資格及褓姆證照，畢業後出路寬廣，除幼托機構服務，還有兒童文化產業、社福機構、兒童休閒育樂、早期療育，就業市場通暢。副校長曾瑞譙指出，幼保科課程朝人文關懷，在地服務學習精神，學生深入社區教導民眾手製縫紉並以專屬故事箱為大人及小孩說故事，啟動生命服務，展現敏惠幼保人的熱情及生命力，學涯可享「五專展翅計畫」，由教育部補助學費，實習前可獲企業每月補助生活獎學金六千元，並可帶薪實習，畢業後可獲正式職缺，有利於翻轉經濟弱勢學生未來，歡迎學子踴躍加入敏惠專校幼兒保育科行列。

法國印象派大師莫內（Claude Monet）著名的「乾草堆」（Meules）系列畫作之一，14日在紐約蘇富比（Sotheby's）以1億1070萬美元（約新台幣34.5億元）成交，破個人作品最高價紀錄。此總價包含手續費及佣金，比它1986年首度拍出價格高出43倍。拋售這幅作品的匿名收藏家，當年僅用250萬美元就向佳士得（Christie's）購入。莫內1890年至1891年在法國諾曼第（Normandy）區的吉維尼（Giverny）家中繪製25幅「乾草堆」系列畫。在這系列中，莫內透過每幅畫，描繪這堆乾草在不同季節、時間及天氣下，隨光線和環境改變產生的變化。法新社報導，同系列的另幅畫於2016年11月在紐約佳士得以8140萬美元（約新台幣25.4億美元）出售。這幅畫是莫內辨識度最高的作品之一，它與同系列畫作不同之處在於用色鮮豔，還有不同方向的戲劇性斜塗筆法在中心相交，以及第一堆乾草堆僅部分出現在前景的獨特視角。莫內先前寫下紀錄的畫作為2018年5月佳士得售出的「綻放的睡蓮」（Nympheas en fleur），當時以8460萬美元拍出。更多新聞報導摔到狗吃屎 快速滑梯開幕就關閉一週沒騎車 鳥媽媽在置物槽築巢孵蛋國外瘋傳「小強自拍」 爬滿全臉超驚人母撕開吐司包裝驚見 當場被石化O型夫和A型妻生B型女 醫揭罕見真相今日推薦影音＿＿＿＿＿＿＿＿＿＿＿＿＿＿有話想說？歡迎投稿>>>【Yahoo論壇】