Search
👩💻：現在開線上會議了喔！
🤷♂️🚗：抱歉抱歉～我塞車卡在路上，你們先開始吧
你是不是也遇過這個困擾呢？
馬上就要開會，但是遇到大塞車，車上用手機進線上會議不是那麼方便，而且也很危險！
別擔心，Microsoft Teams 即將支援 CarPlay，讓你就算卡在開車途中，也可以很容易的加入會議囉！
未來微軟還會把 AI 技術：臉部動態與手勢變化等對應畫面，顯示功能延伸到更多設備當中，讓在相對應的 APP 上更容易使用聊天室、即時回應💬
Microsoft Teams In CarPlay 🚗
讓你通勤也可以跟團隊在一起
👉：https://aka.ms/MS_0917
詳微軟Blog原文，了解更多 Microsoft Teams 應用介紹
👉：https://aka.ms/MS_0917-1
#Microsoft #MicrosoftTeams #微軟與你一起
譚新強：疫情過後 印度的黃金年代來臨了！
文章日期：2021年9月17日
【明報專訊】早陣子跟一位極有智慧的大企業家吃飯聊天，他有一個觀察，兩千年前，政治和經濟上最重要的海域為地中海，一百年前為大西洋，過去五十年，最重要海域已變為太平洋，而他預測在未來五十年，重心將再往西移至印度洋。
從2018年5月起，美國在亞洲的駐軍United States Pacific Command，也正式改名為United States Indo-Pacific Command，以此突顯南亞，尤其印度的重要性。從2007年起，當時日本首相安倍晉三牽頭成立了The Quadrilateral Security Dialogue（the Quad），其他成員為美國、澳洲和印度，後來沉寂了十年，到了2017年，再由特朗普重新推動。前天拜登更宣布成立一個新的三方國防協議，跟澳洲和英國加強在AI、網路安全、量子計算等方面合作，以及協助澳洲建造核能推動潛艇。
美中關係倘續惡化 擦搶走火風險升
從中國角度來看，這些發展都當然是衝着中國而來的，這亦是事實。近年中國的國防支出也當然不斷增加，海軍軍艦數量已超越美國，中程導彈技術更非常先進，希望有足夠阻嚇作用。但我仍然擔心如美中兩方關係繼續惡化，且不斷在印太地區進行軍備競賽，擦槍走火的風險亦將上升。
擔心此可能性的不止我一人，原來早在去年10月，美國大選前和今年1月，美國參謀長聯席會議主席米利（Mark Milley）將軍，曾兩度在沒有知會特朗普總統情况下，私自跟中國軍方領導通話，保證美國不會突然對中國發動戰爭！這個驚人披露又是由著名記者Bob Woodward和Robert Costa，在新書《Peril》中爆料的！特朗普當然勃然大怒，直斥此舉為叛國行為，暫時拜登仍說對Milley將軍保持信心，但要求Milley辭職的聲音已愈來愈大。本來我很想今個月去華盛頓參加從前我經常去的峰會，但因隔離時間太長，所以決定不去，後來主辦者亦因Delta Wave仍頗嚴重而再次從實體改回zoom模式。Bob Woodward固然是這個峰會常客，而今次的特別嘉賓正是Milley將軍，雖然只是經zoom，但我仍非常期待今次峰會，聽聽他們對現今全球局勢有何看法。
不認同索羅斯指投資中國不符西方國安利益
印太地區的地位提升，不止在軍事和外交方面，經濟和投資上的重要性，也正在上升。無可否認，部分原因是在不少國際投資者眼中，據非正式統計，比例可能高達30%，中國已變成uninvestable，不止是政策不穩定而賺不到錢的問題，而是因為投不投資中國，已成為一個意識形態問題。索羅斯早前毫不客氣地點名直指Blackrock和Blackstone等，投資中國並不符合美國和其他所謂西方民主國家的National Security Interest！
我當然完全不認同此觀點，我認為增加雙向貿易、投資，以及其他各方面的人民、文化、資訊、學術和科技交流，才是確保世界安全的最好方法。但事實上，明顯不少資金已開始撤離中國，部分回流到美國，但不少仍留在印太地區，但選擇轉投到中國以外的其他市場。
今年美股有多強勁已不用多說，標普500指數已穩步升近20%。日本選擇硬推奧運，結果不止賠上數十萬人的健康和上千人性命，首相菅義偉亦要賠上政治前途；但市場反而以此為炒上的藉口，日經指數升上30,000點的31年新高，今年升超過10%。感應器製造商Keyence，股價在一年半內翻倍，創始人Takemitsu Takizaki更已成為新的日本首富。澳洲受惠於大宗商品的強勢，今年ASX 200指數也升了約13%。
印度股市過去20年表現領先全球
中國人最瞧不起的印度，今年表現更突出，Nifty指數升了超過25%。其實這也不是甚麼新奇的事，印度股市過去5年、10年，甚至20年的表現，都是幾乎領先全球的。非常慶幸，我們在過去十多年，一直在積極投資印度。
早前印度確經歷過一波極嚴重的Delta Wave疫情，真正死亡人數可能高達400萬，甚至600萬，非常恐怖，但這一浪已基本上過去。已接種一針疫苗人數已超過5億，加上已被感染的，身體有抗體的人口比例或已高達80％以上！我再說一次，印度的衛生、健康和整體生活環境，當然都偏向差，在過去30年，出生和生活在中國，當然比在印度幸運得多，但若以投資者角度來看，結論是恰恰相反。
原因很簡單，印度有不少真的純粹想賺錢的企業，過去政府雖然不算很好，但亦未有嚴重影響營商環境。現任總理Modi，雖然也有強人政治傾向，但最近針對刺激經濟政策，似乎總算走向正確方向，包括企圖提升企業盈利對GDP比例，推動數字化經濟、反貪腐、對抗氣候變化，以及廣納人才入政府，例如上任不久的通訊和鐵路部長Ashwini Vaishnaw，擁有豐富私人企業管理經驗，在3個月內已落實頗完滿通訊業重組方案，對Reliance、Bharti和最弱的Idea都有幫助。
愈來愈多印裔人各領域取極大成就
印度人非常聰明，但不少中國人誤會印度人只懂說話，但實踐能力沒有中國人強。這只是沒根據的種族歧視，我見到的是愈來愈多的印裔（和南亞）人士，在全球各地尤其西方，在各領域取得極大成就，包括科學、醫科、文學、科技、商界，甚至政界，數目肯定遠多於中國人。表表者包括微軟總裁Satya Nadella、Alphabet總裁Sundar Pichai、Novartis總裁Vasant Narasimhan、英國Chancellor of the Exchequer的Rishi Sunak是下屆首相的熱門人物，亦是Infosys老闆的女婿。美國下屆總統選舉為時尚早，但兩黨的其中兩位熱門候選人極可能包括半個印裔的副總統Kamala Harris，以及共和黨的前聯合國大使，百分百印裔的Nikki Haley等！厲害嗎？
從前印度的科技公司如TCS和Infosys等，都是以顧問和outsourcing商業模式為主，缺乏自我互聯網品牌，但現在時機已到。早前的送外賣企業Zomato，帶起了IPO熱潮，短期內上市的包括數碼支付公司Paytm、網上保險的Policy Bazaar、網上化妝品電商Nykaa、SaaS服務科技的Freshworks等，今年集資額或將達100億美元，超過之前3年的總和。有間網上教育公司Byju正在進行pre IPO融資，估值210億美元，全球最高，且50%收入來自美國，20%世界各地，印度只佔30%；Freshworks也同樣高度全球化。據悉Byju的很多商業模式，都是模仿中國的教育公司的，但如今看到這些中國企業的下場，不止唏噓，更嘆息完全錯過全球發展，教育大量學生，甚至影響他們思想的絕好機會！
（中環資產擁有Infosys、TCS、Bharti、Reliance、Zomato、Microsoft和Alphabet的財務權益）
中環資產投資行政總裁
[譚新強 中環新譚]
AI 如何為公司創造更多價值？專家：2 個缺陷，要先由人類來修補
2021/05/13
採訪‧撰文
盧廷羲
張凱崴
美國人工智慧國家安全委員會（NSCAI）今年 4 月建議，國防部每年應至少分配 3.4% 的預算投入科技領域，並提撥 80 億美元研發 AI。企業方面，微軟（Microsoft）4 月宣布，將以 197 億美元收購語音辨識開發商紐安斯通訊（Nuance Communications）；後者是雲端與 AI 軟體的先驅。
從企業到國家，都愈來愈重視人工智慧，知道要想辦法運用 AI 創造更好的生活。不過，目前 AI 發展到底處於什麼階段？我們又該如何應用？
美國加州大學洛杉磯分校（UCLA）電腦科學系助理教授張凱崴形容，目前人工智慧技術已經可以幫助人類完成很多事，像是疫情來襲，電腦可以從大數據中篩選條件，自動搜尋、判讀潛在病例，幫助醫生大幅減少檢查時間，但 AI 也並非萬能，要先認知它的局限。他研究如何讓 AI 更符合人性，獲得 2021 年的史隆研究獎（Sloan Research Fellowships）。
AI 局限1. 資料寬廣度不足時，就會複製人類偏見
張凱崴認為，電腦在學習的時候，是依賴「彙整數據資料」來判斷，並沒有真正思考，如果資料來源太狹隘、不夠多元，資料寬廣度不足，電腦判斷就會出現偏差，「你跟電腦講清楚 input（輸入）、output（輸出），提供足夠的數據資料，它可以對應、學得很好，但還有很多面向 AI 做不到。」
舉例來說，亞馬遜（Amazon）2014 年推出智慧音箱（Amazon Echo），使用者口頭下指令給語音助理 Alexa 就能放音樂、查資訊。然而，有些人口音較罕見，或是用字較特殊，智慧音箱的資料庫沒有「不同口音」「不同用詞」的檔案，就可能失靈，這是當前 AI 的其中一大問題。
張凱崴進一步解釋，AI 另一項挑戰是，它無法清楚分辨「不曾出現」與「不能出現」（無法出現）之間的區別，只是從資料統計出要學的東西，無法像人類一樣進行邏輯思辨。
AI 的運作方式，第一步是輸入資料，第二步是分析，但這過程容易出現偏見。例如電腦在理解「總統」這個字，會去看四周有什麼字詞，來學習總統這個詞，由於許多總統都是男性，電腦就會「覺得」總統是男性。
這也是為什麼，如果讓 AI 學習，在它的認知裡，女性「不可能」當美國總統（因為沒有資料紀錄）。「你可以跟人類說，任何職業、性別都是平等的，但對電腦來講，這很困難，」張凱崴說明，一旦資料的寬廣度受限，電腦就容易產生偏見。
就像在自然語言處理（Natural Language Processing，讓電腦把輸入的語言變成有意義的符號）領域，張凱崴說明，AI需要知道代名詞指的是「哪個名詞」，才能運算下去。但如果資料受限，使用男性的「他」，電腦可能判斷這個代名詞是指總統、總理、執行長；但換成女性的「她」，由於數據不足，電腦就會混亂，出現系統性誤差。
他再舉一例，美國人工智慧研究組織 OpenAI 提出「生成式預先訓練」系統（GPT，Generative Pre-training），推出到 GPT3 版本，屬於書寫類 AI，電腦能夠揣測人們說完上一句話，下一句可能會講的句子，自動完成後半段。
好比有人上一句寫下「我正在和教授聊天」，系統可能推導出「我們在研究室討論學術問題」，因為電腦藉由蒐集來的語料資料中判讀出「教授」和「學術」具高度相關。但研究也顯示，GPT2（前一代版本）系統也從資料中學習到許多偏見，像是如果句子前半談論白人男性，系統傾向產生正面評價；如果句子前半是黑人女性，系統竟會產生負面句子。對企業來說，許多組織接觸 AI，想讓它們取代部分工作，首先需要留意資料的廣度、多元性，才能減少電腦犯錯的機會。
AI 局限2. 即便條件相同，也無法每次都做出正確判斷
「其實，現在的 AI 就像一台原型飛機，還缺乏穩定性。」張凱崴說，現行的 AI 就好比萊特兄弟（Wright brothers）剛發明飛機，看似可以做很多有趣的事，但「可以飛」跟「飛得很好」，有一大段落差。
紐西蘭的簽證系統曾鬧出笑話。人們上傳簽證照片，AI 掃描後，確認是不是本人，但當時系統沒有估算到某些亞洲人眼睛比較小，一名亞裔男子被判定「沒有張開眼睛」，因此照片無效。
張凱崴說，在這個例子中，凸顯出 AI 的穩定性不足，「系統沒有考慮到不同人種的差異，很死板地認為你眼睛沒張開。」所謂的缺乏穩定性，指的是 AI 沒辦法在相同條件下，每次都做出正確決策，這也是使用 AI 時，須留意的第二個挑戰。
他再舉例，許多模型可以準確分析，一則影評對電影的評價是正面或負面。然而研究顯示，有時只要將影評中一些字換成同義詞，例如把電影（movie）換成影片（film），或改寫句子，即使意思並未改變，系統卻把原本判斷為正面的影評標註成負面。這顯示AI系統還未真正了解語言的含義。
在設計這些程式時，人們必須注意到 AI 可能有局限，設定的資料範圍要更完整，考慮這些因素，就能減少偏見、落差，進而加強穩定性。
餵指令給 AI 要多元化，嘗試「換句話說」、刻意混淆
經理人雖然不一定具備 AI 方面的專業知識，但只要掌握觀念，再透過 AI 領域專才協助，也能優化系統。張凱崴指出，最直接的方法是，設計 AI 模型時，要把來源群組不同的資料分門別類測試，在測試階段讓群體多元化，並確保不同特色的使用者，用起來都沒有問題。
舉例來說，一套 A 系統擁有來自各地的使用者，如果設計者是台北人，設計系統的思維容易以台北生活為主，很可能因為當地習慣不同，導致花蓮使用者操作不順。
另一個方法，則是用不同的「語意」，去測試 AI 有沒有徹底學會一個概念。例如，有一套餐廳評鑑的 AI 系統，只要蒐集、整理使用者意見，就能判斷每個顧客對於餐廳的評比是高分或低分。那麼要如何確認這套系統的穩定性？張凱崴建議，可以利用「抽換詞面」的方法。
比如，把詞彙換成同義字，再看 AI 是否能運算出相同結果，「你可能會發現，原本評比結果是食物很美味，但如果美味換成比較困難的詞，AI 就會分不出這則評比是好是壞。」因此在訓練模型時，可以將詞彙隨機抽換成同義詞，增加 AI 的詞彙量。
第三種方式更進階：改變句型、重寫句子。張凱崴指出，同樣一句話，如果換成不同說法，電腦可能判讀錯誤，將「因為發生 A 事件，所以導致 B 事件」，改寫成「B 事件發生了，是因為 A 事件的緣故」，明明兩句話意思一樣，但 AI 很可能因為穩定性不足，搞混兩者的差別。如果要鞏固 AI 的穩定性，可以使用自動改寫的方式，增加資料的多樣性。
張凱崴表示，經過這些測試，讓 AI 接受更多元化的訓練，得到更廣的學習範圍，往後碰到同義詞、相似資訊，才能有效判讀。
張凱崴總結，AI 還在快速發展，或許可以創造更多工作機會、新的職位，但現行階段，它只是輔助角色。AI 並非魔術盒子，使用它就一定有更好結果，人們還是要保持高度耐心，先認識它的缺陷，才能在技術更迭下，發揮出最好的結果。
張凱崴
台灣大學資訊工程系碩士、美國伊利諾大學（UIUC）電腦科學博士。美國加州大學洛杉磯分校（UCLA）電腦科學系助理教授，研究領域包括人工智慧、機器學習、自然語言處理。2021 年獲得史隆研究獎（Sloan Research Fellowship），研究團隊開發的運算方法，使人類語言處理的程序更有效率、更多元，同時兼具公平性。
附圖：優化AI系統的3方法
資料來源：https://www.managertoday.com.tw/articles/view/62902?fbclid=IwAR2jI1bhg1anqct0AZZR_3LKKJqIsvG0wz2whSN8iniROZApHt-_qpD7dis
