人工智慧&電腦、資料科學

如果感測器網絡蒐集的資訊和我們的知覺結合，將如何改變我們觀看、聆聽、思考和生活的方式？

比特幣幣值去年大幅飆漲，有人擔心它隨即會泡沫化。歷史學家回顧史上幾起金融危機以及現行的貨幣制度，談談它的監督機制以及信任問題。

人臉辨識系統無法辨識黑人女性，或將黑人視為潛在罪犯，種種AI表現出針對特定種族或性別的認知偏差，已引發廣泛的關注。即使研究人員已努力設法解決這些潛在的社會歧視問題，但仍有部分弱勢團體往往在這類討論中被忽略，尤其肢體或精神障礙者。

推薦系​​統依據用戶的個人特徵和過去瀏覽行為，投放迎合用戶喜好的個人化廣告與推薦清單，刺激消費、提升業者的銷售額，可說是機器學習技術在商業中最成功且最廣泛的應用。然而，近來也有不少學者開始擔憂，推薦系統的普及所引起的「過濾泡泡」（filter bubble）與「迴聲室」（echo chamber）現象，正對我們的生活產生負面影響。

數十年來我們享有越來越快的電腦運算速度，但現在晶片技術看似已發展到了盡頭，還有哪些技術可以取而代之？

比特幣的價格自發行以來不斷攀升，2017年底報價將近14,000美元。然而其匯率波動十分劇烈，無從預測。這種新興貨幣會讓人大撈一筆，抑或又是蛋塔效應現象？

去年，AlphaGo打敗棋王的消息全球轟動。隨著人工智慧開始超越人類智慧，我們不禁要問：究竟該把機器人做得多像人？(續前文)

去年，Uber自駕車因未偵測到穿越馬路的行人而持續行駛致死的意外，重挫自駕車的發展，Uber甚至一度暫停所有相關項目的開發。如今，MIT和微軟研究團隊所提出的新方法，讓人工智慧也能認清自己的盲點─無論是視覺上的盲區，或過往訓練與現實情境的鴻溝。

近年來機器學習的興起，帶起了開放資料的風氣，除民間企業如亞馬遜及Kaggle外，政府也不遑多讓，建立起品質良好的資料開放平台（https://data.gov.tw）。然而，並非所有的資料都適合完全攤在陽光下，例如病患的就醫紀錄與健康狀況。欲將這些資料應用於機器學習，其實存在不少潛在成本，除金錢外，同時也須面對隱私問題以及病患的抗拒與不適心理。如何在有限預算下，追求高準確度，也是資料科學家需要考量的一環。

你知道醫師為病人開立的抗癌處方中，高達 75％的藥物對該名病人沒有效果嗎？因為藥物臨床試驗針對的是一般人，然而我們每個人還有我們罹患的疾病，都是獨一無二的，一點也不普通。

隨著機器人警察走上杜拜大街，我們正見證一場改變執法秩序的科技革命。