聯合國大會開議期間， 台、美、日3國呼應大會落實SDGs議題，在9月29日 共同舉辦 #全球合作暨訓練架構 「以科技力建構韌性及加速落實永續發展目標」的線上研討會。
會中首先由3國代表致詞，探討如何 #強化國際科技合作，外交部吳部長則提到，台灣是國際社會不可或缺的成員，願意貢獻科技長才，與全球合作邁向疫後復甦，並實現聯合國 #2030年永續發展議程 及其各項永續發展目標， #目前正是聯合國採取行動解決台灣被不當排除在聯合國體系外的時刻。
這次研討會共有來自26個國家、逾80位官員及專家學者參加，「台灣人工智慧實驗室」（Taiwan AI Labs）創辦人杜奕瑾先生也擔任講者，活動圓滿成功。
#Taiwan, the #US and #Japan recently teamed up to host the Virtual #GCTF on "Building Resilience and Accelerating the SDGs through Technology." The online workshop, which took place during #UNGA76, was aimed at harnessing technology in the recovery from the pandemic and achieving the UN sustainable development goals.
MOFA Minister Joseph Wu, AIT Deputy Director Jeremy Cornforth, Chief Representative of the Japan-Taiwan Exchange Association Taipei Izumi Hiroyasu and Deputy US Ambassador to the United Nations Jeffrey Prescott each gave opening remarks at the online event, which was attended by 80 officials and experts from 26 countries.
Minister Wu stated that Taiwan is an indispensable member of the global community and is willing to contribute with its technological strengths to help the world make a successful recovery in the wake of the pandemic and in the achievement of the UN sustainable development agenda.
外交部の呉釗燮部長、米国在台協会台北事務所（AIT/Ｔ）のジェレミー・コーンフォース副所長、日本台湾交流協会台北事務所の泉裕泰代表は昨日、グローバル協力訓練枠組み（GCTF）の一環として「テクノロジーを通じた強靱性の構築とSDGｓの推進」をテーマにしたバーチャルワークショップを共同開催しました。
呉釗燮部長はこのワークショップで「台湾は国際社会に欠かせない一員です。このコロナ禍で、台湾はテクノロジーを活用したウイルスの封じ込めに取り組んでいます。国連の持続可能な開発目標（SDGｓ）実現において、台湾は世界に貢献できます。台湾が国連体系から排除されるべきではありません」と述べました。
今回のワークショップには、合計26か国から80人の専門家と政府官僚が参加しました。台湾、米国と日本はグローバル協力訓練枠組みを通して、一層緊密な協力関係を構築しています。
#グローバル協力訓練枠組み #国連の持続可能な開発目標 #台湾は世界に貢献できます
創辦人杜奕瑾 在 Re: [新聞] PTT創辦人杜奕瑾辭微軟職務創AI實驗室- 看板Soft_Job - 批 ... 的推薦與評價
AI翻譯就是人工智慧，所以通常都會被聯想成「擬人」的功用。
但是那其實有點誤解了機器學習、類神經網路這些技術的精神。
抽象的說這項技術的特性，比較像是
「讓NP-hard的問題，得以用多項式時間複雜度的演算法，算出品質接近指數複雜度演算法
才能得到的解」
再加上
「將過去儲存的算力，輸送到當前使用而不會耗盡其存量」
以物理模擬來說，經典物理和量子力學的公式都有了，套公式的模型程式也寫得出來，
但是為什麼許多工程上的問題仍然要用試誤法、heuristic，或者老師傅的經驗？
計算量太大，計算的時間和功耗，沒有經濟上的可行性。
像是開發新藥的分子結構模擬、遊戲引擎的粒子碰撞效果、或者大型
的線路最佳化問題，航太工程的流體模擬，都是像神經網路之類的技術可以發揮的地方。
也已經有人研究使用神經網路來做解調變(demodulation)等十分「基礎」的工程問題。
只怕你想像不到，而不是應用太少。
物理特效模擬: https://www.youtube.com/watch?v=iOWamCtnwTc
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 111.240.20.208
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1493532365.A.7A7.html
我想表達的方向其實不是「降低問題的難度」，
而是這些NP-hard問題有近似解，而NN可以找到品質很高的近似解，
有足夠的實用性，繞過了NP-hard的障礙。
例如AlphaGo並沒有把圍棋的複雜度降低，但是他卻可以產出媲美一流職業棋士的對局內容
另外NN的發想雖然是以人腦出發，但是要理解它的性質和潛在應用，
把它看成一個萬用 函數產生器 或許更接近核心精神。
※ 編輯: eb5137d (111.240.20.208), 04/30/2017 16:44:59
※ 編輯: eb5137d (111.240.20.208), 04/30/2017 17:02:49
※ 編輯: eb5137d (111.240.20.208), 04/30/2017 17:12:55
是指forward pass還是backward pass的計算?
我在講的部分和認知科學或生物沒什麼關係。
※ 編輯: eb5137d (111.240.20.208), 04/30/2017 17:25:02
如果說錯大家笑笑就好。糾正錯誤也很歡迎
學生時代學過的找NP-hard problem approximation的方向有
1. randomized local search
2. genetic algorithm
3. NN
可能還有一些其他我忘記的。如果這些已經過時或被推翻，
那就算我孤陋寡聞，出來獻醜了。
但是語無倫次的推文光會裝兇說不出個屁，我也不會客氣嗆回去。
我要強調的就是AI的重點和應用並不只侷限在模擬人類的官能，
※ 編輯: eb5137d (111.240.20.208), 05/01/2017 11:02:56
※ 編輯: eb5137d (111.240.20.208), 05/01/2017 11:08:29
... <看更多>