<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Cheng En Li on Medium]]></title>
        <description><![CDATA[Stories by Cheng En Li on Medium]]></description>
        <link>https://medium.com/@hello-lichengen?source=rss-dc949552a132------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*b1vO0j5oXFe6BxsmLNACEw.jpeg</url>
            <title>Stories by Cheng En Li on Medium</title>
            <link>https://medium.com/@hello-lichengen?source=rss-dc949552a132------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 12:19:32 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@hello-lichengen/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[想幫助貧窮兒童發展得更好，給錢有用嗎？]]></title>
            <link>https://hello-lichengen.medium.com/%E6%83%B3%E5%B9%AB%E5%8A%A9%E8%B2%A7%E7%AA%AE%E5%85%92%E7%AB%A5%E7%99%BC%E5%B1%95%E5%BE%97%E6%9B%B4%E5%A5%BD-%E7%B5%A6%E9%8C%A2%E6%9C%89%E7%94%A8%E5%97%8E-c23d602ef4bf?source=rss-dc949552a132------2</link>
            <guid isPermaLink="false">https://medium.com/p/c23d602ef4bf</guid>
            <category><![CDATA[children-poverty]]></category>
            <dc:creator><![CDATA[Cheng En Li]]></dc:creator>
            <pubDate>Mon, 09 Nov 2026 14:25:04 GMT</pubDate>
            <atom:updated>2026-11-09T14:25:04.038Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*x1b5zVDq_A6nhosd-Xcnmg.png" /></figure><h3>一個九歲男孩的團體照</h3><p>英國有個九歲男孩，每到學校拍團體照就開始恐慌，因為他想剪頭髮，卻不敢開口跟媽媽要錢。當地最便宜的理髮要十英鎊出頭，對貧窮的家境是個負擔。</p><p>這是單親媽媽 Alisha 的故事。我在一場社會安全網國際研討會上，聽倫敦政經學院 Kitty Stewart 教授演講時看到這段自述。</p><p>如果這個家多一點錢，男孩的表現會不會不一樣？</p><h3>給錢有用嗎？</h3><p>很多人聽到「發錢給窮人家庭」，第一個反應是懷疑：錢會不會被亂花？孩子表現不好，是不是家長不會教？與其給錢，不如幫家長找工作。</p><p>這些懷疑不是沒道理，但要回答「給錢有沒有用」，得先釐清因果關係。</p><p>窮人家的孩子，在學業、健康和情緒上平均表現較差。兩者有強烈的相關，但不代表是錢造成的。窮人家庭常同時面對其他不利條件，例如家長健康不好、住在資源較少的社區。孩子表現差，可能是這些因素造成的。如果是這樣，發錢就幫不上忙。</p><p>要回答這個問題，得把「錢」單獨拿出來看。Stewart 完成一份系統性文獻回顧，只收錄能推論因果的研究，例如隨機分組的實驗，或是政策改變讓部分家庭意外多了一筆錢的「自然實驗」。</p><p>結論很清楚：錢本身就有作用。家庭收入增加，孩子的認知發展、行為表現和健康都會跟著改善。</p><h3>錢怎麼起作用？</h3><p>Stewart 整理了三條路徑：</p><ol><li>投資：有錢才買得起營養的食物、書本和課外活動。</li><li>家庭壓力：經濟壓力讓家長焦慮、失眠，情緒影響親子互動。</li><li>孩子的情緒：買不起和同學一樣的東西、剪不起頭髮，孩子會覺得丟臉、被排擠。開頭的男孩就是這樣。</li></ol><h3>光給錢夠嗎？</h3><p>學前教育，以及英國工黨執政時推動的幼兒與家庭服務計畫 Sure Start，也對孩子有幫助。英國前財政大臣布朗在 2001 年就說過，對抗兒童貧窮不是在錢和服務之間二選一，而是兩者都要。</p><p>英國財政研究所（IFS）的評估也支持這點：如果只看幼兒的學習表現，增加給付的成本效益，不如 Sure Start 這類直接的服務。</p><p>所以「給錢」和「給服務」不是對立的選項。錢讓家庭脫離貧窮，服務直接支持孩子成長，兩者解決的是不同問題。</p><h3>英國做了哪些政策？</h3><p>過去二十多年，英國走過兩條截然不同的路。1997 到 2010 年工黨執政，訂下消除兒童貧窮的目標，同時增加現金給付和公共服務。2010 年後保守黨主政，為了削減赤字大砍家庭給付。政府起初說要「以服務取代發錢」，實際上許多服務也被刪減，尤其是地方政府提供的服務，只剩下「靠工作脫貧」的主張。</p><p>結果，全國父母的就業率持續上升，兒童貧窮卻不降反升。2023/24 年，英國有 450 萬名兒童處於相對貧窮，比 2010/11 年多了 90 萬人。Stewart 指出，決定兒童貧窮的不是就業率，而是給付水準。薪水往往不夠負擔養孩子的開銷，孩子越多越是如此。</p><h3>推動政策有多難：以「兩孩上限」為例</h3><p>2010 年後的給付刪減中，有一項叫「兩孩上限」。2017 年起，英國低收入家庭的第三個孩子以後，不能再領依資產調查發放的兒童給付。政府的理由是鼓勵家長工作，也讓靠福利生活的家庭像靠薪水生活的家庭一樣，考慮自己養不養得起更多孩子。</p><p>研究結果是：</p><ul><li><strong>就業沒有增加</strong>。Stewart 等人 2025 年的研究發現，受這項政策影響的家庭，父母並沒有比沒受影響的家庭更常去工作。家長要照顧孩子、找不到合適的托育，政策帶來的困境反而讓部分家長更難工作。</li><li><strong>生育幾乎沒變</strong>。Reader 等人 2025 年用出生登記資料分析，低收入家庭生第三胎以上的比例幾乎沒有下降。</li><li><strong>窮人家庭更窮</strong>。受影響的家庭每年平均少領超過 4,400 英鎊，約是可支配所得的一成。三個孩子以上家庭的相對貧窮率，從 2013/14 年的 34% 升到 2022/23 年的 46%。</li></ul><p>IFS 在 2024 年評估，取消兩孩上限每年約花 25 億英鎊，可讓 54 萬名兒童脫離絕對貧窮，是所有福利調整中減貧成本效益最高的一項。</p><p>證據這麼清楚，英國政府還是到 2025 年才宣布取消，2026 年 4 月才實施。Stewart 說，這是民間團體和研究者花了很大力氣才推動的。政策推行的阻力也不難理解，因為總有人會問：「為什麼要我替別人養孩子？」</p><h3>給錢有用，然後呢？</h3><p>回到最初的問題：想幫助貧窮兒童發展得更好，給錢有用嗎？英國的研究結論是有用，但光給錢不夠，還需要服務；而就算證據擺在眼前，政策的推動也不一定會跟著走。</p><p>台灣也有給錢的政策。低收入戶和中低收入戶的孩子，每月可以領生活補助；行政院在 2026 年通過方案，規劃把這項補助調到每月至少 5,000 元。另外還有「兒少教育發展帳戶」，家長每存一元，政府就提撥一元，替孩子存一筆 18 歲以後才能用的錢。</p><p>這些錢對孩子的發展有沒有幫助？目前還很少看到這類研究。英國之所以能得出「給錢有用」的結論，是因為累積了許多用因果方法做的研究。台灣如果要檢視這些政策的成效，也需要這樣的證據。</p><p>下次聽到「發錢沒用」或「發錢有用」，都可以先問一句：這是相關，還是因果？</p><p><strong>參考資料</strong></p><ul><li>Cooper, K. &amp; Stewart, K. (2021). Does household income affect children’s outcomes? A systematic review of the evidence. <em>Child Indicators Research</em>, 14, 981–1005.</li><li>Stewart, K. et al. (2025). Does reducing child benefits mean parents work more? <em>Social Service Review</em>, 99(1), 3–42.</li><li>Reader, M., Portes, J. &amp; Patrick, R. (2025). Does cutting child benefits reduce fertility in larger families? <em>Population Research and Policy Review</em>, 44(2).</li><li>Andersen, K. et al. (2025). “It’s the kids that suffer”. <em>Social Policy and Administration</em>.</li><li><a href="https://www.ukri.org/who-we-are/how-we-are-doing/research-outcomes-and-impact/esrc/child-poverty-research-informs-major-policy-change/">UKRI：Child-poverty research informs major policy change</a>（IFS 研究成果）</li><li>Kitty Stewart，2026 社會安全網成效評估與資訊標準化國際研討會主題演講簡報</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c23d602ef4bf" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[肌肉骨骼疼痛救星 Hinge Health]]></title>
            <link>https://hello-lichengen.medium.com/%E8%82%8C%E8%82%89%E9%AA%A8%E9%AA%BC%E7%96%BC%E7%97%9B%E6%95%91%E6%98%9F-hinge-health-049f9937cd32?source=rss-dc949552a132------2</link>
            <guid isPermaLink="false">https://medium.com/p/049f9937cd32</guid>
            <dc:creator><![CDATA[Cheng En Li]]></dc:creator>
            <pubDate>Sun, 19 Jul 2026 04:29:43 GMT</pubDate>
            <atom:updated>2026-07-19T04:29:43.543Z</atom:updated>
            <content:encoded><![CDATA[<p>Hinge Health 是一間專注於各種肌肉骨骼疾病的數位健康照護的公司。這些疾病涵蓋肌肉、骨骼、關節到結締組織的各種問題，可能由突發傷害、重複動作的壓力，甚至關節炎所引發。今年三月，他們申請上市，準備從美國市場登上全球舞台。傳統上認為一定必須面對面進行的物理治療，究竟如何透過數位化翻轉傳統？他們又如何披荊斬棘，克服重重挑戰，朝上市之路邁進？</p><h3>Hinge Health 的產品服務</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*gAtQsUWJ47XKnLyc.png" /></figure><p>Hinge Health 提供的服務包含：</p><ol><li><a href="https://www.hingehealth.com/for-organizations/our-approach/">Hinge Health App</a>：由物理治療師設計個人化的居家治療與運動計劃，並搭配健康教練追蹤護理執行進度。使用者可以透過 App 向物理治療師線上諮詢醫療建議。App 也結合 AI 動作追蹤技術 <a href="https://www.hingehealth.com/product/precision-motion-technology/">True Motion</a> 給予即時的回饋，幫助使用者把動作做正確。</li><li><a href="https://www.hingehealth.com/product/enso/">Enso 穿戴式電療裝置</a>：經 FDA 認證的無線電療儀，提供非侵入性、非成癮的治療方式，幫助使用者在短時間內減緩疼痛。</li><li><a href="https://www.hingehealth.com/product/hingeconnect/">HingeConnect</a>：AI 驅動的醫療資料庫。整合外部電子健康紀錄以及其他資料來源到此平台，透過 AI 技術分析使用者的運動數據、疼痛評分、人口統計資訊及共病情況（如肥胖、焦慮或憂鬱），提供個人化護理方案。並且主動識別醫囑中有提到手術轉診，或是鴉片類藥物處方等的高風險的個案，提供非侵入性與非成癮性的替代方案。</li><li>特定醫療需求：<br><a href="https://www.hingehealth.com/product/pelvic-health/">女性骨盆健康（Women’s Pelvic Health）</a>由專業醫療團隊針對女性骨盆提供客製化的運動治療方案。提升復健的參與度與便利性，鼓勵使用者持續復健，以達到長期的健康改善。<br><a href="https://www.hingehealth.com/product/fall-prevention/">跌倒預防（Fall Prevention）</a>針對肌力不足、平衡力差的高齡長者提供系統性的運動療法，降低摔倒的風險，進而減少跌倒導致的傷害、醫療成本及相關的生活品質損失。</li></ol><p>針對醫療流程中常見的 Patients, Payers, Providers 不同的角色，Hinge Health 重新定義了物理治療的體驗。</p><p>Patient 方面：<br>我必須親自去做物理治療 → 我可以隨時獲得物理治療服務。<br>物理治療費用很高 → 物理治療對我來說是免費的。<br>我必須做手術 → 我堅持執行物理治療計劃，現在感覺好多了，不需要手術。</p><p>Payer 方面：<br>企業雇主視角：我的員工因為疼痛而請假，讓公司造成缺勤與醫療費用的雙重損失 → 我的員工較不容易感到疼痛，不用請假做手術或物理治療，而且我還省了錢。</p><p>Provider 方面：<br>物理治療師視角：我的看診量受到時間限制 → 我有一個照護團隊和科技協助，讓我可以服務更多病患，也能好好追蹤他們的復健進度。</p><h3>數位化物理治療是門好生意嗎？</h3><h3>市場規模</h3><p>根據世界衛生組織估計，在 2021 年美國約 40% 的成年人患有肌肉骨骼疾病。肌肉骨骼疾病引起的疼痛可能對生活品質、共病症、心理健康和工作能力產生極大的負面影響。在 2023 年，美國在 MSK 相關的直接醫療支出約 6,610 億美元，佔總醫療費用近 14.3%，若加上生產力損失等額外的 6,240 億美元間接成本，總成本超過 1.3 兆美元。另外，根據 Business Group on Health 進行的一項調查，約 74% 的僱主表示肌肉骨骼疾病是 2024 年他們前三大醫療支出之一。</p><h3>市場現況</h3><p>醫學文獻表明，對於許多慢性肌肉骨骼疾病，物理治療應為首選的治療方案。然而，患者需求與實際獲得的醫療處置存在嚴重脫節。在 2022 年對慢性和急性肌肉骨骼疼痛的患者進行的疼痛調查中，近一半的受訪者表示若沒有專業協助，他們將無法處理疼痛。然而，從醫療理賠數據中顯示，2023 年僅約 9% 的美國成年人尋求實體的物理治療。</p><p>上述醫療落差發生的原因包含：</p><ul><li>服務難以獲取：後疫情時期的勞動力短缺以及物理治療資源有限，在鄉村地區往往需要往返到別的地區才能接受治療。往返實體物理治療對病患來說可能是一大挑戰，特別是對殘障人士、行動不便者和依賴大眾運輸的人。</li><li>耗時：實體物理治療通常需要每週多次親自到診，且許多病患還需要在療程期間在家運動。有些病患難以從工作、學業和家庭中抽出時間，在診所營業時間內前往看診。</li><li>昂貴：物理治療過程可能需要 12 次以上的診療，每次診療可能需要自付額並導致工作缺勤。此外，許多診所考量到保險給付減少，正在轉向接受現金支付而不接受保險，這可能會進一步增加患者的經濟負擔。</li><li>可避免的手術：根據醫療理賠數據的分析，2022 年大約 62% 的肌肉骨骼相關支出與手術有關。然而多項研究指出，某些肌肉骨骼疾病的手術治療相較於物理治療而言，其效益極少甚至沒有差異，尤其是關節鏡手術。</li></ul><h3>市場成長潛力</h3><p>從市場現況可以發現，目前大部分的肌肉骨骼疾病患者的需求並沒有完全被滿足。Hinge Health 從不同 Payer 類型估計潛在的市場機會如下：</p><ul><li>自主投保雇主（Self-insured market）：100億美元。</li><li>全額投保雇主（Fully-insured）、醫療優惠計劃（Medicare Advantage）和聯邦保險計劃（Federal Insurance Plans）：80億美元。</li><li>政府機構和政府醫療保健計劃（醫療保險 Medicare 和醫療補助 Medicaid）：90億美元。</li><li>國際擴張：未說明，但相當有潛力。</li></ul><p>以 Hinge Health 在 2024 年的營收 3.9 億美元來看，未來還相當有成長潛力。</p><h3>Hinge Health 能做好這門生意嗎？</h3><h3>Hinge Health 的成功關鍵</h3><p>Hinge Health 的主張是：</p><ul><li>很多人都有肌肉骨骼疼痛問題，卻沒有接受好的醫療服務。</li><li>Hinge Health 結合軟體、人工智慧和醫療團隊，以更低的成本大規模提供更好的物理治療體驗。而更好的物理治療服務能夠有效減少疼痛。</li><li>Hinge Health 的商業模式是與企業和保險公司簽約，幫助他們節省開支，同時創造收益。</li><li>隨著時間推移，Hinge Health 將擴展到其他疾病和服務領域，幫助更多人並創造更多收益。</li></ul><p>順著上述脈絡，Hinge Health 的成功關鍵在於：足夠的市場需求、提供有效的服務、大規模化的與企業和保險公司簽約。這三個面向，Hinge Health 表現都相當傑出。</p><p>在「市場現況」段落中，已經闡述了肌肉骨骼問題的醫療需求並未被滿足，而且也成為雇主主要的醫療支出，顯示在 Patient 端與 Payer 端都有需求。</p><h3>Hinge Health 的臨床療效</h3><p>在2020年發表的一項涵蓋 10,000 名會員的研究，評估 Hinge Health 產品對慢性膝蓋痛和背痛患者的效果，發現參與者在 12 週後報告平均疼痛改善 68%，抑鬱和焦慮減少 58%。</p><p>臨床療效方面，Peterson Health Technology 曾經對數位健康科技在肌肉骨骼疾病方面的臨床表現進行系統性的文獻回顧。結果發現在減輕疼痛以及身體機能改善方面，使用 Hinge Health 產品的患者比接受一般護理的患者有更大的改善。然而大多數的文獻都是在過去三年內發表的，但其中只有少數包含對照組，而且許多結果顯示有高度偏差風險。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*309x5HwLOzC1hV4i.png" /></figure><p><a href="https://phti.org/wp-content/uploads/sites/3/2024/10/PHTI-Virtual-MSK-Solutions-Assessment-Report-v1.3.pdf">Virtual Musculoskeletal Solutions — Peterson Health Technology</a> page 29</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*1V5oJQ2gEiJh7YZT.png" /></figure><p><a href="https://phti.org/wp-content/uploads/sites/3/2024/10/PHTI-Virtual-MSK-Solutions-Assessment-Report-v1.3.pdf">Virtual Musculoskeletal Solutions — Peterson Health Technology</a> page 31</p><h3>Go-To-Market 策略</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*V6QIPv6YTpFBmvyD.png" /></figure><p>Hinge Health 成功關鍵的最後一塊拼圖是市場擴張策略。Hinge Health 的商業模式是 B2B2C，主要客戶是美國的自保型雇主，通常此類雇主會委託商業保險公司作為第三方管理機構（TPA）來處理保險業務，因此自保型雇主可以選擇自行與 Hinge Health 簽約或是透過 Hinge Health 的合作夥伴簽約，即上圖中的 1b 到 2b 的途徑。</p><p>另一方面，Hinge Health 也積極與客戶的醫療保險計劃、第三方管理機構、藥品福利管理機構等生態系夥伴合作，Hinge Health 擁有超過 50 個合作夥伴，包括五大健康保險公司，以及市佔率前三的藥品福利管理公司（Pharmacy Benefit Manager，簡稱 PBM），這類型的合作即為上圖中的 1a 到 2a 的途徑。</p><p>Hinge Health 的合約平均期限為三年，12 個月客戶保留率為 98%，客戶淨推薦值（NPS）87。客戶滿意度非常高，而且幾乎不會掉客戶！</p><p>截至 2024 年末，Hinge Health 擁有 2,250 多個企業客戶，涵蓋了約 2,000 萬名簽約人。Hinge Health 表示，目前簽約人數僅佔總可觸及市場的 5%，未來還大有可為。</p><h3>財務表現</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*_xeH1IecPOxhF18M.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*cweHFWG_fHW2Yvk-.png" /></figure><p>從財務報表中可以看到，Hinge Health 為達到盈利，大幅削減了營業費用，毛利也從 2023 年底的 66% 大幅提升至 2024 年底的 77%，這與 2023 年執行的技術轉型策略息息相關。</p><p>過往 Hinge Health 提供會員平板電腦和穿戴式感測器來追蹤其動作，以確保正確完成運動，然而提供硬體設備也意味著需要負擔庫存成本。在 2023 年上半年， Hinge Health 改讓會員直接使用自己的手機或是平板上的 App 來使用服務，再結合 TrueMotion 技術進行身體動態捕捉，提供會員運動姿勢指導和修正，讓原本的硬體設備逐步退場。使用 AI 科技還能更進一步的將療程中收集到的資料回饋到資料庫中，讓提供的照護計劃更加完善。</p><h3>結語</h3><p>我有跑步的習慣，從運動開始接觸到物理治療。對物理治療師而言，病人的主動性對復健的效果有很大的影響。在診療時教的復健動作，病患要回家自己做，才能掌握並控制問題，而非持續依賴外界的協助。並且在復健運動一段時間後，擁有照顧自己的能力。Hinge health 讓病患可以與物理治療師線上討論病情，並且在 App 中提供各種復健動作的教學影片，對不知道如何處理疼痛問題的人，提供了主動治療的動力與方法，對醫病雙方都很有幫助。</p><p>在這個脈絡下，也可以看到數位醫療在慢性疾病上的優點，這些服務可以幫助患者自我管理慢性病，如糖尿病、心血管疾病以及心理健康問題。Omada Health 起初聚焦於糖尿病預防和慢性病數位照護，但近年來積極拓展至肌肉骨骼健康領域，應該也是看到這方面的發展潛力。</p><p>另外，從 Hinge health 的以 AI 技術取代硬體感測器設備的轉型策略，也可以看見美國醫療產業不同的思維與發展路徑。拿美國和日本相比，美國擅長以軟體視角來解決問題，他們想的是：如何用軟體提供個人化復健計畫，幫助患者管理慢性疼痛、如何有效率地收集資料，優化 AI 模型，進而提供更好的服務。日本則是專注於開發物理治療設備與監測裝置，醫療器械在骨骼肌肉疾病治療中的使用比例顯著高於醫療軟體。</p><p>這背後其實反映了文化與產業結構的差異。美國是軟體與 AI 技術的重鎮，擁有完整的數位生態系統與成熟的數據文化底蘊。只要導入軟體，就能快速整合醫療數據，創造價值。而日本則是精密製造的王者，從感測器到醫療器械技術領先，硬體對他們而言是「人本醫療」的延伸。</p><p>再進一步看，也可以看到兩國的醫療面臨不同的挑戰。美國國土幅員遼闊，難以就近獲得醫療服務，所以他們更需要以數位的方式，讓醫療服務隨手可得。而日本面臨人口老化，因此政府大量補助硬體導入，希望用機器來接住人力缺口。</p><p>無論是軟體思維或是硬體做法，兩者都試圖解決骨骼肌肉疾病領域的核心問題：如何讓患者重拾健康，並減輕醫療系統的負擔。數位醫療的價值不在於技術本身，而在於它如何讓患者能自我健康管理，重拾主動權。Hinge health 幫助患者從各種肌肉痛中，學著對自己身體負責，就是它最有價值的所在。</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=049f9937cd32" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[DeepSeek 衝擊 AI 產業：傑文斯悖論如何重塑市場競爭？]]></title>
            <link>https://hello-lichengen.medium.com/deepseek-%E8%A1%9D%E6%93%8A-ai-%E7%94%A2%E6%A5%AD-%E5%82%91%E6%96%87%E6%96%AF%E6%82%96%E8%AB%96%E5%A6%82%E4%BD%95%E9%87%8D%E5%A1%91%E5%B8%82%E5%A0%B4%E7%AB%B6%E7%88%AD-e7a3b0eb38c0?source=rss-dc949552a132------2</link>
            <guid isPermaLink="false">https://medium.com/p/e7a3b0eb38c0</guid>
            <dc:creator><![CDATA[Cheng En Li]]></dc:creator>
            <pubDate>Sat, 18 Jul 2026 02:31:10 GMT</pubDate>
            <atom:updated>2026-07-18T02:31:10.430Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*VmujvQMr7AASwZkd.png" /></figure><p>2025 年 1 月底春節假期期間，中國大陸新創公司 DeepSeek 推出 AI 大型語言模型震撼市場。該模型使用低成本的方式訓練，但是能力與 OpenAI、Meta 等科技巨頭所訓練出的 AI 模型相比，絲毫不遜色。動搖市場對 AI 產業「高成本等於高效能」的既有認知，進而引發對於美國企業在 AI 領域優勢地位的質疑，美股巨頭股價崩跌。</p><p>微軟執行長納德拉（Satya Nadella）<a href="https://x.com/satyanadella/status/1883753899255046301?mx=2">發文表示</a>，這是傑文斯悖論（Jevons paradox）再現。亦即，隨著 AI 模型訓練更加高效，直覺上來說，對硬體設備的需求應該會降低（不需要用到高規格的運算資源即可訓練出模型）；但因為 AI 技術也變得更容易取得，進而推升使用量，反而使總體的需求量快速增加。</p><h3>傑文斯悖論</h3><figure><img alt="Jevons Paradox" src="https://cdn-images-1.medium.com/max/622/0*z9_3lPpX5tHIzqCx.png" /><figcaption>Jevons Paradox</figcaption></figure><p>傑文斯悖論（Jevons Paradox）最早由英國經濟學家傑文斯（William Stanley Jevons）在1865年的著作<a href="https://oll.libertyfund.org/titles/jevons-the-coal-question">《煤炭問題》</a>（The Coal Question）中提出。他觀察到，隨著技術進步提高了煤炭的使用效率，英國的煤炭消耗量不減反增。傑文斯認為，當燃料的使用變得更加經濟時，其價格降低，從而促使需求上升，最終導致整體消耗增加，而非減少。他強調，這種繁榮是不可持續的，因為煤炭資源終將枯竭。</p><p>傑文斯悖論的影響是全面性的，並非僅限於單一層面，而是會產生連鎖反應。以能源效率為例，隨著製冷技術不斷提升，冰箱變得更高效、更便宜且容量更大時，家戶購買與儲存冷藏食品的能力大幅提升。這使消費者更願意購買冷藏食品，進一步促進了市場上冷藏商品的供應與銷售。然而，冷藏食品讓消費者誤以為食品可以保存更久，往往購買過多，導致過期或變質後只能被丟棄，造成大規模的食物浪費。</p><p>食物浪費不僅是經濟上的損失，也帶來了能源和環境成本。食品的生產、運輸和儲存都需要大量能源，例如灌溉農作物、冷藏運輸、加工處理，以及最終的冷凍儲存。當食品被浪費時，這些前期投入的能源也隨之付諸流水。</p><h3>創新的漣漪效應</h3><p>資源使用效率提高往往會增加資源的使用量，但這並不意味著提高能源效率毫無價值。相反地，更高的能源效率可以促進大量、更好的生產品質，進而提高社會生活水平。</p><p>福特汽車在 20 世紀初引入了現代化流水線生產技術，這一創舉徹底改變了汽車製造業的生產方式。透過標準化零件與高度分工的組裝流程，福特大幅提高了生產效率，使得單輛汽車的製造成本顯著下降。1950 年代，戰後經濟復甦與消費者購買力提升，讓普通美國工人也能負擔得起車輛，從而將汽車從富裕階層的奢侈品轉變為大眾市場的必需品，戴起蓬勃的汽車產業革命。</p><p>不僅如此，汽車的需求大增也衍生了許多連帶的需求。大型石油公司開始往離岸和極地前進，以滿足市場不斷增加的汽油消費需求，1970 年所創下的美國本土原油生產峰值，直到 2018 年才由頁岩油熱潮刷新紀錄。</p><p>更多的運輸需求，也逼使美國各級政府得加強道路基礎建設。美國總統艾森豪（Dwight David Eisenhower）所簽署的《聯邦補助高速公路法案》 （Federal Aid Highway Act of 1956），使美國政府花費了高達 250 億美元，興建長達 66,000 公里的州際公路，並初步完善了美國的國家高速公路網。</p><p>不只如此，蓬勃的美國汽車工業也強化了出口競爭力。從 1950 年代開始， 汽車相關出口就成為拉動美國出口的經濟火車頭；此趨勢雖然在 1950 年代未期一度沉寂（主因產能跟不上，優先供應本土需求），但在產能問題解決之後，1960年代再度加速；從 1964 年至 1968 年間，美國汽車出口指數暴增超過三倍，直到 1970 年代日本汽車產業興起才告終結。</p><h3>AI 世代的未來</h3><p>大型語言模型的發展大致會循著 2017 年 CNN 模型的發展模式走。在第一階段，科技大廠投入硬體設備的軍備競賽，購買大量的 GPU 在雲端訓練大型語言模型。當各家大模型的參數調教得差不多時，模型表現差異開始縮小。此時進入到第二階段， AI 的雲端推論（Model Inference）和邊緣端運算（Edge Computing）的需求逐漸提升，最終成為主流。此時擁有高算力的 GPU 不再是重點，能夠掌握到垂直市場的通路與應用，才是提升市占率的成功要素。</p><p>過去三年間，AI 模型的訓練成本以及連帶的基礎設施、電力需求，是公認的發展瓶頸。 DeepSeek 模型則是證明了透過訓練過程中的最佳化，以及模型蒸餾（Distillation）技術，把模型縮到很小，讓使用較弱的硬體設備也能做出和雲端模型不相上下的成果。它所代表的是大型語言模型即將走向技術發展的第二階段，而它所帶來的價格破壞，讓市場上出現了新的可能。</p><p>當模型推論門檻降低，也使得邊緣運算更普及。換言之，當特化過、可以運行在手機、車輛或是智慧工廠的小模型，具有大模型的表現能力時，各種 AI 應用將遍地開花。Apple 在 2024 年 WWDC 上展示的 Apple Intelligence 即為一例。</p><p>AI 成本下降，市場競爭的重心也會從技術優勢轉向產品和通路。企業的競爭力不再單純取決於模型效能，而是如何將 AI 服務快速產品化、商業化，並透過強大的通路觸及更多用戶。未來的競爭將聚焦於誰能在 AI 產品與市場滲透率上占據優勢，而非單純的技術領先。</p><p>最後，中美 AI 競爭仍是全球關注的焦點。美國對中國的晶片禁令雖然短期內壓制了中國在高端 AI 算力的發展，但也讓中國在限制之下，另闢蹊徑、危崖開花。隨著 DeepSeek 揭示科技競賽進到下個階段，美國政府面臨選擇：是持續加強防守，祭出更嚴格的晶片禁令，還是採取更積極的競爭策略，確保自身 AI 產業的領導地位，將決定未來全球 AI 的格局。</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e7a3b0eb38c0" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[從學貓看世界到 AI 看懂世界：電腦視覺簡史]]></title>
            <link>https://hello-lichengen.medium.com/%E5%BE%9E%E5%AD%B8%E8%B2%93%E7%9C%8B%E4%B8%96%E7%95%8C%E5%88%B0-ai-%E7%9C%8B%E6%87%82%E4%B8%96%E7%95%8C-%E9%9B%BB%E8%85%A6%E8%A6%96%E8%A6%BA%E7%B0%A1%E5%8F%B2-c9b7f2a21706?source=rss-dc949552a132------2</link>
            <guid isPermaLink="false">https://medium.com/p/c9b7f2a21706</guid>
            <category><![CDATA[computer-vision]]></category>
            <dc:creator><![CDATA[Cheng En Li]]></dc:creator>
            <pubDate>Sat, 18 Jul 2026 02:28:58 GMT</pubDate>
            <atom:updated>2026-07-18T02:28:58.988Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*JmhtjuMUA_orhVrn.png" /></figure><p>手機的臉部辨識做身份認證、寶寶攝影機遠端偵測異常趴睡姿勢，即時通知父母、進出停車場的車牌辨識自動收費，電腦視覺科技在我們的生活中無所不在。</p><h3>電腦視覺，從學貓看世界開始</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/678/0*Ay9pTZBshnSqoVBL.png" /></figure><p>電腦視覺的歷史始於 1960 年代初期，從生物學家研究生物的視覺機制所啟發。</p><p>D. H. Hubel 與 T. N. Wiesel 在 1959 年發表的經典論文〈Receptive fields of single neurones in the cat’s striate cortex〉中，探討了靈長類動物和哺乳類動物的視覺處理是如何進行的。他們把一些電極黏到貓腦後部的視覺皮層區域，並在貓的眼前反覆投影點狀、條紋，以及有邊緣的圖形，並微調光線的方向、移動速度、亮暗對比等參數，然後觀察什麼刺激會讓這些神經元有反應。</p><p>Hubel 與 Wiesel 在實驗中發現，視覺皮層中存在兩種對視覺刺激呈現不同敏感度與反應方式的神經元：簡單細胞與複雜細胞。</p><p>簡單細胞擅長於偵測視野中特定位置的方向或邊緣，而複雜細胞則是對圖形的移動反應更敏感。研究者推測，複雜細胞或許透過整合多個簡單細胞的輸入，而形成更高層次的視覺處理能力，能捕捉動態變化，進一步展現了視覺皮層由低階到高階的層級式訊息加工模式。</p><p>40年之後，科學家在思考如何讓電腦產生跟人類一樣的視覺能力時，也參考利用不同的細胞進行分工，最終再進行特徵分析與整合的模式。1959 年的生物學研究，在無意間對電腦視覺神經網路模型架構設計產生深遠的影響。</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FIOHayh06LJ4%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DIOHayh06LJ4&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FIOHayh06LJ4%2Fhqdefault.jpg&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/a9eddb961e4bc9ca2d118b64525c2659/href">https://medium.com/media/a9eddb961e4bc9ca2d118b64525c2659/href</a></iframe><h3>機器學習演算法的瓶頸</h3><p>2000年代以前，電腦視覺的科學家也提出了將視覺世界簡化為簡單的幾何形狀，然後將表面、深度資訊、層次或視覺場景的不連續性拼湊在一起，並根據表面和體積等按層次結構組織 3D 模型的想法。但是<strong>受限於可使用的資料非常少，電腦的速度也很慢</strong>，技術上遲遲沒有重大突破。</p><p>1999 年開始，統計機器學習技術開始發展，包括支援向量機（Support Vector Machine）、提升法（Boosting）、圖形模型（Graphical Models），包括第一波神經網路（Neural Networks）。2001 年由 Paul Viola 和 Michael Jones 使用 AdaBoost 演算法進行即時人臉偵測。當時電腦的運算速度還非常慢，但它能夠幾乎即時地在圖像中進行人臉檢測，並且在這篇論文發表五年後的 2006 年，富士膠片推出了第一台配有即時人臉檢測器的數位相機，顯示從基礎科學研究到實際應用快速的轉換落地。</p><p>雖然有突破，但<strong>大多數機器學習演算法也有缺點：很容易在訓練過程中過度擬合（Overfitting）</strong>。也就是，假設有一個專門用來辨識「貓」或「狗」照片的模型，並準備了一批訓練資料供它學習。若這些貓的照片大多出現在室內，且背景顏色偏暖色調；而狗的照片則大多出現在戶外、背景顏色偏冷色調，模型在學習過程中可能誤以為背景的色調才是用來區分貓與狗的關鍵特徵。這樣的情況下，模型雖然能在訓練資料上得到極高的準確度，但一旦遇到全新、背景顏色和訓練集不同的貓或狗照片，模型就會大幅失準。</p><p>這種只「記住」訓練資料中一些無關或偶然特徵，而非真正能區分貓與狗的通用特徵，便是過度擬合的典型表現。模型在訓練資料上看似表現完美，但真正投入實際應用時，往往會出現高錯誤率，只要是模型在訓練階段沒有見過的圖片，他就認不得了。</p><p>如果要識別世界上的每一個物體或大多數物體，除了要解決過度擬合的問題以外，還要有足夠的圖片資料幫助模型訓練。</p><h3>劃世代的新架構 — — 卷積神經網路（CNN）登場</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*KelMlKcN0NS9Adlv.png" /></figure><p>2000 年左右消費型數位相機開始普及，並開始取代傳統的底片相機；十年後，智慧型手機內建的相機功能再次取代了輕便型數位相機市場。網路上大量、高解析度的圖片為這個時代奠定基調。</p><p>2006 年，李飛飛帶領研究團隊開始了 <a href="https://www.image-net.org/index.php">ImageNet 計畫</a>，花了三年的時間從網路上收集全世界大量的圖片進行整理與標記，最終 ImageNet 標記了近 1400 萬幅圖像，按照 2200 萬個物體和場景進行分類， 這是當時人工智慧領域所收集到最大的圖片資料集 。</p><p>為什麼要收集這麼多圖片？除了提供模型訓練使用以外，當時研究學者也需要一個共同的評價基準（Benchmark），用來判斷哪些模型表現比較好。</p><p>既然可以當作模型評價指標，那辦個比武大賽也很合理吧？</p><p>2010 年開始，ImageNet 團隊推出了一項名為 <a href="https://www.image-net.org/challenges/LSVRC/">ImageNet 大規模視覺識別挑戰賽的國際挑戰賽（ILSVRC）</a>，參賽團隊要用自己開發的模型對 140 萬張圖片辨識出 1000 種物體類別。模型可以對每張圖猜五個答案，只要這五個裡面有包含到正確答案，則視為辨識成功。最終再以模型的錯誤率做排名。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*61SDlGIrPYO5RsoA.png" /></figure><p>2012年，Alex Krizhevsky 等人用 AlexNet 模型以極大的領先幅度打敗對手，贏下冠軍。相較於先前冠軍團隊都是採用機器學習模型，AlexNet 採用深層卷積神經網路架構（Convolutional Neural Network, CNN），再搭配一些模型訓練技巧，克服過度擬合的問題。此外，為了加速模型訓練，團隊在兩張消費級高階顯示卡 NVIDIA GTX 580 上進行平行運算，這種做法令人驚豔，因為當時多數影像辨識依賴 CPU 或單張 GPU。</p><p>AlexNet 在 2012 年 ImageNet 競賽的勝利，對整個深度學習領域產生了突破性的影響，也間接提升了 NVIDIA 在高效能運算與人工智慧市場的地位，讓更多研究機構和產業界開始採用 GPU 來取代 CPU 或其他硬體進行深度學習，NVIDIA 逐漸成為「AI 加速」的代名詞。隨著市場對 GPU 的需求暴增，NVIDIA 也開始投入更多資源開發針對深度學習優化的 GPU 與軟體開發套件（如 CUDA、cuDNN 等），並積極拓展雲端運算、資料中心與自動駕駛等領域的合作機會。</p><p>AlexNet 開啟深度學習於電腦視覺的黃金時代，也引領後續更多大型神經網路架構發展。</p><h3>深度學習時代的爆發</h3><p>在 AlexNet 發表之後，研究者與企業界在 CNN 架構基礎上展開多元的探索與創新。像是把 CNN 神經網路的層數加深以提高準確度、架構設計中加入不同尺度特徵的辨識模組，或是從單純影像分類擴展到更複雜的視覺任務，像是理解更細緻的場景資訊。</p><p>後續注意力機制（Attention）與 Transformer 架構在影像領域崛起，能聚焦關鍵區域並提升整體辨識效率。其中 Google 推出的 Vision Transformer（ViT）將影像切割成多個區塊，再透過自注意力建模區塊間關聯，強化全局視野。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*byQ2cP5Ctsiy0JEm.png" /></figure><p>研究者與企業開始大量運用雲端伺服器進行大規模資料訓練與推論。自 2012 以降，較知名的 CNN 模型架構如 GoogLeNet(2014)、微軟研究院的 ResNet(2015) 或是 Transformer 架構的 ViT(2020)，都是使用自家資料中心雲端的高階 GPU 或是 TPU 等大規模運算資源進行模型訓練。</p><p>這些 AI 技術突破，也反映在全球 IT 產業在資料中心系統的支出數字上。大型科技公司自 2000 年開始持續擴建資料中心，除了 2009 年受到金融海嘯與 2020 年受到疫情影響，使支出數字衰退，其他年都是持續成長。而且在近 25 年間，數字已經翻了四倍。</p><p>這反應了隨著人工智慧應用普及、企業數位轉型加速，加上串流影音、遊戲等消費服務的興起，對運算資源和儲存空間的需求呈現爆炸性成長。</p><p>但這樣的集中式模式需要穩定且高速的網路傳輸，也衍生頻寬成本與即時性限制。隨著物聯網（IoT）快速普及邊緣端的應用需求逐漸增加，推動技術由雲落地。</p><h3>從雲端落地，走入日常</h3><p>邊緣運算（Edge Computing）指的是在資料產生或收集的「邊緣」端，就地進行資料處理與分析，而非將所有資料都傳送到遠端資料中心或雲端再進行運算。</p><p>想像一下：你在一台自動駕駛的車上，路邊突然有一隻狗衝出來，此時的你應該不會希望等待感測器把資料傳到雲端，雲端算完得到一個「踩煞車」的指令，再回傳到車上的控制系統吧？<strong>太慢了！狗已經被輾過去了。</strong></p><p>因此藉由將運算能力下放到邊緣，就可以在現場快速進行決策或執行動作，降低延遲並節省頻寬。這樣的作法在許多應用中尤其重要，包含智慧城市、工業自動化、自動駕駛以及醫療監護等，因為這些場景需要即時且穩定的反應，等不及長時間的雲端回傳。另一方面，邊緣運算也能有效保護隱私與敏感資料，因為資料僅在本地端處理，不必大規模外流或儲存在雲端。</p><p>邊緣運算受益於多重因素疊加才能實現。大約在 2015 年左右，隨著行動裝置與物聯網應用的快速普及，市場對即時運算與資料隱私的需求日益提升，進一步推動將演算法下放到終端執行。硬體廠商陸續推出行動 GPU、NPU 及微型化加速器，同時深度學習社群也開發出輕量化模型（如 MobileNet、SqueezeNet 等），讓模型在有限的運算資源下，依然有出色的性能表現。</p><p>此外，企業與研究機構也嗅到商機，開始投入研發能在邊緣端完成即時決策的解決方案，智慧攝影機、工業自動化、車載系統等場景由此受益。透過硬體演進、演算法優化與產業推動多方合力，邊緣運算終於從理論走向落地實踐。</p><h3>結語</h3><p>從電腦視覺的發展歷程中不難發現，要讓一項新技術真正落地，需要研究者、產業界、硬體廠商、以及使用者等多方協同努力。</p><p>早在 1998 年就已有人提出 CNN 模型架構，但直到 2012 年 GPU 加速運算普及後，深度學習才得以快速竄起。2000 年以前，許多影像辨識相關的理論雖然在學術界已逐漸成形，卻苦於缺乏夠大的影像資料集與運算資源，難以進行大規模驗證。但是隨著數位相機與智慧型手機的盛行，全球影像與影片量呈指數成長，成為龐大且不斷更新的訓練池。再加上 GPU、TPU 等硬體迅速升級，逐步打破算力限制，讓過去只能存在論文中的技術有了大規模實踐的機會。</p><p>也因為了解這些歷程，才能體會如今我們能夠享受自動駕駛、手機臉部解鎖，或是寶寶攝影機的便利，是件很幸福的事。</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c9b7f2a21706" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[蜜蜂的寓言]]></title>
            <link>https://hello-lichengen.medium.com/%E8%9C%9C%E8%9C%82%E7%9A%84%E5%AF%93%E8%A8%80-5f082e8c9a04?source=rss-dc949552a132------2</link>
            <guid isPermaLink="false">https://medium.com/p/5f082e8c9a04</guid>
            <category><![CDATA[economics]]></category>
            <category><![CDATA[bees]]></category>
            <dc:creator><![CDATA[Cheng En Li]]></dc:creator>
            <pubDate>Wed, 29 Jan 2025 00:01:59 GMT</pubDate>
            <atom:updated>2025-01-29T00:01:59.426Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OYVM8xVkxZiOBpuAqEg5ig.png" /></figure><p>最近美國華盛頓州與聯邦機構宣布，在亞洲大黃蜂(Asian Giant Hornet)首度在美國現蹤五年後，他們已成功根除這種「殺人蜂」，避免該入侵物種在美國扎根，威脅當地生態系統與蜜蜂產業。</p><p>循著這條新聞，我研究起美國的蜜蜂產業，發現過去經濟學家曾經以蜜蜂為題發表論文，藉由討論蜂農與果農之間的合作關係，進而挑戰了經濟學中關於市場機制與社會成本的觀念，影響後世許多。</p><p>訂閱《透光帶》電子報：<a href="https://lichengen.substack.com/?fbclid=IwZXh0bgNhZW0CMTAAAR04FzPl4oCgzhWOyp_lXzcln79cHp3PMxmSWi5ctvX-NgQqlXJXhUOG4cQ_aem_Ktc8__Z6LyNy_wHUGc-CBQ">https://lichengen.substack.com/</a></p><h3>蜜蜂與果農的經濟學故事</h3><p>1952 年諾貝爾經濟學家米德曾經發表過一篇 <a href="https://www.jstor.org/stable/2227173">論文</a> 。他在這篇論文中舉了一個例子：有一片蘋果園旁邊有一名蜂農在養蜂，蜜蜂會去蘋果樹上採花蜜、授粉，因此蘋果的產量增加了，而蜂農也獲得了額外的蜂蜜。但是果農和蜂農多出來的收益都無法跟對方分享，而且對蜂農來說，蜜蜂產蜜才是他的工作重點，授粉只是順便完成的事。雙方都沒有誘因提高自己蜜蜂和果樹的數量，因此雙方都沒有獲得理論上的最大收益。</p><p>在這個故事裡，果農和蜂農多出來的收益在經濟學上被稱為外部性，或是外部成本。指的是 A 做了一些事，使沒有參與的 B 從中獲得間接成本或是收益。若 B 獲得的是好處，就稱為正外部性；若 B 獲得的是壞處，則稱為負外部性。汽車產生的空氣污染就是負外部性的例子，空氣污染給社會造成的代價，但不是由車輛生產者或使用者向社會其他人支付。不管是正外部性還是負外部性，都可以視為有一部分經濟活動的結果是沒有辦法被定價或是被交易的。</p><p>在米德的年代，由政府干預市場是一部分經濟學家比較推崇的做法，他在這篇文章中就提出，此時應該由政府提供一些獎勵措施，讓雙方都能拿到好處，創造更大的經濟價值。</p><p>由於該文提供了一個容易理解又討喜的案例故事，而且又是皆大歡喜的正外部性案例，因此文章發表後的十幾年間，在經濟學界都受到高度推崇。</p><h3>〈蜜蜂的寓言〉來踢館</h3><p>1973 年，出身香港的經濟學家張五常，在聽說了一些養蜂實務之後，興沖沖的跑去深度探訪養蜂人，想要驗證當年米德的案例是否是真的。在他幾個月的訪查研究之後，寫成了一篇 <a href="https://www.journals.uchicago.edu/doi/abs/10.1086/466753">〈蜜蜂的寓言〉</a> ，以實證資料推翻了當年米德的論述。</p><p>他依照米德的故事設定，跑去盛產蘋果的華盛頓州拜訪當地的蜂農，了解當地蜂農與果農之間租蜜蜂去授粉的合約內容，並提出幾點反證。</p><p>首先，在米德的故事中，蘋果和蜂蜜量都會增加；然而實際上，蜜蜂並不那麼喜歡蘋果，他們比較喜歡苜蓿、薄荷等草本植物，因為蘋果產的蜜不多，所以反而是蘋果比較需要蜜蜂幫忙授粉。所以果農占的便宜比較多。</p><p>再來，在華盛頓州內，果農和蜂農彼此之間的合作關係已經非常的成熟，無論是果農租蜂群幫忙授粉，或是蜂農租果園幫忙產蜜，都有對應的合約。這些合約中，還會根據不同的季節、農作物，有不同的價格。像是在春天時的蘋果園租蜜蜂來幫忙授粉的話，一個蜂箱的租金是 9–10 美元，如果是甘藍，租金就是 8 美元。到了夏末秋初，是蜂蜜的盛產期，此時就會是蜂農要付錢給農場主，讓蜜蜂在農地裡採蜜。</p><p>在張五常調查的期間，剛好美國政府也有對蜂農的補助機制。一個是保價收購，但是當時的收購價明顯比市價低很多，所以沒有影響力。另一個是如果因為噴灑農藥導致蜜蜂死亡的話，蜂農可以向政府請求補償，但是因為舉證作業太麻煩了，所以也沒人使用。這兩項政府干預的手段，在實務上並沒有發揮效果。</p><p>華盛頓州的果農與蜂農在充分競爭下，展現出市場平衡，米德論文中所主張的外部性，完全可以在合約中被清楚定價，因此推翻了米德假想出的故事。</p><h3>美國的現代化果園與授粉服務的興起</h3><p>是什麼契機讓美國的蜂農和莊園主開始緊密合作呢？在傳統的小農場中，果樹旁邊通常還會有空地可以種一些花草，而這些花草就會吸引來蜜蜂，蜜蜂再順便為果樹授粉。1910 年代起，美國開始有計劃的大規模種植果園，如果這些果樹不是蜜蜂喜歡的作物的話，就會需要去租用蜜蜂來幫忙授粉。這個商業模式後來發展到美國蜂農會訂製大型的蜂箱，搭配貨車，在全美各地輪流幫忙授粉。</p><p>年初時蜂農們會把蜜蜂運到加州，幫杏仁授粉，接著到西北部地區，為春天開花的蘋果等果樹授粉，夏天再到中西部為向日葵、芥菜花授粉。秋天再回到加州，冬眠休息一下，迎接春天的開始。</p><h3>健康飲食風潮改變蜂農產業收入結構</h3><p>2018 年美國農業部的報告指出，八十年代末蜜蜂授粉服務佔養蜂人總收入僅有 11%，但到了 2016 年，已佔總收入的 41%，甚至比蜂蜜的收入比例更高。</p><p>新增出的授粉服務需求，大部分來自靠昆蟲授粉的杏仁。美國加州的杏仁佔全球八成產量，因此每到春天，全美有 60% 的養殖蜜蜂湧入加州，杏仁園中擠滿了忙著授粉的蜜蜂。近年來，隨著健康意識抬頭，越來越多人選擇攝取植物性蛋白質，杏仁飲品大受歡迎，因此隨著杏仁的需求水漲船高，授粉業務也越來越被重視。</p><h3>結語</h3><p>從兩篇不同年代的論文可以看出經濟學家在市場運作上的立場交鋒。米德當年的舉例在現在看來是「黑板經濟學」，沒有實務的佐證，是整篇最大的敗筆。現在已經不能這樣做學問了。</p><p>另一方面，當今美國的養蜂產業也隨著全球飲食取向的改變，主力從販售蜂蜜產品慢慢轉向授粉服務。下一次喝杏仁奶的時候，我會想到在美國加州春天的杏仁園中，曾為我努力振翅的小蜜蜂。</p><p>訂閱《透光帶》電子報：<a href="https://lichengen.substack.com/?fbclid=IwZXh0bgNhZW0CMTAAAR04FzPl4oCgzhWOyp_lXzcln79cHp3PMxmSWi5ctvX-NgQqlXJXhUOG4cQ_aem_Ktc8__Z6LyNy_wHUGc-CBQ">https://lichengen.substack.com/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5f082e8c9a04" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[從瑜伽女孩到 Z 世代：lululemon 的成長之路]]></title>
            <link>https://hello-lichengen.medium.com/%E5%BE%9E%E7%91%9C%E4%BC%BD%E5%A5%B3%E5%AD%A9%E5%88%B0-z-%E4%B8%96%E4%BB%A3-lululemon-%E7%9A%84%E6%88%90%E9%95%B7%E4%B9%8B%E8%B7%AF-cd85339bd720?source=rss-dc949552a132------2</link>
            <guid isPermaLink="false">https://medium.com/p/cd85339bd720</guid>
            <category><![CDATA[yoga]]></category>
            <category><![CDATA[lululemon]]></category>
            <dc:creator><![CDATA[Cheng En Li]]></dc:creator>
            <pubDate>Wed, 22 Jan 2025 00:02:09 GMT</pubDate>
            <atom:updated>2025-01-22T00:02:09.828Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*a2bHIIzULMCfHKTD.png" /></figure><p>從健身房到街頭，運動服飾早已不再只是運動時才穿著的專業裝備。而在這場運動休閒風潮中，lululemon 扮演了關鍵推手的角色。這個從溫哥華起家的品牌，如何從一條瑜伽褲開始，逐步改寫了全球運動服飾市場的規則？</p><p>訂閱《透光帶》電子報：<a href="https://lichengen.substack.com/?fbclid=IwZXh0bgNhZW0CMTAAAR04FzPl4oCgzhWOyp_lXzcln79cHp3PMxmSWi5ctvX-NgQqlXJXhUOG4cQ_aem_Ktc8__Z6LyNy_wHUGc-CBQ">https://lichengen.substack.com/</a></p><h3>Lululemon 的品牌歷史</h3><p>Lululemon 於 1998 年由 Chip Wilson 在加拿大溫哥華成立。在創辦 Lululemon 之前，Wilson 曾經營過一家衝浪公司與滑板品牌，但最終在 1997 年以 100 萬美元的價格出售了公司，並開始尋找他的下一個創業機會。</p><p>在聽說了幾次瑜伽運動後，Wilson 參加了一節瑜伽課。在課堂上，他注意到他班上的女同學穿著棉質服裝，但棉質衣物不容易排汗，因為它不太透氣也不具彈性。而市場上並沒有穿著既透氣又舒適，同時又時尚和修身的運動服，於是他開始設計女性運動服，Lululemon 就這樣誕生了。</p><p>經營起初 Lululemon 白天是設計工作室，晚上則是瑜伽工作室，以支付租金。Wilson 在瑜伽課程上，請學員們穿上 Lululemon 的產品並收取回饋，這樣的做法讓他快速調整產品設計，取得初步成功。第一款產品是一條由尼龍和萊卡合成的彈性纖維所製成的瑜伽褲，它的布料感覺像棉，但耐用又耐蹲，既柔軟又有彈性，足以在激烈的瑜伽課程中保持舒適。這款瑜伽褲很快成為跑步者和其他運動愛好者的熱門選擇，促使 Lululemon 開始銷售不同的運動服裝和配件，而不僅僅是瑜伽專用產品。</p><p>就這樣持續經營幾年後，2000 年 Lululemon 在溫哥華開設第一家門市。到 2005 年，Lululemon 已經在加拿大、美國、澳大利亞以及日本都有據點。產品範圍也擴展到包括上衣、短褲、夾克、毛衣、瑜伽褲和內衣，還包括包包、水瓶、瑜伽墊和髮飾等配件。</p><p>2007 年 7 月，Lululemon Athletica 上市，籌集了 3.276 億美元，與其他運動服裝巨頭如 Nike、Adidas 和 Under Armour 競爭。Wilson 於次年金融海嘯期間辭去 CEO 職位，由 Christine Day 接任，後續也因為經營理念與團隊不合，逐步退出公司經營。</p><h3>1900 年代的運動服</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*ozeQ7JU47P9mN7lA.png" /></figure><p>Jane Fonda’s Workout 是 1980–1990 年代美國熱門的健身操節目，讓家庭主婦可以在家跟著做運動，當時火紅的程度還連帶推動了 VHS 錄影機的大賣。從 Jane Fonda 的健身操影片中可以發現，當時時髦的穿著是色彩鮮豔的連身緊身衣、襪套、頭帶。</p><p>但是一般人真的會穿這麼鮮豔去運動嗎？</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/403/0*_fkoChG7Tdzc2bkJ.png" /></figure><p>美國超模 Christy Turlington 從事多年瑜伽運動，從這張練習的照片看來，如果沒有要上電視的話，一般練習會穿得更樸素一點，而且推測她穿著的應該都是以棉為主材質上衣與褲子。</p><p>好的瑜伽服飾應該要有高度的彈性、排汗速乾，最好是高腰設計，防止褲子在運動中滑落，同時有助於修飾身形。另外還要考慮到不同體型和需求，提供合身但不緊繃的穿著感，讓使用者在練習時能夠自由伸展。</p><p>當時的瑜伽運動還不盛行，這些需求也還沒被滿足，Wilson 就是在瑜伽課程中打磨與改進產品。</p><h3>Lululemon 早期的成功秘訣</h3><p>Lululemon 的成功不僅來自於優異的運動服飾產品，還歸功於他們圍繞品牌所營造的充滿活力的生活方式。最初，Lululemon 門市被設定為提升生活健康並提供購物服務的社區中心，類似主婦聯盟合作社的概念，客戶都是因為認同健康生活的理念而來，也在門市空間交換資訊。但隨著生意越來越好，購物體驗成為主要的活動。</p><p>在產品開發方面，Lululemon 採取了以消費者為中心的創新策略。品牌特別邀請了一群時尚、社交活躍的女性組成焦點小組，深入了解她們在日常生活中對運動服飾的需求。Wilson 發現，現代女性需要的是能夠從健身房、購物到接送孩子等多場合無縫轉換的多功能服飾。為了滿足這個需求，Lululemon 開發出專利布料 Luon，這種採用超細纖維製成的布料不僅柔軟富有彈性，還具備優異的吸汗防臭功能，完美符合消費者在運動前後的各種需求。不久，運動員和外出辦事的人們都穿上了 Lululemon 的運動服，進而催生了運動休閒（athleisure）這個詞的出現。</p><p>在營運策略上，Lululemon 採用垂直整合的零售模式，讓品牌能夠完全掌控從設計、生產到銷售的每個環節。雖然產品製造委託給特定供應商，但品牌仍然保持嚴格的品質控管。這種經營模式不僅確保產品品質，也讓品牌能夠維持較高的定價策略，Lululemon的產品價格通常比其他提供類似產品的公司高出10–40%。更重要的是，Lululemon 的產品只能在 Lululemon 的門市購買，這樣獨特通路策略，強化了品牌的獨特性和精品形象。</p><p>Lululemon 早期的目標客群定位在「超級女孩」族群：這些都是具有專業職業、擁有穩定收入，同時重視健康生活方式的年輕女性。她們願意為了在運動時保持亮眼外型而支付較高的價格。這個精準的市場定位成功建立起一個高度忠誠的消費群體，她們不僅自己持續購買 Lululemon 的產品，更成為品牌最好的口碑行銷大使，主動向親朋好友推薦使用經驗。</p><p>這種結合產品創新、精準市場定位和獨特營運模式的策略，讓 Lululemon 成功轉型為一個影響現代人生活方式的重要品牌。</p><h3>面對Z世代的行銷策略</h3><p>自從 2000 年第一家店開業以來，Lululemon 經歷了十年的成長，隨後是四年的營收成長放緩與股價下滑。2019 年，Lululemon 捲土重來，以全新行銷策略 Power of Three 面對市場競爭，內容包含：</p><ul><li>產品創新，目標 2023 年男性服飾營收翻倍。<br>擴大男性服飾產品線，包括運動褲、襯衫、外套、運動衫、慢跑褲、polo衫等多樣化選擇，並推出針對特定運動的系列，如網球、高爾夫和遠足系列，以滿足男性客戶的不同需求。</li><li>以全通路品牌行銷提升客戶消費者體驗，目標 2023 年數位通路營收翻倍。<br>整合線上和線下通路，提供無縫購物體驗，例如：線上購買，店內取貨的服務。在社群媒體上，積極發布內容，鼓勵客戶使用品牌標籤（如#thesweatlife）分享健身歷程，增強社群感和品牌忠誠度。另外也與健身和生活風格主題的網紅合作，擴大品牌影響力和可信度。</li><li>市場擴展，目標 2023 年將國際市場收入增加四倍。<br>積極在國際市場開設新店，特別是在中國和其他亞太地區。並根據不同市場的需求調整產品線，適應不同氣候和文化習慣的產品，像是在中國市場，大約30%的產品是專門為中國地區設計。</li></ul><p>回顧這三項策略與目標，在市場上是大獲全勝。Lululemon 在 2021 年就已經提前兩年達成了男性服飾營收翻倍的目標，數位通路更是在 2018 年至 2021 年期間將營收增長了三倍，而國際市場收入增加四倍的目標，也比原定計劃提早一年完成。</p><p>因為 Power of Three 策略非常成功，Lululemon 於 2022 年推出第二階段的 Power of Three x2 策略，內容也是相當簡單好懂：</p><ul><li>產品創新，目標 2026 年男性服飾營收翻倍。</li><li>以全通路品牌行銷提升客戶消費者體驗，目標 2026 年數位通路營收翻倍。</li><li>市場擴展，目標 2026 年將國際市場收入增加四倍。</li></ul><p>基本上就是 Power of Three 的目標於 2026 年再實現一次。</p><p>但以 2024Q3 財報來看，Lululemon 遭遇到北美成長放緩的挑戰，且競爭品牌 alo 來勢洶洶，客群不但高度重複，alo 還選在 Lululemon 直營店附近開店，競爭意味濃厚。</p><h3>結語：從超級女孩到多元價值</h3><p>Lululemon 的成功是個典型的專注於做好第一個產品，再積極拓展市場的案例。創辦人 Chip Wilson 所描繪出的超級女孩形象，成功讓消費者願意以更高的價格，買到自己喜歡的、希望成為的形象。</p><p>這樣立場鮮明的做法也帶來爭議，自從 Wilson 離開後，Lululemon 與其創始人之間的關係並不順利。公司試圖不再只針對特定族群，特別是身材良好的中上階層女性，而是將產品推廣給所有尋求時尚運動服的人。這一點 Wilson 曾公開批評，他認為現任管理層過於偏離了最初幫助建立公司的因素：排他性。他認為排他性勝過包容性，而正是這種半奢華的吸引力幫助建立了品牌。</p><p>然而 Lululemon 要持續成長，擁抱多元族群的趨勢是必然的。從 2019 年的策略實施以來，大有斬獲，Lululemon 在推出男裝產品時，約有一半的店內男裝銷售，其實都是女性顧客買下的，在在顯示在跨足到其他目標族群時，也需要同時顧及到原本女性消費者的感受，讓原本的女性顧客成為銷售的成功推手。</p><p>不僅是目標客戶的多元性，跨足國際市場、打造線上與實體緊密的購物體驗，都是多元的體現。期待 Lululemon 未來的表現。</p><p>訂閱《透光帶》電子報：<a href="https://lichengen.substack.com/?fbclid=IwZXh0bgNhZW0CMTAAAR04FzPl4oCgzhWOyp_lXzcln79cHp3PMxmSWi5ctvX-NgQqlXJXhUOG4cQ_aem_Ktc8__Z6LyNy_wHUGc-CBQ">https://lichengen.substack.com/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=cd85339bd720" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[資料變現：資料職涯的成長思維]]></title>
            <link>https://hello-lichengen.medium.com/%E8%B3%87%E6%96%99%E8%AE%8A%E7%8F%BE-%E8%B3%87%E6%96%99%E8%81%B7%E6%B6%AF%E7%9A%84%E6%88%90%E9%95%B7%E6%80%9D%E7%B6%AD-0c3d40770b26?source=rss-dc949552a132------2</link>
            <guid isPermaLink="false">https://medium.com/p/0c3d40770b26</guid>
            <category><![CDATA[career-growth]]></category>
            <category><![CDATA[data-strategy]]></category>
            <category><![CDATA[data-monetization]]></category>
            <dc:creator><![CDATA[Cheng En Li]]></dc:creator>
            <pubDate>Sat, 20 Apr 2024 06:43:59 GMT</pubDate>
            <atom:updated>2025-01-04T15:59:29.661Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bwmvQb9W9LtVTwhBmMHpJw.png" /></figure><p>在資料職涯中，許多人在工作初期關注的是硬技能的培養，想把收資料、清資料、拉報表、建立模型或應用的流程打造的更順、更好。隨著工作歷練，在規劃個人甚至是團隊成長時，就要慢慢把焦點從「怎麼做」轉向「做什麼」。以我自身的經驗為例，在資料分析師時期會專注在專案執行與交付，花比較多的時間在執行面；後來轉為 AutoML/AI 軟體的產品經理之後，思考的是要提供哪些功能，讓企業客戶理解產品的價值，提升採購的意願。</p><p>社群上有許多產品經理制定產品路徑圖（Product roadmap）的方法，通常講述從公司願景、商業目標開始拆解，規劃未來工作的主題。這套方法論適用於各種性質的產品，若是用來規劃資料領域的工作，總覺得不夠精準細緻。</p><p>後來轉念一想，不論是什麼樣的職位，都需要清楚闡述工作的價值，把自己鑲嵌進組織的獲利系統的價值鏈當中，老闆才會有感、客戶也才聽得懂。順著「發展工作的價值鏈」這條脈絡，也比較容易讓人換位思考客戶的想法，幫助制定產品策略，甚至是為職涯發展的策略指引。</p><p>因此核心的問題是：</p><ul><li>如何闡述自己的工作能帶來什麼樣的價值？要如何衡量？</li><li>未來的工作還能往哪個方向拓展？讓老闆或客戶更離不開？</li></ul><p>這篇文章將介紹由麻省理工學院資訊系統研究中心（MIT CISR）的首席研究科學家 Barbara Wixom 的著作 <a href="https://mitpress.mit.edu/9780262048217/data-is-everybodys-business/">Data Is Everybody’s Business: The Fundamentals of Data Monetization</a>。在看到這本書的介紹文的時候，感覺心中盤旋許久的問題，終於有個答案。這本書提出了一套資料的價值鏈分析框架，有系統的列舉在不同的資料變現手段，可以創造哪種的效益、效益如何評估、可能面臨的風險或挑戰等。</p><p>我將摘要這本書的內容，以及補充我的看法，大綱如下：</p><ul><li>什麼是資料變現（Data monetization）？</li><li>資料變現的三種策略</li><li>Improving、Wrapping、Selling 三種策略差異</li><li>個人的經驗與反思</li></ul><p>如果你喜歡我的文章，歡迎訂閱《透光帶》電子報：<a href="https://lichengen.substack.com/">https://lichengen.substack.com/</a></p><h3>什麼是資料變現（Data monetization）？</h3><p>資料變現是將資料轉化為營收的過程。對任何的組織而言，資料的應用不僅為了提升顧客和員工滿意度或是產品優化，大家來上班為的就是賺錢，因此所有的工作最終還要有目的性地轉換成營收來源，才能體現價值。</p><p>資料變現對資料科學團隊而言尤其重要，這是因為與能與營收直接掛鉤的職位相比，資料部門常被視為策略輔助單位，因此相對容易成為裁員的目標（泣）。這個現象可以從大型企業的高階主管配置略見端倪，企業大多設有 CEO、CFO，但是 CDO 並不是一個常見的職位，這意味著在決定員工未來的會議中，資料部門通常是缺席的。</p><p>那麽，資料變現在企業內部的策略層級又是如何呢？</p><p>企業內部最高層級的商業策略（Business strategy）會包含實現特定商業目標的計畫，其中數位化策略（Digital strategy）專注於各種資訊技術的導入或推展相關的計畫；再往下細分，資料策略（Data strategy）則是闡述企業管理和利用資料的目標與計劃，而其中一環就是資料變現（Data monetization），討論怎麼運用資料獲利。</p><p>簡單的關係描述大致是：商業策略（Business strategy）&gt; 數位化策略（Digital strategy）&gt; 資料策略（Data strategy）&gt; 資料變現（Data monetization）。</p><p>不同的職位角色會發現自己所處的戰略情境大不相同。有人有清晰的商業策略，有些人難以從高層指派的任務中找到方向，不過無論是哪種角色，都可以從上述的策略框架中，開始思考如何運用資料發揮影響力。</p><h3>資料變現的三種策略</h3><p>企業可以透過三種方式從資料中獲利：</p><ul><li>改進內部業務流程與決策（Improving）</li><li>優化核心產品或服務（Wrapping）</li><li>為市場提供有價值的資訊（Selling）</li></ul><p>說明如下。</p><ol><li>改進內部業務流程與決策 Improving with Data</li></ol><p>利用資料改進業務流程和決策，是常見但效益又常被低估的作法。它是一個向內探詢的過程，看看目前的工作流程哪裡可以被改善、哪些生產成本可以被節省。</p><p>知名的案例有：</p><ul><li>物流公司 UPS 在 2017 年透過提供貨運司機的最佳化送貨路徑，省下了 4 億美元的成本。</li><li>運動品牌 Columbia 在導入了供應鏈分析軟體之後，讓員工可以對供應鏈上的突發事件快速採取行動，讓產品交貨率從 28% 提升到 78%。</li></ul><p>這些成功案例並非一蹴可及，通常需要歷經漫長的、痛苦的組織改革，培訓或招募人才清理資料、提出洞見及解決方案，最重要的是改變做事的習慣。許多企業在成功辨識出可以簡單自動化的決策流程後，進而釋放人力，讓員工從事更有生產力的工作。</p><p>2. 優化核心產品 Wrapping with Data</p><p>對既有的產品提供更多的的優質服務，藉此做出產品區隔，也是一種資料變現的方式。實作上需要對產品本身有深刻的用戶洞見，藉由滿足消費者的潛在需求，增加產品對客戶的價值。其衡量指標包含了提升產品價格、銷量以及客戶的品牌忠誠度。</p><p>知名案例有：</p><ul><li>美國金融控股公司 CapitalOne 為客戶提供了信用卡交易資訊的進階報告，其中包含了顯示每一筆刷卡事件的交易地圖，該功能可以協助客戶辨識盜刷等詐欺事件。</li><li>Johnson &amp; Johnson 的糖尿病護理部門為其血糖儀的客戶提供歷史血糖資料報告，以及資料樣態識別與判讀輔助工具，協助病患更好的管理血糖。</li></ul><p>在考慮使用資料進行產品優化時，需要思考提供的附加服務是否能與既有的產品良好的整合，使用者可以不費力地無縫接軌到新的體驗。</p><p>3. 為市場提供有價值的資訊 Selling Information Solutions</p><p>對有深厚的特定領域專業知識的公司，長期透過資料分析來解決客戶的商業問題，靠的就是販售自身的資料，或是從資料中獲得的洞見。提供的服務有：銷售市場調查資料、初步處理後的資料、提供報告、分析顧問服務、教育訓練，或是流程外包。</p><p>知名的廠商有：消費者市場洞察公司 Nielsen、法律資料庫提供商 LexisNexis。</p><h3>Improving、Wrapping、Selling 三種策略差異</h3><p>理論上任何一家企業都可以運用這三種方法創造營收，然而這三種策略執行上需要不同的能力，而且在一個方法上的成功並不保證在另一種方法上也同樣順利。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AAFeytZrlE-n0CU2rQUBUQ.png" /></figure><p>舉例來說，公司內部流程的改善有賴於該工作流程負責人的領導，他們需要定義變動的範圍、了解資料如何能幫助流程優化，並且說服利害關係人，確保新的流程有落實。另一方面，產品優化需要產品經理探索使用者的需求，與開發團隊合作，發想資料如何能與既有的功能提供更高的價值。銷售資料科學解決方案的話，則是需要擅長銷售的事業負責人去推廣業務。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*U49TLzeFpS93Ofv4g0bHLg.png" /></figure><p>不同變現方式所創造的營收組成也大不相同，流程優化主要是降低成本，產品優化也是降低成本為主，也提高了產品的銷售，至於銷售解決方案則是來自直銷的營收。</p><h3>個人的經驗與反思</h3><p>讀完這本書之後，感覺裡面談到的資料變現框架泛用性高，也適用於非資料部門的工作者。文中也探討了三種方法下有哪些具體作法、團隊需要具備的能力，以及可能面臨的挑戰，內容相當完整。</p><p>我自己讀完後，也想就過往的工作經驗，提出一些想法。</p><ol><li>落實決策、做出改變才是王道</li></ol><p>所有的資料變現策略落實到行動，都不出獲取資料、產生洞見、提出行動決策這三大類。但是很現實的是，要能從資料中獲利，必須要做到採取行動決策這一步。</p><p>對於資料成熟度較低的組織，光是設計好收資料的機制、把資料整理好，交到負責人手上，就要耗費很大的功夫。然而讓業務人員「獲得資料」本身並不能創造營收，他們還需要從資料中獲得洞見，並根據這些新發現制定一個行動方案，還要確保方案落地實行，才能真正獲利。</p><p>2. 讓大象跳舞， Put quick wins first!</p><p>前一點提到的「把事情搞定」，工程十分浩大。在組織內導入新的思維、新的作法，就像是要讓一隻大象跳起舞來，需要把龐大的工作切換成許多段的小步快跑，透過一連串的 quick wins 獲得高層的支持，保持大計畫的推行動能。</p><p>把所有待辦事項以投入的力氣以及創造的價值兩個維度做切分，花少少力氣又能創造高價值的事，就是最優先的工作項目。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2q-Vx66dYLpG9FZdwr97jA.png" /></figure><p>3. 產業與領域知識很重要，不是所有技能都可以互相轉移</p><p>在一個產業愈久，會累積愈多經驗與知識，這些都能幫助資料人想的更快、做的更好。例如，知道這個產業中從哪些地方會產生資料、資料該如何收集、依照業務邏輯該如何清理資料、可以用哪些分析技巧來解決特定的問題。擁有產業領域知識會讓資料分析人員或是資料工程師把事情做得更加出色的關鍵。</p><p>這些知識或技能，並不是完全都能轉換的。試想一下，電商平台的銷售資料和工廠生產資料是完全不同的情境脈絡。不同產業間的資料變現框架可能可以通用，但產業專業知識，當在不同產業中跳轉時，大多是無法帶走的。</p><h3>結語</h3><p>本文談論到在思考資料科學團隊成長時，可以從資料變現的角度切入，把團隊鑲嵌進組織的獲利系統的價值鏈當中。也談論到資料變現的三種策略，各別的差異，最後分享了我的個人經驗與反思，希望對各位資料科學的工作者有幫助。</p><p>本文深受 <a href="https://www.linkedin.com/in/rafechliu/">Rafe Liu</a> 的資料職涯分享簡報的啟發，也因為他的分享才了解到資料變現這個框架，在此致謝。</p><pre>謝謝你的閱讀！如果有任何回饋或有興趣的主題，歡迎留言給我。<br>如果喜歡這篇文章，歡迎訂閱《透光帶》電子報：https://lichengen.substack.com/<br>或是透過以下連結請我喝杯飲料！<br>https://www.buymeacoffee.com/hellolichengen</pre><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0c3d40770b26" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[材料研發的典範轉移：從理論模擬到機器學習]]></title>
            <link>https://hello-lichengen.medium.com/%E6%9D%90%E6%96%99%E7%A0%94%E7%99%BC%E7%9A%84%E5%85%B8%E7%AF%84%E8%BD%89%E7%A7%BB-%E5%BE%9E%E7%90%86%E8%AB%96%E6%A8%A1%E6%93%AC%E5%88%B0%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-8721e7dfb1a7?source=rss-dc949552a132------2</link>
            <guid isPermaLink="false">https://medium.com/p/8721e7dfb1a7</guid>
            <category><![CDATA[materials-science]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[material-design]]></category>
            <dc:creator><![CDATA[Cheng En Li]]></dc:creator>
            <pubDate>Mon, 01 Apr 2024 09:47:24 GMT</pubDate>
            <atom:updated>2024-10-19T04:35:48.222Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gsTSGYyN3hndoXwj7MQglw.png" /></figure><p>2019 年日韓兩國因二戰強制勞動賠償問題無法取得共識，引發日韓貿易戰。日本下令提高光阻劑等半導體關鍵材料出口韓國的門檻，大幅提高韓國半導體廠的採購難度。由於南韓對日本光阻劑的依賴超過九成，此舉形同切斷南韓半導體產業的重要命脈，雖然南韓因此極力推動化學原料國產化，不過至今仍無法擺脫對日本的依賴。凸顯出材料研發在維持國家安全和全球市場競爭優勢中的戰略重要性。另一方面，隨著半導體晶片、電動車、高速網路等技術的迅速發展，對於材料、元件和模組的性能要求越來越高。為了滿足這些技術對於材料的高性能需求，掌握開發先進材料對企業而言一直是維持競爭力的重點。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/850/1*4pBeBQcbdnw9dJJalutj6g.png" /><figcaption>The four paradigms of science.</figcaption></figure><p>以往新材料的發現多半是在偶然或是反覆實驗中被發現的，隨著量子力學的理論被提出，科學家開始從大量的實驗轉為計算各種材料的原子位置、電荷密度分佈等基本性質來進行材料研發。近年來 AI 與機器學習（machine learning, ML）的快速發展帶動下，以材料模擬運算結果為基礎，輔以AI機器學習建立的數學預測模型，能簡化材料特性之間的複雜關係，快速精準地預測材料或產品特性，可有效降低研發成本與產品開發週期。</p><p>目前國際上已有許多研究團隊與企業積極導入高效能電腦模擬運算與AI機器學習於材料科學領域上，本文將一一盤點</p><ul><li>資料驅動的材料研發流程</li><li>AI 於材料研發的案例</li><li>挑戰與未來方向</li></ul><h3>資料驅動的材料研發</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/910/1*Hx3T-8Xk7B6noqZYyR_xSA.png" /></figure><p>機器學習技術在材料的探索與開發主要分為兩種情境：</p><ol><li>特性預測：從已知的分子資訊推估材料的性質。</li><li>逆向材料設計（inverse design）：從所需的材料性質，尋找理想的分子結構。</li></ol><h4>特性預測</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IPme7hIzuGvze5MY1UU3Uw.png" /></figure><p>以機器學習進行特性預測，流程大致如下：目標定義、資料前處理、特徵工程、模型訓練與分析，最終實際應用在材料開發上。</p><p>首先，在定義完分析目標之後，需要取得分析主題的相關資料，目前有許多材料模擬運算和實驗相關資料庫，記載了材料的種類與特性。其中 <a href="https://next-gen.materialsproject.org/">Material Project</a> （MP）是一個免費的模擬資料庫平台，由柏克萊大學的 Kristin Persson 團隊開發，MP 資料庫開放使用者上傳相關的模擬資料，同時有開放的討論區以及自有開發的整合機器學習軟體工具，是目前最完整的模擬資料庫。在材料實驗資料庫方面，SciFinder 是目前最豐富最完整的化學檢索資料庫，資料來源包括：期刊文獻、專利等，資料包含：化學物質基礎特性、化學反應、實驗設計等各類型科學資料。</p><p>取得資料之後，需要對資料進行前處理，將各種格式轉換成電腦可以運算處理的表示式，才能供後續的模型訓練使用。在材料科學中，分子的組成、排列和微觀結構等特徵對於開發新材料至關重要。因此，在機器學習的過程中，如何將分子結構轉換為適當表達形式變得尤為關鍵，這個轉換對於機器學習應用的成功與否的影響，甚至超過了選擇不同演算法的影響。然而至今尚沒有一個表示法能夠完整地包含所有分子的資訊，需要考慮應用情境選擇要使用的分子表示法。</p><p>轉換成分子表示法後的資料，通常資料維度高達數千以上，此時需要透過特徵工程，以特徵選擇（Feature Selection）來協助降低維度 （Dimensionality Reduction），保留權重較高的維度，加速進行後續的機器學習建模。而在機器學習方法上，以遷移學習（Transfer Learning）、元學習（Meta Learning）、 神經圖靈機（Neural Turing Machine; NTM）、貝葉斯框架等，來處理資料量較少的任務。以既有資料評估過模型表現之後，即可使用該模型進行材料性質的預測。</p><h4>逆向材料設計</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/791/1*dlOuG-Nt0sSyij1nVRDuoQ.png" /></figure><p>逆向設計中最早的方法之一是<strong>高通量虛擬篩選</strong>（High- Throughput Virtual Screening; HTVS），它起源於藥物開發。研究人員首先嘗試將已知的分子庫範圍縮小至一百萬至一千萬個分子作為初始的候選材料，接著進行一層又一層的篩選，篩選條件通常會根據特定的需求進行，如合成的便利性、溶解性、毒性、穩定性和活性等，最終得到最有潛力的化合物。</p><p>逆向設計近年來也有許多利用<strong>最佳化演算法</strong>的做法。例如：貝氏最佳化演算法（Bayesian optimization）、粒子群最佳化演算法（Particle swarm optimization）以及基因演算法（Genetic Algorithm）。通常會搭配前述的特性預測機器學習模型一起使用。</p><p>它的運作原理大致如下：想像你在一個巨大的黑暗房間裡尋找一個藏有寶藏的神秘箱子。你手裡有一支手電筒，但它的光束很窄，只能照亮房間裡的一小塊區域。你的目標是找到那個藏寶箱，但是你希望盡可能少走彎路，因為每走一步都需要消耗能量。</p><p>最佳化演算法就像是一種聰明的策略，幫助你更有效地在黑暗中探索：</p><ol><li>先猜一下：一開始，你會根據直覺猜測寶藏可能在哪裡，這就像是建立一個基本假設。</li><li>選擇下一步：然後，你會用一種特別的方法來決定下一步往哪裡走。這個方法會考慮到兩件事：一是去那些你認為可能會有寶藏的地方，二是探索一些新的地方，因為寶藏可能就藏在那裡。</li><li>檢查並學習：每當你用手電筒照亮一個新的區域，你就會檢查是否找到了寶藏。無論找到與否，這次探索都會給你一些新的線索，幫助你更好地猜測寶藏的位置。</li><li>重複：你會根據新獲得的信息調整你的策略，然後重複這一過程，每次都更聰明地選擇下一步往哪裡走。</li></ol><p>用這種方式，你會逐漸縮小搜索範圍，並在盡可能少走彎路的情況下找到那個藏寶箱。</p><p><strong>生成式模型</strong>和上述全域最佳化在運作方式和基本原理上不太一樣。生成模型不太依靠研究人員或科學家設定的規則執行任務，它們傾向於從大量的數據中學習執行任務，而不僅僅是簡單地執行某些任務。生成模型不適用於資料量不足的情況，因此常被用於分子動力學和遺傳算法的補充應用。另外，雖然生成模型生成的化學結構中大部分是有效的，但其中很大一部分結構在合成上是不可行的。這也意味著，雖然生成的結構在理論上是可行的，但在實驗上很難合成它們。</p><h3>AI 推動 Gorilla® Glass 研發</h3><p>2007 年 2 月，蘋果公司正在為了第一代 iPhone 的發表如火如荼地準備著，但賈伯斯非常不滿意手機原型使用的塑膠材質面板保護蓋，因為經常會被一起放在口袋裡的鑰匙刮花。他致電給康寧董事長兼執行長魏文德（Wendell Weeks），說想要幫一款相當特別的手機尋找一款夠薄、又夠堅固的玻璃材料當 LCD 面板的保護玻璃，而且手機產品 7 月就要上市。</p><p>當時康寧內部有一款可能符合需求的玻璃技術，但是根本沒有生產過。理論上說，一款新產品從研發到量產需要數年時間，而蘋果留給康寧的時間只有短短不到半年的時間，幾乎是不可能的任務。但是魏文德答應了這項任務，最終這個名為大猩猩玻璃（Gorilla® Glass）的產品成功登上 iPhone 的門面，為康寧公司的產品再創新頁。</p><p>康寧曾經分享在研發大猩猩玻璃的過程中，使用神經網絡和遺傳算法模型，預測能夠達到所需液相線溫度和楊氏模數的玻璃組成。這項研發的挑戰在於該玻璃包含超過八種成分化合物，對於如此複雜的系統，沒有物理預測模型。而為了達到玻璃成品要能夠輕薄、強度夠高，並且能夠符合製程的需求，研究人員需要找到能夠做出適合的液相線溫度且在特定溫度下黏度夠低的玻璃配方組成。</p><h3>ML 於核廢料儲存材料研發</h3><p>當實驗資料難以取得的情況，也是機器學習方法可以派得上用場的時候，核廢料的處理就是一個典型案例。</p><p>核廢料根據輻射量的高低，被分為低階和高階兩類。低階核廢料包括核電站運營中受到輻射污染的物品，如工作人員的工作服和廢液，以及來自醫療和研究機構的一些輻射廢物；相對而言，高階核廢料主要是指使用過的核燃料棒。輻射水平隨時間減弱，具體速度取決於核素的類型。例如，低階廢料中常見的鈷-60，其半衰期約為 5.3 年，意味著其放射性活性每 5.3 年降低一半，這類廢料需大約一百年時間才能降至接近自然背景輻射水平。而高階核廢料的放射性降低速度則更慢，如鈽-239的半衰期達到了二萬四千年，遠遠超出人類可以量測的範圍。</p><p>要科學家執行以萬年為單位的實驗不切實際，且為能吸收核廢料於長時間衰變期放出的放射線，該材料須由 22~64 種不同元素組成。如此複雜的研究條件，讓科學家近年來更廣泛地採用機器學習技術協助研發。</p><h3>未來挑戰與展望</h3><p>儘管以資料趨動模式，在材料研發領域有巨大的潛力及優勢，仍然還是有一些挑戰是未來我們需要克服的，包括：資料品質、模型的可解釋性。</p><p>在資料品質方面，現今大部分的資料庫是以模擬計算資料為主，幾乎没有完整的實驗資料庫。這是因為實驗研究通常涉及到購買原材料、維護實驗設備、進行實驗操作以及後續的樣品分析等工作，需要大量的時間和金錢投資。再者，一些材料的實驗研究可能涉及高壓、高溫、輻射或是化學危險，這些條件下的實驗不僅難以執行，而且可能對研究人員和環境構成威脅。此外，實驗資料的標準化也是重要課題，例如：研究人員應確保材料特性是在相同的溫度壓力條件下所測得，以提供後續研究更精確的資訊。</p><p>驗證理論的預測是推動材料設計和開發工作最重要的一步，因此建立足夠的實驗資料庫是必要的，並且在模擬資料庫和實驗資料庫之間建立協同作用，仍然是資料驅動材料科學末來的重要挑戰。</p><p>AI 模型的可解釋性面臨的挑戰，主要源於材料系統複雜性與先進 AI 技術的黑盒特性的交織。材料系統涉及從原子到宏觀尺度的多層次結構和相互作用，這些過程的高度非線性和多變量特性，使得直接理解和預測材料行為極為困難。當這種複雜性遇到深度學習等 AI 模型時，問題更加顯著。這些模型雖然在預測精度上非常成功，但其密集的層次結構和大量參數使得解釋它們的預測變得不透明。此外，這些模型在學習過程中所自動提取的特徵，常常不具物理意義，進一步增加了解釋的難度。</p><p>材料研發與改良，採用結合專家經驗、理論模擬、機器學習AI演算法的方法必然是未來發展的趨勢。隨著更多開放科學資料平台的建立和電腦高速運算能力的提升，這場以資料和演算法為驅動的材料科學典範轉移，將開啟人類對未知材料世界的新篇章。</p><p>謝謝你的閱讀！如果有任何回饋或有興趣的主題，歡迎留言給我。<br>如果喜歡這篇文章，也歡迎追蹤 <a href="https://hello-lichengen.medium.com/">Li Cheng En 的 Medium</a>，非常多優質好文等你挖掘。<br>如果你喜歡這篇文章的話，歡迎透過以下連結請我喝杯飲料！<br>https://www.buymeacoffee.com/hellolichengen</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8721e7dfb1a7" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[晶片戰爭]]></title>
            <link>https://hello-lichengen.medium.com/%E6%99%B6%E7%89%87%E6%88%B0%E7%88%AD-5e60d61dcf80?source=rss-dc949552a132------2</link>
            <guid isPermaLink="false">https://medium.com/p/5e60d61dcf80</guid>
            <category><![CDATA[chip-wars]]></category>
            <dc:creator><![CDATA[Cheng En Li]]></dc:creator>
            <pubDate>Sat, 18 Nov 2023 00:02:17 GMT</pubDate>
            <atom:updated>2023-11-18T00:02:17.841Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/375/0*iS1P1_OkT8pJBYQ0" /></figure><p>自川普上任後的美中貿易戰，到後續拜登政府推動的晶片法案，美國不斷阻止先進晶片流入中國。另一方面，中國不斷投資在晶片的研發與製造，他們有機會突破美國的重重封鎖，打造出自己的先進晶片嗎？台灣在晶片製造上重要性無庸置疑，也讓台灣贏得矽盾的美稱，但台灣的地位真的無可取代嗎？未來又會如何發展？</p><p>《晶片戰爭》綜觀半導體發展史，為全球的晶片發展與商業競合提供完整的脈絡。在閱讀之前，我帶著上述的疑惑，在瞭解晶片發展背後的來龍去脈後，對整體產業以及世界局勢有更完整的理解。</p><p>本文將著重在三個問題來說明中美之間的晶片角力：</p><ul><li>晶片為什麼重要？美國為何要對中國做半導體禁運限制？</li><li>中國的晶片技術為何落後東亞國家？</li><li>美國採取的晶片鎖喉策略有效嗎？</li></ul><h3>晶片為什麼重要？美國為何要對中國做半導體禁運限制？</h3><p>對晶片技術的掌握有兩個重點，一是國家軍事安全考量，二是國家經濟發展。</p><p>經濟發展需求很容易懂。晶片是當代科技的核心，它們存在於手機到汽車、醫療設備等各種電子產品中，是這些產品功能正常運作的關鍵，全球需求量龐大。因此自電晶體被發明以來，吸引許多國家投入大量資源，希望培植出的企業能夠在半導體產業鏈上佔有一席之地。</p><p>不過在晶片大量商業化於民用設備之前，晶片技術的發展和軍事武器的演進關係密切。早在二戰之前，幾個國家就已經投入資金於開發更強大機械計算機的專案，不過戰爭加速了各國對於運算力的追求，1960年代半導體製造公司德州儀器與快捷半導體與美國政府軍事部門緊密合作，致力於提升軍事武器投放炸彈的準確度。</p><p>在未來戰爭中，隨著各國軍隊對電子感測器與通訊的依賴程度愈高，他們就愈需要爭奪發送訊息或偵查及追蹤對手所需的頻譜空間。與盟軍的通訊與干擾敵軍的訊號都是由複雜的無線射頻晶片及數位類比轉換器管理，執行 AI 演算法需要強大的處理器，而處理資料需要大型記憶體晶片。掌握了先進晶片，就能在戰場上具有優勢。</p><p>因此美國對中國實施半導體禁運限制，主要是出於國家安全和全球科技霸權的考慮。通過限制對中國的半導體技術和設備出口，美國試圖減緩中國在高科技領域的快速發展，特別是在關鍵的通信和計算技術領域。此舉也保護美國的技術優勢，防止其技術落入潛在競爭對手之手。然而，這種策略也引發了全球供應鏈的重新評估和調整，對全球半導體產業格局產生深遠影響。</p><h3>中國的晶片技術為何落後東亞國家？</h3><p>2022 年，東亞生產了全球 90% 的記憶體晶片、75% 邏輯晶片以及 80% 的晶圓，大部分集中在台灣與南韓。中國身為製造大國，為什麼在尖端晶片製程中落後於其他東亞國家呢？</p><p>1958 年，德州儀器的工程師發明了積體電路，也就是俗稱的晶片。1960 年代，台灣積極融入半導體供應鏈，一開始著重在晶片封裝，到了 1970 年代，工研院成立電子所負責積體電路工業的發展，自國外引進製造技術。1980 年代，台灣第一家晶片製造公司聯電成立，隨後張忠謀創辦台積電，專注於晶片代工，台灣正式從半導體後段的法裝製程，有能力跨足到中段的製造以及前段的 IC 設計領域。</p><p>回顧中國於晶片被發明之初，經歷了漫長十年的文化大革命。文革期間，成千上萬的科學家與專家被迫下鄉務農，還有許多人遭到殺害。在這十年之間，英特爾發明了微處理器，日本搶佔了全球大部分 DRAM 市場，因此到了 1970 年代，中國晶片業技術已經遠遠落後其他國家了。</p><p>起步比別人晚，那現在有機會迎頭趕上嗎？即使採用最樂觀的預測，中國也需要五年的時間，才能設計出有競爭力的晶片及其周邊的軟體生態系統；至於在中國境內生產這些晶片，那又需要更長的時間了。</p><h3>美國採取的晶片鎖喉策略有效嗎？</h3><p>要做出一塊晶片要靠全球各地的產業鍊互相合作才能做出來。目前有幾個完全制霸的鎖喉點：晶片製造（台、韓）、製造晶片的機台（荷）、設計晶片的軟體（美）。由於一個國家獲取高階先進晶片的能力大幅影響該國發展先進武器的進程，過往美國對半導體業採取全球自由貿易主義，但是近年來中國躍升為晶片最大的市場，許多公司為了獲得該市場，拿出自家的技術作為交換，這讓中國獲得了設計與生產晶片的能力。</p><p>因此美國自川普任期以來，發動的中美貿易戰，一路到拜登政府宣布的晶片出口禁令，多利用上述的鎖喉點牽制中國獲取先進晶片。對此，歐洲國家認為，一直阻礙中國獲取晶片不是長久之計，他們的看法是對的，美國國會於 2023 年 11 月的年度報告中表示，儘管美國實施一系列旨在阻礙中國半導體產業發展的新出口限制措施，但中國企業仍在大量購買美國晶片製造設備，以及生產先進半導體。</p><h3>結語</h3><p>我在剛上大學的時候，對半導體的認識還是一知半解。那時候曾經有一門課，教授在第一堂課就叫大家回家查一下全台灣前 10 大公司是做什麼的，然後才慢慢了解半導體產業在台灣甚至是世界經濟中扮演的角色。</p><p>在讀完這本《晶片戰爭》後，不僅更了解一路從真空管、電晶體到積體電路的技術發展，也了解到隨著技術的進步，背後牽扯到國家之間的商業競爭。我讀到蘇聯在冷戰期間大量抄襲美國的晶片設計，終究因為無法複製複雜的供應鏈而失敗。日本政府大力扶植半導體，讓日本在 1980 年代獨霸 DRAM 市場，爾後又因為《美日半導體協議》簽署，日本被要求開放半導體市場，而三星看準了空出來的市場份額，一舉逆襲上位。其後台灣政府扶植的台積電以獨特的晶圓代工商業模式，下游產業鍊逐漸移往東亞。作者深入採訪業界人士，博徵博引大量的參考資料，下的功夫讓人能感受到商務動態的勢力消長，非常精彩。</p><p>最末章節也探討了所有台灣人關心的議題：中國不時威脅武力犯台，可能的劇本有哪些。作者對於「中國不會攻打台灣，因為台積電位在台灣，對全球經濟影響太大了」的說法不買單。他認為習近平要掌控晶片的野心很明確，新的台海危機比 1950 年代的那次還要危險，而且中國對自己獲勝的信心很高。對此，我認為身為台灣人能做的就是持續關心國際局勢，保持警覺，時時充實自己，為最壞的狀態做準備，精力善用、自他共榮。</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5e60d61dcf80" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[數位部x創新民主中心：AI 未來民主化審議工作坊]]></title>
            <link>https://hello-lichengen.medium.com/%E6%95%B8%E4%BD%8D%E9%83%A8x%E5%89%B5%E6%96%B0%E6%B0%91%E4%B8%BB%E4%B8%AD%E5%BF%83-ai-%E6%9C%AA%E4%BE%86%E6%B0%91%E4%B8%BB%E5%8C%96%E5%AF%A9%E8%AD%B0%E5%B7%A5%E4%BD%9C%E5%9D%8A-bb7ee1cb1a1d?source=rss-dc949552a132------2</link>
            <guid isPermaLink="false">https://medium.com/p/bb7ee1cb1a1d</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[democracy]]></category>
            <category><![CDATA[workshop]]></category>
            <dc:creator><![CDATA[Cheng En Li]]></dc:creator>
            <pubDate>Mon, 28 Aug 2023 11:35:57 GMT</pubDate>
            <atom:updated>2023-08-28T11:35:57.326Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*esEUIhutochVWe21FBDFVA.jpeg" /></figure><p>週末參加由數位發展部與政治大學永續創新民主研究中心舉辦的 AI 未來民主化審議式工作坊。活動的緣起是台灣於 2023 年 5 月成為國際非政府組織「集體智慧計畫」（Collective Intelligence Project, CIP）合作夥伴，此計畫期待協助臺灣在全球公眾領域上，凝聚民眾對於人工智慧需求與風險之共識。因此本場活動以情境模擬結合審議式工作坊的形式，邀請關心 AI 發展的領域夥伴與專家學者，透過議題討論、交流與思辯，一起探詢通往人類社會與 AI 共存共融的最佳路徑。</p><p>在這場活動中，有六大主題，分別是：</p><ul><li>政府治理(聚焦內部應用)</li><li>新興法治(聚焦監管機制)</li><li>資訊識別</li><li>資料開放</li><li>智慧財產</li><li>教育與人類認知影響</li></ul><p>每個大主題都可以再往下深入討論，鑑於當天的活動主辦單位有完整的影音與數位化的紀錄，我想就我那一組當天討論的幾個重點，往下探討與紀錄。</p><h3>偏見</h3><p>在心理學上，偏見指的是人們基於成員的身份，對別人以不公正的考查便貿然作出判斷。這種判斷沒有任何證據，只憑先入為主的刻板印象。</p><p>偏見的「偏」，暗示著差距，這段差距指稱的是現代社會主流的價值觀與過往的差異。在 AI 模型大部分是拿過往人類歷史活動的資訊所訓練而成，因此它反應的是過往的事件或觀點。舉例：美國自1789 年最高法院成立以來，共有 104 人擔任過大法官，其中白人男性為最大宗。此時若是詢問 AI 什麼樣的人較容易成為最高法院大法官，得到的答案很可能是男性的白人。這樣標準的刻板印象顯然不容於當今社會的主流價值觀，而這段價值觀的差異，是源自於現代人所提倡的新主張。</p><p>進步勢必需要討論方向與力道的問題。以性別議題為例，上述都只有談論到生理性別，但除此之外，還有性別認同（我覺得我是）、性別氣質（我看起來像）、性傾向（我喜歡的是）等不同的維度。同時不同維度也面對到不同的挑戰，性別認同牽扯出跨性別議題，性傾向則是衍伸出同性戀/雙性戀的討論。在不同維度上要如何讓 AI 做出適當的回應，會是一個主要工作。</p><p>在力道方面，美國大法官金斯柏格（Ruth Bader Ginsburg）是美國史上第二位女性大法官，也是美國 1970 年代女權運動的重要推手。曾有人問她，九位大法官應該有幾位女性才夠呢？她毫不遲疑回答：「九位」，採訪者大吃一驚，她接著淡定地說：「過去九位大法官都是男性，怎麼沒有人提出質疑呢？」</p><p>當然 100% 生理女性的比例，不是大家都能接受的。國際間的對於保障各項權利的性別比例相關討論，可以參考聯合國大會的「消除對婦女一切形式歧視公約」（以下簡稱CEDAW），其內容闡明男女平等享有一切經濟、社會、文化、公民和政治權利，締約國應採取立法及一切適當措施，消除對婦女之歧視，確保男女在教育、就業、保健、家庭、政治、法律、社會、經濟等各方面享有平等權利。目前「任一性別不低於三分之一」之性別比例原則，已於 2012 年 CEDAW 內國法化後成為了台灣國內法規範，因此各政府機關都應該有落實的義務。</p><p>實務上若要調教 AI 模型，使之符合主流價值觀，可以使用 <a href="https://huyenchip.com/2023/05/02/rlhf.html">Reinforcement Learning from Human Preference</a> (RLHF) 方法。然而 RLHF 本身也存在著許多未解決問題，例如：</p><ul><li>如何在數學上表示人類偏好？<br>目前的作法是由標記者判斷 AI 的回答 A 是否比回答 B 更好，也就是透過比較來表示人類的偏好。然而，這並沒有考慮到回答 A 相對於回答 B 更好多少。</li><li>什麼是人類偏好？<br>Anthropic 根據其模型在幫助性、誠實性和無害性三個方面評估了其回答的質量。參見<a href="https://arxiv.org/abs/2212.08073">《Constitutional AI: Harmlessness from AI Feedback》(Bai et al., 2022)</a>。<br>DeepMind 試圖生成能夠使大多數人滿意的回答。參見《<a href="https://arxiv.org/abs/2211.15006">Fine-tuning language models to find agreement among humans with diverse preferences》(Bakker et al., 2022)</a>。<br>此外，在文化、宗教、政治傾向等方面存在差異時，我們希望 AI 能夠表達立場，還是避開任何可能具有爭議性的話題？</li><li>所謂的「人類」偏好是誰的偏好，是否考慮到文化、宗教、政治傾向等差異？<br>在獲取能夠充分代表所有潛在用戶的訓練資料方面存在著很多挑戰。例如，在 OpenAI 的 InstructGPT 數據中，沒有65歲以上的標記者，且大部分標記者來自菲律賓和孟加拉國。參見<a href="https://arxiv.org/abs/2203.02155">《Training language models to follow instructions with human feedback》(Ouyang et al., 2022)</a>。<br>由社群主導收集訓練資料雖然利立意良好，但還是可能會產生帶有偏見的數據。例如，在 OpenAssistant 數據集中，222 位受訪者中有 201 位（90.5％）自稱男性。<a href="https://twitter.com/jeremyphoward/status/1647763133665271808">關於這個議題，Jeremy Howard 在 Twitter 上有一個很棒的討論推文</a>。</li></ul><h3>競賽的意義</h3><p>下半場的討論單就「由公私部門舉辦創意徵件或競賽，是否贊成參賽者使用 AI 工具進行創作」這個情境討論，包含：</p><ul><li>您是否贊成創作者應用 AI 工具進行創作？</li><li>您是否認為公私部門都應該多舉辦應用 AI 工具進行創作的創意徵件或競賽？</li><li>對於應用 AI 工具進行創意徵件或競賽，您認為是否應該設有專門的評選流程及獎項？</li><li>對於應用 AI 工具進行創意徵件或競賽，您是否接受用 AI 作為評選委員？</li><li>對於應用 AI 工具進行創意徵件或競賽，您認為是否應該有專門的評分機制或評分項目？</li><li>對於應用 AI 工具進行創意徵件或競賽，有哪些客觀條件可以用來評出應用 AI 工具進行創作？</li></ul><p>在討論這些細節之前，我想先探討競賽的意義。台灣知名肌力及體能訓練老師何立安博士，曾經對體育與競技的本質有非常深入的見解：</p><p>「體育，其實是個很特別的科目。它之所以會存在在我們教育系統裡，不是因為人應該要學會三步上籃、發球、傳球。不是的。體育它在教育系統裡真正發威的地方，是因為它是『模擬人生』的一種教育。」</p><p>「我們知道人生中有一個難題，是人人都要面對，但是你通常會不知所措的東西，就是『人生本身』。我們常常在人生經過了幾年之後，才會想起某一刻，然後驚嘆啊我好後悔、我如果當初怎樣就好了，這種東西常都在事過境遷很多年後發出一種喟嘆。那有沒有什麼方式可以讓人及早學會面對人生的無常呢？有，就是體育。」</p><p>「體育一開始不是拿來較量的，而是一種競技運動（Sport）。而競技運動的價值在於，第一，我們大家公平競爭；第二，所有人在一定的規則下競賽。第三，也是最大價值所在，就是我們必須面對裡頭任何隨機發生的大小事情。只要比賽開始，我們都無法預測結果。」</p><p>「這就像人生啊。我們在過程中種了一些因，得了一些果；我們犯了一些錯，但也做對了一些事。最後得到一個不全然是我的努力或失敗造成的結果，而這就是人生。人生就是有一些你可以努力的東西，但也有一些是你不可控的。所以你要早一點學會一件事，就是人生就像比賽，結果不可預測。而你經過多次嘗試之後終會發現，你唯一的最佳選擇，就是奮戰到底。」</p><p>「但這件事情是非常難教的，不是各種學科教得會的。你唯有讓自己的身體去奮戰，去體會切身的壓力，才有辦法學到。讓每一個人學會面對成敗，這就是體育的教育意義。」</p><p>回到「由公私部門舉辦創意徵件或競賽，是否贊成參賽者使用 AI 工具進行創作」這題，要往下討論，首先主辦單位要能先闡述舉辦競賽的目的。主辦單位鼓勵的是大量的投稿從中選出特別的提案嗎？若是，那是否使用 AI 工具進行創作重要嗎？以文字與圖像作品為例，過往創作者需要花費大量時間打磨技藝，才能創作出傑出的作品；使用 AI 工具進行創作，也是需要進行調整，才能達到一樣的水準。那麼把精進的對象從傳統工具轉換成 AI 工具，也是競賽鼓勵的方向嗎？最後， 人類作為評審委員一定會有主觀意見，那麼 AI 作為評審就可以避免這個問題嗎？AI 評審能夠好好的闡述作品優劣的原因嗎？AI 評審說出的評鑑標準，又是參賽者或是一般大眾可以認可的嗎？我想這些問題的答案，會是競賽的主辦方需要討論並尋求共識的重點。</p><h3>結語</h3><p>非常感謝能夠獲邀參與這樣一整天的工作坊，在日常生活中，實在很難有機會與不同產業、背景的人對相同議題有深入的交流。當天同桌的有專注於自駕車法規制訂的大學法學院院長，有區塊鏈服務的經理，有台灣設計研究院策劃點子松的承辦人員，還有大學生與藝術家。每個人都不吝分享自己的意見，也樂於交流。在意見相左時，也有賴兩位律師背景的桌長協助釐清爭議點。知性的一天，我覺得很滿足！也希望當天的討論，對後續擬定人工智慧相關法規時，能有些許的貢獻。</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bb7ee1cb1a1d" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>