「深度學習」意指利用深度神經網絡，讓電腦自行分析資料並找出特徵值。其核心概念之一，是透過多層神經網絡的維度縮減過程，保留資料（如圖像）中最重要的特徵，即使資料量變小，關鍵特徵仍得以保存，以便後續能重現原始資料。「深度學習」意指利用深度神經網絡，讓電腦自行分析資料並找出特徵值。其核心概念之一，是透過多層神經網絡的維度縮減過程，保留資料（如圖像）中最重要的特徵，即使資料量變小，關鍵特徵仍得以保存，以便後續能重現原始資料。

這使得電腦能像人類一樣，通過大量觀察自行歸納出事物的特徵，例如 Google 的貓臉辨識實驗，電腦未被告知貓的特徵，卻能從千萬張圖片中自行找出貓臉特徵。雖然深度學習在技術上涉及複雜數學與運算，但其自動學習特徵並將符號與意義連結的能力，是其與人類學習過程相似的關鍵。

本集節目指出，儘管離電腦真正思考尚遠，但基於強大的硬體、軟體技術和雲端數據，人工智慧（包括深度學習）未來十年將持續發展並應用落地。

📌 本集亮點：

1. 深度學習與機器學習的根本差異：

機器學習需要人類提供特徵值讓電腦依循進行分類，而深度學習透過深度神經網絡，讓電腦能夠自行分析資料並找出特徵值，這是兩者最大的不同點

2. 深度神經網絡的結構與挑戰：

深度學習使用多層的隱藏層神經網絡，理論上層數越多越精確，但實際上因誤差反向傳播難以有效傳遞回較上層的神經元，多層結構反而帶來挑戰，就像多層級的公司組織難以有效溝通一樣

3.維度縮減與重要特徵保留：

深度學習的一個重要概念是維度縮減。資料（如手寫數字圖像）經由輸入層進入隱藏層時，神經元數量減少（維度縮減），此過程會捨棄部分資訊但保留最重要的特徵，以便在後續維度恢復時能重建原始資料

4.Google貓臉辨識實驗：

Google透過一個實驗，將一千萬張 YouTube 影片圖片輸入一個擁有100億個神經元、由1000台電腦與16000個CPU運算三天的深度學習網絡。電腦在沒有被明確告知貓的特徵下，自行從大量圖片中找到了貓臉和人臉等高抽象度特徵，展示了深度學習自動學習特徵的能力

5.深度學習的學習過程與人類學習類似：

深度學習通過反覆處理資料來找出特徵值，這個過程與人類學習辨識事物（如小朋友看大量的貓圖片後學會辨識貓的特徵）的方式非常相似，都是透過觀察大量樣本來歸納特徵

這篇文章 曲博彩虹頻道｜深度學習 Deep Learning 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

國立臺灣師範大學跨域科技產業創新研究學院與麗臺科技攜手成立「深度學習共同實驗室」，以促進AI深度學習技術在教育與產業領域中的創新應用，28日舉行揭牌典禮，盼藉由產學合作，助力臺灣科技創新與產業升級。

記者／李琦瑋

國立臺灣師範大學跨域科技產業創新研究學院與麗臺科技攜手成立「深度學習共同實驗室」，以促進AI深度學習技術在教育與產業領域中的創新應用，28日舉行揭牌典禮，盼藉由產學合作，助力臺灣科技創新與產業升級。

致力開發以GPU為核心的AI解決方案

臺師大副校長陳焜銘表示，深度學習共同實驗室的揭牌成立，象徵臺師大與麗臺科技攜手邁向科技創新與產業升級的新階段。雙方期待透過這項合作，共同推動臺灣的AI技術發展，創造更具前瞻性的教育和產業應用，為臺灣未來的科技創新貢獻強大力量。

延伸閱讀：台師大推國文教學改革 生成式AI提升思辨力及表達力

麗臺科技董事長盧崑山表示，這項合作將促進GPU技術在AI領域的應用與創新，特別是在教育與產業中的深度應用。他強調，麗臺作為NVIDIA的長期合作夥伴，對於GPU技術及產品有著深厚的理解與支援能力，再結合麗臺AI軟體研發專業，使實驗室成為推動先進深度學習技術的核心力量。

盧崑山說，實驗室也將致力於培育能夠掌握GPU架構與AI深度融合的人才，透過培訓課程與實作機會，打造符合未來產業需求的專業隊伍，以確保在全球科技競爭中持續保持領先。

深度學習共同實驗室5大核心目標

臺師大產創學院院長高文忠指出，過去一年多來，學院與麗臺科技保持著密切的產學合作，並在AI人才培育上有著一致目標，雙方都致力於為臺灣產業界培養具備深度學習和AI專業技能的人才，藉由這項合作，學生將獲得更多實際操作機會，強化理論與實務的結合。

高文忠說，深度學習共同實驗室共有5大核心目標，「技術研發與創新」，實驗室將致力於在圖像識別、自然語言處理等領域探索先進技術，推動技術創新，並支持企業實現數位轉型；「產業應用探索」，實驗室將探索深度學習技術在智慧製造、醫療健康、教育等多種場景中的應用，協助企業實現自動化與智慧化提升。

高文忠提到，還有「人才培育與技能提升」，實驗室將提供實作和專業課程，培養具備深度學習技術的專業人才，以滿足未來高科技產業的需求；「產學合作交流」，透過建立產學交流平臺，推動學術界與產業界的知識共享，形成持續合作與發展的良性機制；「推廣深度學習教育」，實驗室將舉辦講座、工作坊和課程，以推廣深度學習知識，促進技術在教育領域的普及。

※探索職場，透視薪資行情，請參考【科技類-職缺百科】幫助你找到最適合的舞台

這篇文章 推動AI技術應用！臺師大攜麗臺設深度學習共同實驗室 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

編譯／曲姵蓉 人工智慧巨頭公司Google DeepMind近日發布一篇「學習具敏捷性的足球技巧：用深度強化學 …

編譯／曲姵蓉

人工智慧巨頭公司Google DeepMind近日發布一篇「學習具敏捷性的足球技巧：用深度強化學習培養雙足機器人」論文，成功利用深度學習技術（Deep Learning），讓機器人自己學會踢足球。

根據報導，深度學習架構是一種用來訓練神經網路的方法，它讓機器人可以透過試驗與練習，逐步學習並改進做事情的方法。團隊指出，他們利用擁有20個驅動關節的Robotis OP3機器人，並花費14小時教會機器人跌倒後如何起身，再花158小時訓練機器人站立、踢球以及轉身等單一動作。

最後，在經過68小時的機器人自我練習後，機器人成功學會了踢球必備的組合技。研究團隊發現，Robotis OP3透過深度學習，可以逐步適應動作，並展現出強大的動態運動技術，甚至超越原本團隊對Robotis OP3的期望。

而且，為了訓練機器人可以重複這些動作，僅僅提供它射門後的獎勵是不夠的，研究團隊還必須設定不同的階段獎勵或者訓練目標，讓機器人即使跌倒了也可以不斷爬起來，努力打敗對手。

研究團隊也必須要針對機器人的每個動作進行細節設定，當機器人跌倒時，必須要訓練其自己站起來後重新進行踢球的動作，不然機器人可能就會採取當下它判斷最有效率，但並不是人類希望它做的事情，例如透過在地上滾動得分。當機器人的跌倒爬起訓練，以及進球策略完全結合時，再幫它設定一個進球的獎勵過程，就可以獲得努力踢球的機器人了。

實驗後發現，利用深度學習訓練的機器人，會比人類特別用手動設計程式的機器人還要更厲害。以此次Robotis OP3為例，利用深度學習的機器人行走速度比一般機器人還要快156%，跌倒後爬起速度快了63%。而且，透過深度學習的Robotis OP3機器人核心軟體，可以直接移植到其他機器人身上，不需要重新進行額外培訓，就可以快速大量地擁有會踢足球的機器人，這對於人類未來的機器人訓練以及應用，有重大的貢獻。

資料來源：The Register

這篇文章 機器人也會踢足球！深度學習比人工設計更強 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

編譯／莊閔棻 在接受 CBS 新聞採訪時，被稱為「深度學習之父」、「人工智慧教父」的電腦科學家Geoffrey …

編譯／莊閔棻

在接受 CBS 新聞採訪時，被稱為「深度學習之父」、「人工智慧教父」的電腦科學家Geoffrey Hinton討論了人工智慧的歷史、潛力及危險。他認為，人工智慧消滅人類的未來「不是不可想像的」。

根據《CBS》的報導，雖然聊天應用程式是目前的流行趨勢，但人工智慧也有可能用於更高級的用途。作為深度學習的積極推動者，被稱為「深度學習之父」的Geoffrey Hinton就說，這項技術的進步可以與「工業革命，或者電力......或者也許是車輪」相比，並有可能會「消滅人類」。

隨著技術的進步，包括OpenAI首席執行長Sam Altman在內的一些人就擔心有可能出現「終結者」式的「通用人工智慧」，亦即人工智慧將可以放大人類的能力並自行行動。雖然有一些專家說這是過度但擔憂，但就連Hinton都有所保留。

他說，他原本認為我們要在20到50年後才能擁有通用人工智慧，但現在他認為可能是「20年或更少」。他說，我們可能離電腦可以自我優化的未來不遠了，而我們必須認真思考如何控制它。當談到人工智慧可能試圖消滅人類的機率，Hinton說：「這不是不可想像的。」

Hinton說，更大的問題是，對於一項可能給政府或少數公司帶來巨大權力的技術，人們必須學會管理。Hinton表示，人們應該思考這些問題。他說：「雖然它不會在未來一兩年內發生，但我認為人們現在擔心這些問題是非常合理的。」

Hinton在40多年前開始關注人工智慧。當時，有很多人都認為這只存在於科幻故事中，並認為他做的事是無稽之談。Hinton說，他認為，與其試圖把邏輯和推理技能編入電腦，不如讓它可以模仿大腦，讓電腦自己有能力找出這些技能，讓技術成為一個虛擬的神經網路，並建立正確的連接。

Hinton提到，當時，就連主流人工智慧領域的人們都認為，要讓電腦在沒有任何先天知識的情況下，只透過改變連接的強度來學習是一件荒謬的事。但現在，在過去10年左右的時間裡，電腦真的達到了Hinton的所說的程度。今日，他的機器學習思想被用來創造各種產出，包括深度偽造的照片、影片和音頻。

參考資料：CBS

這篇文章 人工智慧教父驚人發言：AI可能消滅人類 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

作者：Howie Su（產業分析師） 真的具備智慧？還是只具備部分智慧？ 當前正是觀察人工智慧帶來影響的大好時 …

作者：Howie Su（產業分析師）

真的具備智慧？還是只具備部分智慧？

當前正是觀察人工智慧帶來影響的大好時機：2022 年在人工智慧在深度學習方面取得相當進展，特別是在生成模型（Generative Model）方面。然而，隨著深度學習模型功能的增加，相關的質疑與不斷增加。從一方面來看，ChatGPT 和 DALL-E 等高級模型帶來令人驚艷的成果，讓模型進行推理的能力又更上一層樓，但在另一方面，他們經常犯下錯誤，證明他們缺乏人類所擁有的一些基本智力要素，這種「高級智能」卻又犯下「常態錯誤」的模式正讓產官學界思考，人工智慧到底哪一個部分需要調整，對人類的衝擊是比想像中的快或慢？有專業機構認為，不同人工智慧模型未來將產生不同的「個性」，在不同情境產生思考偏誤，另一派則認為，無論是何種模型，將最終具備通用人工智慧（Artificial General Intelligence），但不存在個性問題。

深度學習當前面臨的幾大挑戰

目前推進深度學習的方法仰賴增加訓練數據、建立更大的模型、更有效的coding等方法，但不少專家指出，這樣只會加速這些深度學習模型所犯的錯誤。這個缺陷在 ChatGPT 中相當明顯，它可以生成正確且一致性的語法、但缺乏邏輯與不符合事實現狀的文本。不少使用過該會議的演講者提供此類缺陷的案例，例如大型語言模型無法根據長度對句子進行排序，在簡單的邏輯問題上會犯嚴重錯誤，以及做出錯誤和不一致的陳述。主要原因在於模型並未加入語言和思想、對常識的一般認知、人類是什麼這類問題，甚至是任何其他幻想與想像力。整體而言，我們可以歸納出數個缺陷，第一為推理與答案互斥，大型語言模型無法推理基本事物，例如將對象放入模型中，模型可以回答問題，但使用者可能無法指望得到答案；第二是事實性不足，模型不能透過倒入他們新的事實來逐步更新，這些模型通常需要接受再訓練以吸收新知識，因此顯得笨拙。

當前專家對於未來人工智慧的期望

簡單來說，我們所謂的「常識」對人工智慧而言相當困難，常識對於人類來說幾乎是無需思考，而對於機器來說卻很難，因為顯而易見的事情永遠人們不會說出來並視為理所當然，而且常識性的事情沒有普遍的真理，有些隱性的現象，比如人際關係、社會互動、企業文化等，常識是透過感官經驗獲得的，並且這些知識存儲在感知和運動系統中，模型可能無法透過「感知」這些情境來做出適合的推演。部分業界專家也提出觀點與期望，Elemental Cognition的創始人、IBM Watson 的前成員大衛·費魯奇（David Ferrucci）認為，如果人類無法讓機器「解釋為什麼它們會產生它們正在產生的輸出」，我們就無法實現我們對 AI 普及化的的願景，費魯奇的公司正在設計一種架構，該架構可以解釋其推論和因果模型，這是當前 AI 中缺少的兩個功能。

AI 科學家 Ben Goertzel 則指出「目前主導當前商業 AI 領域的深度神經網路不會在構建真正的 AGI取得太大進展。」Goertzel 以創造 AGI 一詞而聞名，他認為以事實檢查核措施強化 GPT-3 等現有模型不會解決深度學習面臨的問題，也不會使它們能夠像人類思維一樣思考。瑞士人工智慧實驗室 IDSIA 的科學主任兼現代深度學習技術的先驅之一 Jürgen Schmidhuber 表示，當前人工智慧的許多問題已在過去幾十年中被解決。Schmidhuber 建議解決這些問題是運算成本的問題，未來人類需持續建立深度學習系統，進行元學習並找到新的更好的學習演算法。同時，負責任人工智慧的觀念也在深度科技盛行下更受重視，例如Cisco提出人工智慧規範框架，在程式碼自動化、獲得資料詮釋力而能用於障礙排除、應用程式資安漏洞管理面向進行規範，或是近期美中在海牙為支持負責任的軍事用途的人工智慧簽署合作協議，阻止人工智慧在軍事用途上濫用等。

這篇文章 2022年深度學習發展與未來展望｜專家論點【Howie Su】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

記者／陳士勳 深度學習（Deep Learning）在人工智慧領域，開創出許多有關機器學習（Machine L …

記者／陳士勳

深度學習（Deep Learning）在人工智慧領域，開創出許多有關機器學習（Machine Learning）的實際應用，以AI為研究專長而聞名，任教於美國加州大學柏克萊分校的國際級學者Trevor Darrell，日前於成功大學，以「跨越多媒體的人工智慧」為題，強調比起純粹的視覺影像，結合語言、動作，更可用來幫助 AI，拓展視覺深度學習能力。

成大表示，Darrell為加州大學柏克萊分校電資學院教授，同時也是該校人工智慧實驗室、人工智慧自動系統研究中心，以及與Facebook、Google、Microsoft、Amazon等著名國際企業合作之BAIR Commons program 的創辦人之一，Darrell所帶領的研究團隊，發展出物體與行為識別及判斷的大型知覺學習（perceptual learning）之演算法，應用範圍涵蓋自駕車、多媒體搜尋、多模人機互動等。

Darrell也不吝嗇，且解說自己正在美國進行的人工智慧相關研究，「很高興能與臺灣研究者分享觀點，尤其是針對深度學習中的模型建立與訓練過程。」還額外透露自身團隊研究發展面向，包含電腦視覺、機器學習、自然語言處理，及基於感知的人機介面等，同時強調加上語言輔助，可進而強化AI的辨識能力。

成大敏求智慧運算學院院務委員詹景堯博士觀察，跨越多媒體的人工智慧為新興趨勢，已成當前AI領域的重要研究議題，也提到Darrell教授的研究團隊把動作、影像、語音，甚至社群媒體等人類世界多種來源的互動，皆加在一起分析，藉此建立深度學習模型，成為寶貴的研究進展，「以前只有純粹用影像來分析，加上語言輔助後，提升精確度，讓 AI 更貼近人類真實生活。」

這篇文章 柏克萊名學者成大開講 結合語言強化AI深度學習 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

記者／白水堯 國際級 AI 大師 Trevor Darrell 教授（音譯：特雷弗·達雷爾）受邀到國立成功大學 …

記者／白水堯

國際級 AI 大師 Trevor Darrell 教授（音譯：特雷弗·達雷爾）受邀到國立成功大學演講，以「Unsupervised, Adaptive, and Advisable Visual Learning（跨越多媒體的人工智慧）」為題，分享如何透過視覺影像、動作、語音、社群媒體等多媒體方式發展人工智慧深度學習的研究發現與展望。

Trevor Darrell 教授表示很高興能與臺灣研究者分享自己在美國進行的人工智慧相關研究，特別是深度學習中的模型建立與訓練過程（generative models and adaptive models）；Trevor Darrell 教授提到，比起純粹的視覺影像，結合語言、動作，可以用來幫助 AI 拓展視覺深度學習能力。團隊研究發展面向包含：電腦視覺、機器學習、自然語言處理以及基於感知的人機介面等。

成大敏求智慧運算學院院長詹寶珠表示，Trevor Darrell 為美國加州大學柏克萊分校（University of California, Berkeley）電資學院教授，同時也是柏克萊人工智慧實驗室（Berkeley Artificial Intelligence Research , BAIR）、人工智慧自動系統研究中心（Berkeley DeepDrive , BDD），以及與 Facebook、Google、Microsoft、Amazon 等企業合作之 BAIR Commons program 的創辦人之一；其所帶領的研究團隊發展大型知覺學習（perceptual learning）的演算法，包括物體與行為識別及判斷，應用範圍包括自駕車、多媒體搜尋、多模人機互動等。

陪同Trevor Darrell 教授出席的詹景堯博士，被譽為國際最懂自駕車的臺灣人，他特別強調，跨越多媒體的人工智慧是很新的趨勢走向，把動作、影像、語音，甚至把社群媒體等人類世界多種來源的互動加在一起分析，以此建立人工智慧深度學習模型，這是很重要的研究進展，能讓 AI 更貼近人類真實生活。

這篇文章 人工智慧跨越多媒體　更貼近真實生活 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

編譯／莊閔棻 人工智慧（AI）透過深度學習來進步，而因為AI和元宇宙有著很大的關聯，這讓元宇宙也必須高度倚賴深 …

編譯／莊閔棻

人工智慧（AI）透過深度學習來進步，而因為AI和元宇宙有著很大的關聯，這讓元宇宙也必須高度倚賴深度學習來持續進步。透過深度學習，我們將能在AI科技、創造性和機器理解上取得進步。

現今，深度學習軟體已經被整合到虛擬世界中，例如自動駕駛聊天機器人和其他形式的自然語言處理等。又或是在AR技術中，基於深度學習的AI用於判斷人類姿勢、進行沉浸式環境渲染、檢測真實世界物體和重建3D物體等，有助於保證AR多樣性和可用性的應用上。而這些，都需要讓AI透過大量的訓練數據和建模來進行學習，透過深度學習，這些技術將成為可能

將深度學習應用於網絡安全的Deep Instinct 競爭情報分析師 Jerrod Piker表示，因為深度學習模型是在所有可用數據上訓練的，並在在圖像識別和自然語言處理方面提供了令人驚訝的結果，因此，這樣的方式可以幫助改善元宇宙的發展與建立。透過深度學習訓練出的AI將可以更好的識別人類所需要建立的東西，並在虛擬世界中建造出來，同時，AI也可以透過深度學習了解客戶的需求，以提供精準的服務。

全球媒體出版商TheSoul Publishing 營運副總裁 Patrik Wilkens 表示，深度學習技術在自動化方面將變得非常重要。他說：「過去需要數小時人力的工作，現在可以以令人難以置信的效率來實現。 隨著科技公司和內容創作者將深度學習融入他們的流程，並開始利用最好的技術，以前用來做事情的人力現在可以用在其他事情上。 這對於創意領域來說又更重要」。

Wilkens就舉例說，他的公司現在就正在其內容中，使用基於深度學習的AI來進行校對、翻譯、執行質量確保和建構圖形等工作。而他們下一步，就是將其帶入元宇宙中，包括發展元宇宙中的 5 分鐘工藝品市場。他說，人們將可以利用「虛擬化身」去逛 TheSoul 的購物中心，觀看工藝影片，然後去找 AI 助手購買完成項目所需的材料。

隨著虛擬世界正在慢慢演變成主流，人們可以在其中以前所未有的方式工作、學習、購物、娛樂和與他人互動。 高德納諮詢公司最近就將元宇宙列為 2023 年最重要的戰略技術趨勢之一，並預測到 2026 年，25% 的人口將每天至少花一個小時在裡面做各種活動。這代表了，有效使用元宇宙的企業將能創造新的收入來源和市場，而深度學習又將為我們帶來更成熟、更強大的元宇宙世界。

Zendesk 的首席技術長 Adrian McDermott就認為，到 2023 年，我們有望看到深度學習和 AI 技術在元宇宙中推動和擴展更多客戶自助服務。

參考資料：VentureBeat

這篇文章 元宇宙X深度學習　未來的無限可能 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

編譯／莊閔棻 對 AI 來說，今年是瘋狂的一年。從 DALL-E 2 到 Google 的 Imagen，從 …

編譯／莊閔棻

對 AI 來說，今年是瘋狂的一年。從 DALL-E 2 到 Google 的 Imagen，從 Meta 的 Galactica 、Cicero，再到 ChatGPT，AI完全是以我們跟不上的速度在發展，然而這引起了很多我們從未見過的問題，讓原本就可能充滿不實訊息的網路又更加不可信了，以後網路可能將會充斥各種假消息。

《麻省理工科技評論》的記者表示，因為有了AI，網路上可能充滿各種由機器生成的文字內容又或是圖片，而這些都將毒害網路，對人類在網路上搜集資訊造成誤導。Google深度學習研究部門 Google Brain 的高級研究科學家Daphne Ippolito就表示，在未來，要找到高質量、有保證的 AI 訓練數據會變得越來越棘手。

我們很容易會誤以為由AI 創建的圖片或一段文字是出自於人類。有時，即使由AI創造出的文字內容可能聽起來很正確，實際上卻是充滿謊言的。因此，如果我們盲目的相信AI 模型提供的未經過濾的健康建議，或任何其他形式的重要訊息，可能會產生嚴重後果。不只如此，AI系統讓產生大量錯誤訊息、濫用訊息和寄送垃圾郵件變得非常容易，因此我們得到的各種消息都可能被扭曲。

本身，這些人工智慧就是透過網路資料來訓練的，而因為任何人都可以編輯，網路資料原本就充滿了不正確性，包括了人類在網上寫的各種有害、愚蠢、虛假、惡意的內容。但不同於人類的是，AI 模型可能會將這些謊言當成事實，將它們轉化爲自信而直接的語言，並在網路上傳播。

更嚴重的是，科技公司可能再次從網路收集訓練人工智慧的內容。就這樣反反覆覆，很有可能會讓AI越來越不準確，讓網路上的內容又更加混亂與不真實。而人們還可能會以為這些訊息都是正確的。這將造成很嚴重的問題。

好消息是，有分辨的方法。Ippolito說，AI生成的文本有一些明顯的跡象。 人類的寫作很凌亂， 充滿了拼字錯誤和俗語，因此，尋找這些錯誤和細微差別是識別人類所寫文本的好方法。相比之下，大型語言模型則透過預測句子中的下一個詞來工作，不但有條理，也很少會有錯誤。因此，只要認真觀察，是可以看出差異的。

技術工具可以提供幫助，但人類也需要變得更聰明。而最重要的是，對於網路上的任何內容，我們都應該抱有懷疑態度，並小心查證。

參考資料：MIT Technology Review

這篇文章 人工智慧生成文字內容  謊言、錯誤訊息充斥將毒害網路 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

在國家科學及技術委員會支持下，中央研究院資訊科技創新研究中心曹昱研究員團隊開發AI口語溝通輔助技術，利用AI技 …

在國家科學及技術委員會支持下，中央研究院資訊科技創新研究中心曹昱研究員團隊開發AI口語溝通輔助技術，利用AI技術協助口語溝通障礙者改善其生活品質，並提高其學習能力。

順暢的口語溝通對於人類科技發展、情感交流、智慧傳承等方面發揮著至關重要的作用；中研院資創中心曹昱研究員長期深耕於深度學習與訊號處理，開發以人為中心的AI技術-基於AI的口語溝通輔助技術，以最新穎的AI技術為有口語溝通障礙的人們帶來一線「聲」機。

對口語溝通障礙者來說，因為機能的不完全，環境噪音所造成的影響遠比正常人更強烈，為提升語音品質，曹昱研究員團隊提出基於深度學習的語音增強處理演算法，該演算法可應用在口語溝通障礙者對話時，有效消除環境噪音如附近的車聲、音樂等，降低訊號失真，讓口語溝通障礙者能較清楚聽到對方的聲音，以實現良好的口語溝通品質，同時提昇人與人、人與機器之間的溝通效率。

傳統聽覺輔具在有噪音的環境下，常無法得到理想的聲音品質及語音理解度，曹昱的研究團隊致力於將AI語音增強技術應用於聽覺輔具上，包括輔聽器、助聽器、人工電子耳，讓聽障人士不只「聽到」更是「聽懂」，降低聽障可能帶來的負面影響，並進一步改善聽損者學習能力和生活品質。

至於口腔癌術後、電子喉、吶語症等構音異常患者，常因口腔動作不協調，造成發音錯誤和語音不清楚，導致溝通障礙和誤會，研究團隊將數項基於AI為基礎的語音增強系統，透過手持裝置如手機，將構音異常患者不清楚的語音轉換為正確的語音發出，提升語音品質和理解度。

相較於開發更高效的AI機器，曹昱研究團隊更著重於運用人工智慧來發展輔具，提供給需要幫助的口語溝通障礙者，讓人工智慧的進步對人類社會有實質上的助益，也讓科學研究更有溫度。（記者／白水堯）

這篇文章 打造有溫度的科技 AI輔助口語溝通 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。