2019/11/7
林育中
DIGITIMES顧問
鐵電記憶體的新篇章
鐵電記憶體(Ferroelectric RAM；FeRAM)在半導體產業存在的時間可能比目前大部份從業人員的工作期間都要長。以前管理記憶體銷售時，聽到有一家公司一個記憶體元件可以賣到幾百美元，心實艷羨之。後來知道公司是Ramtron，產品是FeRAM。貴的原因是產量少，但對於抗電磁幅射(radiation hard)的應用卻不得不用。Ramtron於2015賣給Cypress，Infineon於今年6月計劃收購Cypress，這家素以FeRAM見稱的公司終於隱沒在大公司的結構之中，但FeRAM的故事尚未完結。
2019/11/5
徐宏民
台大資工系教授
[3D視覺計算] 3D視覺機會來臨！
這幾年深度學習技術大大推升影像上的研究，許多核心技術都有超越人類的辨識能力，並逐漸落地為產品。3D感測器以及各種應用則是另一崛起中的技術趨勢；傳統影像屬於2D，透過拍攝將立體環境中某個視角，投影在二維平面中。所以3D影像比2D多了深度資訊(距離相機的位置)，更可以透過線性轉換了解觀測物件在3D中的位置，因此3D影像可以獲得更豐富的立體空間訊息，但是也因為與傳統2D影像不同，所以處理複雜度較高，甚至還不知如何發揮這些3D資料的高度潛力。
2019/10/31
林育中
DIGITIMES顧問
異構整合時代的協同設計
異構整合時代的半導體經濟價值創造源自於異構整合能以不同於晶片製程微縮的方式持續增進系統的性能，主要是靠封裝的手段整合不同功能、不同製程的多個晶片，創造高性能的新應用，從而增加經濟價值。然而這個領域的開拓不過幾年光景，而手段與以前熟悉的製程微縮迥異，許多工具與方法都還亟待發展。其中面臨的技術挑戰之一為協同設計（co-design），這是異構整合路線圖（Heterogeneous Integration Roadmap；HIR）2019版的主要章節之一。
2019/10/30
徐宏民
台大資工系教授
少量標註樣本的機器（深度）學習
資料的可得性決定機器（深度）學習演算法的可靠度。過去已經有許多研究指出，同一個演算法，當（標註的）訓練資料愈多時，通常演算法的正確率或是穩定度就越高。但在真實的情境中，訓練資料通常是缺乏的，成為應用落地的障礙。
2019/10/25
朱宜振
BiiLabs共同創辦人與執行長
資料經濟與分散式帳本的大想像
若開始談到資料經濟(Data Economy)，大多數人會開始連結到Open Data，或者覺得這就是跟AI有關的議題，這都是正確的，那為何會需要連結到分散式帳本呢？
2019/10/24
林育中
DIGITIMES顧問
如果老化是可以治療的疾病呢？
如果仔細看許多電子業的趨勢報告，或者電子公司的研究方向，醫療電子大概都會在名單上。與通信近的，就會靠向行動醫療，或至少是行動健康監測。至於與人工智慧相關的更是不可勝數。
2019/10/23
林一平
國立陽明交通大學資工系終身講座教授暨華邦電子講座
華盛頓大學的圖靈機
我1986年就讀華盛頓大學計算機系，當時的系館是Sieg Hall。之後華大耗資7000萬美金建築計算機系館（圖一），於2003年落成。
2019/10/22
徐宏民
台大資工系教授
標註的訓練資料不夠怎麼辦？談自我監督學習新趨勢
機器(深度)學習演算法的效益決定於訓練資料的可得性，特別是目前應用中大多為監督式的學習(supervised learning)，必須提供(人工)標註資料來訓練。 所以在標記資料量少的領域，前瞻演算法的效力就很難發揮，原因是特定領域的資料較難取得、或是標註成本較高，如醫學影像、工業生產、金融決策等。
訂閱椽經閣電子報
新文章上刊時發送，提供您DIGITIMES專家及顧問群的最新觀點、見解。
