每日椽真：台灣太陽能逆變器出頭天 | 三星晶圓代工分拆是假命題？
- 陳奭璁
-
早安。
三星電子會長李在鎔於三星暫訂財報發布前一天，向外媒路透（Reuters）表示，三星「無意分拆」其晶圓代工製造業務和邏輯晶片設計業務，好讓外界紛紛擾擾就此劃下句點。然由此觀察，三星高層李在鎔、全永鉉此番表態，究竟是成竹在胸、已有三星半導體沈痾解方，還是藉此向外界打一劑預防針，避免月底財報成績嚇壞眾人？
2024年的鴻海科技日除正式發表電動休旅Model D、電動中巴Model U，董事長劉揚偉在開場時表示，2024年有更多新款電動車登場，這也展示了鴻海在汽車開發領域的廣度與成熟度。本次科技日還有2個彩蛋，首先是劉揚偉親自揭露，鴻海與美國合作夥伴合作打造的北美版Model C；另一顆彩蛋詳見內容。
最後，今年諾貝爾物理學獎由John J. Hopfield與Geoffrey E. Hinton獲得，他們的貢獻在於對類神經網路的奠基性發現與發明，使機器學習獲得巨大進展。以下編輯手記有進一步的資訊整理。
以下是今日5則科技供應鏈重點新聞摘要：
科技盛會鴻海科技日（HHTD）於8日展開，鴻海科技集團策略長、MIH聯盟執行長關潤針對軟體定義汽車（SDV）有更深度的分享與詮釋之外，根據了解，活動現場所展出的Model A概念車也是關潤的嘔心瀝血之作。
關潤在2024年鴻海科技日的開幕活動的主題性夥伴對談上再次強調，如今電動車（EV）市場上，除了有傳統車廠的角力，還有非傳統汽車業者的加入，萬頭攢動的市場競爭，顯得有效縮短產品開發週期尤為重要。鴻海電動車策略主打的委託設計製造服務（CDMS）模式，可為客戶提供零件與模組平台之餘，也有更多彈性。
香港貿發局助理總裁古靜敏在展前的記者會中表示，踏入10月展覽旺季，將呈獻秋季四大科技展，除了匯聚香港展商及新創企業之外，還有來自世界各地的國家及地區企業，盼充分展現香港發展成國際創科中心的領先地位。
特別是即將進入第44屆的秋電展，從展前官方釋出的資訊觀察，展出內容涵蓋家用及商用智慧產品及電器、視聽設備及最新科技解決方案等，並聚焦於數位娛樂、智慧出行和銀髮經濟三大領域。
《It's 秀 TIME》EP.22｜台灣微軟首席營運長陳慧蓉
想放就放，不需要主管批准的「身心健康假」，KPI設計的「三個圈圈」，這些令人稱羨的福利，如何打破工程師過往的溝通哲學，打造微軟不藏私、鼓勵互助與學習的企業文化？
台灣微軟近十年來第一位台灣出身的首席營運長Flora，從會計、汽車業務轉換到科技產業，他如何發揮柔韌的特質帶領工程師共同解決客戶疑難？微軟在台灣有什麼樣的投資規劃，AI浪潮又如何影響企業的人才需求？
太陽能逆變器（PV Inverter）及儲能功率調節器（PCS）是新能源的智慧之源。台灣太陽能逆變器供給生氣蓬勃，尤其內、外資品牌激戰多年，戰況更是高潮迭起。
近年由台灣本土品牌掛帥，前兩大包括新望、台達電，市佔率約達5成、穩住半壁江山，外資品牌加總約佔一半市場。
電動車（EV）普及速度與充電椿基礎建設息息相關。其中，電動車的充電時間與充電椿的功率呈反比關係，為了將充電時間縮短到接近傳統加油的時間，充電椿正朝向大功率直流快充發展。
DIGITIMES Research在10月初能源週展會中觀察，台廠主要充電業者如華城電能、泓德能源、台達電已經開發相關解決方案，致力於加速電動車充電體驗的提升。
編輯手記：
機器學習的發展：Hopfield 與 Hinton 的突破性貢獻奠定基礎
機器學習的發展歷經數十年演變，從最初的理論探索到如今廣泛應用於各個領域。John Hopfield 和 Geoffrey Hinton 的研究成為推動這場技術革命的重要里程碑。
早期挑戰與困境
機器學習的起源可以追溯到1940至1960年代，當時科學家試圖模仿大腦神經元和突觸的運作方式，建立人工神經網絡。然而，由於理論上的限制和計算能力不足，研究進展一度停滯不前。
Hopfield 網絡：重燃研究熱情
1980年代，物理學家 John Hopfield 提出了「Hopfield 網絡」，成功引發學界對人工神經網絡的重新關注。Hopfield 網絡的創新在於其能夠儲存和重建信息，並在輸入不完整或失真的情況下，透過聯想記憶找出最相似的儲存信息。他的研究顯示，網絡節點和連接可以被視為具有自旋特性的磁性材料，其整體狀態類比於自旋系統的能量狀態，為後續研究奠定了物理學基礎。
Hinton 的 Boltzmann 機器：開啟生成模型新篇章
同時期，Geoffrey Hinton 借鑒人類學習模式，致力於讓機器以類似方式處理信息。他與 Terrence Sejnowski 共同提出的「Boltzmann 機器」，基於統計物理學的概念，擴展了 Hopfield 網絡，利用 Boltzmann 方程式分析網絡狀態與發生概率，開啟了生成模型的研究。與指令式學習不同，Boltzmann 機器透過示例學習的方式，調整網絡連接中的值，使示例模式的出現概率最高，並能夠識別未見過的信息特徵。
深度學習的興起：Hinton 的堅持與突破
儘管神經網絡研究在1990年代陷入低潮，Hinton 依然持續探索。他在2006年提出了一種預先訓練多層 Boltzmann 機器網絡的方法，大幅改善了網絡訓練的效能，成為深度學習的關鍵基石。這一技術幫助深度神經網絡更有效地識別圖像中的元素，為今日龐大的神經網絡模型開創了道路。
當前應用與未來展望
如今，人工神經網絡已經發展成為擁有數萬億個參數的巨大模型，被廣泛應用於語音識別、圖像處理及自然語言處理等領域。Hopfield 和 Hinton 的開創性工作奠定了機器學習革命的基礎，他們的研究成果將持續影響未來人工智能技術的發展方向。
總結而言，Hopfield 的聯想記憶網絡和 Hinton 的 Boltzmann 機器不僅突破了早期機器學習的困境，也為深度學習的興起鋪平了道路，成為今日機器學習技術發展的重要里程碑。
以上資訊來自諾貝爾獎網站的介紹。
責任編輯：陳奭璁
