影片來源 : MaRS Discovery District Youtube

【流行病預測，新創為何比Google強？】

如果你是關心AI產業動的人，最近，一定常常看到加拿大新創公司Blue Dot的新聞。他們一戰成名，早在去年12月31日就已發布武漢肺炎警告，這比WHO、美國疾病預防中心還快了6～9天。

講到流行病預測，Google做的比Blue Dot還早。2008年，Google就已推出一個預測流感流行趨勢的系統——Google Flu Trends (GTF)，而且還曾經神準預測H1N1在美國爆發的範圍。

只是，2015年8月，Google停止發布GTF的估算值。這是一個在數據應用上很經典的案例：為什麼題目對、速度快，又有龐大資源支撐的專案最終失敗收場？

虎嗅網上 這篇文章，作者歸因三點：大數據傲慢、搜索引擎演化及相關而非因果，造成Google Flu Trends後續預測失靈。

例如，工程師並不清楚搜索「關鍵字」和「流感」之間到底有什麼因果聯繫，而只關注數據的統計學特徵。以「流感」這個關鍵字為例，當搜尋量急漲，可能是因為推出一部「流感」為主的電影或歌曲，並不一定意味著流感真的在爆發。

【歐盟AI白皮書：避免偏見、詳細記錄、主動告知】

繼被喻為「史上最嚴個資法」GDPR問世後，歐盟最新AI白皮書又再一次讓科技產業的人揪心。在白皮書公布幾日前，矽谷大神們像Alphabet、FB和蘋果的大老闆們先後造訪布魯賽爾，關切此法案對產業及技術的影響。

光從白皮書的命名「a European approach to excellence and trust」，就可以嗅到濃厚又傳統的歐洲思考：不產業，也不技術，而是回到人本的框架去看AI發展。

科技報橘這篇文章摘錄了白皮書重點：

1. 訓練 AI 的數據資料必須要涵蓋廣泛的人口，避免產生偏見。

2. 訓練 AI 時，必須詳細記錄 AI 的訓練過程

3. 使用者與 AI 互動時，必須告知使用者正在與自動化系統互動，不是真人

4. 歐盟以外開發的 AI 可能要重新訓練才能進入歐洲市場，以確保符合歐盟規範。

尤其，如何在機器訓練過程中，減少偏見已經是門顯學。

去年，Apple Card發行後，就發現其信用額度的計算方式存在性別岐視，男女額度差別達20倍，引發社群上一片討論。高盛信用卡業務也正在接受官方調查。Apple Card還被選為

2019年最失敗的科技產品

最近，Google Cloud AI便宣布，將移除其API上標註男，女功能，因性別愈來愈難依外觀決定，也避免後續機器學習到更多不公平的誤差。

影片來源 : CGTN Youtube

根據jp.techcrunch報導，2022年為止的預算，在非國防領域的人工智慧以及量子情報科學的研究開發費，將會增長至2倍。

政府預算大部分集中在美國正在逐漸失去優勢的技術領域。

國立科學財團，能源省科學局，國防高等研究計畫局，國防總部的共同AI中心的人工智慧相關預算比例，一共17億2400萬美元，農務省及國立衛生研究所的AI研究則為1.5億美金。

「量子計算、網絡、感測技術領域，充滿了令人難以置信的可能性」，美國能源省的總長Paul Dabbar說。作為此領域正在進行開發的其中一個案例，Dabbar舉出了阿貢國家實驗室、費米研究所、芝加哥大學等正在著手進行的52英里(mile)的量子通信廻圈（loop）為例。

被刪減的還包括：NASA、海洋大氣、國土安全、先端能源研究、環境保護科學和地質調查等基礎科學研究。