📜 [專欄新文章] 區塊鏈管線化的效能增進與瓶頸

✍️ Ping Chen

📥 歡迎投稿： https://medium.com/taipei-ethereum-meetup #徵技術分享文 #使用心得 #教學文 #medium

使用管線化（Pipeline）技術可以提升區塊鏈的處理效能，但也可能會產生相應的代價。

Photo by tian kuan on Unsplash

區塊鏈的擴容方案

說到區塊鏈的效能問題，目前討論度最高的應該是分片（sharding）技術，藉由將驗證者分成多組的方式，可以同時分別處理鏈上的交易需求，即使單分片效能不變，總交易量可以隨著分片/驗證者集的數量線性增加。

除了分片，另一個常用來提升程式效能的方案是將計算步驟拆解，以流水線的方式將複雜的運算攤平，降低系統的閒置時間，並大幅提升工作效率。為了達到管線化預期的目的，會需要先知道系統的瓶頸在哪。

區塊鏈的效能瓶頸

熟悉工作量證明設計哲學的人應該會知道，區塊鏈之所以需要挖礦，並不是為了驗證交易的正確性，而是要決定交易的先後順序，從而避免雙花和帳本分裂的發生。可以說，區塊鏈使用低效率的單線程設計，並付給礦工高額的成本，都只為了一件事，就是對交易的全局排序產生共識。

在這樣的基礎之上，區塊鏈在一段時間內可以處理的交易數量是有限的，這之中包含許多方面的限制，包括 CPU 效能、硬碟空間、網路速度等。其中，關於 TPS(每秒交易數) 提升和對硬體的要求大致上是線性增加的，但在設計共識演算法時，通訊複雜度常是平方甚至三次方的關係。

以現在的目標 TPS 來說，處理交易和生成一個合法的區塊並不困難，只是因為區塊鏈的特性，新區塊需要透過洪水法的方式擴散到全網路，每個節點在收到更新請求的時候都要先執行/驗證過區塊內的交易，等於整個廣播的延時會是「驗證區塊時間×經過的 hop 數量」這麼多。似乎網路越分散、節點越多，我們反而會需要降低計算量，以免讓共識不穩定。

管線化的共識機制

使用權益證明取代工作量證明算是行業發展的趨勢，除了環保或安全這些比較顯然的好處之外，權益證明對產生共識的穩定性也很有幫助。首先，權益證明在同一時間參與共識的節點數是已知的，比較容易控制數量級的邊界；其次，權益證明的出塊時間相較工作量證明固定很多，可以降低計算資源不足或閒置的機率。

相較於工作量證明是單一節點出塊，其餘節點驗證，權益證明的出塊本身就需要很多節點共同參與，瓶頸很像是從驗證轉移到通訊上。

以 PBFT 為例，每次產新區塊都需要經過 pre-prepare, prepare, commit 三個階段，你要對同意驗證的區塊簽名，還要對「你有收到某人的簽名」這件事簽名，再對「你有收到 A 說他有收到 B 的簽名」這件事簽名，過程中會有很多簽名飛來飛去，最後才能把一個區塊敲定。

為了降低每兩個區塊間都需要三輪簽名造成的延遲，後來的共識演算法包括 HotStuff 和 Casper FFG 採用了管線化的區塊驗證過程。也就是對區塊 T 的 pre-prepare 同時是對 T-1 的 prepare 和對 T-2 的 commit。再加上簽名聚合技術，出塊的開銷在複雜度等級和係數等級都降低許多。

然而，要保持管線化的區塊生產順利，需要驗證者集合固定不變，且網路通訊狀況良好。如果會經常更動驗證者集合或變換出塊的領導者，前後區塊間的相依性會是個大問題，也就是 T 的驗證者集合取決於 T-1 裡有沒有會導致刪除或新增驗證者的交易，T-1 的合法性又相依於 T-2，以此類推。

當激烈的分叉出現的時候，出塊跟共識的流水線式耦合就從優雅變成災難了。為了避免這種災難，更新的共識演算法會限制驗證者變更的時機，有些叫 epoch 有些叫 checkpoint，每隔一段時間會把前面的區塊徹底敲定，才統一讓驗證者加入或退出。到這些檢查點的時候，出塊的作業流程就會退化成原本的三階段驗證，但在大部分時候還是有加速的效果。

管線化的狀態更新

另一個可以用管線化加速的是區塊鏈的狀態更新。如前所述，現在公鏈的瓶頸在於提高 TPS 會讓區塊廣播變慢，進而導致共識不穩定，這點在區塊時間短的以太坊上尤其明顯。可是如果單看執行一個區塊內的交易所花的時間的話，實際上是遠遠低於區塊間隔的。

只有在收到新區塊的時候，節點才會執行狀態轉移函數，並根據執行結果是否合法來決定要不要把區塊資訊再廣播出去。不過其實只要給定了交易集合，新的狀態 s’ = STF(s, tx) 應該是確定性的。

於是我們有了一個大膽的想法：何不乾脆將交易執行結果移出共識外呢？反正只要大家有對這個區塊要打包哪些交易有共識，計算的結果完全可以當作業留給大家自己算吧。如果真的不放心，我們也可以晚點再一起對個答案，也就是把這個區塊執行後的新狀態根包在下個區塊頭裡面。

這就是對狀態更新的管線化，在區塊 T 中敲定交易順序但暫不執行，區塊 T+1 的時候才更新狀態（以及下一批交易）。這麼做的好處十分顯而易見，就是將原本最緊繃的狀態計算時間攤平了，從原本毫秒必爭的廣播期移出來，變成只要在下個塊出來之前算完就好，有好幾秒的時間可以慢慢來。新區塊在廣播的每個 hop 之間只要驗證交易格式合法（簽名正確，有足夠的錢付手續費）就可以放行了，甚至有些更激進的方案連驗簽名都省略了，如果真的有不合法交易混進去就在下個區塊處罰礦工/提案者便是。

把負擔最重的交易執行移出共識，光用想的就覺得效能要飛天，那代價呢？代價是區塊的使用程度會變得不穩定。因為我們省略了執行，所以對於一筆交易實際用掉多少 gas 是未知的。本來礦工會完整的執行所有交易，並盡可能的塞滿區塊空間，然而在沒有執行的情況下，只能以使用者設定的 gas limit 當作它的用量，能打包的交易會比實際的上限少。

緊接著，下一個問題是退費困難。如果我們仍然將沒用完的手續費退還給使用者，惡意的攻擊者可以透過發送 gas limit 超大，實際用量很小的交易，以接近零的成本「霸佔」區塊空間。所以像已故區塊鏈 DEXON 就直接取消 gas refund，杜絕濫用的可能。但顯然這在使用者體驗和區塊空間效率上都是次優的。

而最近推出的 smartBCH 嘗試擬了一套複雜的退款規則：交易執行後剩餘的 gas 如果小於 gas limit 的一半（代表不是故意的）就退款；如果剩餘量介於 50%-75% 可以退一半；超過 75% 推斷為惡意，不退款。乍看是個合理的方案，仔細一想會發現製造的問題似乎比解決的還多。無論如何，沒用掉的空間終究是浪費了，而根據殘氣比例決定是否退款也不會是個好政策，對於有條件判斷的程式，可能要實際執行才知道走哪條路，gas limit 一定是以高的情況去設定，萬一進到 gas 用量少的分支，反而會噴更多錢，怎麼想都不太合理。

安全考量，退費大概是沒希望了。不過呢，最近以太坊剛上線的 EIP1559 似乎給了一點方向，如果區塊的使用程度能以某種回授控制的方式調節，即使偶爾挖出比較空的區塊似乎也無傷大雅，也許能研究看怎麼把兩者融合吧。

管線化方案的發展性

考慮到以太坊已經堅定地選擇了分片的路線，比較激進的單鏈高 TPS 管線化改造方案應該不太有機會出線，不過管線化畢竟是種歷史悠久的軟體最佳化技巧，還是很有機會被使用在其他地方的，也許是 VDF 之於信標鏈，也許是 rollup 的狀態轉換證明，可以坐等開發者們表演。

倒是那些比較中心化的 EVM fork/sidechain，尤其是專門只 for DeFi 的鏈，管線化加速可以在不破壞交易原子性的前提下擴容，確實是有一些比分片優秀的地方可以說嘴，值得研究研究，但這就要看那些機房鏈們有沒有上進心，願不願意在分叉之餘也投資發展自己的新技術了。

給我錢

ping.eth

區塊鏈管線化的效能增進與瓶頸 was originally published in Taipei Ethereum Meetup on Medium, where people are continuing the conversation by highlighting and responding to this story.

👏 歡迎轉載分享鼓掌

「它將改變一切！」

DeepMind AI解決生物學50年來重大挑戰，破解蛋白質分子折疊問題。

本週振奮全球AI界的消息：Google旗下人工智能企業DeepMind發布了最新 AlphaFold成果，這是全球AI界無比振奮的重大科研突破。蛋白質存在於我們世界中的所有有機物體及奧妙人體中，全新的AlphaFold 算法揭秘了生物學界50年來試圖破解蛋白質分子折疊的難題，這項AI帶來的重大突破，將幫助科學家弄清某些困擾人們的疾病機制、加速找出新型流行病的具體原因（比如今年的全球新冠大流行），促進新藥設計、幫助農業增產、解析可有效降解廢棄物的嶄新成分、甚至探索為大氣減碳的全新解決方案。

我特別期待 AlphaFold 能為人類健康、環境生活推向更寬廣的可能性。在魔幻2020 最後一個月，這真是一個讓人懷抱希望的全新技術可能性，期待 AlphaFold之後締造更多 AI for Good 落地應用。

以下文章詳盡解釋了這項突破，內容經《機器之心》微信公眾號授權轉載。

▎生物學界最大的謎團之一，蛋白質折疊問題被 AI 破解了。

11 月 30 日，一條重磅消息引發了科技界所有人的關注：谷歌旗下人工智能技術公司 DeepMind 提出的深度學習算法「Alphafold」破解了出現五十年之久的蛋白質分子折疊問題。

最新一代算法 Alphafold 2，現在已經擁有了預測蛋白質 3D 折疊形狀的能力，這一複雜的過程對於人們理解生命形成的機制至關重要。

DeepMind 重大科研突破的消息一出即被《Nature》、《Science》等科學雜誌爭相報導，新成果也立刻獲得了桑達爾 · 皮查伊、伊隆 · 馬斯克等人的祝賀。

科學家們表示，Alphafold 的突破性研究成果將幫助科研人員弄清引發某些疾病的機制，並為設計藥物、農作物增產，以及可降解塑料的「超級酶」研發鋪平道路。

「這是該研究領域激動人心的一刻，」DeepMind 創始人、首席執行官德米斯 · 哈薩比斯說道。 「這些算法今天已經足夠成熟強大，足以被應用於真正具有挑戰性的科學問題上了。」

蛋白質對於生命至關重要，它們是由氨基酸鏈組成的大型複雜分子，其作用取決於自身獨特的 3D 結構。弄清蛋白質折疊成何種形狀被稱為「蛋白質折疊問題」。在過去 50 年裡，蛋白質折疊一直是生物學領域的重大挑戰。

DeepMind 的 AlphaFold 讓人類在這一問題上取得了重要突破。在今年的國際蛋白質結構預測競賽 CASP 中，DeepMind 開發的 AlphaFold 最新版本擊敗了其他選手，在準確性方面比肩人類實驗結果，被認為是蛋白質折疊問題的解決方案。這一突破證明了 AI 對於科學發現，尤其是基礎科學研究的影響。

在兩年一次的 CASP 競賽中，各組爭先預測蛋白質的 3D 結構。今年，AlphaFold 擊敗了所有其他小組，並在準確性方面與實驗結果相匹配。

對於不熟悉生物領域的人來說，CASP 的大名可能有些陌生——CASP 全稱 The Critical Assessment of protein Structure Prediction，旨在對蛋白質結構預測進行評估，被譽為蛋白質結構預測的奧林匹克競賽。 CASP 從 1994 年開始舉辦，每兩年一屆，目前正在進行的一屆是 11 月 30 日開始的 CASP14。

而 DeepMind 這一突破有什麼影響？

用哥倫比亞大學計算生物學家Mohammed AlQuraishi 在Nature 文章中的話來說，「可以說這將對蛋白質結構預測領域造成極大影響。我懷疑許多人會離開該領域，因為核心問題已經解決。這是一流的科學突破，是我一生中最重要的科學成果之一。」

▎蛋白質折疊問題

蛋白質的形狀與它的功能密切相關，而預測蛋白質結構對於理解其功能和工作原理至關重要。很多困擾全人類的重大問題（如尋找分解工業廢料的酶）基本上都與蛋白質及其扮演的角色有關。

多年以來，蛋白質結構一直是熱門的研究話題，研究者使用核磁共振、X 射線、冷凍電鏡等一系列實驗技術來檢測和確定蛋白質結構。但這些方法往往依賴大量試錯和昂貴的設備，每種結構的研究都要花數年時間。

1972 年，美國科學家 Christian Anfinsen 因「對核糖核酸酶的研究，特別是對其氨基酸序列與生物活性構象之間聯繫的研究」獲得諾貝爾化學獎。在頒獎禮上，他提出了一個著名的假設：從理論上來說，蛋白質的氨基酸序列應該可以完全決定其結構。這一假設引發了長達五十年的探索，即僅僅基於蛋白質的一維氨基酸序列計算出其三維結構。

但這一思路的挑戰在於，在形成三維結構之前，蛋白質的理論折疊方式是一個天文數字。 1969 年，Cyrus Levinthal 指出，如果使用蠻力計算的方式來枚舉一種蛋白質可能存在的構象，要花費的時間甚至比宇宙的年齡還要長。 Levinthal 估計，一種蛋白質大約存在 10^300 種可能構象。但在自然界中，蛋白質會自發折疊，有些只需幾毫秒，這被稱為 Levinthal 悖論。

CASP 14 比賽最新結果：AlphaFold 中位 GDT 高達 92.4

CASP 競賽由 John Moult 和 Krzysztof Fidelis 兩位教授於 1994 年創立，每兩年進行一次盲審，以促進蛋白質結構預測方面的新 SOTA 研究。

一直以來，CASP 選擇近期才經過實驗確定的蛋白質結構，作為參賽團隊測試其蛋白質結構預測方法的目標（有些結構即使在評估時仍然處於待確定狀態）。這些蛋白質結構不會事先公佈，參賽者也必須對其結構進行盲測，最後將預測結果與實驗數據進行對比。正是基於這種嚴苛的評估原則，CASP 一直被稱為預測技術評估方面的「黃金標準」。

CASP 衡量預測準確率的主要指標是 GDT（Global Distance Test），範圍從 0 到 100，可以理解為預測的氨基酸殘基在正確位置閾值距離內的百分比。 John Moult 教授表示，GDT 分數在 90 分左右，即可視為對人類實驗方法具備競爭力。

在剛剛公佈的第14 屆CASP 評估結果中，DeepMind 的最新AlphaFold 系統在所有預測目標中的中位GDT 達到92.4，意味其平均誤差大概為1.6 埃（Angstrom），相當於一個原子的寬度（或0.1納米）。即使在難度最高的自由建模類別中，AlphaFold 的中位 GDT 也達到了 87.0。

歷屆 CASP 競賽自由建模類別中預測準確率中位數的提升情況，度量指標為 BEST-OF-5 GDT。

CASP 競賽自由建模類別中的兩個目標蛋白質示例。 AlphaFold 能夠預測出高度準確的蛋白質結構。

這些令人振奮的結果開啟了生物學家使用計算結構預測作為科研主要工具的時代。 DeepMind 提出的方法對於某些重要的蛋白質類別尤其有用，例如膜蛋白（membrane protein）。膜蛋白很難結晶，因此很難通過實驗方法來確定其結構。

該計算工作代表了在蛋白質折疊這一具備 50 年曆史的生物學問題上的驚人進展，比該領域人士成功預測蛋白質折疊結構早了幾十年。我們將很興奮，它能從多個方面對生物學研究帶來基礎性改變。 ——Venki Ramakrishnan 教授（諾貝爾獎得主，英國皇家學會會長）

▎DeepMind 這樣解決蛋白質折疊問題

2018 年，DeepMind 團隊使用初始版 AlphaFold 參加 CASP13 比賽，取得了最高的準確率。之後，DeepMind 將 CASP13 方法和相關代碼一併發表在 Nature 上。而現在，DeepMind 團隊開發出新的深度學習架構，並使用該架構參加 CASP14 比賽，達到了空前的準確率水平。這些方法從生物學、物理學、機器學習，以及過去半個世紀眾多科學家在蛋白質折疊領域的工作中汲取靈感。

我們可以把蛋白質折疊看作一個「空間圖」，節點表示殘基（residue），邊則將殘基緊密連接起來。這個空間圖對於理解蛋白質內部的物理交互及其演化史至關重要。對於在 CASP14 比賽中使用的最新版 AlphaFold，DeepMind 團隊創建了一個基於注意力的神經網絡系統，並用端到端的方式進行訓練，以理解圖結構，同時基於其構建的隱式圖執行推理。該方法使用進化相關序列、多序列比對（MSA）和氨基酸殘基對的表示來細化該圖。

通過迭代這一過程，該系統能夠較強地預測蛋白質的底層物理結構，並在幾天內確定高度準確的結構。此外，AlphaFold 還能使用內部置信度度量指標判斷預測的每個蛋白質結構中哪一部分比較可靠。

DeepMind 團隊在公開數據上訓練這一系統，這些數據來自蛋白質結構數據庫（PDB）和包含未知結構蛋白質序列的大型數據庫，共包括約 170,000 個蛋白質結構。該系統使用約 128 個 TPUv3 內核（相當於 100-200 個 GPU）運行數週，與現今機器學習領域出現的大型 SOTA 模型相比，該系統所用算力相對較少。

此外，DeepMind 團隊透露，他們準備在適當的時候將這一 AlphaFold 新系統相關論文提交至同行評審期刊。

AlphaFold 主要神經網絡模型架構概覽。該模型基於進化相關的蛋白質序列和氨基酸殘基對運行，迭代地在二者的表示之間傳遞信息，從而生成蛋白質結構。

▎對現實世界的潛在影響

「讓 AI 突破幫助人們進一步理解基礎科學問題」，經過 4 年的研究攻關，現在 AlphaFold 正在逐步實現 DeepMind 初創時的願景，在藥物設計和環境可持續性等領域都產生了重要的影響。

馬克斯· 普朗克演化生物學研究所所長，CASP 評估員Andrei Lupas 教授表示：「AlphaFold 的精確模型讓我們解決了近十年來被困擾的蛋白質結構，重新啟動關於信號如何跨細胞膜傳輸的研究。 」

DeepMind 表示願與其他研究者合作，以進一步了解 AlphaFold 在未來幾年的潛力。除了作用於經過同行評審的論文以外，DeepMind 還在探索如何以最佳的可擴展方式為系統提供更廣泛的訪問可能。

同時，DeepMind 的研究者還研究了蛋白質結構預測如何幫助人們理解一些特殊的疾病。例如，通過幫助識別存在故障的蛋白質，並推斷其相互作用的方式，來理解一些疾病的原理。這些信息能夠讓藥物開發更加精確，從而補充現有的實驗方法，並更快找到更有希望的治療方法。

AlphaFold 是十分卓越的，它在預測結構蛋白質的速度和精度上有著驚人的表現。這一飛躍證明了計算方法對於生物學中的轉換研究，加速藥物研發過程都具有廣闊的前景。

同時許多證據也表明，蛋白質結構預測在未來的大流行應對上是有用的。今年早些時候，DeepMind 使用 AlphaFold 預測了包括 ORF3a 在內的幾種未知新冠病毒蛋白質結構。在 CASP14 中，AlphaFold 預測了另一種冠狀病毒蛋白質 ORF8 的結構。目前，實驗人員已經證實了 ORF3a 和 ORF8 的結構。儘管具有挑戰性，並且相關序列很少，但與實驗確定的結構相比，AlphaFold 在兩種預測上都獲得了較高的準確率。

除了加速對已知疾病的了解，AlphaFold 還具備很多令人興奮的技術潛力：探索數億個目前還沒有模型的數億蛋白質，以及未知生物的廣闊領域。由於 DNA 指定了構成蛋白質結構的氨基酸序列，基因組學革命使大規模閱讀自然界的蛋白質序列成為可能——在通用蛋白質數據庫（UniProt）中有 1.8 億個蛋白質序列。相比之下，考慮到從序列到結構所需的實驗工作，蛋白質數據庫（PDB）中只有大約 170000 個蛋白質結構。在未確定的蛋白質中可能有一些新的和未確定的功能——就像望遠鏡幫助人類更深入的觀察未知宇宙一樣，像 AlphaFold 這樣的技術可以幫助找到未確定的蛋白質結構。

▎開創新的可能

AlphaFold 是 DeepMind 迄今為止取得的最重要進展之一，但隨著後續科學研究的開展，依然有很多問題尚待解決。 DeepMind 預測的結構並非全部都是完美的。還有很多要學習的地方，包括多蛋白如何形成複合體，如何與 DNA、RNA 或者小分子交互，以及如何確定所有氨基酸側鏈的精確位置。此外，在與他方合作的過程中，還需要學習如何以最好的方式將這些科學發現應用在新藥開發以及環境管理方式等諸多方面。

對於所有致力於科學領域中計算和機器學習方法的人而言，像 AlphaFold 這樣的系統彰顯了 AI 作為基礎探索輔助工具的驚人潛力。正如 50 年前 Anfinsen 提出的遠超當時科研能力所及的挑戰一樣，這個世界依然有諸多未知的方面。

DeepMind 取得的這一進展令人們更加堅信，AI 將成為人類擴展科學知識邊界的最有用工具之一，同時也期待未來多年的艱苦工作能夠帶來更偉大的發現。

影片及原文，參考 DeepMind官方部落客 https://deepmind.com/blog/article/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology

德勤發佈2020技術趨勢報告：五個新趨勢可引發顛覆性變革

北京新浪網 10-26 18:12
來源：產業智能官

「2020 年的趨勢將顛覆整個行業，並在未來十年重新定義業務，即使數字創新已成為各種規模企業的常規行為。」德勤管理諮詢新興技術研究總監兼政府及公共服務首席技術官 Scott Buchholz 在一份報告中如是說。

近日，《德勤 2020 技術趨勢報告》（中文版）正式發佈（以下簡稱《報告》），報告指出了五個可能在短期內引發顛覆性變革的關鍵新興趨勢：「數字孿生：連結現實與數字世界」；「架構覺醒」；「技術道德與信任」；「人感體驗平台」；「財務與 IT 的未來」。

值得注意的是，這是德勤第十一年發佈技術趨勢年度報告。今年的技術趨勢報告繼續在開篇回顧了 11 年來的技術趨勢發展，展示了技術趨勢隨時間推移的演進全過程以及最新宏觀科技力量作為業務轉型基礎帶來的共生效益和不久的未來的新興科技力量。與此同時，《報告》還指出，未來三大顛覆性技術（即環境體驗、指數智能和量子技術）正蓄勢待發，我們將在本世紀20年代末開始感受到它們的影響。

一、九大宏觀科技力量

隨著以技術為驅動的創新的空前擴張，一場高風險的「打地鼠」的競爭遊戲由此展開，企業利用技術保持先進的能力將決定其生死存亡。

過去十年內，數字化體驗、分析技術和雲技術為各項技術賦能，展現了他們自身的價值，已然成為眾多企業有效地推進戰略和新商業模式的核心基礎。接下來十年中，數字現實、認知技術和區塊鏈將成為企業變革的顛覆性驅動力。它們的應用範圍將越來越廣，各行各業的案例成倍增加。技術業務、 風險和核心系統現代化是驅動企業變革和創新的基礎技術，它們需要保持穩定、強勁、可持續發展。

基於此框架下討論新興技術，可以簡化技術進步對企業所造成的顛覆性影響。同時，圍繞九大宏觀科技力量衍生更多細分領域和更加細化的技術創新點和趨勢點。

十年前我們首次探索數字化體驗、分析技術和雲技術之時，只能看到其中的可能性，並不能確切地估測 它們的影響。現如今，這些技術已經為大家所熟知，並在對業務、運營模式和市場造成了顛覆性影響之 后，發展勢頭依舊迅猛。

（1）數字化體驗

數字化體驗依然是企業變革的重要驅動因素。實際上，在德勤 2018 年全球 CIO 調查報告 中，64% 的參與者表示接下來的三年裡，數字化技術將對他們的業務造成影響。在去年的超越營銷：體驗重塑中，我們已經審視了這一趨勢，企業正逐漸摒棄傳統意義上以獲客為核心的營銷模式，轉而致力於創造更多以人為本的互動——包括與其員工和商業夥伴的互動。

（2）分析技術

分析技術包括能夠提供深刻洞察的基本技術和工具。數據管理、數據治理以及數據運營體系這些重要因素不僅僅是人工智慧項目的核心基礎。同時，鑒於企業內對數據儲存、數據隱私和數據使用的嚴格要求，這些重要因素也是必須面對和考慮的重大策略點。

60%的首席信息官（CIO）表示，在未來的三年內， 數據和分析技術將對他們業務帶來影響。但這個問題正變得更具挑戰性。「靜止的數據」 和「使用的數據」這兩個久經考驗的概念被「動態數據」所連接，藉助工具和平台動態數據進而支持數據流、數據攝取、數據分類、儲存和訪問。值得欣喜的是，雲技術、核心系統重塑、認知技術和其它技術正在為異常複雜的挑戰帶來全新的解決方案。

（3）雲技術

雲技術已經全面深入企業。90% 的企業在使用基於雲技術的服務,並且這一比例有增無減。實際上，就信息技術領域的投資預算來看，接下來三年內對雲技術的投資會翻倍。正如我們 2017 年所預計的那樣，雲技術已經不僅僅只是作為基礎應用，它帶來了 「一切即服務」 的藍海，使任何 IT 能力都可以變成基於雲的服務供企業使用。在眾多企業當中，少數超大規模企業主宰了公有雲和雲技術服務市場,在雲技術的賦能下，為其它宏觀力量的進一步創新提供基礎和平台，例如分析技術、雲技術、區塊鏈、數字現實，以及未來的量子技術。

雲技術還驅動我們思考並重塑一些陳舊的企業管理和業務職能。

當今的顛覆性驅動力（即數字現實、認知技術和區塊鏈）都是由體驗、分析技術和雲技術發展而來。未 來十年，這些新的趨勢雖然不再新鮮，但它們將和過往的重大趨勢一樣，在人們持續深刻的理解和應用 中，推動重要的變革。

（4）數字現實

數字現實技術，包括 AR/VR 、混合現實、語音交互、語音識別、普適計算、360°全方位攝像和沉浸式技術等，幫助用戶突破鍵盤和屏幕的禁錮，與用戶感知無縫銜接，用戶可更加自然地參與互動。數字現實的目的是打破傳統的空間界限，讓人與底層技術進行自然、本能、甚至下意識的互動。

（5）認知技術

機器學習、神經網路、機器人流程自動化、機器人程序、自然語言處理、以及更廣泛的人工智慧領域等認知技術可能推動所有產業變革。這些技術將人機互動個性化、場景化，通過 定製化語言或圖像信息，驅動業務流程，實現無人值守。

企業對認知技術的需求大幅增長一一互聯網數據中心（IDC）預測 2022 年 企業此項支出將達 776 億美元，與此同時，信任和技術道德問題也迫在眉睫。

（6）區塊鏈

德勤 2019 年全球區塊鏈調查報告中，超過半數的參與者表示區塊鏈技術至關重要，較前一 年增長了 10% 。83% 的人能夠明確構思區塊鏈技術的實際應用，較前一年增長了 9% 。調查結果顯示，2019 年，企業已經不再討論「區塊鏈是否可行？」，轉而關注「我們該如何利用區塊鏈？」

金融服務和金融科技公司持續領航區塊鏈技術的發展，但其它領域也開始推行區塊鏈技術， 尤其是政府、生命科學與醫療健康、科技、媒體、通訊等領域。

再提技術業務、風險和核心系統重塑似乎有些枯燥無味，但不可否認，它們是業務的核心所在。企業在這些已經發展很成熟的領域，依然繼續進行著可觀的投資。綜合來看，正是因為它們不僅為數字化轉型、創新與增長提供了可靠的、可規模化的基礎，也是在分析技術、認知技術、區塊鏈等顛覆性技術成功投資的必要條件。

（7） 技術業務

隨著技術應用與業務戰略的融合，技術業務也在不斷發展。隨著企業更多地通過重塑 IT 來實現運營效率提升和與業務部門合作者一起進行價值創造，很多 IT 團隊通過實施促進跨業務協作的開發體系（如敏捷和 DevOps ），逐漸將傳統的項目制交付調整為產品化運營。

強大的技術功能讓企業更敏捷地響應技術驅動的市場和業務的變化。一隻強大的數字化技術運營團隊能夠幫助企業迅速回應技術對市場的影響以及相關業務挑戰。

（8）風險

在以創新為驅動力的時代，企業面臨的風險遠遠超越了傳統的網路風險、監管風險、運營風險及財務威。2019 年的 CEO 和風險管理調查報告指出，企業最大的風險廣泛涉及新顛覆性技術、創新、生態系統合作夥伴、企業品牌及名譽、文化等。對此，很多公司清楚地意識到他們還未對此類風險做好準備，或沒有想法在管理此類風險方面進行投資。

除合規和安全的必要要求，企業還面臨新興技術對產品、服務和商業目標的潛在影響，這些使得企業正在把更為廣泛的信任作為企業戰略。

（9）核心系統現代化

核心系統現代化體現了數字化轉型、用戶期望及數據密集型演算法給核心系統的前台、中台和後台帶來的持續性壓力。無論是在財務數字化、實時供應鏈，還是在客戶關係管理系統，核心系統都承載了關鍵業務流程。

在如今這個即時、持續和定製交互的時代，企業需要降低整體的技術負債。實現核心系統 現代化的成熟舉措，比如重塑現有的遺留系統，更新 ERP 系統及重寫其他系統，這些目前來講尤為重要。

二、未來三大顛覆性技術

隨著三大顛覆性技術（即數字現實、認知技術和區塊鏈）崛起，並準備在未來十年為業務做出重大貢獻 的同時，未來三大技術發展和創新的新星（環境體驗、指數型智能和量子技術）正蓄勢待發。我們將在 本世紀 20 年代末開始感受到它們的影響。

a：環境體驗

環境體驗展望了這樣一個構想：在未來，技術只是環境的一部分。計算設備的功率不斷增加，體積不斷縮小。這些越來越小的設備將我們的輸入從非自然的（指向、點擊和滑動） 演變為自然的（說話、手勢和思考），它們與我們的交互從被動的（回答問題）變成主動的（提出意料之外的建議）。

隨著設備變得無縫和無處不在，它們和我們越來越密不可分。想像未來的世界，一些微小的，已連接的，內容感知的設備被嵌入辦公室、家中或者其他地方，成為背景活動的一部分。例如，你如果在腦海中想「我要在一個小時之內出發去機場」，就能觸發一系列背景活動，包括安排航班值機，準備可供生物特徵識別的虛擬登機牌，將無人駕駛汽車目的地設置為正確的航站樓，將家中的智能系統狀態調為「離開」，以及暫停出差期間的快遞服務等等。

b：指數智能

指數智能建立在當今認知技術能力上。如今，機器智能能夠發現數據中蘊藏的規律，但是無法判斷這些規律是否有內在的意義。同時，它目前還缺乏識別和響應人類互動和情感的細微差別的能力。而且，機器智能的認知能力還非常有限，比如機器能夠打敗國際象棋大師，卻不能理解房間發生了火災需要逃跑。

未來有無限可能。隨著對語義和符號識別的理解，機器逐漸能從假想的相關中梳理出真實的因果關係。藉助來自人感訥驗平台的技術組合，我們的虛擬助手將越來越能夠識別並適應我們的情緒。隨著研究人員開發出更廣義的智能，指數智能將超越統計和計算的層面。我們敢說，最終，這將導致更有能力的人工智慧誕生。

c：量子技術

量子技術利用亞原子微粒的反直覺特性處理信息，進行新型計算，實現「不可非法侵入式」 交流，技術微型化等等。量子計算中，這些量子比特（或量子位）的特殊屬性有可能發生 指數型變化。通過操縱單個粒子，量子計算機將能夠解決某些高度複雜的問題，這些問題 對於目前的超級計算機來說，太大，太雜亂，包括從數據科學到材料科學。

隨著研究者們不斷突破技術限制，量子計算機將逐漸取代傳統的計算機。數據科學家將能 夠處理前所未有宏大的數據量，並從中獲取相關性信息。材料科學家利用量子比特模擬原 子，這是無法在傳統計算機上實現的。同時，在通訊、物流、安全、密碼學、能量等不同領域，我們都能預見無限可能。

為了幫助大家更好的理解各類前沿技術動態，基於宏觀科技力量及其可被預期的時間範圍，報告歸納整理了一張完整的統一化視圖。

三、五大關鍵新興趨勢

一）技術道德與信任

技術變革常態化的同時，贏得全方位的信任變得更具挑戰——但也充滿機遇。

隨著數字技術的出現，企業要用戶以新的更深層次的方式信任他們，過去是獲取用戶個人信息，現在則是通過數字痕迹追蹤用戶的線上行為。同時，技術引起的問題也經常成為新聞頭條，例如安全漏洞、不當或非法監視、個人信息濫用、虛假信息傳播、演算法歧視、缺乏透明度等等。這些事件導致利益相關方之間不信任（包括客戶、僱員、合作 夥伴、投資者和管理者），嚴重損害企業聲譽。的確，消費者對商家的信任正在逐漸下降，人們對公共機構的態度也越來越謹慎，員工則要求企業明確闡述其核心價值觀。

德勤 2020 年全球市場趨勢報告中提到，當今時代，品牌信任對企業來講尤為重要，關係到企業的方方面面。無論是客戶、監管機構，還是媒體，都期望品牌商在其開展業務的各個領域都是開放、誠信和始終如一，從產品生產、促銷活動、到員工文化和合作夥伴關係維護等。

被技術顛覆的企業，它的每一個方面都意味著可以贏得或失去任何一個客戶、員工、合作夥伴、投資者和/或監管機構信任的機會。如果領導者能夠充分貫徹企業價值觀和技術道德觀，努力履行「做好事」的承諾，企業就能夠與利益相關者建立長期牢固的信任關係。在這種情況下，信任就變成了一個全方位的 承諾，並且確保信任是企業的技術，流程，人員都在共同努力維護的基礎。

技術道德這一術語指的是不局限於或側重於任何 一項技術的綜合價值觀，這個價值觀是指導企業對技術使用的整體方法及通過部署這些技術驅動業務戰略和運營企業應考慮主動評估如何以符合公司宗旨和核心價值觀的方式使用技術。

在數字時代，信任是個複雜的議題，企業面臨著無數的生存威脅。雖然顛覆性技術通常會給企業帶來指數型增長，但僅憑技術卻無法建立長期信任。因此，領先企業們正在通過全方位的維持利益相關者所期望的高度信任。領先企業們正在嘗 試通過各種方式，來維持利益相關者所期望的高度信任。

人工智慧、機器學習、區塊鏈、數字現實和其它 新興技術正以前所未有的速度和深度融入我們的 曰常生活。企業該如何通過客戶、合作夥伴和員工使用這些技術來構建信任呢？

解讀企業價值觀。

如今，技術根植於業務，機器學習也驅動著業務決策和行為，因此，必須先了解企業的技術解決方案，才能進一步解讀和評價企業價值觀。數字化系統可以被設計用來減少偏差，讓企業能夠遵循自己的原則運 營。

保障措施可以防止用戶以不健康或不負責任的方式使用技術，從而幫助提高利益相關者的利益。例如，一家公司對可能成癮的遊戲強制限定遊戲時間和遊戲花費一個內容提供商提醒用戶關注信息來源的準確性；雲計算提供商在 戶超出其預算之前自動發出警報。

建立強大的數據基礎。

如果不能系統性地、統一地追蹤數據內容及來源，並確定可訪問數據的人員，就沒有辦法營造良好的信任環境。強大的數據基礎讓利益相關者擁有共同的願景， 為數據負責，採用安全的技術手段實現有效的數據管理。管理者需要讓利益相關者了解他們提供的數據將如何運用，此外，除非為了法律或監管的目的，在利益相關者要求時須刪除相關數據。

強化防護措施。

德勤 2019 年未來網路調查報告顯示，管理者為網路問題花費的時間越來越多，網路防禦體系意味著您要 保護您的客戶、員工和商業合作夥伴，讓他們遠離與他們——或者說你們——的價值觀不同的群體。從最開始就需要建立並實施網路安全風險策略略，並將其貫穿於商業運營和政策制定的全過程，這絕不僅僅是信息技術部門的問題。企業領導者應當與信息技術部門一起制定全面的數字安全風險策略，考慮安全、隱私、 誠信和保密等各方面，增強利益相關者的信任，提高企業競爭力和優勢。因此，需要評估企業的風險容忍度，明確弱點所在，並判斷企業最具價值的數據和系統，制定風險緩解策略和恢復計劃。

二）財務與 IT 的未來

IT 和財務領導者共同努力為創新融資尋找靈活的途徑。

德勤的研究發現，56% 的首席信息官（CIO）期望應用 Agile, DevOps 或類似的靈活 IT 交付模式，來提高 IT 的響應能力並激發更廣泛的創新的雄心。

但目前有些難以克服的障礙阻礙這些努力：資金的來源和分配。IT 的運營和開發流程正變得越來越靈活，更加側重產品，而財務部門仍舊按照過去數十年的方式來制定預算、融資和財報。結果顯而易見：IT 需求與財務流程之間的矛盾。若這個問題得不到解決，那麼它可能會破壞首席信息官（CIO）的創新計劃，乃至整個企業的戰略目標。

IT 對資金的需求與財務的漫長流程之間的矛盾並非形成於一夜之間。而是在過去十年中曰漸累積。雲技術和平台技術一步步地顛覆了傳統運營模式，迫使財務部門不得不重新評估財務管理方法。

《報告》指出這種變革體現在三方面：

從資本支出轉向運營支出

從在現場轉型到基於雲的系統，涉及大量的支出從資本支出轉移到運營支出。事實上，團隊一直都有一些資本支出和運營支出。新的準則是「誰開發誰管理」。從會計的角度而言，短期運營支出增長會影響季度財報。

衡量難以捉摸的投資回報率。

技術創新舉措通常是難以達到內部收益率預期的嘗試，可能產生正回報也可能不會。在財務及短期收益上， 創新投資通常不具備傳統 IT 項目的信心水平， 因此這類投資往往也很難通過標準管理流程獲得有力支持。在某些情況下，這會導致財務部門難以建立精確的流程，來跟蹤長期投資回報率。例如，對於無限期重複使用的平台這類的固定預算投資，跟蹤其投資回報率更是難上加難。

計算交付價值。

根據德勤《 2018 年全球首席信息官(CIO)調查報 告》，65% 的受訪者表示他們在評估 IT 投資時， 通常採用具體案例具體分析的方法，而不是遵循常規財報流程。顯然，在評估 IT 帶來的價值這件事上，首席信息官 (CIO )與首席財務官 (CFO)不在同一立場。

作為財務與未來的T趨勢的一部分，我們預計有更多首席信息官(CIO)、首席財務官(CFO)以及他們各自的團隊，將會積極探索解決這些及其他在融資、會計與財報上所面臨的挑戰的方法。

三）數字孿生技術

利用下一代數字攣生技術助力企業設計、優化和轉型。

當下，企業正以多種方式使用數字彎生技術。在汽車和飛機製造領域，數字彎生技術逐漸成為優化整個製造價值鏈和創新產品的重要工具；在能源領域，油田服務運營商通過獲取和分析大量井內數據，建立數字模型，實時指導鑽井作業在醫療保健領域，心血管研究人員正在為臨床診斷、教育、培訓,創造高模擬的人類心臟的數字彎生體；作為智慧城市管理的典型案例， 新加坡使用詳細的虛擬城市模型，用於城市規劃、維護和災害預警項目。

數字彎生可以模擬物理對象或流程的各個方面。它們可以展現新 產品的工程圖和尺寸，也可以展現從設計到消費者整個供應鏈中 所有子部件和相應環節——即」已建成「數字彎生，也可採用 「即維護」模式——生產車間設備的實物展現。模擬模型可以捕獲 設備如何操作，工程師如何維護，甚至該設備生產的產品如何與客戶關聯。數字彎生可以有多種形式，但它們無一例外都在捕獲和利用現實世界的數據。

數字孿生髮展勢頭迅猛，得益於快速發展的模擬和建模能力、更好的互操作性和物聯網感測器， 以及更多可用的工具和計算的基礎架構等。因此， 各領域內的大小型企業都可以更多地接觸到數字孿生技術。IDC 預測，到 2022 年，40% 的物聯網平台供應商將集成模擬平台、系統和功能來創建數字孿生，70% 的製造商將使用該技術進行流程模擬和場景評估。

與此同時，通過訪問大量數據，使得創建比以往更為詳細、更為動態化的模擬成為可能。對於數字孿生的長期用戶而言，這就好比從模糊的黑白快照過渡到彩色高清數碼照片一樣，從數字源中獲取的信息越多，最後呈現的照片就越生動逼真。

長期來看，若想要實現數字孿生技術的全部潛力， 可能需要集成整個生態圈內的系統和數據。創建 一個完整的客戶生命周期或供應鏈(囊括了一線供應商和其自身的供應商)的數字化模擬，可以提供富有洞察力的宏觀運營觀點，但仍然需要將外部實體整合到內部數字化生態系統內。直至今曰，大多數企業仍對點對點連接之外的外部集成感到不滿意。克服這種猶豫可能是一個長期挑戰, 但最終，所有的付出都將是值得的。未來，期望企業會利用區塊鏈打破信息孤島，繼而驗證信息並將其輸入數字孿生體中。這可以釋放先前無法訪問的大量數據，從而使模擬更加細節化、動態化、更具潛在價值。

四）人感體驗平台

通過Al、神經科學、人本設計重塑人機聯接。

人感體驗平台趨勢顛覆了傳統的設計方法，它首先確定我們想要實現的人性化和情感體驗，而後決定使用何種情感和 AI 技術組合能夠達成這一效果。企業將面臨的一大挑戰是，如何針對不同的客戶群體、員工群體和其它利益相關者，確定能引起他們共鳴和引發他們情緒的具體響應或行為，並進一步開發情感技術，使其能夠識別和複製某一段體驗中的特質。

在不久的未來，我們將會看到人們對人性化的技術需求曰益增長。在數字化革命進程中，我們目前進入到一個階段，就是每個人之間未必有 接，但每個人一定都與技術有聯結。我們正在消除流程和交互，直接與機器互動。因此，我們渴望我們正在迅速失去的東西：有意義的聯結。為此，我們期望技術能夠用更 加人性化，更人道化的方式跟我們互動。設計能夠滿足這一期望的技術需要對人的行為有更深刻的洞察，並不斷創新，以提高我們預測和響應人們需求的能力。不久的將來，人感體驗很有可能會帶來長久的、可持續的競爭優勢。

五）架構覺醒

演進架構師角色，從而轉變系統架構並支持業務 發展的速度。

越來越多的技術領導層和高管們逐漸意識到，如今，技術架構領域的科學在戰略上比以往任何時候都更加重要。事實上，為了在技術創新顛覆的市場中保持競爭力，已成立的企業需要不斷演 他們的架構一一這一過程可以從改變技術架構師在企業內扮演的角色開始。

這種轉變的目的非常明確：把經驗最豐富的架構師安排到最需要他們的地方——即加入到設計複雜技術的軟體開發團隊中。一旦這些架構師被重新部署和賦能，他們便可幫助簡化技術棧， 提升技術敏捷性，從而為新興企業獲得市場優勢。另外，他們還可以直接負責實現業務成果，解決架構難題。

此外，擁抱架構覺醒這一趨勢的企業將開始重新定義架構師角色，使其更具協作性、創新性，並能對利益相關者的需求做出回應。具有全局觀的架構師可能會發現，自己正在多部 門混合的項目團隊中，與專注於應用程序的架構師 以及來自 1T 和業務部門的同事共同作戰。未來，他們的使命將不僅是利用傳統的架構組件，還要利用顛覆性力量（如區塊鏈、AI、及機器學習）大胆創新。

資料來源：https://m.news.sina.com.tw/article/20201026/36690918.html

【認真聽】#小編雖小 | 「科學人爭議」背後的那隻看不見的手 | 李長潔 🐷
.
好幾天前「#科學人爭議」爆發，引起一陣對於數位編輯（小編）與政策傳播、科學傳播的討論。我覺得這樣的公共討論很好，社群與小編進入到公部門（或是商業組織）算是這5年內的新興現象，都在嘗試，希望可以運用新興媒介推動更有效的溝通傳播（可以是推廣、說服、行銷、洗腦）。我們今天就來談談「科學人爭議背後的那隻看不見的手」。
.
基本上今天的議題可以分成「#科學傳播」與「#政策傳播」兩個範疇來看，兩者都在新媒體的架構下，都有著劇烈的變動與廣泛的影響力，小編的角色也越顯微妙。我自己是好幾個粉專的小編，小編真的很可憐啊，創意發想、企劃、寫文、作圖、拍片已經是基本的，我看一些求人徵才還要會主持表演與直播揪眾、數位行銷企劃與執行、媒體聯盟營運與管理、線上線下虛實轉換技巧、各平台SEO佈署與演算法應對、廣告投放、社群風向經營、市場分析與競爭者行銷分析…。等等，叫老闆自己來做，掰掰。
.
📌 #今天的節目有：
.
▶ 什麼是科學人爭議 什麼是1450
▶ 對，就是小編治國，小編雖小
▶ 從單向到雙向的政策傳播
▶ 新媒體時代該說人話
▶ 科學家參與科學政策行銷
▶ 科學的傳播需要批判的大眾
▶ 社群傳播應據專業位置與角色
.
📣#firstory 聽這裡：https://open.firstory.me/story/ckg1uto8rh1av0875j4dy1pdz
.
📣#spotify 聽這裡：https://open.spotify.com/episode/574Cu3Ji2CUkuReLYPcx1D?si=MtdECSz_TQScOl0M23QbVA&utm_source=copy-link
.
📲#Facebook 論述版：https://www.facebook.com/208541192666847/posts/1590395487814737/
.
.
\\\\ 完整論述 \\\\
.
溝通（communication）是一項重要的「治理技術」。對一般企業的管理而言，溝通是傳遞產品訊息、提升企業形象和爭取顧客認同的重要手段；對政府部門而言，溝通是凝聚內部共識、提升組織形象和爭取民眾認同的重要工具（黃俊英，2011）。傳統的政策溝通常以單向的、心理學主義、行為主義的「政令宣導」做為傳播想像，我們會認為，人民隔在大眾媒體的後面，只要盡量地單方面給予資訊即可。
.
從2010年後「#整合行銷」的概念開始大量進入政府的政策溝通，我們見到更多的廣告、促銷、公關、人員銷售、直接行銷和口碑行銷展現在政府的內容發佈中。甚至再更強調互動性的新媒體架構中，讓政策的雙向溝通成為可能。所以，政府部門開始將「溝通」的工作外包，讓外部團隊比較接地氣、說人話的公關公司或團隊來當小編，處理像是貼文、圖像設計的事務，也負責操作民意與監測輿情等任務。
.
▓ #政策傳播的新想像
.
新媒體架構讓政策傳播有了質量上的變化，而這也是為何公部門想要委外經營溝通的原因，因為官僚體制時常不適合做新式的政策傳播。在「#時間面向」上，政策傳播必須轉變為動態、隨時隨地的訊息散播。在「#制度面向」上，應考慮設置同等於發言人重要性的社群媒體團隊。在「#語藝面向」上，在要講有趣、簡單、有趣、視覺化的語言，才有社群傳播的效果。從我的觀察來看，這些能力，傳統的公務員並不具備，體制上也無法供給。難怪要外包啦~
.
▓ #科學議題的溝通治理與公共態度
.
不過，這次的問題有一部份是「科學人」專頁是不是可以這樣傳遞科學資訊？可不可以接受政府投放廣告？再過去這幾年來，我們可以發現一個明顯的趨勢，除了政策的行銷外，科學也進行了大量的行銷。我們生活中有大量的純知識的科學、商品的科學、政策的科學，透過從科學普及轉向科學傳播的變化，試圖讓人們更加接近科學，或者被科學說服（單文婷，2017）。
.
從「科學人」小編的貼文內容來看，「#克萊豬不好吃」與「#增加收益又環保」兩個論述其實是來自於部分政策新聞、公共討論與科學評論的內容，並是非偽科學或假訊息，只是這樣的簡化貼文是否適合出現在「科學網站」上，可以思考一下。
.
由此被延伸的另一個爭議是，「科學人」做為一個科學家社群，是否可以做政策行銷。科學家與科學組織，本來就可以與施政者做不同方式與不同層次的合作，這種科學傳播的合作方式，可以有「翻譯」、「代言」、「夥伴」的三個程度，構成一個科技治理中專家政治的基礎（某個程度上是必要的，但是應該 #資訊透明）（National Academies of Sciences, Engineering, and Medicine, 2017）。
.
科學事件總是可以充滿政治因素，但我支持強的科學文化立場（#公衛議題的確是要小心一點），就是歡迎更多關於科學的聲音發出，這樣有助於人人培養媒體素養與科學素養。另外，政府與委外單位的合作，具備更細緻嚴謹的貼文審查，是一個重要也保全彼此的方法。
.
▓ #溝通人才從內部培養開始
.
最後，當然推文不等於新聞，我覺得我們逐漸必須邁向一個批判的大眾，在這個資訊爆炸、虛實交錯的時代。當我們據有的（全）媒體素養程度越高，就能越明確地知道各種媒體的運作規則與媒體語言，自然就會更加小心，且富有懷疑論的多元檢證精神，與反思批判。
.
說實在的，無論是政策傳播，或是科學傳播，我覺得問題根本就是在：「政府與科學單位本身覺得傳播是一件小事，別人做就好，我們要做更重要的事」。能夠在單位內，設置媒體公關部門，或是合理培養溝通人才，才是這個到處都是媒介傳播的時代，應該做的事。然後薪水要高一點，謝謝。
.
#參考文獻：
.
1. 黃俊英（2011）。整合性行銷溝通—強化政策宣導與溝通的利器。文官制度季刊，第三卷，第二期。
2. 單文婷（2017）。科學家參與公共傳播的觀察-行政院原子能委員會使用臉書行銷科學政策的討論，教育傳播與科技研究，（117），47-65。
3. Peters, H. P. （2020）。科學傳播的範疇: 是知識散播還是公民參與?。傳播研究與實踐，10（1），1-18。
4. National Academies of Sciences, Engineering, and Medicine. (2017). Communicating Science Effectively: A Research Agenda.

前言
Google有非常多服務，像是Gmail、Youtube、Map、瀏覽器、作業系統等等超多。我們之後一個一個來看，這次就先專注在Google的搜尋引擎的部分吧！
簡介
Google為Alphabet Inc.的子公司，業務範圍非常多，有我們每天都一定會用到的，也有一般民眾平常感受不到的像是AI，也有正在不那麼秘密研發的項目，像是自動駕駛等等。但其主要利潤跟臉書一樣，都是來自於廣告服務。

逸事:
Googol是個數學術語，1古戈爾 = 1 googol = 10的100次方，是一個比已知宇宙裡所有原子總和還大的數，Page與Brin的初衷是創造出一種可以組織大量數據的東西，沒想到卻陰錯陽差拼錯了單字。
本來要用100萬美金賣給雅虎
大家應該對雅虎也不陌生，在Google出現之前大家最常用的就是雅虎吧！而在1998年時，Google創辦人就曾經想用100萬美金把公司賣給雅虎，但卻被拒絕了。