#你知道尛 │ 你知道小星星跟ABC在法律上是實質相同的歌嘛？
----------------------------
金曲獎最佳年度歌曲的《刻在我心底的名字》深陷抄襲疑雲，近日同樣因為歌曲相似度而在網路上引發熱議的，還有發行首張單曲就席捲音樂界的18歲歌手Olivia Rodrigo。

Olivia Rodrigo今年5月發行的新歌Good 4 U被國外網友點名抄襲了搖滾樂團Paramore在2007年推出的Misery Business。如果你還沒聽過這首歌，以下是附timecode的YT連結：

➤ Olivia Rodrigo - Good 4 U (2021):
https://youtu.be/gNi_6U5Pm_o?t=44

➤ Paramore- Misery Business (2007):
https://youtu.be/aCyGvGEtOwc?t=37

仔細聽可以發現兩首歌的和弦非常相似。事實上，Paramore的主唱Hayley Williams與前吉他手Josh Farro事後還被Olivia Rodrigo列成該首歌的共同作曲人。這種擷選原曲旋律後重新填詞的作法，稱為「插值」（Interpolation）。

插值在流行音樂裡是相當常見的做法，Ariana Grande、Bon Jovi、David Bowie、Ed Sheeran、Flo Rida、Kanye West、Nicki Minaj、Taylor Swift與披頭四等都曾在歌曲中插入其他藝術家的原曲旋律。

擅長樂理分析的YouTuber亞當‧尼利（Adam Neely）從和弦（chords）、旋律曲線（Melodic Contour）、各小節的升降音等面向下去比較，發現一個有趣的事實：Good 4 U、Misery Business、Boulevard Of Broken Dreams與We Are Never Ever Getting Back Together都有相同的和弦編曲（chord progression）、主調（target tone）、切分音（syncopation）與結構。

有興趣的人可以跳轉到下面的timecode比較這四首歌的差異（泰勒絲的We Are Never Ever Getting Back Together真的嚇歪我，跟Paramore的Misery Business有夠像）：

➤ Green Day - Boulevard Of Broken Dreams (2005):
https://youtu.be/Soa3gO7tL-c?t=78

➤ Taylor Swift - We Are Never Ever Getting Back Together (2010):
https://youtu.be/WA4iX5D9Z64?t=48

根據統計，1990年至2016年間告示牌排行榜前100名的歌曲中，有300多首歌可被歸入常見的四大和弦編曲裡、佔總數的12.3%；可見受歡迎的流行歌存在某種被偏好的編曲旋律，也就是所謂的「金曲公式」。

近年在著作權法的規範下，時常發生兩首聽起來截然不同的歌被判定為「實質相同」的狀況，像是披頭四吉他手George Harrison的歌曲My Sweet Lord被控侵權The Chiffons的歌曲He so Fine，或是Katy Perry的Dark Horse被控抄襲Marcus Gray的福音歌Joyful Noise。

想自證「自己沒有在無意間聽過這首歌」在法庭上極為困難，被告極有可能花費大把金錢卻仍落得敗訴的下場。

為了避免剛起步音樂人的創意被版權規範扼殺在搖籃裡，擁有音樂學位、會寫程式的律師迪米安（Damien Riehl）的諾亞（Noah Rubin）推出All The Music計畫：用演算法將一個八度內所有的音階排列組合譜寫成包含12個音符的旋律，並將旋律無償提供給大眾使用。

迪米安表示，這些數據在被存入外接硬碟後立即享有著作權的保護，如果AI譜寫出的旋律可受著作權保護，他們將以公共領域貢獻（CC0）形式授權給大家；若AI的創作不具著作權，那麼任何人都可使用這些旋律，避免人們再因為旋律的實質相同而被告上法院。

#迪米安跟諾亞真的帥慘了 #音樂法律程式三棲還心懷天下蒼生 #只能respect #尛編

Source: Adam Neely, All The Music

#刻在 #刻在我心底的名字 #OliviaRodrigo #Good4U #Paramore #MiseryBusiness #AdamNeely #AllTheMusic

Google AI 設計晶片速度大勝人類！不到 6 小時完成平面圖

作者 林 妤柔 | 發布日期 2021 年 06 月 11 日 12:26 |

Google 聲稱，新 AI 設計晶片的速度比人類還快，能在不到 6 小時內設計出人類至少要花數個月才能完成的晶片設計，論文刊登在《自然》期刊。

AI 已用於開發 Google 最新一代 TPU 加速器，這項突破將對半導體產業有著重大影響。換言之，Google 正在使用 AI 設計晶片，這些晶片能用來創造更複雜的人工智慧系統。

Google 的新 AI 能繪製晶片的「平面圖」，這涉及繪製 CPU、GPU 和內存等組件在晶片的相對位置，這些位置將影響晶片的功耗和處理速度，且在功耗、性能、晶片面積等關鍵參數指標，都優於人類設計的平面圖。

一般來說，人類晶片設計師通常以整齊的線條排列組件，並花數個月的時間改進這些平面圖設計，但 Google 的 AI 則使用更分散的方法設計晶片，並藉由深度強化學習系統 6 小時內完成。

2016 年，南韓棋王李世乭代表人類出戰 AlphaGo，以一勝四敗成績輸給 AlphaGo，震驚全世界；這狀況 AI 的演算法訓練為移動棋子，增加棋局獲勝的機會。研發晶片部分，AI 訓練找出組件的最佳組合，盡可能提高運算效率，AI 系統會植入 10,000 張晶片平面圖，以便學習哪些有效、哪些無效。

《自然》期刊認為，Google 的研究可說是重要突破，有助於加快供應鏈速度，但這項技術必須廣泛分享共用，以確保 Google 生態系統全球化，此外產業也要確保節省時間的技術不會趕走擁有核心技術的人才。

資料來源：https://technews.tw/2021/06/11/google-uses-a-i-to-design-chips-faster-than-humans/?fbclid=IwAR3rE_KhmcAaLuL-LGA4XfV9osYScugR7uxMRHvC8LXN4lyRUF0_Rs0cXrQ

量子計算對新一代物流管理的衝擊

文章來源：文/編輯部特約撰稿人

本文作者是編輯部特約撰稿人，隱姓埋名高深莫測，是台灣武功高強的獨行俠，曾職於國際快遞公司，擔任供應鏈分析與管理工作。經歷於各大物流企業與貨主企業，吸收各大門派功夫，並將其融會貫通，自創一派，爾後擔任各大企業供應鏈物流顧問工作，對台灣物流發展有獨特的眼光，總是能夠洞燭機先，布局未來。近年來，在研究與實踐中，不斷提出科技趨勢與產業創新發展策略，希望能為台灣供應鏈產業注入活水。(編輯部)

量子計算(Quantum Computing)是最早的理論基礎源自1969年，1980年代還處於理論探索的時代，2011年加拿大D-Wave公司推出全球第一套號稱商用量子電腦，但是到目前為止，世界各國所提出的量子電腦嚴格來說都只能做特定的計算，離真正的泛用型商業化（例如如預測氣候變遷、藥物最佳成分組合、材料配方最佳組合…等）仍有一段距離，不過猶如當年萊特兄弟首次飛行12秒，開創了人類商用飛行的序幕；量子計算再過幾年將會有更成熟的技術，對於物流界而言，量子計算應用於日益複雜的物流系統是可期待的。

關於量子計算的相關概念，目前已有許多其他文章有專文介紹，本篇不會再贅述這些基礎知識。對我們而言，我們可以這麼理解：假設有一台新的電腦，其運算速度是目前電腦的幾百萬倍，物流業可用這樣的電腦資源做那些改善？

演算法與資料傳輸的重要性

量子計算打開了物流中心與供應鏈系統「最佳化」的一扇窗，但是要能有效利用量子計算，關鍵還是相關數據的即時回報，以及演算法的設計。

物流的實務應用中，最著名的就是旅行推銷員(Traveling Salesman Problem)問題，也就是一個城市假設共有n個點需要去取件，從物流中心出發，我們希望每個點都只拜訪一次，最後再返回物流中心，要怎麼走可使總路徑最短。

假設拜訪點共有25個，就會有25X24X23…X2X1=25!（第一個點有25個選擇、第二個點有24個選擇…依此類推），這個值大概是「1.55X1025」。要在這麼多排列組合中找到最佳路線，假設電腦每一秒可計算「1013」個路線（每秒計算一兆次，已經是超級電腦等級），也需要「1.55X1012」秒，而一年有 3.1536X107秒，大約需要「5X104」年才能算完，就算是祖孫三代都不停歇，也無法完成此計算。

然而實務上的問題不光是如此：每台貨運車輛在都會間的最後一哩配送，每天至少都是20~40個點，而且以往 我們的運具種類少，因此在做路線最佳化時，大概只需考慮最佳路線這件事；現在（甚至以後），貨運運具種類越來越多，除了無人機、無人車，還有人類駕駛員的電動小車、甚至派送員騎的機車、自行車。

也就是說，如果有n個物流配送點，每個配送點可選擇m種運具，光是運具的排列組合就有「m x m x m .…= m2」種，再考慮最佳的路線求總運輸成本最低，而且這個計算尚未考量各運具所在道路的車流狀況，有時候算出的最短路徑說不定剛好就是塞車的路徑。

在演算法設計上，就好像要計算1+2+3…100的累加，我們可以很直覺利用一個100次的循環，每次把數字依序加入，最後得到結果；也可以利用「(100(100+1))/2」這個公式直接算出來；要計算哪條路徑最短，我們可以使用暴力破解(brute force)方式，先窮舉所有可能的路徑，逐一計算其運輸成本，全部算完後再決定最佳路徑，也可透過啟發式演算法，找到「近似最佳」的路徑。

演算法好壞有著天壤之別，如果使用較差的演算法，或許透過量子電腦可算出最佳解，但是需要耗用較多時間，這些計算時間都代表成本，如果要花很多錢計算去找出最佳解，反而減損了最佳解所帶來的實際效益，因此好的演算法才是最佳化的硬道理。

而在資料的即時回報上，這也是量子計算過程中需要管理者多關注的議題，因為屆時「計算力」已不是問題，問題是我們是否即時餵給中央系統正確的資料！

例如物流中心目前正在路上的各種運具，每分鐘需回報一次自己所在位置與狀態（包括車輛剩餘的油量、電量、目前載重），以及系統對於目前各運具所在位置與道路擁擠狀況，因此這些車輛上必須有相關的IOT設備，將訊息自動回報給物流中心後，物流中心彙整再批次送上雲端交給量子電腦計算。

可想見，我們所謂的即時，最多只能以「一分鐘」為單位，因為如果上傳的是五分鐘、十分鐘前的數據給中央系統，算出來也是五分鐘、十分鐘以前「應該」的最佳化狀態，拿五分鐘前的最佳化狀態指令作為物流資源的調度，恐怕會拉大實際運作的差距。

就拿「十分鐘」來說，十分鐘對一個物流系統而言，已經有很多事又變化，例如原本客人的訂單可能被取消、更改配送地點、緊急訂單加入、或是又有100個新的消費者下單…，而量子計算對於這類多變的動態環境，有機會把「物流最佳化」這件事真的做出來。先決條件就是，是否真的有即時把資料餵給系統。

資料來源：https://www.logisticnet.com.tw/publicationArticle.asp?id=1065

唯一戰勝 Google 旗下 Deep Mind 公司開發的人工智慧 AlphaGo 的南韓棋王李世乭，宣布將要退休，因為他認為人類永遠沒辦法擊敗人工智慧。

不過演算法不是只會越來越強大，為什麼 AlphaGo 會錯判輸給李世乭呢？

因為AlphaGo 有個叫『隨機森林』的算法，可以預測對手可能會下哪一步，但李世乭這一步下在 AlphaGo 認為對方不可能會去下的那一步，李世乭當時下完這步棋，Alphago 還認為自己的贏面超過八成，繼續往後下了十手之後，Alphago 自己有一個勝率的表，突然開始下降，發現自己處於弱勢了，開始慌張了，於是 Alphago 就開始亂下險棋，出現了連業餘選手都不會犯的錯，想賭李世乭會出錯，最後就輸了。

但 AlphaGo 也從敗給李世乭找到自身弱點，再次強化學習能力。像 AlphaGo 的孿生兄弟 AlphaGo Zero，就是完全不靠任何人類經驗訓練的神經網路，它就是不斷跟自己對戰學習，結果在自學 3 天後，就以 100：0 打敗了舊版 AlphaGo ，自學 40 天後，就擊敗了曾經戰勝中國棋手柯潔的 AlphaGo Master，成為世界上最強的圍棋程式！

雖然未來人類可能再也贏不過AI，不過AI 的加入反而讓圍棋有了更多玩法，這時候 AI 的功能，是在擴展人類棋手的思路，和人類合作一起探索圍棋還未被發掘的領域。

因為圍棋是世界上最複雜的遊戲！是看哪個顏色的棋子，圈出的空間最多，誰就獲勝。聽起來規則很簡單，但實際上卻複雜到不行。

圍棋的棋盤是 19X19，通常一步會有 200 種下法，圍棋變化位置的排列組合一共有10 的 170 次方種可能性，比整個宇宙的原子數ㄅ10 的 80 次方還要多更多！人類通常都只能憑經驗跟感覺判斷，但判斷才是最困難的。剛有說嘛，圍棋的勝負是由最終局時，雙方控制地盤的多寡決定，但棋局進行到一半，雙方的地盤都還沒封閉，怎麽判斷形勢呢？很多職業棋手之間微妙的差異，就是體現在這個判斷能力上。

但就連開發 AlphaGo 的團隊都坦言，AlphaGo 面前的最大問題，和人類棋手是一樣的，就是圍棋太難了，還有規則中的規則，例如優勢、虧損、打劫，雖然 AlphaGo 的勝利或失敗，完全取決於這些機率的估計是否準確，但計算力還遠遠達不到『最優解』的程度。目前AlphaGo 團隊的做法是，讓AlphaGo學習像人類棋手一樣，去選點和判斷。

當機器把一件事情做得比人類好時，我們還能做什麼？
你對棋王退休有什麼看法？快和我們一起分享！

---------
《#范琪斐ㄉ寰宇漫遊》每週四晚間十點在寰宇新聞播出，沒跟上的也沒關係，歡迎訂閱我們的 YouTube 頻道 🔔#范琪斐ㄉ寰宇漫遊 🔔https://reurl.cc/ZvKM3 十點半準時上傳完整版！