#團購倒數中即將結束⏰ #TWINBIRD #日本職人級全自動手沖咖啡機 #市場最低價再送三樣好禮
雖然這台咖啡機有超強的 #石臼刀盤 低速磨出咖啡豆風味的層次，但有時候還是有貼心老友直接磨好送上咖啡粉的時候～～不用擔心無用武之地‼️它的 #咖啡粉萃取功能 也是很厲害喔💯只是記得不要一個興奮就把咖啡粉倒進磨豆機裡，這樣會造成故障啦😂
#萃取的藝術 是重頭戲，選定 #咖啡之神田口護 御賜的溫度參數 83℃或90℃，然後調整與出杯份量對應的 #悶蒸旋鈕 ，接著就是花灑出水秀啦 #仿手沖六向水柱注入
💡提醒出水量跟悶蒸旋鈕有關，要出一杯份就調到×1即可

📕神級手沖機厲害功能複習
🔸一機多用：手沖\磨豆模式
🔸黃金溫度：職人精準設定
🔸石臼碾磨：保存層次風味
🔸除靜電桿：防散粉更防呆
🔸維護方便：一鍵自動清潔

🔥獨家團購優惠價$10,800元比一般通路便宜二千元囉～
👉還贈送以下三樣好禮，贈品市價$2,229元。真的好棒～
#Stasher白金矽膠密封袋
#磨豆機用木質毛刷
#咖啡機用不倒翁吹球
💗好神好聰明的手沖咖啡機（日本製）團購底加👉🔗 https://bit.ly/2VAk3Zd

【✒ 醫學論文與寫作工作坊】#南北班同步開放報名中
五種研究必學統計一天搞懂，SCI 發表在望！
⠀
#針對新手設計：這堂課直接站在「剛起步研究者」的立場，重新思考統計，留下真正會用到的知識，並用實際的範例讓您理解。並延續到之後的互動實作時間，親手操作。
⠀
#你是否也害怕統計？其實我們也曾經這樣。但寫過數十篇論文後，回頭看才發現，其實害怕是被「製造」的，而如果用正確的方式教，上手更容易，恐懼也能歸零。
⠀
用學「開車」來比喻的話，傳統的教法，從汽車的歷史、內燃機原理、空燃比與活塞行程依序教下來，我們背了許多公式與細節，經過了許多考試，但卻依然不會開車。
⠀
在這個學習過程中，我們留下的，是對「汽車」的敬畏與恐懼：「統計好難喔、統計好深奧喔、統計好多公式喔。」
⠀
有 Google 的時代，我們不需要大量背誦。有 #MedCalc 的時代，我們不需要記得統計公式。懂得怎麼 #正確使用工具，就行。
⠀
我們的教法，在安全的環境下，帶各位盡情的上路練習，讓你真的踩油門、真的享受駕駛樂趣，在卡住的時候，還有教練立刻示範給你看「這樣做就可以避開問題囉」，讓你真正懂開車，然後才把用得到的各種背景知識，適度地分享給你。
⠀
⭐ 跨出論文發表第一步，最適合新手的研究課程。
⠀
☑ 入門稿件寫作與準備要訣
☑ 統計的實際應用讓你不再害怕
☑ 親手畫出漂亮的數據圖
☑ 投稿期刊選擇策略
☑ 研究計畫申請的管道與訣竅
☑ 還是寫不出來？過來人時間安排建議！
⠀
🔹 8/21（六）台北班 #最後名額 ➠ https://mepa2014.innovarad.tw/20210821_event
⠀
🔸 9/12（日）台南班 #僅此一班 ➠ https://mepa2014.innovarad.tw/20210912_event
⠀
⠀
【📥 課後學員回饋】
⠀
🗣️「這堂課印象最深刻的是統計圖表製作，把 Excel 上龐大的數據，透過 MedCalc 瞬間就產出圖表，照著互動實作手冊的步驟，竟然就變成超精美的圖表！期刊上才看得到的圖表，我竟然也畫得出來，原本抽象遙遠的統計出現在面前時，變得很平易近人。」（童綜合 游粱田 醫師）
⠀
🗣️「課程在短時間內就讓我熟悉新的軟體，而且 MedCalc 的製圖功能，可以依照自己喜好做得非常美觀，使用上也很直覺，容易上手。另外也透過講師整理的表格讓我理解到，常用的這些統計方法該如何挑選，減少對於統計的恐懼感。」（台北榮總 徐湘婷 醫師）
⠀
【🪄 資深講師陣容】
⠀
#陳一銘：與科內的實驗室、國衛院、老人醫學 與 健保資料庫 的團隊均有合作，主題圍繞著老人醫學與免疫風濕專長，發表超過 160 篇 SCI 論文。四度獲得「青年醫師論文獎」。
⠀
#吳爵宏：連續兩篇 original article 於頂尖期刊 Radiology 刊登，並獲邀與雜誌主編連線訪問，錄製 Video Podcast，向全世界讀者介紹研究成果，發表超過 60 篇 SCI 論文。
⠀
#蔡依橙：SCI 文章超過 60 篇，聚焦在自己的專業核心、投稿命中率高達八成、標竿論文引用超過 100 次的策略型研究者。曾指導多位醫師發表 SCI 論文，並登上國際舞台。
⠀
【🎖 近期學員快訊】
⠀
▪ 錢穎群醫師團隊，關於侵襲性肺炎鏈球菌抗藥性的全國性監控研究，獲 Journal of Global Antimicrobial Resistance 刊登！
⠀
▪ 楊博智醫師團隊，對無法切除的肝門旁膽道癌使用奈米刀配合膽管支架放置之初步研究，獲 Frontiers in Oncology 刊登！
⠀
▪ 張鈞弼醫師團隊，使用 MRI 參數預測攝護腺癌手術後風險群之研究，獲 Frontiers in Oncology 刊登！

為了讓 AI 不斷打怪升級，DeepMind 打造「宇宙」

作者 雷鋒網 | 發布日期 2021 年 07 月 30 日 8:15 |

DeepMind 又給我們小驚喜。我們都知道，強化學習苦於類化能力差，經常只能針對單個任務從頭學習。

DeepMind之前開發的AlphaZero，儘管可以玩圍棋、西洋棋和日本將棋，但每種棋牌遊戲都只能從頭訓練。類化能力差也是AI一直被詬病為人工智障的一大原因。人類智慧的厲害之處，就在藉鑑之前經驗迅速適應新環境。

但類化能力不是一蹴而就，就像玩遊戲，也是先做簡單任務，逐步升級到複雜任務。《空洞騎士》（Hollow Knight）一開始只需要隨意走動揮刀砍怪，但噩夢級難度的「苦痛之路」關，沒有前面累積的技巧，只能玩寂寞。

多任務宇宙

DeepMind此次採用「課程學習」，讓智慧體於不斷擴展升級的開放世界學習。也就是說，AI新任務（訓練資料）是基於舊任務不斷生成。智慧體可盡情鍛鍊自己，簡單的如「靠近紫色立方體」，複雜點的如「靠近紫色立方體或將黃色球體放在紅色地板」，甚至和其他智慧體玩耍，如捉迷藏──「找到對方，且不要被對方發現」。

每個小遊戲存在世界小角落，千千萬萬個小角落拼成龐大的物理模擬世界，如下圖的幾何「地球」。總體來說這個世界的任務由三個要素構成，即任務＝遊戲＋世界＋玩家，並根據三要素關係，決定任務的複雜度。

複雜度的判斷有四個維度：競爭性、平衡性、可選項、探索難度。

比如「搶方塊」遊戲，藍色智慧體需要把黃色方塊放到白色區域，紅色智慧體需要把黃色方塊放到藍色區域。這兩個目標矛盾，因此競爭性較強；同時雙方條件對等，平衡性比較高；因目標簡單，所以可選項少；DeepMind把探索難度評為中上，可能是因定位區域算較複雜的場景。

再如「球球喜歡和方塊一起玩」遊戲，藍色和紅色智慧體有共同目標，讓相同顏色的球體和方塊放在相近位置。

這時競爭性自然很低，平衡性毋庸置疑很高的；可選項比上面遊戲高很多；探索難度沒有定位區域，智慧體隨便把球體和方塊放哪都行，難度就變小了。

基於這四個維度，DeepMind打造超大規模「宇宙」任務空間，幾何「地球」也只是這宇宙的小角落，是四維任務空間的一點。DeepMind將「宇宙」命名為XLand，包含數十億個任務。

來看XLand的全貌，由一系列遊戲組成，每個遊戲在許多模擬世界進行，這些世界的拓樸和特徵平滑變化。

終生學習

數據有了，接下來得找到合適的算法。 DeepMind發現，目標注意代理（GOAT）可學習更通用的策略。

具體來說，智慧體輸入包括第一視角的RGB圖像、本體感覺以及目標。經過初步處理後，生成中間輸出，傳遞給GOAT模組，會根據智慧體目前目標處理中間輸出的特定部分，邏輯分析目標。

邏輯分析是指，每個遊戲可藉由一些方法，構建另一個遊戲，並限制策略的價值函數的最優值上限或下限。

DeepMind提出一個問題：對每個智慧體，什麼樣的任務是最好的？換句話說，打怪升級時，什麼樣的關卡設置才讓玩家順利升級為「真」高手，而不是一刀9999？

DeepMind的答案是，每個新任務都基於舊任務生成，「不會太難，也不會太容易」。其實恰好是讓人類學習時感覺「爽」的興奮點。

訓練開始時，太難或太容易的任務可能會鼓勵早期學習，但會導致訓練後期的學習飽和或停滯。不要求智慧體某任務非常優秀，而是鼓勵終身學習，即不斷適應新任務。所謂太難、太容易是較模糊的描述。需要量化方法，在新任務和舊任務之間彈性連接。

怎麼不讓智慧體做新任務時不適應而「暴死」？進化學習就提供很好的靈活性。總體來說，新任務和舊任務同時進行，且每個任務有多智慧體參與「競爭」。舊任務適應好的智慧體，會選拔到新任務繼續學習。

新任務中，舊任務的優秀智慧體權重、瞬間任務分佈、超參數都會複製，參與新一輪「競爭」。除了舊任務的優秀智慧體，還有很多新人參與，這就引進隨機性、創新性、靈活性，不用擔心「暴死」問題。

當然，因任務不斷生成、動態變化，一個任務可訓練不同長處的智慧體，並往不同方向演化（隨著智慧體相對性能和強健性進行）。最終每個智慧體都會形成擅長任務的集合，就像春秋戰國時期「百家爭鳴」。說打怪升級顯得格局小，簡直是模擬地球。

DeepMind表示，「這種組合學習系統的特性是，不最佳化有界性能指標，而是更新定義的通用能力範圍，這使智慧體開放式學習，僅受環境空間和智慧體的神經網路表達能力的限制。」

智慧初現

最終這複雜「宇宙」升級、進化、分流的智慧體長成了什麼優秀物種？DeepMind說，智慧體有很明顯的零樣本學習能力，比如使用工具、合圍、數數、合作＋競爭等。

來看具體例子。首先智慧體學會臨機應變。目標有三個：

黑色金字塔放到黃色球體旁邊
紫色球體放到黃色金字塔旁邊
黑色金字塔放到橙色地板

AI一開始找到一個黑色金字塔，想拿到橙色地板（目標3），但搬運過程瞄見黃色球體，瞬間改變主意，「我可以實現目標1啦」，將黑色金字塔放到黃色球體旁邊。

第二個例子是，不會跳高，怎麼拿到高台上的紫色金字塔？智慧體需要想辦法突破障礙，取得高台上的紫色金字塔，高台周邊並沒有類似階梯、斜坡的路。

因不會跳高，所以智慧體「掀桌子」，把周邊幾塊豎起來的板子弄倒。然後一塊黑色石板剛好倒在高台邊，「等等，這不就是我要的階梯嗎？」這過程是否體現了慧體的智慧，還無法肯定，可能只是一時幸運。關鍵還是，要看統計數據。

經過5代訓練，智慧體在XLand的4千個獨立世界玩了約70萬個獨立遊戲，涉及340萬個獨立任務，最後一代每個智慧體都經歷2千億次訓練步驟。智慧體已能順利參與幾乎每個評估任務，除了少數即使人類也無法完成的任務。

DeepMind的研究，或許一定程度體現「密集學習」重要性。也就是說，不僅資料量要大，任務量也要大。這也使得智慧體在類化能力有很好表現，如資料顯示，只需對一些新複雜任務進行30分鐘集中訓練，智慧體就可快速適應，而從頭開始用強化學習訓練的智慧體根本無法學習這些任務。

往後我們也期待這「宇宙」更複雜和生機勃勃，AI經過不斷演化，不斷給我們帶來驚喜（細思極恐）的體驗。

資料來源：https://technews.tw/2021/07/30/deepmind_xland/