<<學習語言要趁早: 每個嬰兒都是語言天才>>

最近我在晨會作了個有關幼兒語言學習的presentation，受到主治醫師跟住院醫師的青睞。會後有不少主治醫師跟我要投影片，在住院醫師互評中也得到很好的評價。語言學習一向是大家關心的議題，從父母、老師到醫師，大家都想知道怎麼樣才能幫忙小孩學習一門新的語言。

這個presentation是受到Dr. Patricia Kuhl Ted Talk: The linguistic genius of babies的啟發。這個Ted Talk有中文字幕可以選，相當推薦大家去看。Dr. Kuhl是幼兒學習及腦科學的專家，她1983年在Nature(自然)發表的一篇關於早期語言習得的論文引用數已接近2000次。看完ted talk後我去把她幾篇重要的研究都閱讀了一遍，presentation就是把閱讀心得消化跟大家分享。

全世界的語言加起來約有600個子音跟200個母音，每個語言大概都只會用到其中四、五十個音。每個嬰兒一開始都具有辨別每一個音的能力，但這個能力會隨著時間在neural commitment的過程中消失。簡單的說就是用進廢退的概念，某些音越常聽到，神經迴路也就越多、能越快處理。反之對於不常聽到的音久而久之則失去辨別的能力。最著名的例子是日本人對R跟L辨別的能力在嬰兒時期是跟美國嬰兒一樣的，但因為日文中並不去分別R跟L這兩個音，日本小孩隨著時間就逐漸失去了這個能力。

語言習得是有黃金關鍵期的，幼兒的語言學習力跟大人比簡直是天才，而這個能力在大約七歲後就會開始下降。這也就是為什麼越早移民美國的人的英文發音會越接近母語者的原因。當然我要強調大人也有能力把一個新的語言學好，但有學過語言的人都知道這背後要花多少心力。很多人學了十幾年的英文，英文卻不見得講得比一個七歲母語者好。有人把這個歸咎於暴露時數，一個七歲的母語者接觸英文的時數可能也比我們多得多，但我認為這不能解釋全部的現象（像是為什麼發音越長大越難矯正等），有很大的一部分還是必須歸因於幼兒卓越的語言學習能力。Dr. Kuhl 在演講中也提到了另外一個實驗。這個實驗找來美國的嬰兒，比較他們與台灣(very proud!)的嬰兒辨別中文的能力。實驗組的美國嬰兒每天接受一個小時的真人中文轟炸，過了幾個月之後，他們在中文辨別能力居然跟台灣的嬰兒不相上下。這就不是用暴露時數可以解釋的。他們其實還用了這種真人轟炸法(比較專業的說法應該是沉浸)在西班牙馬德里的幾個貧窮的社區做了實驗，效果一樣很好。這些實驗組幼兒的父母都不會講英文、在家都講西班牙語，但他們的小孩在經過18周每天一小時英文沉浸之後，英文能力大大的提升。而且這個能力即使在實驗結束後的一段時間都還能維持。為什麼呢?

Dr. Kuhl的團隊認為真人互動跟parentese(父母對小孩講話時會故意提高音調、放慢速度)是幼兒語言學習的關鍵。

Dr. Kuhl跟演講跟研究給了我很多啟發。其中一件想做的事就是當上主治醫師之後每周固定一個小時在圖書館辦不同語言的說故事時間，可以有西班牙文、有中文、有日文，就當作社區服務。或許台灣的執政者也可以參考這些實驗，在各大圖書館每天辦一個小時的英文互動時間給幼兒參加。現在台灣的雙語教育都著重在學校教育，然而利用幼兒卓越的語言學習能力讓英文從更小的時候扎根或許會更有效率。

Dr. Kuhl Ted Talk https://www.ted.com/talks/patricia_kuhl_the_linguistic_genius_of_babies
（有中文字幕可選）

「這次Alexa背後使用的技術稱為「神經文字轉語音」（neural text-to-speech）技術，亞馬遜表示新的語音風格是由自家開發的「神經文字轉語音」（neural text-to-speech）技術簡稱 NTTS，透過機器學習更快地產生更加生動的聲音，是新一代的語音合成方法。

至於主播說話的聲音來自於現實生活中新聞頻道的錄音音頻片段，藉由機器學習技術辨識並模仿，使機器可以像主播一樣讀新聞，更驚人的是Alexa竟然只花了幾個小時來訓練Alexa的新聞主播的聲音。」

TTS是未來語音交互產品個人化與精緻化服務的關鍵，肯定也是可以加值收費的項目，大家都會希望跟你講話的會是XXX的聲音吧~哈(請自行帶入)

裡面有傳統機器發音、NTTS發音、真人發音的比較音檔，可以聽聽看~

#TTS服務
---

【台灣的軟體工程師都跑哪裡去了？】
台灣的軟體工程師都跑哪裡去了？這是一個困擾我很多年的問題。台灣有那麼多的資訊相關科系，每年有那麼多的畢業生，但是我們公司要找軟體工程師的時候，卻總覺得很難找。我原本以為是我們公司小，所以有些軟體工程師不願意來上班，但是我問了一些在大型軟體公司工作的老闆或是高階研發主管，他們也是一直在抱怨，說很難找到好的軟體工程師。我們只是依稀的知道，有很多的軟體工程師跑到硬體公司上班去了，但究竟為什麼會這樣？我一直搞不懂，而我的那些軟體業的朋友們也搞不懂。

直到最近，我為了找軟體工程師到我們公司開發機器學習相關產品，才突然對這件事情有了更深一層的領悟。

最近機器學習 (Machine Learning) 這個議題實在太紅了，所以我就像大部分的公司老闆一樣，心裡有很強的焦慮感。我原本打算用高薪僱用一個熟悉這個領域的工程師，先來研究如何將機器學習技術應用在我們的產品上面。結果我問了一些專家，他們都說這個領域最近的發展很快，資深工程師往往反而不了解，所以要找就乾脆找一些剛畢業的、在學校學過機器學習相關課程的資訊系畢業生。
但是我們公司的在網路上刊登的求才訊息放了一個多月，一直都沒有什麼好手來應徵。我又去問了一些朋友，才知道機器學習這個議題真的實在太紅了，所以大部分剛畢業的好手都被硬體公司用高薪網羅了。
於是我就開始在網路上找資料，自己研究機器學習技術。結果我研讀了一、兩個禮拜，發覺這個領域雖然在最近有著長足的進步，但基本原理跟二、三十年前沒有什麼大改變，像是Neural Net、Convolution、Recursion、Machine Learning等等，都是我以前就很熟悉的技術與概念，感覺上就像是跟二、三十年前認識的老朋友重逢一樣，非常的親切。

於是我轉念一想，既然這些基本觀念我都懂，只是不熟悉一些新的機器學習開發工具而已，那我為什麼不花個五十萬台幣外包，請幾個資訊系在學的大學生或是研究所學生，花兩、三個月幫我們把開發環境架設起來，然後再由我們公司現有的資深軟體工程師接手就好了？而對接這個外包案的學生們來說，五十萬台幣也許是一筆大錢，但對我們公司來說，這比起我們自己花一百萬年薪請個菜鳥工程師來做開發，至少可以省五十萬台幣以上。
但想來機器學習真的是太紅了，所以過了一兩個禮拜，我們開價五十萬台幣要找人外包的事情也還是沒有進展，一直沒有辦法找到合適的人選。萬般無奈之下，我只好自己買了一本書，嘗試自己架設做機器學習產品開發所需要的軟體開發環境，像是Python,TensorFow, Keras 等等。
沒想到，我自己花不到兩個小時的時間，就很順利的把這些開發環境架設起來了。而我自己用一些零散的時間寫一些程式，居然也在兩個禮拜內取得了不少進展，至少，我們已經證明了我們原先的產品設想是可行的。
我心中得意非凡，不但在實驗上得到了很多的樂趣與成就感，同時也覺得又省下了五十萬台幣。

所以仔細想想，一個剛畢業的資訊相關科系學生，到硬體公司上班一定比來我們公司上班幸福多了。台灣大多數的硬體公司都很有錢，花得起高薪請工程師。而硬體公司的老闆通常每隔幾年就要像發燒一樣，決定大舉投資軟體業，同時接受媒體訪問，說台灣的未來在軟體，不在硬體。然後他們在網際網路剛興起的時候投資網際網路軟體公司，在APP當紅的時候轉投資APP軟體公司，在雲端運算紅的的時候轉投資雲端運算軟體，在大數據當紅的時候轉投資大數據軟體公司，而現在 AI 機器學習正紅，他們當然也要轉投資 AI 機器學習的軟體公司。
軟體工程師在大型硬體公司的軟體部門或是轉投資軟體公司工作，即使位階不高，也經常會有機會跟郭台銘、施振榮、林百里、施崇棠這種國際巨星等級的大老闆開會。在會議中隨便亂講也不會有事，因為那些硬體大老闆們通常不會懂這些軟體工程到底是在講什麼，他們只能不斷的點頭微笑，然後轉頭跟媒體記者們說，就是因為他們不懂軟體，所以更要給這些軟體工程師很大的創新與犯錯的空間。
而軟體工程師到我們這樣的中小型軟體公司上班，就只能跟我這種名不見經傳的老闆一起開會，而且對於技術的事情不能亂講。如果亂講，就算我能忍住不罵人，也很難忍住不發笑。
硬體公司的大老闆通常對軟體工程師很大方，他們給高薪，通常還會覺得很划算，因為這些軟體工程師帶來了一些他們公司原本沒有的技術，感覺上就是很厲害，邊際效益很高；而軟體公司的老闆通常對軟體工程師比較小氣，他們給薪水，通常都還要考慮軟體工程師本身的能力，他們只願意給有能力的軟體工程師高薪，而不願意給平庸的工程師高薪。

軟體工程師到硬體公司上班，就像是台灣的演員參與美國好萊塢年度大片的拍攝一樣，不但薪水高，而且就算只是擔任個小配角或臨時演員、戲份不重，也會有機會跟國際巨星說上幾句話。就算他們的演技不好，國外的觀眾也會以為華人講話的表情天生就是這樣。

而軟體工程師到軟體公司工作，就像是台灣的演員在本土連續劇中演戲一樣，就算演的是主角還是第一男配角，也沒有什麼好向親朋好友炫耀的。而如果在戲中台語發音不標準，馬上就會被導演跟觀眾罵。
當然，雖然台灣的大型硬體公司在過去三十年來不斷的投資各種軟體事業，但他們好像也從來沒有做出過什麼偉大的軟體產品，也沒有拆分出什麼偉大的軟體公司。硬體大老闆們的軟體熱，通常過了幾年就自然退燒了。現在他們早已經忘了那些關於網際網路、APP軟體的投資，而對於雲端運算與大數據好像也沒有那麼熱衷了。
於是那些到大型硬體公司上班的軟體工程師，通常在五年、十年之後就會失寵，然後就會出來找軟體公司的工作，但是他們往往期望很高的薪水，卻只能做一些很基本的軟體開發工作，他們在硬體公司工作的那些年，軟體技術往往沒有什麼長進，甚至可能退步了。而原來他們所熟悉擅長的先進技術，通常也退流行了。
找那些在大型硬體公司工作多年的軟體工程師到軟體公司工作，就像是找那些在好萊塢大片中當過臨時演員的華人回來演本土劇一樣，總會覺得哪裡怪怪的。

所以說，一切都是非常合理的。台灣許多的軟體公司找不到合適的年輕工程師，而台灣許多的軟體工程師在中年之後遇到職涯瓶頸，這都是非常合理，而且可以解釋的。
只是在這所有合理的現象之下，我還是找不到有能力的年輕軟體工程師來幫我們公司開發機器學習相關產品，我還是必須跟幾個現有的資深工程師自己搞。
這實在很不合理啊。