2019/11/7
林育中
DIGITIMES顾问
铁电存储器的新篇章
铁电存储器(Ferroelectric RAM；FeRAM)在半导体产业存在的时间可能比目前大部份从业人员的工作期间都要长。以前管理存储器销售时，听到有一家公司一个存储器元件可以卖到几百美元，心实艳羡之。后来知道公司是Ramtron，产品是FeRAM。贵的原因是产量少，但对于抗电磁幅射(radiation hard)的应用却不得不用。Ramtron于2015卖给Cypress，Infineon于今年6月计划收购Cypress，这家素以FeRAM见称的公司终于隐没在大公司的结构之中，但FeRAM的故事尚未完结。
2019/11/5
徐宏民
台大资工系教授
[3D视觉计算] 3D视觉机会来临！
这几年深度学习技术大大推升影像上的研究，许多核心技术都有超越人类的识别能力，并逐渐落地为产品。3D传感器以及各种应用则是另一崛起中的技术趋势；传统影像属于2D，透过拍摄将立体环境中某个视角，投影在二维平面中。所以3D影像比2D多了深度信息(距离镜头的位置)，更可以透过线性转换了解观测物件在3D中的位置，因此3D影像可以获得更丰富的立体空间信息，但是也因为与传统2D影像不同，所以处理复杂度较高，甚至还不知如何发挥这些3D数据的高度潜力。
2019/10/31
林育中
DIGITIMES顾问
异构整合时代的协同设计
异构整合时代的半导体经济价值创造源自于异构整合能以不同于芯片制程微缩的方式持续增进系统的性能，主要是靠封装的手段整合不同功能、不同制程的多个芯片，创造高性能的新应用，从而增加经济价值。然而这个领域的开拓不过几年光景，而手段与以前熟悉的制程微缩迥异，许多工具与方法都还亟待发展。其中面临的技术挑战之一为协同设计（co-design），这是异构整合路线图（Heterogeneous Integration Roadmap；HIR）2019版的主要章节之一。
2019/10/30
徐宏民
台大资工系教授
少量标注样本的机器（深度）学习
数据的可得性决定机器（深度）学习演算法的可靠度。过去已经有许多研究指出，同一个演算法，当（标注的）训练数据愈多时，通常演算法的正确率或是稳定度就越高。但在真实的情境中，训练数据通常是缺乏的，成为应用落地的障碍。
2019/10/25
朱宜振
BiiLabs共同创始人与CEO
数据经济与分散式帐本的大想像
若开始谈到数据经济(Data Economy)，大多数人会开始连结到Open Data，或者觉得这就是跟AI有关的议题，这都是正确的，那为何会需要连结到分散式帐本呢？
2019/10/24
林育中
DIGITIMES顾问
如果老化是可以治疗的疾病呢？
如果仔细看许多电子业的趋势报告，或者电子公司的研究方向，医疗电子大概都会在名单上。与通信近的，就会靠向移动医疗，或至少是移动健康监测。至于与人工智能相关的更是不可胜数。
2019/10/23
林一平
国立阳明交通大学资工系终身讲座教授暨华邦电子讲座
华盛顿大学的图灵机
我1986年就读华盛顿大学计算机系，当时的系馆是Sieg Hall。之后华大耗资7000万美金建筑计算机系馆（图一），于2003年落成。
2019/10/22
徐宏民
台大资工系教授
标注的训练数据不够怎麽办？谈自我监督学习新趋势
机器(深度)学习演算法的效益决定于训练数据的可得性，特别是目前应用中大多为监督式的学习(supervised learning)，必须提供(人工)标注数据来训练。 所以在标记数据量少的领域，前瞻演算法的效力就很难发挥，原因是特定领域的数据较难取得、或是标注成本较高，如医学影像、工业生产、金融决策等。
订阅椽经阁电子报
新文章上刊时发送，提供您DIGITIMES专家及顾问群的最新观点、见解。
