NTHU LIBRARY.

研究人：韓傳祥(計財)

AI發展的利基點在於(1)治理與協調：需要一個高效、有效的治理和協調框架；(2) 數據：需要大、高品質、安全的數據；(3)計算基礎架構：有一個計算基礎設施儲存、分析和處理這些數據。因此只要數據源充足，應用AI的領域就可能相當廣泛，目前觀察到的包括了金融、醫療照護、農業、教育、就業、能源、安全等均有。以創新而言，協調並加強AI的採用與投資進行轉型，可以減輕企業，特別是中小企業的行政和財務負擔。

例如AI在投資管理上可以帶來以下的優勢，創新的模式正產生許多的機會，使得（一）投資經理能夠通過改變或取代核心差異化功能來調整其業務模式；（二）允許財富顧問以具有成本效益的方式向大眾市場客戶提供個人和有針對性的投資建議；（三）自動化正在承擔越來越多的投資管理職責，以更低的成本提供高質量的服務；（四）可用於生成客製化的產品如適合退休的投資組合管理。

不過，世界經濟論壇(WEF)在2019年的研究報告也指出AI對於數位經濟的潛在風險，包括 :

1. AI對勞動力市場的負面影響，尤其是對中低技術要求勞工；
2. AI運用在金融服務可能產生了新的道德危機與意外的風險偏誤；
3. AI創新可能會給金融體繫帶來新的系統性風險，並增加危機的擴散效應；
4. AI很可能對全球金融體系產生變革性影響–金融系統的任務是在最大限度地提高效益同時減輕危害。

儘管大多數AI系統如聊天機器人並不會帶來太多的風險，並且可以用來解決許多社會上的挑戰，但某些AI系統會產生不可忽視的風險。為免產生不良後果，歐盟在今年四月所發佈的「Shaping Europe’s digital future」報告書，探討如何建立「可信任AI」的機制，強調以人為本，保障人權。這套機制的設計包括（1）對AI應用的風險分級(2)建立高風險清單（3）對高風險應用的用戶、AI系統開發商設定明確的要求與義務（4）投放AI系統前的合格評估（5）投放AI系統市場後的建議執行與協調。

以上藉由監管AI開發人員、部署人員，和提供用戶有關AI特定用途的明確要求和義務，都相當值得從事數位金融部門的從業人員參考，謹慎開發或使用AI這類強大的工具以避免偏誤。而對於政策制定者與高階管理者而言，藉由與客戶的利益一致、高透明度的金融服務、以及維持客戶溝通與市場公平性等舉措，達成投資者保護（investor protection），方能落實以人為本的可信任AI。特別是對於高風險AI系統的提供者，在投放市場後，主管部門將負責市場監控，服務提供商維持適當的售後監控環境，並就嚴重事件和故障進行滾動式修正。

研究人：劉奕汶(電機)

歌唱是跨文化的特殊行為，有音樂的成分，也有語音的成分。一般語音的分析、編碼、辨識與合成歷經了上世紀以來數十年的發展，已經進入到人類的生活中，提供了許多的便利。相較於一般語音，歌唱具有更豐富的音色控制，也因此更難以機器合成。本計畫擬透過嚴謹的測量，同步蒐集中文歌者在不同發音方式之下，唱出來的聲音訊號以及唱的當下相關的生理訊號，含：電聲門圖 (Electroglottography, EGG)，口部氣流(oral airflow)，甚或是喉閃頻攝影(video laryngostroboscopy)、與聲門下壓力(subglottal pressure)。蒐集到資料後，透過當代神經網路或是其他機器學習的技巧，建立從聲音訊號(audio, 以下或略稱為A)至生理訊號(physiological, 以下或略稱為P) 的雙向映射關係(簡單記為A2P, P2A)。另由於筆者團隊近幾年來已自行錄製了600首中文流行歌的資料庫，總長度約13小時，目前已詳細標注所有檔案的逐字稿與樂譜；是以，當上述A2P關係建立後，本計畫可望沿用這個資料庫，來推敲中文歌手唱腔轉換的模式與習慣。進一步地，在唱腔轉換的特徵空間去建立生成的模型，期望能透過P2A產生自然的機器歌聲，而能與其他技法的成效做比較。

研究人：蘇豐文(資工系)

108-109年度本團隊進行「利用深度學習於虛擬歌手之歌聲分析與產生」計畫，透過個人華語錄音建置超級大量歌聲字庫，加上不同長短高低與咬字的聲音元素，合成出有抑揚頓挫的歌聲，創造出能唱出合成連續歌聲的虛擬歌手。

109-110年度進行「利用虛擬歌手唱歌風格轉換建構虛擬合唱團」計畫，擬建構一華語虛擬合唱團，可以唱任何一首華語歌，只要給予主旋律的歌譜與歌詞，合唱四聲部的和聲與歌詞，就能由虛擬歌手模擬演出。並加入情緒與風格參數，讓虛擬歌手能依據歌的情緒與不同歌唱技巧音色唱出不同技巧與風格的歌。另外我們擬讓虛擬歌手不僅可以有自己的歌唱風格，也可以藉由他人唱風的參數轉移學習而有不同的唱風。我們也擬研究虛擬歌手合唱團中四部合唱的對位和聲的自動作曲與歌詞的自動填寫。

研究人：林怡君(通識)、丁川康(動機) 、蘇黎(資工) 、劉奕汶(電機)

清華於2019年5月21日宣布成立台灣第一支AI樂團，由動機系、資工系及電機系教授研發人工智慧音樂軟體，與校內愛好古典樂的學生一同演奏，將探索人工智慧在音樂領域發展的無限可能，包括AI作曲、AI演奏、音樂視覺化、真人與AI軟體同台演出等。

清華首創AI樂團 人機共探音樂新境界

研究人：蘇郁惠(音樂)、林紀慧(教科)、劉奕汶(電機)、蘇黎(資工)、陳令儀(醫科)、吳佳慧(通識)

資訊科技帶動數位經濟轉型，並為高教音樂人才培育帶來新契機，本計畫整合音樂、電機及資工三系師資，規劃「音樂與科技」學分學程，從大學端開啟「音樂+科技」的跨領域人才培育。加以2030我國將進入超高齡社會，對於照護人力需求日益提高，亟需培育能結合領域專業(如音樂)與長照服務創新的跨域人才，本計畫擬從規劃「音樂與健康科學」學分學程著手，整合音樂、醫科及心諮等系、鄰近醫事大學及部定教學醫院師資等，共同合作培育「音樂+健康」的跨領域人才。

本計畫以清大音樂、科技與健康研究中心整合資源，經營音樂與科技、音樂與健康科學特色課程，並攜手產業提供合作實習資源，共同培育人才。

研究人：張俊盛(資工)

團隊自1988年起，致力於自然語言處理，迄今結合語法理論，運用大數據、資料科學、人機互動分析，已開發多套英語與華語線上學習系統，2013年始就有許多研究成果的實作系統(如linggle.com)公開給一般民眾、學生與學者使用。

近期透過執行計畫整合校內外跨領域資源，與清大、台大、師大與中研院工程與人文系所合作，跨足語言學、英語教學、華語文教學，成功整合多方資源，探討資訊工程、語言學、英語教學、華語文教等研究議題，完善語料庫檢索、機器翻譯、自動文法錯誤偵測功能。

深度學習 (deep learning)是近年來備受矚目的一種機器學習方法，其模型以深度神經網路 (deep neural networks，DNN)為基礎，類神經網路由多層的神經元(neuron)所構成，藉由模仿人腦的運作，能如人腦一般完成非常複雜的任務。深度學習在自然語言處理方面，先透過詞語文脈的關係，習得能由文脈預測中間詞的最佳向量空間。把字詞嵌入大約300維度的向量空間（word embedding）的連續性表達方式，引發了相當多新研究、新議題。本團隊的研究，目前已經觸及了，英、漢文法規則的自動推導，以及運用深度學習 (deep learning) 開發同義詞搜尋、文法改錯等等應用。

Linggle:英語作為世界上使用人數最多的語言之一，眾多的單字、搭配詞及與不規則的發音都容易讓非母語者學習者面臨諸多困境。為此，我們在Linggle系統中提出包括聽力、閱讀、寫作與資源搜尋的輔助工具，以期能為英語學習者帶來幫助。

自然語言處理實驗室(Natural Language Processing Lab.)

研究人：區國良(學科)

本研究為「數位時代中生活圖像的再現、探索與建構-發掘數位化足跡觀點下之大學校園空間意象」計畫內容。數位足跡是指人們在日常生活中，以數位化的方式儲存使用者所在的位置資訊以及行為歷程，過去經常利用分析遊客的移動路徑後，提供觀光景點或交通動線規劃使用。大學生長時間身處在校園中進行學習活動，長期累積的數位足跡若能加以記錄、蒐集及統整分析，將可發掘學生在校園中的行為特徵。本研究以168位大學生自備的智慧型手機作為數位足跡記錄裝置，蒐集一個學年期間在校園中移動之軌跡作為資料集，以開源的R Server及Shiny套件建構視覺化數值分析界面，再利用非監督式學習演算法發掘學生移動及停留的行為群聚現象，進而分析與其人格特質之間的關聯。本研究所提出的創新方法及結果可作為未來學生輔導或校園規劃之參考。

大學生之校園數位足跡與人格特質關聯性研究

研究人：陳宜欣(資應)

本研究為「以深度機器學習輔助個人化音樂健康照護--建構深度學習法來分析音樂、健康狀況的相對應情緒」計劃之內涵。

現代人工作環境忙碌與壓力大，心理疾病已有逐年攀升現象，在現代社會，精神疾病日發流行，如何判斷一個人的情緒和心理狀態向來是很重要的健康議題，「情緒」能反應使用者最真實的感受、也最能反映他個人的狀況，若能精確地分析使用者的情緒，提早預知使用者異於往常的行為模式，將能早一點提供警訊。本研究利用機器學習的技術，從社群的大數據中找出各種情緒表現，希望從掌握病患情緒，及早避免憾事發生。

研究借用「群眾潛意識智慧」。所謂的群眾潛意識智慧，是指從毫無意義的日常生活中擷取背後潛在的意義。在這裡就是指蒐集社群網站上看似無聊的發言，從中分析出重要的情緒特徵。例如蒐集Twitter的Hashtag加上情緒發言，接著分析詞頻、字詞共伴率、字詞的關係度等特性，再將這些資料交由人工智慧系統分析，讓機器幫忙找出重要的情緒字詞，然後把情緒字詞依特性重組成「情緒特徵」，最後比對標準答案排序後得到結果。

這個分析方法也可以應用在偵測心理疾病上。以躁鬱症為例，病患資料為實驗組，正常人資料為對照組，然後找出兩組資料的異同處，除了分析詞頻外，還可以分析情緒變化、人際互動、生活習慣等之間的異同，最後獲得躁鬱症患者的情緒特徵。

這個方法集合了群眾智慧來偵測、預防心理疾病的發生，基於對社會的關懷，陳宜欣讓大數據「取之於社會，用之於社會」。

研究人：王道維(物理) 、區國良(學科) 、李昆樺(心諮)

社群媒體近十餘年來的發展大大改變我們社會上人與人相處的模式。與單向傳播的傳統媒體顯著不同的是，社群媒體的用戶享有更多的權力可以自行集結成某種閱聽社群，決定所要分享討論的內容，形成分眾文化，也因此衍伸出許多新型態的社會問題。在大專學校的校園生活中最常遇到就是在匿名網路(如靠北X大或Dcard)上留下自殺或自傷的訊息，往往難以在第一時間由社工人員察覺而提供協助，形成自殺防治上明顯的漏洞。事實上，憂鬱的早期風險識別已經是自我傷害早期預防議題中的重要角色，研究指出許多人在發生自我傷害行為以前沒有接觸過心理健康服務，但是會通過不同方式直接或間接地向家人、朋友、同事或社交網絡傳達了他們自我傷害計劃或想法。相關研究也發現越來越多含有自我傷害傾向的發言出現於社群媒體上。

本計畫團隊希望以「自然語言處理技術」來建構一個人工智慧輔助的網路自動偵測系統，可在公開但匿名的網頁中巡邏，即時搜尋有自殺風險的網友留言並將相關的訊息回報給主管機關或相關單位作進一步的判斷或追蹤。為訓練人工智慧所標註的相關網頁資料也將結合第一線的諮商/臨床心理師的經驗，以量化和質性研究並行的方式來分析這些有高風險的網路留言者之性格特色或環境背景。本研究的具體成果可作為將來大專校園或國家社會自殺防治的一環，協助專業輔導人員更有效地拯救可能在危機邊緣的生命。

研究人：李怡俐(科法)

本研究為「競爭或合作？人工智慧在人文社會的應用與影響探究」之子計畫。

人工智慧在蒐集訓練資料到最後的成果應用，都離不開對使用者權益的影響，因此「人權」角度的反思是絕對必須要考慮的面向。本計畫之目的在探討人工智慧對當代人權規範所帶來的衝擊。於此，本計畫結合現有國際人權法的相關規範與管制理論，從程序到實質規範的層面，建構一個以人權為導向（human rights-based approach）的管制框架，回應人工智慧對當代人權侵害的種種問題。

競爭或合作？人工智慧在人文社會的應用與影響探究

林昀嫺(科法)、連孟琦(科法) 、王道維(物理)

人工智慧(AI)的應用在現實生活中越來越普及，也逐漸深入到整體社會運作的若干核心部分。國外已經有許多例子顯明，人工智慧在司法判決方面的應用已經成為無法阻擋且愈發重要的領域。主要有三個原因：(1)司法相關的判決往往牽涉到大量的數據與文字資料，這在資訊爆炸的現代社會尤其如此，但是人類法官或律師所能處理這些資料的能力顯然已達極限，帶來AI應用的最主要背景需求。(2)其次，司法判決本身在許多角度來看相當類似於一個數學的函數關係：給定明確的自變量(如案件的類型、作案方式、相關法條、對於雙方有利或不利的證據等等)，可以期待有個一致性的應變量(如判決結果或刑期)。這使得機器學習的模型有可能藉由大量的判決資料與結果間的模擬或學習，進而預測未來類似案件的判決結果。(3)最後，AI在社會或司法許多的應用也帶來關於隱私、種族、性別、偏見或人權等等相關倫理與法律議題，本身也是法律學者對於科技與法律相關研究會特別關注的主題。

在此背景下，王道維教授的團隊與幾位法律系教授一起研究AI在我國司法體系下可能的實際應用方式：包括與清大科法所林昀嫺教授合作研究法院在父母離婚後，針對未成年子女的親權酌定，如何可能透過AI的自然語言處理技術來將法官的判決因子作分析，並且轉為可以用文字輸入的方式來作這類的親權判決預測，發表出國內第一個以自然語言處理為基礎的AI判決預測系統。此外，也與清大科法所連孟琦教授、中正大學法律系盧映潔教授、謝國欣教授，一同承接司法院刑事廳的量刑資訊系統更新計畫(分別關於槍砲彈藥案件、妨害性自主案件以及毒品案件)，採用人工標註判決書的結果來訓練自然語言處理的模型，使之可以其他類似案情但不同年份的判決書中擷取判決因子來作相關的統計分析，提供法官未來查詢相關判決結果的參考。未來亦有機會繼續擴及其他刑事案件，為將來國民法官政策的推動、提升司法透明度與穩定性提供基本且重要的量化研究基礎。

AI能斷家務事？清華開發監護權判決預測系統

蔡惠予(核工)

乳癌腫瘤位置的術前評估主要仰賴電腦斷層(CT)、乳房攝影(Mammo)以及磁振造影(MR)等醫學影像資訊。臨床上，醫師通常結合三種影像的資訊來確認腫瘤的大小及位置。其中Mammo是乳癌早期篩檢的主要方式， 它可以偵測乳房腫瘤丶囊腫或鈣化點等病灶。MR可以對可疑病灶做進一步的檢查，它可以提供軟維組織良好的影像對比，使病灶的三維空間形態更得以確認。但受限於儀器的設計，MR掃描時採取的俯臥姿勢和手術時的仰臥姿勢不同。CT掃描則可以得到和手術相同姿勢的解剖空間關係影像，但軟組織對比較差。隨著精準醫療的發展，結合Mammo和MR的資訊，在CT上自動偵測腫瘤位置以輔助乳癌手術進行的技術有其發展的重要性。利用發展日趨成熟的深度學習技術進行腫瘤自動偵測，評估CT影像中每個體素是為腫瘤的機率，藉以圈選出腫瘤機率最大區域，並輸出切割成正常維織與非正常組織區域的影像。由於乳癌腫瘤的位置難以由單一影像技術的訊息得到，結合三種醫學影像的資訊可以更準確的偵測出腫瘤位置，將腫瘤位置資訊投放在與手術時姿勢相同的CT影像上，可以作為醫師在進行腫瘤切除手術時的重要參考指標。

蔡惠予(核工)

目前乳癌發生率是全世界女性癌症發生率的第一名，乳房攝影(Mammo)為乳癌早期篩檢的重要工具，若從影像中發現不規則腫塊或鈣化點，則可懷疑有早期乳癌的病灶。乳癌分期從第零期到第四期，越早發現乳癌並做適當的治療其存活率越高。罹患乳癌的風險分成四級，高風險因子包括：一側曾得過乳癌或有家族病史。乳癌的初步篩檢仰賴Mammo，然而Mammo乃透過低劑量輻射所得出疊加的影像，以肉眼觀察容易被雜訊、假影或疊加的組織所影響，因此它的診斷敏感度有其極限。硏究統計顯示，Mammo檢查的乳癌偽陰性率約有15%，也就是约有15%的乳癌患者無法透過乳房攝影被偵測到。偽陽性則約有7-12%，實際上沒有罹患乳癌卻在Mammo上顯示有病灶，則導致了病人的焦慮以及不必要的切片檢查。電腦輔助診斷(CAD)是用來協助醫師解讀醫學影像的系統，從1970年代發展至今，近年來由於結合機器學習的技術使得發展更為蓬勃與迅速。本計畫結合病人乳癌風險因子的資訊以及Mammo的影像資訊，利用機器學習演算法建置電腦輔助診斷系統以增加乳癌診斷的準確性，評估病人有無病灶，以及其為乳癌病灶的機率大小與分類。由於藉由觀察Mammo影像做乳癌篩檢的診斷其準確性有其極限，利用機器學習為基底的電腦輔助系統，可突破用肉眼觀察影像的極限，並且結合病人風險因子的資訊作為訓練模型的輔助可提高診斷準確性。電腦輔助診斷系統的結果可以作為醫師在乳癌篩檢診斷的重要參考指標。

研究人：張禎元 (動機)

本校動機系張禎元教授領導跨域研究團隊，結合AI人工智慧、生物力學與人因工程，研發出有視覺及觸覺、可模仿人手細緻動作的機器人-清華紳士，能像真人一樣抓球、抽衛生紙。

清華紳士配有一「硬」一「軟」的雙手臂，「硬」手有力，「軟」手則要夠「軟Q」。張禎元教授坦言，軟要比硬還難得多，比如應用於新冠肺炎的採檢，機器手得把棉花棒伸進人的鼻孔或咽喉，「動作要輕柔且準確，感受到一定的回饋力道就必須收手，否則就可能破皮流血。」

張禎元教授解釋，清華紳士的軟性手模仿人類的手指關節設計，使用氣壓傳動來控制手指彎曲動作，並採用獲得美國專利的演算法晶片來感測手指受到的回饋力道，並進行精準的角度測量。

一般機器人抓球或握飲料瓶是機械性地五爪開合抓握；但清華紳士的動作則近似人類般流暢，靠的是先將人類的動作數位化，再一步步教給機器人重現。張禎元教授指出，機器人雙手要做到如人手般靈活，未來才能抱嬰兒，或為病人及老人拍背、翻身。

清華機器人有雙溫柔手 醫療照護都上手

研究人：林文源(通識)

要開發出擬真的機器人，不只要學「機器」，更要懂「人」。本校推出橫跨 8 個學院，包括心理學、語言學、人類學、 哲學、系統神經學課程的「清華符號系統培訓方案」，將為華邦電子培訓中生代工程師，開發出新一代人工智慧，除了製造、家事，還可望發揮陪伴與療癒功能。賀陳弘校長說，華邦是業界知名的學習型組織，透過華邦的發想動念，清華這次也開出有史來最獨特的產學合作課程，師資陣容如同知識的饗宴，從不同視野與高度跨領域來看 AI 人工智慧，比起史丹佛大學知名的符號系統課程(symbolic systems program)毫不遜色；如語言、神經學等課程「無用之用方為大用」，這是清華AI課程的重大突破。

清華攜手華邦 推出跨領域人工智慧課程

研究人：賴尚宏(資工)

隨著近來大型資料庫的取得越來越普及，深度學習的技術在人工智慧許多領域已獲得革命性的進展。本研究主題為研究深度學習技術在機器人視覺應用，將著重在智慧機器人視覺的相關應用，包括場景及人物的辨識、動作及異常事件的偵測，我們不僅研究深度學習應用至智慧機器人所需的影像視訊辨識技術，我們也將研究如何利用深度學習進行三維場景重建及三維定位的技術。為了解決深度學習在網路模型訓練及實際應用時所需大量的計算，我們在此計畫也會研發如何更有效利用GPU運算來加速深度學習網路中大量的卷積運算的效率以及利用雲端平台的平行運算架構來加速深度學習中的訓練過程，另外，我們也會研究適用於電腦視覺的深度學習網路的高效能硬體架構，並考量系統低功耗的要求，從適用於深度學習網路之嵌入式系統的角度以及從低功耗晶片設計的角度進行研發。

計畫目標

1. 研究先進的深度學習技術應用至人物動作及場景視覺辨識等相關議題
2. 實際應用在大量資料學習過程以及學習後執行視訊辨識或分析時的計算加速研究
3. 讓機器人能夠使用深度學習技術，克服傳統機器人系統的限制
4. 基於視訊的動作辨識及場景分析的技術若能得到進一步提升，將能大幅提升機器人應用範圍及視訊監控的產業價值及實用性

深度學習用於機器人視覺之最佳化

研究人：羅中泉(系神)、鄭桂忠(電機)、謝志成(電機)、呂仁碩(電機)、孫民(電機)、張孟凡(電機)

無人機在通訊及農業等領域應用愈來廣泛，但小小的機體卻因電力等問題難以負載長時間的大量運算。由本校電機系鄭桂忠教授、系神所羅中泉教授等組成的跨領域團隊向果蠅取經，研發仿生物視覺神經的AI晶片，讓無人機以超省電狀態自動閃避障礙物飛行，未來還可應用在無人車、智慧眼鏡、機器手臂等領域。

無人裝置過去多利用發射並接收反射的電磁波、紅外線等來避開障礙物，相當耗電，且若許多裝置同時運作也易互相干擾。因此科學家想到用光學鏡頭來拍攝並分析影像來避障，但需要處理的影像資訊量太大，速率難以提升，且仍十分耗電。

「電腦跑不動、辦不到的，為什麼小小的果蠅卻能輕易做到？牠們飛行時可從來不會撞上東西。」專研仿神經系統的本校電機系鄭桂忠教授認為，要突破目前AI人工智慧發展的限制，一定要向生物取經，於是找上研究果蠅大腦的系統神經科學研究所羅中泉教授，師法果蠅的視神經系統，研發出仿昆蟲視覺的省電、高效率AI晶片。

清華研發仿視神經AI晶片 教無人機「果蠅式」飛行

清大研究團隊用果蠅的仿生物視覺神經AI晶片 讓無人機續航！

研究人：賴詩萍(天文) 、王道維(物理)

初生恆星(Young Stellar Object, YSO)對於天文學的研究有很重要的意義，因為我們可以藉此了解大部分恆星(如我們的太陽)的形成(Star Formation)理論與機制。但是YSO的研究並不容易，因為在漫漫天際中其數量相對起來是極為少數，而且幾乎不可能只憑一個光點或一個波段的測量就判斷。這個原因是因為天空中除了一般的恆星以外，遙遠的銀河也幾乎看起來像一個光點，兩者間的差異必須透過光譜的分析，比較不同波長所對應的強度是如何分布。而YSO的光譜又剛好介於一般恆星與銀河的光譜之間，就更難被發現。

本研究計畫蒐集超過八萬顆光體的資料(每個都有來自不同天文望遠鏡至少8個波長所觀測到的寬頻結果)，採取過往的理論模型並人工判斷而所推測的分類來作機器學習。我們藉由使用不同機器學習的模型，組合不同波長的觀測結果並其誤差值作交叉分析，不但可以得到與原來結果幾乎完全符合的預測效能，而且更能藉此確認觀測儀器的誤差值亦可以包含分辨YSO的重要資訊，星體距離地球的因子也能被成功消除。最重要的是，我們的機器學習模型可以確認即便只使用三個在長波長區域的資訊 (波長分別為5.8μm, 8μm, 與24μm)就足以找回超過96%的YSO，並且與目前少數已知正確的結果作比較得到非常好的準確率。這使得科學家未來可以透過這個模型更容易在廣大的太空中僅憑少數的資訊而快速篩選出可能是YSO的星體作進一步研究，大大增加相關研究的資料來源與推動相關的進展。本研究已發表於天文相關領域的國際期刊。

研究人：廖崇碩(工工) 、侯建良(工工)

1. 近程目標：在邁向更為尖端製程的高科技產業中，許多科技大廠的關鍵製程階段開始成為嚴峻的挑戰。首先以半導體產業中最關鍵的黃光微影製程作為首要人工智慧優化應用的近程目標。有別於部分使用統計量測數據的先進製程控制系統，嘗試將資料圖像化，並定義大數據關聯群集且透過人工智慧的深度學習技術達到自動補償的系統機制。
2. 中程目標：利用深度類神經網路的壓縮技術，加速大數據裡AI的學習與推論效率，並同時以群眾智慧概念為基礎發展生產知識結構化方法，建置多管道來源之知識庫以及知識管理與決策支援的平台。
3. 遠程目標：最終希望透過大數據資料處理和人工智慧技術建立先進製程控制和決策系統，並延伸其優化架構和方法至其他製程上，讓製程之間的參數設定不再相互獨立，進而推展到其他高科技製造產業上。

研究人：王道維(物理)

多體物理(Many-Body Physics)研究的對象是多粒子間的交互作用系統，主要關心因為這些交互作用所產生的特殊物理現象，例如鐵磁性(Ferromagnetism)、超導超流物理(Superconductivity/Superfluidity)或波色愛因斯坦凝聚(Bose-Einstein Condensation)等等。傳統的研究方式除了因為實驗方式因系統而有所不同以外，理論方面主要是透過解析量子多體物理的方程式或是利用數值計算的方式來對照比較。但是多體物理的量子方程式一般而言非常複雜難解，特別是推廣到大尺度多粒子的狀態，因此與實驗的觀察現象難以直接比較，也就更難處理長時間的動力學問題。

針對這樣基本問題，我們研究群使用機器學習的方法來連結多體物理數值方法、等效模型理論以及實驗數據三方面的資訊，將過往這三類研究方法中所未能銜接完整的部分，開啟具有建設性的新穎研究方向。其中一個成果是將監督式學習結合微擾理論與目前已有的數值方法(包括QMC, DMRG, TN, DFT等)來研究一維與二維系統中強相關聯的多體物理性質。也就是說利用在弱交互作用的領域來將高維度的哈密頓量當作一個大張的照片，隨機截取其片段來訓練模型，讓此模型(Random Sampling Neural Network)可以學習到如何推廣到強交互作用的範圍。我們的研究發現此方式可以大量減少原本計算所需要的時間，亦能對過往不容易處理的系統提供另一種研究方式。另一個研究方向是另用自我監督式學習的方式來分析冷原子或其他類型的實驗數據[2]，提供獨立於理論假設的方式來決定量子相變的相關性質。我們發現這個方式可以提供比過往單純用監督式學習的方式更能夠準確地找出相變點的位置，並且藉由信心指數來提供對任何實際的系統(即便還不了解其理論機制)提供發現新物理現象機率的評估。最後，我們也開發出一種基於量子力學概念的遞迴神經網路(Quantum-Inspired Recurrent Neural Network)，可以藉由學習短時間內的變化，讓機器學習的模型可以捕捉到量子多體物理動力學的主要架構，因而可以對長時間的動力學結果有更好的預測。這些藉由機器學習的研究方式應可發展出一系列對於強相關物理問題的創新解決方案。

Chen-Yu Liu and Daw-Wei Wang, Random Sampling Neural Network for Quantum Many-Body Problems, Phys. Rev. B 103, 205107 (2021).

Chi-Ting Ho and Daw-Wei Wang, Robust Identification of Topological Phase Transition by Self-supervised Machine Learning Approach, New J. Phys. 23 083021 (2021).

研究人：吳尚鴻(資工) 、劉奕汶(電機) 、張正尚(通訊)

本校跨域團隊研發出AI廣告生成技術，能針對不同商品與情境，製作多樣化的廣告文案、圖片與音樂初稿，大幅節省廣告產出的時間與人力成本。

吳尚鴻副教授和張正尚講座教授帶領團隊設計一款條件式生成對抗網路（Conditional GAN）應用程式，藉由讓AI大量學習網路上的資料來撰寫廣告文案初稿。只要輸入廣告商品和目標情境，就能快速產生有創意、符合潮流的數位廣告圖片，初稿完成後再讓廣告人員接手潤飾，節省文案發想的時間。

吳尚鴻副教授指出，這款應用程式可以進行社群網路分析，結合時下最流行的元素與使用者的喜好，做出最「吸睛」的數位廣告，並產生最佳的App畫面配置。

吳尚鴻副教授進一步舉例，使用者輸入床組照片後，只要將產品框出來，系統就會根據這個特定的產品特徵，來產生不同房間和擺設的產品文案初稿，供使用者調整。

這款應用程式還能產生虛擬模特兒廣告圖片，使用者輸入基努李維的照片，再框出希望保留的特徵，像是額頭、眼睛等，系統就會根據這些特徵，產生不同外貌、但擁有相似特徵的人型模特兒圖片。吳尚鴻副教授指出，這些框選的動作，有如給應用程式一個指令，產生符合實際需求的圖片。

吳尚鴻副教授團隊與新創公司AppFinca合作，為Flora App重新設計頁面。團隊分析後，發現App的使用者普遍對種樹的意象很有感，因此將Flora的廣告標語改為「他種樹，你成長」；並針對使用者的喜好，產出以淺色系、更生動的廣告圖片初稿。

經由AI廣告生成技術改造，Flora在蘋果App Store台灣區的「免費生產力工具」排行榜打敗Gmail，衝到第一名。AppFinca孫振偉副總表示，這項合作節省了將近一半的廣告投放費用。

電機系劉奕汶副教授則利用AI來合成廣告歌曲。團隊收集了6百小時的廣告歌曲作為訓練資料，電腦經過深度學習後，只要有歌詞、旋律，就可產生不同人聲的廣告歌曲初稿。雖然還無法完全模擬真人唱歌時換氣、跟拍等細節，但若不細聽，與真人的歌聲已無太大差異。

劉奕汶副教授表示，雖然團隊的技術目前還沒辦法產生高品質的音檔，但團隊開發的歌曲生成程式，可以調整音高、音色、節奏等，幫助廣告人加速創作流程。

吳尚鴻副教授、劉奕汶副教授、張正尚講座教授已發表共 19篇關於影像或音樂理解與生成的研究成果，也在神經信息處理系統會議(NeurIPS)以及IEEE 聲學語音和信號處理會議(IEEE ICASSP)等多個國際知名的學術會議上發表。吳尚鴻副教授表示，團隊也正瞄準業界需求，與聯電、KKBOX和華碩國內等大型企業洽談合作。

清華研發AI廣告生成技術

研究人：林文源(通識) 、王道維(物理) 、陳思廷(哲學) 、林勤富(科法)

本計畫以人文社會（Humanity and Social Science，HSS）為核心，以國內跨領域人文社會群體為對象，一方面匯聚人社相關學群之AI議題與需求，以深度議題研討及種子社群經營之方向，進行跨領域合作；另一方面打開學科疆界，朝向AI相關領域，並向彼此Say Hi展開合作的契機。

以社群互動為基礎，2018年7月17日正式展開第一次的討論會活動。會場共分三組：

1. 「HSS by AI」探討人社領域如何藉由AI技術深化應用議題，如法律判決、心理諮商與危機判讀、語類分析、文藝風格分析、社群管理，以及如何使用AI進行輔助
2. 「HSS of AI」思辨AI發展下，如何討論智慧、學習、記憶及意識問題；AI與藝術創作的共生／相剋路徑；AI與數位人文發展之關係。
3. 「HSS in AI」著重探討AI應用於人文社會領域中，如倫理、法律與社會議題（ELSI）。

綜此三面向之發展，期望能讓HSS成為當前與未來AI發展時的關鍵面向之一，以共同探索、發展之角度，完善人文、科技與社會之共榮。

2018年Say Hi to AI：人文社會跨領域導向之AI研究、社群與研習營

研究人：林文源(通識)

本研究為「人工智慧的創新與規範：科學技術與人文社會科學的交互作用跨領域專案計畫」之內涵，該計畫是以探討AI對於人文社會的衝擊為出發點，希冀從人文及社會科學之視角，就價值衝突與反思進行對話，翻轉AI技術發展的思維與策略。認為人文社會研究不是在發明AI科學技術，但是AI科技的運用一定影響每一個人的生活習慣、行為思想，也影響社會、強化社會控制，因此保持警覺，關注AI科技的發展，與科技展開交涉或對話，也是人文社會研究的重要項目。

本研究所指AI作為技術物（artifact）的政治性，是指依據Langdon Winner的觀點，AI作為包含大數據、演算法、機器學習、詮釋與應用的技術集合，會造就人類社群連結中的權力與權威安排，並改變其中發生的活動。這些都是由HSS in AI的思路所做的反省與批判，由人文社會視野揭露演算法黑箱、批判AI的政治性與毀滅性。研究強調由HSS視野連結AI與社群，提供重新想像AI與公民社會的可能。這種公共化的AI，是以HSS的公民社會理念與價值，脈絡化數據、演算法、學習、詮釋與應用，提供不同社會（群）、價值進行脈絡的連結與創造新的機會。透過偵測、中介、循環等作用，最終造成轉變。這也就是由反省AI實然面（HSS in AI）開始，帶入人社分析與想像（HSS of AI），連結AI技術面（HSS by AI），以打造契合人社價值的AI（HSS for AI）。

是以，從社會學與STS觀點，AI不只服務治理與資本（1％），侵蝕公民社會（99％）。AI也有機會強化社會資本，問題在於：AI需要人社想像力，以重新想像、連結這些可能性。以HSS重新想像公共化的、for the 99％的AI，重建社會連帶與信任的社會資本。

公民‧價值@AI論壇