| 封面故事 | PCIe | PCIe 5.0 | I/O介面

【邁向次世代的PCIe介面規格】PCIe 5.0與PCIe 6.0來臨

PCIe規格的發展,已完全擺脫幾年前長期停滯於PCIe 3.0的窘境,自PCIe 4.0發布後,短短4年內更新了3個世代,一口氣跨越到PCIe 5.0與6.0

2022-01-27

| 封面故事 | PCIe | PCIe 4.0 | PCIe 5.0 | I/O介面

【3.0、4.0、5.0、6.0四世代規格同堂並現】PCIe介面發展邁入新階段

長期停滯於3.0的PCIe介面規格演進,近期有重大發展,4.0終於開始進入主流應用,新一代的5.0與6.0也先後邁向推廣與規格發布階段,形成4個世代PCIe規格並存的新局面

2022-01-27

| 封面故事 | Log4j | Log4Shell | 10年來最嚴重漏洞 | 超級資安漏洞

可俘虜數十億臺系統與設備!超級資安漏洞風暴正在席捲全球

Log4j的運用遍及世界各地與多種產業,若不及時修補高風險資安漏洞Log4Shell,等同任人宰割,因為攻擊者將如入無人之境,深入企業網路環境與多種IT系統胡作非為

2022-01-10

| 封面故事 | Log4j | Log4Shell | 10年來最嚴重漏洞 | 超級資安漏洞 | Log4Shell漏洞處理 | Log4Shell修補

與時間賽跑!Log4Shell修補迫在眉睫

由於Log4Shell漏洞可能存在各種系統與設備之中,必須盡快進行相關的盤點、修補,以及持續偵測與阻擋濫用此項資安弱點的行為

2022-01-10

| 封面故事 | Log4j | Log4Shell | 10年來最嚴重漏洞 | 超級資安漏洞

Log4Shell影響的企業IT解決方案摘要

經過將近1個月的盤點與修補,多家IT廠商紛紛公布受到Log4Shell漏洞影響的解決方案,但這只是冰山一角。單從我們目前整理的9家廠商盤點出來的產品與服務清單摘要來看,就難以想像這些公司背後需投入多少資源,才能徹底解決問題

2022-01-10

| 封面故事 | AI | YOLOv4 | 王建堯 | 中研院資訊所 | 廖弘源 | YOLOR | 物件偵測 | 科技部AI計畫 | 義隆電子 | AIoT | 邊緣即時偵測

【冠軍模型催生關鍵:業界出題學界解題模式】一場會議催生世界第一物件偵測模型YOLOv4,一張GPU就跑得動

義隆電子與中研院團隊因科技部產學共創AI計畫而相識,進而催生出世界第一的電腦視覺模型YOLOv4,更將過去科技巨頭上千張GPU才玩得起的物件偵測模型,簡化為1臺PC和1張GPU就行

2021-12-13

| 封面故事 | AI | YOLOv4 | 王建堯 | 中研院資訊所 | 廖弘源 | YOLOR | 物件偵測 | AIoT | 邊緣即時偵測 | Transformer

【冠軍模型接班人,整合顯隱性知識架構】不只物件偵測快又準,YOLOR能一心多用秒解多任務

中研院另一新作YOLOR今年5月問世,再次拿下COCO排行榜冠軍,展現臺灣AI實力。特別的是,它不再只是物件偵測,而是各種CV任務都通吃

2021-12-13

| 封面故事 | AI | YOLOv4 | 王建堯 | 中研院資訊所 | 廖弘源 | YOLOR | 物件偵測 | 科技部AI計畫 | 義隆電子 | AIoT | 邊緣即時偵測

【冠軍模型幕後推手:中研院資訊所博士後研究員王建堯】靠軟硬整合實力拿下兩次世界第一

有求學時期累積的軟硬整合能力,以及背後一位堅持只研發好東西的老師,王建堯終於站上AI國際舞臺。伯樂與千里馬共行,下一步要繼續為國爭光

2021-12-13

| 封面故事 | AI | YOLOv4 | 王建堯 | 中研院資訊所 | 廖弘源 | YOLOR | 物件偵測 | 科技部AI計畫 | 義隆電子 | AIoT | 邊緣即時偵測

YOLOv4輕快準!邊緣即時偵測應用就靠它

YOLOv4一如其名You Only Look Once,只要看一眼,就能分辨萬物,比人眼還銳利,已經在許多應用場景中開始發威

2021-12-13

| 自駕車 | 自駕運輸 | 新竹物流 | 工研院機械所 | 自駕物流 | 李正義 | 封面故事

【機車、行人和複雜紅綠燈都不怕,新竹物流跨區配送新模式】臺灣第一輛自駕貨車上路

歷經了3年多,臺灣自駕車產業應用,從一開始接駁自駕載客,現在更進一步跨入物流自駕配送,來提供跨區、長途的自駕運輸服務

2021-11-29

| 封面故事 | 機器學習 | AI | 日本Yahoo | Line | AI生產力 | HyperCLOVA | 語言模型 | 語料庫

【Line AI生產力關鍵1:通用NLP模型】以HyperCLOVA發展企業NLP服務,下一步搶攻通用AI

Line揭露一款820億個參數的大型語言模型HyperCLOVA,並以此為核心引擎發展一系列企業AI工具,接下來還要結合電腦視覺,打造更通用的AI產品

2021-11-22

| 封面故事 | 機器學習 | AI | 日本Yahoo | Line | AI生產力 | MLOps | Lupus

【Line AI生產力關鍵2:ML品質監控自動化】自建MLOps監控平臺,上百項ML產品模型漂移能即時調校

Line高度仰賴AI,光是內部就有100多個ML模型上線,橫跨20多個單位。為快速統一掌握模型動態,Line自建一套MLOps監測工具Lupus,來收集模型指標、偵測異常

2021-11-22