觀點
最新文章
-
泰國核心銀行市場趨勢與展望
隨著數位轉型的推進，泰國銀行業正快速升級其核心系統。核心銀行軟體指的是支援每日交易與帳戶管理的後端系統。根據全球預測，核心銀行軟體市場的年成長率約為 9–10%，預計到 2030 年將達到 216 億美元。在泰國，數位銀行興起與金融科技競爭激烈，使得許多銀行將現代化核心系統列為優先策略。
閱讀全文 -
為什麼人們非得有所感受才會改變
當組織談論變革時，往往從策略簡報、新的架構、調整後的文化與升級的系統開始。領導者蒐集數據、分析趨勢，並設計出合理的轉型計畫。但儘管投入了這麼多心力，真正的改變卻很少能持續下去。為什麼？因為他們忽略了最關鍵的元素──人。
閱讀全文 -
改變自己，成為更優秀的決策者
2025 年 4 月，全球金融市場遭遇了劇烈且突如其來的下跌。標普 500 指數重挫近 5%，創下多年來單日最大跌幅，道瓊工業指數也大跌超過 1,600 點。原因來自川普政府突如其來地宣布一系列新關稅政策，包括對所有進口商品徵收 10% 的統一稅率，並對來自中國、日本與歐盟等主要貿易夥伴的商品加重懲罰性關稅。數小時內，中國迅速反擊，對美國商品徵收 34…
閱讀全文 -
專家混合技術在大型語言模型中的應用
大型語言模型（LLMs）的快速發展為人工智慧帶來了前所未有的能力，但也引入了計算成本、可擴展性和效率方面的重大挑戰。專家混合技術（Mixture of Experts，MoE）架構作為解決這些挑戰的突破性方案，使LLMs能夠在保持高性能的同時有效地擴展。本篇文章將探討MoE的概念、運作方式、優勢及其面臨的挑戰。
閱讀全文 -
大型語言模型（LLM）中的自注意力機制
自注意力（Self-Attention）是現代機器學習的核心技術，尤其是在像 GPT、BERT 和其他基於 Transformer 的大型語言模型（LLM）架構中。它能夠動態地衡量輸入序列中不同元素的重要性，徹底改變了自然語言處理（NLP）以及計算機視覺和推薦系統等領域。然而，隨著 LLM 的擴展以處理越來越長的序列，稀疏注意力（Sparse…
閱讀全文 -
了解來自人類反饋的強化學習（RLHF）
來自人類反饋的強化學習（Reinforcement Learning from Human Feedback，簡稱 RLHF）是一種強大的機器學習技術，旨在使人工智慧（AI）系統更好地符合人類偏好。透過在訓練過程中整合人類反饋，RLHF 成為微調大型語言模型（LLMs）的核心方法，例如 GPT-4 和 Claude，使它們能生成更準確、有用且符合上下文…
閱讀全文 -
1930年斯姆特霍利關稅法案的歷史教訓
進入2025年，美國總統川普再度大力推行關稅政策，引發各界對經濟動盪的擔憂。他的政府近期對中國、加拿大、墨西哥和歐盟等貿易夥伴的進口商品徵收高達25%的關稅，已經嚴重衝擊金融市場，令經濟學家們深感憂慮。隨著經濟衰退的警訊越來越明顯，我們有必要回顧歷史上美國實施保護主義政策的教訓，尤其是臭名昭著的1930年《斯姆特霍利關稅法案》（Smoot-Hawley…
閱讀全文 -
川普的關稅政策與尼克森震撼對抗滯脹的啟示
2025年，投資者面臨因川普總統激進且不可預測的關稅政策而帶來的重大不確定性。對加拿大、墨西哥和中國等主要貿易夥伴徵收的關稅，已引發經濟學家對通貨膨脹上升和經濟增長放緩的擔憂——這種情況讓人聯想到1970年代尼克森總統政策引發的滯脹時代。理解尼克森經濟措施如何導致滯脹，可以為應對當今動盪的市場環境提供寶貴的洞察。
閱讀全文