以現實的情況而言，多是關注人工智能是否能商業化
而從此前提來看，要說能成為超美趕陸（中國）的機體，似乎有些許的不切實際，也太過
於「夢幻」...
下來就大略辨析：
※ 引述《renna038766 (微積分好難過)》之銘言：
: 台灣Ai教父杜奕瑾FB發文了
: 回應DeepSeek的熱潮
: 簡單來說就是Ailabs也有自己開發的gpt
: 而且用的資源更少
: DeepSeek很大一部分靠的是行銷成功
: 以下全文：
: 我們在1/21台灣AI產業年會發佈了Taiwan AI Labs訓練的小專家模型FedGPT。
: 幾個重點：
: 1. 算力很重要但不是全部，資料、演算法也是。前面是硬體功夫，後面是軟體功夫。
: 2. MoE 不是新觀念、是趨勢，未來是專用落地小模型的世界。在我們跟台大陳蘊儂老師
: 開源TAME時就提及。
: 3. 通用跑分就像研究所畢業成績只是一個開始。通用跑分在過去的經驗，中國一般能調
: 得超英趕美。
以上三點沒有意見
: 4. 成功者不是只看畢業成績、而是應用的快速落地、實際領域的衡量與主動學習。這部
: 分就會牽涉到新興法規。開源閉源都無法回答這題。所以有聯邦式開放架構。
這術語有點專業，先簡單查了資料，已知：
一、聯邦學習是「分散式學習」的分支，方法是「透過將資料分配到更多的運算單元，有
了更高的平行運算能力」
二、整體機制源頭：個別運算單元中收集到的資料，不允許離開該單元
而從當下的情形中，這種主動學習的模式要發揮成效，需要能掌握全網的知識，不能因為
太新穎而支支吾吾、答不出話來
（就像一月廿七日晚間時，「當機」時的麻煩一樣）
: 5. 綜合以上幾點，台灣人工思維形式提供全球第一個可信任負責任的聯邦式FedGPT架構
: 。讓企業也可以基於最優秀的畢業生，落地訓練成為自己的員工、自己的GPT。
: 6. 這不代表算力沒有優勢、而是雲端的優勢會轉換到地端結合。NVIDIA 其實有看到這一
: 塊所以有Project Digits。
: 7. 這一轉變台灣其實更有優勢、因為AI雲端壟斷的局面打破、會有更多不同的混合運用
: 。台灣軟硬可信任的科技會是重要的提供者。會有更多的買家。
: 8. 開源模型有的成果都是受惠於眾多開源的結果，不管是資料集、算法、平台美國在這
: 個賽道仍是主要的貢獻者。
: 1/27DeepSeek的發佈、只是告訴大家AI的霸權不是只有在算力的掌握、要多投資軟體跟應
: 用的基本功。技術部分有值得學習，以及敬佩。趨勢跟Taiwan AI Labs 1/21發佈的所見
: 略同。其他中國超越美國什麼的就當作行銷術語就好了。行銷成功所以今天相關股票也受
: 到影響。
: 我們用到的資源更少唷！希望未來在我們的成果也幫忙多宣傳，然後我們也在徵人。
「資源」的運用，不是越少越好，應重在精簡度
在現階段尚未上路的時候，這樣的言辭恐怕會給人自吹自擂的感覺，不是說人家對機體沒
有信心，但還沒實踐就說類似的話，初步印象難免會不好
因此還不如先做好「十年磨一劍」的工夫，然後再來談此門新興市場吧...
行銷雖然要打好，但至少先醞釀了再提
這種「一鳴驚人」的表現，長遠來說要能持續運營才行，不只是看當下的近利。