微軟在今年5月的Patch Tuesday修補了111個安全漏洞，當中有16個被列為重大（Critical ）等級，且本月並無出現任何零時差或已遭開採的安全漏洞。

在16個重大漏洞中，就有4個位於Microsoft SharePoint，它們分別是CVE-2020-1023、CVE-2020-1024、CVE-2020-1102及CVE-2020-1069，皆屬於遠端程式攻擊漏洞。其它的重大漏洞則散布在繪圖元件、Microsoft Edge、色彩管理、Chakra引擎、IE、MSHTML引擎、腳本引擎、VBScript、Visual Studio Code Python Extension ，以及有3個位於Media Foundation。

在眾多的重要漏洞中，同時被多個媒體提到的是CVE-2020-1096，它存在於Microsoft Edge中，因 PDF Reader無法妥善處理記憶體中的物件，而允許駭客以使用者權限執行任意程式。駭客只要代管一個藏有惡意PDF內容的網站，然後誘導使用者造訪並開啟PDF內容，就能開採該漏洞。

Zero Day Initiative（ZDI）也特別說明了幾個漏洞，其中之一為CVE-2020-1071，該漏洞藏匿在Windows的遠端存取通用對話框（Remote Access Common Dialog）中，但駭客需要實際接觸系統才能開採漏洞，成功的開採將允許駭客擴張權限以取得電腦的控制權。ZDI奉勸採行開放辦公室的企業應該要特別小心此一漏洞。

另一個則是出現在Windows繪圖元件的CVE-2020-1135，因該元件無法妥善處理記憶體中的物件而造成，這也是個權限擴張漏洞，駭客只要在系統上執行特製的程式就能控制受害電腦。

CVE-2020-1067是來自於Windows處理記憶體中物件的方式，而導致的遠端程式執行漏洞，駭客只要建立一個特製的請求就能擴張既有用戶的權限，並執行任意程式。

有趣的CVE-2020-1118則與Windows的TLS實踐有關，若Windows不正確地處理特定的金鑰交換時即可觸發該漏洞，成功的開採將造成系統停止回應。駭客只要傳送特製的請求到採用TLS 1.2或更早規格的系統，受害系統就會自動重開機，屬於服務阻斷漏洞。

微軟宣布與贊助Redis開發的Redis Labs建立合作關係，除了原本在Azure上的Redis託管解決方案之外，用戶現在還可在Azure市集訂閱Redis Labs軟體，使用Redis Labs所開發的專有企業模組，包括RediSearch、RedisBloom和RedisTimeSeries等。

Redis是一個開源的記憶體資料庫，過去微軟是以開源的Redis來建構託管解決方案Azure Cache for Redis，讓使用者應用於分散式快取、對話儲存和訊息代理等案例，而現在微軟與Redis Labs合作，強化了快取服務的操作彈性和安全性，擴展Azure Cache for Redis可以支援的情境。

微軟與Redis Labs合作開發的擴展產品，是針對企業用戶，透過在Azure Cache for Redis整合Redis Labs技術，使用者可以存取由Redis Labs開發的RediSearch、RedisBloom和RedisTimeSeries等模組，這些模組提供新的資料結構，能夠支援諸如資料分析和機器學習等使用案例。

微軟提到，新模組會與Azure Cache for Redis現有的功能搭配，像是資料永久性、叢集、地理複製和網路隔離等，另外，使用者現在還可以選擇SSD快閃儲存部署選項，犧牲一點效能但能以每GB更低的價格，獲取更大的快取容量。而增強SLA和地理複製將讓用戶能配置全球快取，在沒有資料損失的情況下將故障轉移至另一個地區，微軟提到，這項功能未來會讓Azure中的快取與企業就地部署相連接，提升可用性與故障轉移。

新企業級服務託管於Azure中，用戶可以在Azure市集中訂閱Redis Labs軟體，以存取配置程序中不可缺少的部分，微軟提到，這種特殊的整合方式，同樣可以利用Azure上的功能，包括Azure Portal與命令列工具，同時也能擁有安全以及標準法遵功能，並且提供統一計價服務。

在技術支援上，微軟將會提供第一線的服務，並在特定的支援問題上和Redis Labs合作，由於微軟將這個新合作定位成Azure原生服務，因此用戶已經可以使用Azure安全性和配置工具，將Redis企業功能整合到Azure開發工作上。

臉書（Facebook）本周與美國加州聖馬特奧高等法院達成初步的和解，同意支付5,200萬美元予因審核該平臺上的內容，而造成心理創傷的現任或前任員工。

這些員工並非屬於臉書的正式員工，而是臉書透過各大顧問公司所聘請的約聘人員，負責審核臉書上的內容是否符合該平臺的守則。

此案是由其中的一名審核員Selena Scola在2018年所提出的，她宣稱在擔任該職務9個月之後，便罹患了「創傷後壓力症候群」（PTSD），因為她經常會看到那些有關自殺、謀殺與強暴的照片或影片，指控臉書並未提供安全的工作環境。隨後美國即有來自4個州的內容審核員加入此一訴訟，包括加州、亞歷桑那州、德州與佛羅里達州，只要是在2015年迄今曾擔任臉書內容審查員的約聘人員，都有資格申請，估計有1.1萬人。

在初步的和解協議中，臉書同意每名內容審核員都能領取1千美元的補償津貼，假設被診斷出因此一工作而患上PTSD，或是出現沮喪與上癮的其它心理症狀，就能額外領取最高6千美元的補償。

臉書也準備改善其內容審核工具，目的在於減少人類審查員受到不良衝擊的機率，例如預設即消音，把照片或影片變成黑白的，預計今年底就能部署至80%的審查員，明年全部的審查員都能受惠。

同時臉書也同意改善這些審查員的心理諮商福利，讓這些審查員每周都能與專業人員進行諮商，若發生緊急事件亦能在24小時內聯絡諮商師，並展開每月的團體諮商活動。

談到企業創新，不外乎是要從新場景找機會。比如，在武漢肺炎（COVID-19）疫情籠罩下，時常能聽到「請填一下健康聲明表」這句話。由於各個場所配合政府政策、謹慎起見，要求出入民眾填寫健康聲明書，甚至是旅遊史、接觸史等細節，「但去餐廳要手寫填一次資料，等一下拜訪公司，還要重複一次。」前阿里巴巴集團副總裁、現任紅杉資本中國專家合夥人的車品覺點出，「這雖然是個問題，但也是企業創新的機會。」

像是，藉助區塊鏈不可竄改和保護隱私的特性，來存放個人旅遊和出入地點資訊，透過授權機制將資訊分享給特定機構，比如旅宿業者、機場、餐飲商家等。這個方法，還能融合AI、數據分析，只要鏈上有人染疫，就能立即追蹤過去一段時間的行動軌跡，並估算未來幾小時的影響範圍和感染風險。

「這就是一個以新技術為起點的創新例子。」不過，車品覺話鋒一轉，有別於以新技術為起點的新創公司，大部分想轉型的企業，都營運已久，雖然有優勢，卻也有包袱。他認為，對這些企業來說，第一步是要勇於試錯，找出公司內部有發展潛力、可能改變未來的領域，或是利用手上豐厚的「結果數據」，來找出「過程數據」，創造一個新業務。

勇於嘗試錯誤找出潛力領域，掌握過程數據另闢新市場

對於創新，企業得三分想像、七分嘗試，透過不斷試錯找出有潛力領域，再給予數據資源和企業文化來全力支持 ─── 紅杉資本中國專家合夥人 車品覺。 圖片來源／車品覺

車品覺在阿里巴巴集團任職六年，一手推動集團的數位改革創新，不僅擔任首任數據委員會會長，還打造了內部的數據治理架構。離開阿里巴巴後，他進入紅杉資本中國基金，同時也輔導了20多家指標型企業，遍及銀行、網路企業、廣告等領域。

回顧這些經驗，他指出，轉型創新第一步，是要「三分想像、七分嘗試，」從中找出有潛力影響未來的領域，並投入數據資源和企業文化的力量，來全力發展。

直到後來，集團成員認為虛擬辦公會是未來潮流，便將其中一項智慧辦公專案獨立出來培養。即便一開始專案發展不如意，集團仍投注大筆資金和資源，並在2014年推出智慧辦公App釘釘。釘釘的目的，是要解決異地辦公的不便，除了支援多人線上會議、多種考勤方式如手機簽到、催辦等，還可快速執行內部審批、工作通知和重要行事曆等功能。經過短短幾年發展，去年，釘釘全球企業用戶數達1,000萬，今年初還一度超越微信，成為蘋果應用程式商店的免費程式第一名。舉例來說，多年前，阿里巴巴鼓勵內部創新，提供資源和環境讓小型團隊進行試驗。他坦言，這些專案大多看不出前景，但集團願意嘗試各種可能。

除了勇於嘗試，車品覺指出，原本就擁有大量核心業務數據的企業，比如銀行，就可利用手上豐厚的「結果數據」，來找出「過程數據」，將這兩種數據轉化為一個新事業。

舉例來說，二手車業者經多年買賣，握有車輛剩餘價值的數據，其中，就有家業者找上汽車維修廠，取得車種維修數據，整合起來推測車輛老化趨勢，比如某車在第三年出現耗油的問題，兩年後車輛價值將大幅降低。整合結果數據和過程數據，對汽車保險公司來說，就是相當值錢的情報。

找出企業的潛力或過程數據後，另一步，就是要進行差距分析，來制定數據化戰略。

做好差距分析，將技術語言轉換為商業語言

所謂的差距分析（Gap analysis），是要來盤點企業內部的發展現況與目標差距，並根據這些差距，來制定發展策略。否則，不明確的數據戰略，容易讓高階主管遲疑，降低投入資源的意願。

車品覺指出，盤點工作有三個重點，首先是數據的資源收集與使用情況，再來是數據技術的成熟度，最後則是衡量企業的組織架構，是否能適應新的運作模式。這個盤點分析，能顯示企業轉型的真實差距，也能讓全體職員對轉型有更客觀的預知。

他強調，進行盤點時，「要特別注意哪些是有用的數據。」這是因為，他從顧問經驗中發現，許多企業實際使用的數據，還不到整體數據的5％。

此外，他也提醒，盤點數據時，不能以盤點實際物體的方式進行，而是要意識到數據的潛能，也就是「數據可以隨意組合、產生新價值。」

最後，盤點數據除了能了解企業現狀與目標差距，還能將技術語言轉換為商業語言，讓企業高層了解哪些問題該解決。舉例來說，企業內部盤點發現，同種數據有5個單位在收集，因而產生5種標準，但是，企業目標是希望只用一種標準，因此，團隊就能與高層共同討論最終標準。

AI大數據變幻莫測，靠中臺來彈性管理數據

圖片來源／阿里雲

阿里巴巴多年前提出數據中臺方法論，透過組織調整和資料倉儲、數據同步等技術方法，設計出統一管理數據來源和應用的中臺，來支援內部上百個業務應用，避免重複建置、數據指標定義不全等問題。經過幾年雙十一洗禮，數據中臺成熟落地，阿里巴巴也在去年，將自家經驗打造成一套解決方案。

找出現況與目標差距後，接下來，就是要做好數據管理。車品覺解釋，現今企業內部的數據，大多為縱向發展，如果要給不同部門來橫向使用，就必須「打通隔閡」、讓數據流通，因此需設置一個專門的數據或AI組織，來管理數據的收集和應用。這就好比企業中的人資單位，統一管理薪資、差勤和招募等工作。

而最具代表性的數據管理例子，莫過於阿里巴巴的數據中臺。身為幕後核心推手的車品覺指出，以往企業可分為前臺組織和後臺組織，前臺組織負責最前線的業務，後臺負責企業營運，包含了如財務、人資等單位。「但在網路快速變化的世界，前臺越走越快，後臺則相對緩慢，但兩者使用的數據，又有許多共同點。」

於是，他與團隊不斷摸索，建立了數據中臺。這個中臺結合了技術、管理和合規，不只是組織的調整，也包含一套統整數據、管理數據的方法，來支援前臺的高速變化，同時防止後臺的緩慢。

數據中臺的職掌，涵蓋了數據的收集、計算、儲存、加工和管理等一系列作業，甚至也包括演算法和數據模型的控管。

除此之外，管理各部門通用的基礎功能，也是數據中臺的職掌之一。「以前，我常鼓勵在阿里的數據科學家，一周4天到業務部門工作，最後一天回來我的部門，」然後找出跨部門所使用的基礎功能，並交由數據中臺來管理。車品覺強調，這種在不同部門間重複使用的功能，不應超過總量的30%。

另一方面，KPI也是數據管理的重點。在他看來，衡量成效的KPI有幾個關鍵，首先是副本（Replication）的數量和位置控制，也就是利用工具來管控企業資料庫，盡量降低同數據的副本數量，並管理存放位置。

接下來，就是數據的「共創性」，也就是跨部門的數據合作程度。比如，A部門和B部門都需要建置各自的資料庫，來開發新應用，但兩者性質、目標正好相似，就可分配A做3成、B做6成，共同打造一個資料庫。如此一來，不只省時間、省資源，更重要的是，「A部門對特定領域，能提供比B部門更深刻的洞察。」就好比，保險部門和催收部門透過共享數據，從中找出潛在的不良客戶。車品覺認為，企業共創性越高，數據化程度也就越好。

數型和數據湖型架構，缺一不可

談到數據管理，他還點出了一個重點：數據架構。他指出，數據架構可分為兩種，一是與業務邏輯緊密相關的指標型數據，可用做商業分析（BI），另一種是與業務邏輯毫不相關的數據湖型數據，「是一種扁平的、不需過多清洗的數據，」適合用來發展AI應用。

進一步來說，越底層的數據，越要保持其「原子性」，也就是與業務解耦、獨立存在。這是因為，未來當業務邏輯改變時，就不需要大費周章重新處理數據，減少重複作業的成本。

這兩種數據架構，可以應付不同場景需求，還能加強解釋性。舉例來說，利用數據湖型數據打造的深度學習系統，可利用業務邏輯強的指標型數據，來輔助解釋AI系統的產出值。也因此，「這兩種架構在企業中，缺一不可。」

除此之外，「數據來源管理也是一門課題。」他強調，數據可溯源，才能在系統計算出問題時，來還原結果、找出癥結。

正視資料隱私，藉助技術加強資料防護

不只對企業數據應用有獨到見解，近年，車品覺也開始推廣資料隱私和管理理念。他指出，大數據產業一直在忽略、迴避數據倫理，擔心一檢查就露出破綻，也害怕因此扼殺創新。實際上，企業不需擔憂，而是要改變數據策略，並且「以數據隱私為前提，來開發業務應用，」而非以業務發展為前提，再來想辦法配合資料隱私作法。

其中一個作法，就是建立資料隱私小組，以業務、技術人員和懂得政府政策的倫理專家為成員，來探討數據的使用和開放議題。他認為，個資保護是企業的良機，因為，「市面上已有許多技術，能解決數據隱私問題，也不影響數據分析能力。」大型企業採用後，就能在保護個資的同時，以集體、共享的力量，帶來更便利的服務。

另一方面，為進一步推動數據隱私和治理方法，2018年底，車品覺連同前香港特別行政區政府資訊總監楊德斌，以及數名科技界和商業界重量級人物，共同成立了大數據治理公會，來推動大數據治理方法，要讓香港成為全球的大數據樞紐。

擔任顧問團召集人的他指出，這個公會，彙集了監管機構、政府單位和業界組織，甚至還有大數據企業如AWS、微軟、阿里巴巴、中國銀行和騰訊等。這個公會的成因，是見到大數據應用越來越廣泛，必須有一套方法來確保數據隱私和安全；此外，隨著AI興起，也需要一套準則，來把關數據品質，確保AI模型的產出。

也因此，公會負責制訂數據治理政策，來讓企業遵從。車品覺也分享了一個正在探討的議題：數據去識別化。「我們正在思考，數據去識別化的程度如何拿捏？能否成為原則？」為徹底落實，公會甚至構想，除了要入會企業簽署聲明，還必須答應不還原數據，並由公會的數據審查員來檢驗。

這些努力，都是為了打好企業大數據隱私和數據治理的基本功，才能在這個基礎上，來發展更尖端的應用服務。

CTO小檔案

車品覺

紅杉資本中國專家合夥人

學歷：歐洲工商管理學院碩士

經歷：曾任滙豐銀行IT部高級管理者、微軟產品總監、eBay產品總監等職位，創立世界首家跨境交易的B2B電子商務平臺。2010年至2016年先後任職於支付寶、淘寶，並擔任阿里巴巴集團副總裁及首任數據委員會會長，帶領阿里巴巴轉型為數據公司。2016年起擔任紅杉資本中國專家合夥人。

公司檔案

紅杉資本

● 成立時間：1972年，中國基金為2005年

● 主要業務：風險投資，目前全球已投資超過500家公司，如蘋果、Google、甲骨文、思科和Yahoo等，中國部分則有阿里巴巴、字節跳動、大眾點評網、網路安全業者360等

● 總部：美國加州門羅帕克市

● 員工數：500至1,000人

● 資本額：40億美元

● 創辦人：Don Valentine

「我們與惡的距離」，這是臺灣2019年最紅的一個關鍵字，Google搜尋每年都會列出，全球各地的關鍵字排行榜，來反應這一年人們最關注的話題。

開發圈也有一個流行度排行榜——TIOBE（全球開發語言排行榜），同樣整合了全球各大搜尋引擎對不同開發語言的搜尋熱度，估算出了每個開發語言每個月的熱門程度。Java語言和C語言，不斷輪流搶奪龍頭寶座，幾乎包辦了過去20年的冠亞軍。但是，有一匹黑馬，從2017年底竄出，拋開了緊追在後的Visual Basic、JavaScript或PHP，在2018年更快速地超越了C#、C++的流行程度，在2019年6月，擠進了前三甲，更有挑戰兩大龍頭的地位，這個開發語言的新主流，就是Python，也正是在AI應用大爆發的這兩年，最受資料科學家青睞的語言，甚至，Python被譽為是AI時代的主流語言（Lingua Franca）。

開發圈熱門問答網站Stack Overflow每年都會進行一次開發者大調查，2019年的調查結果發現，Python打敗了Java，成為工程師最喜歡的第二個語言，僅次於Rust。不只是偏愛，實際應用上，在常用語言排名中，Python名次也攀升到第四，僅次於JavaScript、HTML/CSS、SQL這些網站常見技術之後，但遠超過了其他開發語言。這意味著，越來越多人使用Python來開發程式，正在使用的開發者想要持續使用它，更有許多開發者想要學。

若觀察TIOBE近20年來的程式語言網路聲量趨勢，不難發現Python處於穩定上升的狀態，自2018年9月超過C++之後，更是持續與一眾語言拉開流行度差距，因快速成長的潛力，還一口氣拿過2007、2010、2018年的年度語言冠軍。

不只開發者偏愛，Python也是許多開發專案、軟體常用的技術。在全球最大開源專案平臺GitHub上，去年年度報告統計，Python首次超過Java，成為GitHub上第二流行的語言，僅次於JavaScript，這意味著使用Python的開發專案數量，是全球第二多。

為何這麼多開發專案愛用？GitHub報告直言，快速擴張的資料科學社群，就是Python竄紅的關鍵。隨著AI應用崛起，許多科學計算、數據分析的函式庫與套件紛紛出籠，而且都支援或直接使用Python語言來開發。

其實，Python語言快要30歲了，已經不年輕了！1989年，一名荷蘭工程師Guido Van Rossum在聖誕節閒暇之餘，決定為正在構思的一個新腳本語言寫一個直譯器，並從熱愛的電視喜劇（Monty Python's Flying Circus）中，取Python來為專案命名。由於Van Rossum曾參與ABC程式語言的開發，欣賞它簡潔優美的語法，因此，他也讓Python繼承了這項特色，打造出一個能替代Unix shell與C來進行系統管理的新語言。

Python的誕生，就是追求更好的程式碼可讀性，更簡潔的語法，這些語法簡潔、簡單易用的語言設計，更讓它在1991年開源之後，逐漸吸引了不少網站工程師愛用，逐漸成為熱門腳本語言之一，也經常與Perl、Shell Script混搭，用於Web伺服器的後端腳本程式開發上，來建立動態網頁應用。

不只是一種技術風格，Python語言的簡潔設計，後來更發展成一種程式開發的哲學。1999年，創造出Timesort混合排序演算法的工程師Tim Peters，列出了20條Python設計禪學（The Zen of Python），比如「優美優於醜陋，明瞭優於隱晦，簡單優於複雜，複雜優於凌亂……」等原則。這篇Python知名貢獻者的文章，後來更列入了Python官方建議準則中（Python Enhancement Proposals，PEP），作為程式碼撰寫原則，更成了後來許多工程師，開發Python程式時的習慣。

用更少的程式碼來表達想法，讓程式的結構更清晰明瞭，儼然成了Python開發圈特有的風氣和特質。

不只是一種好看好懂的語言而已，Python對C語言的高度支援，也是開發者愛用的另一大原因。開發者可以藉助Python的簡潔來加快開發過程，又容易以C作為底層架構來整合其他語言的模組，提高程式碼的執行速度，同時兼顧開發與執行的效率。這也讓Python贏得膠水語言（glue language）的稱號，來形容Python很適合用於串接到各式各樣的系統（例如資料庫），或在數據計算時，用來連接其他語言編寫的函式庫等，用途相當廣。

經過多年的發展後，Python的主要定位，是在專業嚴謹與實用性之間作出平衡，以膠水語言的身份，將各種不同技術串接成完整系統。這個特色，逐漸讓Python在眾多領域中嶄露頭角，甚至已經在今日橫向擴展成一個龐大的生態系，不但在專業資安領域，被公認為網路攻防應用的首選，在雲端運算資源管理、IoT管理、Web開發、DevOps領域，也成為主流語言之一，近幾年來，在資料科學領域的崛起，更奠定了AI開發第一語言的地位。

Python TIOBE流行趨勢線

 2006年  微軟.NET開始支援Python，帶動一波熱潮，Python甚至成為TIOBE 2007年度語言，流行度超越Perl和C#。

 2008年  Python 2.7改版Python 3，因與Python 2不完全相容，引起不少社群反彈聲浪。

 2014年  Jupyter組織釋出了一款Web版程式開發工具Jupyter Notebook，成了Python在AI領域普及的關鍵。

 2017年  Python從2017年底流行度開始攀升，在2018年大幅超越了C#、C++的流行程度。

 2019年6月  全球流行度擠進前三名，緊追在C與Java之後。

AI如何助攻Python大受歡迎

要了解Python在AI領域為何盛行？首先，可以從資料科學家寫程式的目的來分析。由於大多資料科學家在開發演算法時，程式語言相對只是一種達成目的的工具，更重要的是演算法本身的設計與驗證。因此，一個能快速上手的程式語言，以及能降低程式語言設計門檻的開發環境，就顯得非常重要。

而Python的一大優點，就是具備了高階程式語言簡潔易讀、易學的特色，常被視為好上手的入門程式語言之一，符合了易於使用的需求；同時，Python擁有完整且多元的函式庫與框架，背後則有龐大社群在貢獻程式碼、維運工具與套件，讓開發人員可以無後顧之憂的套用所需功能的程式，不需從頭開始開發，能更專注於演算法的設計。

長期浸淫在Python科學計算領域近20年的交大AI學院副教授魏澤人，就根據自己使用Python的經驗分享，「Python的套件管理庫，各式各樣的功能都有」，開發者不用擔心開發專案時，得從頭開始打造某一個功能，「基本上都已經有人寫好了，只要透過pip工具直接安裝即可，非常方便。」他強調。

魏澤人更點出資料科學家愛用這項語言的另一個關鍵。他解釋，資料科學家開發演算法時，多半是實驗性、探索式的嘗試，與建置網站這種目的式的開發需求截然不同，而直譯式語言的Python，能讓開發者在修改程式後，一步步執行每一段程式碼，來了解其功能，「開發者與程式的互動性更高，比起編譯式語言更適合實驗及探索。」

再加上，Python像膠水語言般的特性，能輕鬆地將其他程式語言編寫的各種模組整合在一起，更吸引到其他非資料科學領域開發者的喜愛。對講究實用的企業而言，資料科學家開發出一個新的演算法後，要實際落地應用到業務場景時，Python就能成為資料團隊與其他部門工程師協同合作的共同語言。

比如國泰世華銀行數據生態營運部協理吳香妮就指出，原先資料科學團隊較常用R、SAS來開發應用，現在則主推Python，其中原因，就是要讓專注於演算法開發的資料科學家，能與API開發的工程師共同協作。

對此，魏澤人也有相同的觀點。學術界從1990年代起，研究數值分析、機器學習演算法時，最主流的軟體是需付費購買授權的Matlab。但從整個資料科學界來說，他認為，開源的Python，能通用於其他程式設計領域，如Web開發、網路爬蟲或寫個小工具等，「就結果論來說，Python才是數值計算與程式設計族群，都能接受的程式語言。」

先從數學和科學計算領域開始流行

Python在2000年開始，就是數學、物理、科學計算的工具之一，當時，魏澤人也用來執行數學計算的任務，「Python有一些程式語言的特性，相當適合數學計算。」比如說，Python的list comprehension語法，類似數學集合的寫法，可讓使用者以更簡單直覺的方式來建構列表（list），所以受數學背景的人喜愛，在整數計算上面，因為Python內建的整數沒有大小的上限，也適合用來解數論、組合、離散這類常會碰到大整數的數學問題。

在2000年之後，Python科學計算領域中，開始出現了Scipy開源函式庫，提供更完整的數值計算、矩陣計算等功能，2001年也舉辦了第一屆Scipy年會，讓開發者能互相交流以Python編寫的最新科學專案，而後，更多函式庫如Matplotlib、Numpy、Pandas開源釋出，也吸引科學計算社群逐漸擴大。

2014年，致力於推動程式語言開放標準Jupyter組織釋出了一款Web版程式開發工具Jupyter Notebook，更成了Python在AI領域普及的關鍵。這個介於複雜的整合式開發工具IDE和程式碼文字編輯器之間的工具，可以快速將演算法程式，套用到數據資料上來繪製各類圖表，大幅降低了Python的使用門檻，因而深受資料科學家的喜愛。

臺灣極少數成為Python軟體包官方機構（The Python Packaging Authority）活躍貢獻者的鍾子屏這麼形容：「Jupyter Notebook之於ML，就類似Excel之於會計一樣。」就像Excel可以自動、快速執行各種會計計算，將計算結果視覺化，而Jupyter Notebook就是一個讓資料科學家開發、執行程式碼的互動式開發環境，能將資料視覺化來輔助開發。

有趣的是，雖然Jupyter Notebook並非Python的專屬開發工具，目前支援多種主流直譯式語言如Python、R、Julia，但它的前身是IPython Notebook，是一款基於Python提供互動運算命令介面的記事本，本來就是支援Python為主，後來多支援了Julia與R語言，才改名為Ju-pyt-er Notebook。因此，這款工具對於Python的極高支援性，成為資料科學家選用Python的重要理由。

Python資料科學領域逐漸豐富的開源函式庫、框架、IDE、套件工具，大幅提升AI開發的便利性，吸引更多人、甚至大企業都用來開發AI應用。而大企業加入後，不僅更多產品、服務開始支援Python，各類套件工具也推陳出新。

比如Google 2015年開源的ML框架TensorFlow有支援Python，臉書在2016年也開源以Python開發的ML框架Pytorch，幾乎成為成長速度最快的兩種ML框架。再加上，專門為Python設計的開發環境Pycharm，以及CPython、Jython、Pypy、IronPython等直譯器，這些套件與工具，都不同程度的助攻Python成為AI時代的流行語言。

不只AI，Python早就在Web應用大展身手

儘管近幾年，隨著資料科學爆紅，更帶動了Python的人氣，但對Web領域而言，Python早就是一個廣泛好用的熱門技術。比如IDE廠商JetBrains在2018年開發者報告就指出，Python社群中，58%的開發者曾用Python來開發資料分析應用，但也有52％的人用來開發Web應用。這意味著，儘管不少資料科學家壯大了Python社群，但社群本身在其他領域應用Python的基數，也不容小覷。

早從1990年代開始，Python常用於網頁後端的腳本開發上，不過，當時最流行的腳本語言還是Perl、Shell Script等，Python頂多排第三，獲得部分開發者的支持。2000年後，開始出現了以Python開發的Web應用伺服器Zope，以及建立於Zope之上的開源內容管理系統Plone，受到部分Web開發者的青睞。不過，當時主流的Web開發語言像是Java、PHP、C#，各種語言均有人青睞，Python並沒有絕對的優勢。

而後，Python今日最熱門的兩種Web應用框架，Django與Flask，分別在2005、2010年釋出，逐漸將Python也推上網頁後端與Web應用開發領域的常用語言，尤其，Django能讓開發者快速建立起高可用性的後臺，而Flask適合用於輕量級的網站，也適合用來開發API。

Python也不只能用於簡單用途或小型任務，也有許多超大型的應用實例，像Google搜遍所有網站內容的網路爬蟲，就是用Python開發的程式。Dropbox也用Python開發了超過400萬行程式碼，就連Instagram數十億用戶的互動環境，也靠Python與Django框架來打造。

雖然目前在TIOBE開發語言排行榜上，Java和 C分居前兩名，Python靠AI崛起才後來居上，名列第三，不過，Python的發展還沒到頂，未來的成長潛力與空間，還有機會能更進一步。

Python的兩大難題

Python的兩大難題，就是最佳化與平行處理的能力。

以Python而言，作為一個高階語言，語法簡潔、程式碼可讀性高為一大優點，適合程式設計初學者入門學習；但反過來說，已經熟悉了其他語言的開發者，比如語法嚴謹的C或Java，要轉換成Python可能有些適應不良，Python的強制縮排語法特色，也可能讓開發者很不習慣。

Python作為直譯式語言，儘管因互動性高、除錯快等優點，能讓開發者更彈性且快速的進行探索式的開發，比如近年來資料科學領域盛行的R、Metlab等語言，就同屬這類。不過，也因需要一步步直譯程式碼，先天上就會比編譯式語言花上更多的執行時間，影響程式的執行速度變慢。

而且，Python同時也是一個動態語言，開發者不需先宣告變數的型態，回傳型態也不需宣告，能讓語法更簡潔、彈性，不過，這也造成難以除錯的問題，型態錯誤可能在執行程式時才會呈現出來，影響程式執行效能不理想。魏澤人舉例，當一個變數寫成number=3，若不小心打錯成nmber=3時，在靜態語言中，會因與宣告的型態不同而自動警告，但在動態語言中，它可能認定為，有一個新的變數叫做nmber，並不視為一個錯誤。也就是說，由於動態語言的彈性較大，對編譯器來說，也較難最佳化。

另外，Python還有全域性直譯器鎖GIL 的限制，難以讓一個Python程式在多核心的處理器上進行平行處理。魏澤人解釋，由於平行處理能增加執行效率，程式常被拆分到不同執行緒來執行，不過，Python為了避免多執行緒記憶體及資源讀寫次序不一致的問題，就內建了一個GIL，來限制每次只有一個執行緒能執行資源存取。

也就是說，GIL本意是要解決執行緒間資料同步合作的困難，卻也因此侷限了平行處理的效能。但這個問題並非無解，常用的解決方法，可用multiprocessing取代threading，讓每個程序有獨立的記憶體，再例外由通訊交換資料，或建立特定共用記憶體；另一種方式是利用外部資料科學的函式庫如Numpy、TensorFlow，來處理需要大量計算的部分。

總結來說，Python身為一個直譯式的動態語言，加上GIL的設定，最佳化、平行處理能力較差，影響了程式執行效率。不過，藉著發揮膠水語言的優勢，Python也能與其他如C、Java等編譯式語言結合，來加速運算執行。

 相關報導 AI時代開發語言新主流Python

資料科學和Web開發是Python目前最擅長的兩大應用領域，在前者，Python無疑是公認的最佳開發語言選擇，但在後者，仍有許多Web技術可以選擇。在企業開發現場，Python如何在這兩個截然不同的領域，發揮作用？國泰金控數數發中心就是在雙領域中都大量使用Python。國泰世華銀行數據生態營運部協理吳香妮說：「我們的目的是，透過相同的Python開發，讓工程人員跟資料分析人員對接時，有共通的語言。」國泰的資料科學團隊和數位體驗開發團隊也現身說法，揭露各自在實務開發上的經驗。

企業資料科學團隊如何用Python？

國泰世華銀行數據生態營運部，是國泰金控數數發中心旗下的資料科學團隊之一。他們平時就大量使用Python，來開發各類演算法，進行產品推薦或關聯網路分析，從數據探索、特徵工程、建模、自動化工程，甚至ML模型的自動化上線、API開發等作業，都靠Python來完成。

國泰金控數數發中心數據生態發展部資料科學工程師陳柏翰舉例解釋，數據探索時，可用Python開發資料爬蟲程式，來抓取需要的外部開放資料，比如GIS地理資訊資料、工商業登記資料等，「我自己用過Python、Java、C#不同語言來開發爬蟲程式，相較之下，Python更容易開發、速度也更快。」

另外，在特徵工程、ML演算法開發的過程中，國泰也用Python取代R、SAS來進行。國泰世華銀行數據生態營運部資料科學分析師吳薰德表示，資料分析階段選用Python的關鍵是，Python擁有成熟的生態系，支援許多數據分析的套件，比如說在小數據探索上，很適合用Pandas框架來開發，而且，「Python在大量資料清整的能力，比R或傳統分析工具來得更好用。」

不只特定分析用途，在整體專案開發過程中，國泰團隊用開源工作流管理平臺Apache Airflow，搭配Python腳本程式，將工作流程自動化。

國泰世華銀行數據生態營運部資料科學工程師曾晴解釋，過去執行整套資料分析流程時，經常會發生模型程式執行好幾天後，最後要產出結果時，才發現資料來源還沒更新到位，往往到最後的步驟才發現異常，這時，就需要靠工程師人工查看Log日誌，找出其中的資料斷點。或者是在程式執行前，需花大量時間人工檢查數據來源後，才能手動執行下一個程式動作。

因此，國泰導入Airflow作為工作流的監控與排程平臺，使用Python來撰寫各種流程的自動化腳本程式，一旦資料來源的資料到位後，就會自動觸發下一支程式執行，國泰還搭配Airflow監控專案來判斷異常。「如此一來，不只提升整體維運效率，程式異常時，可以更快找到斷點來處理。」曾晴表示。

不只是內部分析時使用，國泰將ML模型上線到金融場景應用時背後的API，也是用Python來開發。以客服中心的客戶進線問題預測模型為例，國泰會透過蒐集過去客戶行為軌跡，比如在ATM領錢、刷卡失敗、或剛繳完帳單等行為，將這些行為軌跡資料轉換成特徵變數並建立預測模型，再將預測模型打包成API，再提供給面對客服人員的前端客戶端儀表板程式呼叫使用。

如此一來，當客服人員接到來電時，系統搭配及時串流資料，就能立即預測出客戶可能想問的問題前三名，讓客服人員能快速從客戶儀表版獲得更多參考資訊，提高顧客客服體驗。

在不同資料分析上都善用Python後，陳柏翰認為，Python的優勢是，能成為協作溝通的橋樑，讓工程人員與分析人員能互相對彼此提供程式碼的建議，來加速專案的開發。

國泰自建Python框架加速開發

「一套統一的框架可以加速專案上線，所以，國泰資料分析工程團隊才決定自己建立這個Python框架，稱為Rocket。」陳柏翰解釋，Rocket主要用於內部數據工程及資料科學專案的開發，透過預先建立好的Python程式開發框架，來制定每個程式設計環節的規範，比如Log日誌儲存位置、如何啟動程式、程式接口設定等，都可以依照框架來統一標準作法。

這個自製的Rocket框架，也能串接到後端Airflow的自動化監控，讀取Log數據，再串接到後端進行監控。在CI/CD的部分，國泰也在Rocket框架中，先完成了一套單元測試的方式，開發團隊成員可以透過幾個指令，快速執行測試任務，並自動輸出成報告。也因為部署環節中，開發、測試、上線不同環境的設定檔都不同，所以國泰也在Rocket框架中，預先內建了一套標準的配置檔，以利各種快速部署之用。

為何要自己設計一套框架？陳柏翰表示，Python與Java相比，建立程式開發環境時，Java已有固定格式的資料夾結構，但是，Python彈性較高而沒有限制，「甚至在數據科學應用上，也沒有一套如同Web開發領域的Flask框架可用。」因此，國泰才決定自行設計Rocket，預先統一每個專案的開發架構，也讓團隊熟悉開發流程，來加速專案上線。

資料分析團隊還將慣用的Python套件，比如Pandas、Scikit-Learn等，依照不同功能，重新打包成一個資料分析團隊內部的「常用套件包」。比如說，原本每個人撰寫時間轉換功能的程式都不同，全面改用統一的套件，就能在同樣功能上統一程式碼，能省下各自開發的時間，「因為分析人員花比較多時間在鑽研演算法，有些套件已經打包好，能直接呼叫比較快。」吳薰德說。

為何國泰後端工程團隊也愛用Python？

國泰數數發中心另一個愛用Python的團隊是國泰金控數數發中心數位體驗科技部。他們是數位產品從開發到上線的幕後推手，主要任務是開發數位產品，來提升使用者的數位體驗。國泰在部分生活場景的新產品，背後系統就是靠擅長Python的後端工程技術團隊所打造。除了開發網站後端，也能做輕量級的應用程式API，來推動新服務上線。

國泰金控數數發中心數位體驗科技部資深工程師杜政家指出，國泰近年來在開發生活場景的新服務時，會將新系統與原先的核心系統分開開發，來實現架構分離。「架構分離可以讓兩個系統不會互相牽制，」他解釋，比如生活場景的新服務，可能需要更強的獨立性、更快的迭代速度、以及可擴充性的架構，才不會受制於原銀行環境的影響。

由於既有核心系統主要採用Java平臺，國泰選擇將部分生活場景的應用拆分獨立出來，並改以Python來開發，比如國泰優惠App中，對內的客戶身分驗證API、內容管理平臺，或是對外的電子商務、點數會員平臺等。

杜政家表示，改用Python開發的好處很多，除了開發成本較低，也因Python具備兩個發展成熟的框架，Django和Flask，能讓開發團隊快速建立起一個高可用性的網站後臺，也容易建立輕量級的API。

國泰後端工程團隊也常用Django及Flask，搭配Docker容器技術，來建立起一個獨立封閉的開發環境，同時結合GitLab的CI/CD達到持續整合，來建立一套軟體開發流程。

國泰金控數數發中心數位體驗科技部技術經理鄒政倫也補充，選擇使用Python，而非性質相似的Web開發語言PHP，是因PHP資安漏洞較多，用Python來取代，可以降低資安防護要面對的風險。而且，Python向來在Web應用開發上有不錯的表現，再加上容易上手，「就算原本擅長Java的工程師，也能快速適應改用Python來開發。」

不過，並非所有金融服務都能改用Python來開發，對國泰來說，Java仍是關鍵技術，鄒政倫解釋：「因為核心金融服務的資料，如身分證、個資等，仍來自於銀行核心系統，勢必要搭配銀行原本的核心系統跟開發環境。」所以，國泰中介層應用的開發上，仍以Java為主，不過，「將Java系統上的資料萃取出來後，未來，前端應用就能彈性改用其他技術或方法來開發。」

Python不需要專才，而是人人都要的基本能力

儘管Python是資料科學與後端工程團隊的常用語言，但不約而同的，兩個團隊都認為，Python技術力不是他們徵才的關鍵。吳香妮指出，資料科學團隊要的人才，「Python技術不是唯一要求，對數據分析沒有任何概念，沒有洞察能力也不行。」反而因為，Python上手門檻低，國泰集團內部學習網也有相關資源能自學，「只要達到Python技術基本門檻，進來之後從做中學比較快。」

後端工程團隊的杜政家也提到，由於後端開發的語言選擇很多，「只要程式底子夠的話，要轉換程式語言不困難。」因此，他更看重具有後端相關工作經驗、優秀的程式設計能力，甚至有前端開發經驗但想往後端嘗試的求職者，都是這個團隊要的人才。

而國泰後端工程團隊還設計了一個導師制度，安排資深人員擔任輔導（Mentor）角色，協助新進員工準備工作環境，以及相關環境設定。另外，使用的技術框架與開發流程，也由Mentor在實務工作中來協助進行在職訓練。

兩種團隊各自領域不同，必學工具也不同。國泰後端工程團隊建議，Django、Flask與Docker，是Python在Web開發領域的必學工具。而對於資料科學團隊來說，一定要先學的能力是資料爬蟲，這是進行資料分析的第一步，其他ML、數據分析、科學計算的框架，則無特定推薦，要看實際應用場景來決定。

但不論是哪一個團隊，都希望成員能夠不斷增進自己的開發實力，比如鼓勵員工參加外部研討會、外部課程並提供補助，也鼓勵員工組成讀書會、參加社群活動，來養成自發性學習的習慣。「技術會不斷迭代，需要不斷學習，Python能力不一定要最頂尖，但是要具備自學與分享的態度，成員才能互相成長。」陳柏翰說。

國泰世華銀行數據生態營運部

由左而右分別是國泰世華銀行數據生態營運部資料科學分析師吳薰德、資料科學工程師曾晴、協理吳香妮、國泰金控數數發中心數據生態發展部資料科學工程師陳柏翰。

 主要工作  開發各類演算法，比如產品推薦或關聯網路分析

 Python應用  數據探索、特徵工程、建模、自動化工程、API開發

 為什麼選Python  Python能成為資料分析人員與工程人員的共通語言

 開發環境特色  自建Python程式開發框架Rocket，來統一每個程式設計環節的標準

 人才需求 資料分析的應用解題能力，Python基本能力，但得先學資料爬蟲設計

國泰金控數數發中心數位體驗科技部

國泰金控數數發中心數位體驗科技部，由左而右分別是技術經理鄒政倫、資深工程師杜政家。

 主要工作 相關數位產品的開發到上線，還要負責優化使用者體驗

 Python應用 開發網站後端、輕量級的應用程式API

 為什麼選Python  Django和Flask框架發展成熟，能快速建立Web應用

 開發環境特色 用容器技術與GitLab的CI/CD，來建立軟體開發流程

 人才需求 具備前、後端開發經驗，以及好的程式設計能力者

 相關報導  AI時代開發語言新主流Python

在Python發展尚未如今日成熟時，很常拿來與同領域相似功能的語言對比，比如在1990年代，Perl幾乎是開發者最常用的手稿語言，Python後來居上，兩者常被拿來相比。臺灣極少數成為Python套件官方機構PyPA（The Python Packaging Authority）的活躍貢獻者鍾子屏表示，Python後來的崛起，部分原因是基於開發者對Perl的反動，但兩者還是各自有擁護者，直到Perl開始在2005年走下坡之後，才逐漸奠定Python的地位。

在資料科學領域也是如此。根據2019年一份報告，統計美國最大求職網站Indeed.com一天內的資料科學領域熱門語言的徵才狀況，顯示出，Python的徵才需求第一，有27,374個職缺，其次是SQL，再來是Java及Amazon的ML工具，然後才是R，有13,800個職缺。這意味著，雖然R和Python常被拿來比較，但實際在資料科學的應用場域，R的需求大概只有Python的一半，就算Python也可能被用來執行通用的任務，但不可否認的，R的應用熱度已經不如Python了。

又或者在Web開發領域，交大AI學院副教授魏澤人也指出，以前還會有人以Python來挑戰Java，或是將Ruby與Python相提並論，不過在Python的地位底定之後，已經很少人拿Python再去戰其他語言，反而是開始有其他新的語言，要試圖挑戰Python的地位，「現在來說，Python已經走向溫和友善的語言，不會去競爭，我們也很歡迎大家在PyCon會議上，來介紹其他語言。」

不過，僅管Python在未來十年內還是有很大優勢維持領先，魏澤人說，仍有幾個值得注意的競爭對手，也許在未來能挑戰Python的地位。其一，是資料科學研究領域的崛起新星Julia，另一個，則是用來開發iOS應用程式的Swift。

2012年才誕生的Julia，是為了滿足高效能數值分析及科學計算，所設計出的靜態、編譯式語言，具有平行處理、分散式運算的能力，其他優勢，還包括能不靠API直接呼叫C語言的函式，具有類似Lisp的巨集與元程式設計工具（Meta Programming），甚至連資料科學領域的超強視覺化工具Jupyter Notebook，也有支援。

魏澤人表示，Julia相對於Python，是比較現代、新潮的語言，編譯式的特性使執行速度更快，也是專門為了平行運算而設計，再加上，Julia的meta programming能力較強，能用來編寫許多小型的領域特定語言（Domain Specific Language，DSL），比如在科學計算中，可以用來自定義一個特別的運算子（Operator）或者語法，來表達領域中習慣的算式和語法，而極端的狀況甚至可以將程式語言重新定義以中文編寫等，都是其中應用。

儘管Julia目前還是一個初出茅廬的新語言，較常被用於學術圈，未來能否進一步應用到業界程式設計或資料科學領域中，還是個未知數，但它已然成為資料科學領域的一個崛起新星，「是個有潛力的語言。」魏澤人說。

而另一個可能與Python相競爭的語言，則是由Apple支持的iOS應用程式開發語言Swift。

若說Julia的應用還侷限在資料科學的研究領域，那Swift不但已經走入應用端，更有大公司在背後支持，應用場景更是廣泛，凡是iOS作業系統的軟應用都能用Swift開發，儘管2014才問世，卻有不可取代的市場與社群優勢。魏澤人說，雖然在資料科學領域的應用不多，但TensorFlow已經開始支援Swift，「比起Julia，我認為Swift有潛力成為Python更大的競爭對手。」

至於與Python相似性高的JavaScript，不但在網頁前端的地位無可匹敵，擁有一定的社群規模，且在AI崛起後，也出現了JavaScript版本的TensorFlow.js框架，能用來開發ML應用，是否可能為Python在資料科學領域的新競爭對手？魏澤人則認為，Python已經成為開發者熟悉的語言，套件生態系的發展也更完善且全面，「JavaScript有一定的優勢，但Python的已經成為資料科學社群習慣且偏好的語言，JavaScript短期內沒有取代的機會。」

 相關報導  AI時代開發語言新主流Python

繼承了ABC程式語言特色的Python，不但沒有走向ABC沒落的結局，反而從全球上百種程式語言中脫穎而出，成為當今全球第三熱門的程式語言之一。Python創辦人Guido Van Rossum認為，將Python免費開源的決定，是一大關鍵。除了開源讓更多人接觸使用，Python一行行程式碼與套件工具，也開放讓社群參與維運，如今，不但仰賴社群力量來迭代更新，也靠社群共識來決定發展方向。

不同於像微軟的C#或Google的Go，是由大企業來主導每個版本的開發，Python完全靠社群來驅動發展。其中，核心負責維持Python開發、運作與推廣的單位，是在2001年成立的Python軟體基金會（Python Software Foundation，PSF），主要任務是開發Python的核心發行版本，保障Python版本的智慧財產權，以及其他PSF持有商標的智財權。

由於PSF是一個非營利組織，這也使Python與企業主導模式的程式語言有本質上的不同。非營利組織並不為特定企業服務，是為了實現特定理念而存在，PSF正是為了推廣、保護並提升Python，同時促進全球多元社群成長而成立的組織，更進一步來說，各大企業無法對其進行併購，確保了PSF的獨立性，也確保了Python未來會一直以開源免費的形式存在，而PSF如今的最高決策小組，不論各自背景是來自哪一家企業，也是以個人名義在社群中活躍，儘管仍有些政治角力的意味在內，但較不易完全被特定企業所把持。

而PSF對於Python版本、相關組織的智財權的保障，也讓許多經由PSF官方認可並註冊商標的組織或活動，不會被隨意使用或冒用，比如Python年度最大技術交流活動PyCon，就是由PSF註冊的商標，也就是說，任何人不得在未經PSF同意的情況下，以PyCon的名義來舉辦活動，若是各國要舉辦地區性的PyCon活動，如臺灣的PyCon TW、英國的PyCon UK等，都需要向PSF申請，經過認可後才能舉行。

不過，PSF雖然擁有主導Python發展方向的權利，同時也是Python社群中的最高決策單位，但不同於企業主導模式是上而下的進行決策，PSF的決策方式，是在社群先達成共識後，下由上的影響決策單位做出官方的認可，除非是具有爭議性的問題，才會由決策單位進行決斷。過去，這個決策的角色就是由Guido Van Rossum擔當，他也因此被稱為「終身仁慈獨裁者（BDFL）」，但在他2018年退位後，BDFL的位置不復存在，改由新組成的五人領導委員會（Steering Council）來進行決策。

社群如何影響Python發展決策？

過去二十多年來，Python靠著一套程式碼貢獻機制，讓有興趣的社群成員能藉由參與程式碼的貢獻，來維持核心程式不斷迭代更新，也就是說，由下而上的來影響每個Python版本的核心程式碼、套件工具等。這套機制就是讓Python龐大的使用社群，能夠無後顧之憂的應用Python，不用擔心程式語言與安裝工具無人維運的關鍵。

臺灣極少數成為Python軟體包官方機構PyPA（The Python Packaging Authority）的活躍貢獻者鍾子屏，以自己的貢獻經驗來分享這套機制的運行方式，他從三年前自行開發了類似於rustup功能的Python安裝快捷工具PythonUp後，接觸到Python的特殊興趣小組（Special Interest Group，SIG），並成為了其中Distutils-SIG的活躍貢獻者，主要在開發Python軟體包管理工具（pip）功能。

鍾子屏表示，Distutils-SIG近期的任務，是在訂定軟體包安裝時的溝通標準，同時也是各專案在建立時的共通格式，來解決Python專案在合併或共享時，可能遇到格式不相容的問題。現在Python軟體包在pip安裝上有一個溝通標準（PEP 517），但尚未包含所有的溝通情境，為了克服這個問題，有些企業會在標準上建立自己的工具，來統一所有專案成一個共通的格式。不過現在，Distutils-SIG正在擴充並推廣新的溝通標準，試圖解決這個問題。

攝影／洪政偉

臺灣一位Python軟體包官方機構（PyPA）的活躍貢獻者鍾子屏，從三年前開始接觸Python的特殊興趣小組（SIG），並成為了其中Distutils-SIG的貢獻者，主要在開發Python軟體包管理工具（pip）功能。

社群提出的新功能，如何成為Python官方建議準則（Python Enhancement Proposals，PEP），再被列入Python未來更新版本的功能。這要從Python開發的溝通方式談起。

Python程式碼貢獻主要採用GitHub，但溝通則仍靠郵件清單（Mailing List），只要寄到這個清單上的任何訊息，都會自動轉寄給名單上所有人的電子郵件帳號。鍾子屏表示，核心程式碼貢獻的社群中，上百位成員都是年紀資深的貢獻者，熟悉用郵件清單溝通。不過，現在有越來越多的開發者，比如SIG社群成員，就更常在Web形式的官方論壇中交流，「以我來說，論壇差不多三天看一次，郵件清單比較少，差不多一個禮拜看一次。」

許多新功能的誕生，可能源自於一兩位SIG成員的點子，由成員先實作出初始版本後，再放到郵件清單或官方論壇中討論，若獲得多數成員認同、取得初步社群共識，就會請發起人寫成PEP向決策委員會提案，同時將專案轉移到GitHub上來協作開發。決策委員會收到提案後，也會指派一位核心開發者來擔任PEP代理人（delegate），去衡量這個PEP提案在各個社群中的討論度。

一旦代理人判斷已經達成社群共識，最後就會由委員會決定，是否成為有效的PEP，並在新版本中加入成為標準。鍾子屏表示，PEP提出來後，約有8成機率會被通過，「因為Steering Council是民選的，如果絕大多數人都同意這個功能，通過的可能性就非常大。」

不過，鍾子屏也指出，每個功能從取得社群共識到成為PEP的過程都很不容易，「這就跟在立法院提案是差不多困難的事情，超級麻煩。」再加上，就算真的將提案變為標準化的工具，還是會有人不買單，「因為社群自主性很強，有點像多頭馬車到處拉。」這些原因，都導致只有非常少數的提案，成功由下而上驅動成為Python正式標準。

比如說，由於許多語言中都有支援泛型函數（Generics），比如Java、C#，但因Go沒有支援，社群中長久以來一直有要求Google增加支援的聲浪。鍾子屏表示，Google過去一直沒有採納意見，直到最近才改變心意，將這個功能的開發提上日程，如果將Python的決策比喻為民主政治，那Go語言就像是寡頭政治，「因為開發者與決策者是同一群人。」

鍾子屏也分析，以程式語言本身的存續來說，Python的維運方式比較能永續發展，「就算Core Developer哪天不想做了，還是會有新的人接下去維運，只要有人願意做，程式語言就會持續下去。」不過，對單純寫程式無貢獻想法的人來說，企業主導開源的模式還是較有保障，只是當企業宣布要停止維運時，需要及早轉換新語言來使用。

臺灣Python社群也開始獲得國際關注

PyCon大會是Python社群中最重要的交流形式，社群同好能一同分享最新的Python專案，交流Python在各領域的應用。PyCon年會中，規模最大的是PSF在美國舉辦的PyCon US，每年參加人數約有3,000人，來自世界各地。

PyCon US今年的會議也剛在四月中結束，因應武漢肺炎疫情改為線上會議舉行，後續主辦單位也連同主要議程、Tutorials、Workshop在內，將超過五十多場線上演講分享到官網。

而其他國家或地區，每年也都有舉辦在地的PyCon活動，比如臺灣，今年的PyCon會議將在今年9月登場，從2012開始舉行至今，已經邁入第9個年頭，規模從200多人，成長到今日已經有800人，僅靠一群Python社群的志願者來協助籌備。臺灣Python社群的元老級人物胡崇偉，也從2012年首屆就積極參與PyCon籌備。

臺灣PyCon年會從2012年開始正式賣票來舉行，從2016年起更與臺灣開放文化基金會OCF合作，由OCF來協助執行財務、法務相關作業，比如開發票、借場地、收費等。如此一來，原先籌備小組成員就能聚焦處理更擅長的技術相關作業，比如網站開發、講者投稿與邀請、制定議程等，以此來進行分工，維持臺灣PyCon的舉辦。

在2014、2015年，臺灣PyCon更擴大辦理成年度國際性活動，以PyCon APEC的名義來舉辦亞太區的PyCon會議，胡崇偉說：「我們2014年找了Jupyter Notebook的原始作者來演講，大家都非常興奮，沒想到後來Jupyter Notebook會紅的不得了！」而這兩年大規模宣傳、辦理PyCon，加上Python在這段期間的快速成長，也為臺灣PyCon知名度打下基礎，「2016年在沒什麼宣傳卻還是滿座的情況下，我們知道，PyCon在臺灣算是站穩腳步了。」

胡崇偉也分享，臺灣PyCon還延續了美國PyCon的一個有趣傳統，也就是所有的參加者，包括籌備小組成員、志工、甚至講者在內，都要付門票費，「在剛開始實施的時候，覺得難度很高，要常常跟別人解釋原因。」這與臺灣大多數的會議都不同，尤其邀請講者不但沒給鐘點費，反而還要收錢，「與不知道這項傳統的人之間，會有些觀念碰撞。」

因此，臺灣PyCon也決定延續另一個美國PyCon的傳統——財務補助，來作為一種變通的方法。胡崇偉指出，每個人都有權利去提出財務補助的申請，過去臺灣社群成員到美國參加PyCon，向PyCon申請財務補助後，也都獲得很好的回饋，所以臺灣也在第二屆PyCon就開始跟進這個做法。近年來，籌備小組也將財務補助作為一種代替購票的變通方式，「我們已經調整到說，假如事先邀請到某個講者已經很不容易了，那我們就主動申請財務補助，折抵門票錢或交通住宿費用。」

近年來，Python在資料科學領域興起後，臺灣PyCon的演講主題也有顯著的改變。鍾子屏表示，大約從2017年開始，ML主題的投稿量顯著增加，一年比一年更夯，「去年收到三分之一的投稿都是ML主題。」他也觀察，ML主題投稿者多是以企業名義投稿，相對的，Web領域的投稿則大多以個人名義，因為ML的開發通常需要投注大量資源，大企業較能提供資源來互相競爭，而網站開發的族群以散戶或一般新創居多。也就是說，大企業的力量正在逐漸改變Python社群生態。

 新浪潮  大企業帶來Python社群3變革

Python在資料科學領域崛起後，開始有更多大企業的力量進入社群，帶來不少轉變。從應用面來看，交大AI學院副教授魏澤人歸納出三種改變，其一，是大企業會挹注資金來改良或擴充Python套件，同時回饋給社群，企業開發的套件也會開始支援Python，比如TensorFlow、Facebook的Pytorch 都是以Python優先。

其二，則是大企業有制式的開發流程標準，比如Google大量應用Python作為手稿語言，而後也開源了Python程式碼的編寫準則，提供小企業或個人參考。其三，則是大公司先採用Python來開發，能提供其他開發者信心，「對於社群的茁壯會有幫助。」

若從套件工具的使用方式來看，臺灣極少數成為Python軟體包官方機構（PyPA）的活躍貢獻者鍾子屏，也觀察到社群心態上的轉變。他說，許多Python使用者，過去對於開發環境、軟體包或專案的管理工具，都是靠自己開發順手的工具來使用，分別下指令或寫腳本去執行，「大家都有一套自己的做法，覺得不錯就口耳相傳。」但在資料科學領域的使用者進入社群後，會開始期待有一站式、整合式的標準化工具，協助開發者更快速、便利的一次執行管理功能，「在心態上轉變為集中化的思維。」

也因原先Python的社群生態較自由分散，程式設計初學者在學習過程也會有一定的挑戰，比如質疑：「為什麼要學這麼多工具才能學程式？能不能學一套工具就好？」鍾子屏表示，對使用者來說，只用一個工具來開發，一定比較方便，但如此一來，也會因此犧牲掉開發方式的多樣性，較難透過競爭來進步。

 新浪潮 Python女力崛起！女性自學社群現身

圖片來源／臺灣Pyladies

在臺灣程式設計的領域中，大家似乎已經對男多女少的現象習以為常，在臺灣PyCon中，能夠擔任講者來分享技術的女性角色，似乎又更少了一點。但是，美國PyCon早在2016年，女性講者比例就成長到40%，Python核心開發社群的女性比例也在持續增加中，甚至，Guido van Rossum更在一場演講中直說，「Show your bias! 在兩個能力一樣好的男女性中，我會優先考慮給女生機會。」

也許Guido van Rossum的態度，某種程度上影響了女性參與Python的踴躍度程度，不過，Python社群中的女性推廣組織Pyladies，更是重要的幕後推手。Pyladies與PyCon相同，都是PSF認可的Python官方社群組織，2011年於美國成立，而後逐漸落地到全球上百個在地社群中，成立9年來，不僅在推動女性參與開源社群的活動上不遺餘力，也讓更多女性能共同精進Python實力，或讓初學者跨入程式設計的領域。

而臺灣的Pyladies社群也不例外，2013年舉辦第一次活動至今，除了前三年組織較鬆散、辦理活動較少，2016年改由三位主辦人陳姿君、翁子婷、卓家璘接手後，平均每年可辦30～40場活動，從初階系列課程到進階的特別活動、工作坊都有舉行，也會根據技術的流行趨勢來更換課程內容。而且，為了確保每場活動的課程品質，臺灣Pyladies還有講師課前試教、助教的制度，就是要維持作為技術交流社群的定位。

除了以豐富的課程內容為特色，臺灣Pyladies社群的意義，更是要提供自我認同為女性者，一個更舒服自在的環境來學習。卓家璘就以自身經歷表示，由於臺灣資工界男女比例懸殊，「在純女性社群的空間中，讓我覺得很舒服，不管在學習或交流上都更輕鬆，也比較敢問問題。」

團隊成員也觀察到，近年來，Python在資料科學領域興起，許多參加Pyladies的學員都反饋，想學資料科學相關課程，比如網路爬蟲、資料探勘，或與機器學習、AI相關的內容，同時也因Python易學、好上手的特質，學員更有一半的人數非資工本科系出身，而是其他科系來跨領域學習程式語言，雖然真正轉職為工程師的人還是少數，但也反應了Python的熱度只增不減。

另一個現象，則是臺灣願意參與如Pyladies女性社群的人數，有逐年提升的趨勢，整體來說，女性學習程式、投入工程師工作的風氣有比較開放，但是成長幅度不明顯。尤其當今校園與職場中，資工背景的男性還是遠大於女性，在臺灣PyCon年會中，女性參與比例也沒有明顯增長，都顯示了臺灣女性在程式設計領域的參與，還有很大的成長空間。

未來，臺灣Pyladies也將持續推動Python女力的成長。

 新浪潮  臺灣中學教育開始夯Python

近年來，臺灣各大專院校的資訊相關科系中，Python已經成為選修、必修的重點課程，甚至，連商學院科系也開始教Python，Python可說已經滲透到大專院校的教育場景。

而這股趨勢，現在也吹進了臺灣的高中教育。臺灣從108課綱開始實施了程式教育後，以Scratch作為入門的程式設計語言，透過類似於拖拉式的物件組合出一段程式，以互動介面來呈現程式執行結果，藉此讓學生了解程式語言的基本概念。不過，除了課綱明訂的Scratch，也有老師開始設計Python課程來教學。

比如臺北市南港高中，就成立了數位科學實驗班，從108課綱開始實施以Python為主的程式設計課，一周甚至有18學分。這門課以Scratch入門，但主要是介紹Python在各種不同的應用，課程設計者高慧君，同時也是發起這門程式教育課程的老師表示，雖然現在程式教育多用Scratch來上課，「但是Scratch是積木，Python是文字，Scratch再厲害也只是一個玩具，還是要用學會文字來表達。」

高慧君認為，Python是個適合在高中教育普及的程式語言。她在2014年接觸到Python之後，發現Python的語法簡潔易讀、好上手，學生以Python入門後，再去學習其他程式語言會更容易，而且，就實用性而言，Python搭配不同的套件工具，就能開發不同類型的應用，學生未來的應用機率很大。

因此，在科學實驗班的課程中，高慧君不只教Python基本概念及語法，也著重應用Python來實作。為期兩年的課程，除了培訓學生具備程式檢定的能力，高二開始也開始引進如樹莓派、Jet Bot機器人等硬體，並結合影像辨識等深度學習的應用來教學。

為了加速中學程式教育的推廣，臺灣也從2018年開始試辦大學程式設計先修檢測（APCS），測驗內容除了考C語言觀念題外，也要考實作題，讓學生自由選用C、C++、Java、Python等語言來解題。

APCS除了測驗學生的程式語言能力，許多大專院校資訊科系，也將檢定成績列入申請入學評分，因此，APCS在一定程度上帶動了學生學習程式語言的意願，更已經有補習班看準商機，開設了Python檢定課程。

不過，高慧君也說，108課綱推動的程式教育，還需要一段時間去普及，因為，臺灣過去的資訊教育仍是以C語言為主，老師不一定有程式教學的經驗，再加上，「程式設計不像體育課大家都有動就好，而是教一種解決問題的方法，除錯能力很重要，不是短期就能訓練。」因此，108課綱是一個目標，在落實之前，還需要克服許多挑戰。

除了體制內的教育，體制外的實驗教育，也開始開設Python程式教育課程。臺灣實驗教育是採取「想學什麼，自己組隊找老師」的精神，全臺約3,000多人的實驗教育學生中，也有人會有資訊教育的需求，因此，Python愛好者胡崇偉與實驗教育推動者丁志仁，近一年來開始規劃Python課程，預計要先在雙北招收相當於國高中年紀的體制外學生，不過受到疫情影響，具體招生時程還在研議當中。

 相關報導  AI時代開發語言新主流Python

電腦科學界已經構築了許多知識體系，還有必要自行建立知識體系嗎？是的！畢竟開發者面對的需求各不相同，持有一套既存的知識體系，或許足以解決許多事情，然而若能自行建立專屬的知識體系，可以解決更多！

知識體系的銜接難度

開發者多半有這種經驗，某個難處理的問題，在百思不得其解，遍尋不得其法後，不得已，只好暫時放下，卻在某個不經意的時候靈光乍現、找到解法；俗話也有這種說法：「不要鑽牛角尖。」在某些程度上，就是暫時別將焦點放在問題本身，而是藉由其他的學習、做法或經驗的累積，來增加對問題的認識、刺激解答的產生。

最近我在這方面的鮮明經驗是，打算尋找Perlin噪聲的輪廓線。其實，開發者若曾使用OpenCV的findContours或D3.js的contours之類的函式，對尋找輪廓線可能並不陌生，常見的應用是生成等值線圖，像是地型等高線、氣象等壓線等，目前有不少程式庫可以協助開發者解決這類問題。

問題就在於，我想在OpenSCAD運用的話，就須自行實作。這類輪廓線函式的背後原理是行進方塊（Marching Squares）演算法，不過，在我既有的知識體系中，尚未有任何聯繫行進方塊的相關連結，在試圖使用Perlin、contour之類關鍵字搜尋時，找到的通常就是既有程式庫方案，或者是〈Randomized Contour Lines〉之類的文件，並非我想要的效果。

這就是拼湊知識體系的難處，雖然知道方案應該就在某處，卻不知道怎麼銜接，以進一步納為已用。這可能來自經驗上無法理解問題、對問題本身的認識不夠，也有可能是對解答問題必須的基礎能力不足，或者是問題本身牽涉的領域不只一個，也就是可能連接到另一個領域的知識體系了。

此時需要的方式或許是「闕疑」，暫停對問題的直接探索。不過這並非相信腦袋的潛意識能自動找出解答，而是在試著去解決其他的問題，或獲取其他知識的過程中，偶而思考一下與被闕疑問題的相關性，看看是否能將其他問題的解決方案，納入自身的知識體系。

自我試誤的重要性

我在先前專欄〈隨機演算之美〉曾經提過，可以從迷宮中生成哈密頓路徑，其實，若開發者探索過如何走出迷宮的演算法，會發現其實這種哈密頓路徑就是沿壁法（Wall Following），也就是摸著牆走迷宮，對完美迷宮（Perfect maze）來說，雖然不會得到最佳路徑，然而一定可以走出迷宮。

從另一角度來看，摸牆走迷宮就是在畫出迷宮牆的輪廓，在解完迷宮中生成哈密頓路徑的問題後，我想到可否用類似方式，畫出多邊型的輪廓。的確，若是基於像素來運算，畫出簡單多邊型沒有問題，而且效率不錯，然而，試著用相同方式尋找Perlin噪聲的輪廓線，卻行不通。

這令人沮喪，但也是個不錯的經驗，事實上在試圖設計其他演算法的過程中，雖然有效性都不足，然而至少知道這條路無法通往想要的方案，知道「行不通」這件事，對建構知識體系而言，其實是個去枝裁葉的重要過程。

這讓我想到現今許多開發者，對於刷LeetCode有不同的聲音，對我來說，刷LeetCode不單只是知道怎麼解，更重要的是「知道怎麼解行不通」，自己設計過的演算法才是你的，或更精確地說，自行設計演算法的過程中建立的思路才是你的，即便最後無法解決LeetCode的題目，思考過程並不會白費！

寫程式碼與演算法設計其實是兩件事，如果刷LeetCode時看到題目，就想直接知道解答，在「建立演算法設計領域的知識體系」這件事上，就失去了大半意義。

當然，不少演算法是前人數月或甚至數年思考之下，才設計出來，或者基於他人的演算法改良而來，因此，面對某些題目，在有限時間之內，確實不太可能憑一己之力設計出解答，然而，我們至少在試過幾個無效的思路後，再來看看可解決問題的演算，如此才能辨別出該演算為何會是有效的，從而能加以變化。

這是因為，在無效的試誤過程中，我們才能知道哪些要素會導致演算法無效。例如，自行尋找Perlin噪聲的輪廓線過程中，知道了沿壁法只能處理簡單多邊形，後來看到行進方塊時才能知道，其有效的理由在於獨立處理每個網格，並列舉了各網格有限的可能案例。

碎片化或系統化知識來源？

現今是個碎片化年代，意思是指網路普及之後，人們習慣從網路擷取片面資訊，而不是從書或課程等循序漸進管道來獲得知識；在程式開發領域也就經常會有這類論戰，有人覺得看看官方或其他開發者的文件就夠了，有人覺得從書或課程中，系統化地學習某個技術會比較紮實。

其實，知識的來源是碎片化或系統化，並不是重點，重要的是能從中擷取自身需要的知識，填補個人的知識體系，從而在往後可以在專屬的個人知識體系中，進行系統化的思考。

以沿壁法生成哈密頓路徑來說，在演算過程中，會針對網格四個角落標識1、2、4、8欄位，而這個方式成為我的知識體系一部份後，才能變化出像素版本的輪廓演算，而在後來接觸到行進方塊演算時，才能將其中也用到的角落欄位標識方式，立即地連結到既有的經驗。

然而，有些基礎論的開發者仍鄙視碎片化知識。其實，若經驗充足，碎片化知識來源並不會是問題，因為既有知識體系若能系統化連結碎片化的知識，能夠碎片化地吸收知識，對開發者反而是比較有效率的方式，因為可以迅速填補不足之處。

而對於有些碎片化知識支持者而言，他們一味認定沒必要看書或參與課程，單靠網路上的知識已經足夠。然而，若開發者的相關經驗不足，系統化知識的來源就至關重要，像是書或課程，基本上已安排好知識間的銜接，這讓開發者不用自行花費過多心力或時間，就可以從中建立基本知識體系。

開發者可以回想一下，接觸第一門語言時，若缺少系統化資訊來源，學習起來會很辛苦，然而有了一門語言經驗後，面對語言中共通元素的部份，我們在既有的知識體系中已經有經驗，或許就不需要本質上類似的知識，只需要釐清差異的部份，這時若從碎片化來源擷取知識，可能會覺得較有效率。若既有的知識體系仍不足以彌補，那麼回頭尋找系統化知識來源，也是好的作法。

完成專屬的拼圖

建構專屬於自身的知識體系，過程極為複雜，很大程度上就像在拼湊巨大的拼圖，在看似無關的圖塊間找尋相關，一開始通常只會獲得各自獨立的殘破輪廓，在拼圖完成前，也很難知道全貌是什麼，畢竟每個人需要的知識各不相同，如果一開始就知道全貌是什麼，你所看到的大概是別人的知識體系，不是你的！

持有一套既存的知識體系，或許已經足以解決許多事情，然而建立自身的知識體系，可以解決更多，因為隨著圖塊之間的連結越來越完整，各自獨立的殘破輪廓會在某個時間點開始銜接，之後拼湊的速度就會加快，甚至感覺到過去看似無關的零碎知識，瞬間融會貫通了，許多過去難解的題目也就迎刃而解，更多的靈感也會不斷地浮現！

Python不只是AI開發第一語言，Web開發、DevOps、資安、雲端維運領域，都占有一席之地，今年聲勢更直逼Java、C語言，成了開發者必備技能──這個快30歲的程式語言，如何一舉跟上時代潮流，成為資料科學家的新寵兒？

推特現在加入新的標籤以及警告，來標示有爭議或是含誤導資訊的武漢肺炎（COVID-19）相關推文，官方提到，這個新標籤將往前適用已經發送的推文，來限制潛在有害和誤導性內容的傳播。

推特在3月的時候擴大政策指導範圍，以處理與公共衛生資訊權威來源相抵觸的內容，除了在早前時候，推特開始標記合成和操縱媒體的推文外，現在還對有爭議與誤導性推文使用新的標籤，這些標籤會連結到由推特提供或是外部可信來源，讓用戶獲得可信的資訊。

根據危害的程度以及資訊誤導的類型，推文可能也會出現警告，告知用戶正在瀏覽的推文，其包含的資訊與公共衛生專家的意見相牴觸，用戶在確認警告之後才能進一步查看推文。

官方提到，雖然誤導性推文內容有多種形式，總體來說他們會根據三大類別採取行動，分別是誤導性資訊，其陳述和主張被專家確認為虛假或誤導性內容，第二為有爭議的內容，其主張和敘述無法確認其真實性與可信度，第三則是未驗證的主張，也就是在分享推文時仍無法確認真假的資訊。

推特正改進內部系統來監控有關武漢肺炎的內容，他們希望確保標籤和警示，不會放大這些有問題推文的影響，並快速偵測到可見度高的內容，另外，推特也將繼續和合作夥伴合作，辨識出可能造成線下傷害的推文，根據動態的情況，推特會優先審核並且標記那些可能會高度曝光的內容。

推特表示，他們仍然在調整和改進推文標籤系統，因此嵌入式推文，或是未登入推特帳號查看推文，可能不會看到相關標籤出現。推特會繼續添加新的標籤，並根據不同類型未經驗證的主張和謠言提供背景資訊，而且未來推特也會使用這些標籤和警告訊息，提供額外的解釋和澄清，以緩解那些不太嚴重，但人們可能對其內容感到困惑或是誤解的推文所產生的影響。

美國的醫療照護業者Magellan Health本周坦承遭駭客入侵，駭客先透過網釣攻擊進入該企業的伺服器之後，先企圖竊取機密資訊，之後再部署勒索軟體。

Magellan Health在2018年時名列Fortune 500企業，主要提供醫療及藥品服務，主要客戶包括各種健康計畫、其它小型的醫療照護組織、工會，以及軍方或政府機構等。

該公司在本周披露，駭客先是在4月6日假冒為該公司的客戶，透過網釣郵件取得憑證之後，於4月11日展開勒索軟體攻擊，而且在部署勒索軟體之前，還試圖從Magellan Health的伺服器上竊取機密資訊，包括企業資訊、個人資料，以及員工的登入憑證等。

駭客所盜走的個人資訊包括姓名、地址、員工ID、社會安全碼、稅務ID，還有部份員工的登入憑證。

在發現攻擊行動之後，Magellan Health與資安業者Mandiant合作展開調查，採用額外的安全措施，同時知會執法機關，以及受到波及的關係人。不過，目前Magellan Health的官網尚未恢復正常。

這並不是Magellan Health第一次遭到網路攻擊，去年該公司旗下的3家子公司也傳出資料外洩事件，駭客同樣是利用網釣郵件打開進入系統的第一道關卡。

根據Coveware今年第一季的統計，勒索軟體駭客最常用來滲透企業的主要媒介為RDP，第二即是網釣郵件；而在該季的受害者分布中，第一名是專業服務業者，占了18.1%，醫療照護產業則以13.8%居次。

重點新聞(0508～0514)

聯合學習     醫學中心     腦瘤  

打破疆界！29個跨國醫學中心要用聯合學習打造一套腦瘤AI

由美國國衛院發起的癌症資訊科技計畫，以賓州大學醫學院Penn Medicine為首，今年要協同七國的29家醫學研究中心，以聯合學習（Federated Learning）共同開發腦瘤偵測AI演算法，並由英特爾負責背後的技術支援，提供處理器等資源。

英特爾指出，聯合學習是分散式機器學習，參與機構可各自訓練AI模型，不須共享病患資料。早在前年，英特爾就與Penn Medicine用聯合學習來訓練醫療影像AI模型，模型準確率可達到傳統方法的99％。今年，這個團隊要利用全球最大的國際腦瘤影像資料集BraTS，來共同開發腦瘤偵測AI演算法。（詳全文）

  Amazon     搜尋服務    自然語言處理  

Amazon正式發布AI搜尋服務Kendra，可快速找到多種專業領域資料

歷經去年底至今的預覽版測試，Amazon近日正式發布企業搜尋服務Kendra，要讓企業使用者在雜亂的各種內部資料中，快速找到特定專業領域的資料。進一步來說，使用者直接利用AWS控制臺配置後，Kendra可統一整合各種資料來源，像是檔案系統、網站、SharePoint、OneDrive、Salesforce等，再來，使用者需回答幾個相關問題，或提供常見問題等知識庫給Kendra，讓它用NLP來分析特定資料與問題之間的關係，並建立索引。

AWS指出，Kendra可理解不同領域用語，比如IT、醫療、法律、保險、能源、工業等，來讓不同背景的企業使用者找到資料。（詳全文）

  慈濟醫院    ICD-10編碼   智慧醫院  

慈濟醫院聯手華碩，著手推動11項醫療AI專案

為提高看診速度、降低臨床錯誤，慈濟醫院宣布正式聯手華碩AI研發中心，將整合旗下7家分院的醫療和研究數據，來開發慈濟醫療大數據平臺，發展AI應用。

其中，雙方發起了11項醫療AI專案，像是ICD-10編碼推薦引擎、病人出院後14天非計畫再入院率、慈濟研究型資料庫、管理指標資料庫等，並於四家分院陸續導入。其中，最早執行的ICD-10編碼推薦引擎歷時6個月開發，透過NLP分析病歷，能快速推薦醫師疾病分類編碼，也能用於教學上，比如應用於門診教學，可提醒醫師再次詢問病史、補充遺漏症狀，讓醫師和醫學生學習問診技巧。

該推薦引擎有3個功能，首先是書寫小幫手，當醫師輸入病人主訴和症狀後，可協助醫師修改用字。再來是智能編碼，可根據醫師診斷的描述，推薦合適的診斷碼。最後是醫療關鍵字功能，可讓醫師再根據診斷，來檢視是否遺漏主訴和症狀。除此之外，慈濟醫院也將與華碩瞄準醫學教育，來開發適用於臺灣臨床訓練情境的輔助型AI軟體，像是臨床輔助診斷系統、病歷寫作教學系統等。（詳全文）

  雷達感測   科技防疫      預警  

無接觸診療又有新做法，中山靠雷達感測人體數據打造病患生理AI預警系統

由中山大學團隊組成的昇雷科技，以先前研究基礎開發一套雷達生理感測系統，整合自行研發的射頻硬體、天線設計、訊號處理和演算法軟體，透過雷達波來偵測人體反射訊號，再以訊號處理演算法收集生理數據，可連續掌握武漢肺炎（COVID-19）患者心跳和呼吸率，減少醫護接觸的感染風險。

這套系統目前已應用於高雄醫學大學負壓隔離病房，並搭配後端AI平臺，來分析患者生理狀況，提前預警。此外，醫院也可透過遠端監控，來掌握患者異狀。除此之外，昇雷科技也捐贈一臺雷達生理感測系統給科技部，來推動零接觸防疫。（詳全文）

  智慧製造   電極鋁箔    品檢  

電極鋁箔工廠導入AI品檢，揪出瑕疵快狠準

立敦科技專門製造電蝕化成鋁箔產品，為提高車用電子的電極鋁箔品質，還在工廠導入AI品檢，來取代傳統人工品檢，誤判率還縮小至0.5%以內。首先，立敦科技找來國內新創開必拓，利用光學鏡頭拍攝產品影像，再透過品檢員標註影像，來訓練深度學習模型，找出瑕疵。

立敦科技指出，AI品檢方案除了能縮小誤判率，還能辨識十多種鋁箔瑕玼，比如印痕、花斑、灼傷、孔洞。這套AI品檢也已部署於臺灣一家工廠。（詳全文）

Cloud 北科大    AI教育     西門子  

三師學堂，北科大偕西門子為高中生打造專屬AI教育學程

身為教育部AI School計畫的核心學校臺北科技大學，日前宣布聯手西門子和中正高中，要融合自己的AI教學知識和西門子的產業經驗與軟、硬體技術，先為中正高中設計AI專班課程，之後再為加入北科大AI School計畫的高中，提供籌備經驗和AI教育諮詢服務。

北科大也揭露了為中正高中設計的AI課程，可分為5部分：AI概論、Python程式設計入門、機器學習概論、推薦系統與深度學習，以及深度學習TensorFlow實作。其中，西門子將提供業師和AI教師培訓，並提供軟、硬體資源，同時開放智慧製造工廠讓學生實作。（詳全文）

OpenAI    機器學習    Jukebox  

可自創多種曲風，OpenAI釋出Jukebox推進音樂創作研究

OpenAI近日釋出一款機器學習模型Jukebox，可產生各種類型和風格歌曲。該模型的權重和程式碼，以及相關工具都能在GitHub上找到。團隊指出，為訓練模型，他們在網路上抓了120萬首歌組成新的資料集，其中60萬首英文歌，並配對LyricWiki的歌詞和元資料，如藝術家、專輯類型和歌曲年份，還有與歌曲相關的心情和播放列表關鍵字，並以32位元44.1 kHz的原始音質，隨機降混左右聲道產生單聲音訊，來增強資料。

不過，受限於採樣技術，約要9個小時才能渲染出一分鐘的音訊，因此Jukebox還不能應用於互動式App中。此外，團隊也希望將更多語言和地區的音樂，納入Jukebox中。（詳全文）

北醫     武漢肺炎      零接觸  

零接觸防疫！北醫靠AI把關患者健康

為降低醫護人員在武漢肺炎（COVID-19）疫情期間的感染風險，北醫聯手工研院，在負壓病房中導入工研院研發的心律偵測平臺和IoT閘道器，來自動檢測異常狀況並通報。

進一步來說，心律偵測平臺結合一般鏡頭，透過患者臉部微血管顏色變化和胸口起伏等特徵，由AI演算法來推算出心律和呼吸等數據。要是出現異常，就會啟動IoT閘道器，將生理異常資料傳送給遠端護理站。同時，護理人員也可啟動視訊，與患者溝通。此外，患者也可透過醫院App，掌握自己的生理數據、醫療紀錄和電子衛教等資源。北醫認為，透過這套零接觸式防疫科技平臺，不僅能降低醫護感染風險，也能落實患者照護需求。（詳全文）

圖片來源／英特爾、Amazon、科技部、華碩、工研院

 AI趨勢近期新聞 

1. 卡內基美隆大學聯手匹茲堡醫學院，用模組感測器和機器套件組裝ICU呼吸器

2. Google打造Read Along閱讀App，藉助AI來教小朋友閱讀

3. Google Brain開發DRL讓機器人邊思考邊執行動作

4. 臺大發表可解釋性AI模組xCos

資料來源：iThome整理，2020年5月

彭博社及CNBC於周二（5/12）報導，Uber正與美國的食物外送市集Grubhub進行併購協商，雙方打算以股票交換的方式完成併購，只是目前價格仍談不攏。

成立於2004年的Grubhub原本只是在網路上提供電子菜單，並媒合餐廳與使用者，但在2014年開始替沒有外送服務的餐廳提供送餐服務，迄今足跡已遍及全美的3,200個城市，合作的餐廳超過11萬家，活躍用戶接近2千萬名。

今年初市場便傳出Grubhub有意出售的消息，潛在買家包括Walmart，但隨後Grubhub即對外否認了這項傳聞。

然而，根據報導，Uber與Grubhub之間的併購協商已有一年之久，最新的進度是談到以2.15股的Uber股份換購1股Grubhub，但遭到Uber拒絕。

Grubhub在提供給媒體的聲明中表示，對該產業而言，併購其實很合理，而且他們一直在尋求任何強化價值的機會，不過，就算是在此一艱困的環境下，該公司依然對於既有的策略及對餐廳的支持抱持著信心。另一方面，Uber也說他們持續在尋找可帶給客戶更多價值的方式，但無法回應有關併購的市場猜測。

不論如何，消息一出，Grubhub當天的股價就上漲了29.07%，以60.39美元作收，而Uber的股價只微幅上揚了2.4%，收盤價為32.4美元。

Apple發布音樂編輯工具Logic Pro X 10.5更新，Apple稱其為Logic Pro X有史以來最大的更新，更新內容包括重新設計採樣工作流程的專業版Live Loops，並加入了新的節奏製作工具，不只如此，Apple還最佳化了Logic Pro X，在最新的Mac硬體與macOS上執行時，能獲得更佳的效能。

現在Live Loops讓音樂創作者，能以更自由非線性的方式創作音樂，使用者可在音樂網格中，以拖拉操作組織循環、採樣和錄音，從一系列可調整的循環中創建節奏，並在時間軸中安排演奏與編排想法。

新的採樣器（Sampler）則採用了流行標準EXS24擴充套件，具有全新的現代設計，擴展聲音塑形（Sound-Shaping）控制技術，還提供向後相容性，音樂創作者同樣能以拖拉的方式，讓程式自動執行複雜的生成工作；而快速採樣器（Quick Sampler）則是一種可將任何聲音變成可演奏樂器的方法，創作者可以從Logic、Finder、語音備忘錄中選擇聲音，或是直接在快速採樣器中錄製，接著就能用編輯器編輯聲音，並使用聲音塑造控制進行創作。

Logic Pro X 10.5中添加了一系列創意工具，讓音樂創作者能快速流暢地創作節奏，官方提到，這是嘻哈和電子音樂製作中不可缺少的一部分；Step Sequencer是一個新的編輯器，目的是要提供受經典鼓機工作流程啟發的介面，讓編寫鼓點、低音聲部和旋律聲部更為簡單有趣；鼓合成器則有許多完全由軟體生成的踢鼓、軍鼓和各類打擊樂器聲音，而官方也強化了鼓機設計器，可以與採樣、節奏編寫工作流程整合。

另外，官方這次也更新了Logic Remote工具，Logic Remote是讓音樂創作者可以使用iPhone或iPad與Mac搭配，以多點觸控控制和執行Logic功能和樂器的應用程式，而Logic Remote 1.4現在可以在Live Loops觸發聲音、瀏覽與增加循環。

就在媒體日前報導後，美國聯邦調查局及網路安全與基礎架構安全署（CISA）周三正式發表聲明，指控中國正鎖定藥廠、醫療機構及研究單位發動情蒐及網路攻擊，以竊取武漢肺炎的研究資訊

一如稍早紐約時報報導，FBI指出，目前已經發現和中國有關的網路駭客和「非傳統蒐集者」的行動，從網路及相關研究單位人士身上找出及不法取得和COVID-19疫苗、療法及測試有關的寶貴智財及公衛資料。美國政府呼籲這些單位建立專屬的網路安全及內部威脅防範措施。

FBI和CISA提醒上述單位，應儘速修補所有系統的重大漏洞，尤其是連網伺服器及處理網路資料的軟體、注意Web應用程式是否有非授權存取或修改等異常活動、使用多因素驗證、找出並封鎖有異常活動的使用者。他們也提醒，任何和COVID-19研究成果的媒體報導，可能引起中國方面的注意及網路活動。

FBI也鼓勵發現可疑或犯罪活動的藥廠、醫院及研究機構應通報當地FBI。

其實這份警告和上周國土安全部、FBI及英國政府發出的警告內容如出一轍，要藥廠、大學和研究單位小心，有國家支持的駭客意圖竊取武漢肺炎研究資料。上周的警告未點名哪些國家，不過其用語明顯指向俄羅斯、中國、北韓和伊朗。

被點名的中國已公開駁斥，表示中國的COVID-19疫苗研究領先各國，根本無需竊取他國資料。

美國政府本周稍早也揭露，北韓政府用來攻擊其他國家的最新惡意程式。

微軟周三宣布從Windows 10 May Update 2020（即Windows 10 2004）開始，將不再提供32-bit版本給OEM，所有Windows 10機器都必須搭載64-bit版本。

最新宣布並不影響搭載Windows 10之前版本的32-bit舊硬體，微軟表示會持續提供功能及安全更新給這些舊機器，而針對非OEM通路，也仍然會提供32-bit版本的媒體載具。

其實Windows終止支援32-bit硬體只是時間早晚問題而已。現在許多硬體業者都已不提供32-bit的驅動程式，少數還存在的32-bit硬體，都是10年以上的系統。晶片商如Nvidia、AMD也不再為32-bit繪圖晶片驅動程式提供新功能。事實上，一些耗用RAM較大的應用軟體如Adobe、CAD或電玩軟體，也已不提供32-bit版本了。

其他作業系統方面，蘋果則是從MacOS Catalina及iOS 11，就終止支援32-bit應用程式和函式庫。Google也宣布2021年8月起，不允許64-bit硬體跑32-bit App。

重點新聞（2020/05/07～2020/05/13）

  OpenStack    新版本     安全性   

OpenStack釋出第21個版本，Ironic可自動化調度裸機硬體

受武漢肺炎（COVID-19）疫情影響，OpenStack基金會原定於6月上旬在溫哥華舉辦的上半年度峰會，被迫取消，不過，該基金會仍按原計畫於5月13日釋出代號為Ussuri的第21個OpenStack版本。新版OpenStack由188個組織或企業，總計超過1千名開發者共同參與開發，並聚焦3大面向來改版。首先，在提升核心基礎設施層的穩定性方面，運算服務Nova新增了單元間伺服器冷遷移和大小調整的功能，而整合OpenStack與容器網路的網路服務Neutron子專案Kuryr，增加了對IPv6的支援，讓Neutron可以更易與現有容器網路框架整合，此外，裸機部署服務Ironic增加了自動化調度裸機硬體的功能。

第二個面向是圍繞安全性和加密性功能的強化，負載平衡服務Octavia現支援傳輸層安全協定（TLS），企業可指定被集區（pool）和接聽程式（listener）接受的TLS加密名單，使負載平衡器強制執行安全上的合規性要求。最後一個面向則是強化新使用場景的支援力度，特別是針對AI應用場景，像是管理硬體加速器的專案Cyborg現與Nova整合，企業可採用Nova啟動伺服器實例，並由Cyborg管理GPU或FPGA加速器。（詳全文）

  IBM Cloud    本地端     邊緣運算   

IBM將推出新服務Satellite，把自家雲端服務搬進企業機房和邊緣

IBM於年度大會Think宣布，年底前將推出新服務IBM Cloud Satellite，讓企業把IBM Cloud雲端服務搬回內部資料中心使用，甚至是邊緣運算節點。為建立IBM Cloud服務搬回本地端所需的執行環境，還有讓本地端具與雲端環境一樣的管理方式，企業需先利用紅帽OpenShift打造相近於IBM Cloud的K8s環境，再部署一個中間層軟體，來複製一份IBM Cloud的管理介面至本地端，而這個中介軟體包含了3個元件。

首先是配置工具Satellite Config，他提供企業一個應用程式的視圖，可配置和部署應用。其次是Satellite Mesh，他提供了聯合的微服務管理器Istio服務網格，可連接不同本地雲端服務執行環境的叢集，從而管理應用的政策、安全性和可見性。第三個Satellite Link則可供企業管理應用程式的網路條件，像是防火牆、稽核等，而每個本地環境也是通過Link與IBM Cloud連接。IBM還新增了一個管理單位Location，作為雲端服務搬遷至的環境之名稱，每個Location由一組Red Hat Enterprise Linux主機組成，提供執行應用和IBM雲服務實例所需的容量，企業則可選擇於既有的硬體架構上，或是IBM Cloud Pak System上打造新服務的Location。（詳全文）

  微軟     雲端地區     歐洲   

微軟宣布3個雲端地區的建置計畫，擴大雲端基礎設施投資

面對幾個月來，Azure出現了幾起容量限制的情況，微軟近日一口氣宣布3個雲端地區的建置計畫，分別是在義大利米蘭、紐西蘭和波蘭，也呼應其日前承諾保留一定雲端資源用量供企業使用的策略。目前微軟尚未於這三個國家設有雲端地區。微軟將於三個新雲端地區提供Azure服務，還有開放Office 365、Dynamics 365和Power Platform，不過，微軟未進一步揭露各新雲端地區的啟用時間。

義大利和波蘭的雲端地區興建計畫另伴隨著微軟於當地的投資計畫，微軟預計於義大利投資15億美元，在波蘭投資10億美元，要來搶攻兩國政府機構和企業組織的數位轉型需求市場，甚至將建置雲端資料中心。微軟表示，新地區將使用戶可遵守資料落地權的規範，把資料儲存於境內。在新雲端地區的建置消息發布後，微軟全球雲端地區的布局達到61處，遍布25個國家。微軟於稍早第三季財報的會議上也表示，下個季度的雲端基礎設施支出預計將大幅增加。（詳全文）

  IBM      電信業     雲端管理平臺   

搶攻5G與邊緣運算市場，IBM推出電信網路雲端管理平臺Telco Network Cloud Manager

IBM於Think 2020線上會議活動上，揭露下一階段戰略，將透過混合雲、多雲技術，搶進5G與邊緣運算市場，而去年併購的開源商軟巨頭紅帽，將成為其發展5G與邊緣方案的關鍵利器。IBM在會中推出了電信網路雲端管理平臺Telco Network Cloud Manager，這是一個網路功能虛擬化管理雲端方案，可以在幾分鐘內，自動化調度虛擬化或容器化的網路功能，同時可自動化管理網路功能，並在OpenShift平臺上執行。OpenShift原是一個容器調度和管理平臺，後來，紅帽將它帶到了邊緣端，把它打造成為一個邊緣運算平臺，這次IBM便將該平臺引進新的電信邊緣雲方案，讓電信營運商或CSP業者也可以透過它自動化管理邊緣端網路功能和服務，並且加快在邊緣的部署，來縮短服務推出時間。（詳全文）

  AWS      EC2     費用調降   

AWS宣布新一波EC2降價調整消息，降幅最高達18%

AWS日前宣布調降雲端服務EC2部分定價模式的價格，針對標準預留執行實例（RI）類型和承諾使用節省計畫（Savings Plans）做調整。這次降價的VM實例規格包含M5、C5、R5等，然而，價格調降幅度從1%到18%不等，取決於企業使用的雲端地區，還有購買服務的期長。以鄰近臺灣的東京雲端地區為例，1年期M5降幅為10%，C5為12%，R5則不變，而3年期M5降幅為14%，C5達16%，R5則為5%。M5、C5和R5實例規格中，以M5的降價幅度最大，1年期降幅以美西北加州16%的調幅最高，3年期則以德國法蘭克福18%的改變最大。新價格現已生效，所以購買EC2新RI或節省計畫的企業，將可感受到新的價格變化。AWS表示，此波降價所有雲端地區皆適用，但強調並非所有定價模式都適用，像是不含按需取用的實例類型和可轉換型式的預留執行實例（convertible reserve instance）。（詳全文）

  雲端儲存服務     Dropbox      遠距辦公   

遠距辦公需求大增，Dropbox最新財報首出現盈餘

Dropbox日前發布截至3月31日的今年度第一季財報，受疫情影響，雲端儲存需求提升，使Dropbox服務的用戶數也連日成長，營收達到4.55億美元，這是該公司自 2018年上市以來，首次出現季度盈餘。使用者利用Dropbox產品來實現遠距辦公，也反映於他們服務試用、購買和使用度的增加，像是企業方案Business和個人方案Plus，自3月中以來，試用人數分別成長了40%和25%。Dropbox表示，受武漢肺炎（COVID-19）疫情打擊更為嚴峻的地區，例如義大利、法國、德國和西班牙，基本用戶數在3月首兩周的升幅又更為明顯。現階段，Dropbox有1,460萬名付費用戶，較去年同期的1,320萬名，成長超過1成。（詳全文）

  AWS      基礎設施     成本優化   

AWS推出基礎設施成本優化解決方案，依企業需求和成本自動調度基礎設施

AWS日前推出基礎設施成本優化的解決方案AWS Trusted Advisor Explorer，可主動地追蹤企業的雲端租用成本使用狀況，進而依據需求和成本自動調度基礎設施。這個工具還建立了一個資料湖，來匯整企業各類型資源的運作狀態，包含收集資源調度建議工具AWS Trusted Advisor的成本建議，還有收集用來管理大量資源AWS Resource Groups標籤編輯器的資料，並能進一步建立儀表板供企業檢視多方資料。（詳全文）

  GCP平臺      資料庫即服務      NoSQL資料庫   

Google雲端現提供DataStax的Cassandra即服務

Google宣布DataStax的Cassandra即服務Astra，供企業在Google雲端市集中選用，將Astra用作資料庫即服務，建構網際網路應用程式。Cassandra最初是由臉書開發的分散式NoSQL資料庫系統，其橫向擴展架構具良好的可擴展性和效能，能夠支援擁有大量資料的應用程式。不過，其部署、管理和擴展工作都很複雜，所以Google雲端的Cassandra即服務Astra簡化了企業管理Cassandra資料庫的工作。Astra整合於Google雲端控制臺中，開發人員可在數分鐘內，於雲端啟動Cassandra叢集，將其用作資料庫即服務來建構應用程式，並不需管理Cassandra的運作。（詳全文）

 資料搜尋     機器學習     非結構化資料  

AWS正式推出企業認知搜尋引擎Amazon Kendra

AWS正式推出可以理解結構化和非結構化資料的企業搜尋引擎Amazon Kendra，利用機器學習技術索引企業中，儲存在不同後端的結構化和非結構化資料，來回應各種領域的問題。且資料在傳輸過程都會以HTTPS加密，並利用AWS KMS對資料進行靜態加密。AWS提到，Amazon Kendra經過最佳化，因此可以理解IT、醫療保健和生命科學等各種專業領域的用語，使其能夠針對問題找到準確的答案，而且開發人員也可以利用專業資料來源，或是文件發布時間等標準，來調校搜尋結果的相關性。

企業可以在AWS控制臺中，利用程式碼範例或是API，將Kendra搜尋部署到搜尋頁面、聊天應用程式和聊天機器人等應用程式中，就能夠啟動和執行Kendra語義搜尋。根據企業對Kendra預覽版提供的反饋，AWS除了改善索引編輯以及搜尋準確度之外，還加入了一些新功能，包含新增OneDrive、Salesforce和ServiceNow三種新的雲端連接器，還增加汽車、保健、法律和電信等8個新領域專業知識。（詳全文）

圖片來源／OpenStack、IBM、AWS

  更多Cloud動態  

1. Synergy市調：全球首季雲端基礎設施服務支出達290億美元，比去年同期成長37%（詳全文）

2. 微軟推新版Azure VMware Solution，網路層採用NSX-T供企業建立Azure私雲（詳全文）

3. 甲骨文宣布將啟用南韓第二個雲端地區，且今年整體雲端地區規模預計達36個（詳全文）

4. IBM近日發表容器環境軟體的市集Red Hat Marketplace，可提供企業於此搜尋、購買、快速部署和管理獲認證的軟體，現為技術預覽版（詳全文）

5. AWS宣布調降IoT裝置管理服務AWS IoT Device Management的任務費用至少9成（詳全文）

資料來源：iThome整理，2020年5月

Google宣布，已於Chrome Beta中新增了分頁群組功能，讓使用者能夠根據主題來整理雜亂的分頁，並打算在下周釋出的新版Chrome中部署。

此一群組分頁功能很直覺，可替特定的分頁設定名稱與顏色，並把同類的分頁納入同一個名稱，或是直接移動分頁讓它併入某個群組。使用者不僅能以文字設定分頁群組的名稱，也可直接以表情符號作為群組名稱。倘若直接關閉Chrome，重新開啟時這些群組仍依然會存在。

Chrome的使用者經驗工程師Edward Jung表示，內部測試及使用者研究發現，有些人喜歡根據主題來整理分頁，例如在同時執行多個專案，或是搜尋不同的購物及評論網站時，還有些人是基於任務的急迫性來替分頁分類，像是「儘快處理」（ASAP）或「等等再處理」（Later）。

現在該功能已存在於Chrome Beta中，支援Chrome OS、Windows、Mac及Linux等桌面作業系統，為了確保Chrome的效能及穩定性，Google打算在下周釋出的Chrome穩定版中慢慢部署此一功能。

近日的一批疑似來自華為的Linux修補專案引爆後門程式疑慮，華為對此出面駁斥和該專案的關聯性。

近日一個名為HKSP（Huawei Kernel Self Protection）專案上傳到開發社群Openwall網站上，宣稱專案旨在強化Linux核心的安全性。原作者說明，這專案是他工作之餘的研究結果，和華為公司無關。他並表示，由於個人精力有限，無法面面俱到，因此警告本專案欠缺品質控管，像是檢查或測試，也說只是一個示範程式。

不過由於名稱中有華為字樣，外界仍相信這個專案來自華為。事實上，Google、微軟或Amazon、IBM等公司因為大量使用Linux具有足夠開發資源，回饋Linux核心強化的專案也所在多有，華為上傳程式碼也無可厚非。然而華為在網路設備上的爭議猶存，使這個專案格外受關注。

一家安全廠商GRsecurity發現HKSP中有漏洞，該公司認為該漏洞出於完全欠缺安全防護意識的編寫，而「可輕易開採」（trivially exploitable）。這引發其他開發人員質疑華為釋出了一個有後門的修補程式。

周一華為出面否認。華為指出，經過調查顯示，這批修補程式並非華為提供的官方版本，而是由一位開發人員上傳Openwall的示範程式碼，也未用於所有華為裝置中。

華為重申對產品程式碼有嚴格品質要求，對官方版本釋出開源社群也有嚴厲的管理和流程要求。

原作者也在引發爭議後感謝GRSecurity點出「大量臭蟲」，並移除有問題的程式碼。此外他也移除和華為有關的字串，強調因為是個人作品、不是華為官方專案之故。

華為聯絡GRSecurity，希望後者能修正描述。不過GRsecurity說，依據公開資訊，原作者乃華為員工，且雖然他撇清程式碼和華為的關係，但他們從私下管道得知，該員工還是華為公司等級最高的首席安全部門成員。這家廠商並認為原作者在Github repo偷偷摸摸的修改啟人疑竇，因此決定僅以更新方式說明，並未刪除其說法。