加密藝術與永續環境蹦出新發現 NFT竟能虛實整合？！

FIND研究員：賴育琳

　　在數位時代中，非同質化貨幣NFT帶來革命性的影響和改變，並在藝術創作領域上，與NFT加密貨幣的唯一性與不可替代性結合，誕生加密藝術(CryptoArt)的市場。

　　加密藝術去中心化的設計，逐漸成為一種新藝術型態的發展生態，改變了數位藝術的創作、版權與交易模式，讓藝術創作者們能透過NFT證明數位藝術品的所有權且不被任意複製、分割，確保創意結晶的獨一無二，替各式畫作、圖像或音樂等創作證明身分，並讓收藏者在購買後可以成為永久保存的數位資產。

【案例簡介】

　　在實體的藝術市場中，大多只有交易與收藏兩種功能，而在NFT的加密藝術領域中，來自台灣的NFT團隊Capsule Vault打造荒謬植物園Absurd Arboretum，打造全新NFT「虛實整合」交易模式的藝術創作，將NFT作品結合永續概念，展現出生態永續與環保意識。藉由現實世界中生長的6666棵樹型作為NFT創作框架，設計出從藥丸生長為樹的動態過程，並在現實世界中也真的種下一棵樹，創造現實生活中的實質影響力。

【服務情境】

　　荒謬植物園Absurd Arboretum的樹型NFT結合100種樹種、28種樹幹樹枝、28種樹葉紋理、41種藥丸類型、71個的植胚、16種背景、7種濾鏡與11種背景音樂，隨機生成3,333個獨一無二的NFT。

圖1：荒謬植物園裡的樹型NFT是由多種樹木原型結構隨機生成

（資料來源：Absurd Arboretum）

圖2：荒謬植物園裡的每個NFT都獨一無二

（資料來源：OwlNews）

　　荒謬植物園的植物最先會由膠囊發芽呈現，透過異色並超現實的動態3D影像模擬一棵樹的成長過程，以及衰弱凋零後回歸膠囊的完整生命迴圈。Absurd Arboretum認為藥丸的化學物質，是進入未來世界的方式，而以此概念進行延伸，結合現實世界的樹木原型作為虛擬世界中的載體，加上各種材質、型態、動作與音樂等素材進行共創，打造獨一無二又具有代表性的樹型NFT。

圖3：荒謬植物園NFT從藥丸成長到變成樹

（資料來源：Absurd Arboretum）

　　在現實世界中，Capsule Vault團隊以Tree Guardian的名義與環保機構One Tree Planted合作在加拿大種下和NFT同等數量的3,333棵樹，實踐賣一個NFT就在現實世界種一棵樹的承諾，以及透過作品產生的分潤，持續捐款給世界各地的非盈利環保組織。 為地球永續持續。

　　也讓NFT的購買者不僅能夠買到喜歡的NFT，也能在現實世界中成為樹木的監護人，實際參與生態永續的推動，也讓荒謬植物園的虛實整合概念能更加結合。

圖4：Absurd Arboretum與環保機構合作種樹

（資料來源：Absurd Arboretum）

【應用效益評析】

 　　Absurd Arboretum荒謬植物園中的3,333顆樹型NFT在官網以每顆0.11ETH以太幣售出，大多數NFT作品透過醒目的動物作為創作主軸，而荒謬植物園則選擇將植物作為主角，是為了要強調生態永續與環保意識，讓每個人在見證藝術創作的同時，也從觀察樹型從零誕生的一生，這些都是Absurd Arboretum荒謬植物園想要傳達的永續概念。

　　荒謬植物園在許多人還對於加密藝術NFT保持謹慎猶豫時，就已經創造出NFT藝術品真正與現實社會連結的方式，讓原本只存在於虛擬世界的數位資產，更多了一層永續的社會價值。

參考來源：

1. Absurd Arboretum－https://ab-ar.art/
2. 用 NFT 愛地球！Absurd Arboretum 連結數位與實體的育樹社會實驗－https://www.owlting.com/news/articles/20334
3. 收藏藝術還能為地球種樹：台灣NFT團隊造了一座「荒謬植物園」－https://everylittled.com/article/153362
4. Capsule Vault 打造亞洲首項大型 NFT 專案居然是荒謬植物園 Absurd Arboretum：但怎麼好像有點美－https://bee-men.com/articles/d9610b

自然語言處理預訓練模型之T5: TEXT-TO-TEXT TRANSFER TRANSFORMER簡介

FIND研究員：邱冠龍

深度學習目前自然語言處理上主流是先用大量且全方位領域的標記/未標記資料(如: 維基百科全書)預訓練一個通用模型，然後用預訓練的模型參數對真正目標領域進行微調(fine-tuning)。此種訓練模式有下列好處：(1)一般目標領域的資料量不足於支撐模型參數，所以利用大量領域外資料讓模型取得適度推理能力，之後只要少量領域資料加深模型對目標領域的了解，便可取得充分推理能力；(2)承(1)，由於預訓練階段雖然需要使用大量的資料、大量的訓練時間及硬體資源，但此階段只須使用高效能的機器訓練一次或是使用他人已公開好的預訓練模型即可。爾後進入微調階段時，只要利用預訓練成果配上適量資料即可完成高準度的模型，如此一來大幅縮短微調階段的訓練時間，提升訓練效率。凡舉以BERT[1], RoBERTa[2]等的預訓練模型建構的自然語言模型皆採用此方法進行訓練。

圖一、T5推論示意圖

圖片來源：Exploring the limits of transfer learning with a unified text-to-text transformer[3] (團隊重新繪製)

Colin Raffel et al.在Exploring the limits of transfer learning with a unified text-to-text transformer[3]一文中針對這些預訓練模型做了一系列深入的研究，看如何才能有效率提升預訓練模型的準確率，並結合研究的成果，提出了Text-to-Text Transfer Transformer(T5)模型，以及對應的預訓練資料Colossal Clean Crawled Corpus (C4)。T5模型最大的特點就是把所有的自然語言的任務，凡舉翻譯、問答、情感偵測總結等任務，都以sequence to sequence的方式解決。舉例而言，如果要將英文的That is good翻成德文，只要在輸入的sequence中"translate English to German: That is good."，模型則會回應翻譯結果"Das ist gut."(見圖一)，其中input sequence的”translate English to German:”是用來指示模型該如何處理輸入。T5使用的是Vaswani et al. 提出transformer架構，預訓練時把C4資料集以corrupted spans方式進行，如原句為 Thank you for inviting me to your party last week. Input會隨機挖掉一些片語並用特殊字符, , …等代替，如 Thank you to week. 然後希望T5模型能解出和的內容如： for inviting me your party last 。然後在微調階段時，T5也運用多工學習MT-DNN的架構，同時對多個任務進行微調，然而因為T5將所有任務都轉成sequence to sequence形式，所以可以使用同一optimizer參數同時對多任務微調。根據作者提出的實驗結果，T5最大的模型T5-11B對GLUE任務可達90.3的準確率，對比於之前的state-of-the-art為89.4，而T5-Base也達到82.7的準確率。而在SQuAD資料集上，T5-11B達到Exact Match(EM)=91.26, F1=96.22，在T5-Base上也有EM=85.44, F1=92.08的水準。

參考來源：

[1] DEVLIN, Jacob, et al. Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805, 2018.

[2] LIU, Yinhan, et al. Roberta: A robustly optimized bert pretraining approach. arXiv preprint arXiv:1907.11692, 2019.

[3] RAFFEL, Colin, et al. Exploring the limits of transfer learning with a unified text-to-text transformer. arXiv preprint arXiv:1910.10683, 2019.

以市場資訊導入供應鏈(C2M)簡述

IND研究員：侯亦璞 2012、2013年先後有專家與業者提出Consumer to Manufacturer的概念並且付諸實踐，如：必要商城；2018年阿里巴巴提出「新製造」的概念，主要內涵同為Consumer to Manufacturer，同年，淘寶與拼多多皆進行相關布局措施，讓Consumer to Manufacturer加速發展，後續發展範圍更為廣闊，也讓該模式成為新興類型的商業模式 [1, 2]。本研究將針對Consumer to Manufacturer進行描述說明。 >

電腦「審美」與「乳攝影像品質評等」

FIND研究員：曾易聰 　　從傳統機器學習到時下最熱門的深度學習，這些技術多已被運用在辨識用途上，例如：門禁(人臉辨識、指紋辨識)、環境安全(火、煙霧影像偵測)、醫學影像(病變偵測與辨識)、工業影像(瑕疵檢測)、物流(貨品辨識、行李併排分離)…等。傳統機器學習多需要由人挑選特徵，特徵的特性決定了辨識模型的效能，因此特徵挑選一直是挑戰，也是傳統機器學習模型效能無法大幅突破的原因。由於深度學習採用大量資料，在模型訓練過程中同時計算特徵，並不需要人工介入訓練程序，因此研究人員開始以深度學習汰換傳統機器學習，並運用在各種領域，其中包括電腦的審美能力。 >