如果你曾經匯錢到國外，一定會搞不懂為什麼這件事可以這麼複雜：第一個你要填單申報買賣外匯，第二個是你要填上對方的一堆資料和被收不低的手續費，第三，對方可能要過好幾天才收得到錢，最後，也是最搞笑的一點，如果你不多付點錢作 “全額到款”，對方收到的錢可能會短少！原因是中間的銀行竟然有權抽過路費，這年頭還有收攔路費的大概也只剩銀行吧。
TransferWise 這家剛變成獲得 US$38.5M 投資，估值達到 US$1B 的愛沙尼亞公司就是要把國際轉帳這件事變得容易。怎麼做？其實某種程度上跟台灣定義為地下匯兌的生意很像。 Continue reading
Uber 或 Lyft 之類的招車 app 在最原始的素人當司機版本下雖然稱為 “共享經濟”，但其實在發展成熟的市場像舊金山，大多的司機都是全職開車，許多人一週都開六十個小時以上，這時候其實它已經只是把原本開計程車的人吸過來而已，並不是善用閒置的車和人。本質上，它就只是一個有評分系統、信用卡付費、並以 GPS 計費的招車生態系。
不過，最近開始大量的坐共乘版的 Uber (Uber Pool) 和 Lyft (Lyft Line) 之後，覺得如果傳統計程車被打敗，那共乘應該才是真正的殺手應用。共乘的規則是: 在特定的範圍內坐車，你一樣可以選擇上車和下車的定點，但 Lyft 或 Uber 會幫忙媒合其他路線接近的乘客，讓司機順路也去載這些客人。
對乘客好處：車資便宜，以現在 Lyft 在舊金山殺價的狀況，是城區內點對點 US$5 一口價不計里程；對司機好處：車資是幾個乘客加總，實拿的金額更多。
共乘要對司機有吸引力，順路很重要，而 App 叫車剛好就有這個優勢：系統事先就知道每個乘客的出發地點和目的地，所以才有機會媒合。而越多乘客願意用共乘版，原本的座位供給量就翻倍了：原本一台車只能載一組，現在可能載到三組單獨坐車的客人。
這在通勤時間有效率到令人驚豔：從火車站出來到我們公司，幾乎每次都是一下就媒合到兩到三組的客人，而這三個人可能是去同方向但不同的公司；而我在公司下車時，可能另一個同事又剛好從公司要往其他地方而補上我的空位。這種效率是傳統計程車望塵末及的地步，甚至可以說以空間效率來說，已經接近公車等大眾運輸的地步。
當然，在非尖峰時間的媒合率就不會這麼高了，也是坐過幾趟從頭到尾都只有我一個乘客的，這樣等於是賺到了較便宜的車費。不過，透過這樣機制找到更多願意真正 “分享空位” 的乘客，對於一個城市仍是非常正面的事。
而從共乘才看得到為什麼 App 直接處理計費和付款有這麼重要：在人來來去去的狀況下，傳統跳錶和現金的算錢找錢太浪費時間了，兩者的效率差太多了。
所以，如果要我說最終 Uber/Lyft 這些叫車服務為何會贏過傳統計程車，那不是因為司機的素質，車子的乾淨程度等因素，這些東西只要等到計程車司機全都跑去開 Uber 就會變成一樣的 (在舊金山已經可以看到端倪)，而是它們擁有的資訊和付款方式有辦法去支持傳統計程車完全無法跟上的高效率共乘市場。
"Seamless" 這個字用於資訊科學界，最常見的是 "Seamless Computing"。不過現在由 MIT 贊助舉辦的這場 Seamless 未來時裝走秀，指的是流行和資訊科技界之間的 "無縫" — 如何把未來科技整合到流行之中。
Image courtesy of Doug Eng
秀展的設計師大多是 MIT、哈佛和羅德島設計學校的學生，在這個草根性十足的走秀之中，各個設計師展現出對於科技服飾的想法，有一些傾向實用主義，就像是 Amanda Parkes 設計的Nomad Pneumatics(上圖) 這雙可以透過腳踏來產生能量的鞋子。有的飾品則象徵味十足，例如 Emily Albinski 設計的 Fuse Necklace(下圖)，就用保險絲串成項鍊。
Image courtesy of Doug Eng
相關網站:
十年前，美國商業部的一份報告預測，在1993年人工智慧產業規模將達到90億美金，其中包括了專家系統、類神經網路、乏晰邏輯、機器人學、語音辨識、搜尋以及其他技術，而且美國在發展這些技術上將領先其他國家；然而從當時開始，美國卻開始在某些領域上落後其他國家。
原文中指出，在 1993 人工智慧的主要資金來源是政府單位，特別是國防部資助的計畫，並使用在「沙漠風暴」軍事行動中。然而如今有 70%-80% 的財星五百大企業將人工智慧應用在它們的製造、資料管理、運輸、企業診斷及財金服務上。
文章中也引用 Business Communication Company(BCC) 今年四月將出版的資料，指出到了 2007 年，整個人工智慧產業將超過 210 兆美元，而從 2002 到 2007 年的每年平均成長率將是 12.2%；單單 2002 年，人工智慧產業的產值就達到了 119 兆美元。報告中並指出五個主要人工智慧技術：專家系統(expert system)、信念網路(belief networks)、決策支援系統(decision support system)、類神經網路(neural network)及代理人(agent)，其中信念網路、類神經網路及專家系統將是成長性最高的。
資料來源：
Pesty's Articles 