跳到主要內容

政院1千K回收處理計畫,3年3億 挹注300人

f1010006-001

 

政院1千K計畫 3年3億 挹注300人 

 

身為博士(候選人),這個方案本應對我是個利多的消息,但卻很難高興起來。從過去結果來看,三年前曾啟動的「大專畢業生至企業職場實習方案」,全然就是一個失敗的方案,多少企業與公部門塞了一票無法上前線或不做事的畢業生,政府買單只為了降低當時被罵翻的失業率現象,但對產業升級與經濟提升究竟有多少助益? "我想"除了數字上量的提升外,質的部份根本是毫無正向影響,不止造成財政負擔、讓企業投機依賴政策福利,甚至因此產生了22k 這樣高度低估大專畢業生薪資水準的惡果。

而現在這『搶救博士大作戰』,我想重點之所在,是燒這一年的錢 (燒三年,每年找一百個博士投資一年),是否能讓產業界在一年後繼續提供同樣薪資水準給博士族群或讓這三百人在一年後能有創業金桶?

我個人看法是十分悲觀的,先不談臺灣廠商願意提供的薪資水準,這看過去22k方案的後續結果就能知道有多悲慘。而一年後創業這點,我一時還以為是鼓勵博士全轉行做進出口國際貿易! (產品調查、市場調查、下單採購、船期、鋪貨都不止一年了)!! 這笑死人論點讓我很懷疑到底這企劃是否是真的做過"生技"產業的博士們想出來的?? 設問先進技術、科研若是能一年就快速產出,那國科會是不是都該把超過一年的計畫刪掉?? 不然現在一堆三年期幾百上千萬,

養一堆碩博最後只產出paper卻無法商品化的生技研究計畫,主持人是不是該去跳海?? 說好不打嘴的,行政院你怎麼一直打國科會的嘴??

說穿了這根本就只是針對現在博士失業率高問題短期封口,竟然還可以扯到10年前的兩兆雙星(2002提出)計畫。的確當初的雙星:數位內容與生技產業,全都燒錢燒到連骨灰都沒有,堪稱最失敗計畫之一,但這惡果直到2012年底的現在不但沒有補救完成,卻還當成是前朝的爛帳來推諉責任,請問這近五年來的執政到底是執三小?

這樣使用人民公帑的計畫該是更善盡規劃,著眼未來,以產業提升擴大發展為前提,若只是為了補救當下失業數據的治標作法或是逃避失敗的藉口,就真的就像文中生技小組所言:『...生技小組另報告了如何"處理"生技畢業生就業問題等其他廿餘項計畫。』 這個報告光是內容說明,給人的感覺就不是對產業、人材的扶植提升,而像是對燙手山芋或廢棄物般的回收"處理"。

 

看的我都開始懷疑我是不是廢棄物(候選人)了,媽的。

 

PAN

2012.10.23

留言

這個網誌中的熱門文章

醫學健康跨領域合作的開始:資料工程

一直都很喜歡在會議上與跨領域的專家、醫師、學者分享我們在數據工程與分析應用上的發展經驗。 許多的專家學者,對於大數據應用的認知都仍侷限在一個超大型結構化資料集的子集合應用,在規劃好的條件設定下,針對特定的目標(疾病、行為)進行篩選,將數據narrow down到可以被個人電腦或是單一伺服器架構處理的小型資料集。 這樣的半手工處理方式,對於專一(Specific)領域主題的資料追蹤計算或許已經十分足夠,但當中倘若資料清理方式有改變、篩選條件增減,所有的數據都要從raw重新處理,不僅造成大量的時間與人力浪費,對於專案計畫進度的延宕更是麻煩。這些還不包含

Google 資料庫方案–Spreadsheet–(1)資料呈現

HEMiDEMi 的標籤: Google , Google SpreadSheet , 雲端 早在規劃『 教育,意義! 』project時, 便有打算將整個網站建立過程撰寫一篇教學,讓有興趣以google 服務為基礎進行開發的朋友參考。 沒想到這個想法擺著就拖了好幾個月, 好在學生提出了問題,就趁這機會寫一寫吧。 基本上『 教育,意義! 』網站的架構完全建立在Google提供的服務, 廣義來說也是個雲端的系統, 所有的資料是分散在不同的服務架構下,再用GAE, Javascrript將服務資訊串接起來, 由Blogspot 統一呈現。 省了租主機的費用,或架站的硬體、電費, 最好的地方在於不用管理主機維運的問題, 只要專心做我的創意、嘗鮮就好了!!   多棒! 若將『 教育,意義! 』網站依功能層次來分類,可以分為三層結構, 當中的層次與使用技術大致如下: UI 介面層 服務 : Blogspot (網站介面) , Picasa (相簿空間), Google Apps 技術 : Javascript , AJAX ( JQuery ) App應用層  服務 : Google App Engine (GAE) 技術 : Java, Java Server Page (JSP) 資料層 服務 : Google Docs (文件), Google Spreadsheet (試算表) 技術/函式庫 : Java, Google Data APIs 本篇文章將著重在介紹以Google Spreadsheet 做為雲端資料庫, 其他主題將會陸續推出。 若對Google API 與 Google App Engine 初步建置有興趣, 可以參考之前文章: 佛心來著的 Google Data API – for JAVA 雲端的開始:Netbeans 無痛 Google App Engine Java 服務開發 Google Spreadsheet 做為資料庫系統 對於小型的資料系統來說, 採用Google Spreadsheet做為應用程式資料庫(如問卷調查或線上系統) 也算堪用, 目前的儲存限制為 : 40 萬個儲存格 每張工作表最多...

當咒術成真 - 文字生成的虛擬世界

  2024/02  這幾天灌爆各大ai社群的,不外乎就是文字生成高清畫質影像的OpenAI Sora , 讓人驚艷的細膩表現,自動化的場景生成與運鏡效果,縱使這個概念並不是多創新的模式,但Open AI始終很懂得抓住大家眼球  (Sora的各種生成影片: https://openai.com/sora  ) 關於Sora 的技術與介紹,不妨看看chatGPT 對它的描述: OpenAI Sora文字-視訊生成模型 在視頻數據上進行大規模訓練生成模型,具體而言,OpenAI聯合訓練了文本條件擴散模型,處理不同持續時間、解析度和長寬比的視頻和圖像。利用了一種在視頻和圖像潛碼的時空塊上操作的轉換器架構。受到Srivastava等人(2015年)在使用LSTMs進行視頻表示學習的無監督學習的啟發,OpenAI的最大模型Sora擴展了這些概念,能夠生成一分鐘的高保真度視頻。此外,Chiappa等人(2017年)描述的循環環境模擬器方法與我們的方法論框架相一致,表明擴大視頻生成模型的規模是建立通用物理世界模擬器的一條有希望的道路。 一、技術創新 OpenAI 的 Sora 模型在技術創新上主要融合了 diffusion models 與 transformer models 的特點,這一結合代表著從文字描述到視覺內容生成的一大進步。根據 Goodfellow et al. (2014) 的研究,Generative Adversarial Nets (GANs) 開創了使用機器學習生成圖像的新方法,而 diffusion models 則透過逆向的擴散過程從隨機噪聲中逐步建構出有意義的圖像,提供了一種不同於傳統 GANs 的新途徑。另一方面,Vaswani et al. (2017) 提出的 transformer 模型,通過其自注意力機制有效處理長距離依賴關係,已廣泛應用於語言模型中。Sora 模型的創新之處在於將這兩種技術融合應用,實現了從簡單文本提示生成高質量視覺內容的能力,這不僅展示了機器學習技術的新高度,也為未來的影像生成、自然語言處理和人機交互開啟了新的可能性。 二、物理現象與現實世界的模擬 Sora 的另一大進步是在模擬現實世界物理現象方面的表現。雖然現有模型如 Raissi et al. (2019) 所提出的 Physi...