美国半导体产业协会（SIA）5 日公布最新报告，全球半导体销售额再现亮眼佳绩，较去年同期大增近二成，反映生成式 AI 应用蓬勃发展，为半导体产业带来强大成长动能。

MarketWatch报导，SIA 5日发布新闻稿，5月全球半导体产业销售额总计491亿美元，较4月472亿美元增加4.1%，比2023年5月412亿美元更激增19.3%。

（Source：SIA）

以营收计算，SIA代表99%的美国半导体业者，以及近三分之二的非美国晶片厂商。

5月半导体销售额以区域别来看，美洲市场表现最突出，较去年同期成长高达43.6%；中国、亚太／所有其他地区也分别较去年同期增加24.2%、13.8%；日本和欧洲则分别减少5.8%、9.6%。

SIA执行长John Neuffer在新闻稿中表示：「2024年初以来，全球半导体销售额保持年增态势，5月增幅更写下2022年4月以来新高。」

今年以来，全球半导体销售额每月均呈双位数成长，SIA预测，2024年全球半导体产业销售额可望年增16.0%至6,112亿美元，2025年续增至6,874亿美元，连续两年创历史新高。

韩国官方统计显示，2024年6月韩国出口额年增5.1%至570亿美元，连九个月正成长；韩国出口主力的半导体晶片，6月出口达134亿美元，年增率达两位数50.9%，创历史单月新高，主要受惠AI带动半导体拉货需求大增。

（本文由 MoneyDJ新闻 授权转载；首图来源：shutterstock）…

分享至

机器学习到底可以做到哪些事情呢？你绝对想不到，连「人类习惯」这个行为，都可以透过让机器学习来分析！过去我们对於习惯养成所需要的时间、因素完全没有定论，各派都有各自认定的时间。心理学家Buyalskaya等人透过连锁健身房後台的资料，以及医院PFID装置资料，利用机器学习的方式，分析人们「上健身房」、「洗手」行为的养成时间，以及影响的因素等，尝试破除大众对於「习惯养成」的迷思。

撰文｜王冠云

建立一个习惯到底需要多少时间呢？21天？40天？3个月？相信各位也看了不少坊间流传的各种神奇数字。一群心理学家们使用机器学习的方法，从大数据资料来分析人们去健身房运动以及在医院中洗手的习惯，他们发现，环境脉络的众多因子会影响到习惯养成的速度以及坚固度。

什麽是习惯？

心理学家或神经科学家们定义习惯是一种决策过程，这个过程让个体在相同的脉络之下，皆会有相同的行为，且不论结果为何，都会发生。而所谓的脉络，指的是环境中的感官刺激、地点、先前的行为等等。不过，习惯是一种渐进式养成的过程，所以在不同的人、环境线索以及行为当中，应该会存在不同的习惯养成的速度。

至於习惯究竟如何养成、速率为何、影响的脉络因子有哪些，就是Buyalskaya等人 (2023) 想透过机器学习及大数据来分析的课题。有监於过往研究较少关注於实验室以外真实人们的习惯养成数据，在他们的研究中，都使用了很大量的真实数据，共有两个子研究。子研究一收集了超过三万人的健身房参与资料（合计1200万笔观察资料）；子研究二则收集了三千多人在医院中的卫生习惯资料（合计4000万笔观察资料）。

上健身房的习惯养成

有关健身房的出席次数，Buyalskaya等人 (2023) 收集了北美一家连锁健身房的後台资料，总共有横跨了14年，超过1200万笔的会员资料可供分析。资料包含了去健身房的时间、健身房的地点以及该健身房据点的设施资料。藉由这些资料，再进一步的推算出每一位会员每周上健身房的次数、入会时间等等资讯。

研究所使用的演算模型是LASSO回归（least abosolute shrinkage and selection operator，最小绝对值收敛和选择算式），特色在於它可以基於个人的各项行为指标，产生一个特定个人的数值，而且不需要预先设定统计假设。其所产生的个人数值，又称为个人行为的可预测性 (predictability)，范围介於0.5到1之间，0.5代表完全随机，1则代表完全可预测。

模型计算的结果发现，所有个体的平均可预测度是0.806，大致可说是可预测的。在模型的设计上，每一个当日是否会进健身房运动的可能性，是由那个当日追溯的过往纪录来预测。在各个预测因子中，对模型而言最重要的因素是前一次去健身房的时间与当日的间隔。再者，还有是否为「星期一」或「星期四」，以及前7日去健身房的次数等等。而之所以会出现特定的星期，推测应该和个人的工作行程有关，所以即便只是星期一与否，也会影响到模型的预测。而每个个体对於健身房习惯的养成也有所差异，要形成去健身房的习惯大约需要68至77天。

另外，研究者也加入了酬赏条件的变化，例如好天气与坏天气因素是否会影响健身房的出席率。结果发现，若是高可预测性的健身房会员，对於酬赏的反应并不会产生特别的变化，也就是「酬赏贬值 (reward devaluation)」，即使有更好的酬赏来奖励他们去健身房，但固着的习惯使他们对於酬赏变化的反应敏感度不因此特别升高。

洗手的习惯养成

至於手部卫生的习惯资料，则是透过医院职员所配戴的RFID装置来进行资料统计。在Buyalskaya等人 (2023) 的研究中，取得了30间医院，超过5000名职员的在一年间的资料，总共有4000多万笔资料可供分析。

这个RFID装置会监测每一个在需要洗手的机会中，该职员是否有执行洗手的动作。收集用来提供给模型进行预测的变项中，包含时间点、医院名、房间地点等。与健身房的习惯预测相同，也是使用LASSO回归进行预测。

预测结果发现，对於模型而言最重要能预测该员是否洗手的预测因子是「顺从度 (compliance)」，即前一次洗手的时机点，是否依照医院的规定进行洗手。若是前一次有遵守医院规定，通常在当下的那一次，也理当会依照规定洗手。另外，其他重要的预测因子还包含上一次排班的时间、房间的进出（离开时洗手比进入时洗手的机率要大）等。

手部卫生的模型则是平均得到了0.788的预测值，也代表了医院职员的洗手习惯若干程度的可预测性。而洗手习惯的养成，大约经过9-10个班次，或是大约220次的洗手之後，就能预测下一次的洗手。这样的速率是比上健身房的习惯养成还要更快的。另外，酬赏方面，研究者假定离开医院应该会更能诱使职员们洗手，但实际发现却没有显着差异。

破除习惯养成的迷思

综上所述，Buyalskaya等人 (2023) 指出，在他们的调查中有三项重要的发现。第一，环境脉络的因素对於某些人而言，更能预测他们的习惯养成行为，而且透过LASSO模型，研究者们也试着分析出最能预测行为的因子；第二，和一般大众流行的说法不同，其实并没有习惯养成的「魔法天数」，毕竟上健身房的习惯和洗手习惯的养成时间大不相同；第三，对於习惯养成已经很定型的个体而言，他们对於酬赏的敏感度会降低，对於行为介入的反应会较弱。不论是在健身房还是在医院，对於已经养成的习惯，其实不会有太多的酬赏或奖励会改变固定的行为。不过，由於技术上的限制，Buyalskaya等人 (2023) 也提醒读者，还是有可能有其他影响习惯的因素是没有被观察到的，仍有待进一步的确认。

参考文献…