台灣過去一年240萬次的網路攻擊
烏克蘭的難民沒帶著自己的証明文件，專業技能或學經歷都沒了
DID(去中心化的身份)
DID是不可被篡改的數位身分辨識碼
DID不是單一機構發行的
VC(可驗證的憑據)
可信的機構所發出的數位憑証可溯源
持有者將VC存在自己的錢包，主動出示
VP(可驗證的展示文件)
vp是VC的組合包（身分證，健保卡，駕照）
只把須展示的部分show出來
三大商品
Turing cert:數位憑証的保持及發行平台（發症者）ex台大、監理站
（發出VC）
Turing wallet(持證者)
（數位皮夾）（展示VP）
Turing verify:可以展示快速查驗（驗證者）ex企業，和租車公司
（一鏈認証）
資安技術：
SHA 256演算法（hash）～上鎖
RSA非對稱加密～加密
IOTA區塊鏈．～上鏈
I5027001安全隱私
可指定的證書（編輯不同樣式的證書）
一鏈上LinkedIn
Turing wallet可以按時間序，可以選捍那些要揭露或隱藏
經濟部再生能源憑證發出
台大給海外人士發的畢業證書
柏克萊大學給的海外畢業證書也是瓜ring做的
數位發展部李科長
數位網絡世界的身分驗證痛點
個人識別的方案：
集中式驗証^叫你去mom o網站上註冊，由主機記錄
聯邦式驗證^用Google mail或facebook驗證，透過第三方
分散式驗証^數位皮夾（自已決定要拋什麼資料）（它不是數位身分證）（它也不是Apple皮夾Google皮夾）
數位皮夾是一個容器，但不是new ID或new wallet
證明自行的分
選擇性揭露
互動性，例如數位駕照也可在日本使用
W3C的標準（全球貿協）
IETF及DIF及open ID的技術規格
四個特性
數位自主SSI
分散性信任
Permissionless(
開源分散式資安架構
SSI: 發證者，持有者，驗証者
政府只公告：信任清單說xx發証者是否可靠
政府不負責發証，不背書，也不存有「持有者的資料」
驗証者自己負責接不接受發証者的信賴度
W3C的VC
金融及就業背景調查，以後都用區塊練
教育資格証明
旅遊證明ex疫苗
Microsoft verifier ID
數位皮夾
將個人的證件都放在手機內
這個皮夾內的駕照（發行者是監理站）會連動監理站資訊，但數發部不存檔
目前只做自然人的驗證，非自然人（企業工商憑證或資產）目前可能不能放入皮夾
RWA的成長2022到2025成長六倍
未來資產代幣化是趨勢
國際金融界都在做RWA，債券、基金及黃金代幣化
匯豐銀行已做黃金代幣化類似REIT
交易所也在做RWA
瑞士SDX交易所一UBS-投資人
日本大阪ODX交易所一NOWARU及大和證券一投資人
｜發行企業連接的機構
瑞士obligate
國泰債券代幣化：
合規～～以金融商品來管理
有牌照的～～國外交易所核發的交易牌
結算的貨幣～～例如穩定幣來結算
基金代幣化最大的BUDL
發在公鏈上交易，SECURITIZE一BlackRock的BUDL fund一傳統基金市場
00909國泰ETF
00762元大AI ETF
RWA的目的
讓這些流動性低的商品透過token化而可以加速流動
RWA代幣化小組（Winnie）
金管會對公司債發行委國泰做POC
投資人可以對次級市場之交易
可24小時都交易
用戶的錢包是第三方的
用公鍵交易
方便未來接到海外方便
公連之缺點是gas fee
聯盟鏈會快，也省錢
智能合約：ERC 3643 (身分驗證及智能合約
2019-2023國泰世華STO做私連的
2024-20 25做RWAPOC
2026-2030其他RWA商品
未來的挑戰：
公鏈私犍連盟連都各有好壞
法規銜接
消費者的保護（誰負責）
誰來保管這些代幣？
怎麼和國外銜接？結算的貨幣？
還有很多議題待理解及定義，
資料及個資
結算及交割
一，Sparklands Daniel Wang
中央大學通訊系畢去大陸工作三年回台作貿易
人類文明：火。輪子（移動／效率）。貨幣（交換／信任）。區塊練（信任／去中心化）
它的主業是做不動產仲介
RWA(real world assets)的賽道須有實際資產一Token的發明一區塊鏈技術尤其智能合約
人的需求是貨，而不是money
虛擬貨幣就是token(憑証)，（代幣）存取的密碼也是
Token的basis就是blockchain，如智能合約
Rwa.xyz這網站可以理解RWA的trend
RWA的主要數別：貨幣、商品、碳權及房地產
代幣分三種：支付型（當貨幣用），功能型（gas當費用），資產性（不動產的代幣）
RWA的tokaizati on
資產識別（選擇資產）
法律架構（符合法規）
智能合約的開發
發行及交易
Sparklands web3不動產Tokenization(將房子的債權分割給消費者）～不走証交法
24小時線上交易
不動產創造的收益／打包成債權再分割給大家投資
RWA Books:金融世界的未來
像REIT是web 2的不動產證券化～符證交法管理
只能在股市交易
全球指標企業Real T，Not a Hotel
https://sparklandsco
註冊：KYC ／sumsub
加密錢包：Privy穩定幣
幣安鏈
真實簽約紙本簽
線上的數位憑證
智能合約
這是5月4日台大EMBA孔令傑教授演講的摘要。
會議記錄內容圍繞人工智慧 (AI) 的不同概念、應用現況及未來發展進行討論 [i, j, k]。廣義來說，AI 是指能協助人們做出更好決策的電腦系統。AI 的實現方式主要分為兩大類：規則式系統 (Rule Based System) 和資料驅動的智慧系統。
規則式系統是基於人類經驗或統計分析結果，由人制定一套明確的規則並寫入電腦，讓電腦依據這些規則進行判斷或行動。例如，根據年齡和性別設定車險費率，或依室溫設定冷氣開關的門檻值。這種方法雖然簡單易懂，但列舉規則有其極限，尤其當問題複雜或需要考量的情境多樣時。
為了克服規則式系統的限制，發展出了資料驅動的智慧系統，其核心思想是讓機器從歷史資料中自行找出規則。這又可細分為機器學習 (Machine Learning) 和深度學習 (Deep Learning)。
機器學習主要處理結構化資料，這類資料可以很好地整理成表格，如客戶年齡、性別、交易紀錄等具有明確意義的變數。機器學習模型透過分析這些資料，自行生成判斷規則。常見應用包括預測信用卡盜刷機率、預測會員流失 或使用者可能喜歡的影片或商品。現代的機器學習需要大量的資料來訓練模型。
深度學習，它使用層數更多的類神經網路 (Neural Network)。深度學習的主要優勢在於能夠處理非結構化資料，如影像、聲音和文字。與結構化資料中變數有明確意義不同，非結構化資料如影像的每個像素本身意義不明確且數量龐大。深度學習模型能夠從這些底層、無意義的變數中學習複雜的模式。應用範例包括影像辨識 (如辨識圖片中的物件、人臉、偵測產品瑕疵)、文意理解等。訓練深度學習模型需要超大量的計算資源和資料。
在 AI 的應用中，預測 (Prediction) 是一個核心概念。來源區分了狹義的「預報」(Forecasting)，特指對未來事件的預測，如天氣預報或需求預測。而廣義的「預測」(Prediction) 則包含對未來及沒有時間先後關係的猜測或評估，例如判斷信用卡交易是否為盜刷。雖然中文常用「預測」統稱，但在思考問題時理解其廣泛含義很重要。AI 不僅能做預測，還能基於預測或其他分析結果協助或自動進行決策 (Decision Making)，這通常涉及實際的行動，並往往包含最佳化 (Optimization)，即在特定目標下（如最大化營收、最小化成本）做出最佳選擇。應用例有自動駕駛、機票價格動態調整、製造業品質管制、電銷名單篩選。
近年來，生成式 AI (Generative AI) 的出現帶來了重大突破。這是一種能夠產出豐富、非結構化內容（如文章、圖片、聲音、影像）的深度學習模型。相較之下，較早發展的 AI 或主要輸出簡單判斷（如是否盜刷、有無瑕疵）的 AI 被稱為判別式 AI (Discriminative AI)。
生成式 AI 的核心機制可以簡要理解為一種機率模型的文字接龍。它根據前面出現的文字，預測下一個最可能出現的字詞，並依機率生成文本。其訓練資料主要來自網路上的海量文本，資料品質會影響模型的生成結果。
生成式 AI 目前應用廣泛，但也存在主要缺點：
為了解決通用模型無法滿足特定企業需求的問題，發展出了特化技術：
總結來說，選擇適合的 AI 技術（機器學習、深度學習、生成式 AI）取決於任務的類型和處理的資料類型。簡單任務和結構化資料可能用傳統機器學習就足夠且更有效益，殺雞焉用牛刀。處理非結構化資料常需要深度學習，而需要生成豐富內容的則適合生成式 AI。理解這些技術的區別、優勢與局限性，對於企業負責人或決策者在評估和導入 AI 解決方案時至關重要。未來，人類的角色將更側重於領域知識的運用，以指導和評估 AI，並提升軟實力和執行力。