在〈The Fitness of Things〉文末提到的《矽眼》，我這個月初在網路上得知此書，於 8 號溜到政大書城購買，當天就熬夜將它閱讀完畢、畫上重點、附上書籤。原本打算寫個評介的，想想還是把我批註的部份整理整理，將內文摘錄摘錄就好：
- 視覺不是一種感覺，而是一種訊息理解力。[p22]
- Carver Mead 和他的研究小組發展出對助聽器極有效用的電子耳蝸，也設計出一系列的視網膜晶片。[p23]
- 一旦你親手建造某樣東西，你就能發掘到光憑思索或測量所無法觸及的層面。一旦了解真意，並抓住其中的物理基本原則，就能發展出更好的實物。[p23]
- Foveon 相機的特色是，每一個畫素都將影像的真實特徵記錄下來，揚棄數位模擬的方式。[p24]
- Foveon 的名稱，是由人體視網膜中具有高度色彩解析能力的中央窩（fovea）而來。[p42]
- 發明的訣竅就在於尋找及延續模式。「這個世界有很多好東西，只要肯去尋找對稱、尋找模式，你就可以找到好東西。」[p49]
- Peter Ducker 一反常理且無情的定義：「沒有一種改革能夠動搖既有的系統，除非它更優越十倍」。[p59]
- 在半導體業，一間公司想達到競爭優勢的方法，並不是申請專利然後公諸於世，而是將它藏在製造過程的關鍵步驟內，藏在層層繁複緊密的線路和矽晶設計中。[p70]
- 對電晶體來說，絕緣又無法通電的 floating gate 是沒有用處的，因為它不能當作控制元件，然而用在 memory cell 上卻很好，因為 floating gate 可以保存電容器的電力長達數年甚至數十年之久。[p77]
- 只要是任何能簡化成數字的宇宙萬象，數位電腦都有能力模擬。但數位電腦卻無法和真實世界溝通。它們又聾、又啞、又笨、又無生命…人工智慧最大的挑戰不在操弄數字，無論是高中數學或高等微積分，而是真實世界的感官認知──所有視覺、聽覺、觸覺和動作能力，這些是所有生命誕生之後，第一個要學的。[p86]
- 大腦並不是跟著抽象的時鐘節奏來運作，而是根據訊息進入的時間，再加上同時抵達的其他事件的時機來做運算。舉例來說，大腦能夠從一連串同時出現的、雜亂無章的各種聲音中，區別字和雜音的不同。[p98]
- 《Analog VLSI and Neural Systems》 [p102]
- Misha Mahowald 她的模型涵蓋整個神經組織中的光及能量的流向，從捕捉色彩的視網膜錐細胞，…最後進入皮質層，綜合一切，形成可辨識的影像全貌。從「大量的輸入」到「大量的輸出」，這就是相互關連，有條有理的視覺影像系統。[p116]
- Carver Mead 的中心思想就是「從做中學」，除非你親自動手作，否則無法徹底了解真相。[p121]
- Transducer Physiology [p122]
- Blind Source Separation [p143]
- Support Vector Machine [p144]
- 類比似乎只能用在特定的應用上面，流程或輸入必須固定不變。如果要用到記憶體或寫程式，還是需要回歸到數位。[p147]
- 訊號的時間常數如果在毫秒左右，用類比是很適合的。電荷在你使用前不會衰減，也不會漏掉… [p159]
- 類比有著極為重要的地位。不過，如果你只需要計算的話，買台電腦就行了。[p163]
- 大腦是極端區域性的，只有不到 1% 的線路是屬於遙控性質…神經軸索數目大約只占了神經突觸的十億分之一。大腦 70% 的能量處理樹突。雖然 McCullough 及其他首屈一指的類神經網路學者均認為這是一種被動程序，但 70％ 這個數據卻意味著一種積極、有改變型態能力的溝通形式。比起 von Neumann 式的電腦，大腦其實更類似 data flow 或 systolic array 。[p171]
