第三十三期
2026-08-29
一.OLED 螢幕又要更亮、還更耐用了？
作者:阿棋
圖 1 LG Display 於 IMID 2026 展示 FLiPP，展區右側可見 FLiPP 大型展示牆。 圖片來源：Seoul Economic Daily；照片提供：LG Display，2026-08-19。
不只是堆更多發光層
LG Display 最近公布新一代 OLED 像素製程 FLiPP。照官方測試結果，和傳統精細金屬遮罩（FMM）製程相比，在相同條件下，FLiPP 的亮度最高可到 1.6 倍、壽命可延長到 2.4 倍，功耗則可降低 13%。
簡單來說，這次不是把發光層一直往上疊，而是改掉紅、綠、藍像素做上玻璃基板的方法。
圖 2 FMM 與 FLiPP 像素圖案化比較：FLiPP 的開口率增加 55%，官方測試數據為亮度 1.6 倍、壽命 2.4 倍及功耗降低 13%。
圖片來源：Hardware Busters；數據來源：LG Display，2026-08-19。
傳統 RGB OLED 會使用精細金屬遮罩，讓紅、綠、藍三種發光材料穿過遮罩上的細孔，再沉積到指定位置。可以把它想成拿著模板分次噴漆，遮罩決定每種顏色要落在哪裡。
問題是，金屬遮罩一旦放大，就更容易因為自身重量下垂。只要位置有一點偏差，就可能出現像素錯位或混色；面板尺寸或解析度一改，製造商通常還得重新做一套昂貴的遮罩。
圖3｜LG Display 在 IMID 2026 展出的 FLiPP 技術展示牆，標示可使用第 8.5 代完整玻璃基板製造無 FMM OLED。
圖片來源：Seoul Economic Daily；照片提供：LG Display，2026-08-19。
FLiPP 全名是 FMM-Less innovative Pixel Patterning。它直接拿掉傳統金屬遮罩，改用塗布加上光刻技術製作 RGB 像素：先依序鋪上發光材料，再用紫外光蝕刻，把不需要的部分移除。
為什麼能更亮，也可能更耐用？
關鍵在於「開口率」。LG Display 表示，FLiPP 可讓 OLED 的開口率提高約 55%。所謂開口率，就是整片螢幕中，真正由 RGB 像素占據、可以有效發光的面積比例。
發光面積變大後，同樣的電力就能產生更多光線。反過來說，如果只維持原本亮度，像素不必承受那麼高的驅動負荷，發熱也有機會降低。這也是 FLiPP 能同時改善亮度、功耗與耐用度的主要原因。
不過，這些數字不能直接當成未來商品的規格。1.6 倍亮度、2.4 倍壽命與降低 13% 功耗，是相同條件下的技術比較值；實際做成產品後，廠商還是會依照定位，在亮度、耗電與壽命之間取捨。
大尺寸 OLED 才是真正重點
光刻式 OLED 製程本身不是全新的概念，只是過去多半用在比較小的面板。這次 LG Display 強調，FLiPP 已經能在第 8.5 代大型玻璃基板上，直接用完整基板製造無 FMM OLED。
這點其實比單純變亮更值得注意。依 LG 公布的資料，FLiPP 可讓母玻璃利用效率最多提高 64%，代表材料浪費可能變少，生產效率也有機會提升。官方規畫會先從平板電腦、顯示器等 IT 產品開始，之後再延伸到穿戴裝置、VR／AR 顯示器和超大型電視。
那大家最在意的 OLED 燒印問題呢？目前還不能說已經解決。LG 公布的壽命延長 2.4 倍，是指面板在特定測試條件下更耐用，不代表 OLED 永遠不會衰退，也不代表長時間顯示靜態畫面就完全沒有烙印風險。
實際表現還會受到亮度設定、散熱、面板結構、顯示內容和廠商調校影響。而且 LG Display 目前還沒有公布首批 FLiPP 消費產品的型號、價格和上市日期，所以現在比較適合把它看成一項很有潛力的新製程，而不是馬上能買到的新規格。
本週觀察
我覺得 FLiPP 最值得注意的，不只是讓下一台 OLED 電視更亮，而是它可能跨過 RGB OLED 大型化一直遇到的製程門檻。如果之後能順利量產，OLED 電視和電腦螢幕就有機會在亮度、功耗、壽命與成本之間取得更好的平衡。至於它何時真的走進消費市場，還要等 LG Display 公布下一步。
資料與圖片來源
資料來源｜LG Display，〈LG Display unveils FLiPP, achieving dream next-generation OLED〉，2026-08-19。
二.AI 怎麼看懂 X 光片？一場電腦版的「威力在哪裡」
作者:main
這次週刊想聊聊醫院裡越來越常見的「AI 影像判讀」。
每次在系統裡拉出那些充滿雜訊、黑白交錯的 DICOM 醫療影像時，總會覺得要讓電腦看懂這些圖，根本是在為難機器。但如果把那些複雜的科技名詞放一邊，AI 看懂 X 光片的底層原理，其實就跟我們小時候玩的「威力在哪裡（Where's Wally?）」一模一樣。
找出藏在幾百萬像素裡的「威力」
想像一下，一張高解析度的醫療影像，就像是那張畫滿了成千上萬個小人、背景超雜亂的遊戲書。而隱藏在器官邊緣的微小結節、骨骼上的細微裂縫，甚至是某根醫療管線的位置有沒有放對，這些都是我們要找的「威力」。
要在一片灰階的影像中，用肉眼找出可能只有幾毫米的異常，對醫生的專注力與眼力是極大的考驗。尤其當一位醫師一天需要看幾百張片子、或是需要不斷放大檢視組織層次時，視覺疲勞是不可避免的。
這時候，就是 AI 輔助系統該上場的時候了。
電腦怎麼學會找威力？靠的是無情的「刷題」
在第三十一期的週刊裡有提過，機器學習的核心是不給「規則」，只給「答案」與「資料」。
如果要讓電腦學會找威力，我們沒辦法寫一行程式碼規定：「威力長得圓圓的、顏色偏白」。因為在真實的醫療數據裡，病灶的形狀千變萬化，不同組織的邊界也非常模糊，根本寫不出絕對的 if-else 規則。
所以我們在訓練模型時，採用的是無情的「大量刷題」策略。我們把成千上萬張、已經由資深醫師親手圈出異常位置的影像餵給系統。演算法會去抓取這些圖片的深層特徵（例如某個區域的邊緣輪廓特別銳利、或是像素分佈異常密集），慢慢自己歸納出一套「找威力的直覺」。
我們在開發系統介面時，還需要讓它能直觀地把結果告訴人類。
AI 它會透過畫面的視覺化來呈現。最常見的做法是加上「邊界框（Bounding Box）」，直接在畫面中用亮色系把可疑的地方框起來；或是利用「熱點圖（Heatmap）」，在 X 光片上疊加一層色彩，顏色越紅的地方，代表 AI 覺得「威力藏在這裡的機率（信心分數）越高」。
透過這樣的介面設計，醫生看診時就不需要在全螢幕的大海裡撈針，而是能一眼聚焦在 AI 提示的高風險區域。
AI 是最強的輔助工具，而非人類的替代品
很多人聽到 AI 醫療，第一反應都是「那以後還要醫生幹嘛？」
其實在實際導入這類輔助系統時，我們的目的從來都不是取代專業人員。AI 就像是一個看過幾百萬本遊戲書、找東西超級快，但缺乏真實世界常識的超級助理。它可以在一秒內圈出所有疑似威力的紅框，但那可能只是一個長得比較像威力的路人。
最後的決定權，依然在「醫生」這位老練的玩家手上。醫生會根據 AI 提示的重點，結合病患的真實病史、抽血報告來下最終診斷。
這才是這項技術最實在的價值：用科技扛下那些疲勞與重複性的眼力活，把最關鍵的判斷力與溫度，還給醫療專業 。
###參考連結
DICOM Annotation Explained: Challenges, Workflows, and AI Training Considerations
AI and X-rays: Identifying the many faces of COVID-19
史上最簡單的版本！「威利在哪裡？」COVID-19版登場：一眼就能找到威利在哪裡！
三.2026 年 8 月，Google 發生了一場震撼 AI 業界的人事變動
作者:游錐
2026 年 8 月，Google 發生了一場震撼 AI 業界的人事變動。
Google 首席科學家 Jeff Dean 在任職近 27 年後離開公司，與 Sanjay Ghemawat、Oriol Vinyals、Quoc Le 三位 Google 資深研究者共同創辦新公司 Discovery Loop。這四人都是 Google AI 與大型系統發展歷史中的重要人物。
但這次事件真正值得注意的，並不只是「Jeff Dean 離職」，而是他們離開 Google 後想做的事情。
Jeff Dean 是誰？
Jeff Dean 在 1999 年加入 Google，是 Google 早期最重要的工程師之一。他與 Sanjay Ghemawat 長期參與 Google 大規模分散式系統的建設，後來又成為 Google Brain 與現代 AI 發展的重要人物。
因此，Dean 並不是普通的 Google 高階主管。
他幾乎見證了 Google 從搜尋引擎公司，逐漸發展成今天 AI、雲端與大型基礎設施公司的整個過程。
而這次與他一起離開的三位研究者也同樣重量級：
Sanjay Ghemawat：Google Senior Fellow，與 Dean 長期合作。
Oriol Vinyals：Google DeepMind 研究者，曾參與 Gemini 等重要 AI 工作。
Quoc Le：Google Brain 早期核心成員之一。
四個人組成的團隊，因此格外引人注目。
他們離開後想做什麼？
新公司叫 Discovery Loop，是一家 public benefit corporation。
它的目標不是單純打造另一個聊天機器人，而是希望利用 AI 自動化科學與工程研究流程。
簡單來說，傳統研究可能是：
提出假設 → 設計實驗 → 執行 → 分析結果 → 提出下一個假設
Discovery Loop 想讓 AI 參與甚至自動執行這整個循環。
例如，AI 可以提出一個新的研究方向，自己寫程式、執行實驗、分析結果，再根據結果決定下一個實驗。
公司希望未來可以讓大量實驗平行執行，將原本需要研究者逐步完成的工作大規模自動化。
這也解釋了「Loop」這個名字的含義：
研究不再只是一次性的問答，而是一個可以不斷循環的 discovery loop。
為什麼現在可以這樣做？
Jeff Dean 在 8 月於 Stanford 的公開演講中談到，現在小型團隊之所以能做以前只有 Google 這類大型公司才能做的事情，很大一部分原因是 Cloud Computing。
過去，一個頂尖 AI 研究團隊可能需要自己建立龐大的 GPU 集群、儲存系統、網路與分散式運算 infrastructure。
現在，小型團隊可以直接租用 Google Cloud 等平台的計算資源。
因此，四個人組成的團隊，也有可能使用過去只有大型科技公司才能取得的基礎設施。
這可能正是 Dean 選擇現在創業的重要原因之一。
Google 真的「輸掉 AI」了嗎？
看到 Jeff Dean、Oriol Vinyals 等人離開，很容易產生一個結論：
「Google 的頂尖 AI 人才正在逃離，所以 Google 要輸了。」
但目前沒有足夠證據支持這個結論。
Google 依然擁有 Gemini、Google DeepMind、TPU、Google Cloud，以及龐大的 AI 研究與工程團隊。
而且有一個非常有趣的細節：
**Google 本身就是 Discovery Loop 的 founding investor，而且 Google Cloud 也會成為其合作夥伴。 ** 換句話說，這並不是單純的「Google 和 Jeff Dean 決裂」。
比較像是：
Jeff Dean 想離開 Google，建立一個更小、更自由的研究團隊； Google 則選擇投資他的新公司，甚至繼續提供基礎設施。
這是一種相當特別的關係。
Google 同時正在重新調整 AI 領導層
Jeff Dean 離開的同一天，Google 也宣布 Demis Hassabis 不再負責 Google DeepMind 的日常營運。
Hassabis 將轉任 Google DeepMind Chairman 與 Alphabet Chief Scientist，日常營運則由 DeepMind CTO Koray Kavukcuoglu 接手。
因此，這次事件其實不是單純一位傳奇工程師退休或跳槽。
Google 的 AI 組織正在同時發生相當大的變化。
真正值得關注的，是「研究方式」正在改變 我認為 Discovery Loop 最值得注意的地方，並不是 Jeff Dean 的名氣。
而是它背後代表的一個可能趨勢：
AI 可能從「研究工具」逐漸變成「研究流程的一部分」。
過去：
人類提出問題 → AI 幫忙解決
未來可能變成：
人類設定目標 → AI 提出假設 → AI 執行實驗 → AI 分析結果 → AI 再提出新的假設
如果這種模式真的能成功，研究效率的瓶頸就可能從「一個研究員一天能做多少實驗」，變成：
「我們能讓多少 AI agent 同時進行多少個可靠的實驗？」
這也是為什麼 Jeff Dean 的這次「單飛」值得關注。
他離開的也許不只是 Google
他正在嘗試驗證一種新的 AI 研究模式。
而 Google 選擇成為這場實驗的投資者與基礎設施提供者。
現在還無法知道 Discovery Loop 最終會不會成功，但如果它真的能讓 AI 大規模參與科學發現，那麼這次離職可能會被視為 AI 研究史上一個相當重要的轉折點。
資料來源
Google — The next chapter of our AI momentum
Jeff Dean、Sanjay Ghemawat 與 Discovery Loop 的官方資訊。
Reuters — Google shakes up AI leadership as DeepMind chief shifts role
Google AI 領導層重組與相關背景。
The Wall Street Journal — Google AI Architect Jeff Dean Leaves to Co-Found AI Startup
四位創辦人的背景。
TechCrunch — Jeff Dean and other top AI researchers are leaving Google
Discovery Loop 的成立與研究方向。
Business Insider —Why Jeff Dean says he left Google after 27 years
Dean 在 Stanford 對離開 Google 原因的說明。