Academic, a back burner in holistic consideration

哈佛大學的入學許可，考慮下面5個因素，"academic,” “extracurricular,” “athletic,” “personal” and “overall.”

假如純粹考慮 academic, 亞裔學生應有 43%入學率， 如果將哈佛列為優先的運動員和父母是校友的因素考慮進去， 亞裔學生入學率降為31%，將 "extracurricular" 和 "personal" 考慮進去，亞裔學生降為 26%。把 "demographic" 考慮進去，亞裔學生入學率降為 18%.

昨天在 Boston 的聯邦法庭訴訟辯論中，哈佛堅稱並沒有 bias (雖然哈佛在 2013年的內部機密調查文件中顯示有 bias). 實際上，這是全部 長春藤大學的入學趨勢。academic 不再是入學唯一的考慮因素。

我認為校園多元化是好現象，現在社會存在的 meritocratic aristocracy 不一定是正面的。

哈佛入學考慮的個人特性包括 ”positive personality,” kindness, courage and being “widely respected” 如何考慮這些個人特性，那是每個學校的 ”機密”

前幾天，芝加哥大學成為美國著名大學，第一個在學生的申請文件中，不要求 ACT 或 SAT 的成績, 只要求有一個兩分鐘的 video presentation.

因為美國大學入學申請，很重視學生的個性，所以教授寫推薦信要注意一些詞句。有一篇文章也提到 "But many of the people writing the recommendations may not know that there are particular phrases admissions officers are looking for, as opposed to simply attesting to a students’ good citizenship and hard work. That can put the students at a disadvantage."

https://www.nytimes.com/2018/06/15/us/harvard-asian-enrollment-applicants.html

garbled article from AI

預測 20年後，人工智慧可以寫 幾乎大部分的暢銷書， 但是以今天人工智慧的水準來寫文章，實際上只是用 pattern recognition 的方式 來寫文章。 這一期的經濟學人雜誌，有一個很有趣的報導。 假如大量餵經濟學人的科技文章給人工智慧學習， 人工智慧到底能自己寫出什麼文章? 看到這一期雜誌的毫無修飾的 人工智慧自己寫的科技文章， 真是啼笑皆非，文法全對，但內容亂七八糟， 不知所云。
https://www.economist.com/news/science-and-technology/21732805-weve-got-few-years-left-least-how-soon-will-computers-replace-economists

Taiwan's nauseating air pollution emanates from China?

American Jubilee - The Judgement Day

現在貧富不均的情形已經比一九三零年代要嚴重，每次貧富不均太嚴重的時候，已經無法用 經濟方式來解決，只好用政治方式來解決： 窮人大翻身，所有債務一筆勾銷。 歷史上已經發生多次( 美國就發生三次)， 但也造成了立即的金融大危機， 因為所有的儲蓄在一夕之間可能掉一半以上， 來支付窮人無法償還的債務。 這個預測雖然危言聳聽但卻出自於 2006年 正確預測 在2007年發生的 金融大危機的 Porter Stansberry.

https://orders.cloudsna.com/chain?cid=MKT342135&eid=MKT343314&step=start&hpmv=2&mp_distinct_id=15fe0c0730e902-0fbe84f63a7cc4-3a3e5e06-140000-15fe0c0730f879#AST74018

who is to blame the Taiwan air pollution

12/10/2017 早上7點和 12/11/2017 早上7點由中國大陸吹來的風向完全不一樣 (from https://ready.arl.noaa.gov/hypub-bin/trajsrc.pl)   , 不知道來自中國的空污怎麼算的?    

http://www.sciencedirect.com/science/article/pii/S016041201630294X

Personalized learning

最近和方大哥討論到 個人化的學習，方大哥希望我把我自己對個人化學習的心得寫出來。 我大學學的是機械，在 MIT 的碩士跟博士學位是材料工程，minor 是控制工程, 工作經驗絕大部分是積體電路設計。 我的自主學習從大學才開始有一點領會，真正的自主學習，主要還是來美國以後，才有比較深切的感覺。

自主學習，平常主要還是來自於強烈的學習企圖心，我從機械轉材料，是因為當年在機械系時，材料科學是唯一的幾乎被當掉的科目。 從材料轉積體電路設計是因為，沒有綠卡的身份，材料專長很難找事情，但積體電路設計專長就比較容易。 當然這種跨領域的自主學習，需要長時間，而且要有強烈的意志力。 我運氣不錯，當兵的時候在家裡附近的 206 兵工廠，所以有至少1年半的時間，可以廣泛地閱讀有關材料的書。 材料轉積體電路設計比較辛苦，因為除了照顧繁重的材料系課業外，還要抽時間到電機系旁聽， 以及閱讀有關電路設計的書。 但是當年強烈的企圖心， 還是克服了這些自主學習的困難。

自主學習, 我一直認為有兩個途徑， 一個為考試，一個為領悟。 兩個自主學習的方法，不完全一樣。 為考試的自主學習，必須非常注重細節，要不然考試的時候，寫不出所以然。 為領悟的自主學習，一定要著重長期觀念的培養，要不然幹嘛浪費時間來自主學習，又不考試。 我在工作上遇到的問題，幾乎都是在長期觀念的框架下，然後再花時間去了解些微的相關細節，這樣才能真正解決問題。 也就是我對自主學習的認知是，不注重細節，考試很難拿高分。 但是不注重長期觀念的培養，很難完全解決工作上實際的問題。 每一個人的時間有限，魚與熊掌不可兼得， 這完全取決於時間的應用以及有多少的學習意志力。

自主學習的觀念培養，可能有點抽象，我舉一個例子。 前幾天跟方大哥提到，我在國二化學的時候，根本不知道莫耳到底是什麼東西，只知道是跟一個很奇怪的數目字 (6.022E23) 有關係, 但這個 ”莫宰羊” 完全不會影響到我考試的分數。考完試後，這個莫耳就在我腦中漸漸的消逝，因為它只是一個無關緊要的數目字而已。 前幾天因緣際會看到 莫耳這個字，決定上網查一下， 了解為什麼這世界上會存在這個 6.022E23 ”無厘頭”的數字時， 重新溫習了原子的基本結構(因為莫耳跟這個有關) 以及更深切了解愛因斯坦方程式，E=mc**2( 莫耳也跟這個有關), 甚至莫耳還可以連結到普朗克常數和波茲曼常數， 扯得更遠一點，甚至還可連結到，現在人工智慧非常普偏的所謂 cross entropy。了解這些對考試成績沒什麼用，但是對長期觀念的培養以及 跨領域的銜接，應該是非常有助益。

我當年在機械系流體力學的一些重要觀念的培養，對我後來自學電機系電磁波 Maxwell 方程式的了解，非常有幫助。 但假如只是注重些微細節，流體力學和電磁波就只是兩個毫無關係的領域。後來在材料系的博士論文，也是藉助著一個看起來似乎完全沒有任何關係的熱傳導觀念， 才能解決我在研究技術上的困難。

自主學習還有一個很重要的一點，當你花 1個小時了解這個科目時 ，還是要花一點時間，把你的觀念寫下來。這絕對會幫助你的了解，而且一邊寫一邊整理你的觀念， 會很有成果。永遠抱著一個想法，假如我一年以後再回來看這個部分時，我只要看我寫的東西，就可以在 1分鐘之內了解這個科目。 當我第二次看到時，平常都會再修正我第一次寫的資料，讓修正後的觀念變得更有直覺性的反應。 第三次看到時，當然就會修正的更完整，因為經驗增加了， 所以有可能 同樣的觀念可以用在不同的領域， 這就會產生一加一大於二的效果。 當然，如何保存而且可搜尋這些經年累月的個人”觀念資料”，那又是另外一項的自學技能了。

還有一點，假如要把自主學習發揮得淋漓盡致的話，英文要加強。 我舉一個例子，上次回台灣的時候，我手機的 SIM card 相容性有問題，所以我到台灣大哥大門市部求助。 兩個技術員操作我的手機15分鐘，甚至上網去查資料，仍然解決不了不能上網的問題。 我不甘心，回家以後上網去查資料，15分鐘之後，我解決問題了，還回去教他們。 這中間唯一的差異是，我用英文查資料，他們用中文查資料，我查的範圍當然會更廣。 自主學習除了時間的妥善運用，學習意志力的加強以外，英文也是另外一個重要因素。

naked in a goldfish bowl

美國現在對有性侵害未成年小孩前科的護照 加以註記，"The bearer was convicted of a sex offense against a minor". 這和中國大陸對嫖客的護照加註 "淫蟲" 有異曲同工的嚇阻作用. 不知道這在台灣會不會違反個資法?  http://www.nj.com/mercer/index.ssf/2017/11/megans_law_sex_offender_notification_cause_rolls_o.html

scot-free corruption

紐澤西州聯邦參議員 Menendez 的貪污案件，被判 "未決審判" (mistrial，因為陪審團不能做出一致的決議)，所以 Menendez 就可以從貪污的案件裡脫身。 2015年維吉尼亞州的州長 McDonnel 被判貪汙有罪，但最後上訴到最高法院被判無罪。 美國現在也漸漸的淪落成，只要為選民服務， 不管接受多少優渥的回饋，就可以理直氣壯地說，我是清白的。 https://www.theatlantic.com/politics/archive/2017/10/menendez-mcdonnell-supreme-court/543354/

Personalized Learning

最近和方大哥討論到 個人化的學習，方大哥希望我把我自己對個人化學習的心得寫出來。 我大學學的是機械，在 MIT 的碩士跟博士學位是材料工程，minor 是控制工程, 工作經驗絕大部分是積體電路設計。 我的自主學習從大學才開始有一點領會，真正的自主學習，主要還是來美國以後，才有比較深切的感覺。

自主學習，平常主要還是來自於強烈的學習企圖心，我從機械轉材料，是因為當年在機械系時，材料科學是唯一的幾乎被當掉的科目。 從材料轉積體電路設計是因為，沒有綠卡的身份，材料專長很難找事情，但積體電路設計專長就比較容易。 當然這種跨領域的自主學習，需要長時間，而且要有強烈的意志力。 我運氣不錯，當兵的時候在家裡附近的 206 兵工廠，所以有至少1年半的時間，可以廣泛地閱讀有關材料的書。 材料轉積體電路設計比較辛苦，因為除了照顧繁重的材料系課業外，還要抽時間到電機系旁聽， 以及閱讀有關電路設計的書。 但是當年強烈的企圖心， 還是克服了這些自主學習的困難。

自主學習, 我一直認為有兩個途徑， 一個為考試，一個為領悟。 兩個自主學習的方法，不完全一樣。 為考試的自主學習，必須非常注重細節，要不然考試的時候，寫不出所以然。 為領悟的自主學習，一定要著重長期觀念的培養，要不然幹嘛浪費時間來自主學習，又不考試。 我在工作上遇到的問題，幾乎都是在長期觀念的框架下，然後再花時間去了解些微的相關細節，這樣才能真正解決問題。 也就是我對自主學習的認知是，不注重細節，考試很難拿高分。 但是不注重長期觀念的培養，很難完全解決工作上實際的問題。 每一個人的時間有限，魚與熊掌不可兼得， 這完全取決於時間的應用以及有多少的學習意志力。

自主學習的觀念培養，可能有點抽象，我舉一個例子。 前幾天跟方大哥提到，我在國二化學的時候，根本不知道莫耳到底是什麼東西，只知道是跟一個很奇怪的數目字 (6.022E23) 有關係, 但這個 ”莫宰羊” 完全不會影響到我考試的分數。考完試後，這個莫耳就在我腦中漸漸的消逝，因為它只是一個無關緊要的數目字而已。 前幾天因緣際會看到 莫耳這個字，決定上網查一下， 了解為什麼這世界上會存在這個 6.022E23 ”無厘頭”的數字時， 重新溫習了原子的基本結構(因為莫耳跟這個有關) 以及更深切了解愛因斯坦方程式，E=mc**2( 莫耳也跟這個有關), 甚至莫耳還可以連結到普朗克常數和波茲曼常數， 扯得更遠一點，甚至還可連結到，現在人工智慧非常普偏的所謂 cross entropy。了解這些對考試成績沒什麼用，但是對長期觀念的培養以及 跨領域的銜接，應該是非常有助益。

我當年在機械系流體力學的一些重要觀念的培養，對我後來自學電機系電磁波 Maxwell 方程式的了解，非常有幫助。 但假如只是注重些微細節，流體力學和電磁波就只是兩個毫無關係的領域。後來在材料系的博士論文，也是藉助著一個看起來似乎完全沒有任何關係的熱傳導觀念， 才能解決我在研究技術上的困難。

自主學習還有一個很重要的一點，當你花 1個小時了解這個科目時 ，還是要花一點時間，把你的觀念寫下來。這絕對會幫助你的了解，而且一邊寫一邊整理你的觀念， 會很有成果。永遠抱著一個想法，假如我一年以後再回來看這個部分時，我只要看我寫的東西，就可以在 1分鐘之內了解這個科目。 當我第二次看到時，平常都會再修正我第一次寫的資料，讓修正後的觀念變得更有直覺性的反應。 第三次看到時，當然就會修正的更完整，因為經驗增加了， 所以有可能 同樣的觀念可以用在不同的領域， 這就會產生一加一大於二的效果。 當然，如何保存而且可搜尋這些經年累月的個人”觀念資料”，那又是另外一項的自學技能了。

還有一點，假如要把自主學習發揮得淋漓盡致的話，英文要加強。 我舉一個例子，上次回台灣的時候，我手機的 SIM card 相容性有問題，所以我到台灣大哥大門市部求助。 兩個技術員操作我的手機15分鐘，甚至上網去查資料，仍然解決不了不能上網的問題。 我不甘心，回家以後上網去查資料，15分鐘之後，我解決問題了，還回去教他們。 這中間唯一的差異是，我用英文查資料，他們用中文查資料，我查的範圍當然會更廣。 自主學習除了時間的妥善運用，學習意志力的加強以外，英文也是另外一個重要因素。

Gates' another shot at education reform

蓋茲基金在34億美金的教育支出，最有名的是他在 common core 的推動. 單是在寫common core 的教材方面，他就花掉了 2億3千萬美金. 當年蓋茲基金會和美國教育部強力推動 common core 六年，最後的結果應該算是不成功。 因為 common core 的考試，大部分的問題不是直接就有答案，而是要思考一下才能得到正確答案。 可以想像的，用common core 來考試，全州學生的平均成績只可能下降，不可能提升。 這讓老師和政治人物的壓力大增。 結果是 學生和老師的考試壓力大增，要不然就是州長宣布將 common core 考試取消，回復以前較傳統的考試。 再加上當時全美彌漫着 "聯邦政府不要來干涉我地方政府的教育政策" 的風氣。 最後common core 是無疾而終。

這一次17億美金的花費，主要是用在公立學校，而且是讓 老師來決定 "怎麼樣才能夠讓學生變得更好"。 這和上次的common core 的策略不一樣，顯示蓋茲基金會在教育改革方面，要從多方面來嘗試最佳的策略。 會不會比 common core 成功，將拭目以待。

教育的最佳改革，有時候很難建立在"理想教育策略"上。If past is prologue, 我們看看在2010年臉書 Zuckerberg 捐給紐澤西州 Newark 學校系統 1億美金(政府和民間的捐獻也配合1億美金)， 這兩億美金5年後，對這一個幾乎是全州教育最糟糕的城市有什麼效果？ 兩億美金中有六千萬美金是用在擴大 charter schools 的系統. 在鑑定考試裡，charter school 的學生有71%達到標準 ，公立學校只有41%達到標準(全州的標準平均標準是66%). 現在 Newark 的學生有30%都在 charter schools, 造成公立學校幾乎破產，因為幾乎全部的家長都拼死命的想讓自己的小孩子進 charter school。 Newark 公立學校, 在2011到2014年之間，數學和語言的成績仍然持續下降。 這應該是 Zuckerberg 在2010年捐款的時候，完全沒有預料到的。

https://www.edweek.org/ew/articles/2017/10/19/gates-foundation-announces-new-17b-for-k-12.html

Ivy's responsibility to mitigate income inequality

位於紐澤西州的普林斯頓大學，觀念中是一個 只有有錢人才能進的全世界排名第一的貴族學校, 入學申請率只有 6%. 但只要家庭收入少於5萬塊美金 (全美平均中等家庭收入是55,000美元), 你的入學希望就由 6%突然增加到22% ( 父母之一是由普林斯頓大學畢業的"高等家庭"，優惠入學條件也不過是13%), 而且幾乎不要付任何學雜費的機率非常高( 越窮機率就越高)。

普林斯頓大學審核學生的入學條件時，只要看到符合政府學費補助的， Essay 或是考試成績, 很明顯沒有請專家幫忙的， 都是列為特別考慮的對象， 不但讓他們的入學機會提高很多，而且還保證他們入學以後，在財務上可以不要擔心。 這固然是普林斯頓大學有220 億美金的資產和捐款可運用，但是全美國像這樣的學生，在全美排名100名之內的大學，也有16%的入學率。像這種 為了盡量消除貧富不均的情形，不惜違反入學公平性的著名美國大學越來越普遍。

https://www.washingtonpost.com/local/education/how-an-ivy-got-less-preppy-princeton-draws-surge-of-students-from-modest-means/2017/10/23/b66955b6-a770-11e7-850e-2bdd1236be5d_story.html?utm_term=.d3c6538c31f8

iPhone X face recognition

一直搞不清楚 iPhone X 臉部辨識是怎麼做到的? 用 "最簡單"的 ToF (Time of Flight, 距離不同，所以光的往返時間不同) 根本不可能，因為就算是同樣距離，光線反射到相機的時間，因為光子在同樣一個 pixel 的落點不同，就可能會有至少50公分的距離差異。

Apple 在2013年收購了一家以色列的公司, Primesense. 這家公司用和 ToF 截然不同的技術。iPhone X 的臉部辨識，用紅外線在你臉上灑下3萬點的 "coded light". 再由這3萬點 "coded light" 反射到相機的數據，和儲存的標準值比較，然後經過非常複雜的數學模式， 算出這些點的距離。 看了 Primesense 在2006年呈給美國專利局的專利，真是嘆為觀止。 這二十幾年來有多少人在夢想，如何用幾萬個 pixels 的 image sensor 來測量物體的距離差別，但都沒有成功。 Primesense 的方法應該算是最成功的。Primesense 在2006年的專利裡，距離的誤差還是有1.5公分，相信十年來這距離誤差應該已經缩到很小， 所以臉部的辨識應該是有可能的。

我相信 iPhone X 臉部辨識的硬體，應該都是台灣做的。Primesense 提供的應該就是最重要，也是最貴的 algorithm。 以色列在數學光學和物理的教育，應該不會比台灣強很多吧，為什麼他們做的就是最重要的東西，而台灣只能做次等的東西?

Opiod crisis

星期天晚上 60分鐘的類鴉片 (opiod) 爆炸性的報導，引起了全國的注意 (甚至川普在記者會，也被迫回答這個他不想回答的問題)。 現在因為 opiod 過量而造成的死亡率，已經遠遠超過 槍枝和車禍的死亡率。 這八年來急速增加的 opiod 死亡率，有很大的原因要"歸功於" 美國國會的推波助瀾， 製藥公司的貪婪，和不加規範的政府旋轉門。

這兩年來製藥公司和藥品經銷商在國會遊說的錢，已經超過一億美金。 遊說的錢越多，死的人就更多。 美國聯邦緝毒署 (DEA)，主張強力規範藥品氾濫的高層官員被迫辭職，而其他缉毒署消極的官員，卻紛紛轉任製藥公司和藥品經銷商的高薪職位，然後再反過來要求國會立法，限制缉毒署的行動。 而兩位立法要求緝毒署不要太積極行動的國會議員之一，竟然被川普提名為打擊毒品的沙皇。 這項荒唐的提名，要是被國會批准的話，那真的是立法要求緝毒署閒閒無代誌的國會議員，也可以當上全國打擊毒品的最高領導人物。

看來因為藥品過量而急速增加的死亡人數沒人在乎，倒是製藥公司和藥品經銷商要能賺足了錢，政府官員可以很輕鬆的轉任民間公司的高薪職位，和國會議員可以有源源不斷的民間公司的資助，才是最重要的。

twisted sentiment in Vietnamese War

最近幾天在看公共電視上的大型越戰紀錄片，其中提到 1970年代越戰的晚期，在 Ohio Kent State 大學，國民兵用67發的子彈射擊抗議越戰的學生，四個學生死亡。 可是當時竟然有 58% 的美國人贊成國民兵的做法。 不同的時空背景，不同的環境影響，fluid public sentiment 真的很詭異。

staggering value of top-notch AI experts

由 Elon Musk 資助創立的 OpenAI 真的會成為現代的 Xerox PARC (據說 Steve Jobs 當年曾經在這裡偷到 GUI 和 mouse 的創新技術)? 頂尖 AI 人才的身價幾乎和 NFL 頂尖四分衛一樣，所以就算是 Elon Musk 的魅力，也不一定能請到 AI 頂尖人才到 OpenAI 工作。(NFL 前10名的四分衛薪水都在兩千萬美金以上)。 最近在 OpenAI 免費提供下載的模擬平台上，嘗試了 Reinforcement Learning 的奇妙. 不告訴 AI 任何東西，讓AI自己能夠在一個移動的平台車上，保持一根棍子不墜。 下一個挑戰是看能不能用 deep Q-Learning 來玩老掉牙的電動遊戲, PacMan. 不過 Q-Learning 的數學非常抽象，有時候兩三個小時， 還無法領悟到這數學模式直覺的觀念。  http://www.bw40.net/8475.html

would-be journalist

兩天前，輸入人工智慧程式 1千7百萬個字的文章，在PC上跑了兩個小時，結果 人工智慧竟然有辦法自己領會出像 zero 這個字是跟 one two three four five six seven ... 是有關係的。 這只是1千7百萬個字(其中 the 就佔了至少1百萬個字)，兩個小時在PC上也不過是反覆訓練了一萬次。 如果是輸入至少幾十億個字，而且是在高速平行運算電腦上 訓練 幾個月，數學最佳化 model 也夠完美的話，那豈不是 獨立學習的 人工智慧的文學修養，可以逼近一個新聞記者的程度。 怪不得現在有些網頁的即時報導，是由人工智慧操刀的

AI learning gratis

最近自學Google人工智慧的 Python API。 讓我很驚訝的是 Google 自從2015年11月釋出人工智慧程式碼 Tensorflow 後，可以說是毫無保留。 Google甚至提供 TensorBoard， 可以將你寫的人工智慧程式轉成 neuron 操作圖(如下圖)。 全部 neuron 的訊息, 全部 neuron 的連結， 和 neuron 如何發射信號， 全都顯現在這張圖上，以便 debug和分析.

雖然像 Xilinx 也把 FPGA 設計軟體釋出, 但是像高階的 C-to-Verilog 的軟體就要付費，而且你用他們的免費設計軟體，必須還要再買他們昂貴的 FPGA硬體才有用。但 Google的 Tensorflow 人工智慧軟體完全免費。 除非你要分析的數據不是幾萬個而是幾百萬個，幾億個，那就可能要花錢去買 PC 的 GPU 卡，要不然運算太慢。 任何人都能夠以 Python 程式搭配 Tensorflow人工智慧的API來分析至少幾萬個數據， 可以在自己家裡的 PC上進行，而且不花一毛錢。

人工智慧軟體的免費享用，使得這兩年來學習人工智慧的人數高速成長， 也讓賣 GPU 晶片的 NVIDIA，一年內股票成長3倍 ( 我剛剛也在ebay買了一個低階的 GPU卡)。 現在的學生，與其擔心以後被人工智慧取代，那還不如現在就學人工智慧，以後來取代別人。 反正學習的資源都是免費， Python 也不難學，而且 Tensorflow 所需要的數學也不過是基本的微積分。當然，還是要花很多時間去學習每一個 Tensorflow API 的內涵.

growing AI market apace

人工智慧的市場在3年後有每年60億美金的價值，8年後有每年 370億美金的價值。 這個龐大的市場意味著有多少的高薪工作會增加，以及多少的工作會被取代。

Family-centered policy trumps points-based policy?

Most of the Americans, definitely including Trump, have the corny misconception that immigrants have low educational levels. In 2011-2015, 50% of the immigrants have college degrees (compared to 27% between 1986-1990). In 26 states of the U.S., average educational level of immigrants is higher than the native citizens. Even with declining power, U.S. is still the catnip for world-wide intellectuals.

http://www.economist.com/news/united-states/21723108-far-being-low-skilled-half-all-legal-migrants-have-college-degrees-immigrants

3D pictures from Sony

Sony CMOS sensor 現在有測距感應器 (ToF)，所以就可能有立體照相的結果。 這個 ToF的技術一直是我职耿於懷的，因為我不知道怎麼設計在這種小小的照像晶片上, 可以有幾十萬，幾百萬個 ToF感測器. 
看了 Sony 的簡略 ToF 照像技術資料後，我才比較釋懷。 Sony 的 ToF 感應器， 兩公尺以外的物體，測距誤差 1公分, 4公尺以外的距離測距誤差是4公分。距離越長，測距誤差越大。 而且這個數據要在非常明亮的燈光下 (2千 lux, 但平常明亮的辦公室照明只有400 lux)， 不能有餘光或任何外界的困擾。 軍事用途的 ToF距離, 至少是兩三公里, 而且至少要能辨識戰車的形狀. 二三十個 pixels 還可以, 兩三百萬個 pixels 根本不可能，因為辨識 3公里以外的距離誤差，至少是辨識物體長度的10倍以上。
Sony的這個技術，我相信主要是在於當光子進入晶片後，被 PN junctipn 吸收的時間，幾乎每一個 pixel 都能調整到差不多。 這個 Sony 晶片的 pixel 是10 微米，我估計因為光子進入每一個 pixel的落點都不會一樣，可能至少會有3到5奈秒(10的負9次方秒)的誤差， 加上其他外界的影響和光子數量的不同 ( Poisson distribution)，這時間誤差會更大。 3公尺的距離 來回需要20奈秒。 但是因為光子隨機落點的不同，就有0.6公尺的距離誤差。 Sony 能夠解決這個時間誤差問題，至少對幾公尺外近距離的立體照相，還是很了不起。 只是不知道光線要多亮，距離要多近，才能顯現立體效果？
http://technews.tw/2017/06/10/sony-tof/