服務的形式的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

AI安全之對抗樣本入門

為了解決服務的形式的問題，作者兜哥 這樣論述：

本書系統介紹對抗樣本的基本原理，從相關的背景知識開始，包含搭建學習對抗樣本的軟硬體環境、常用工具，帶領讀者快速上手實踐。本書作者在安全領域有多年實踐經驗，對業界常見的方法做了系統的歸納總結，包含大量案例，深入淺出，實踐性強。 主要內容包括：·對抗樣本相關的深度學習背景知識，如梯度、優化器、反向傳遞等。·如何搭建學習對抗樣本的軟硬體環境。·對抗樣本領域的一些常見圖像處理技巧。·常見的白盒攻擊演算法與黑盒攻擊演算法。·對抗樣本在目標檢測領域的應用。·對抗樣本的常見加固演算法。·常見的對抗樣本工具以及如何搭建NIPS對抗樣本競賽環境。·如何站在巨人的肩膀上，快速生成自己的對抗樣本，進行攻防對抗。

兜哥，百度安全實驗室AI模型安全負責人，具有10餘年安全從業經歷，曾任百度基礎架構安全負責人、Web安全產品線負責人。主要研究方向為對抗樣本、生成對抗網路。著有AI安全暢銷書籍《Web安全之機器學習入門》《Web安全之深度學習實戰》《Web安全之強化學習與GAN》。著名開源AI安全工具箱AdvBox的作者，Free Buf、雷鋒網、安全客特邀專欄作家，知名安全自媒體「兜哥帶你學安全」主編。 序一 序二 自序 前言 第1章　深度學習基礎知識 1 1.1　深度學習的基本過程及相關概念 1 1.1.1　數據預處理 1 1.1.2　定義網路結構 2 1

.1.3　定義損失函數 6 1.1.4　反向傳遞與優化器 7 1.1.5　範數 12 1.2　傳統的圖像分類演算法 13 1.3　基於CNN的圖像分類 14 1.3.1　局部連接 14 1.3.2　參數共用 15 1.3.3　池化 17 1.3.4　典型的CNN結構 18 1.3.5　AlexNet的結構 19 1.3.6　VGG的結構 19 1.3.7　ResNet50 20 1.3.8　InceptionV3 20 1.3.9　視覺化CNN 20 1.4　常見性能衡量指標 30 1.4.1　測試資料 30 1.4.2　混淆矩陣 31 1.4.3　準確率與召回率 31 1.4.4　準確度與F

1-Score 32 1.4.5　ROC與AUC 33 1.5　集成學習 34 1.5.1　Boosting演算法 35 1.5.2　Bagging演算法 37 1.6　本章小結 39 第2章　打造對抗樣本工具箱 40 2.1　Anaconda 41 2.2　APT更新源 45 2.3　Python更新源 45 2.4　Jupyter notebook 45 2.5　TensorFlow 49 2.6　Keras 50 2.7　PyTorch 51 2.8　PaddlePaddle 52 2.9　AdvBox 52 2.10　GPU伺服器 52 2.11　本章小結 55 第3章　常見深度學

習平臺簡介 56 3.1　張量與計算圖 56 3.2　TensorFlow 58 3.3　Keras 62 3.4　PyTorch 64 3.5　MXNet 67 3.6　使用預訓練模型 70 3.7　本章小結 76 第4章　影像處理基礎知識 77 4.1　圖像格式 77 4.1.1　通道數與圖元深度 77 4.1.2　BMP格式 80 4.1.3　JPEG格式 81 4.1.4　GIF格式 81 4.1.5　PNG格式 81 4.2　圖像轉換 81 4.2.1　仿射變換 81 4.2.2　圖像縮放 83 4.2.3　圖像旋轉 85 4.2.4　圖像平移 85 4.2.5　圖像剪切 86 4

.2.6　圖像翻轉 87 4.2.7　亮度與對比度 88 4.3　圖像去噪 89 4.3.1　高斯雜訊和椒鹽雜訊 90 4.3.2　中值濾波 91 4.3.3　均值濾波 93 4.3.4　高斯濾波 93 4.3.5　高斯雙邊濾波 94 4.4　本章小結 96 第5章　白盒攻擊演算法 97 5.1　對抗樣本的基本原理 97 5.2　基於優化的對抗樣本生成演算法 100 5.2.1　使用PyTorch生成對抗樣本 102 5.2.5　使用TensorFlow生成對抗樣本 106 5.3　基於梯度的對抗樣本生成演算法 109 5.4　FGM/FGSM演算法 110 5.4.1　FGM/FGSM基本

原理 110 5.4.2　使用PyTorch實現FGM 111 5.4.3　使用TensorFlow實現FGM 112 5.5　DeepFool演算法 115 5.5.1　DeepFool基本原理 115 5.5.2　使用PyTorch實現DeepFool 117 5.5.3　使用TensorFlow實現DeepFool 122 5.6　JSMA演算法 124 5.6.1　JSMA基本原理 124 5.6.2　使用PyTorch實現JSMA 126   生活中的深度學習 深度學習自2006年產生之後就受到科研機構、工業界的高度關注。最初，深度學習主要用於圖像和語音領域。從2

011年開始，穀歌研究院和微軟研究 院的研究人員先後將深度學習應用到語音辨識，使識別錯誤率下降了20%～30%。2012年6月，穀歌首席架構師Jeff Dean和斯坦福大學教授Andrew Ng主導著名的Google Brain項目，採用16萬個CPU來構建一個深層神經網路，並將其應用於圖像和語音的識別，最終大獲成功。 2016年3月，AlphaGo與圍棋世界冠軍、職業九段棋手李世石進行圍棋人機大戰，以4比1的總比分獲勝；2016年年末2017年年初，該程 序在中國棋類網站上以“大師”（Master）為註冊帳號與中日韓數十位圍棋高手進行快棋對決，連續60局無一敗績；2017年5月，在中國烏鎮

圍棋峰會上，它與排名世界第一的圍棋世界冠軍柯潔對戰，以3比0的總比分獲勝。AlphaGo的成功更是把深度學習的熱潮推向了全球，成為男女老少茶餘飯後關注的熱點話題。 現在，深度學習已經遍地開花，在方方面面影響和改變著人們的生活，比較典型的應用包括智慧家居、智慧駕駛、人臉支付和智慧安防。 深度學習的脆弱性 深度學習作為一個非常複雜的軟體系統，同樣會面對各種駭客攻擊。駭客通過攻擊深度學習系統，也可以威脅到財產安全、個人隱私、交通安全和公共安全（見圖0-1）。針對深度學習系統的攻擊，通常包括以下幾種。 1. 偷取模型 各大公司通過高薪聘請AI專家設計模型，花費大量資金、人力搜集訓練資料，又花費

大量資金購買GPU設備用於訓練模型，最後得到深度學習模型。深度學習模型的最終形式也就是從幾百KB到幾百MB不等的一個模型檔。深度學習模型對外提供服務的形式也主要分為雲模式的API，或者私有部署到使用者的移動 設備或資料中心的伺服器上。針對雲模式的API，駭客通過一定的遍歷演算法，在調用雲模式的API後，可以在本地還原出一個與原始模型功能相同或者類似的模型；針對私有部署到使用者的移動設備或資料中心的伺服器上，駭客通過逆向等傳統安全技術，可以把模型檔直接還原出來供其使用。偷取深度學習模型的過程如圖 0-2所示。 2. 數據投毒 針對深度學習的資料投毒主要是指向深度學習的訓練樣本中加入異常資料，導

致模型在遇到某些條件時會產生分類錯誤。如圖0-3所示。早期的資料投毒都 存在於實驗室環境，假設可以通過在離線訓練資料中添加精心構造的異常資料進行攻擊。這一攻擊方式需要接觸到模型的訓練資料，而在實際環境中，絕大多數情況都是公司內部在離線資料中訓練好模型再打包對外發佈服務，攻擊者難以接觸到訓練資料，攻擊難以發生。於是攻擊者把重點放到了線上學習的場景，即模型是利用線上的資料，幾乎是即時學習的，比較典型的場景就是推薦系統。推薦系統會結合使用者的歷史資料以及即時的訪問資料，共同進行學習和判斷，最終得到推薦結果。駭客正是利用這一可以接觸到訓練資料的機會，通過一定的演算法策略，發起訪問行為，最終導致推薦系統

產生錯誤。 3. 對抗樣本 對抗樣本由Christian Szegedy等人提出，是指在資料集中通過故意添加細微的干擾所形成的輸入樣本，這種樣本導致模型以高置信度給出一個錯誤的輸出。在正則化背景下，通過對抗訓練減少原有獨立同分佈的測試集的錯誤率，在對抗擾動的訓練集樣本上訓練網路。 簡單地講，對抗樣本通過在原始資料上疊加精心構造的人類難以察覺的擾動，使深度學習模型產生分類錯誤。以圖像分類模型為例，如圖0-4所示，通過在原始圖像上疊加擾動，對於肉眼來說，擾動非常細微，圖像看起來還是熊貓，但是圖像分類模型卻會以很大的概率識別為長臂猿。 下面以一個圖像分類模型為例，更加直接地解釋對抗樣本的基本原

理。通過在訓練樣本上學習，學到一個分割平面，在分割平面一側的為綠球，在分割平面另 外一側的為紅球。生成攻擊樣本的過程，就是在資料上添加一定的擾動，讓其跨越分割平面，從而把分割平面一側的紅球識別為綠球，如圖0-5所示。 對抗樣本按照攻擊後的效果分為Targeted Attack（定性攻擊）和Non-Targeted Attack（無定向攻擊）。區別在於Targeted Attack在攻擊前會設置攻擊的目標，比如把紅球識別為綠球，或者把麵包識別為熊貓，也就是說在攻擊後的效果是確定的；Non-Targeted Attack在攻擊前不用設置攻擊目標，只要攻擊後，識別的結果發生改變即可，可能會把麵包識

別為熊貓，也可能識別為小豬佩琪或者小豬喬治，如圖0-6所 示。 對抗樣本按照攻擊成本分為White-Box Attack（白盒攻擊）、Black-Box Attack（黑盒攻擊）和Real-World Attack/Physical Attack（真實世界/物理攻擊）。 White-Box Attack（見圖0-7）是其中攻擊難度最低的一種，前提是能夠完整獲取模型的結構，包括模型的組成以及隔層的參數情況，並且可以完整控制模型的輸入， 對輸入的控制細微性甚至可以到比特級別。由於White-Box Attack前置條件過於苛刻，通常作為實驗室的學術研究或者作為發起Black-Box Attac

k和Real-World Attack/Physical Attack的基礎。 Black-Box Attack相對White-Box Attack攻擊難度具有很大提高，Black-Box Attack完全把被攻擊模型當成一個黑盒，對模型的結構沒有瞭解，只能控制輸入，通過比對輸入和輸出的回饋來進行下一步攻擊，見圖0-8。 Real-World Attack/Physical Attack（見圖0-9）是這三種攻擊中難度最大的，除了不瞭解模型的結構，甚至對於輸入的控制也很弱。以攻擊圖像分類模型為例（見圖0-10），生成 的攻擊樣本要通過相機或者攝像頭採集，然後經過一系列未知的預處理後再輸入模型進

行預測。攻擊中對抗樣本會發生縮放、扭轉、光照變化、旋轉等。 常見檢測和加固方法 1. 深度學習脆弱性檢測 檢測深度學習脆弱性的過程，其實就是發起攻擊的過程，常見的白盒攻擊演算法列舉如下。 ILCM(最相似反覆運算演算法) FGSM(快速梯度演算法) BIM(基礎反覆運算演算法) JSMA(顯著圖攻擊演算法) DeepFool(DeepFool演算法) C/W(C/W演算法) 常見的黑盒攻擊方法列舉如下。 Single Pixel Attack(單圖元攻擊) Local Search Attack(本地搜索攻擊) 2. 深度學習脆弱性加固 針對深度學習脆弱性進行加固的常見方法主要包括以下幾種，

我們將重點介紹Adversarial training。 Feature squeezing(特徵凝結) Spatial smoothing(空間平滑) Label smoothing(標籤平滑) Adversarial training(對抗訓練) Virtual adversarial training (虛擬對抗訓練) Gaussian data augmentation (高斯資料增強) Adversarial training如圖0-11所示，其基本思路是，常見的對抗樣本生成演算法是已知的，訓練資料集也是已知的，那麼可以通過常見的一些對抗樣本工具箱，比如 AdvBox 或者FoolB

ox，在訓練資料的基礎上生成對應的對抗樣本，然後讓深度學習模型重新學習，讓它認識這些常見的對抗樣本，這樣新生成的深度學習模型就具有 了一定的識別對抗樣本的能力。 與Adversarial training思路類似的是Gaussian data augmentation。Gaussian data augmentation的基本原理是，對抗樣本是在原始資料上疊加一定的擾動，這些擾動非常接近隨機的一些雜訊。Adversarial training雖然簡單易於實現，但是技術上難以窮盡所有的攻擊樣本。Gaussian data augmentation直接在原始資料上疊加高斯雜訊，如圖0-12所示，k

為高斯雜訊的係數，係數越大，高斯雜訊越強，其他參數分別表示高斯雜訊的均 值和標準差。Gaussian data augmentation把訓練資料疊加了雜訊後，重新輸入給深度學習模型學習，通過增加訓練輪數、調整參數甚至增加模型層數，在不降低原有模型準確度的 情況下，讓新生成的深度學習模型具有了一定的識別對抗樣本的能力。 對抗樣本領域的最新進展 對抗樣本是AI安全研究的一個熱點，新的攻擊演算法和加固方法層出不窮，而且攻擊場景也從實驗室中的簡單圖像分類，迅速擴展到智慧音箱、無人駕駛等領 域。百度安全實驗室的最新研究報告《感知欺騙：基於深度神經網路（DNN）下物理性對抗攻擊與策略》成功入選Blac

kHat Europe 2018。報告展現了讓物體在深度學習系統的“眼”中憑空消失，在AI時代重現了大衛·科波菲爾的經典魔法。針對深度學習模型漏洞進行物理攻擊可行性研究 有著廣泛的應用前景，在自動駕駛領域、智慧安防領域、物品自動鑒定領域都有重要的實際意義。 如圖0-13所示，在時間t0的時候，當在車後顯示器中顯示正常logo時，YOLOv3可以正確識別目標車輛，而在t1時，切換到擾動後的圖片 時，它可以立刻讓目標車輛在YOLOv3面前變得無法辨識；在t2時，如圖0-14所示切換回正常的圖片，YOLOv3重新可以識別目標車輛。這是首次針 對車輛的物理攻擊的成功展示，與以往的學術論文相比，在攻擊

目標的大小、解析度的高低以及物理環境的複雜性等方面，在影響和難度上都是一個巨大提升。 Kan Yuan和Di Tang等人在論文《Stealthy Porn: Understanding Real-World Adversarial Images for Illicit Online Promotion》中介紹了黑產如何通過單色化、加雜訊、增加文字、仿射變化、濾波模糊化和遮蓋等方式讓違規圖片繞過目前主流的圖片內容檢測服務。這也標誌著對抗樣本技術已經從實驗室環境真正進入了網路對抗實戰。 國內安全人員在對抗樣本領域的研究成果得到了國際的普遍認可。朱軍等人指導的清華大學團隊曾在NIPS 2017

對抗樣本攻防競賽中奪冠，紀守領老師所在的 NESA Lab提出了一種新型的對抗性驗證碼，能防範來自打碼平臺等黑產的破解。  

服務的形式進入發燒排行的影片

居家托育人員於收托發展遲緩嬰幼兒之困境、需求與服務形式之研究

為了解決服務的形式的問題，作者呂姿諺 這樣論述：

本研究主要目的為探究居家托育人員在收托發展遲緩嬰幼兒的困境與挑戰、支持與需求，以及期待接受之專業支持服務的形式與內容等三個面向，來進一步了解如何透過此成果協助更多托育人員在照顧特殊需求嬰幼兒專業能力上的提升。 本研究同時採取量化與質性的混合型研究方法。量化部分採問卷調查法，係以研究者自編問卷為主要研究工具，調查對象為向臺中市政府辦理登記之居家托育人員，且三年內有收托發展遲緩嬰幼兒經驗者，共回收111份電子問卷，研究者將資料採用描述性統計、獨立樣本t檢定、單因子變異數分析進行統計及分析。質性部分採焦點團體訪談法，邀請7位在三年內有收托發展遲緩嬰幼兒經驗之居家托育人員，且收托發展遲

緩嬰幼兒的期間超過三個月，分成兩組來進行，以進一步了解托育人員收托發展遲緩嬰幼兒的經驗，和對於專業支持服務形式的期待和建議。本研究結果歸納如下：一、收托發展遲緩嬰幼兒的困境與挑戰：平均分數為4.16，介於「有點認同」至「認同」之間，不同的背景變項之於困境與挑戰皆沒有顯著差異。統整問卷調查及質性資料結果，居家托育人員收托發展遲緩嬰幼兒的困境與挑戰包含（1）照顧壓力源自於兒童發展遲緩的狀況；（2）收托之嬰幼兒面臨可能的傷害或影響；（3）面對特殊需求嬰幼兒，照顧策略及引導技巧需要再提升；（4）雙方對於兒童發展認知上的差異，造成保親溝通困難；（5）家庭教養方式與托育人員不一致，導致托育人員對提升兒童發

展產生無力感；（6）收托發展遲緩嬰幼兒之意願受經濟考量影響。二、收托發展遲緩嬰幼兒的支持與需求：平均分數為5.38，所有題項之平均分數也皆大於5分，顯示居家托育人員對於收托發展遲緩嬰幼兒所需要的支持與需求有很高的認同程度，不同的背景變項之於支持與需求皆沒有顯著差異。統整問卷調查及質性資料結果，居家托育人員收托發展遲緩嬰幼兒的支持與需求包含（1）多元方式獲得特殊需求嬰幼兒相關資訊；（2）研習課程應該有系統性的規劃以及以實務操作為主；（3）與專業人員合作並獲得專業支持；（4）第三方居中協調，以促進保親互動；（5）保親合作，將療育延續在托育期間。三、托育人員期待接受之專業支持服務的形式與內容：平均分

數為5.40，所有題項之平均分數也皆大於5分，顯示居家托育人員對於期待接受之專業支持服務的形式與內容有很高的認同程度。教育背景為「幼教／幼保／特教科系所」之居家托育人員對於「期待接受之專業支持服務的形式與內容」的認同程度，顯著高於教育背景為「其他（非教育相關科系所）」者。統整問卷調查及質性資料結果，托育人員期待接受之專業支持服務的形式與內容包含（1）提供早療資訊、社會福利、引導技巧等資源；（2）專業人員利用教玩具等物品來示範和教學；（3）提供到宅指導或開設實體課程等多元服務形式；（4）以正向鼓勵的態度提供支持；（5）促進保親溝通並增加家長的共同參與；（6）縮短申請與待排服務時間，服務次數盼增加

。 依據本研究結果，分別對社政相關單位、居家托育服務中心、居家托育人員、專業支持服務提供者及未來研究提出建議，以供參考。

開啟創新基因：如何在最飽和的市場找到破局之路

為了解決服務的形式的問題，作者（日）山田英二 這樣論述：

為什麼矽谷鋼鐵俠埃隆•馬斯克的特斯拉汽車翻轉了全球汽車行業，而挑戰同一領域的“Better Place”公司卻走向了破產？本書以克萊頓•克裡斯坦森等大師講授的哈佛商學院創新原則為藍本，探討了商界打拼者易陷入的思維定式，並結合大量成功案例：從歌舞伎、傳統日式點心到摩根酒店、星野度假村，從星巴克、優衣庫到特斯拉、M-Pesa，乃至美國的垃圾回收策略和英國的監獄管理方式，啟發人們，世上並沒有偶然成功這回事，唯有找出那些未被關注的納米級細節，才能追逐上可能的下一個風口。 山田英二，美國哈佛商學院MBA，目前就職于凱捷（Capgemini）咨詢公司。山田先生先後在波士頓咨詢集團（B

CG）、索羅斯私募基金、三菱UFJ研究咨詢等多家世界級公司積累了豐富經驗，擅長制定突破性策略和全新商業模式，協助企業挖掘新的成長機會，不斷實施創新發展。著有《新型全球化業務教科書》等。 前 言 1 第1部分 理論篇：重新認識“商業模式” 第1章 是什麼阻礙了創新 1 01 是時候考慮“我們應該做什麼”了 2 別再為“錯誤的問題”而忙碌 2 02 籠罩發達國家的“閉塞感”和對創新的渴望 4 當“斷舍離”成為流行語 4 我們已經“豐衣足食” 7 03 所謂“管理資本主義” 9 企業為追求規模經濟和市場份額而日趨龐大 9 垂直一體化的“統治” 10 分工導致組織僵化，難以創新

12 04 漸行漸遠的“商業模式”論 15 “商業模式”不是植物標本 15 成功模式背後常被忽視的周邊環境 19 05 電商超越百貨商場說明了什麼 21 互聯網銷售5年期間增長近一倍 21 “百貨商場”的根本意義正在消失 22 環境變了，商業模式也應該改變 23 06 大企業的“創新者的窘境” 26 過去的教訓不僅為了喚起注意 26 化危機為轉機，斯沃琪迫使精工陷入窘境 27 提供給顧客的價值的內容最重要 28 基礎技術變化導致的低收益模式 28 妨礙創新的組織及其習慣 30 “零售業的窘境”：店鋪由資產蛻變為負債 32 當戰略框架成為束縛 32 第2章 何為“創新” 35 01 商業的“S

”形發展過程 36 化學纖維中的創新模式 36 黎明時期會有“瓶頸” 38 全部條件具備之後，市場將急劇擴張 40 02 我們總是想得“過快、過小” 42 當電動機取代蒸汽機成為動力源 42 電動機出現之後，工廠仍長期維持舊貌 45 03 為何人們無法預測創新 47 赫伯特·西蒙發現的4點啟示 47 …… 04 用“情景規劃”預測未來 51 臉書也曾被“低估” 51 投資銀行家：以預測未來為職業的人 52 用情景規劃來補充想像 54 05 環境是塑造商業的模具 57 關注“邊界”而非業務本身 57 為防盜而誕生的康查士系統 59 現場發生了什麼 60 工程車輛感測器帶來的巨大價值 61 06

企業“生態系統” 64 企業之間的相互影響 64 已經悄然成熟的時機 65 常被忽略的潛在創新 67 經歷了漫長發展過程的牙膏管和拉杆箱 68 第3章 從顧客視角看到的 73 01 潛意識中的“生產者”邏輯 74 逐漸偏離實際的資訊 74 02 何為“顧客體驗價值” 76 司機為什麼在上班途中買奶昔 76 如果你想給松餅搭配奶油和香蕉 78 只在表面上模仿星巴克的日本企業 80 提供“非日常”體驗價值的霜淇淋店 80 03 打破偏見，尋找新的入口 82 顧客真正“應該做的事” 82 如何擺脫原有框架的束縛 84 第2部分 案例篇：“俯瞰”商業 第4章 實現創新的7 個線索 87 01 創

新的線索就在身邊 88 “別人的成功” 88 從過去的案例中汲取精華 89 02 影響業務的5大環境要素 91 影響商業模式的外部因素 91 （1）顧客（customer） 92 （2）員工（worker） 93 （3）相關產業（related businesses） 94 （4）技術（technology） 94 （5）社會基礎設施（infrastructure） 95 03 實現創新的7個線索 96 摘掉“有色眼鏡” 96 第5章 反思現有的業務形態 追溯“過去的歷史”，找到出發的原點 99 01 歌舞伎——超越古典表演藝術的兩個嘗試 100 傳統業務的創新 100 與時共進的歌舞伎表演

101 村上隆的流行藝術也是順應時代潮流的挑戰 102 02 中村屋、虎屋——在反復創新中不斷前行 104 曾經是革新先驅的中村屋 104 不斷創新的虎屋 105 老字型大小更需要持續創新 106 03 車載資訊保險——用資料來規避風險 108 根據具體情況評估風險 108 用資料證明駕駛水準 110 真實資訊推進保險行業的新發展 111 第6章 洞察顧客的真正需求 站在“顧客”的立場，深究其購買目的 115 01 美捷步——總部遷至拉斯維加斯的真實目的 116 通過電話贏得顧客的信賴 116 通過電話增加忠實顧客 117 拉斯維加斯有什麼 118 02 GoPro——衝浪愛好者創造的全新

運動相機 120 銷售年年翻番的運動相機 120 最大的魅力不是性能，而是“體驗” 121 03 好儷姿（Honeys）——第一時間推出顧客喜愛的商品 126 流行是服裝廠家創造出來的嗎 126 快速時尚：通過滿足顧客需求來增加銷售 127 在街頭捕捉最新需求 128 04 星野度假村——創造前所未有的度假體驗 130 去滑雪就要忍受種種不便嗎 130 星野度假村創造的“滑雪場價值” 132 第7章 發現新現實 “偶然的成功”背後，是未被關注的事實 137 01 唐吉訶德——以不拘一格的擺放方式吸引顧客 138 具有積極作用的脫離常軌 138 成熟市場上缺乏“目的性購買” 140 晚上顧客多

就延長營業時間 142 常識不會帶來成功 143 02 ABC烹飪學校——靠變化引領烹飪學校革命 145 傳授如何切菜的烹飪學校 145 銷售餐具時發現的商機 148 03 Round 1——保齡球館重組提供新的價值 149 蕭條行業中一枝獨秀的保齡球館 149 您需要個人專用球嗎 150 機緣巧合下成長為綜合娛樂設施 152 第8章 未來在哪裡 著眼“極端市場”，探索創新的前兆 153 01 優衣庫——隱藏在休閒服飾中的技術革新 154 由極端成為主流的創新 154 曾經比羊毛更昂貴的搖粒絨材質 156 02 日本維珍影院——電影院裡的“頭等艙” 159 用其他行業的服務來創新 159 0

3 摩根酒店集團——酒店裡的俱樂部體驗 162 演繹前所未有的“非日常”效果 162 “休息的場所”變為“享受的空間” 164 第9 章 從陽臺看到的風景 超越“集群”界限，探尋遠方的線索 165 01 戴爾—— 打造“一對多”結構 166 沒有電腦的電腦公司 166 被迫“多對一”的電腦廠商 168 以開放式生產方式贏得“一對多”的地位 170 02 特斯拉——目標是成為電動汽車行業的微軟 173 電動汽車也有測試版 173 “作業系統”的價值 175 控制平臺者得天下 177 IT領域的新秩序 179 電動汽車創新企業的另一個版本：“Better Place” 180 03 新雪穀——闖進

世界前十名的滑雪度假村 184 不比不知道的內在魅力 184 新雪穀“走向世界”的兩大原因 185 為了提高顧客體驗價值而“犧牲小我” 186 第10章 當環境迥然不同時 紮根於“異國”，以當地視角來探討 189 01 GE——探索創新的新途徑 190 把在新興國家開發的商品賣到發達國家 190 在不同環境下實現低成本和小型化 192 02 “M-Pesa”——用手機號碼當帳戶 195 商業模式也要“入鄉隨俗” 195 “M-Pesa” 的非凡成就 196 03 久保田——在中國市場展開新業務 200 讓昂貴的價格物有所值 200 用功能和效果說話 202 第11章 立志為社會做貢獻 解決

社會問題，尋求超越“商業”的協作 205 01 社會創新：超越營利與非營利的界限 206 在商業活動中創造社會價值 206 02 再生銀行——將民間智慧用於垃圾處理 208 讓市民、企業和行政部門均能獲利 208 03 彼得伯勒監獄——降低再次犯罪率獲得報酬 211 募集投資解決社會問題 211 降低監獄運營費用要靠誰 211 防患於未然的新模式 213 出版後記 215 本書的宗旨在於，啟發那些在閉塞的日本企業裡終日忙碌的人們，幫助他們在新環境中發現新的價值，並深入思考“創新”這件事。 在此，我使用的“創新”一詞，是指熊彼特提出的“生產要素的重新組合”，即從瞬息萬變的

環境中，發現創造新價值的機遇，重新建構自己的商業形態。 例如，隨著互聯網的普及，零售行業不得不重新認識自身的商業形態。這並非只是單純地將實體店鋪改為網店，而是必須重新探討店鋪的形態（功能、規模等）。 不過，催生創新的契機，並不僅限於IT等新技術。還有另一種可能，即密切關注顧客喜好的變化，用前所未有的方式來提供並沒有什麼特別之處的商品或服務，這樣也能提供新的價值。 本書以“商業模式”作為關鍵字，來探討上述創新過程。 最近，“商業模式”一詞被用於各種場合，相關主題的書籍也隨處可見。 但是，本書對這個詞的用法稍有不同。本書中的商業模式意味著“思考的層面”，將“商業模式”的概念作為具有獨特個

性的機制，在當今環境的大背景下，統觀一直運營至今的業務，重新審視其所處的地位。因此，本書的最大特徵是將商業模式與其所處的外部環境結合起來進行探討，同時這也是本書的目的所在。 本書旨在“設身處地地考慮創新”。在論述方式上，由第1部分的理論篇與第2部分的案例篇兩部分構成。 第1部分探討了現代商業人士最常陷入的思維慣式。 哈佛商學院誕生以來的一個多世紀裡，企業規模日趨龐大，組織的管理方式也隨之不斷發展。此外，還確立了以分工和專業化以及目標管理為核心的“管理”制度，在經營戰略、會計財務、人事組織、生產管理、市場行銷等各個領域設計出眾多管理方法。 雖然這一點本身令人讚歎，但在另一方面，作為分工和

專業化的弊端，企業組織也由此陷入了難以根據環境做出改變的困境。本書第1部分的理論篇將從整體上闡述商業所處地位和存在形態。 本書第2部分將對在商業模式創新中獲得成功的企業案例進行介紹。不過即便知道了其他行業或者企業獲得成功的商業模式，成功的創新也仍舊只是別人的事，據此找到本企業創新的可能性並非易事。 而且，即便是獲得了成功的企業，也很少是從一開始便建立起目前的商業模式的，大部分案例都是在所處環境當中不斷試錯，最終才獲得的成功。所以在環境已經改變的今天，類似的成功是不可能再現的。 因此，在介紹成功案例時，與結果本身相比，我更側重於考察其獲得成功的過程、經營者的思維方式，以及使其成功成為可能的

“新現實”等背景。 或許會有些令人意外，但通過深度考察成功案例，我們可以發現，創新其實是在日常工作的過程中產生和發展起來的。能否注意到創新的契機，並作出適當的反應，歸根結底要取決於人們的思維方式，即如何理解創新，以及關注哪些現象。只要稍微變換視角便會發現，眼前的工作中就蘊藏著產生巨大變化的可能。 近年來，“創新”一詞頻繁成為人們關注的焦點。其實，在近代歷史中，自從工業革命之後，大規模的創新曾經數度惠澤人類社會，每次都推動社會形態發生了巨大變化。在被稱為ICT革命（資訊通信技術革命）的今天，我們分析今後的創新趨勢時，回顧以往的創新歷史具有重要意義，可以從中獲得大量的啟示。本書第1部分概述了創

新的生命週期，在這一過程中介紹了我在哈佛商學院學到的知識，包括已故的小艾爾弗雷德·錢德勒教授名為“管理資本主義的到來”的近代管理史課程和理查·羅森布魯姆教授“技術基礎上的競爭策略”課程的相關內容，以及赫伯特·西蒙博士關於蒸汽機的論文和保羅·大衛博士有關電動機的論文。 在創新帶來的新技術、新產品或服務得到普及之後，人們的生活和意識都會發生改變，新事物誕生之前舊時代的生活會被逐漸淡忘。 不久以前，還沒有汽車導航系統時，人們開車曾經是依靠坐在副駕駛座位上的人一邊查看地圖一邊導航的。然而這個記憶也已經遠去，如今再被要求做相同的事，人們只會不知所措。此外，在沒有互聯網檢索的時代，學生們都跑到國會圖書

館去查找資料，如今想來甚至覺得有些好笑。但是，當時沒有其他方法，做夢也不會想到如今這般便利社會的到來。 企業的成功案例也是如此，一旦得知它已經獲得了成功，人們就會陷入一種錯覺，認為這是理所當然的、是計畫之內的必然結果。認知科學將這種錯覺稱為“後見之明偏差”（Hindsight bias）。在現實的商業世界中，挑戰前所未有的新事物，就如同在無盡的黑暗中摸索前進，會遇到許多失敗或偶然的發現。 迄今為止，我已經在職場打拼了三十餘年，一直從事與創新相關的工作。例如在新日本制鐵公司提高原有業務效率，企劃及開發新業務；在波士頓諮詢公司（BCG）制定並協助實施業務戰略，扶持新業務開發；以及在索羅斯私募基

金和格魯夫國際合夥人公司參與業務重組等。在這些工作中，我目睹了很多企業的成功與失敗。事後回想，我經常會有“如果當時更努力這樣做就好了”的感慨。後來在三菱UFJ研究諮詢公司工作一段時間以後，我來到現在的凱捷諮詢公司（Capgemini），其間一直以為各類企業提供諮詢服務的形式，參與業務的企劃和開發。 本書介紹了大量案例，其中大部分直接來自與我有工作關係的人士，我在金澤工業大學社會人員研究生院講授“挑戰及管理高級課程”時曾經編入教材，為了在本書中使用，又重新做了整理。 我所選擇的案例不一定全是最新的，但都經過嚴格甄選，富有啟發意義，能夠從不同於以往的角度來闡釋“商業模式”的內涵。 本書將“商

業模式”理解為連接環境和企業的介面。因此，除了商業模式的內部要素，本書更多地關注了外部環境，在內外關係當中對固有的商業模式所產生的價值進行定位。以本書介紹的視角來“俯瞰”業務，讀者可以發現在之前未曾注意到的全新創意。不過，在社會不斷產生的巨大變化中，單個企業能夠獨自實現的事情有限。相關行業也在同時變化，也可能會有新的產業從中崛起。因此最重要的是，敏銳地覺察到環境的變化，並根據變化靈活調整自己的位置和結構。 哈佛商學院的克萊頓·克裡斯坦森教授被譽為世界最高水準的戰略創新大師，他曾經指出：“重劃行業版圖的顛覆性創新，是不會從那些擁有優秀管理者和優秀員工的優秀企業中產生的。” 如果您所從事的業務

現在正面臨困境，那麼這或許能成為革新的契機。如果本書能夠説明讀者獲得全新的視角，並由此產生新的發現，這將是我莫大的榮幸。 山田英二

具不可否認性版本控制系統

為了解決服務的形式的問題，作者林育新 這樣論述：

版本控制是文件共享、交換、以及協作的關鍵技術之一。當前，已有許多版本控制的軟體系統可用，諸如Concurrent Versioning System (CVS)、Subversion (SVN)、以及Git等。現有之版本控制系統可建立在自行維護的伺服器上，亦或以雲端服務的形式提供給使用者。然而，這些中心化的版本控制系統架構往往使得版本控制系統無法提供中立、未經審查、過濾的服務。尤有甚者，中心化的系統架構易受分布式服務阻斷等惡意攻擊。此外，現有之版本控制系統無法高效的驗證共享文件的各個更新版的作者。有鑑於此，在本研究中，我們將區塊鏈與非對稱加密技術整合到Git等版本控制系統中。利用區塊鏈作者的

不可否認性以及非對稱式加密的零知識證明，我們可以保證所有寫入Git檔案庫的更動都不會被Git維護者等人惡意篡改，且檔案庫的所有更動的作者都可被其他人驗證與追蹤。為了降低資料與作者驗證的效能負荷，我們還提出將傳統線性的區塊鏈結構擴充為無循環有向圖的區塊結構，使得不同分支不會互相影響，而可獨立被驗證與追蹤。藉由一系列實驗，我們驗證了所提出系統設計的可行性與有效性，結果令人滿意。