# Day 2（2024/09/28）R0 國際會議廳 — 智慧轉型與陳昇瑋紀念講座（下午，13:00–16:30） > 主持人：張嘉惠教授（中央大學） ## 本場速覽 | 講者 | 講題 | 一句話重點 | |---|---|---| | 主持人 | 開場串場 | 介紹下午四位講者的第一位蔡宗翰 | | 蔡宗翰（中研院人社中心／中央大學） | Task Design, Dataset Creation, and Evaluation | 打造專屬 LLM 的關鍵不是模型本身，而是任務設計、資料與評估 | | 張文熙（財政部財資中心 主任） | 財政部運用 AI 進行業務轉型的經驗分享 | 用發票、金流、AI 選案查稅，一案平均補稅超過 5000 萬 | | 廖弘源（中研院資訊所所長／晶創計畫 副執行長） | The Taiwan CbI Program | 十年 3000 億晶創計畫的四大佈局與資源分配 | | 楊立偉（意藍資訊 董事總經理） | AI is revolutionizing knowledge management! | RAG 讓企業知識管理免微調、可溯源、可抽換模型 | | 陳維超（英業達 數位長暨資深副總經理） | 陳昇瑋紀念講座：Delivering Trust in the AI Era | 用工程規格思維檢視 AI 的隱私／強健／公平／透明／社會責任 | | 郭秉宸（台灣人工智慧學校 產學長） | 用 AI 強大台灣、均衡台灣 | 閉幕：七年 1.1 萬校友，呼籲產業共同推動資料治理與本土模型 | --- ## 1. 任務設計、資料建構與評估：LLM 落地與台灣 AI 代工的關鍵（Task Design, Dataset Creation, and Evaluation: Keys to LLM Deployment and Taiwan's AI Foundry） **講者**：蔡宗翰（中央研究院人文社會科學研究中心 研究員；中央大學教授；TAIDE 計畫核心模型訓練與 RLHF 小組召集人） ### 一句話總結 打造企業／領域專屬 LLM 的成敗關鍵不在模型，而在任務設計、資料與自訂評估方法。 ### 重點整理 - 開場以「誇父追日」比喻台灣開發者面對國際 LLM 軍備競賽的焦慮感，提出「LLM 焦慮」一詞：資金、資料、算力都拚不過國際大廠。 - 主張企業要做專屬模型，兩條路線之一是「通用大模型 + RAG」、之二是「訓練小模型」；他個人偏好後者，因為通用大模型像「剛畢業的聰明大學生」——什麼都能答，但沒受過內部訓練，正確率不穩定、會有幻覺。 - 舉例用 GPT-4o 回答「萬曆皇帝為何三十年不見群臣」，一般人與工程師覺得答得不錯，但台大歷史所助教評分只有 78%，因為引用歷史證據不足、可信度不夠——說明通用模型的答案品質天花板落在專業視角上。 - 算力現實：若用 LLaMA 3.1 405B 做通用大模型 + RAG，推論需要 11 張 H100；70B 版本也需要 2 張 H100，一般團隊難以負擔，且用戶數增加後擴張成本非常高。 - 提出打造專屬模型需要三種人混編：模型開發團隊（train 模型）、資料組（盤點、前處理、去識別化、設計任務、產出指令-回應配對；據與會者共筆補充，去識別化的具體做法之一是運用 BERT 找出 entity 再處理，成本較低）、評估組（設計評估指令與標準答案，一定要業主/領域專家參與，不能只靠工程師）。 - 批評常見的通用評測（如 MMLU）本質是「幾率估計器」評測法（比較模型對 A/B/C/D 選項字串的機率），衡量的是 pretrain 模型的知識含量，並不適合評估已做 instruction fine-tuning 的模型；他引用 Google Gemini 官方頁面說明也認為 MMLU 較適合評估 pretrain model。 - 課堂實驗：讓資工所學生與歷史所學生分別修改同一份「歷史問答評分 Prompt」，資工所學生一字未改（覺得已完美），歷史所學生大幅補充「要能提供研究可用的證據」——證明評估 Prompt 必須由領域專家（Domain Expert）參與撰寫，否則模型天花板卡在 70 分左右。 - 建立私有模型五步驟（CP 接續預訓練 → 指令資料 → Fine-Tuning → 自動評估 → 定期人工介入評估），強調 D（人工評估）步驟要不定時進行，直到模型表現到 80–90 分才可完全交給機器評估。 - 案例一：與教育部合作，訓練華語教材製作 Copilot「EduTAIDE」（可編寫課文、鏟出詞表、語法練習、自動命題）。合格率 EduTAIDE 76% vs GPT-4o 51%；生成課文與指定級別的級差，EduTAIDE 平均 0.776、GPT-4o 為 1.31——證明清晰任務定義 + 微調可勝過通用模型。 - 引用 9/26 某保險業 ESL 公司案例：訓練保險業專用 LLM 後，準確率比 GPT-4o 提高 30%、成本降低 30%，且 Compliance 與一致性提升（未能查證原始來源，為講者引用之產業案例）。 - 引用慕尼黑大學 Barbara Plank 在 ACL（曼谷）Keynote 觀點：LLM 的關鍵已從「Modeling」轉移到「Data 與 Evaluation」——與蔡宗翰自身經驗一致。 - 呼籲台灣可走「AI 代工」路線（引用陳良基觀點）：企業因信任台灣而放心交付資料訓練專屬模型，不怕外洩，各行各業所需的 AI 不同，正好適合客製化服務。 ### 值得記下的觀點 / 金句 > 「我都覺得自己像在誇父，怎麼追都追不上……只有在 AI 界產生一個新的心理學名詞叫 LLM 焦慮。」 > 「任務資料評估是 LLM 發展的關鍵，資料絕對不只是原始文本，而是必須根據任務轉換為最佳的形式。」 ### 提到的技術・產品・數據 - TAIDE → 國科會主導的繁體中文可信任 AI 對話引擎計畫，蔡宗翰為核心模型訓練與 RLHF 小組召集人。 - EduTAIDE → 蔡宗翰團隊與教育部合作開發的華語教材製作 Copilot。 - MMLU → 衡量 pretrain 模型知識含量的多選題評測集，不適合拿來評估 instruction-tuned 模型。 - BioCreative、BioASQ → 美國 NIH 主辦之生醫文本探勘／問答系統國際競賽，蔡宗翰曾獲冠軍。 ### Q&A - 無獨立提問環節（此場為連續四場專題演講，中間僅有主持人串場）。 ### 查證註記 - 蔡宗翰任職中研院人社中心研究員、中央大學教授，並為 TAIDE（生成式 AI 對話引擎）核心模型訓練與 RLHF 小組召集人，經 WebSearch 查證屬實。來源：[社會創新平台專訪](https://si.taiwan.gov.tw/Home/citizensSay/view/2261)、[科技大觀園](https://scitechvista.nat.gov.tw/Article/C000003/detail?ID=9f256eca-4480-44dc-a25b-94f73bf4e0cc)。 - 「運用 BERT 找出 entity 做去識別化，比較便宜」為與會者共筆補充的技術細節。 - TAIDE 的其他討論見 [R3-深度技術.md](../day1/R3-深度技術.md)（黃瀚萱．多模態模型開發）與 [R0-上午-AI治理座談.md](./R0-上午-AI治理座談.md)（李育杰．Sovereign AI 詞源與 TAIDE 資源規模）。 - 蔡宗翰主張「訓練小模型優於通用大模型＋RAG」，與本場稍後楊立偉（第 4 節）的「企業知識管理應改用 RAG＋可抽換模型」立場相反，第三種立場見 [R3-深度技術-FlashTalk.md](./R3-深度技術-FlashTalk.md)（李明達．宮廟 AI，主張 full-parameter fine-tuning 優於 RAG／LoRA）；三方交鋒的整理見 [重點摘要.md](../../重點摘要.md) 第 4 節。 --- ## 2. 財政部運用 AI 進行業務轉型的經驗分享 **講者**：張文熙（財政部財政資訊中心／財資中心 主任） ### 一句話總結 財政部以「選案查稅」為核心場景導入 AI，用資料治理+風險評分讓查稅精準度大幅提升。 ### 重點整理 - 政府機關做數位轉型的兩大痛點：留才困難（業界薪水太高，公務員 3 年內離職率高）與缺乏誘因；策略是先從既有系統加 AI 功能開始，再逐步推進到 AI 平台。 - 治理架構：以「牧羊人／牧羊犬」比喻分工——資訊中心主任是「領頭羊」，業務單位次長是「牧羊犬」，底下再分四組（其中「資料收集組」最重要，因為沒有資料什麼都做不了），並涉及跨部會、五個地區國稅局＋七八十個分局＋22 縣市地方稅捐機關的資料協調。 - 核心稅目選擇依收入佔比決定：所得稅（營利事業所得稅＋綜合所得稅）＋營業稅＋關稅，合計占超過 50% 稅收，因此優先投入 AI 資源。 - 前置作業（自 109 年起）：稅籍與憑證資料格式不一致（如地址「一二三段」有阿拉伯數字也有國字），須先做資料治理、正規化、抽樣資料庫（約 1/10）維持原始分布、去識別化與遮罩處理以保護隱私。 - 具體應用：用發票挖掘 B2B/B2C 短漏報、跨稅目（所得稅＋營利事業所得稅＋綜合所得稅）整合查稅、結合金流／資金流分析財產移轉，查獲以往單一稅目查稅看不到的漏洞（如網紅代操「整單業者」逃漏稅案例）。 - 選案成效：以往人工選案約十分之一命中；改用 AI 選案後，營業稅選出案件約 90% 為需補稅案件，綜所稅約六成；平均單一案件補稅金額約 5000 萬元以上，累計補稅金額已逾 40–50 億元（因涉及查稅實務細節，門檻設計不便公開說明）。 - 智能客服：現行規則庫式客服雖回答的法條正確，但「不夠親民」，正在改用生成式 AI 讓回答更貼近民眾語言；但也遇到與蔡宗翰相同的問題——民眾覺得好，稅務員覺得法律依據不夠精確，仍在改善中。 - 通關稅則應用：進口貨物歸類極複雜（如洋芋片依原料配方分類不同、筆記型電腦無此稅則名稱），結合語言模型輔助查稅則歸類；緝毒方面除影像辨識外，加入關聯規則（毒品攜帶者的伴隨行為條件）強化風險預測，並與國家實驗研究院（原文「科院」）合作。 - 「營業稅書童」試辦：目標是讓每位業務同仁都有 AI 助手；核心流程是先把民眾口語問題轉換為法規用語再檢索，並讓系統同時列出「正面參考」與「反面參考」及各自數量，反面資料多於正面時，系統會建議依反面資料做出對民眾有利的新裁決——這種呈現方式對稅務人員特別有幫助，因為能看到自己受訓練背景之外的觀點。 - 資安：因跨機關系統增多、攻擊面擴大，正推動系統具備自我學習防禦新型態駭客攻擊的能力（與外部廠商合作）。 - 全體稅務員規模約 3 萬人，目標是統一平台減少人力部署負擔；資料屬機密資料，內外網實體隔離，AI 導入效益評估需上報至財政部次長核可。 ### 值得記下的觀點 / 金句 > 「查稅要查大案，因為查案花的時間跟人力是一樣的，只是資料會不一樣。」 > 「這個補稅金額，是因交而未交，並不是多收了它是沒有的。」 ### 提到的技術・產品・數據 - 選案風險評分系統 → 依業務機密門檻條件為案件打風險分數，用於決定查稅優先順序。 - 通關稅則查詢 AI → 輔助海關人員將日常商品名稱對應到複雜稅則分類。 - 緝毒關聯規則模型 → 結合影像辨識與行為關聯規則預測毒品攜帶風險，與國家實驗研究院（原文「科院」，未能完全查證機關全名）合作。 ### Q&A - 無獨立提問環節（本場結束後主持人直接串場至下一位講者）。 ### 查證註記 - 張文熙現職財政部財政資訊中心（財資中心）主任，2020 年由勞動部資訊處長轉任，經 WebSearch 查證屬實。來源：[中央社](https://www.cna.com.tw/news/afe/202004070167.aspx)、[財政部財政資訊中心官網](https://www.fia.gov.tw/singlehtml/56)。 - 政府／公部門 AI 導入痛點的其他討論見 [R2-平台服務-智慧醫療.md](./R2-平台服務-智慧醫療.md)（許凱程／賴來勳／康仕仲，「說服長官」的共同困難；邱泊寰場次背景補充）與 [R4-工作坊-好資料哪裡來.md](./R4-工作坊-好資料哪裡來.md)（邱文聰．資料治理法草案，從法制面談政府資料治理）。 --- ## 3. The Taiwan CbI Program（晶片驅動臺灣產業創新方案／晶創臺灣方案） **講者**：廖弘源（中央研究院資訊科學研究所所長；晶創計畫 副執行長） ### 一句話總結 十年 3000 億的晶創臺灣方案，今年才起步，目標是用晶片＋AI 驅動全產業創新並扶植中小微企業。 ### 重點整理 - 自我定位澄清：本身專長是 Edge 端演算法（2019 年起做手持裝置上的邊緣運算），今年 3 月才加入擔任副執行長，原定執行長應由國科會主委兼任，因主委新上任，暫由**闕志達**（台大半導體學院院長，執行長〔代〕兼副執行長）代理。 - 計畫目標四項：掌握晶片與 AI 變革驅動全產業創新、引進晶片人才、奠基未來十年科技國力、推動半導體與 AI 深度整合的產業升級。 - **組織架構**（依與會者共筆提供的簡報畫面校正）：晶創臺灣推動辦公室上級為國科會科技辦公室（行政院層級）；辦公室現由**闕志達**（台大半導體學院院長）擔任執行長〔代〕兼副執行長，**廖弘源**（本場講者）擔任副執行長；下設四位主管，各對應一項佈局——**林軒田**（策略長，負責「產業創新」）、**陳炳煇**（投資長，負責「新創培育」）、**黃俊郎**（技術長，負責「關鍵技術」）、**蘇朝琴**（人資長，負責「海基人培」）。四大佈局依序為：產業創新、新創培育、關鍵技術、海基人培（對應前段所述之預算佈局一至四）。 - 預算規模：原規劃每年 300 億、連續 10 年共 3000 億；但 113 年（今年）實際僅約 113–117 億，114 年（明年）將增至約 180 幾億。 - 四大佈局預算分配（113 年→114 年）：佈局一（AI+晶片驅動產業創新）25.3 億→近 70 億；佈局二（強化研發環境、延攬人才）39.3 億→約 50 億；佈局三（加速技術整合）17.9 億→18.4 億；佈局四（吸引國際新創投資）35.1 億→45.2 億。產業界投入約 59.4 億、學術界約 34 億、研究界（國家隊）約 207 億。 - 最大單一計畫：交由國家研究院（國網中心／國網）建置算力，114 年度預算約 41.5 億，其中 40 億專用於算力建置；因避免「所有雞蛋放同一籃子」，不會全部採購 H100，會逐步搭配 AMD 合作，並讓國內廠商參與建置。 - 坦言長期以來台灣偏重硬體、忽略軟體／演算法投資，「Edge AI 演算法」這塊過去被低估，是這次計畫要補強的重點方向之一。 - 新增第四佈局重點（新主委特別要求）：扶植傳統產業與中小微企業數位轉型，因此年會主題訂為「百工百業」，呼應此方向；規劃海外基地（如捷克、波蘭）鏈結當地半導體/AI人才資源。 - Q&A 提及：資訊與社會計算學門在國科會工程處內部平均每案經費偏低（相對自然處經費少約 50%），廖弘源回應算力應被視為「耗材」的一部分（如同過去實驗室用的化學耗材），呼籲納入計畫報告討論，但坦言自己「不一定能做主」。 ### 值得記下的觀點 / 金句 > 「我們資訊領域的耗材就是……以前是肝，上肝；現在不一樣，因為現在要算力。」 ### 提到的技術・產品・數據 - 晶創臺灣方案（晶片驅動臺灣產業創新方案）→ 國科會主導跨部會計畫，十年規劃 3000 億元，2024 年（113 年）啟動。 - 國網中心算力建置計畫 → 114 年度約 41.5 億預算中 40 億專用於採購/建置 GPU 算力（規劃混合採購 H100 與尋求 AMD 等廠商合作）。 ### Q&A - Q：資訊與社會計算學門在國科會工程處的平均計畫經費是否偏低，導致教授放棄申請算力相關計畫？（提問者為主持人，轉述早上與李育杰、許永真兩位教授的討論） - A：廖弘源認同此問題，並提出「算力應視為耗材」的框架建議向上反映，但坦言自己「不一定能做主」，僅能協助傳達。 ### 查證註記 - 廖弘源現任中央研究院資訊科學研究所所長，IEEE Fellow、東元獎得主，其團隊開發 YOLOv4／YOLOR／YOLOv7 物件偵測系統聞名國際，經 WebSearch 查證屬實。來源：[中研院資訊所首頁](https://homepage.iis.sinica.edu.tw/pages/liao/vita_zh.html)、[未來城市＠天下專訪](https://futurecity.cw.com.tw/article/3488)。 - 晶創臺灣推動辦公室組織架構經與會者共筆提供的簡報畫面核對，「林軒田」（策略長）、「黃俊郎」（技術長）姓名一致無誤；另出現的「邱維成教授」一名未能對應到晶創計畫任何已知職務，暫標記為未能查證，請以官方晶創臺灣方案網站（[cbi.nstc.gov.tw](https://cbi.nstc.gov.tw/index.aspx)）公告為準。 - 晶創計畫 114 年度交由國網中心建置算力一節，與 [R0-下午-智慧轉型.md](../day1/R0-下午-智慧轉型.md)（張朝亮．國網中心主任，同一場國家級算力建置計畫的執行端視角）可互相對照。 --- ## 4. AI is revolutionizing knowledge management! **講者**：楊立偉（意藍資訊 董事總經理；台大工商管理系／資管系助理教授） ### 一句話總結 生成式 AI + RAG 讓企業知識管理首度做到「原樣知識、可溯源、可抽換模型」的一站式方案。 ### 重點整理 - 公司背景：意藍資訊做輿情分析多年，累積國內政府/金融/零售前十大品牌八成以上客戶；每天派數百萬支爬蟲機器人，光台灣地區每天收集 60–70 億字，若直接全部丟給 GPT 等級模型處理，估算一天要燒 300 萬元台幣，因此必須自研模型效率化技術。 - 知識管理傳統四卡關：知識整理太費力難以集中、員工不知道系統裡有什麼而無從用起、知識分享需要大量人工閱讀整理、幾乎沒有工具能從既有知識「創造新知識」。 - 生成式 AI 的突破：可直接處理原樣知識（Word／PDF／NAS／OneDrive 不需搬動），支援多來源多格式，用口語提問即可取得摘要且標示引用出處，解決企業最在意的「可解釋性、可驗證性、內部可稽核」三大需求。 - 強調 RAG（檢索增強生成）優於整篇文件丟給 LLM 的理由：LLM 越長越容易忘記中段內容（實測一份 271 頁、14 萬字財報丟入模型跑一次約需 100 元台幣），先用傳統 NLP 方法檢索出最相關的 5 個段落（約 1500 字）再交給 LLM 回答，速度快、成本低、正確率高。 - 舉 Google NotebookLM 為例說明個人知識管理 RAG 產品：單一筆記本可上傳 50 個檔案、可建多個筆記本，具備階層式摘要、自動生成引導提問、回答可標示出處等特性。 - 為何現在多數企業不再做 Fine-tuning：模型版本更新太快（舉例：客戶剛微調完 LLaMA 就出 LLaMA 2，接著 3、3.1、3.2 陸續推出），加上企業資料常態變動、Fine-tune 反應不及，因此趨勢改為採用可抽換式模型（Model-agnostic）架構搭配 RAG。 - RAG 也非萬能：需限制回答範圍避免亂答；若檢索段落本身不完整，答案會「答不全」而非「答錯」（例：應列十個方法卻只答出七八個）；企業使用還需注意跨部門的「產線控管」（避免資料與模型混用）。 - 三個實戰案例： 1. 國家災害防救單位（發送地震簡訊的單位）：多階段問題剖析＋尋證治理＋即時外部資料調用（如水庫水位、雨量觀測站），可回答颱風強度、影響範圍、目前災情最嚴重地區，甚至類比歷史颱風給出應變建議。 2. 大型金控公司：結合內部與外部（市場輿情）資料，依身份權限別限縮檢索範圍（如證券部門與期貨部門問同一問題得到不同資料），並用 Function Calling 串接彭博、路透等總經資料庫做進階預測分析（如聯準會降息預期影響、個股一週股價走勢）；15 分鐘內可完成過去用 Fine-tune 做不到的高階分析。 3. 營建業者：法規合規確認（如梁柱合法建材），系統須具備「時間感」以挑選當下適用版本法規；也用於外文參考資料自動翻譯與內部人員培訓。 - 引用哈佛商學院與波士頓顧問公司（BCG）針對逾 1000 位顧問的研究：使用生成式 AI 的知識工作者，12.2% 的日常工作可完全由 AI 完成，其餘任務中 AI 可加快四分之一、其中 40% 品質提升；績效較差的顧問使用後績效提升 43%，原本表現優異者僅提升 17%（邊際效益遞減）。 - 引用「Strawberry 有幾個 R」的著名網路案例（Reddit 上除 o1 外多數大模型誤答只有兩個 R），說明 LLM「不擅長算術，但擅長文字語言」；建議讓 LLM 改寫程式碼去執行計算再回頭修正答案，是更有效的「借力使力」策略。 ### 值得記下的觀點 / 金句 > 「這個工具不完美，可是好像人類一樣：我跑得不快，可是我會坐一個車子，讓我移動得很快。」 > 「你不用整份丟下去，先用傳統 NLP 方法找出最相關的段落，再讓 LLM 回答——又快、成本又低、又正確。」 ### 提到的技術・產品・數據 - OpView（意藍資訊官方輿情產品）／龍捲風科技（意藍 2022 年併購的搜尋引擎公司）。 - Google NotebookLM → 個人知識管理 RAG 工具，示範階層式摘要與引導提問。 - Function Calling → 用於串接彭博、路透社等外部資料庫做財經預測分析。 - RPA（Robotic Process Automation）→ 串接 LLM 判斷後執行自動化流程（如證交所內部結算清算）。 ### Q&A - 主持人回應補充：企業管理未來需納入「管理員工＋AI」的雙軌思維，思考如何讓 AI「假人」績效變好、如何完成組織目標。 - 無獨立提問環節。 ### 查證註記 - 經 WebSearch 確認楊立偉為意藍資訊（eLAND Information，股票代號 6925）創辦人暨董事總經理，2022 年併購龍捲風科技並在興櫃掛牌；同時任教於台大工商管理系/資管系。來源：[維基百科](https://zh.wikipedia.org/wiki/%E6%A5%8A%E7%AB%8B%E5%81%89)、[經理人雜誌](https://www.managertoday.com.tw/articles/view/70590)。 - 楊立偉主張「企業知識管理應改用 RAG＋可抽換模型」，與本場第 1 節蔡宗翰「訓練小模型優於通用大模型＋RAG」立場相反，第三種立場見 [R3-深度技術-FlashTalk.md](./R3-深度技術-FlashTalk.md)（李明達．宮廟 AI）；三方交鋒的整理見 [重點摘要.md](../../重點摘要.md) 第 4 節。 --- ## 5. 陳昇瑋紀念講座：Delivering Trust in the AI Era **講者**：陳維超（英業達股份有限公司 數位長暨資深副總經理；Skywatch 創辦人暨董事長；台大資工系客座教授） **直播回放**：與會者共筆提供[本場直播回放連結](https://www.facebook.com/share/EqkzDukm4VMfi3xV/)（Facebook）；經測試該連結可正常解析，頁面標題顯示「【2024 陳昇瑋紀念講座】陳維超 數位長」，與本場次相符，但因 Facebook 限制自動化擷取，無法進一步確認影片是否仍可正常播放，建議讀者自行點擊確認。 ### 背景：什麼是「陳昇瑋紀念講座」 陳昇瑋（1976–2020）是台灣知名資料科學家與 AI 專家，清華大學學士／碩士、台灣大學博士，曾任中央研究院資訊科學研究所研究員、玉山金控暨玉山銀行科技長、財團法人人工智慧科技基金會董事長、台灣資料科學協會理事長。他 2014 年創辦「台灣資料科學年會」（本年會前身）、2016 年成立台灣資料科學協會、2018 年創立**台灣人工智慧學校**並擔任執行長，兩年內為台灣培育超過 6000 位 AI 人才。2020 年 3 月 29 日因運動跌倒導致頭部外傷，返家途中腦溢血陷入昏迷，於 4 月 11 日辭世，享年 44 歲。台灣人工智慧學校自此於每年年會固定設立「陳昇瑋紀念講座」，邀請他生前的好友、師長與曾協助台灣人工智慧學校的學者分享對 AI 的最新看法，以此紀念他推動台灣 AI 教育與資料科學普及的貢獻。（來源：[數位時代](https://www.bnext.com.tw/article/57286/tribute-to-swchen)、[遠見雜誌](https://www.gvm.com.tw/article/72108)、[維基百科](https://zh.wikipedia.org/zh-tw/%E9%99%B3%E6%98%87%E7%91%8B)；更完整的生平整理見 [00-活動背景與媒體報導.md](../00-活動背景與媒體報導.md) 第 5 節） 本場講者陳維超是陳昇瑋生前好友，也是台灣大學資工系客座教授、英業達首席 AI 顧問；曾任 NVIDIA 系統架構師、Nokia Research Palo Alto 資深研究科學家；1996 年台大電機工程碩士、2002 年北卡羅來納大學教堂山分校（UNC Chapel Hill）電腦科學博士，研究興趣包含 GPU 圖形硬體、計算攝影、擴增實境與電腦視覺。演講開場以私人合照與軼事緬懷陳昇瑋（一起打牌、單車環島合照、討論創辦人工智慧學校的起心動念），並自嘲「開什麼補習班，我是工程師不是搞教育的」，帶出全場核心比喻：AI 是工程（engineered intelligence），必須用工程規格與測試的思維檢視其可信任性。 ### 一句話總結 用飛機、望遠鏡、晶片設計等工程規格失誤的真實案例，論證 AI 需要用工程思維檢視隱私、強健、公平、透明、社會責任五大信任面向。 ### 重點整理 - 開場引用電腦科學先驅 Fred Brooks（《人月神話》作者，2022 年過世）的名言："The scientist studies in order to build; the engineer builds in order to study" 的反向詮釋——科學家做東西是為了學習，工程師學習是為了做出東西；並引用其著名法則：專案delay 時加人只會更delay、團隊要小（如 Amazon "two pizza team"）、以及「Second System Effect」（第一個系統成功後，第二個系統常因執著修 bug 而忘記初衷，最終失敗）。 - 用波音 737 MAX 空難案例說明工程規格缺陷：機頭感應器故障送出錯誤俯衝訊號，飛控系統依照「正確的邏輯」持續拉機頭朝下最終導致墜機——正確的工程流程執行了錯誤的規格，一樣會出事。 - 用哈伯太空望遠鏡近視案例（磨鏡公司把折射率規格做得極度精準，但規格本身數學算錯）、以及自己曾參與的顯示卡專案（工程師將二次微分泰勒展開式忘記降冪就刻進晶片，導致公司股價從七八十元跌到七八元、蒸發九成）說明「technical spec 正確」不等於「user spec 正確」。 - 核心論點：AI 是「a code that writes itself」（模型權重就是程式碼），傳統工程「規格→實作→測試」的三段式思維依然適用，只是 AI 用資料當規格、用測試資料驗證，且「95% 準確率就算及格」——這在傳統工程裡是不合格的標準。 - 分析 AI 為何比傳統工程更難信任：資料量爆炸但品質難保證（標記錯誤、甚至可能被競爭對手蓄意汙染）；資料分布可能歪斜（如社群媒體因演算法不同，同一新聞事件在不同平台呈現的「事實」完全不同；貓狗分類資料集中貓照片太少會導致模型全部誤判為狗但整體準確率仍高）；傳統「Monkey Test」與 Human-in-the-loop 測試難以窮盡涵蓋所有情境；Out-of-Distribution（分布外）問題（如人臉辨識模型只練過亞洲人臉，換到美國看白人/拉美裔/非裔就失準）；以及 Reinforcement Learning 用簡單 Cost Function 引導行為時，容易在其他未被納入考量的面向上「壞掉」（舉自己團隊訓練機器人參賽為例：模型為了省 Energy cost 學會「不想爬」、或因訓練變異度不足而 overfit 到訓練箱體變形的特徵）。 - 提出可信任 AI 的五大特性框架：隱私（Privacy）、強健（Robustness）、公平（Fairness）、透明（Transparency）、社會責任（Social Responsibility），並分享自己研究室在五個方向的初步成果（拋磚引玉）： - **隱私**：用密碼學技術（Coin Tossing 等多方安全計算方法）做低信任前提下的聯邦式學習，不需完全信任雲端服務商是否誠實聚合梯度；另用全同態加密（Homomorphic Encryption）保護模型推論內容，但因 ReLU 等非線性運算在密文空間極慢，改用 Multiparty Computation（如 Garbled Circuit）搭配「加雜訊混淆」的方式，讓效能只比明文運算慢約十倍（原本全同態加密方案慢一萬倍）。 - **強健**：用 Sim2Real（模擬環境訓練後遷移至真實機器人）方法讓機器人在不同步態間切換時更穩定；用「錨點/scaffold」方法先框出可信資料再修正雜訊資料，降低雜訊對訓練的影響。 - **強健＋公平（跨域）**：用拓撲流形（Manifold）方法偵測「分布外」測試資料（如深海新魚種辨識案例：模型應該回報「我沒看過這個」而非硬套成已知物種）。 - **公平＋透明（跨域）**：資料被要求刪除後，用學習出的「摘要式表徵」（非工程手動設計，而是模型自己學出該保留哪些資訊）取代原始資料做訓練與模型重建，兼顧可用性與去識別化（類比：只存五官相對位置比例而非原始臉部照片）。 - **社會責任**：以大型語言模型分析醫病訪談對話偵測阿茲海默症前兆（英文版準確度優於中文，因中文資料較少）；用 Apple Watch App 量測 30 秒心電圖預測未來五年心肌梗塞風險（可解釋但尚未處理「量到 70 分的人該如何安撫」的心理支持問題）；開發極低功耗 AI 晶片用於偵測人是否在看螢幕以自動關閉螢幕省電，主張這也是社會責任 AI 的延伸。 - 用《華爾街日報》"The Facebook Files" 調查報導警示演算法目標的社會後果：Facebook 的 Engagement 導向強化學習優化目標，被證實會讓青少女心理產生負面影響（自我否定），且會製造同溫層（不同意見的人互相聽不到對方聲音），是「一個小小的強化學習目標，卻造成全世界政治局面動盪」的案例。 - 對比矽谷（技術樂觀，AI 讓世界更美好）與好萊塢（反烏托邦，AI 導致世界毀滅）兩種敘事的偏頗，並引用 2018 年圖靈獎共同得主 Yann LeCun 與 Geoffrey Hinton 的不同觀點：LeCun 認為 LLM 只是在龐大可能輸出空間中，靠 Human-in-the-loop 不斷砍掉不能講的內容，本質上砍不完、缺乏核心價值；Hinton 則認為 LLM 不只是「文字接龍」，應該具備某種尚未被理解的智能，仍需要持續研究釐清。 - 結尾以 Steve Jobs "電腦是心靈的腳踏車" 為喻，主張 AI 的目的應是增進生產力、創造新任務、增進人類福祉（醫療、教育），呼應台灣人工智慧學校創辦的初衷是社會責任與公平性（教育帶來民主化）。 ### 值得記下的觀點 / 金句 > 「AI 就是 artificial intelligence，也是 engineered intelligence——它是一個自己寫程式的東西，你寫的 Python、PyTorch 都不是 code，真正的 code 是 weight。」 > 「即使你有很簡單的 axiom 可以 guide，模型還是很危險，因為很多 cost 中間很難取得平衡。」 > 「這個小小的（Facebook）強化學習目標，造成了全世界政治局面的動盪。」 ### 提到的技術・產品・數據 - 全同態加密（Homomorphic Encryption）、Multiparty Computation／Garbled Circuit → 用於保護聯邦式學習與模型推論隱私的密碼學技術。 - Sim2Real → 機器人在模擬環境訓練後遷移至真實環境的技術路線。 - Manifold-based OOD Detection → 用拓撲方法偵測分布外測試資料。 - Moral Machine（道德機器）→ MIT 開發的自駕車倫理決策公眾實驗網站，陳維超引用作為 AI 倫理困境案例。 - Ship of Theseus（忒修斯之船）／Alan Kay（2003 年圖靈獎得主）的「人體原子七年全數更新」比喻 → 用於討論持續學習後模型「是否還是原來的模型」的哲學問題。 - 歐幾里得五公設、艾西莫夫機器人三定律 → 作為「用少量公理推導複雜系統行為」的類比，說明 AI 對齊規則注定有例外、難以窮舉。 - The Facebook Files（華爾街日報系列報導）→ 揭露 Facebook Engagement 演算法對青少女心理健康與政治極化的負面影響。 ### Q&A - 無 Q&A（陳維超演講結束後主持人直接感謝並轉場至閉幕致詞）。 ### 查證註記 - 陳維超（Wei-Chao Chen）現任英業達數位長暨資深副總經理、Skywatch 創辦人暨董事長、台大資工系客座教授；經歷包含 NVIDIA 系統架構師、Nokia Research Palo Alto 資深研究員；1996 年台大電機碩士、2002 年 UNC Chapel Hill 電腦科學博士，經 WebSearch 查證屬實。來源：[數位時代](https://www.bnext.com.tw/article/49527/server-inventec-ai-deeplearning-skywatch-nvidia-datacenter)、[青創學院](https://www.niea.org.tw/teacher/detail/147)、[2022 台灣人工智慧年會講者頁](https://conf2022.aiacademy.tw/wei-chao-chen/)。 - 陳昇瑋生平與台灣人工智慧學校創辦經過已於上方「背景」段落附來源查證，數據（6000+ 人才、辭世日期與經過）均引自公開報導。 - 「陳森偉博士」（楊立偉演講中提及的分析框架來源，見第 4 節末段引用之四層次提問框架）疑似指「陳昇瑋」（陳昇瑋生前確以資料科學四層次分析框架 [what/why/will happen/make happen] 聞名於其教學與著作），惟**未能完全查證**該圖確切出處，故僅標註於此供讀者留意，未列入陳昇瑋紀念講座本節內文。 --- ## 6. 閉幕：用 AI 強大台灣、均衡台灣：讓人才成為擴展與加深影響力的引擎 **講者**：郭秉宸（台灣人工智慧學校 產學長） ### 一句話總結 台灣人工智慧學校七年培育逾 1.1 萬校友，呼籲產業界共同推動資料治理與本土領域專用模型建置。 ### 重點整理 - 台灣人工智慧學校自成立以來已運作 7 年（陳昇瑋與孔祥重共同創辦），累積超過 11,000 位校友、逾 2,000 家企業建立合作關係（Engagement）。 - 引用 Gartner 生成式 AI 技術成熟度曲線觀點：市場已從「單靠生成式 AI 就能創造下一世代」的期待，轉為認知到需要生成式 AI 與判別式 AI（Discriminative AI）搭配標準化流程才能落地；也引用 IoT Analytics 每季更新的技術熱度追蹤報告與 Deloitte 報告，說明生成式 AI 已成為企業勞動力規劃必須納入的變數。 - 重申台灣人工智慧學校長期關注的三大支柱：資料、演算法、算力，並強調最底層的基礎是「人才」——這也是在座校友與準校友的共同定位。 - 提及大型語言模型產業鏈分層（引用 Alex Rampell / a16z 文章）：Mega Company 主要佔據底層基礎工具層（Layer 1–4），新創與企業的生存空間多半在應用層與使用者介面層（Layer 5–6）——台灣的機會不只是代工，而是在這些應用層找到定位。 - 呼應早上場次（侯宜秀主持之 AI 治理座談）對資料治理（Data Curation／Data Governance）急迫性的討論：不能只等政府推動，應比照當年由產業自發推動台灣人工智慧學校的模式，由產業公協會主動整理、處理、保存資料。 - 呼籲百工百業與中小微企業 AI 轉型需要各領域自身的專用模型（Domain-specific model），並帶動周邊運算資源供給服務形成生態系。 - 宣布台灣人工智慧學校將持續推動 AI 相關**能力認證**，並在今年底、明年初推動「工程集合認證」（原文用詞，具體名稱未進一步展開）。 - 提出「智慧生產力夥伴計畫」（另提及類似「風火林／風火人計畫」的方案，可能對應學校既有的產業合作專案，正式名稱未能查證），主張以人為本、人機協作模式推動企業合作，並引用孫子兵法「日夜不處，倍道兼行」比喻加速推動的急迫性。 - 引用黃仁勳「台灣是世界的基石，NVIDIA 一切從台灣開始」及另兩張近期流行的圖片（具體內容不明確，故不展開），呼籲台灣不只是硬體代工起點，更應把 AI 影響力向國際擴大。 - 結語感謝所有基金會捐助企業（台塑、奇美、友達、英業達、意藍科技、聯發科等）與年會贊助企業支持本屆超過千人參與的年會，並期待 2025 年台灣人工智慧年會再相見。 ### 值得記下的觀點 / 金句 > 「這件事情如果要等政府去做，可能不會這麼快做成；由熱心的產業開始推動資料的整理、處理、保存，會是一個好的方法。」 ### 提到的技術・產品・數據 - Gartner 生成式 AI Hype Cycle、IoT Analytics 季度技術熱度報告、Deloitte 企業勞動力報告 → 郭秉宸引用之產業趨勢報告（原文未逐一標明報告全名與年份，無法逐一查證出處連結）。 - a16z（Alex Rampell）大型語言模型產業鏈分層文章 → 用於說明 Mega Company 與新創的市場分工。 ### Q&A - 無 Q&A（閉幕致詞後年會結束）。 ### 查證註記 - 郭秉宸為台灣人工智慧學校「產學長」，其職稱與講題與官方議程完全吻合；惟本節提及之「工程集合認證」「智慧生產力夥伴計畫」等具體專案名稱**未能逐一查證正式名稱與內容**，讀者若需引用建議另行查證台灣人工智慧學校官網最新公告。 - 陳昇瑋、台灣人工智慧學校創辦背景已於第 5 節查證並附來源，此處不重複列出。