Day 2・R3 深度技術 Flash Talk
九場短講涵蓋行銷 AI、LLM 資安攻防、宮廟科技應用、非工程師自動化、多模態智慧製造、評估驅動開發與 AI 節能減碳，呈現深度技術落地的多元樣貌。
本場速覽
| 講者 | 講題 | 一句話重點 |
|---|---|---|
| 吳威翰（Accucrazy 肖準 Founder & CEO） | 用全面 Fine-tuned 的 AI 大腦打造你的增長策略 | 用自家行銷數據 Fine-tune 出「Moana」模型，量產能過 Dcard 圖靈測試的口碑文 |
| 沈宜婷（中華資安國際 SOC/Security Engineer） | Insecure llama?：當 LLM 成為駭客的武器 | 用本地部署、去除安全限制的 Ollama 模型自動化滲透測試，成功打穿 Linux 拿到 root |
| 李明達（MYAI168.COM／立達軟體科技 Founder） | 最新 AI 演算法在宮廟領域的應用 | 用 LLM 視覺與 fine-tuned 大模型做宮廟防火防盜、解籤機器人，現場 Live Demo |
| 李慕約（Generative AI Conference 策展人） | 非工程師如何用 AI 寫程式、提早五分鐘下班 | 教非工程師用 ChatGPT 生成 Google Apps Script，自動化報帳、問卷、Computer-use 下單 |
| 林育弘（東捷科技 AI系統規劃處 處長） | 多模態 AI 賦能智慧製造升級 | 面板/半導體雷射修補設備商，整合影像、數據、生成式 AI 做多模態瑕疵檢測與修補 |
| 高季安（先知科技 總經理） | AI 驅動製造創新：視覺 AI 平台與生成式影像技術 | No-code 影像瑕疵檢測平台，用生成式資料擴增解決製造業「多樣少量」缺樣本痛點 |
| 張文鈿／iHoward（愛好資訊 Founder） | Eval-Driven-Development | 提出 LLM 應用開發成熟度 5 級模型，示範用 AI 自動生成與最佳化 Prompt |
| 胡翔崴（工研院 Engineer） | 用多模態邊緣運算推進醫療創新 | 多模態醫療大模型串接化合物／生理訊號／影像，做衛教問答、標準化病患訓練、3D 齒模生成 |
| 謝宗震（詠鋐智能 Chimes AI CEO） | 為高耗能產業去碳化：AI 解決方案如何加速 ESG 目標 | 用預測型＋生成式 AI 幫工廠設備節能，案例年省 32% 用電、累積減碳逾 4 萬噸 |
顯示 9 / 9 場
1用全面 Fine-tuned 的 AI 大腦打造你的增長策略吳威翰（Accucrazy 肖準行銷集團 創辦人與執行長；旗下產品 The Pocket Company）
用自家行銷數據 Fine-tune 出「Moana」模型，寫出能騙過 Dcard 網友的口碑文。
重點整理
- 講者過去任職美圖秀秀全球副總裁、TikTok BD，之後投入元宇宙／Web3，2023 年起全力轉型 AI。
- 產品 The Pocket Company 定位「口袋裡就能上班的公司」，算力夥伴為 AWS、NVIDIA、台智雲。
- 觀察行銷趨勢演變：電視廣告 → 大型 KOL（如蔡阿嘎）→ 團購/直播 → Threads（重點是「真實與個性化」，不需要是網紅）。
- 用大量自家行銷歷史數據 Fine-tune 出第一代到第四代「Moana」模型，可依人設（如「阿姨」「妹妹」）與產品切角自動生成口碑文，並會用 emoji、括號寫真心話等台灣鄉民語氣。
- 案例：Dcard 上一篇 AI 產文創下逾 1300 則留言、無人識破是 AI，甚至被 Dcard 官方收錄進「水水實驗室」精選版；相同 Prompt 丟 ChatGPT，文風明顯較「業配感」重。
- 商業模式：一篇一般行情三、四萬元的業配文，用 AI 只需約 60 元成本。
- 主張 Fine-tuning 比 RAG／LoRA 更能學到「小而精巧的隱密知識」（例如特定文化語感），RAG 本質仍是原本大模型的能力，只是外掛知識。
- 展望 Multi-agent 架構：一個 agent 定義受眾、Moana 產文、「Coco」安排虛擬 KOC 帳號發文、「Rebecca」轉語音發布，形成全自動口袋行銷團隊。
提到的技術・產品・數據
- The Pocket Company
- 肖準行銷旗下 AI 行銷平台
- Moana
- 用自家行銷數據 Fine-tune 的口碑文生成模型（第一代至第四代）
- Dcard 水水實驗室
- Dcard 官方精選內容專區
值得記下的觀點
「我們發現 AI 它做出了一個人類沒講過的語言，但是我們聽起來是聽得懂的。」
「這其實是真正的圖靈測試⋯⋯這些留言裡面沒有一個留言是在懷疑我們是 AI。」
Q&A
- 無正式 Q&A；主持人在講者結束後短評「四位 agent 就很像自己員工一樣」。
查證註記
- Accucrazy／肖準行銷、The Pocket Company、Moana 均查證屬實，吳威翰確為創辦人與執行長，曾任美圖秀秀全球副總裁。來源：Accucrazy 官網TechNice 專訪
- 官方議程講者職稱「Founder & CEO」與查證結果一致。
2Insecure llama?：當 LLM 成為駭客的武器沈宜婷（中華資安國際 CHT Security，SOC / Security Engineer）
本地部署去除安全限制的 Ollama 模型，自動化滲透測試成功打穿 Linux 拿到 root。
重點整理
- 講者背景：曾發表多篇 Security 研究、發掘過 Google 與部分開源平台漏洞，主要研究車聯網與 LLM 安全；本場致謝 HackingBuddyGPT 團隊的研究框架作為延伸基礎。
- 主題設定：多數「hacking GPT」類專案是拿 OpenAI 雲端模型當攻擊引擎，本場改用本地部署的 Ollama，測試攻擊者用本地小模型能達到什麼程度。
- 一般模型（講者估計 80% 以上）內建安全限制、會拒絕產出惡意指令；但存在未受限制的變體模型（現場紀錄標音近似「貝拉馬」，疑為某類 uncensored/abliterated 模型），可被要求做任何事、會 bypass 安全限制。
- 比較人類紅隊／滲透測試員與 LLM 自動化攻擊者的差異：人類依賴既有的深入攻擊技巧與經驗判斷；LLM 則依賴已內建的自動化攻擊腳本，仍需人工提供部分情境資訊。
- Demo 流程：設定目標為 Linux 主機，由 LLM 生成攻擊指令 → 先出現「亂發指令」「丟出無意義符號」等未真正理解任務的情況 → 修改腳本後，LLM 成功以一般權限打穿系統、找到 root 密碼（password1234）取得 root 權限。
- 取得 root 後，LLM 持續自動嘗試不同指令挖掘更多機敏資訊（如 /etc/passwd、shadow 檔、hash 密碼檔等），並記錄整個攻擊歷程。
- 講者結論：業界目前對 LLM 安全的討論多停留在「理論層面」（訪問權限控制等基本防護），呼籲要有更多 POC 等級的實測研究，而非只談限制與規範。
提到的技術・產品・數據
- Ollama
- 本地端 LLM 部署工具，本場攻擊實驗的載體
- HackingBuddyGPT
- 講者致謝參考的開源駭客 GPT 研究框架
- Prompt Injection
- 提及作為讓模型繞過安全限制的攻擊手法之一
值得記下的觀點
「我們今天是當壞駭客，不是當好駭客。」
「大家真的要去對於這種 LLM 的模型，去做一個攻擊的阻擋⋯⋯你就要有更多更多的詳細的測試、POC 等等，去測試到底能不能成功。」
查證註記
- 查證：LinkedIn 顯示沈宜婷任職於 CHT Security 中華資安國際。來源：沈宜婷 LinkedIn
- 現場紀錄中「貝拉馬」一詞語意不明，推測為某種去審查/未對齊（uncensored）模型的稱呼，但無法確認具體對應模型名稱，標記（未能查證）。
- LLM 資安相關討論亦見於其他場次筆記（楊政霖／CyCraft．導入 LLM 的隱私/對齊/在地化風險、RAG 框架 RCE 漏洞研究；翁浩正．GenAI 資安攻擊演進；查士朝．AI 資安治理）。來源：R1-產業應用.mdR3-深度技術.md
3最新 AI 演算法在宮廟領域的應用李明達（MYAI168.COM／立達軟體科技 Founder；台大、台科大兼任副教授）
用 LLM 視覺與 fine-tuned 大模型打造宮廟防火防盜、解籤機器人，並現場 Live Demo 解籤。
重點整理
- 立達軟體科技（股票代號 7505，資本額 2 億）主要銷售 AI 電腦、軟體、韌體卡與解決方案；官網為 myai168.com。
- AI 門神系統：用大型語言模型的視覺能力偵測小煙小火，取代傳統煙霧偵測器（宮廟燒香環境誤判率高）與 YOLO 類演算法（小煙小火誤判多），優點是不需額外訓練即可套用、精準度高；同時可偵測疑似偷竊香油錢等異常行為，偵測後透過 Windows 端語音警報 + LINE 群組推播現場照片通知幹部。
- AI 人流統計系統：架設於宮廟出入口，號稱一天最多可統計 30 萬人次、零誤差，可錄影回放供覆核。
- AI 建築外觀巡檢系統：用無人機定期拍攝廟宇雕刻，搭配大型語言模型視覺功能找出地震／颱風後可能的破損檢黏處。
- AI 影像辨識輔助扶乩建檔：辨識乩身扶乩時潦草字跡並建檔，宣稱可處理 30 年、十餘萬篇扶乩文獻，正確率 100%（自述）；建議硬體規格為 RTX 4090 24G，整套約 20 萬元。
- AI 客服／解籤／解經文：使用 70B 以上大型模型（自述測試 70B 以下理解力不足），採 in-context learning + full parameter fine-tuning，明確表示不建議用 RAG（易搜尋錯誤造成誤差）也不建議用 LoRA（會降低模型基礎能力）；可解財神經、答客問「如何發大財」、將籤詩文言文譯為白話文並指引方向。若要架設解籤服務，建議配置 4 張 RTX 6000 Ada（整套約 180 萬元，另加購功能約 40 萬元）。
- 提到大型模型面對嚴肅提問（如婚姻、健康、公司倒閉等）預設會拒答，需經過模型微調才願意正面回應。
- 現場 Live Demo：主持人與兩位聽眾現場抽籤（分別問事業、家人健康、丈夫是否外遇），系統即時輸出白話解籤建議（如「謹慎行事，不要急於求成」「調整心態，接受建議」「冷靜面對，理性溝通」），已上線服務。
提到的技術・產品・數據
- AI 門神系統、AI 人流統計系統、AI 建築外觀巡檢系統、AI 扶乩建檔辨識
- 立達軟體針對宮廟場景的系列產品
- in-context learning／full parameter fine-tuning
- 講者主張優於 RAG／LoRA 的技術選型（此為講者一家之言，非普遍共識）
- 建議硬體
- RTX 4090 24G（約 20 萬元）／4×RTX 6000 Ada（約 180 萬元）
值得記下的觀點
「這個是很重點，就是信眾就覺得這個很白話的解答對它來講是很重要，要不然抽到這個籤文就看不懂。」
Q&A
- 現場即為 Live Demo 互動：主持人與兩位聽眾當場抽籤提問（事業／家人健康／丈夫外遇疑慮），系統即時輸出解籤結果（見上方重點整理）。
查證註記
- 立達軟體科技（LEADERG，股票代號 7505）、MYAI168.COM 教育平台、李明達為創辦人，均查證屬實。來源：MYAI168.COM台灣公司網
- 「解籤正確率 100%」「零誤差」等數字均為講者自述，未見第三方驗證來源，需視為廠商行銷語言。
- 李明達反對 RAG／LoRA、主張 full-parameter fine-tuning 的立場，與蔡宗翰（訓練小模型優於通用大模型＋RAG）、楊立偉（企業知識管理應改用 RAG＋可抽換模型）構成本屆年會 Fine-tune vs. RAG 路線之爭的第三種立場；三方交鋒的整理另見重點摘要文件第 4 節。來源：R0-下午-智慧轉型與紀念講座.md重點摘要.md
4非工程師如何用 AI 寫程式、提早五分鐘下班李慕約（Generative AI Conference 策展人）
教非工程師用 ChatGPT 生成 Google Apps Script，自動化報帳、問卷與 Computer-use 網購下單。
重點整理
- 核心主張：ChatGPT 的一大潛力是把「中文翻成程式碼」，讓不會寫程式的人也能做自動化，降低了寫程式的門檻。
- Demo 1：把含多分頁（客戶資料＋生日）的 Excel 檔丟給 ChatGPT，直接要求合併分頁（等同 VLOOKUP），ChatGPT 用其內建的程式碼執行環境（Code Interpreter）處理並完成合併、甚至主動建議算年齡。
- Demo 2：用 ChatGPT 生成 Google Apps Script 程式碼，貼到 Google Apps Script 網站執行，幾秒內產生連結即可建立 Google 表單（用於會後問卷），免去手動一個個設定選項。
- Demo 3（報帳自動化）：因應會計窗口更換、要求重做一整年計程車收據格式，改用 ChatGPT 生成 Apps Script：先在 Gmail 對 Uber 相關信件加標籤，再用 Apps Script 把該標籤信件轉存為 PDF 到 Google Drive，最後再用另一段生成的程式碼把資料夾內所有 PDF 解析金額、日期彙整進 Google Sheet；並分享技巧：可從行事曆自動抓出差目的、免填報帳說明（引用自 James Huang 的 tips）。
- 免費資源推薦：「Sense AI 年會大禮包」網站，將教學拆解為一星（幾秒可完成）、二星（需幾分鐘）等難度分級步驟。
- 案例分享：Sense AI 小聚曾邀一位 9 歲講者分享如何用 AI 花一整個暑假、每天對話迭代做出 Apple Watch App，強調重點不是「天才兒童」而是「持續與 AI 對話迭代」的過程。
- 其他資源：Amazing Talker 人資/客服/行銷主管分享用 AI 寫 Apps Script 做內部自動化的免費公開演講；「網路熱線」問題交流版；「案例大全」收錄各種 AI 寫程式的實際案例；每月讀書會、線上課程（優惠碼 249 元可補昨日工作坊內容）。
- 壓軸 Demo（Computer-use / AI Agent）：下指令「去 PC Home 24 買一箱蘋果汁、用儲值金付款、不要問我過程直接下單」，AI 代理人透過電腦視覺解讀畫面、自主完成選品、輸入數量、結帳、使用儲值金付款，成功下單，實體商品最終送達講者家中。
提到的技術・產品・數據
- Google Apps Script
- Google 服務背後可程式化串接的「小電腦」，可操作 Gmail／Drive／Sheet／Calendar 等
- ChatGPT 內建程式碼執行環境（Code Interpreter）
- 用於直接處理上傳的 Excel／文件
- Computer-use 型 AI Agent
- 透過電腦視覺辨識畫面、模擬滑鼠鍵盤操作完成網購下單
值得記下的觀點
「AI 它是一個 20 元的魔杖，就是很多人其實可能有魔法，可是之前可能我們沒有這個魔杖，現在你有這個魔杖，你就可以做一些很神奇的事情。」
「不要問我過程，直接做⋯⋯我只需要負責喝蘋果汁就可以了。」
Q&A
- 無正式 Q&A；講者下台後主持人稱讚「不要問我過程直接下單」一段。
查證註記
- 李慕約確為 Generative AI Conference（生成式 AI 年會）共同創辦人兼策展人。來源：Podcast 節目介紹
- 「Sense AI」推測為講者社群「Sun*」或近似的自創品牌名稱，正確名稱未能查證。
5多模態 AI 賦能智慧製造升級林育弘（東捷科技 AI 系統規劃處 處長）
面板／半導體雷射修補設備商，整合影像、量測數據與生成式 AI 打造多模態瑕疵檢測與修補系統。
重點整理
- 東捷科技主力產品為雷射修補設備，客戶群多為面板與半導體產業；子公司「和來科技」經營物流業自動化設備（如包裹分揀視覺辨識）。
- 公司近年積極投入 AI 系統整合，曾在經濟部主辦的 IDEAS Show 商業影像 AI 辨識競賽拿下第三名，並與成大連正傑教授團隊有產學合作案。
- 對「多模態 AI」的定義：不只是把資料形式（文字／圖像／語音）都串接起來，更關鍵是不同單模態模型之間可以互通資訊，不需要人工把各自輸出重新整合。
- 舉例說明多模態的效率優勢：以往需拆成語言 AI、視覺 AI（以圖搜圖）、對話 AI 三個獨立步驟才能完成的複合查詢（如「找到這家餐廳最好吃的料理並用義大利語念出名字」），多模態模型可一次處理。
- 公司實際應用：從上游 AI 檢測設備（掃描瑕疵位置）、量測設備（如線寬是否超規）到下游雷射修補設備，串接多模態數據做語意理解，讓修補路徑更精準、甚至可望取代部分人工修補。
- 單一模態技術盤點：圖像 AI 聚焦瑕疵異常偵測與標示（採 anomalization 類模型）；生成式 AI 用於低解析影像超解析合成，彌補工業相機規格限制；數據型 AI 多用 AutoML 整合模型診斷異常數值；重建 AI 用 DFD 技術從 2D 影像生成高度（深度）資訊；路徑 AI 依缺陷類型規劃修補路徑，力求貼近人工手修結果。
- 展望：多模態成熟後智慧工廠將更高效、更彈性、更能支援少量客製化生產；人機協作模式依產業而異（有些是 AI 執行、人員統籌，有些是 AI 輔助、人員執行）；上游數據收集效率提升也將帶動產業升級（呼應工業 4.0 概念）。
提到的技術・產品・數據
- Anomalization 模型
- 用於圖像異常瑕疵偵測
- DFD 技術
- 用於 2D 影像生成高度／深度資訊（重建 AI）
- AutoML
- 用於數據型 AI 的異常數值診斷
- IDEAS Show 商業影像 AI 辨識競賽
- 經濟部主辦，東捷科技子公司團隊曾獲第三名
值得記下的觀點
「模型之間本身其實是沒辦法共享支援的，可是多模態是可以的⋯⋯他們是彼此之間是可以做一個互通的。」
Q&A
- 無正式 Q&A；主持人結語簡短呼應多模態對智慧製造的影響。
查證註記
- 網路搜尋未能找到「林育弘」於東捷科技 AI 系統規劃處任職的公開資料，但公司背景（雷射修補設備、面板/半導體客戶、子公司和來科技做物流）與現場發言內容高度吻合。來源：東捷科技官網
- 講者職稱「AI 系統規劃處的處長」與官方議程「Director」一致。
6AI 驅動製造創新：視覺 AI 平台與生成式影像技術高季安（先知科技 總經理）
No-code 影像瑕疵檢測平台，用生成式影像擴增解決製造業「多樣少量」缺樣本的痛點。
重點整理
- 講者背景：擁有超過 30 年設備、製程工程與資訊科技經驗，博士論文期間與成大鄭芳田教授合作 AI 專案，之後創立先知科技，將台積電式智慧製造理念帶到中小企業。
- 先知科技業務涵蓋生成式 AI、RPA + AI、圖像應用 AI、數據 AI，可與客戶做多模態混合應用（如結合工程圖文字與圖像解析提升毛利）。
- 點出製造業三大痛點：(1) 製造場域分散、系統需具備雲端／跨場域特性；(2) 客戶端普遍缺乏 AI 甚至 IT 人才（自嘲台灣人才多去新創或大公司）；(3) 難以針對「多樣少量」的特殊產品建立足量訓練資料的判別型/決策型 AI（因為量大的訂單多流向對岸規模經濟）。
- 核心產品「天然通好」：no-code 圖像瑕疵分類/定位平台，號稱從資料蒐集、標註、訓練、評估到落地一站式完成，並將超參數調整、模型選擇自動化，持續把公司在國際競賽拿到的最新演算法內嵌進平台。
- 生成式影像擴增案例：養蜂場案例僅用 1 張真實影像搭配大量生成式深層（合成）影像訓練，驗證檢測 mAP 達 0.785（講者稱 0.5 以上即具備上線可用門檻）；扣件彎曲瑕疵案例僅用 2–3 根真實樣本搭配生成式合成瑕疵樣本，偵測率達到近 100%。
- 結論主張：生成式 AI 不是只能用於生成內容，也能與判別式/決策式 AI 協同，打破「決策式 AI 必須要有大量真實樣本」的傳統認知，尤其適合台灣中小企業的多樣少量生產型態。
- 花絮：分享一位客戶自建 AI 團隊寫 Prompt，結果內部一般使用者用先知平台做出來的效果，只比公司內部 AI 專家寫的 Prompt 好一點點；講者將此重新詮釋為「你的員工都變成了 AI 專家」的正面案例。
提到的技術・產品・數據
- 天然通好
- 先知科技 no-code 圖像瑕疵檢測/分類平台
- 生成式影像資料擴增（少樣本 + 合成資料）
- 用於解決製造業多樣少量缺乏訓練樣本問題
- mAP（mean Average Precision）
- 講者引用的物件偵測評估指標，案例達 0.785
值得記下的觀點
「生成式的 AI 不是只能用在生成式上面，它可以跟決策式的這個 AI 共同的合作，去打破這一個決策式 AI 裡面有很多以前我們認為不可能打破的一個基數。」
7評估驅動開發張文鈿（愛好資訊 Founder；現場與主持人皆稱其英文名「iHoward」）
提出 LLM 應用開發成熟度 5 級模型，示範用 AI 自動生成、合成測試資料並自動最佳化 Prompt。
重點整理
- 講者自我定位為 AI engineer，經營「AI Engineer」電子報，熟悉 OpenAI、Claude、RAG 技術，並自行維護繁體中文 Embedding 模型評測（自稱 Google 搜尋排名第一）；完整投影片已公開於個人部落格 ihower.tw。
- 核心主張：面對 LLM 應用（Prompt）表現的不確定性，答案是「做評估」——準備 dataset、實際跑過、依輸出結果評估（可以是演算法評估、人工評估、或 AI 打分）。
- 提出自創 Prompt 工程成熟度 5 級模型（對比傳統確定性軟體開發流程）：Level 0 寫扣不測試不評估；Level 1 只在 Playground 肉眼看一下；Level 2 準備測試案例集，人工分析結果做調整；Level 3 自動化評估（類比傳統單元測試，改用 LLM 或演算法自動打分）；Level 4 類比 TDD，做到 Prompt 的自動化最佳化。
- Level 2 示範「MetaPrompt」：用 Anthropic（Claude）後台已開源的 Prompt 生成 Prompt 工具，輸入簡短任務描述即可生成完整 Prompt（含 few-shot 範例），但因該工具偏好 Claude 慣用的 XML 標籤格式，換其他模型（如 OpenAI）時仍需人工微調格式。
- Level 3 示範「有標準答案」評估：中文 Prompt 分類任務初版準確率 87.5%，用 MetaPrompt 生成英文版 Prompt 後提升到 95%；再加上 Chain-of-Thought（「一步步思考」）並未進一步提升準確率，因任務本身夠簡單、模型不需要額外推理步驟即可作答——藉此展示如何用客觀分數判斷 Prompt 該怎麼改。
- Level 3 亦示範「無標準答案」評估：寫一個扮演 Judge 角色的評估 Prompt，列出 0–5 分的評分 Criteria（LLM-as-judge），並提到需要人工校正 AI 評分結果、把校正過的案例存為 few-shot 範例回饋進評估 Prompt，解決「誰來監督評分者」的問題；RAG 情境下可對「問題—檢索資料—答案」三者兩兩做相關性評估。
- Level 4 示範自動化 Prompt 最佳化框架：DSPy 與 TextGrad，皆可設定要用哪個模型合成訓練資料、哪個模型生成 Prompt、哪個模型做最終預測，跑幾分鐘後自動疊代產生上百個候選 Prompt 並選出最佳版本；示範案例中，分類任務的自動最佳化 Prompt 把準確率拉到 100%（例如引用「Lama 2 模型上針對數學推理問題，最佳 Prompt 竟是一段星際大戰式敘事」的既有研究說明手寫 Prompt 效率低下）。
- 分享 DSPy、TextGrad 的 Colab 筆記本供聽眾直接帶走使用。
提到的技術・產品・數據
- MetaPrompt
- Anthropic（Claude）後台已開源、用於生成 Prompt 的 Prompt 工具
- LLM-as-judge
- 用 AI 對輸出打分的自動化評估方式
- DSPy、TextGrad
- 兩套 Prompt 自動最佳化框架，皆可疊代生成並篩選最佳 Prompt
- Prompt 工程成熟度 5 級模型（Level 0–4）
- 講者自創的分類架構
值得記下的觀點
「手工寫 Prompt 的效率是很低下的。」
查證註記
- 張文鈿（線上暱稱 ihower）確為愛好資訊創辦人（成立於 2018 年），專長 OpenAI API、Claude、RAG，經營 AI Engineer 電子報，現場與主持人稱其英文名「iHoward」應為「愛好」（àihào）的諧音/藝名，對應官方議程公司名「愛好資訊」，講題「Eval-Driven-Development」與官方議程完全一致。來源：ihower.tw 簡報張文鈿 Facebook
8用多模態邊緣運算推進醫療創新胡翔崴（工研院 Engineer）
多模態醫療大模型串接化合物、生理訊號、影像等資料，做衛教問答、標準化病患訓練與 3D 齒模生成。
重點整理
- 講者背景：有新創經驗（翔安生醫、HIT for Asia 共同創辦人）、成大鳳凰新創導師，深耕 AI 技術約 10 年，同時在金融與醫療領域做創新研發與論文發表，今年已累積近 20 場演講。
- 多模態技術流程：文字／影像等輸入經過各自的 encoder，再 project 到共同的多維向量空間，最後多半 project 到 LLM，讓 LLM 作為多模態橋樑；在醫療領域，講者將此概念延伸到化合物（SMILES 字串）、蛋白質序列、生理訊號（腦波 EEG、心電圖 ECG）、醫學影像、病歷報告等「序列型資料」，只要是序列型資料都可以走同一套 encoder → projection 架構。
- 應用案例 1（醫病問答/衛教）：發表於 IQA Conference 的創新做法——讓另一個大模型擔任「審閱者」，對第一個模型輸出的回應做同理心與醫療諮詢品質評分與回饋，再要求原模型修改回應；量化效果為專業度提升 14.29%、意圖辨識提升 5.81%。
- 應用案例 2（個人化衛教）：針對慢性腎臟病不同分期（如第一至第四期）建立各自的飲食限制資料庫，確保系統對同一問題（如飲食限制）能依病患實際分期給出不同、更精準的個人化建議，而非千篇一律的回答。
- 應用案例 3（臨床報告生成）：與醫院合作，讀取臨床資料自動生成個人化照護推薦計畫（涵蓋認知訓練、光刺激音樂治療等），因臨床人力普遍沒有時間手寫個人化衛教單，此系統在臨床評分上獲得不錯結果；另建有失智症檢測平台，整合動眼辨識等 vital sign 量測，自動產出圖表與報告並支援後續醫病問答。
- 應用案例 4（陪伴機器人）：以 GPT-4o 為基礎打造陪伴機器人，額外加上眼部十二種情緒表情模組與後台健康分析，已在兩家醫院的長照中心導入、並曾在 TPBS 展演，可陪聊、關心生活瑣事，也能回應專業衛教問題。
- 應用案例 5（標準化病患教育系統）：反轉傳統「虛擬人教育病患」模式，改由 AI 扮演設定好病史（糖尿病、高血壓、骨質疏鬆等）的「標準化病患」，讓受訓醫師練習問診應對；系統可自動比對醫師問診結果與正確答案、給出自動化評分，目前已有約 8 家醫院持續洽談合作，年底預計加入語音/虛擬人互動介面。
- 應用案例 6（3D 齒模生成）：透過 Fine-tune（有 Fine-tune vs 無 Fine-tune 對照）搭配 NVIDIA NeMo 架構，先做到病歷報告的圖文生成，再示範用文字直接控制/生成 3D 牙齒模型（如指定「牙齒外翻」等病徵），朝「病歷文字 → 3D 影像」自動生成發展。
- 技術基礎設施：採用 NVIDIA 邊緣運算架構（Jetson Orin 系列）與 NVIDIA NeMo framework，持續與 NVIDIA 合作，預計 10 月底進行進一步經驗分享。
提到的技術・產品・數據
- GPT-4o
- 講者列為當前多模態代表模型（低延遲、語音生成、視覺辨識能力強）
- NVIDIA Jetson Orin 系列 + NVIDIA NeMo framework
- 醫療多模態模型的邊緣運算基礎設施
- SMILES 字串
- 化合物的序列化文字表示，用於將化合物資料納入多模態 encoder
- IQA Conference
- 講者發表「AI 審閱者」機制論文的會議
查證註記
- 胡翔崴為翔安生醫、HIT for Asia 共同創辦人、工研院研發背景，查證屬實。來源：遠見雜誌專訪
- 現場紀錄中多項成果數字（如「拿到 GIN STAR 前 20 強」「LAMA 前 8 強」等競賽名稱發音不清楚）（未能查證）。
9為高耗能產業去碳化：AI 解決方案如何加速 ESG 目標謝宗震（詠鋐智能 Chimes AI CEO；主持人稱其英文名「Johnson」）
用預測型＋生成式 AI 幫高耗能工廠設備節能，案例年省 32% 用電、平台累積減碳逾 4 萬噸。
重點整理
- 講者背景：清華大學統計博士，人稱「台灣 R 語言之父」，在 GitHub 貢獻排名台灣第二、全球第 709 位；主持 D4SG 資料英雄計畫，協助台灣運用科技與資料改造社會；2014 年即以第一屆講者身分參與本年會前身「資料科學愛好者年會」，今年剛好滿 10 年再度受邀。
- 創立 Chimes AI（詠鋐智能），目標用 AI 技術降低浪費，協助組織與企業加速實踐 ESG／減碳；背景論點：78% 跨國品牌要求供應商在節能減碳上拿出具體時程。
- 案例 1（電熱爐）：高雄某化工廠電熱爐原料加熱到攝氏 300°C、持續超過 30 小時／批，單批耗電 2 萬度（相當於 2000 戶家庭一天用電量）、一年約做 60 批，年用電 1.2 GWh、產生 600 噸碳排（需種 5 萬棵樹才能抵銷）；用預測型 AI + 生成式 AI 給出的節能操作建議（在產品合格前提下調整升溫曲線與持溫時間），實測年省 32% 用電，相當於年減碳從 600 噸降到約 200 噸左右（省下 400 噸）。
- 案例 2（半導體廠冰水系統）：半導體廠冰水系統耗電常佔全廠 20–30%，透過固定冷凍能力需求、調整冰水系統可調參數，可年省 5–15% 冰水系統耗電並延長設備壽命。
- 案例 3（設備異常預警）：與皓博科技（Harbor Technology）合作，把幫浦、壓縮機、齒輪箱、風扇、鼓風機、攪拌機、混料機等設備的震動、電流、溫度、流量數據轉換成「設備壽命指標」分數，做到提早預警；再搭配生成式 AI 助理說明可能故障原因與處置建議，讓巡檢人員出門前就有準備，降低勞動時間成本與公安風險。
- 規模與成果：以「Tookie」平台（AutoML + 生成式 AI）已落地應用於 50 間工廠、部署 2500 個 AI 應用，累積每年節省逾 4 萬噸二氧化碳排放。
- 產品架構：把設備感測數據彙整進數據中台，再送入安裝 Tookie 的 AI PC，提供品質預診斷、即時診斷、製程操作優化（節電節碳）、非計畫性停機前的設備預診斷，並用生成式 AI 把預測結果轉譯成人看得懂、可信任的建議。
提到的技術・產品・數據
- Chimes AI（詠鋐智能）
- 講者創辦公司，主打 AI 節能減碳
- Tookie 平台
- AutoML + 生成式 AI 整合平台，用於設備節能與異常預警
- 皓博科技（Harbor Technology）
- 提供設備振動／電流／溫度／流量數據的合作夥伴
值得記下的觀點
「地球只有一個。」
Q&A
- 無正式 Q&A；本場為 R3 全場最後一位講者，結束後主持人隨即宣布 R3 場次結束、引導聽眾前往 Closing Keynote。
查證註記
- 謝宗震（Johnson Hsieh）確為詠鋐智能（Chimes AI）創辦人 CEO，清華大學統計學博士，公司成立於 2020 年 12 月。官方議程公司名寫作「詠鋝智能」，經查證正確寫法應為「詠鋐智能」（鋐，非鋝）——這是官方議程頁本身的錯字，此處以查證結果「詠鋐智能」為準。來源：未來城市＠天下專訪Chimes AI 官網