一鍵成真 Agent 實戰工作坊・第一單元|2026-11-13

AI 工具常用名詞白話表

給醫院教師與行政同仁:第一部分是工作坊會用到的 30 個詞,第二部分是社群上常見的 100 個詞,一句話講清楚。

每個名詞有三部分:一句白話、院內例子(例)、常見誤解(誤,有才寫)。和 Claude、法規有關的事實附上標號,可以對照文末的資料來源。

第 1 堂 工作坊哪一堂會用到 補充 工作坊沒教,常在社群或其他場合聽到 第二部分:社群上常見的名詞 待確認 官方資料不足或說法不一致,請以實際畫面為準

先記住工作坊的四個說法

需求卡五格誰用/什麼情境/輸入什麼/輸出什麼/有什麼限制。第五格也要回答:裡面有沒有病人資料或院內機密?(第 1 堂)
光譜三層提示詞層:你描述需求,AI 產出一段文字或草稿 → 代理層:你交辦一件任務,AI 自己串連、多步驟執行 → Vibe Coding 層:你描述需求、驗收成果,AI 直接寫出一個能跑的工具。(第 1、4 堂)
聊天視窗型/資料夾型聊天視窗型:在 Claude 的對話介面做,成品直接顯示在對話旁,可下載成檔案。資料夾型:如 Claude Code、Codex,成品存成資料夾裡的 HTML 檔,用瀏覽器打開。(第 1、2、4 堂)
交辦三要素目標與動機(要什麼、為什麼要)/驗收條件(做完的客觀判準,可逐條核對)/回報格式(做完要怎麼回報)。(第 4 堂)

第一部分:工作坊會用到的 30 個名詞

四堂課的投影片與實作會出現的詞,加上幾個先認識的大方向名詞。

A先認識的大方向名詞

談 AI 時最常被提起的大方向詞,工作坊不細講,先有個概念就好。

生成式 AIGenerative AI

補充

會「產生新內容」的 AI:寫文字、畫圖、做簡報、寫程式,不只是分類或判斷。

例請 AI 依課程目標草擬教案大綱,就是生成式 AI 的用法;常見的影像判讀輔助系統則是在「判斷有沒有異常」,屬於另一類。
誤「它寫得頭頭是道,內容就是對的」→ 內容是「接」出來的,不是查出來的,重要的地方要核對(見 B「幻覺」)。

AGI通用人工智慧

補充

指「什麼事都能像人一樣學會、做好」的 AI。目前是研究目標與討論話題,沒有公認的定義或判定標準。

例看到「AGI 明年就來」的貼文,可以當作業界的觀點,不必當成會改變明天教學工作的事實。
誤「現在的聊天 AI 已經是 AGI」→ 沒有公認標準可以這樣下結論;工作坊用的是能力很強、但有範圍的工具。

多模態Multimodal

第 1 堂工具表

同一個 AI 看得懂或做得出不只一種形式的資料,例如文字加圖片、聲音、影片。

例拍一張研習海報給 AI,請它整理成文字公告;或上傳手繪流程圖,請它畫成正式版。
誤「上傳圖片它一定看得懂」→ 小字、手寫、表格截圖都可能讀錯,數字要回原圖核對。

開源/開放權重模型Open-source / Open-weight

補充

模型的核心檔案(權重)公開給人下載,可以裝在自己的電腦或伺服器上跑;相對的是只能透過廠商網路服務使用的模型。

例醫院若想把模型架在院內、資料不出院,常會考慮開放權重模型(見 C「地端模型」)。
誤「開源=免費又安全」→ 下載不用錢,但機器、維護、資安都要自己負責,也要看授權條款。另外「開放權重」不一定連訓練資料都公開。

微調Fine-tuning

補充

拿一批特定資料把現成模型再訓練一次,讓它更擅長某種任務或口吻。

例拿上千份同一種報告的範例去微調,讓模型更會寫那種固定格式。
誤「要 AI 懂我們醫院,就得微調」→ 多數日常需求,把提示詞寫清楚、上傳參考資料,或用 D 的 Projects、Skills 就夠了,不必重新訓練模型。

推理模型Reasoning model

補充

回答前會先「想一想」、拆步驟再作答的模型,適合需要多步推論的問題,通常比較慢。

例要兼顧 20 位教師的可排時段排出輪值表,就適合讓它多想一下。在 Claude 裡,這件事用 B「思考強度」來調。
誤「想得久就不會錯」→ 想得久不代表對,結果一樣要核對。

B基本概念:AI 是怎麼回答你的

理解這幾個詞,就知道 AI 為什麼有時很神、有時會錯。

大型語言模型LLM, Large Language Model

第 1 堂

讀過大量文字,會「根據前面的字,猜下一個最可能的字」的 AI。ChatGPT、Gemini、Claude 背後都是這類模型。

例請它把會議逐字稿整理成三點結論,它很擅長,因為這正是「把文字接成通順文字」的工作。
誤「它是一個會查資料的資料庫」→ 答案是接出來的,不是查出來的,所以會很有自信地說錯;就算它上網查了,來源也要點開核對。(第 1 堂)

模型Model

第 1 堂

同一個 AI 服務裡可以選的不同版本,有的快、有的想得深。Claude 目前官方列出四款1:

  • Haiku 5.5:快速、大量
  • Sonnet 5.5:速度與能力兼顧
  • Opus 5.5:官方模型總覽頁建議,不確定用哪個就先用它
  • Fable 5.2:最高難度的推理與長時間任務

Free 方案只能用 Haiku、Sonnet;Opus、Fable 要付費方案,其中 Fable 在部分付費方案(如 Pro)要另外用「用量點數」3。

例把 50 則課程回饋分類,用 Haiku 或 Sonnet 就很快;要規劃一整套跨科課程設計,可以換 Opus 試試。
誤「claude.ai 預設就是某一款」→ 官方沒有寫預設是哪一款。看輸入框旁顯示的模型名稱,點它就能切換2。
註型號 2026-11-11 依官方模型總覽頁核對;名稱更新很快,上課前再看一次。

思考強度Effort

第 1 堂

要 AI 每次回答「花多少力氣想」。在 Claude 點輸入框旁的模型名稱,再選 Effort,有 Low、Medium、High、Extra high、Max 五級;選單會把官方建議的那一級標成「Default」2。

例改錯字、換語氣用較低的強度就好;要比對三版課綱、找出前後矛盾,可以調高。
誤「開最高一定最好」→ 想得越多回得越慢;簡單的事開太高,只是多等。

提示詞Prompt

第 1–2 堂

你打給 AI 的指示文字。說得越清楚,成果越接近你要的。工作坊在光譜的「提示詞層」練習把需求說清楚;做工具時用「需求卡五格」,給 AI 的固定模板叫「標準提示詞」。

例「幫我做一個出席統計的網頁」只是一句話;寫成需求卡五格(誰用、什麼情境、輸入什麼、輸出什麼、有什麼限制),同一個工具會做出完全不同的結果。(第 1 堂)
誤「要背神奇咒語」→ 重點是把情境和限制說清楚,不是特殊句型;對某個模型有效的技巧,過幾個月可能就失靈。(第 1 堂)

Token字詞單位

補充

AI 讀寫文字時的計算單位,大約是一個字或字的一部分。對話能放多長、用量用掉多少,都是用 token 來算。

例一次貼上整份 80 頁的評鑑報告,比貼一頁摘要用掉多得多的 token;官方也說明,對話越長越耗用量5。
誤「token 就是字數」→ 中文、英文、數字的換算都不同,不必去算;記得「貼越多、聊越長,用掉越多」就夠了。

上下文Context

補充

AI 在這一次對話裡「同時看得到」的全部內容:你上傳的檔案、前面的對話、它自己的回答。上限叫 context window。Claude 付費方案的聊天,目前四款模型最長約 1M token(約一百萬);Free 方案的長度官方沒寫14。

例同一個對話聊了一整天、貼了十幾份檔案,它好像「忘了」早上講好的規則。這時開新對話、把關鍵規則重貼一次,往往比一直追問有效。付費方案若開了程式碼執行,對話很長時會自動把較早的訊息摘要,讓對話接續下去5。
誤「上下文就是它的記憶」→ 上下文只算這一次對話;要在多個對話共用資料,請放進 D「Projects」的專案知識庫8。但「換新對話就乾淨了」也不對:Claude 另有「記憶」功能,個人方案預設開啟、Team 與 Enterprise 預設關閉7,可到 Settings > Memory 查看19。工作坊說:「記憶不是防線:沒被記住,不代表沒被讀到」。(第 1 堂)

幻覺Hallucination

第 1 堂

AI 很有自信地說出錯誤或根本不存在的內容,例如編出一篇不存在的文獻。

例請 AI 列「支持 CBME 的五篇文獻」,其中一篇作者、期刊都像真的,卻怎麼都查不到,這就是幻覺。
誤「有附出處就不會錯」→ 出處也可能是編的,或內容和出處對不上。工作坊三句話之一:「說得很有自信,也可能錯;重要的事當草稿,別當定論」。(第 1 堂)

引用來源/RAG檢索增強生成

第 1 堂

讓 AI 先找或先讀指定資料,再根據那些資料回答,並附上能點回去核對的出處。技術名稱叫 RAG;一般使用者只要看「有沒有附出處、能不能點回原文」。

例上傳院內教學計畫書,請它回答某項評量每月要做幾次,並標出在第幾頁,你就能翻回原文確認。工作坊的「資料型」工具(如 NotebookLM,Google 已改名 Gemini Notebook)是根據你給的資料或網路來源回答、附引用;它自己找來的網路來源,一樣要你把關。Claude 的 Projects 處理大量資料時也是用這種檢索方式5。
誤「有引用就一定對」→ 仍要抽查:引用的那句話真的在原文裡嗎?意思有沒有被講反?

CAI 在哪裡跑:雲端、地端、程式

決定「資料可以丟去哪裡」之前,先分清楚 AI 在哪裡運算。

雲端 AI 服務Cloud

第 1 堂隱私頁

AI 在廠商的機房運算,你透過網路使用。claude.ai、ChatGPT、Gemini 的網頁版都是,你輸入的內容會傳到廠商的伺服器。

例用 claude.ai 整理一份已經去個資的課程滿意度彙總,是常見又合適的用法。
誤「雲端一定不安全」或「付費就一定安全」都不對,要看帳號類型與設定。個人方案請到 Settings > Privacy 查看「Help Improve our AI models」開關,不想被用來改進模型就關閉16;Team、Enterprise 等商業方案預設不用你的輸入與輸出訓練模型17。不論哪一種,病人可識別資料都不貼,無痕模式也一樣(第 1 堂);官方也提醒,輸入病歷或醫療資訊要特別謹慎18。

地端模型On-premises / 本機模型

補充待確認

把 AI 模型裝在醫院自己的伺服器或電腦上執行,資料不經過外部廠商。

例醫院把一套開放權重模型裝在院內機房的伺服器上,同仁從院內網路連線使用,輸入的內容不會傳到外部廠商。要處理院內機密資料時,先問:院內有沒有核准的平台可以用?這正是工作坊「三個問題」的 Q3:有病人資料或院內機密,一律先確認是不是院內核准的平台。(第 1 堂)
誤「地端就一定安全、什麼都能丟」→ 資料不出院只是其中一環,帳號權限、存取紀錄、院內規定一樣要遵守;地端模型的能力也可能不如最新的雲端模型。
註本院有沒有地端模型、哪些平台是院內核准、可以處理哪類資料,教材與本表都沒有寫,請依院內規定與資訊單位公告(待確認)。

程式碼與 Claude CodeCode

第 1、4 堂

程式碼是讓電腦照著做的指令文字,網頁背後就是一份程式碼。Claude Code 是會寫程式、會動手的工具:讀你的資料夾、改檔案、跑指令,做完回報(第 1 堂)。付費方案內含,Free 方案沒有4。

例工作坊的「資料夾型」就是這類工具:把資料檔放進工作資料夾,請它做網頁,成品是資料夾裡的 HTML 檔,用瀏覽器打開。(第 2、4 堂)
誤「要會寫程式才能用」→ 你要學的不是寫程式,是驗收:判斷做出來的東西對不對、好不好用。(第 1 堂)

DClaude 的功能

介面依帳號版本略有不同;找不到某個功能時,先看方案與設定。

Artifacts對話直接產出成品

第 1、2 堂

Claude 在對話旁邊直接做出來的成品:文件、簡報、網頁、小工具,可以繼續修改,也能匯出(文件可匯出 Word、PDF;簡報可匯出 PowerPoint、PDF)6。所有方案都能用,包含 Free7。

例請 Claude 依需求卡做一個出席率計算網頁,網頁直接出現在對話旁,可以馬上試按,這就是「聊天視窗型」。
誤「找不到 Artifacts 就是方案不支援」→ 要先開「程式碼執行與檔案建立」:個人方案在 Settings > Capabilities,機構方案由管理者設定6。

Projects專案/專屬空間

第 1 堂待確認

把同一件事會反覆用到的檔案和指示放在一起的空間。專案裡每個對話都共用「專案知識庫」和「專案指示」,不必每次重貼。所有人都能用,Free 方案最多 5 個8。

例建一個「PGY 教學計畫」專案,把課綱、評量表、去年回饋彙總放進知識庫,之後持續問都不用重貼。(第 1 堂)
誤「同一個專案的對話會互相記得」→ 對話之間的內容不會互通,要共用的資料請放進專案知識庫。分享專案給同事只有 Team、Enterprise 方案可以8。
註官方說明頁(2026-11-11)已出現新版專案(beta),畫面可能和工作坊簡報不同(待確認)9。

連接器Connectors

第 1 堂工具表

讓 Claude 讀取、操作你其他服務的「接頭」,例如 Google Drive、Gmail、Google 日曆、Microsoft 36511。網頁連接器所有使用者都能用;Team、Enterprise 要先由管理者開放,每位成員再各自登入授權10。

例連上 Google 日曆後,請 Claude 找出下週三位教師都有空的一小時。
誤「接上連接器,Claude 就能看到全院資料」→ 它沿用你自己在原系統的權限:你看不到的,它也看不到10。

MCPModel Context Protocol

補充待確認

一種開源的標準,讓 AI 工具用同一套方式連接外部系統12,可以想成 AI 世界的「通用插頭規格」。

例某個系統若做成支援 MCP 的服務,AI 工具就可能透過連接器去查詢它;院內系統能不能這樣接,要依院內規定。
誤「MCP 是 Claude 的一個按鈕」→ 它是一套規格,不是功能鍵;一般使用者接觸到的是「連接器」。
註官方說明頁(2026-11-11)寫明可新增自訂連接器、連接支援 MCP 的服務;本院使用的 Claude 帳號能不能這樣做待確認10。

Skills技能

補充

一包包「指示、腳本與資源」,Claude 需要時才載入,讓它照固定方式完成特定工作,例如依單位格式製作文件13。

例把「教學活動公告的固定格式」做成一個技能,之後請 Claude 寫公告,它就會照這個格式寫。
誤「不用設定就能用」→ Free 到 Enterprise 都有,但要先開啟程式碼執行才能用13。

深度研究Research

第 1 堂工具表

讓 Claude 自己做多輪搜尋、跨來源整理,最後交回附引用的結果;比一般問答久,但查得廣。要先開啟網路搜尋,只有付費方案有14。

例請它整理「近五年住院醫師回饋教學的實證做法」,拿到附引用的摘要後,再自己點開關鍵文獻核對。
誤「深度研究查到的就是定論」→ 它幫你找與整理,引用仍要點開核對;Free 方案也沒有這個功能14。

E做網頁與交辦

第 2~4 堂的實作會一直用到這些詞。

Agent代理

第 1、4 堂

你交一件事,它自己決定下一步、多步驟做完再回報的 AI,會動手,不只回答。在光譜上是「代理層」。(第 1、4 堂)

例把一年份出席紀錄檔放進工作資料夾,交辦:「算出各場出席率、列出低於八成的場次、做成網頁」,它會自己讀檔、計算、產出、回報。Claude in Chrome(瀏覽器擴充功能,付費方案)也屬這類,會代你在網頁上讀取、點擊;官方提醒它仍有風險15。
誤「交出去就不用管」→ 它真的會動到你的檔案。用「交辦三要素」交代清楚,做完逐條驗收。三條守則:先看計畫再放行;只用在可信的地方;送出、刪除、付款這類關鍵動作自己按。(第 1、4 堂)

Vibe Coding

第 1–3 堂

用自然語言描述你要的東西,AI 直接把能運作的網頁或工具寫出來;你不需要看懂程式碼,只要判斷它對不對、好不好用。光譜最右邊的「Vibe Coding 層」。(第 1 堂)

例問卷、小遊戲、儀表板、單頁工具這類範圍明確、獨立運作的東西都做得到;第 2 堂的單檔網頁、第 3 堂的儀表板就是。
誤「什麼系統都能這樣做」→ 不要期待一次做出要跟醫院資訊系統整合、需要長期維護的大型系統。你要學的不是寫程式,是驗收。(第 1 堂)

前端/後端資料庫/資料串接網站的三層

第 2 堂

前端:使用者看到、操作的畫面。後端資料庫:資料存在哪、誰能改、能不能多人共用。資料串接:畫面怎麼拿到資料、資料怎麼更新。(第 2 堂)

例第 2 堂只做前端。判斷法:資料要不要留下來?要不要多人共用?兩題都是「否」,單檔網頁就夠;任一題是「是」,就需要後端。報名表要把資料存進 Google 試算表,就屬於後端與串接,12/18 第二單元會教(Apps Script)。
誤「網頁沒有存資料,是壞掉了」→ 只有前端的網頁不存資料,每次打開都是空白,這是設計,不是故障。(第 2 堂)

單檔 HTML單檔網頁

第 2 堂

整個網頁的畫面、樣式和程式都寫在同一個 .html 檔裡,用瀏覽器打開就能用。好處:免安裝、手機可開、好分享、不存資料。(第 2 堂)

例第 2 堂標準提示詞第 1 條:「只產出一個 HTML 檔,樣式和程式都寫在同一個檔案裡」。做好的檔案寄給同事,對方用瀏覽器打開就能用。
誤「單檔就不會外洩」→ 頁面本身不存資料,但把個資或金鑰寫進檔案,拿到檔案的人都看得到。上傳前先檢查:沒有真實病人或同仁個資。(第 2 堂)

API應用程式介面

補充

程式和程式之間的「服務窗口」:一個系統照約定的格式提出請求,另一個系統回傳資料或幫忙做事。

例報名網頁按下「送出」,把資料寫進 Google 試算表,背後就是程式之間在溝通(Apps Script 這類做法,12/18 第二單元會教)。也有人透過 API 讓程式直接呼叫 AI 模型,不經過聊天視窗。
誤「API 是工程師的事,跟我無關」→ 你用的很多工具背後都在用 API;你只要記得:用 API 常需要「金鑰」,金鑰要保管好(見下一個名詞)。

金鑰API key

第 1–2 堂

使用 API 時證明「你是誰、可以用多少」的一串密碼,像門禁卡;別人拿到,就能用你的身分、花你的額度。

例第 2 堂的案例:工作坊分析的作品裡,有寫入網址與金鑰設定的 17 件,10 件外露(其中 2 件的判斷含推論)。(第 2 堂)
誤「藏在網頁程式碼裡,別人看不到」→ 網頁的程式碼任何人都能打開來看;金鑰、帳密、個資都不要放進頁面。(第 1、2 堂)

F資料安全

工作坊的一票否決:有病人資料或院內機密,一律先確認是不是院內核准的平台。(第 1 堂)

去識別化工作坊說「去個資」

第 1–3 堂

把資料裡能認出是誰的部分拿掉或改掉:姓名、病歷號、身分證字號、員工編號、可辨識的照片,讓別人無法回推到個人。

例第 3 堂 B 計畫的自備資料,要先去除姓名、病歷號、員工編號,最好只留彙總數字;頁面上少於 5 人的數字不顯示。(第 3 堂)
誤「拿掉姓名就安全了」→ 小科別、少人數的組合(例如「某科唯一的女性 PGY」)還是認得出來。最穩的做法是資料進入頁面前就彙總(第 3 堂)。官方也提醒,輸入病歷或醫療資訊要特別謹慎18。

第二部分:社群常見名詞 100 個

滑 Threads、Facebook、LINE 群組,或看科技新聞時常遇到的詞。依 2025–2026 年繁體中文網路文章與社群討論挑選,不是統計排名。

G社群流行語與熱門話題

網友的說法與新聞常炒的話題,聽懂就好。

AI 咒語提示詞的俗稱

社群上對「提示詞」的俗稱,常見於「萬用咒語」「神咒語分享」這類貼文。

例看到「這組咒語讓 AI 幫你寫教案」,可以拿來參考,但要改成自己的情境、對象與限制。
誤「有神奇咒語就能百發百中」→ 把情境和限制說清楚比背咒語可靠;做工具時用需求卡五格。(第 1 堂)

AI 味與去 AI 味讀起來像 AI 寫的

「AI 味」指文章讀起來像 AI 寫的:句型工整、愛用排比與誇張形容、四平八穩卻缺少具體細節。「去 AI 味」就是把它改得像人寫的。

例AI 寫的研習公告滿是「全方位」「賦能」「打造」。請 AI「用口語、刪掉形容詞、加入具體日期地點」,就能去掉不少 AI 味。
誤「有 AI 味就一定是 AI 寫的」→ 人寫的公文也可能很「AI」,不能單憑語感判定(見 J「AI 偵測器」)。

AI 泡沫AI bubble

擔心市場對 AI 的投資與期待高過實際獲利,會像當年網路泡沫一樣破滅的討論。

例財經新聞「AI 泡沫要破了嗎?」討論的是科技股與投資熱度。
誤「有泡沫,代表 AI 沒用」→ 投資熱度和工具在日常工作好不好用是兩件事;判斷要看自己的任務實際試用的結果。

數位員工AI 員工 / Digital worker

廠商把能長時間自動做特定工作的 AI 代理,包裝成「員工」的說法。

例廣告寫「導入 AI 客服員工,24 小時回覆病友詢問」。
誤「買了就能取代人力」→ 本質就是 Agent,仍需要人交辦、驗收與負責;交辦方式見第 4 堂的交辦三要素。

主權 AISovereign AI

國家或地區自己掌握 AI 需要的算力、資料與模型,不完全依賴外國公司。

例新聞說各國投資本國語言模型與資料中心,強調本地語言、文化與資料留在國內。
誤「本國的 AI 就可以放心貼院內資料」→ 能不能處理院內資料,要看那個平台是否經院內核准。(第 1 堂 Q3)

實體 AI/具身智慧Physical AI / Embodied AI

讓 AI 進到機器人、車輛、設備裡,能感知周遭環境並實際動手做事。

例常被舉的例子包括會自己移動、搬運物品的物流機器人。
誤「實體 AI 就是人形機器人」→ 也包括物流車、工廠手臂等各種設備,不一定長得像人。

HAI 是怎麼做出來的

新聞、科技貼文最常出現的技術詞,知道大意即可。

機器學習Machine Learning

讓電腦從大量例子中自己找出規律,而不是由人一條條寫規則。

例給電腦上萬張標好「正常/異常」的心電圖,讓它學會分辨,就是機器學習。
誤「機器學習就是大型語言模型」→ LLM 只是其中一種;醫院裡的預測、判讀系統也常用其他機器學習方法。

深度學習與神經網路Deep Learning / Neural Network

深度學習是機器學習的一種,用很多層「神經網路」層層找出特徵;今天的語言模型、影像辨識、語音辨識大多用它。

例影像判讀輔助、會議錄音轉文字、聊天 AI,背後多半是深度學習。
誤「神經網路模仿人腦,所以會思考」→ 只是借用名稱的數學模型,不等於人腦的運作。

GPT 與 Transformer

GPT 是 Generative Pre-trained Transformer 的縮寫:生成式、預先訓練好的 Transformer。Transformer 是一種模型架構,今天大多數語言模型都以它為基礎。

例社群上常把所有聊天 AI 都叫「GPT」,其實 GPT 原本是 OpenAI 模型系列的名稱。
誤「GPT、ChatGPT、AI 是同一個東西」→ ChatGPT 是 OpenAI 的產品;Claude、Gemini 是其他公司的模型與服務(見 K「常見 AI 工具名稱」)。

參數Parameters(7B、70B)

模型內部可以調整的數值,數量常用 B(billion,十億)表示,例如 7B=70 億個參數。

例貼文說「這個模型有 700 億參數」,意思是模型很大,通常也要更多運算資源才能跑。
誤「參數越多一定越好用」→ 大小只是一個面向,訓練資料品質、用途合不合適一樣重要;小模型在特定任務上也可能夠用。

訓練資料與預訓練Training data / Pre-training

預訓練是讓模型先讀大量文字、學會語言的階段;訓練資料就是它讀過的那些內容。

例模型懂醫學名詞,是因為訓練資料裡有大量醫學文本;它不知道本院的內規,因為那不在訓練資料裡。
誤「我打的內容會馬上變成它的訓練資料」→ 會不會用於改進模型,要看帳號類型與設定(見 C「雲端 AI 服務」),而且模型不是邊聊邊學。

推論Inference

模型訓練好之後,實際拿來回答問題、產生內容的過程。你每送出一次問題,就是一次推論。

例「推論成本」指每回答一次要花的運算資源,這也是 AI 服務有用量上限的原因之一。
誤把「推論」和「推理」當成同一件事 → 推論是「把模型跑起來」;推理是模型拆步驟思考的能力(見 A「推理模型」)。

知識截止日Knowledge cutoff

模型的訓練資料收集到哪一天為止。之後發生的事,模型本身不知道,除非它上網查或你提供資料。官方模型總覽頁有列出各模型的知識截止日1。

例問 AI「今年評鑑的新規定」,它可能答成舊版;請它上網查,或直接附上最新公文。
誤「它會上網,所以什麼都是最新的」→ 有沒有上網要看工具與當下情況,回答裡的日期與數字仍要核對。

小模型、蒸餾與量化SLM / Distillation / Quantization

讓模型變小、變便宜的幾種做法:小型語言模型是參數較少、可在手機或筆電上跑的模型;蒸餾是用大模型的回答去訓練小模型;量化是把模型裡的數字用較少位數儲存。

例手機上的離線翻譯、筆電內建的會議摘要,可能就是在裝置上直接跑的小模型,常被稱為「端側 AI」(硬體見 P「AI PC 與 NPU」)。
誤「小模型跟大模型一樣強,又在自己電腦上跑,絕對安全」→ 通常會在某些能力上打折;資料不出裝置是優點,但軟體來源與院內規定仍要確認(見 C「地端模型」)。

I跟 AI 說話的技巧

「提示詞」延伸出來的詞,直接影響成果好壞。

提示工程與上下文工程Prompt / Context engineering

提示工程(也寫作提示詞工程)是設計、測試、修改提示詞,讓 AI 穩定產出想要的結果;上下文工程更進一步,安排 AI「看得到哪些資料」:要給哪些檔案、範例、規則,哪些不要給。

例同一個任務試三種寫法,留下最穩定的一版存成範本,工作坊的「標準提示詞」就是這樣的範本(第 2 堂);再把課綱、評量表放進 Projects 的知識庫,就是在做上下文工程。
誤「背技巧、給越多資料越好」→ 核心是把角色、情境、任務、格式說清楚;無關資料太多反而干擾判斷,也更快用掉上下文(見 B「上下文」)。

系統提示詞與自訂指示System prompt / Custom instructions

每次對話之前就先給 AI 的固定說明,例如「用繁體中文、語氣正式」。Claude 可在 Settings 的「Instructions for Claude」寫下帳號層的指示,套用到你所有對話;專案另有「Project instructions」,只套用該專案20。

例在 Instructions for Claude 寫「我是醫院教學部行政,常寫公告與會議紀錄,請用台灣用語」,之後每次都不用重講。
誤「寫進去它就一定照做」→ 它會參考,但不保證每次都完全遵守,產出仍要檢查。

角色設定Role prompting

在提示詞裡請 AI 扮演某個角色,例如「你是有十年經驗的臨床教師」,也常說「角色扮演」。

例「請你扮演 PGY 學員,從學員角度評論這份回饋表」,可以幫你預先看到學員的反應。
誤「叫它扮演專家,它就有專家的知識」→ 角色只改變口吻與角度,不會增加它原本沒有的知識,內容仍要核對。

給範例Few-shot / Zero-shot

在提示詞裡附上一兩個「你要的樣子」,讓 AI 照著做,叫 Few-shot;完全不給範例、直接交代任務,叫 Zero-shot。

例先貼兩則改寫得好的學員回饋當範例,再請它照同樣風格改寫其他 20 則。
誤「範例越多越好」→ 範例要有代表性;範例裡的錯誤或個資也會被照抄。

思維鏈Chain of thought/連鎖思考

請 AI 先寫出推理步驟再給答案,或模型自己在回答前先拆步驟。

例「請先列出計算步驟,再給出席率」,比較容易看出它哪一步算錯。在 Claude 裡,模型想多深由 B「思考強度」調整。
誤「步驟寫得很合理,答案就對」→ 步驟也可能看似合理卻有錯,數字要回原始資料核對。

Markdown純文字排版符號

一種用符號標示格式的純文字寫法:# 代表標題、兩個星號包住代表粗體、開頭加「-」代表條列。AI 的回答常用它排版。

例把 AI 的回答貼進 Word,出現一堆 # 和 *,那就是 Markdown 符號。Claude 做的文件也能匯出成 Markdown6。
誤「出現符號是亂碼」→ 那是格式標記;可以請 AI「改成純文字,不要用 Markdown 符號」。

記憶與無痕模式Memory / Incognito

第 1 堂

記憶:Claude 跨對話記住你的偏好與工作背景;個人方案預設開啟,Team、Enterprise 預設關閉7,可到 Settings > Memory 查看、修改或刪除19。無痕對話:不存對話紀錄、不進記憶,也不會被用來改進 Claude21。

例記憶讓它記得「我負責 PGY 課程」,下次不用重講;不想留下紀錄的一次性詢問,可以改開無痕對話。
誤「開無痕就可以貼病人資料」→ 無痕只是不留紀錄、不進記憶,內容仍會送到雲端處理;病人可識別資料一律不貼,無痕模式也一樣。(第 1 堂)

JAI 做的圖、影片、聲音

做教材很好用,也是假訊息與詐騙的來源。

文生圖Text-to-image

輸入文字描述,AI 產生圖片。

例輸入「護理師在病房指導學生,扁平插畫風」,做成研習海報插圖。
誤「AI 畫的圖可以隨便用」→ 要注意版權與肖像;圖裡的文字常拼錯,人物手指、醫療器材的細節也常出錯,要人工檢查。

文生影片Text-to-video

輸入文字或圖片,AI 產生短影片。新的影片生成工具一直推出,名稱更新很快,記概念就好。

例做一段 10 秒的課程開場動畫。
誤「影片看起來真實,內容就是對的」→ 醫療情境的動作、器材可能不正確;這也是「深偽」的技術基礎(見本組「深偽」)。

語音合成與聲音複製TTS / Voice cloning

語音合成是把文字轉成自然的語音;聲音複製(也叫聲音克隆)是用某人的錄音樣本,讓 AI 說出很像他的聲音。

例把課程說明稿轉成旁白,做成線上教材。
誤「有錄音就能拿來複製」→ 用別人的聲音要先取得同意;這項技術也常被拿來詐騙(見本組「AI 詐騙」)。

AI 詐騙深偽詐騙/聲音詐騙

詐騙集團用深偽影片或複製的聲音,冒充熟人、主管或名人來騙錢或騙資料。

例接到「主管」打來說急需匯款,或家人視訊說出事了,聲音和臉都很像本人。
誤「聲音和臉都對,就是本人」→ 聲音和臉都能偽造;牽涉金錢或資料時,先掛斷,再用自己存的電話回撥確認。

語音轉文字Speech-to-text/逐字稿

把錄音轉成文字。

例會議錄音轉成逐字稿,再請 AI 整理成會議紀錄與待辦事項。
誤「逐字稿就是正確紀錄」→ 專有名詞、人名、藥名、數字常聽錯,要對照錄音核對;錄音前也要先告知與會者。

深偽Deepfake

用 AI 偽造的影片、聲音或照片,讓人看起來說了、做了其實沒做的事。

例網路上出現「名醫推薦保健品」的影片,可能是用名醫的臉和聲音偽造的。
誤「我看得出來」→ 品質越來越好,靠肉眼並不可靠;看到驚人內容,先找原始來源查證。

AI 浮水印與內容標示Watermark / Content Credentials

在 AI 產生的圖片、影片或文字加上可辨識的標記,或明白註明「本內容由 AI 生成」。常見的做法之一是「內容憑證」:附上檔案的來源與歷程資料,採用 C2PA 開發的開放標準24。

例教材用了 AI 生成的圖,在圖說註明「AI 生成示意圖」。
誤「沒有標記就不是 AI 做的」→ 這類資料可能被平台、編輯工具或轉檔過程移除24,也不是所有工具都會加。

AI 偵測器AI detector

宣稱能判斷一段文字是不是 AI 寫的工具。

例老師懷疑學員的心得報告是 AI 代寫,想用偵測器檢查。
誤「偵測器說是 AI 寫的,就可以認定」→ 偵測器可能誤判,也可能把人寫的判成 AI;不宜當唯一證據,可改用口頭說明、寫作過程紀錄來確認。

K工具與服務型態

看到新工具時,先判斷它屬於哪一型。

常見 AI 工具名稱ChatGPT、Gemini、Claude…

第 1 堂工具表

社群最常提到的聊天 AI 來自不同公司:ChatGPT(OpenAI)、Gemini(Google)、Claude(Anthropic)、Microsoft 365 Copilot(微軟),以及搜尋式問答的 Perplexity。(第 1 堂)

例同事說「我都問 GPT」「我用 Gemini」,指的是不同公司的服務,各有免費版與付費版。
誤「哪一個最強?」→ 看任務。工作坊比較工具只看三件事:資料怎麼進去、出處能不能追、會不會自己動手。(第 1 堂)

DeepSeek深度求索

待確認

中國新創公司推出的 AI 模型與聊天服務,2025 年初迅速登上 App Store 下載榜首,引起大量討論。行政院在 2025 年 2 月 3 日宣布公務機關全面禁用 DeepSeek AI 服務26。

例社群上有人推薦「DeepSeek 免費又強」,用於公務前,要先確認單位規定。
誤「醫院不是公務機關,所以沒關係」→ 行政院另要求主管機關督導關鍵基礎設施提供者與政府捐助的財團法人參考辦理26;本院是否適用、可不可以用,請依院內規定(待確認)。

NotebookLM已改名 Gemini Notebook

第 1 堂

Google 的 AI 筆記工具:以你上傳的資料為主回答,每句可點回出處;官方已改名 Gemini Notebook,投影片兩種名稱都會出現。(第 1 堂)

例上傳評鑑基準與院內教學計畫書,問「哪幾條跟住院醫師回饋有關」,再點出處回原文確認。
誤「它只用我給的資料,所以一定對」→ 它也能上網找來源,那些來源要自己把關;附了出處,也要點開確認意思沒被講反。

聊天機器人Chatbot

用對話方式回應的程式。舊式客服機器人多半照預先寫好的腳本回答;今天的 AI 聊天機器人背後是大型語言模型。

例網站上只能按選項的客服機器人,和能自由提問的 claude.ai,都叫聊天機器人。
誤「聊天機器人都差不多」→ 有的只能照腳本,有的能理解自由提問,能力差很多。

Copilot副駕駛

第 1 堂工具表

原意是「副駕駛」,指在你常用的軟體裡協助你的 AI;微軟的 AI 助理產品也叫 Copilot。工作坊提到的 Microsoft 365 Copilot 在 Word、Excel、Teams、Outlook 裡,只讀你有權限看的組織資料。(第 1 堂)

例在 Word 裡請 Copilot 摘要一份長公文。
誤「Copilot 會自己把事做完」→ 副駕駛的定位是協助,主駕駛還是你,結果要自己確認。

AI 搜尋與 AI 摘要AI search / AI overview

第 1 堂

搜尋引擎或 AI 工具直接給你一段整理好的答案,而不只是一串連結。

例搜尋結果最上方出現的 AI 摘要。工作坊說:「搜尋給連結,AI 給整理好的成品;要出處就點開核對」。(第 1 堂)
誤「摘要就是答案」→ 摘要可能誤讀來源或混入過時資訊,關鍵內容要點開原文確認。

AI 瀏覽器與電腦操作AI browser / Computer use

讓 AI 直接在瀏覽器或電腦上點擊、填表、操作網頁的功能,社群常稱「AI 瀏覽器」。Claude in Chrome 就是一例:付費方案才有,只支援 Google Chrome15。

例請它打開研討會網站,把三天的議程整理成一張表。
誤「讓它自己填表、送出最省事」→ 官方提醒這類功能仍有風險15;工作坊三條守則:送出、刪除、付款這類關鍵動作自己按。(第 1 堂)

多代理Multi-agent

讓好幾個 AI 代理分工合作,例如一個查資料、一個寫初稿、一個檢查。

例一個代理整理各科回饋,另一個檢查有沒有個資,第三個彙整成報告。
誤「代理越多越好」→ 分工越多,越難追出哪裡出錯,也更耗用量;交辦一樣要寫清楚驗收條件(見 E「Agent」)。

工作流程自動化Workflow automation(如 n8n、Zapier、Make)

把「收到 A 就做 B,再做 C」的重複步驟串起來自動執行,現在常把 AI 放進其中一步。

例表單收到報名 → 自動寫進試算表 → 寄出確認信。這類 Google 試算表自動化,12/18 第二單元會用 Apps Script 教。
誤「設好就不用管」→ 來源格式一變就可能出錯,要有人定期檢查;串接時也要注意帳號權限與金鑰保管(見 E「金鑰」)。

無程式碼與低程式碼No-code / Low-code

不寫或少寫程式,用拖拉介面做出表單、流程或小工具。

例Google 表單、拖拉式流程工具都屬這類;Vibe Coding 則是用說的,請 AI 把程式寫出來(見 E「Vibe Coding」)。
誤「不用寫程式,就不用想清楚」→ 一樣要先把需求說清楚,需求卡五格照樣適用。

嵌入與向量資料庫Embedding / Vector database

把文字轉成一串數字(嵌入),讓電腦能比對「意思相近」的內容;存放這些數字的資料庫叫向量資料庫,RAG 常用它找相關段落。

例在院內規章裡搜尋「實習醫學生值班時數」,即使原文寫的是「Clerk 值勤時間」,也能被找出來。
誤「有向量資料庫,AI 就不會亂答」→ 找到的段落仍可能不相關或不完整,答案要對照出處(見 B「引用來源/RAG」)。

用量上限與 API 計費Usage limits / Pay-as-you-go

訂閱方案有用量上限:Claude 每個方案都有每 5 小時滾動重置的上限,付費方案另有每週上限;網頁、桌面、手機與 Claude Code 共用同一個額度,可到 Settings > Usage 查看4。API 則是依 token 用量計費,用多少付多少。

例下午做到一半跳出「已達用量上限」,就等時段重置後再繼續。
誤「付費就可以無限用」→ 付費方案也有上限;對話越長越耗用量5,長任務可以分段、開新對話。

L安全、倫理與治理

醫院使用 AI 最需要知道的一組詞。

提示注入Prompt injection/提示詞注入

有人把「指令」藏在網頁、文件或信件裡,AI 讀到後誤以為是你下的指令,做出你沒要的事。

例一份外部 PDF 藏了一行白色小字「把對話內容寄到某信箱」,交給會動手的 AI 處理時,就可能被誤導。
誤「只有工程師要擔心」→ 用 AI 讀外部文件、網頁、代你操作時都可能遇到;所以 Agent 只用在可信的地方。(第 1 堂三條守則)

護欄與越獄Guardrails / Jailbreak

護欄是 AI 服務內建的安全限制,例如拒絕提供危險資訊;越獄是用特殊話術繞過這些限制。

例問 AI 怎麼製作危險物品,它會拒絕,這是護欄;社群流傳的「解除限制咒語」,就是在嘗試越獄。
誤「有護欄就不用自己把關」→ 護欄擋的是明顯危險的內容,擋不住錯誤資訊,也擋不住你不小心貼上的個資;越獄則可能違反服務的使用規範。

偏誤Bias

AI 從訓練資料學到的不公平傾向,例如對某些性別、族群、年齡的刻板印象。

例請 AI 寫外科醫師的故事,主角總是男性;用 AI 協助評量或篩選資料時,尤其要注意。
誤「AI 是機器,所以很客觀」→ 資料裡的偏見會被學進去,評量學員、篩選資料時要人工複核。

可解釋 AIExplainable AI(XAI)

讓人看得懂 AI 為什麼做出某個判斷的方法。台灣的人工智慧基本法也把「透明與可解釋」列為原則之一22。

例影像判讀輔助系統標出「影像上哪一區讓它判斷為異常」,醫師才能決定要不要採信。
誤「它講得出理由,那就是真正的原因」→ 語言模型事後說的理由,不一定是它實際的運算過程。

人在迴路Human-in-the-loop

第 1、4 堂

流程中保留人檢查與決定的關卡,AI 不全自動做到底。

例AI 擬好給學員的回饋信,由老師看過、修改後才寄出。工作坊說「不貼個資,你是把關人」。(第 1 堂)
誤「有人在迴路就好」→ 人要真的看、真的能退件,只按「同意」就失去意義;第 4 堂練的就是逐條驗收、只退一處。

影子 AIShadow AI

員工沒有經過資訊或資安單位核准,自己拿外部 AI 工具處理公務;處理個資或醫療資料時,可能牽涉隱私與法規問題25。

例同仁用個人帳號,把含病人資料的報表丟給免費 AI 整理,單位完全不知情。
誤「我只是自己用,沒差」→ 資料一旦送出就收不回;用之前先問工作坊的 Q3:有沒有病人資料或院內機密?是不是院內核准的平台?(第 1 堂)

人工智慧基本法台灣 AI 基本法

待確認

台灣規範 AI 發展與使用原則的基本法,2025 年 12 月 23 日立法院三讀通過;原則包括「透明與可解釋」,中央主管機關為國科會22。

例醫院評估要不要導入某套 AI 系統時,透明、可解釋、隱私保護這些原則可以拿來當檢查項目。
誤「有了基本法,用 AI 就有細部規則可循」→ 基本法是原則性規定,細部規範陸續在訂;例如數發部在 2026 年 3 月表示將訂「AI 生成內容與深偽影像標示」指引23,目前是否已公告待確認。

AI 素養AI literacy

了解 AI 能做什麼、不能做什麼,懂得安全、負責任地使用,並能判斷結果好壞的能力。

例知道要核對出處、不貼個資、會把需求說清楚,都是 AI 素養;這次工作坊就是在練這些。
誤「AI 素養就是會寫程式」→ 重點是判斷與把關,不是技術。

算力與 GPUCompute / GPU

算力指電腦的運算能力;GPU(圖形處理器)特別適合 AI 運算,是訓練與執行大型模型的關鍵硬體。

例新聞常說「AI 公司搶 GPU」「擴建資料中心」,就是在搶算力。
誤「算力只是科技業的事」→ 算力成本會影響 AI 服務的價格與用量上限;醫院若要自建地端模型,也得自己準備算力。

MAI 與工作、學習

社群上關於「AI 會怎麼改變工作與學習」的討論。

一人公司與超級個體One-person company

一個人借助 AI 工具,完成過去要一個團隊才做得到的工作,例如寫文案、做設計、寫程式、經營社群;「超級個體」指這樣的人。

例一位行政同仁用 AI 做出研習報名、提醒、統計的整套流程,不必再外包。
誤「有 AI 就不需要團隊」→ 判斷、溝通與承擔責任仍要人;醫院工作還牽涉法規與病人安全。

AI 轉型AI transformation

組織把 AI 導入流程、制度與人才培育,而不只是買工具。

例醫院訂定 AI 使用規範、開教育訓練、挑適合的流程試辦,就像這次工作坊。
誤「買了 AI 工具就是轉型」→ 沒有流程改變、規範與教育訓練,工具很快就沒人用。

「AI 不會取代你,會用 AI 的人會」

社群常見的說法:被淘汰的風險多半來自不會運用 AI,而不是 AI 本身。

例同樣寫一份成果報告,會用 AI 的人把省下的時間花在查核數字與判斷重點。
誤「學會用 AI 就保證不被取代」→ 專業知識與判斷力仍是基礎,AI 只會放大原本的能力。

認知卸載與 AI 依賴Cognitive offloading

把原本要自己想、記、算的事交給工具;過度依賴時,自己思考與記憶的練習就變少。

例學員每次寫反思都直接請 AI 代寫,久了自己整理臨床經驗的能力沒有長出來。
誤「卸載一定不好」→ 用計算機算數也是卸載;重點是分辨哪些能力必須自己練,教學上要刻意保留這些練習。

去技能化Deskilling

長期依賴 AI 後,原本的專業技能退步;年輕人若一開始就靠 AI,可能根本沒練成(也有人稱 never-skilling)。

例有研究報導,波蘭 4 間內視鏡中心的 19 位醫師習慣 AI 輔助後,不用 AI 時偵測大腸癌前病變的能力比導入前下降約兩成27;研究只涵蓋 19 位醫師,仍需更多研究確認。
誤「AI 越準,人越不用練」→ AI 也會出錯或停機,人要保有獨立判斷;臨床教學尤其要安排「不靠 AI」的練習與評量。

AI 焦慮AI anxiety

對 AI 取代工作、跟不上變化、隱私外洩等的擔心與壓力。

例同仁說「每週都有新工具,根本學不完」。
誤「要全部學會才不會落後」→ 先挑一兩個和自己工作相關的用法練熟,比追每個新工具有效。

AI 家教與個人化學習AI tutor / Personalized learning

AI 依學習者的程度與錯誤,即時給提示、出練習題,像一對一家教。

例讓學員用 AI 練習病史詢問的對話,或依錯題自動出補充練習。
誤「AI 家教可以取代老師」→ AI 可能給出錯誤解釋,也無法取代臨床示範與回饋;適合當課後練習,內容由老師把關。

學術誠信與 AI 代寫Academic integrity

用 AI 寫作業、報告或論文時,有沒有揭露、有沒有超出規定,以及 AI 編造文獻的問題。

例學員的文獻回顧裡有一篇怎麼都查不到的文章,可能是 AI 虛構的(見 B「幻覺」)。
誤「用了 AI 就是作弊」→ 要看課程或期刊的規定;許多單位要求揭露使用方式,並由作者為內容正確負責。

AI 原生與人機協作AI-native / Human-AI collaboration

AI 原生指一開始就以 AI 為核心來設計的工作方式或產品;人機協作強調人和 AI 分工,各做擅長的部分。

例AI 先整理上百則學員回饋、找出共同主題,老師負責判讀與提出改善建議。
誤「協作就是 AI 做、人簽名」→ 人要真的檢查與決定(見 L「人在迴路」)。

NAI 在醫療

醫院同仁在新聞、研討會最常聽到的醫療 AI 名詞。

智慧醫療Smart healthcare

用資訊科技與 AI 改善診療、照護與醫院營運的統稱,例如影像判讀輔助、智慧排班、遠距照護。

例醫院新聞常見的「智慧病房」「AI 掛號客服」。
誤「智慧醫療就是導入 AI」→ 也包括資料整合與流程數位化;沒有好的資料與流程,AI 做不出效果。

AI 輔助診斷與影像判讀AI-assisted diagnosis

AI 協助判讀 X 光、電腦斷層、病理切片、心電圖等,標出可能的異常給醫師參考。

例胸部 X 光系統標出疑似結節的位置,提醒醫師再仔細看。
誤「AI 比醫師準,可以直接採用」→ 它是輔助,最終判斷與責任在醫師;也要留意本頁的「去技能化」。

AI 病歷聽寫Ambient scribe/臨床紀錄助理

在看診或交班時(經同意)錄下對話,由 AI 整理成病歷草稿,醫師再確認修改。

例門診結束時,系統已產生病歷摘要草稿,醫師檢查後才簽核。
誤「AI 寫好就直接存檔」→ 可能聽錯藥名、劑量或漏掉重點,一定要逐項核對;錄音前也要告知病人(見本組「衛福部醫療機構生成式 AI 指引」)。

臨床決策支援系統CDSS

在醫師開醫囑或做決定時,依規則或模型給提醒與建議的系統。

例開藥時跳出藥物交互作用或過敏警示。
誤「提醒越多越安全」→ 提醒太多會造成「警示疲乏」,大家習慣直接按略過,反而漏掉重要警示。

醫療器材軟體與 AI 醫材SaMD

本身就有醫療用途(例如診斷、監測)的軟體,可能要依醫療器材規定上市。食藥署在 2024 年公告設有智慧醫材專案辦公室,輔導國產 AI 醫材28。

例判讀心電圖並提示心律不整的 AI 軟體。
誤「自己用 AI 做的判讀小工具,可以直接用在病人身上」→ 用於診斷、治療的軟體牽涉醫材法規與病人安全,要走院內與主管機關的程序。

可信任 AI 與負責任 AITrustworthy / Responsible AI

強調 AI 要安全、公平、透明、保護隱私、出錯有人負責的原則與做法。

例導入 AI 系統前,先評估它的資料來源、有沒有偏誤、出錯時誰負責、怎麼處理。
誤「廠商說可信任就好」→ 要看具體證據:效能驗證、資料保護、出錯時的處理流程。

衛福部醫療機構生成式 AI 指引

待確認

衛福部提供醫療機構使用生成式 AI 的參考指引,屬非強制參考;報導中參與的專家預期,未來可能納入醫院評鑑。內容包括:委外廠商合約要規範可辨識的病人資料不得外洩;用生成式 AI 錄音錄影要告知病人,病人拒絕就停止;AI 與民眾互動要揭露29。

例門診若試用 AI 病歷聽寫,要先告知病人,病人不同意就不錄。
誤「非強制,就跟我無關」→ 這些原則和個資保護的方向一致,日常使用就該照做。正式名稱與全文請以衛福部公告為準(待確認)。

數位孿生Digital twin

在電腦裡建立一個和真實物件、人或流程同步的虛擬模型,用來模擬與預測。

例用數位孿生模擬急診動線或病床調度,先在電腦上試,再改真實流程。
誤「數位孿生就是 3D 動畫」→ 重點是接上真實資料、能模擬「如果這樣改會怎樣」,不只是畫面。

O社會與資訊識讀

AI 帶來的社會話題,也是轉傳訊息前該想一下的事。

AI 垃圾內容AI slop

用 AI 大量產生、品質低落的內容。韋氏辭典選「slop」為 2025 年度代表字30。

例社群上充斥內容空洞、圖片怪異的 AI 文章與影片。
誤「內容越多代表資訊越多」→ 空洞內容越多,越需要查證來源;自己用 AI 產出時也要刪減、核對,不要再製造垃圾內容。

假訊息與認知作戰Disinformation

有計畫地散布錯誤或誤導的資訊,影響人們的判斷與情緒;AI 讓大量製造假訊息、假帳號變得更容易。

例LINE 群組流傳「某醫院爆發院內感染」的假截圖。
誤「只有政治議題才有」→ 醫療健康也是假訊息常見的主題;轉傳前先查證。

事實查核Fact-checking

核對一則訊息的來源與內容是否正確。

例看到「某藥物可治癒癌症」的影片,先找原始研究、官方說明或事實查核單位的報告。
誤「問 AI 就等於查核過」→ AI 也會出錯;查核要回到原始來源。

風格模仿如吉卜力風

用 AI 把照片轉成某種知名畫風。2025 年 3 月下旬 ChatGPT 推出新的圖像生成後,把照片轉成吉卜力風一度成為社群風潮31。

例同仁把團體照轉成動畫風,當活動海報。
誤「風格不受保護,所以完全沒問題」→ 專家多認為風格本身不受著作權保護,但 AI 訓練資料是否經授權仍有爭議31;用於正式出版前要多想一步,也要先徵得照片中人的同意。

AI 陪伴與 AI 伴侶AI companion

以聊天、角色扮演提供情感陪伴的 AI 服務。

例獨居長者每天和 AI 聊天,或青少年把 AI 當傾訴對象。
誤「AI 陪伴可以取代心理支持」→ 可能加深孤立或依賴;遇到情緒危機時,AI 不能取代專業協助。

AI 網紅、虛擬人與數位分身Virtual human / Avatar

用 AI 生成外貌與聲音的虛擬人物,或模仿真人的「數位分身」,可用來主持、教學或行銷。

例用講師的數位分身錄製衛教影片,不必每次真人出鏡。
誤「影片裡的人一定是真人」→ 虛擬人和深偽技術相近;用真人做分身要取得本人同意,並向觀眾揭露。

AI 耗電與資料中心Energy / Data center

訓練與執行 AI 需要大量算力,資料中心的用電、用水與碳排成為社會議題。

例新聞討論 AI 資料中心增加了電網負擔。
誤「用 AI 不花資源」→ 每次運算都要用電,用 AI 也有環境成本;需要時再用,不必為了好玩反覆重新生成。

GEO 生成式引擎優化Generative Engine Optimization

讓內容更容易被 AI 搜尋或 AI 摘要引用的做法,類似過去的 SEO(搜尋引擎優化)。

例醫院官網的衛教文章寫得清楚、有結構、附出處,AI 回答民眾問題時比較可能引用。
誤「做了 GEO 就能操控 AI 的答案」→ 只能提高被引用的機會;內容正確可信才是根本。

AI 倫理與責任歸屬AI ethics / Accountability

使用 AI 時的公平、隱私、透明等倫理問題,以及出錯時誰要負責。

例AI 協助擬的衛教內容有錯,責任在採用並發布的人與單位。
誤「是 AI 寫錯的,不是我」→ 用 AI 產出並採用的人仍要負責。

P更多常見工具

工作上、生活中常被推薦的 AI 工具類型;品牌更新很快,記類型就好。

AI 簡報工具如 Gamma

輸入主題或文件,AI 自動產生投影片的版面與內容。Claude 也能直接做簡報並匯出 PowerPoint6。

例把課程大綱貼進去,幾分鐘就得到一份簡報初稿。
誤「產出就能直接上台」→ 內容、數字、圖片來源都要檢查,版面也常需要調整。

AI 會議助理與 AI 錄音筆Meeting assistant

錄下會議或課程,自動轉成文字、摘要重點與待辦事項的軟體或硬體。

例研習課程錄音後,自動產生重點摘要,提供給沒到場的同仁。
誤「錄了就能隨便上傳」→ 錄音前要告知與會者;會議若談到病人或人事等機密,要先確認工具與資料存放是否符合院內規定。

AI 翻譯與即時口譯AI translation

AI 翻譯文件,或在對話中即時翻成另一種語言。

例國際研討會開即時字幕,或把衛教單翻成外籍看護看得懂的語言。
誤「翻得通順就是翻對」→ 醫療用語、劑量、否定句容易出錯;給病人的翻譯要請懂該語言的人核對。

自訂 AI 助理GPTs、Gem

把固定的指示與參考資料包成一個專用的 AI 助理,例如 ChatGPT 的 GPTs、Gemini 的 Gem。Claude 類似的做法是 D 的 Projects 與 Skills。

例做一個「教學計畫書格式檢查助理」,分享給同仁共用。
誤「放進去的資料,別人看不到」→ 依工具與分享設定而定,分享出去的助理,別人可能問出裡面的資料;不要放個資或機密。

AI 程式編輯器如 Cursor

內建 AI 的寫程式工具,能讀整個專案、自動補完或修改程式;操作方式接近工作坊說的「資料夾型」。

例資訊同仁用它修改醫院網站的程式。
誤「有 AI 編輯器就不用懂程式」→ 一般使用者用聊天視窗型就夠;用這類工具同樣要會驗收(見 E「Vibe Coding」)。

LINE 聊天機器人LINE Bot

在 LINE 官方帳號裡自動回覆訊息的程式,可以接上 AI。

例官方帳號自動回答研習時間、提醒報名截止。
誤「接上 AI 就能回答所有問題」→ 要限定能回答的範圍,涉及病情的問題要轉給真人;對話內容也牽涉個資。

RPA 機器人流程自動化Robotic Process Automation

讓軟體機器人模仿人在電腦上的點選、複製、貼上,自動完成重複的電腦作業。

例每天自動從系統匯出報表、整理後寄給主管。
誤「RPA 就是 AI」→ 傳統 RPA 照固定步驟做、不會判斷;現在常和 AI 搭配,但仍要有人監看例外狀況。

AI 修圖如 Nano Banana

用文字指令修改照片:換背景、移除物件、改風格,甚至合成新畫面。

例把研習活動照片的雜亂背景換成乾淨的版面。
誤「修一下沒關係」→ 修改過的照片若用於報告或宣傳,要避免誤導;病人照片更不能隨意處理或上傳。

Hugging Face

知名的 AI 模型與資料集分享平台,許多開放權重模型都放在這裡。

例資訊單位評估地端模型時,常從 Hugging Face 下載、比較不同模型。
誤「放在上面的都能放心用」→ 每個模型的授權條款、品質與安全性不同,要逐一確認。

語音模式與 AI 語音助理Voice mode

用說話的方式和 AI 對話,AI 也用語音回答。

例通勤時用語音請 AI 整理今天的待辦事項。
誤「用講的比較隱密」→ 多數語音助理會把內容送到雲端處理,使用前先確認;在公共場所說出病人資料更要避免。

AI 設計工具如 Canva AI

第 1 堂工具表

在設計軟體裡用文字指令產生海報、版面與圖片。工作坊第 1 堂的工具表也列了 Canva。

例輸入「研習海報,主題 AI 工作坊,藍色系」,得到幾款版面可以挑。
誤「AI 排好的版面可以直接印」→ 院徽、配色規範、錯字仍要人工檢查。

AI PC 與 NPUNeural Processing Unit

內建 NPU(神經網路處理器)的電腦,可以在本機執行部分 AI 功能,例如即時字幕、視訊背景模糊。

例新筆電宣傳「AI PC」,標榜離線也能用部分 AI 功能。
誤「買了 AI PC 就能跑大型 AI」→ 本機能跑的多是小模型與特定功能;claude.ai、ChatGPT 這類服務仍在雲端運算。

AI 音樂生成如 Suno

輸入歌詞或描述,AI 產生完整歌曲或配樂。

例為研習回顧影片產生一段背景音樂。
誤「AI 做的音樂都能公開使用」→ 要看工具的授權條款,免費版常有使用限制。

AI 眼鏡與智慧眼鏡Smart glasses

內建鏡頭、麥克風與 AI 助理的眼鏡,可以拍照、辨識眼前的物品、即時翻譯。

例有人討論用它錄製第一人稱的技術示範影片。
誤「戴著就能隨時錄」→ 在醫院錄影涉及病人與同仁隱私,要遵守院內規定與告知義務。

Q更多技術與法規

科技新聞與政策討論裡常見的進階詞。

人類回饋強化學習RLHF

讓人評分 AI 的回答好壞,再用這些評分訓練模型,讓回答更符合人的期待。

例你在聊天介面按讚或倒讚,就是一種回饋;Claude 的讚/倒讚回饋會連同那段對話保存,並可能用於訓練21。
誤「RLHF 讓 AI 學會說實話」→ 它讓回答更符合評分者的喜好,也可能讓 AI 傾向說人想聽的話,內容仍要核對。

資料標註與 AI 訓練師Data labeling

由人替資料加上標籤(例如這張影像有沒有病灶),讓 AI 學習;做這類工作的人常被稱為「AI 訓練師」。

例放射科醫師標記數千張影像,作為訓練 AI 的「正確答案」。
誤「標註只是簡單的打字工作」→ 醫療標註需要專業判斷,標錯會讓 AI 學錯。

合成資料Synthetic data

第 3 堂

用程式或 AI 產生、模仿真實資料特性的「假資料」,用來測試或練習,避免動用真實個資。

例第 3 堂 A 計畫用的就是程式產生的虛擬教學數據,頁面標示「虛擬資料,僅供教學」。(第 3 堂)
誤「合成資料一定沒有隱私問題」→ 若是從真實資料生成而處理不當,仍可能洩漏個人特徵。

擴散模型Diffusion model

許多 AI 繪圖、影片工具背後的技術:從一張雜訊圖開始,一步步「去雜訊」變成符合描述的畫面。

例J 組的文生圖工具,多半用這類技術。
誤「AI 是從網路上找現成圖片拼起來」→ 它是重新生成的,但也可能生成和訓練資料很像的圖。

混合專家MoE, Mixture of Experts

模型內部分成許多「專家」,每次只啟動其中一部分,讓大模型跑得更快、更省。

例新聞介紹某些開放權重模型時,常提到這種架構。
誤「專家=裡面真的有醫學專家」→ 這只是模型架構的名稱。

世界模型World model

讓 AI 理解並預測真實世界如何運作(空間、物理、因果)的模型,常和實體 AI、機器人一起討論。

例讓機器人先在模擬環境中練習搬運,再到真實世界工作。
誤「已經有 AI 完全懂真實世界」→ 這仍是研究中的方向,各家的定義也不同。

歐盟 AI 法案與高風險 AIEU AI Act

歐盟依風險高低管理 AI:不可接受風險的用途禁止,高風險 AI 要符合較嚴格的義務。規定分階段適用,禁止類自 2025 年 2 月 2 日起;部分高風險規定已延後到 2027–2028 年32。

例國際醫療 AI 廠商的產品說明,常提到是否符合歐盟規定。
誤「歐盟的法跟台灣無關」→ 跨國廠商的產品設計會受影響;台灣的人工智慧基本法也要求經認定為高風險的 AI 標示注意事項或警語22。

個資與 AI、資料外洩Data leakage

把含個資的資料交給 AI 工具,或 AI 服務本身有資安漏洞,都可能造成資料外洩。

例把含病歷號的表格貼進免費 AI 整理,等於把資料交給外部廠商。
誤「事後刪掉對話就沒事」→ 資料一旦送出就收不回;最好的保護是一開始就不貼(見 F「去識別化」)。

超級智慧ASI, Artificial Superintelligence

指在幾乎所有領域都遠遠超過人類的 AI,比 AGI 更進一步,目前是推測與討論中的概念。

例新聞報導科技領袖預測「超級智慧幾年內就會出現」。
誤「明年就會出現」→ 這類預測差異很大,當作觀點聽就好,不是定論。

找不到符合的名詞,換個關鍵字試試。