iCloud+ ：https://icloud.owo.nz/
Apple One ：https://appleone.owo.nz/
快速对比哪个区的 iCloud+ 和 Apple One 价格
iCloud+ 是印度，Apple One 则是尼日利亚
📮投稿 📢频道 💬群聊
直达： https://firebase.studio
只需通过自然语言描述需求或上传图片，AI 即可快速生成完整的应用程序代码
支持React、Next.js、Angular、Vue.js、Flutter、Android、Node.js、Java、Python Flash 等多种语言和框架
目前完全免费
📮投稿 📢频道 💬群聊
https://www.newmobilelife.com/2025/04/10/限時免費-photo-remove-object-amp-eraser/
DeepSite 基于 DeepSeek-V3-0324，无需编程基础，只需要自然语言就可以快速生成网页！
支持多模态输出，可以做网页应用、小游戏等。生成之后还可以一键部署至Hugging Face Space
📮投稿 📢频道 💬群聊
【重點筆記】
* 公司背景與核心理念：
* 玩美移動 (Perfect Corp.) 由訊連科技分拆成立，10 年來專注於 Beauty & Fashion 垂直領域的 AI+AR 應用。
* 核心理念：技術本身無價值，除非能解決使用者痛點 (Pain Point)，為客戶（B 端或 C 端）增加營收、降低成本或提升效率。
* AI 技術的應用演進歷程：
* 2015 年起 (Machine Learning):
* 應用：虛擬試妝 (解決消費者難以預覽上妝效果的痛點)。
* 優勢：早期採用 AI training，精準度高於競爭對手。
* Deep Learning 階段：
* 應用：膚色/膚質/膚況分析 (相機+AI 分析臉部特徵，如 9000 多種膚色、乾燥度、皺紋等)。
* 價值：提供更個人化的美妝建議。
* GAN AI 階段：
* 實現了一些過去做不到的功能，但屬於過渡。
* Generative AI 階段 (2022 年底起):
* 重大突破：實現了過去難以做到的虛擬髮型更換。
* 圖像生成大躍進：文字生成圖像能力大幅提升（GPT-4o 較一兩年前提升 5 倍以上）。
* 應用 Diffusion model 處理圖像。
* 關鍵： 持續追蹤 AI 技術進展 (約每兩年有一次 Model 大升級)，並將新技術應用於解決垂直領域的特定問題，創造新價值。
* 對 Generative AI 的看法與未來展望：
* GenAI 的進步（如文字生圖、文字生影像）就像當年的「小畫家」，初期驚艷，未來將普及化。
* 未來趨勢： 人人都可以是創作者/導演（用 LLM 寫劇本 -> AI 生成影片）。
* 態度： 無法迴避，應擁抱 AI 帶來的挑戰與機會。
* AI 工具將廣泛應用於各行各業及內部工作流程。
* 商業模式： B2B (服務品牌客戶) + B2C (面向終端使用者的 App)。
【心得與反思】
* 張執行長的分享提供了一個非常具體的 AI 落地應用案例，完美詮釋了「技術必須解決實際問題才有價值」的硬道理。
* 玩美移動的發展歷程清晰地展示了 AI 技術如何一步步從 ML、DL 到 GenAI，不斷賦能新的應用場景（試妝 -> 膚質分析 -> 髮型更換 -> 圖像生成），體現了企業需與時俱進，持續將新技術轉化為商業價值的必要性。
* 在 Beauty & Fashion 這個垂直領域深耕，並利用 AI/AR 技術深入解決該領域的痛點，是其成功的關鍵。
* 對於 GenAI 帶來的變革，抱持著非常正面和擁抱的態度，並預見其將使內容創作大眾化，這觀點富有洞察力。
* 相較於前兩場偏向政策與宏觀策略，這一場提供了寶貴的企業實戰經驗，證明了 AI 不僅是未來趨勢，更是當下可以創造巨大商業價值的工具。
希望這些筆記和心得對您有所幫助！
https://youtu.be/e56eEwgXVZU?si=3L0cxUeeLXMTNSxY
https://youtu.be/jgUuN7aimQY?si=59FgxH8x3Noebwwg
https://youtu.be/eMXJzBBKugQ?si=k10WpYhfliUvNk6q
* 公司背景與核心理念：
* 玩美移動 (Perfect Corp.) 由訊連科技分拆成立，10 年來專注於 Beauty & Fashion 垂直領域的 AI+AR 應用。
* 核心理念：技術本身無價值，除非能解決使用者痛點 (Pain Point)，為客戶（B 端或 C 端）增加營收、降低成本或提升效率。
* AI 技術的應用演進歷程：
* 2015 年起 (Machine Learning):
* 應用：虛擬試妝 (解決消費者難以預覽上妝效果的痛點)。
* 優勢：早期採用 AI training，精準度高於競爭對手。
* Deep Learning 階段：
* 應用：膚色/膚質/膚況分析 (相機+AI 分析臉部特徵，如 9000 多種膚色、乾燥度、皺紋等)。
* 價值：提供更個人化的美妝建議。
* GAN AI 階段：
* 實現了一些過去做不到的功能，但屬於過渡。
* Generative AI 階段 (2022 年底起):
* 重大突破：實現了過去難以做到的虛擬髮型更換。
* 圖像生成大躍進：文字生成圖像能力大幅提升（GPT-4o 較一兩年前提升 5 倍以上）。
* 應用 Diffusion model 處理圖像。
* 關鍵： 持續追蹤 AI 技術進展 (約每兩年有一次 Model 大升級)，並將新技術應用於解決垂直領域的特定問題，創造新價值。
* 對 Generative AI 的看法與未來展望：
* GenAI 的進步（如文字生圖、文字生影像）就像當年的「小畫家」，初期驚艷，未來將普及化。
* 未來趨勢： 人人都可以是創作者/導演（用 LLM 寫劇本 -> AI 生成影片）。
* 態度： 無法迴避，應擁抱 AI 帶來的挑戰與機會。
* AI 工具將廣泛應用於各行各業及內部工作流程。
* 商業模式： B2B (服務品牌客戶) + B2C (面向終端使用者的 App)。
【心得與反思】
* 張執行長的分享提供了一個非常具體的 AI 落地應用案例，完美詮釋了「技術必須解決實際問題才有價值」的硬道理。
* 玩美移動的發展歷程清晰地展示了 AI 技術如何一步步從 ML、DL 到 GenAI，不斷賦能新的應用場景（試妝 -> 膚質分析 -> 髮型更換 -> 圖像生成），體現了企業需與時俱進，持續將新技術轉化為商業價值的必要性。
* 在 Beauty & Fashion 這個垂直領域深耕，並利用 AI/AR 技術深入解決該領域的痛點，是其成功的關鍵。
* 對於 GenAI 帶來的變革，抱持著非常正面和擁抱的態度，並預見其將使內容創作大眾化，這觀點富有洞察力。
* 相較於前兩場偏向政策與宏觀策略，這一場提供了寶貴的企業實戰經驗，證明了 AI 不僅是未來趨勢，更是當下可以創造巨大商業價值的工具。
希望這些筆記和心得對您有所幫助！
https://youtu.be/e56eEwgXVZU?si=3L0cxUeeLXMTNSxY
https://youtu.be/jgUuN7aimQY?si=59FgxH8x3Noebwwg
https://youtu.be/eMXJzBBKugQ?si=k10WpYhfliUvNk6q
好的，這是一份根據您提供的 PDF 檔案內容，為每一場議程整理的重點筆記與心得：
第一場：數位發展部 林宜敬 政務次長
主題：在安全可靠的 AI 未來，政府的角色與責任
【重點筆記】
* AI 創新的動力來源：
* 強調 AI 的主要創新力量應來自民間的自由競爭，而非政府主導（舉例：美國 ChatGPT、中國 DeepSeek 等皆源自民間）。
* 民間企業具備活力與衝勁，能做出最好的創新。
* 政府的角色：建立健康的 AI 生態系
* 政府的責任是利用五大政策工具（算力、資料、人才、行銷、資金），創建有利於 AI 產業（特別是新創）發展的環境。
* 五大政策工具詳述：
* 算力 (Computing Power):
* 數位部與國科會提供有限的免費 GPU 算力（H100, MI300X）給學術界及民間新創，主要用於驗證初期想法 (Proof of Concept)。
* 不大量提供是為了避免扼殺民間算力池的商業機會，維持生態系健康。
* 會定期舉辦說明會並有申請時程。
* 資料 (Data):
* 區分政府/民間著作權、結構化/非結構化、含/不含個資等不同資料類型。
* 政府資料開放：
* 透過修訂《促進資料創新利用發展條例》（草案）及「資料匯流與隱私強化計畫」處理政府著作權資料。
* 建立資料目錄 Proxy (Schema)，而非直接匯集資料，AI 研究人員透過此 Proxy 申請所需資料。
* 資料提供前會進行去識別化與匯整 (Join)，加速流程並保護個資。
* 台灣主權 AI 訓練語料庫：
* 開放政府公開資料（施政報告、研究報告等）並鼓勵民間捐贈著作權。
* 目標：讓國內外 LLM 都能納入台灣觀點，並解決 LLM 訓練時繁體中文資料量少及版權疑慮問題。
* 民間資料共享：
* 鼓勵產業公協會（如銀行業的「銀眼視在聯盟」）進行去識別化後的資料共享，以利 AI 模型訓練（如抓詐騙洗錢）。
* 人才 (Talent):
* 區分三類人才：使用 AI 工具提升生產力者、用工具訓練 AI 模型者、研究 AI 者。
* 數位部主要負責培育前兩類人才，與人工智慧學校、資策會等民間機構合作，利用民間力量發展 AI 人才培訓產業。
* 行銷 (Marketing):
* 企業最需要的是穩定訂單，而非僅有補助。
* 舉辦產業別 Demo Day，媒合 AI 供應商與潛在客戶，協助廠商拿訂單。
* 提供廠商練習簡報技巧的機會，為國際市場做準備。
* 已在健康照護、醫療系統 (HIS)、金屬成型等領域舉辦，成效良好。
* 資金 (Funding):
* 與國發基金匡列 100 億台幣，十年內投資國內 AI 新創及數位經濟產業（不含上市櫃公司）。
* 此為投資而非補助，政府在推動前四項政策時，亦同時尋找具潛力的投資標的（尤其是能打入國際市場者）。
* 已開始受理投資案申請。
* 總結： 政府透過五大工具創造生態，但 AI 的創新發展最終仍需依靠民間力量與創意。
【心得與反思】
* 次長明確點出政府在 AI 發展中扮演的是「賦能者」(enabler) 而非「主導者」(director) 的角色，這是一個務實且符合產業發展規律的定位。
* 五大政策工具涵蓋了 AI 發展的關鍵要素，思維相當周全。特別是「算力」提供以驗證為主、「資料」強調建立機制與語料庫、「行銷」著重實際訂單、「資金」以投資取代補助，都顯示出政府希望建立一個可持續發展而非依賴補貼的生態系。
* 「台灣主權 AI 訓練語料庫」的構想很有意義，不僅能提升台灣在國際 AI 模型中的能見度與觀點，也試圖解決 LLM 訓練的版權痛點。
* 資料匯流 Proxy 的設計，兼顧了資料取用效率與個資保護，是政府資料開放的重要基礎建設。
* 整體策略展現了政府希望透過系統性方法，打通 AI 產業發展的各個環節，並充分利用民間的能量。
第二場：台灣人工智慧學校 蔡明順 校務長
主題：從知識密集到 AI 增強：資訊服務業的轉型契機
【重點筆記】
* 時代背景與轉變：
* 資訊服務業 (ISI) 過去賣資訊不對稱（電腦化時代）。
* Internet 時代，訊息傳遞成本降至零，是典範轉移。
* AI 時代，內容生成成本趨近於零，是新的典範轉移。
* 資訊服務業需從過去的知識密集轉型為AI 增強 (AI-enhanced)。
* 科技革命週期：
* 科技革命約 30 年一個週期，且速度加快。AI 才剛開始，是 ISI 的絕佳機會。
* 回顧 50 年：電腦化（數位化、資料庫） -> 網路化（訊息傳遞成本降低） -> AI（內容生成成本降低）。
* 核心技術演進：資料庫/ERP -> Internet/電商/CRM -> LLM/AI Agent/Physical AI。
* AI 生態系與台灣機會：
* 金字塔結構：頂層（半導體製造，台灣強項）-> 中層（硬體平台，NVIDIA 主導，台廠機會）-> 底層（軟體服務，商模探索中）。
* 台灣 ISI 產值遠低於硬體產值（約 12-14 倍差距），存在巨大發展空間，應把握硬體優勢發展軟體服務。
* AI 發展階段與趨勢 (依 NVIDIA 觀點):
* 2012-2022：Deep Learning / 感知型 AI (特定資料/場景/模型，影像應用蓬勃)。
* 2022-至今：生成式 AI (LLM 為核心，處於底盤戰爭，模型趨向小型化、垂直化、推理化)。
* 進行中：AI Agent (模型嵌入流程，改變 Workflow，自動化決策)。
* 未來：Physical AI / 實體 AI 機器人 (LLM+實時數據+機器人，5-10 年內進入家庭)。
* 關鍵訊號與 2025 展望：
* 搜尋行為改變：年輕世代漸多使用 ChatGPT 等工具取代 Google Search。
* 開源 (Open Source)：降低成本，是企業採用的關鍵，也是資訊服務業的機會。
* LLM 趨勢：小型化 (用於 Edge/裝置端)、垂直產業化 (提升 Reasoning 能力)。
* 重點趨勢：Scaling-out (基建持續)、Small Model (Edge 應用)、Agent 發展、Open Source、Physical AI (軟硬整合新模式)、Memory 需求增、Security (資安機會)。
* 未來工作與價值轉移：
* 雙 T 無限理論：AI 能力線 vs. 專家能力線，未來是人機協作。
* 生態系價值：目前硬體 (NVIDIA/半導體) 獲利高，但預期未來十年價值將轉向軟體與服務 (類比 Mainframe -> Cisco -> Software 的歷程)。
* AI 工具、服務與應用：
* GenAI 可應用於企業各功能（產銷人發財法）。
* RAG 技術：目前常用，但可能隨技術演進而是過渡方案。
* MCP (Model Communication Protocol)：新的模型接口協議 (Anthropic/OpenAI)，值得 ISI 開發者關注。
* AI for Coding：大幅提升開發效率 (Software 1.0 -> 2.0 -> 2.5 (LLM/Fiber coding))，可重塑 SDLC。
* 應用實例：學生利用 AI 工具整理筆記、複習、出題；個人利用 NotebookLM 建立虛擬董事會進行決策輔助。
* Agent 發展：
* 展示 AutoGLM 範例，可執行跨 APP 任務（訂餐、排程）。未來 Agent 將處理更複雜的跨平台任務。
* 人才培育：
* ISI 徵才需求：GenAI 應用、數據分析、深度學習。
* 人才分類 (同林次長)：用 AI、做 AI、管 AI。高階人才需跨領域知識 (技術、法規、安全、對齊)。
* AI 學校推動：AI 素養認證 (普及)、LLM 工程應用認證 (技術)，與數位部合作人才分級。
* 結論： 台灣要成為 AI 科技島，需具備：研發人才、強健的軟硬體產業（ISI 扮演關鍵角色）、全民 AI 素養。
【心得與反思】
* 校務長從宏觀的科技史和產業變革角度，深刻剖析了 AI 帶來的典範轉移，以及資訊服務業面臨的挑戰與龐大機遇。
* 「從資訊不對稱到 AI 增強」的觀點，精準點出了 ISI 核心價值的轉變方向。
* 對於台灣硬體強、軟體弱的現狀，提出了應藉由 AI 浪潮，利用硬體優勢帶動軟體服務發展的策略思考，極具說服力。
* 對 AI 各階段發展（感知 -> 生成 -> Agent -> Physical AI）的梳理，以及對未來趨勢（小型化、垂直化、開源、Agent、軟硬整合）的預測，提供了清晰的技術路徑圖。
* 特別強調「開源」對企業採用和 ISI 的重要性，以及預期未來價值將從硬體轉向軟體的觀點，對產業的策略規劃很有啟發。
* 「AI for Coding」和 Agent 的發展，預示著軟體開發和工作模式的根本性變革。
* 人才培育的分類（用/做/管 AI）和 AI 學校的實踐，回應了產業對不同層次人才的需求。
第三場：玩美移動股份有限公司 張華禎 執行長 (Alice Chang)
主題：以 AI+AR 應用於 Beauty & Fashion 產業的實戰經驗分享
第一場：數位發展部 林宜敬 政務次長
主題：在安全可靠的 AI 未來，政府的角色與責任
【重點筆記】
* AI 創新的動力來源：
* 強調 AI 的主要創新力量應來自民間的自由競爭，而非政府主導（舉例：美國 ChatGPT、中國 DeepSeek 等皆源自民間）。
* 民間企業具備活力與衝勁，能做出最好的創新。
* 政府的角色：建立健康的 AI 生態系
* 政府的責任是利用五大政策工具（算力、資料、人才、行銷、資金），創建有利於 AI 產業（特別是新創）發展的環境。
* 五大政策工具詳述：
* 算力 (Computing Power):
* 數位部與國科會提供有限的免費 GPU 算力（H100, MI300X）給學術界及民間新創，主要用於驗證初期想法 (Proof of Concept)。
* 不大量提供是為了避免扼殺民間算力池的商業機會，維持生態系健康。
* 會定期舉辦說明會並有申請時程。
* 資料 (Data):
* 區分政府/民間著作權、結構化/非結構化、含/不含個資等不同資料類型。
* 政府資料開放：
* 透過修訂《促進資料創新利用發展條例》（草案）及「資料匯流與隱私強化計畫」處理政府著作權資料。
* 建立資料目錄 Proxy (Schema)，而非直接匯集資料，AI 研究人員透過此 Proxy 申請所需資料。
* 資料提供前會進行去識別化與匯整 (Join)，加速流程並保護個資。
* 台灣主權 AI 訓練語料庫：
* 開放政府公開資料（施政報告、研究報告等）並鼓勵民間捐贈著作權。
* 目標：讓國內外 LLM 都能納入台灣觀點，並解決 LLM 訓練時繁體中文資料量少及版權疑慮問題。
* 民間資料共享：
* 鼓勵產業公協會（如銀行業的「銀眼視在聯盟」）進行去識別化後的資料共享，以利 AI 模型訓練（如抓詐騙洗錢）。
* 人才 (Talent):
* 區分三類人才：使用 AI 工具提升生產力者、用工具訓練 AI 模型者、研究 AI 者。
* 數位部主要負責培育前兩類人才，與人工智慧學校、資策會等民間機構合作，利用民間力量發展 AI 人才培訓產業。
* 行銷 (Marketing):
* 企業最需要的是穩定訂單，而非僅有補助。
* 舉辦產業別 Demo Day，媒合 AI 供應商與潛在客戶，協助廠商拿訂單。
* 提供廠商練習簡報技巧的機會，為國際市場做準備。
* 已在健康照護、醫療系統 (HIS)、金屬成型等領域舉辦，成效良好。
* 資金 (Funding):
* 與國發基金匡列 100 億台幣，十年內投資國內 AI 新創及數位經濟產業（不含上市櫃公司）。
* 此為投資而非補助，政府在推動前四項政策時，亦同時尋找具潛力的投資標的（尤其是能打入國際市場者）。
* 已開始受理投資案申請。
* 總結： 政府透過五大工具創造生態，但 AI 的創新發展最終仍需依靠民間力量與創意。
【心得與反思】
* 次長明確點出政府在 AI 發展中扮演的是「賦能者」(enabler) 而非「主導者」(director) 的角色，這是一個務實且符合產業發展規律的定位。
* 五大政策工具涵蓋了 AI 發展的關鍵要素，思維相當周全。特別是「算力」提供以驗證為主、「資料」強調建立機制與語料庫、「行銷」著重實際訂單、「資金」以投資取代補助，都顯示出政府希望建立一個可持續發展而非依賴補貼的生態系。
* 「台灣主權 AI 訓練語料庫」的構想很有意義，不僅能提升台灣在國際 AI 模型中的能見度與觀點，也試圖解決 LLM 訓練的版權痛點。
* 資料匯流 Proxy 的設計，兼顧了資料取用效率與個資保護，是政府資料開放的重要基礎建設。
* 整體策略展現了政府希望透過系統性方法，打通 AI 產業發展的各個環節，並充分利用民間的能量。
第二場：台灣人工智慧學校 蔡明順 校務長
主題：從知識密集到 AI 增強：資訊服務業的轉型契機
【重點筆記】
* 時代背景與轉變：
* 資訊服務業 (ISI) 過去賣資訊不對稱（電腦化時代）。
* Internet 時代，訊息傳遞成本降至零，是典範轉移。
* AI 時代，內容生成成本趨近於零，是新的典範轉移。
* 資訊服務業需從過去的知識密集轉型為AI 增強 (AI-enhanced)。
* 科技革命週期：
* 科技革命約 30 年一個週期，且速度加快。AI 才剛開始，是 ISI 的絕佳機會。
* 回顧 50 年：電腦化（數位化、資料庫） -> 網路化（訊息傳遞成本降低） -> AI（內容生成成本降低）。
* 核心技術演進：資料庫/ERP -> Internet/電商/CRM -> LLM/AI Agent/Physical AI。
* AI 生態系與台灣機會：
* 金字塔結構：頂層（半導體製造，台灣強項）-> 中層（硬體平台，NVIDIA 主導，台廠機會）-> 底層（軟體服務，商模探索中）。
* 台灣 ISI 產值遠低於硬體產值（約 12-14 倍差距），存在巨大發展空間，應把握硬體優勢發展軟體服務。
* AI 發展階段與趨勢 (依 NVIDIA 觀點):
* 2012-2022：Deep Learning / 感知型 AI (特定資料/場景/模型，影像應用蓬勃)。
* 2022-至今：生成式 AI (LLM 為核心，處於底盤戰爭，模型趨向小型化、垂直化、推理化)。
* 進行中：AI Agent (模型嵌入流程，改變 Workflow，自動化決策)。
* 未來：Physical AI / 實體 AI 機器人 (LLM+實時數據+機器人，5-10 年內進入家庭)。
* 關鍵訊號與 2025 展望：
* 搜尋行為改變：年輕世代漸多使用 ChatGPT 等工具取代 Google Search。
* 開源 (Open Source)：降低成本，是企業採用的關鍵，也是資訊服務業的機會。
* LLM 趨勢：小型化 (用於 Edge/裝置端)、垂直產業化 (提升 Reasoning 能力)。
* 重點趨勢：Scaling-out (基建持續)、Small Model (Edge 應用)、Agent 發展、Open Source、Physical AI (軟硬整合新模式)、Memory 需求增、Security (資安機會)。
* 未來工作與價值轉移：
* 雙 T 無限理論：AI 能力線 vs. 專家能力線，未來是人機協作。
* 生態系價值：目前硬體 (NVIDIA/半導體) 獲利高，但預期未來十年價值將轉向軟體與服務 (類比 Mainframe -> Cisco -> Software 的歷程)。
* AI 工具、服務與應用：
* GenAI 可應用於企業各功能（產銷人發財法）。
* RAG 技術：目前常用，但可能隨技術演進而是過渡方案。
* MCP (Model Communication Protocol)：新的模型接口協議 (Anthropic/OpenAI)，值得 ISI 開發者關注。
* AI for Coding：大幅提升開發效率 (Software 1.0 -> 2.0 -> 2.5 (LLM/Fiber coding))，可重塑 SDLC。
* 應用實例：學生利用 AI 工具整理筆記、複習、出題；個人利用 NotebookLM 建立虛擬董事會進行決策輔助。
* Agent 發展：
* 展示 AutoGLM 範例，可執行跨 APP 任務（訂餐、排程）。未來 Agent 將處理更複雜的跨平台任務。
* 人才培育：
* ISI 徵才需求：GenAI 應用、數據分析、深度學習。
* 人才分類 (同林次長)：用 AI、做 AI、管 AI。高階人才需跨領域知識 (技術、法規、安全、對齊)。
* AI 學校推動：AI 素養認證 (普及)、LLM 工程應用認證 (技術)，與數位部合作人才分級。
* 結論： 台灣要成為 AI 科技島，需具備：研發人才、強健的軟硬體產業（ISI 扮演關鍵角色）、全民 AI 素養。
【心得與反思】
* 校務長從宏觀的科技史和產業變革角度，深刻剖析了 AI 帶來的典範轉移，以及資訊服務業面臨的挑戰與龐大機遇。
* 「從資訊不對稱到 AI 增強」的觀點，精準點出了 ISI 核心價值的轉變方向。
* 對於台灣硬體強、軟體弱的現狀，提出了應藉由 AI 浪潮，利用硬體優勢帶動軟體服務發展的策略思考，極具說服力。
* 對 AI 各階段發展（感知 -> 生成 -> Agent -> Physical AI）的梳理，以及對未來趨勢（小型化、垂直化、開源、Agent、軟硬整合）的預測，提供了清晰的技術路徑圖。
* 特別強調「開源」對企業採用和 ISI 的重要性，以及預期未來價值將從硬體轉向軟體的觀點，對產業的策略規劃很有啟發。
* 「AI for Coding」和 Agent 的發展，預示著軟體開發和工作模式的根本性變革。
* 人才培育的分類（用/做/管 AI）和 AI 學校的實踐，回應了產業對不同層次人才的需求。
第三場：玩美移動股份有限公司 張華禎 執行長 (Alice Chang)
主題：以 AI+AR 應用於 Beauty & Fashion 產業的實戰經驗分享
從比較偏向Marketing的角度，提供一些想法給你參考
1.從使用情境來對AI應用(或稱AI System)分類
例如，Gartner的文章中有提到4種分類，透過分類，可以大致區分對AI應用Output結果的接受程度(大家可以自定義分類)
(1)Both creative and versatile(兼具創造力和多功能性)，例如通用聊天機器人
(2)Creative yet specialized(具有創造性且專業)，例如廣告內容 AI 繪圖
(3)Versatile yet less creative(多功能但創意較少)，例如企業內部用聊天機器人
(4)Less creative and specialized(創造性較少且專業化)，例如AI 文法檢查器、筆記工具、翻譯器
2.使用AI Guardrail Tools來協助控制輸入輸出結果，例如Guardrails AI, Nvidia Nemo護欄工具(開源)
當使用工具時，就要定義數值，例如定義什麼情況下是偏見(Bias)，什麼情況下不準(Accuracy)，透過上面的分類，比較容易去界定一個區間
1.從使用情境來對AI應用(或稱AI System)分類
例如，Gartner的文章中有提到4種分類，透過分類，可以大致區分對AI應用Output結果的接受程度(大家可以自定義分類)
(1)Both creative and versatile(兼具創造力和多功能性)，例如通用聊天機器人
(2)Creative yet specialized(具有創造性且專業)，例如廣告內容 AI 繪圖
(3)Versatile yet less creative(多功能但創意較少)，例如企業內部用聊天機器人
(4)Less creative and specialized(創造性較少且專業化)，例如AI 文法檢查器、筆記工具、翻譯器
2.使用AI Guardrail Tools來協助控制輸入輸出結果，例如Guardrails AI, Nvidia Nemo護欄工具(開源)
當使用工具時，就要定義數值，例如定義什麼情況下是偏見(Bias)，什麼情況下不準(Accuracy)，透過上面的分類，比較容易去界定一個區間
2025 AIA 春季論壇 開源模型的衝擊與對應
https://www.youtube.com/watch?v=4bjAMfEWbf4
筆記
https://hackmd.io/@lanss/SyObau96Jl
有興趣的朋友可以參考
https://www.youtube.com/watch?v=4bjAMfEWbf4
筆記
https://hackmd.io/@lanss/SyObau96Jl
有興趣的朋友可以參考
