健保資料能訓練 AI 嗎？三道門檻看懂
健保資料可以支援醫療 AI 訓練，但要先過目的外利用與退出權、資料品質、臨床驗證三道門檻。本文整理台灣受控資料流程、模型跨院驗證，以及 2026 年 8 月法規施行後的申請時效。
AI
66 篇文章
AI 為何會在 vibe coding 部署時提到 Cloudflare？新雲端服務如何進入建議清單
從 vibe coding 的建站與部署流程，分析 Cloudflare 可能進入 AI 建議清單的原因，以共同維度比較 Vercel、Netlify 與 Firebase，並整理可驗證的實作路徑。
AI 醫材能自己更新嗎？PCCP與臨床責任
AI 醫材可以更新，更新本身也要被當成臨床流程管理。從 TFDA PCCP 到醫院的版本、資料、介面與人工覆核，逐項拆解模型改版後誰要負責。
AI模型選型怎麼做？企業評估成本、資料與部署
AI模型選型要先從任務與資料開始，再用真實案例比較回答品質、延遲、每次呼叫成本、資料處理方式與版本穩定性。本文整理模型家族怎麼分工、台灣人工智慧基本法與風險分類框架走到哪，以及一般人與企業導入前的檢查清單。
AI資料中心搶水搶電惹怒居民？美國案例對台灣的啟示
美國資料中心擴建已引發水電、電價與地方審查爭議，61%受訪民眾反對住家附近新增資料中心。本文整理美國案例、冷卻與電力負載的查證資料，以及台灣5MW以上資料中心的選址、供電與產業效益審查方向。
醫療 AI 合成資料怎麼驗證？五道臨床檢查
合成資料能補醫療 AI 的資料缺口，卻不能直接替臨床證據蓋章。驗證要一路追到資料代表性、獨立外部測試、病歷介接與上線後監測。
醫療 AI 導入怎麼做？五道臨床關卡
醫療 AI 能不能進醫院，決勝點不在展示會上的準確率。從資料代表性、FHIR 串接到醫師覆核和版本監測，每一關都要留下可追溯的證據。
髖關節疼痛看哪一科？AI 分流能做到哪一步
髖關節疼痛看哪一科？AI 可以整理症狀、標示急迫程度與就醫入口，卻不能跳過理學檢查。從 TFDA 電腦輔助分流指引、FHIR 到臨床責任分配，拆解 AI 真正能落地的範圍。
Gemini Pro學生方案怎麼申請？教育信箱認證與一年免費資格整理
PTT Lifeismoney 熱議的 Gemini Pro 學生一年免費方案，台灣 2025 年活動已截止；本文對照 Google 官方公告與現行 AI Plus 方案，整理教育信箱、個人 Google 帳戶、付款方式、地區限制及常見卡關點。
合成資料是什麼？醫療AI資料不能只靠複製貼上湊量
醫院病歷受個資法保護、跨院共享困難，合成資料讓 AI 可以拿「統計特性像真的」但沒有真人紀錄的假資料練功。但假資料一路餵下去也有代價，叫模型崩潰。
AI 乳房攝影篩檢準嗎？瑞典大型試驗與台灣現況一次看懂
瑞典 10 萬人試驗證實 AI 輔助判讀乳房攝影能少漏診多發現癌症，還能砍掉近半判讀工作量。台灣已核准同類醫材，但公費篩檢流程還沒把它排進去。
OpenAI為何砍AI模型價格迎戰中國平價競爭？全球AI價格戰一次看懂
OpenAI於2026年7月30日大砍GPT-5.6 Luna模型API價格達八成、Terra降二成，官方坦言是為了因應中國Kimi K3、MiniMax M3等平價與開源模型的競爭壓力。整理降價細節、中國陣營的定價策略，以及對台灣企業導入AI成本與新創競爭環境的具體影響。
AI 語音病歷是什麼？醫師少打字的背後，誰該負責任
AI 語音病歷讓醫師少打字，過勞比例也真的降了。但它多半不被當成醫療器材管，寫錯了要找誰負責，目前沒有清楚答案。
AI 訓練加速器怎麼選？企業工作負載評估清單
企業評估AI訓練加速器，該選GPU、ASIC或雲端服務前，先量出模型變動頻率、延遲、吞吐、記憶體與三年總成本。本文提供從工作負載盤點到試跑驗證的採購評估流程。
智慧手錶測心房顫動準不準？收到通知不代表確診
智慧手錶的不整脈演算法是初篩工具，不是診斷。收到通知的人裡，經臨床心電圖證實的比例遠低於一般人想像，誤報還會讓人自覺健康變差。台灣食藥署核准了什麼、排除了誰，一次看懂。
蘋果找阿里巴巴做AI？中國Apple Intelligence方案內幕
蘋果AI找上阿里巴巴：中國網信辦2026年7月核准Apple Intelligence上線，條件是整合阿里巴巴通義千問與百度的本地AI模型，這篇整理核准經過與兩家業者各自負責的功能分工。
聯邦學習是什麼？醫院想合作訓練 AI，卻不用把病歷送出院外
多家醫院想合作訓練 AI，個資法卻不准把病歷送出院外。聯邦學習讓模型「巡迴受訓」，資料留在原地，只有學到的權重更新往中央跑。
眼科AI篩檢準嗎？美國免醫師覆核，台灣未跟上
AI 已經能在 60 秒內自己判讀要不要轉診，不用醫師覆核。台灣核准的同類醫材還停在輔助判讀，健保投的 AI 資源又是另一件事。
長照輔具補助智慧科技是AI嗎？毫米波雷達安全看視怎麼挑
長照3.0開放的智慧科技輔具補助，把AI驅動的行為辨識系統跟傳統固定閾值感測器混在同一個「智慧」標籤下給付，家屬申請前該問清楚裡面裝的到底是哪一種。
你的健檢報告丟給ChatGPT解讀合理嗎？健保SDK vs OpenAI
健檢報告解讀準不準，不是你該先問的問題。先問清楚：這套系統出錯了，你找得到誰負責嗎？ChatGPT Health 與健保健康存摺SDK，是兩種完全不同的資料主權設計。
AI 幻覺是什麼？為什麼聊天機器人會一本正經說錯話
AI 幻覺不是模型故障，是訓練與評分機制鼓勵猜測、而不是承認不確定所造成的結果。實測發現問 AI 健康問題，半數答案有問題；台灣衛福部已要求醫院主動揭露這個風險。
AI 藥物研發砸下 20 億美元，為何至今零款 AI 原生新藥過關
20 億美元砸進 AI 藥物研發，聽起來像是新藥要量產了。但拉長時間軸看，600 億美元、175 個 AI 藥物進了人體試驗，核准欄還是掛零。判讀這波熱潮，該看的是核准數字，不是募資金額。
iFree2 CGM 台灣有許可證，AI血糖預測還買不到
生成式 AI 預測食物血糖反應的 CGM 功能，綁定的感測器台灣沒有許可證；台灣人買得到的連續血糖監測，健保給付窄、普及率不到 1%。AI 預測與台灣現況之間，隔著一道法規與給付的落差。
AI 診斷工具擬納健保：年底效益評估，值不值得埋單怎麼算
健保只給付過一款 AI 醫材，靠六篇臨床試驗過關。CT 顱內出血判讀能不能跟進，關鍵不是模型準不準，是醫師時間、誤診成本、資源排擠這幾筆帳有沒有算清楚。
美國核准首個病人對話LLM醫材：介面不是決策者
UpDoc 靠「LLM 只負責蒐集資料、醫師預設規則才做決策」的架構，拿到美國首張病人對話 LLM 醫材許可證。這套「守門不決策」的設計邏輯，正是台灣評估 AI 診斷工具給付時最該借鏡的先例。
FHIR 是什麼？AI 想讀懂病歷，得先學會這套語言
FHIR 把病歷拆成機器讀得懂的「資源」。AI 讀結構化 FHIR 資料的代碼準確率能拉到九成以上，遠高於直接讀病歷文字猜代碼。台灣的 FHIR Box 計畫正把這套語言鋪進全台醫學中心。
中醫 AI 值不值得信任？上線前該查清楚的六件事
中醫 AI 可不可信，看展示影片的準確率沒有意義。六件事沒查過，就只是一個包裝精美的黑箱：推理能不能追溯、資料來源站不站得住腳、藥材溯源、法規分級、資料互通、出事誰負責。
GPT-5如何解開T細胞三年謎題？假說引擎不是神諭
GPT-5 Pro 幫免疫學家解開卡三年的 T 細胞謎題，還預測了沒公開過的實驗結果。但把這件事讀成『AI 會做科學了』，就解錯題了。
AI從答題走進實驗室：GPT-5.4跑萬筆反應解偶聯難題
AI 真的自己做出化學發現了嗎？讀準一點：GPT-5.4 提假設、自動化實驗室跑一萬筆反應、人工逐筆驗證，三者缺一都不成。被解掉的是『沒人跑得起一萬次』的通量問題，不是智力問題。台灣要接住這波，缺的不是模型，是實驗室與資料。
LifeSciBench：AI做生科研究僅過三成，裁判是自家
AI 連自家出的生命科學考卷都只過三成，這件事該怎麼讀？分數是一回事，出題兼改考卷兼頒獎的是同一個人，又是另一回事。
AI 證出數學定理，Lean 4 逐行機器驗證
AI 拿奧數金牌很亮眼，但那是自然語言、靠人工評審判對錯。用 Lean 4 逐行驗證的證明才解掉了難題：不用人幫忙也知道它是對的。這才是 AI 可信度第一次有的工程解法。
Gemini 3.5 Pro 200萬token脈絡：哪些場景真的有用
200 萬 token 是量產最長脈絡，但廣告脈絡不等於可用脈絡。長脈絡真正划算的只有幾類場景，其餘知識庫問答用 RAG 更省更準。這篇給一個先分清楚任務類型的選型判準。
MiniMax M3 把智慧成本打到地板：開源權重、百萬脈絡一次到齊
上海 MiniMax 6/1 推出開源權重的 M3，前沿級 coding、百萬 token 脈絡、原生多模態一次到齊，定價只有西方旗艦零頭。但對台灣團隊真正的訊號不是又一個跑分新王，而是自架可行性與選型的成本結構被重寫。
GPT-5.6發布日被下注：選型別被謠言牽著走
為什麼一個還沒公開發布的模型，賭盤能開到六十幾萬美元？因為不確定性被商品化了。但賠率不是路線圖，跟著它調整選型是把工程問題交給賭客投票。
ChatGPT健康答案贏過醫師？OpenAI自評的方法論陷阱
OpenAI 說新模型的健康答案贏過醫師，但分數全在它自家內部跑、未公開外審。真正的重點不是它贏了幾項，是每週 2.3 億人已在用 ChatGPT 問健康。AI 取代的不是醫師，而是 Google 搜尋。
AI 服務禁用與中斷已成常態：4 個讓工作流維持韌性的準備原則
最強 AI 模型被比照核彈等級管制禁用，加上各版本服務持續出現錯誤率攀升，正在揭露一個更根本的問題：工作流對單一 AI 服務的過度依賴。本文從備援設計、容錯邏輯、管制趨勢應對、Prompt 跨模型可移植性四個面向，提出可執行的準備原則。
OpenAI 用真實對話重放測新模型：上線前 benchmark 為何總跟現實對不上
OpenAI 拿約 130 萬則真實對話重放、餵給待上線的新模型測試，比合成測題更早抓到行為漂移。上線前驗收該從跑分搬回真實情境，企業導入 AI 也一樣。
Android 17 Gemini Intelligence：手機AI主動代理5項能力
Android 17 把 Gemini AI 整合進系統層級，推出 Gemini Intelligence 功能套件。本文拆解五項核心能力、硬體門檻，以及裝置端 AI 推論對使用者隱私與實際使用的意義。
Claude Fable 5為何被說變笨？跟Opus差在哪
Anthropic 6 月 9 日把 Fable 5 推上「Mythos 級」，一個比 Opus 高一階的正式產品層。真正該看的不是 80.3 這種跑分，而是它在長任務、agentic coding 上的領先會隨任務難度拉開。這篇拆解這個分層對開發者選型的實際意義。
我與急診室醫生的一次閒談 - 他告訴我平常要注意什麼
急診室第一線觀察：台灣每年逾 750 萬次急診就診，多數原因有跡可循。了解急診常見成因、日常必備準備清單，以及判斷什麼情況才真正需要掛急診。
什麼是 AI 對齊？企業用 AI 節省成本前必須先搞清楚的核心問題
企業普遍把導入 AI 的問題定義為「如何省成本」，但這可能是在解錯題。本文拆解 AI 對齊的三層失敗模式，說明為何無法保證 AI 確實在做你以為它在做的事，以及企業需要先問的核心問題。
為什麼 AI 在醫藥領域最先落地的，常常不是最前端的科學發現，而是中後段流程？
AI 在製藥的落地，往往從臨床試驗管理、受試者篩選與法規送件開始，而非藥物發現前端。本文拆解背後的流程結構、資料條件與治理邏輯，說明這個順序為何不是偶然，以及如何判斷一個 AI 應用是否真正落地。
影像 AI 從單一任務走向附帶發現：乳房攝影讀出心血管風險
刊登於 European Heart Journal 的研究分析逾 12 萬張乳房攝影，顯示 AI 可從乳房動脈鈣化訊號推估女性心血管風險。這不只是一項新技術，而是醫療 AI 設計邏輯的轉變——從做好一件事，到順手讀出已存在的訊號。
如何評估中醫 AI 是否可信：診斷推理、藥材溯源、炮製管控的 3 層核心問題
中醫 AI 的可信度不只取決於準確率。本文分析三個關鍵層次：辨證推理是否透明可追溯、藥材供應鏈是否存在洗產地或加料通過檢驗等造假手段、炮製品質能否被數位化記錄，並提出評估可信度的系統性架構。
關於台灣醫療 AI 落地，你需要知道的 5 件事
衛福部發布 GenAI 指引、醫療新創完成 A 輪融資、AI 通過醫師執照考試，三件事在同一時期發生。從供應鏈透明化到 Physical AI 照護，拆解台灣醫療 AI 走向落地的 5 個關鍵轉折。
如何用 AI 輔助戒煙：先弄清楚這 4 件事
AI 戒煙工具真的有效嗎？從尼古丁成癮機制、AI 聊天機器人的實際功能到現有研究限制，逐層拆解 AI 何時能幫上忙、哪裡還有距離。
黃仁勳 GTC 台北宣告代理人 AI 時代，AI 工廠成算力新標準
NVIDIA執行長黃仁勳於2026年6月1日GTC台北主題演講中宣告代理人AI正式實用化，AI工廠成為全球算力基礎設施核心，台灣供應鏈從硬體代工升格為AI工廠共同設計夥伴，NVIDIA在台合作夥伴超過150家。
問題不在 AI 能不能取代醫生，而在我們是不是搞錯了醫療的本質
AI 取代醫生的討論設定了錯誤的問題框架。真正的關鍵是讓 AI 承擔低價值的重複性工作，把醫生時間還給需要人判斷、溝通與承擔責任的場合。
AI 能讓精準判斷真正被支付嗎？解析醫療支付制度的核心矛盾
對單一患者最好的醫療，往往是少做不必要的檢查、避免無效治療。但現有支付制度按程序計費，讓精準判斷的價值難以被看見。AI 是否能改變這個結構性問題？
當病人先問 AI，醫療現場改變的不只是知識取得，而是信任與責任的分配
病人在就診前用 AI 查過症狀、拿到初步建議，這改變的不只是資訊取得方式，而是醫病關係的信任結構與責任分配。從 Reuters 調查到 DTC 模式崛起，分析數位健康平台面對的服務定位根本問題。
從紅杉資本演講看醫療未來：AI 越強，醫師越要重新定義自己
10 兆美元的醫療革命：從軟體工具到 AI 數位員工 AI 不只是工具升級，它正在改變醫療工作分工。真正值得被重新定義的，不是醫師會不會被取代，而是哪些任務可交給 AI，哪些價值仍要由人守住。
為什麼醫療 AI 最近都先從行政流程下手？
大廠同時押注醫療行政 AI，背後不只是商業考量。從問題根因到資料整合條件，拆解行政端切入的系統邏輯，以及機構評估導入時應先想清楚的事。
AI 醫療資訊信任判斷：問題不在找資料，在判斷什麼值得信任
Reuters 報導研究發現，當錯誤醫療資訊來自看似權威來源，AI 更容易被誤導。本文拆解 AI 信任判斷機制的根本問題、成因與改善方向。
LLM醫療應用限制：幻覺、責任歸屬與落地五維度
LLM 進入醫療場景的想像令人著迷，但真正的問題不在於模型夠不夠強，而在於有沒有解對題。本文從問題定義、根因分析到落地設計，系統拆解 LLM 在醫療場景的可能與限制。
Claw（龍蝦）是什麼？LLM客戶端工具解析
「龍蝦」（Claw）是一類讓人與 LLM 對話的客戶端工具，不是比喻，是真實的工具名稱。本文拆解 Claw 工具的命名由來、比較主流開源選項，並分析在數位健康場景中，這類工具真正能幫你解決哪些問題。
人生在世，至少遇到 LLM 不會打從心底地從你不懂的地方佔你便宜
LLM 不持有商業誘因，不會因為你不懂而選擇性隱瞞或導向對它有利的方向。本文從誘因結構出發，拆解這個信任邏輯的成立條件與邊界，以及在健康資訊場景中，如何真正受益於這個特性。
當完整醫療到不了偏鄉，AI 醫師代表的是科技平權，還是二等醫療的合理化？
AI醫療進入偏鄉常被視為科技平權的象徵，但偏鄉缺的從來不是一台機器，而是整體醫療可近性的系統性缺口。本文從問題根因分析AI在偏鄉醫療中的真實角色，並提供判斷框架。
比誤診更難的是：AI 先說出了病人想相信的答案
生成式 AI 不只是把資料丟給使用者，而是把答案組裝成符合心理期待的敘事。這讓診間要面對的，已不只是錯誤資訊，而是一個被迎合過的判斷。本文從問題定義、根因分析到流程應對，系統性拆解這個比誤診更棘手的挑戰。
AI 進入食安治理後，真正被改變的不是檢驗速度，而是風險被看見、被追溯、被提前介入的方式
從中國活魚麻醉劑爭議出發，探討台灣食安治理的結構性盲點，以及 AI 如何讓灰色風險從「不可見」變成「可持續監測、可追溯、可提前介入」的治理對象。
當老藥新用走進 EHR：AI 預測什麼時候才算真正進入工作流
老藥新用工具給的是預測分數，研究人員需要的是可判斷的證據脈絡。本文拆解從 AI 候選生成到 EHR 整合的四步驗證流程，說明什麼條件才算真正進入臨床工作流。
AI藥物研發突破：特發性肺纖維化新藥怎麼被找出來？
當一種病被寫成「原因不明」，最沉重的，往往不是那四個字，而是病人和家屬接下來那種不知道該往哪裡走的感覺。你可能也有這種感覺：醫療明明一直在進步，可一碰到某些肺病，還是常聽到「先控制看看」。你以為新藥研發最難的是找到有效成分，其實更難的，常常是先看見真正該打的那個點。
高齡照護不能只靠人力撐，AI 真正該放的位置在哪裡？
AI 在高齡照護的真正價值不在陪伴工具，而在早期風險偵測與照護斷點修補。本文拆解高齡照護的根本挑戰，說明 AI 適合與不適合的位置，以及落地整合的關鍵條件。
幼兒教育 AI 定位：該放哪裡才不會干擾孩子成長
幼兒教育導入 AI 的關鍵不在於能不能用，而在於放在哪個環節。AI 適合輔助大人備課與設計活動，不適合取代親子互動與教師引導。本文拆解幼兒發展核心，說明 AI 工具的正確定位與評估方法。
IMD 數位競爭力評比：台灣 8 項細項全球前 3，半導體與 AI 是主力
瑞士洛桑管理學院IMD 2025年世界數位競爭力評比中，台灣總排名第10，但有8項細項指標位居全球前3，在研發人力密度、IT資本市場規模與企業敏捷度全球稱冠。半導體產業的基礎量能與AI應用密度，是驅動這些頂尖分項表現的核心力量。
57 家台灣 AI 新創登 CES 2026，四家摘創新獎
2026年1月，TTA帶領57家台灣AI新創與83家供應鏈夥伴登上CES 2026，主題聚焦「從日常AI到企業級創新」。這是台灣第9年在全球最大消費電子展亮相，四家新創摘下CES創新獎，展示台灣科技從硬體製造走向跨領域AI應用的轉型成果。
台灣首款人形機器人TM Xplore I 達明鎖定智慧工廠
廣達集團旗下達明機器人於2025年8月台北國際自動化展發布首款人形機器人TM Xplore I，搭載輝達Jetson Orin平台、22個關節自由度與輪式移動底盤，鎖定工業生產線應用，預計2026年下半年量產商用。這是台灣本土協作機器人品牌向具身智慧邁出的關鍵一步。