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。
AI
41 篇文章
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 Pro 解開卡三年的 T 細胞之謎，還預測了一場沒看過的實驗：該讀懂的不是 AI 會做科學了
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 跑一萬筆反應改良了卡多年的偶聯反應，但它解的是哪一類問題？
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。
OpenAI 端出 LifeSciBench：AI 做生命科學研究只過三成，而且裁判是自家
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、還用 Lean 4 逐行機器驗證：AI 做研究的產物第一次能被查證
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 帶 200 萬 token 脈絡逼近 GA：超長脈絡到底在哪些場景才真的有用
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、原生多模態一次到齊
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 還沒公開就先被下注：模型發布變成賭盤標的，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。
「AI 健康答案贏過醫師」怎麼讀：OpenAI 自評勝出，但每週 2.3 億人已在問才是重點
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 的 Gemini Intelligence：5 項讓手機 AI 從輔助升級為主動代理的能力
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 開出「Mythos 級」新層級：模型分層對開發者到底差在哪
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。
我愛上一個不可能的可能，LLM是救贖？還是另一種沉淪？
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。
到底什麼是龍蝦？LLM 幫你解決了什麼？
「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。
達明發表首款人形機器人 TM Xplore I，鎖定智慧工廠應用
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。