今天在 2026 國土管理署污水處理研討會，我擔任第二場講者。
原本我的主題是談生成式 AI 如何進入工作流程，但緊接在臺科大周瑞生教授之後上場（感到壓力山大），讓這場分享有了不同的意義。周教授談論 AI、仿生最佳化與智慧永續環境工程，涵蓋水庫水質、自來水管漏水、工業區雨水下水道、微電網、太陽能光電，再到土水整治、道路覆面與地滑潛勢分析，全是相當具體的工程應用。
聽完演講，我有三個很直接的體會。
第一，許多人還沒分清楚「預測型 AI」與「生成式 AI」的差異。
這一年來我們最常討論 ChatGPT、Gemini 或 Claude 這類生成式 AI。它們能對話、寫文、整理資料、製圖、填寫表格，甚至能呼叫工具進入工作流程。因為互動起來像真人，大家很容易將 AI 直接跟生成式 AI 劃上等號。
但在工程、環境與能源管理、金融及企業實務中，真正能帶來立竿見影價值的，往往是預測型 AI。它解決的核心問題是：判斷趨勢、辨識異常、預測風險、估計結果，以及在重重限制下找出最佳方案。
周教授舉的水庫水質評估、自來水管漏水聲音辨識、微電網設備容量配置、光電模組性能預測，都屬於這類應用。它們不像生成式 AI 那麼「會說話」，卻能直接提升決策品質與現場管理效率。
第二，生成式 AI 與預測型 AI 其實能互補。
必須釐清的是，生成式 AI 文筆再好，也不會讓預測模型變準。模型準確度依然取決於資料品質、變數選擇、模型架構、驗證方式，以及領域專家的判斷。
不過，生成式 AI 可以作為預測型 AI 絕佳的外圍工作介面。
它能協助整理資料來源、撰寫程式草稿、讀取 API、介接已建好的模型、解釋預測結果、自動產出報告，甚至將生硬的數據轉化為主管看得懂的決策摘要。換言之，預測型 AI 負責「算得準不準」，生成式 AI 負責「接得上流程、說得清結果、交得出報告」。兩者分工明確，發揮的價值遠大於單打獨鬥。
第三，領域專家的角色將變得更加吃重。
周教授的分享讓我特別有感：他展示的應用，都在說同一件事：如何定義問題？哪些變數具備實質意義？限制條件該怎麼設定？模型輸出後，第一線人員信不信任？結果能不能真的落地到工作流程中？
這些都不是 AI 能自行決定的。
我在會後還特別跑去問周教授：「你怎麼會想到媽祖遶境這種大規模社會人群的移動，可以拿來作為一種建構種群移動的演算法啟發概念？」
周教授回答我：「就洗澡的時候想到的。」
像這種靈感，AI 不可能主動提供啊（至少現階段不可能）！
無論是水母的移動、還是媽祖遶境的人群移動，或者就是植物生長軌跡等等，將其轉化為搜尋解法、參數選擇與平衡多重目標的方法。這背後需要數學、工程、資料分析、現場經驗與驗證能力的強力支撐。這真的只能靠專家，而且是需要有跨域聯想力的專家才有辦法建構出來的。
所以給領域專家 AI 武器，就像給龍五一把槍，他們就是不死之身。
這也呼應了我自己這場演講的主題。
如今的生成式 AI 早已超越對話工具的範疇。它具備呼叫工具、讀取資料、套用範本與串接流程的能力，能幫我們處理找資料、搬資料、對資料、等資料與重做資料這些繁雜瑣事。
但正因如此，我們更不能停留在問：「AI 能不能幫我做？」
更核心的問題應該是：它根據什麼資料？介接了哪個模型？結果是否標註來源？哪些部分是事實？哪些部分是推論？哪個環節必須由人工複核？哪一段流程絕對不能交給 AI 自行判斷？
所以到了 2026 年，大家看得越來越清楚 AI 的商業價值在於它能否解決真實問題，並禁得起資料、模型、現場與專業判斷的共同檢驗。預測型 AI 負責提供可驗證的判斷能力。生成式 AI 負責提供可串接流程的介面能力。領域專家則負責問對問題、設定好邊界，並裁定最終結果的可用性。
這三者緊密結合，才是接下來企業與公部門必須確實掌握的 AI 應用能力。
本地商家
臺灣科技大學國際大樓會議廳
你和其他 53 位朋友都來過這裡