> 前提：這是一份非正式的「週次內容大綱」，評量方式、評分配比、修課規範等
> 已在官方教學大綱中說明。因此以下不再把這些當成缺點，而是聚焦在
> 「內容規劃」本身。
助教 鍾文博
# 課程須知 — 健康照護科技專題(二)（2026 秋）
### 修課前提
本課程為**研究所進階專題**，並非入門課。修課者須先修畢**場域應用與服務設計**與**健康照護科技專題(一)**等先修課程，已具備健康照護場域的問題意識、服務設計方法與前一階段的 AI 實作基礎。因此週次內容的設定，是在「學生已能獨立操作 AI 工具、理解場域需求」的前提上往深處推進，而非從零教起。
### 學習目標
從週次內容已能清楚看出進階的學習目標：學生將能 (1) 運用 AI 電腦視覺（CNN、YOLO、ViT、VLM）解讀健康照護情境中的影像與行為；(2) 為視障者建立真實世界 3D 模型，理解空間並完成導航；(3) 掌握 3D 障礙偵測與避障演算法（Voronoi、A*），處理動態障礙下的安全路徑規劃；(4) 以 AI 進行環境危害與居家危害鏈的偵測與視覺化；(5) 深入 World Model（AGI）、健康促進遊戲設計與 AI 學術寫作。整體指向「在既有場域知識之上，以 AI 駕馭健康照護中的感知、導航與安全問題」。
### 架構清晰、循序漸進
從「AI 看得見」（電腦視覺）出發，進入「AI 理解空間」（3D 建模與導航），再到「AI 能避障」（Voronoi、A*），接著「AI 能預警」（危害偵測視覺化），最後拉高到「AI 能思考世界」（World Model）與「AI 能創作、能寫作」。每個單元都建立在前一週與先修課程的能力之上，由具體任務逐步通往抽象框架，對已具基礎的研究生而言節奏合理。
### 聚焦實作、減少語法負擔
課程明確標示「以 AI 輔助、不需自行撰寫底層程式」，把心力從語法除錯轉移到問題本身與提示詞設計上。對已修畢先修課的研究生來說，這讓他們能將既有的場域與服務設計知識，直接投入較高層次的系統設計與演算法應用。
### 具體的記憶錨點
用「洗手偵測 CNN」「晶圓缺陷熱圖」「營養分析」「聲納導航助理」「居家危害鏈動畫」「JEPA 仿生手臂與導航機器人」「打地鼠與跳舞評分機」等具體案例，把抽象的視覺辨識、避障搜尋與世界模型掛在可記憶、可操作的情境上。
### 連結產業與前沿
YOLO 物件偵測、Vision Transformer、Tesla AI Vision、VLM、Voronoi/A* 導航、JEPA 世界模型，乃至健康促進遊戲與 AI 論文寫作，都是當前 AI 與健康照護的真實題目，與研究所層級的研究與實務需求高度契合。
## 課程負擔
- **進度密集、跨域廣：** 電腦視覺、3D 建模、導航與避障演算法、危害偵測、World Model、遊戲設計、學術寫作、甚至資產管理的機器學習集於同一學期，內容量大；雖以「AI 輔助＋實作」降低操作門檻，仍需研究生具備良好的自主學習與時間管理能力。
- **理論深度高：** World Model（AGI）與 JEPA 等前沿題目占 3 週，理論密度高；正因為修課者已有先修基礎，這部分才得以深入，但仍建議搭配指定閱讀，逐步消化。
- **主題涵蓋廣：** 末段的「時空演化（地質）」與「資產管理機器學習」與健康照護主軸距離較遠，可釐清其定位——是 AI 通用能力的延伸練習，或為彈性備用（Backup）內容。
## 總結
作為一份**研究所進階專題**的「內容大綱」，它跨域、有企圖心，且以「Claude AI 輔助＋實作」為核心特色。由於修課者已完成場域應用與服務設計、健康照護科技專題(一)等先修課程，週次安排得以站在既有基礎上往深處推進，反映明確而高階的學習目標：讓學生運用 AI 解決健康照護中真實的感知、導航與安全問題。值得補強之處，是讓密集進度與理論深度的銜接更順暢，並清楚標示核心與延伸（Backup）內容的分界。
