嘲笑 AI「連這都不會」，常是不懂它怎麼運作
- 潘若迪神還原到連 Celine Dion 本尊都問「哪個是我」——AI 照造型推成本人很合理，它無從知道台灣潘若迪剛扮了這個。真正的重點是：AI 不確定時不說「我不知道」，反而自信地猜。
這幾天《Nature》一篇（OA）正好指出：現行評量只獎勵「答對率」→ 模型不確定時「猜」比「承認不知」有利，於是被養成過度自信。所以「自信地講錯」是 LLM 的本質、不是某次變笨——看懂本質，才知道何時信、何時查。
今天不是工具教學。提示詞、外掛、模型比較，網路上都查得到，也不該找我。
所以今天不是「AI 達人教你玩 AI」。是一個專注本業學習的醫師，分享當「紙、筆、尺」升級成「AI 協作」後，重點整理與衛教產出長成什麼樣子。
真正的問題不是「AI 會不會做衛教」，而是「有了 AI，你和路人的差異還剩什麼？」
所以關鍵不在「會不會用 AI」，在你是否真有藥學專業、是否真正在做衛教。這條會貫穿整場——稍後「怎麼知道 AI 的邊界」會再回來。
寫程式的產值就是 code，所以衝擊大；衛教的產值是人際，AI 取代不了——除非哪天進化成人型機器人。被 AI 降低的只是「工具產出」，不是「專業本身」。
這幾天《Nature》一篇（OA）正好指出：現行評量只獎勵「答對率」→ 模型不確定時「猜」比「承認不知」有利，於是被養成過度自信。所以「自信地講錯」是 LLM 的本質、不是某次變笨——看懂本質，才知道何時信、何時查。
後面會一直出現「API」，先講清楚——
API ＝ 程式跟程式之間的「窗口」。人是開畫面、用眼睛看、用手點（GUI）；程式則走 API：照規格送出請求、對方照規格回傳資料，全程不用人去點畫面。
走 API 通常「用多少、付多少」——這就是下一張說的「流量計費」。後面查藥、查文獻的 Crossref／PubMed／OpenFDA，也都是官方開放的 API。
過去我們用的 AI，從前沿角度看叫「對話式 LLM」；正在興起的是「代理式（agentic）LLM」。看兩條軸就清楚——
| 包月訂閱 月租型・付固定月費 | 開發者 API 程式接入・通常按量計費 | |
|---|---|---|
| 對話式 （視窗裡聊） | ① ChatGPT／Gemini 2022・你現在在這 | ② 自己接 API 問答 一直都有 |
| 代理式 （進你電腦做事） | ③ Claude Code 月費版 2026・今年打通 | ④ vibe coding 2025 |
① 左上是你的起點；走到 ③ 左下這一格——今年才打通：代理式不必再走開發者 API（按量那條），包月就能用。今天帶你走過去。
速度交給 AI，正確留給專業——今天談的，是後面這一半。
不是叫 AI 生成衛教
第一步不是「叫 AI 生成」，是「研究這件事本身、把專業沉澱成 prompt」。跳過研究直接生成，你根本沒能力判斷產出對不對。
問題就在「看起來」。流暢，是 AI 的天賦；正確，不是。
個案、觀察性研究、隨機試驗、系統性回顧
這個結論，是對「誰」做出來的
醫學會更新，舊結論可能已被推翻
出錢的人，想要的是哪一種結論
四個問題都過得了，才值得餵給 AI。
AI 很少憑空捏造，最常見的錯是把「有一點點」說成「很厲害」——這叫超譯。產出後逐項查核：
AI 產出之後，逐項打勾。打不過的那一句，就是要修改的地方。
你是 AI 的審稿者，不只是使用者
看到一個保健品宣稱「研究證實有效」，先別急著寫，先審：
四題過不了，就不要讓 AI 把它寫成一篇漂亮的貼文。
盡量用「絕對風險」說明副作用發生率，而不是只說「可能會」「有風險」。
把維生素 D、腸道菌那一題的邏輯，原封不動套上去檢查。
AI 會寫，就不需要專業了
AI 負責起草，你負責校正，並為內容負責
AI 的隨機性，正是專業者的空間——你不是被取代的人，你是 AI 的編輯與審稿者。這個角色，AI 給不了它自己。
提示詞只影響第 3 步。真正決定品質的，是第 2 步和第 4 步。
不要報著某種期待去使用
不要去發明沒做過的事。專注在自己很熟、做很久的事。
「AI 能做什麼新事情？」
「我該怎麼用 ChatGPT？」
「最酷的 AI 應用是什麼？」
「我每天做什麼可以拆？」
「哪一步可以請 agentic 代勞？」
「我熟悉做很久的事，哪個 step 適合自動化？」
從「我已經做很久的事」開始，agentic AI 是省力工具，不是新興趣。
5 個 case 全來自「我做很久的事」
沒有一個是新需求。全是「我本來在做」的事，拆出某個 step 變 agentic。
先分清兩件事：LLM 在哪跑 × 記憶／資料存哪
| 模式 | 運算在哪 | 資料存哪 | 吃你硬體？ |
|---|---|---|---|
| 訂閱問答（ChatGPT／Gemini） | 雲端 | 它家伺服器 | 否 |
| 我的 agentic | 雲端 | 自己硬碟 | 否 |
| 租雲空間 | 雲端 | 你租的雲 | 否 |
| 本機 LLM（Ollama） | 你的機器 | 自己硬碟 | 是 |
只有「本機跑 LLM」才吃硬體（要 GPU／記憶體）。我每天用的 agentic = 雲端引擎 + 本機只存文字（markdown／DB）→ 一台普通筆電就夠。
每一份病人衛教、每一篇期刊導讀、每一條 reference 校驗，背後都是同一條 pipeline。
「agentic 一定要 LLM」
本機跑、不送雲端、零訂閱費
本場演講錄音結束後，也走同一條 pipeline。
病人問：「我每天吃 vit D 是不是會預防心血管疾病？」
10.1056/NEJMoa1809944 真假14 步中 4 步 deterministic gate（step 4-8 grep + curl × 2 + 對應）—— 這就是「來源判讀」的本體。
Crossref + PubMed 是文獻；OpenFDA 是藥物 label / 副作用 / 召回 — 做藥品衛教日常更需要的。
api.fda.gov/drug/label.json — 完整仿單 41 fields (boxed_warning / indications / interactions ...)api.fda.gov/drug/event.json — FAERS 不良反應 reports（tirzepatide 已 2,641 筆）api.fda.gov/drug/enforcement.json — 召回 records（vitamin D 有 8 筆 recall）免費、no auth、自 2014 維持 12 年。30 秒 curl 一行可上手。
label / event / enforcement REST API
JSON 回應
query syntax 可 filter / search
千萬筆 FAERS 不良反應 reports
「藥品許可證查詢」ASP.NET form
無 REST API
「藥物不良反應通報」內部系統不公開
data.gov.tw 只有 CSV 整批 dump
在台灣查跨國藥物 label / 副作用，用 US OpenFDA 比查自家 TFDA 更方便。這個 gap 不是 LLM 能解，是政府治理問題。
過去手動讀 1 期 NEJM = 1-2 hours；現在 5 min。3 年累積省 600-900 hours = 75-115 個工作天。
沒訂閱 → 付費全文拿不到
只能用公開摘要（＋OA 全文）
雲端直接抓常被擋，走地端本機才拿得到公開內容
一行 urllib server-side 直取
連登入都不用
13 篇全文 + abstract 秒拿
fetch 限制只在付費牆出現。判斷一個來源能不能自動化抓取，第一步不是「LLM 夠不夠強」，而是「它 OA 還是 paywall」。
Task 越偏 judgement，LLM 越多；越偏 mechanical，LLM 越少。設計 pipeline 不是問「要不要用 LLM」，是「每個 step 屬於哪一種」。
問對這 4 個的學生／專業人員，看 AI sales pitch 時直接識別「fancy chat 包裝」vs「真 production pipeline」。
AI 讓衛教變快
專業讓衛教變對
知識在他家伺服器
對話 history 綁帳號
不能 grep / cite
換 LLM 廠商會失效
公司 sunset 你死定
知識在自己硬碟
所有 source 可 grep
所有 reference 可 cite
任 LLM 都能讀
跟 LLM 廠商解綁
Sandbox 是「借」LLM 處理；KB pipeline 是「擁有」整套知識資產。差異化不在「用哪個 LLM」，在「你的 KB 在不在自己手上」。
FAQ — 訂閱那家倒了怎麼辦？ 資料是你的、在你硬碟；LLM 引擎隨時換（Claude → GPT → Gemini → Llama），核心資產不動。
打開 AI 之前，先問：「來源可信嗎？」
產出之後，先問：「有沒有超譯？」
謝謝大家。｜Q & A
本場 talk 完整資料：t.copper0722.com/talk/ai-health-edu-cmu-2026-06-03/