Friday, June 19, 2026

課程須知 2026

 


> 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。



### 學習目標

雖然是非正式大綱,但從週次內容已能清楚看出隱含的學習目標:學生將能

(1) 與 AI 有效溝通、撰寫並優化提示詞;(2) 運用推理、回溯處理受限制的問題;

(3) 建立並理解基本的強化學習;(4) 以 AI 輔助優化工程設計(如電路/LNA);

(5) 認識世界模型與 LLM/VLM 的差異;(6) 將上述方法延伸到財務/資產管理應用。

整體目標一致地指向「用 AI 解決實際工程與決策問題」,方向明確。


### 架構清晰、循序漸進

從「提示」到「世界模型」再到「資產管理應用」,每週都建立在前一週的能力之上:

先學會跟 AI 溝通,再用 AI 做視覺化、推理,接著處理優化與強化學習,最後延伸到

財務應用與收尾。由淺入深的安排讓學習曲線平緩


### 入門友善

明確定位「不需 Python、不需 AI/ML 背景」大幅降低門檻,也呼應課程主軸

「AI 是新的開發環境」——重點是「用 AI 開發」,而非從零寫程式。


### 具體的記憶錨點

用「撿球的狗」「晚餐排程」這類情境當例子,把抽象方法掛在具體畫面上,

學生更容易理解與記住。


### 連結產業

RF IC/LNA、A* 電路設計都是半導體業界的真實問題,能提升學習動機與實用感。


## 課程負擔


- **進度仍偏密集:** 推理、回溯、電路/RF IC 優化、RL、AGI 世界模型、財務 ML

  同一學期,內容量大;雖已加註「皆 AI 輔助、不需自寫底層程式」降低門檻,

  對初學者仍偏緊湊,可視實際節奏適度取捨。


## 總結

作為一份「內容大綱」,它清晰、有企圖心且入門友善,週次安排已能反映明確的

學習目標。在內容層面唯一值得補強的,是讓

「零基礎定位」與「後段進階主題」之間的銜接說明更明確,並讓學期末密集的收尾

段落份量分配更聚焦。```



Thursday, June 18, 2026

課程說明 2026

# 修訂版教學大綱說明 — 場域應用與服務設計(2026 秋)

授課教師:張耀仁教授

主軸:AI 是新的開發與原型製作環境,並聚焦半導體產業應用。


## 9/15 Introduction(導論)

課程說明、AI 入門,並介紹 AI 在半導體產業的應用。

為整學期定調:把 AI 當成「開發工具與原型環境」,而非單純的理論主題。


## 9/22 Prompts(提示)

教如何與 AI 有效溝通(Prompt 基礎),並介紹「合成物件」。

這是全課的基礎技能——後面每一週其實都建立在「會下提示、會跟 AI 協作」之上。


## 9/29 Visualization(視覺化)

演算法視覺化與工程動畫(Science)。

把抽象的演算法、運算過程「畫出來」,幫助理解,也訓練用 AI 產生視覺化內容。


## 9/30 Enhanced Visualization(進階視覺化)

Enhance visualization(M.I.P.)。延續視覺化主題,做更進一步的呈現。


## 10/6 Reasoning(推理)

介紹推理模式,特別主題為「Smart Dog Ball Retrieval(聰明撿球的狗)」。

用一個具體情境帶出 AI 的推理概念,平易近人。


## 10/13 Reasoning for Complex Problems(複雜問題的推理)

讓 AI 更聰明(撿球的狗進階),並用 AI 處理有限制條件的複雜問題:晚餐排程。

從單一情境推進到「有約束條件」的真實規劃問題。


## 10/20 Dinner Operation(晚餐排程實作)

pre-training vs. learning(預訓練 vs. 學習)的觀念,

以及為晚餐排程求解器製作動畫與除錯。把上週的推理落實成可運作、可視化的程式。


## 10/27 Backtrack(回溯)

介紹回溯法——一種在搜尋解答時「走不通就退回再試」的系統化策略。


## 11/3 Solving Electronics(解電子問題)

用「長鏈思考(Long Chain of Thought)」解電子學問題,

示範 AI 如何逐步推導較複雜的工程題目。


## 11/10 期中考週停課一次

配合學校期中考,暫停一次。


## 11/17 Circuit Optimization(電路優化)

用 A* 搜尋演算法優化電路設計。把前面的推理/搜尋概念應用到工程優化。


## 11/24 RF IC(射頻積體電路)

RF IC 設計優化——以 LNA(低雜訊放大器)為例。直接對接半導體業界的實際設計問題。


## 12/1 RL(強化學習)

強化學習入門(pt.1、pt.2)。介紹「以獎勵引導 AI 自我學習」的方法。


## 12/8 RL(強化學習續)

Follow up RL 2、RL 3。延續上週,做更深入的強化學習練習。


## 12/15、12/22 World Model for AGI(通用人工智慧的世界模型)

大綱、案例、JEPA 機械臂、JEPA 導航機器人,以及「世界模型 vs. LLM/VLM」的比較。

閱讀:Programming in the AI era、AI Architecture and Challenges。

帶到較前沿的主題:讓 AI 建立對世界的內在模型,朝 AGI 方向探討。


## 12/29 Machine Learning for Asset Management(資產管理的機器學習)

財務分析、投資組合管理、財務技能與角色分工。

把前面學到的 RL/優化方法,應用到財務與資產管理情境。


## 1/5 End of Class(最後一堂)

Prompt Engineering Guide、日本與台灣的地質演化建模,作為收尾與延伸應用。


## 整體脈絡

全課像一條清楚的學習路徑:先學會「與 AI 溝通」,接著用 AI 做「視覺化、推理、

回溯」,再進到「工程優化(電路/RF IC)」與「強化學習」,最後觸及「世界模型/

AGI」這類前沿主題,並以財務應用與收尾延伸作結。每個主題都搭配具體情境

(撿球的狗、晚餐排程、LNA、JEPA 機器人),符合「以 AI 為開發環境、解決實際

問題」的核心精神。

```