數位時代 Business Next

本集重點：- 天價折疊機 iPhone Duo 在貴什麼？- iPhone 18 Pro 相機升級可變光圈- AirPods 5 超值降噪與 Apple Watch 健康黑科技延伸閱讀》摺疊iPhone要來了！蘋果下個黃金十年，從一支7萬元「精品手機」開始？https://www.bnext.com.tw/topic/view/993-----------🤩訂閱數位時代YouTube 》https://www.youtube.com/@bnext_official-----------🤩有合作需求請洽：podcast@bnext.com.twPowered by Firstory Hosting

美國擁有全球最昂貴的醫療體系，但對許多獨立診所來說，真正消耗時間與成本的，往往不是看病，而是保險審核、帳務、採購與大量行政工作。本集邀請 Nitra 幕僚長 Jen 林俐吟，從美國獨立診所持續萎縮的現象出發，解析這套破碎化醫療體系背後的營運痛點，我們也討論 AI 是否可能先從「診所後台」開始，重新改變美國醫療產業。本集重點：- 美國醫療為什麼又貴又沒效率？- Nitra 為什麼從信用卡切入醫療？- 從 Fintech 到診所營運系統- AI Agent 會先取代醫療行政，而不是醫生？- 為什麼矽谷新創選擇把研發團隊放在台灣？了解更多國際新創圈大小事 👉🏼https://meetstartup.pse.is/4jhd5u📍鏈結矽谷創新動態，關注Startup Island TAIWAN 矽谷 Hub：https://sv.startupisland.tw/Powered by Firstory Hosting

2026 年 2 月，《自然醫學》（Nature Medicine）登出一篇研究：1,298 位一般民眾被隨機分派，面對十個醫療情境，要判斷這可能是什麼問題、接下來該怎麼辦。模型單獨作答時，找出病況的正確率高達 94.9%；但把同一批模型交到真人手上，正確率掉到三成出頭，跟完全沒用 AI 的對照組沒有差別。模型很強，但人問不出來。數位時代創新長黃亮崢 James 邀請 杜克健康創新研究所葉俊廷醫師，拆解一般人到底該怎麼問AI健康問題，才有機會問得好。聽完這集，你可以學到1. 先講你是台灣人、幾歲、男生女生，這 30 秒決定了答案品質：模型的訓練資料以英文與西方世界為主，研究圈把這群人稱作 WEIRD。你不講清楚，它就預設你是一位在美國的白人大學生。但鼻咽癌在華人族群的發生率遠高於西方白人，臺灣過去有大量 B 型肝炎與肺結核病史，這些都會改變鑑別診斷的排序。葉俊廷建議開頭直接說「我是臺灣人、我幾歲、我有什麼病史、現在在吃什麼藥」。2. 問「有哪些可能」，不要問「我得了什麼病」：AI 的強項是飽讀詩書、把可能性窮盡列舉，不是一槍命中。葉醫師提醒，帶著答案去問（「我是不是闌尾炎？」）會觸發它的討好傾向，它會順著你把說法合理化。改成請它列出所有可能，再逐項追問「要做什麼檢查才能排除這一個」，你拿到的就是一張清單，而不是一個結論。3. 報告先擷取成表格，核對過再解讀：拍照上傳最大的風險不是幻覺。醫院做過統計，AI 真正產生幻覺的比率大約 2% 到 5%，但漏掉重要資訊的比例可以到 20%。做法是先叫它「只把數值、單位、參考範圍整理成表格，不要解讀」，自己數過筆數對得上，再請它解讀。更根本的解法，是直接從健康存摺下載可被數位辨認的電子版報告。4. 判斷急不急最最最不能交給 AI，要改問警訊（紅旗清單）：就連 OpenAI 專為健康情境訓練的 ChatGPT Health，在急症的檢傷判斷上仍有明顯失誤。葉俊廷分析模型被訓練得越來越保守，你直接問「我現在該怎麼辦」只會拿到罐頭答案。正確的問法是「請列出哪些情況我應該立刻掛急診、哪些可以等門診」，再加一句「請把最緊急的警訊（紅旗）症狀也寫出來」。5. ISBAR：把小抄整理成醫師習慣閱讀的格式：俊廷把醫護交班用的口訣改寫給一般人用。I 是我是誰（年齡、生理性別），
S 是現在的狀況與持續多久，
B 是過去病史、用藥、手術、過敏與家族史，最後
把醫護版的 A 與 R 換成 Q，也就是你最想問的三個問題。
請 AI 依這個順序整理成兩頁以內的條列，醫師看到會很開心，因為那正是他寫病歷的思考流程。6. 模型有價值觀，重要的事情要問兩家：哈佛醫學院生醫資訊學系的 Isaac Kohane 用 50 個臨床兩難發現各家模型在尊重病人自主、行善、不傷害、公平這四個原則上的權重都不一樣。俊廷提醒，飽讀西方文獻的模型最優先的往往是病人自主，但這在東方文化脈絡下不一定成立，答案不一致本身就是一個訊號。7. 三層分類法：越深的對話越要保守：-第一層是術語翻譯與報告白話化，幾乎沒有風險；-第二層是加上你的個人脈絡去推論可能性，價值最高，但成果完全取決於你怎麼問；-第三層是換不換藥、該不該開刀這種臨床決策，目前建議不要交給 AI。俊廷的判準很清楚，越需要價值判斷的問題，背後潛在的偏誤風險就越大。8. AI 公司免費送你健康服務，要的是它拿不到的資料：俊廷從商業角度提醒，網路上的文字大概都被訓練完了，而心跳、影像這類醫學資料極難取得，又全鎖在醫療系統裡。智慧戒指記錄基礎體溫、另一個 App 記月經週期、你再跟 AI 說最近有點頭暈，三筆看似獨立的資料串起來就可能推論出你懷孕，甚至比你自己更早知道。俊廷的提醒：一、讓 AI 真正了解你是誰，不是身分證字號，而是你作為一個人的樣子：我是臺灣人、在臺灣長大、現在在美國、幾歲、有什麼運動習慣、有什麼病史、在吃什麼藥。二、不要把自己的判斷放進去，把「會不會是闌尾炎」的問題換成「請列出所有可能」，再一輪一輪追問下去。三、是主動要警訊（紅旗清單），問清楚什麼情況必須立刻就醫。最後，如果真的決定要看醫生，請 AI 用「我是誰、現在狀況、過去病史、我想問的問題」整理成一兩頁印出來帶去。他強調，這是目前跟 AI 互動比較安全、而且每個環節都有研究支持的做法。而醫師不能被取代的，從來不是資訊不足時的判斷，是最後有一個人願意為那個判斷負責。---補充資料：1. 以撒·科漢 Isaac Kohane：哈佛醫學院生醫資訊學系（Department of Biomedical Informatics）系主任，醫療 AI 領域的奠基者之一。本集中被引述為 Human Values Project 的主持人。2. Human Values Project（HVP）：由 Isaac Kohane 主持的國際研究計畫，以 50 個經臨床醫師驗證的醫療兩難情境，測試各家前沿模型在醫學倫理四原則（自主、行善、不傷害、正義）上的權重分布，並以千位以上臨床醫師的共識作為對照基準。合作單位包含 OpenAI、Google DeepMind、Epic、以色列 Clalit Health Services 等。網址：https://hvp.global3. 鑑別診斷 Differential Diagnosis：面對一組症狀時，醫師列出所有可能疾病並逐一排除的思考流程。俊廷指出 AI 的強項正是把這張清單列得比人更完整。4. can't miss／警訊症狀 Red Flags：機率未必高、但一旦錯過後果極嚴重或極緊急的病症，醫師受訓時被要求無論如何都要先排除。經典例子是胸痛必須先排除心肌梗塞。5. 檢傷 Triage：判斷病人有多緊急、應該立刻急診還是可以等門診的分類流程。本集指出這是目前 AI 最不可靠的環節之一。6. 脈絡化醫療 Contextualized Medicine：強調病人在疾病之外的生活處境會直接影響醫療成效的取向。本集阿嬤與孫子開學的例子即屬此類。7. 競爭的責任關係 Competing Responsibility：脈絡化醫療中的概念，指病人或照顧者因為承擔其他責任（工作、就學、照顧他人）而無法完成醫囑。8. ISBAR：醫護人員交班使用的結構化溝通口訣：Introduction（我是誰）、Situation（現在狀況）、Background（背景病史）、Assessment（評估）、Recommendation（建議）。俊廷建議一般人把 A 與 R 換成 Q（你想問的問題）。
9. WEIRD：Western、Educated、Industrialized、Rich、Democratic 的縮寫，指行為科學研究樣本長期過度集中於西方、受過教育、工業化、富裕與民主社會的人口。本集用以說明大語言模型訓練資料的預設偏差。10. 定錨效應 Anchoring：在對話開頭提供身分與背景資訊，使模型後續的機率排序向你的實際情境靠攏。11. 健康存摺 My Health Bank：衛生福利部中央健康保險署提供的個人健康資料下載平台，可取得近三年門診、住診、用藥與檢驗結果。俊廷建議直接下載電子版報告，避免拍照辨識造成的錯誤。網址：https://myhealthbank.nhi.gov.tw12. OpenEvidence：面向醫療專業人員的醫學文獻查詢 AI 工具。本集用以說明即使是醫療專用工具，其文獻庫仍以英文與歐美學會指引為主體。網址：https://www.openevidence.com13. ChatGPT Health：OpenAI 於 2026 年 1 月推出、專為健康情境設計的版本，可連結電子病歷與 Apple Health。網址：https://openai.com本集引用的研究與文獻- 
一般民眾使用 AI 的表現Bean, A. M., et al. (2026). Reliability of LLMs as medical assistants for the general public: A randomized preregistered study. Nature Medicine, 32, 609–615. https://doi.org/10.1038/s41591-025-04074-yGoh, E., Gallo, R., Hom, J., et al. (2024). Large language model influence on diagnostic reasoning: A randomized clinical trial. JAMA Network Open, 7(10), e2440969. https://doi.org/10.1001/jamanetworkopen.2024.40969- AI 的診斷與檢傷能力Brodeur, P. G., Buckley, T. A., Kanjee, Z., et al. (2026). Performance of a large language model on the reasoning tasks of a physician. Science, 392, 524–527. https://doi.org/10.1126/science.adz4433Ramaswamy, A., et al. (2026). ChatGPT Health performance in a structured test of triage recommendations. Nature Medicine. https://doi.org/10.1038/s41591-026-04297-7Costa-Gomes, B., Tolmachev, P., Taysom, E., et al. (2026). How people use Copilot for Health. Microsoft AI.KFF. (2026). KFF Health Information and Trust Tracking Poll. Kaiser Family Foundation. https://www.kff.orgHenrich, J., Heine, S. J., & Norenzayan, A. (2010). The weirdest people in the world? Behavioral and Brain Sciences, 33(2–3), 61–83. https://doi.org/10.1017/S0140525X0999152X- 脈絡化醫療與醫病溝通Weiner, S. J., Schwartz, A., Weaver, F., et al. (2010). Contextual errors and failures in individualizing patient care: A multicenter study. Annals of Internal Medicine, 153(2), 69–75. https://doi.org/10.7326/0003-4819-153-2-201007200-00002Marshall, S., Harrison, J., & Flanagan, B. (2009). The teaching of a structured tool improves the clarity and content of interprofessional clinical communication. Quality & Safety in Health Care, 18(2), 137–140. https://doi.org/10.1136/qshc.2007.025247- 資料隱私與重新識別- Sweeney, L. (2002). k-anonymity: A model for protecting privacy. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 10(5), 557–570. https://doi.org/10.1142/S0218488502001648法規與公共資源中華民國醫師法第 11 條｜醫師非親自診察，不得施行治療、開給方劑或交付診斷書。本集用以說明 AI 不具醫事人員身分，其輸出沒有法律地位。全國法規資料庫：https://law.moj.gov.tw/LawClass/LawAll.aspx?pcode=L0020001個人資料保護法｜臺灣目前規範個人資料蒐集、處理與利用的通用性法律，並非專為健康資料設計。全國法規資料庫：https://law.moj.gov.tw/LawClass/LawAll.aspx?pcode=I0050021憲法法庭 111 年憲判字第 13 號判決【健保資料庫案】｜2022 年 8 月 12 日宣判。認定健保資料由中央健康保險署提供作健保目的外之利用時，其主體、目的、要件、範圍、方式及監督與程序保障機制欠缺明確法律規範，不符法律保留原則，違反憲法對資訊隱私權的保障，並要求三年內修法。判決全文：https://cons.judicial.gov.tw/docdata.aspx?fid=38&id=309956HIPAA（Health Insurance Portability and Accountability Act）｜美國健康資料保護與隱私規範。本集用以對照臺灣目前缺乏統一健康資料保護專法的現況，並說明 ChatGPT Health 所稱之 HIPAA compliant 的意義。美國衛生及公共服務部：https://www.hhs.gov/hipaaPowered by Firstory Hosting

在AI五層蛋糕中，每一層業者都在積極發展並互相競爭，其中佔據三、四、五層的Google正在往一、二層發展，而佔據一、二、三層的輝達也正在往四、五層發展，彼此原先的客戶/供應商關係正轉變為競爭關係，其中的交集之一就是聯發科。兩家各自從晶片算力進入晶片傳輸，都需要聯發科技的技術協助，輝達是在AI 伺服器的NVLink Fusion上，以及進入終端裝置AI PC的RTX Spark晶片(由聯發科設計)； Goolge則是用來做資料推理的TPU系列晶片的設計，選聯發科為主要合作伙伴之一。除了聯發科，Google也與博通、邁威和超微等晶片設計公司合作，擴大在晶片組合的布局，進入CPU和CPO領域，降低對輝達依賴；輝達則是購併Groq、投資多家大語言模型業者、最近又收購Hugging Face等，直插Google的AI核心業務。雙方正在形成自己的陣營並演化為生態系，在多個戰場短兵相接已不可免，未來更將升級為一場全面戰爭。不論勝負歸屬，台廠供應鏈都可能受惠，但以往以自有產品為主的本地晶片設計業，也面臨巨大轉型。Powered by Firstory Hosting

本集重點：- AI如何讓記憶體從「慘業」翻身？HBM究竟改變了什麼？- 曾經輸給三星、丟掉客戶，SK海力士為什麼最後靠封裝技術逆襲？- 三星、中國長鑫快速追趕，台積電又扮演什麼角色？-----------🤩訂閱數位時代YouTube 》https://www.youtube.com/@bnext_official-----------🤩有合作需求請洽：podcast@bnext.com.twPowered by Firstory Hosting