2026 — 講座
AI 工程師
在幹嘛？可以幹嘛？
從文組跨界到 AI 工程師的真實轉職旅程
徐靖（Ching Hsu）
總時長：2 小時
AI
開場
講師介紹
Ching Hsu
徐靖
現職
- AI Engineer @ AnchorFilm（錨點影音）
- AI Researcher @ FundFluent（金融科技）
- Postdoc Researcher @ 台灣師範大學（科學教育）
我在做什麼
- 在 FundFluent 打造 AI 評估與內容產出系統，讓投資簡報分析到行銷素材製作自動完成。
- 在錨點影音開發影片批量渲染的自動化流程，把大量重複的剪輯工作交給程式處理。
研究方向
- 人機互動中的情感依賴機制
- AI 新創存活率模擬（ABM，300 家公司 · 39 個月）
- AI 政策不確定性指數
課程簡介
為什麼要來聽這場講座？
AI 時代來臨，「AI 工程師」這個職業名稱開始頻繁出現在各大招募平台與新聞版面——但它到底在做什麼？需要本科資工背景嗎？文組或跨領域的人有機會轉進去嗎？
本講座由一位擁有經濟學博士學位、從學術研究者轉型為 AI 工程師的當事人分享：真實的轉職歷程、AI 工程師的工作日常、產業樣態，以及「你現在能做什麼」的具體行動建議。
插播
自己寫程式
叫 AI 寫程式
—— 2026 年，每天都要掙扎一次
AI工程師類型
AI 工程師按職務分類
| 類型 |
職務名稱 |
職務內容 |
| 研究AI模型的人 |
AI Research Scientist |
發論文、提新的架構 |
| 訓練AI模型的人 |
LLM Fine-Tuning Engineer |
底層數學有人做了，你負責上層應用 |
| 應用AI模型的人 |
AI Solution Specialist |
領域知識 × AI 工具 ＝ 現在的稀缺組合 |
或者你也可以都叫他們 AI 工程師啦……
插播
AI Research
Scientist
會接 API 的人
—— 反正履歷上都寫 AI Engineer
研究AI模型的人
AI Research Scientist
Gemini Diffusion — Google DeepMind
Diffusion Text Model：從滿版 [MASK] 逐步「去噪」還原文字
例子：Diffusion Text Model —— 不像 ChatGPT 一個字一個字往下接，而是像照片顯影：整段文字先全是 [MASK]，再一步步同時還原出完整內容，速度可以快很多。
訓練AI模型的人
LLM Fine-Tuning Engineer
Source: mediatek.com — MediaTek Research Breeze-3
例子：MediaTek Breeze —— 拿現成的開源模型（如 Llama），餵進大量繁體中文語料做 fine-tuning，讓模型更懂台灣的用語、法規與在地知識。不用從零發明模型，但要懂資料、訓練與評估。
應用AI模型的人
AI Solution Specialist
做產品的所有人。寫程式、生成影片、做出減肥紀錄、掃描名片 app……
第二章
我的日常任務
- 串接 AI API：把 OpenAI、Gemini、Claude 等接進你的系統
- 做研究寫文章：讓 AI 寫程式蒐集文字資料、統計數字，寫文獻回顧
- 建自動化流程：輸入文件 → AI 分析 → 輸出報告，自動跑
- 設計 AI Agent / Skill：把多個 AI 步驟串成 pipeline，自動產出與交付
- 串接前後端：資料庫、雲端、LINE Bot、Google Sheets…
- 打包成產品：GUI 介面、網頁、API，讓其他人能使用
✦
插播
大眾眼中的我
在終端機打字的人
這就是 AI 工程師嗎？
實際案例 01
🎬 AE 批量渲染系統
幫媒體公司 AnchorFilm 解決「大量影片需要人工剪輯」的痛點
- 01設計師設計好模版（AE Composition）
- 02CSV 設定批次渲染內容（影片素材、文字）
- 03腳本自動替換素材、批次渲染輸出
案例 01 — 成果
渲染影片流程
✅ 影片剪輯時間減少 80%，可批次處理整個資料夾
實際案例 02
Pitch Deck 評估系統
幫金融科技新創 FundFluent 自動評估投資人收到的 Pitch Deck
- 設計評估框架（5 個維度：團隊/技術/研發/商業/風險）
- 讓 GPT-5 逐張分析投影片，輸出結構化評分
- 自動生成報告，同步到 Google Docs/Sheets
- 根據用戶回饋迭代版本（v2.2 → v4.0）
填寫資料→
上傳簡報→
AI 評估→
產生報告
實際案例 03
Research → Marketing Agent Pipeline
幫 FundFluent 把一篇研究文章，自動轉成可發佈的各通路行銷素材
- 把工作流程拆成 3 個 Agent，各自掛上不同的 Skill
- 每個 Agent 的產出，連同原文一起往下傳給下一棒
- 商業判斷寫在 Skill 的 prompt 與範本裡，可版本控管
- 2026 的工作型態：不是寫死腳本，而是「設計 Agent 分工」
- 01
研究品質審查
檢查論點、數據與可信度
- 02
內容策略
擬定受眾、切角與通路規劃
- 03
通路轉換
產出官網／社群等通路文案
✅ 一篇研究 → QA 報告＋內容策略＋通路文案，一條龍產出
作品集
不只這幾個案例——這半年做出來的東西
共同點：都是「某個領域的重複性痛點」 × AI × 一點工程，就變成能用的工具。
案例小結
關鍵洞察
🧩
工程師 ≠ 全能
工程師的優勢在於專精程式碼。但領域知識（如 AE、金融）才是非資工背景的核心優勢。
💡
商業邏輯是關鍵
非資工背景最重要的仍然是原本就持續投資的領域知識。
AI 工程師目前的定位介在維護程式碼與商業應用之間，看個人天賦持續學習與取捨。
案例小結 · 給你的一面鏡子
我做的事，其實只分兩種
前面每個案例拆開來，都是同一個結構
① 我擅長的
領域知識、判斷力、問對問題——那些寫不成 SOP 的經驗（隱性知識）。
→ AI 取代不了，反而被 AI 放大（互補）
② 我需要做的
把判斷編碼成可執行的流程、技術串接、重複性的執行工作。
→ 正是 AI 可以替我做掉的部分（替代）
AI 是「替代」還是「互補」，取決於它站在你能力的哪一層。
把最稀缺的判斷力留給自己，把可編碼、可重複的交給 AI——這個交集，就是你能用 AI 實作的起點。
👉 換成你：你最擅長、別人不太會的那件事是什麼？
插播
跟 AI 比賽寫程式
判斷力留給自己，
苦工外包給 AI
學習策略
那「需要做的」不懂怎麼辦？
自學，自學，問 AI。
- 萬事問AI：截圖問、文字問、各種問
- 問 AWS 架構、問概念、問不知道什麼
核心概念： Unknown Unknown → Known Unknown
覺察到認知以外的事情，然後轉變成問題詢問 AI
插播 · 問問題的進化史
自己 Google 兩小時
上論壇發問，等三天
把錯誤訊息貼給 ChatGPT
直接截圖丟給 AI：
「這什麼？幫我修」
第三章
我如何轉職到 AI 相關職位？
非資工出身的優勢
- 更理解程式碼以外的事：產品邏輯、目標客戶、使用體驗
- 經濟學：Ask a good question → 時時刻刻確認目標，認清限制
- 統計學：資料的本質仍然是人的需求
插播 · 原本的人生規劃
讀個經濟學博士
當個認真的研究員
AI 開始
幫大家寫程式
AI 開始
幫大家寫程式
—— 所以我現在是 AI 工程師了
那你可以怎麼開始？
我的路徑，拆成四個起點
前兩個是「現在就能動手」，後兩個是「想走遠一點再投資」
① 興趣探索
從自己「有感」的東西開始做，撐過還不會的階段
現在就能開始
② 生活與職業的需求
真實痛點自帶規格與驗收標準，做完就有人用
現在就能開始
③ 經濟學：問好的問題
定義問題、認清限制、算機會成本
進一步的投資
④ 統計學：理解模型與人
懂模型為什麼會錯，也懂資料背後是人的需求
進一步的投資
起點 ①
興趣探索——從「有感」的東西開始
學程式最難的不是語法，是撐過「做出來的東西還很爛」的階段。興趣會幫你撐過去。
- 我玩吉他，想讓 Demo 有鼓聲 → 做出 DemoWithDrums（iOS App，已上架）
- 我想在 Mac 上聽 MIDI → 做出 MIDI Player（桌面播放器）
- 我想吐槽博士生活 → 做出 博士生的末日（Godot 遊戲）
為什麼興趣有效？
你是這個題目的用戶，不用問別人需求長什麼樣；
做壞了也不會怎樣，失敗成本趨近於零；
而且做完你會真的拿來用——用了才會想改，改了才會進步。
副作用：這些東西會自然變成你的作品集，面試時比證照有說服力。
起點 ②
從生活與職業的需求開發專案
興趣專案沒人驗收，但「真實需求」自帶規格、期限與使用者——這是最好的訓練場。
- 公司每週要剪大量影片 → AE 批量渲染系統（剪輯時間 -80%）
- 投資人看不完 Pitch Deck → AI 評估系統（迭代到 v4.0）
- 公司需要持續產出研究文章 → AI 輔助研究流程（蒐集資料、跑統計、寫文獻回顧，再自動轉成行銷素材）
怎麼找到這種題目？
盯著你（或同事）每週都在重複做的事：
複製貼上、整理報表、改格式、逐份看文件……
重複 = 可編碼 = AI 與程式最擅長的事。
關鍵心態：不管多粗糙，先做出一個能動的版本。有人用了，回饋自然會逼你把它變好。
進一步的投資 ③
經濟學——學會問好的問題
AI 時代寫程式越來越便宜，「決定要寫什麼」越來越貴。經濟學訓練的就是後者。
- 定義問題：目標是什麼？限制條件是什麼？——AI 只能回答你問得出來的問題
- 機會成本：這件事該自己寫、叫 AI 寫、還是根本不該做？
- 邊際思考：再多花一天把它做到 95 分，值得嗎？還是 80 分就該出貨？
- 替代 vs 互補：AI 站在你能力的哪一層？（前面那面鏡子，就是經濟學的框架）
我每天工作中最值錢的動作，不是寫程式，而是在動手前先確認「這個問題值不值得解、解到什麼程度就夠」——這是經濟學給我的肌肉。
進一步的投資 ④
統計學——理解模型，也理解人
統計學是少數「同時通往模型與人」的學科。
往模型那一側
- LLM 本質是機率模型：懂分布，就懂它為什麼會「一本正經地胡說」
- 懂抽樣與偏誤，就懂訓練資料如何形塑模型行為
- 懂評估指標，才說得出 AI 做得「夠不夠好」
往人的那一側
- 資料的本質是人的需求：每個欄位背後都是某人想知道的事
- 使用者回饋也是資料——懂統計，才不會被單一抱怨帶著走
- 把「感覺有效」變成「量得出來的有效」（例如剪輯時間 -80%）
模型錯的時候，統計學讓你知道它為什麼錯；產品沒人用的時候，統計學讓你知道人要的其實是什麼。
第四章
能力拼圖——你需要的不只是「會寫程式」
🎯 問題理解力
把業務問題轉化成 AI 可解決的任務
跨領域者天然優勢
⚡ 技術執行力
Python、API 串接、雲端基礎
需要刻意培養
🏆 領域知識
你的本行（財務、醫療、媒體…）
你的最大優勢
🔄 持續學習力
AI 工具半年就翻一輪
最重要的基礎能力
技術地圖
如果具備這些知識，那很好
- ✓專案程式運作流程
- ✓Python、網頁程式碼（HTML, JavaScript）
- ✓呼叫 API（OpenAI、Gemini 等）
- ✓檢查測試的概念
- ✓基本資料處理（JSON、正則式表達）
- ✓雲端概念（AWS / GCP 入門）
6
插播
「我上個月才學會的框架，怎麼又改版了」
真的沒事，大家都一樣 —— 重點是持續學習的能力
第五章
現在進場會太晚嗎？（2026-2027）
🏢 大公司
- 仍以資工背景工程師為主
- Fine-tuning（模型微調）
- RAG（公司內部文件檢索）
- 大型專案需要更深的技術力
🚀 小公司
- 成立成本因 AI 自動化大幅降低
- 越來越多需要自動化的公司
- AI 實習計畫不少
- 跨領域背景更受歡迎
第六章
行動建議
完全沒碰過程式
- 01用 ChatGPT / Claude 解決一個真實的小問題，並用 GitHub 控制版本（遊戲存檔概念）
- 02學 Python、JavaScript、HTML 基礎語法
已經會一點程式
- 01找一個熟悉領域的「重複性問題」
- 02用 API 串接一個解決方案，不管有多粗糙
- 03開兩個帳號模擬 repo quest
- 04學雲端架構（AWS Lambda / Cloudflare Workers）
- 05把「一次性腳本」變成「可部署的系統」
- 06重新造輪子沒問題，但這次讓它有一點點不一樣
插播
等一個「學完就不會再變」的 AI 工具鏈
—— 不會來的。半年翻一輪，先上車再說
