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
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。
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 |
ML 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……
研究AI模型的人
AI Research Scientist
Gemini Diffusion — Google DeepMind
訓練AI模型的人
Machine Learning Engineer
Source: mediatek.com — MediaTek Research Breeze-3
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
✦
學習策略
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
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
📇 名片掃描器
GPT-5 Vision 拍照辨識，自動建檔到 Google Sheets
📊 補助案追蹤
自動偵測官網更新，截止日前 Email 提醒
🈯 即時字幕簡轉繁
直播字幕瀏覽器擴充，供 OBS 疊加
🧪 新創存活率模擬器
ABM 互動網頁，呼應經濟學研究背景
🎞️ LINE 展場影片系統
自動生成影片，即時透過 LINE 發送
🎨 風格一致簡報生成
依品牌風格元素自動產出簡報草稿
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？
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：Asking 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
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
第五章
現在進場會太晚嗎？（2025–2026）
🏢 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」
附錄
講師介紹
Ching Hsu
徐靖
現職
- AI Engineer @ AnchorFilm（媒體製作）
- AI Researcher @ FundFluent（金融科技）
- Postdoc Researcher @ 台灣師範大學（科學教育）
代表作品
- AI Cut：影片自動剪輯系統（減少 80% 編輯時間）
- Pitch Deck 評估系統（4 個主要版本迭代）
- Research → Marketing：多 Agent 行銷素材 pipeline
- AI 新創存活率 ABM 模擬器（互動網頁）
- AWS Serverless 備份系統（月費 $1.3 美元）
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
