2026 Agentic AI on the Edge 黑客松專題報告

2026 Agentic AI on the Edge 黑客松專題報告
阿吉老師 曾吉弘|CAVEDU 教育團隊
「讓 AI 不只回答,更能安全自主行動」是 2026 Agentic AI on the Edge 黑客松的核心理念。活動呈現 AI 代理的落地應用,也呼應 NVIDIA 執行長黃仁勳倡議的 Physical AI(實體 AI)方向。 第一階段共募集 51 隊,評審團討論後選出 15 隊進入第二階段。入圍團隊於 10 月 21 日參加實作坊,並在 10 月 22 日參加決賽,將 Agent 應用於製造、醫療、居家照護、機器人、資安與企業管理等場景。本文結合筆者的參與經驗與現場觀察,說明競賽設計、Agent on the Edge 的實作重點,並整理 15 隊作品講評。
競賽起源
把產業問題帶到可以實作與驗證的現場
這次競賽從具體的工作需求出發:企業與第一線工作者知道哪些流程繁瑣、哪些資訊容易漏接,也開始嘗試使用生成式 AI。下一步,是讓 Agent 讀取真實資料、調用工具、處理失敗,並完成一段工作流程。這些都是值得透過實作驗證的題目。
在這次參賽團隊中,我看到醫師與傷檢師、航勤與安管人員、輪胎廠商、餐飲經營者,以及熟悉產線的工程師。他們帶來的問題,都有清楚的工作背景:急救交接需要反覆確認,硫化機運轉時間和人員班別對不上,門店忙碌時難以發現客人等待,製造異常則需要跨部門拼湊線索。專業工作者提供判準與限制,開發者再把它們轉成資料介面、工具與可執行流程。
我認為黑客松很適合讓這兩種能力相遇。時間有限,團隊必須選定核心任務、決定哪些部分能完成,也要說清楚成果如何驗證。讓需求、開發與現場回饋靠近,正是這場競賽值得投入的原因。
從實作坊建立共同基礎
10 月 21 日,入圍決賽的好手們在瓶蓋工廠台北製造所進行 Agentic AI 實作坊。四個單元從 Agent 概念與邊緣架構開始,接著進入 NIM 微服務與本機 LLM 部署、工具調用與本機 RAG,最後延伸到多代理協作、Physical AI 與安全設計。10 月 22 日進入決賽開發與成果發表。依實作坊投影片的活動安排,下午四點程式碼凍結,接著展開 Demo、評審交流與頒獎。第一天共同學習,第二天回到作品接受檢驗,讓教學內容與競賽要求彼此銜接。
邊緣端會有更多限制:模型選擇要考慮記憶體與相容性,結構化輸出要經過程式檢查,工具執行結果要回到 Agent,關鍵動作也要有權限與人工確認。因此,主辦單位在 10 月 21 日的實作坊安排多家廠商分享,讓團隊理解各家產品與部署考量。
決賽回到現場可驗證的成果
第一階段透過企畫書進行初選;決賽的重點則很明確:「Agentic AI 真的在 Edge 上跑起來,而且遇到問題會自己想下一步」。第一階段的分數與排名不直接帶入決賽,評審以現場展示、可執行系統、log、trace、量測及失敗處理證據為準。
這也代表使用某個框架、模型名稱或硬體,不能直接換成分數。評審需要確認它實際負責什麼工作、是否在系統中執行,以及帶來什麼效果。各隊講評保留了當時對提案與展示的觀察,其中標示為模擬、目標或待驗證的內容,也應依原來的範圍理解。
二、為什麼要強調 Agent on the Edge
資料所在地決定部署需求
這次許多題目的關鍵資料,就在工廠、醫院、機坪或家中。配方、生產參數、病歷、居家影像與生物辨識資料,各有不同的存取與管理要求。將模型、檢索與工具安排在場域內,讓團隊有機會在使用資料的同時,控制資料流向與處理範圍。
邊緣部署也必須把邊界交代清楚。依評審須知,Cloud 並非一律禁止,但使用方式必須揭露,核心推論、資料處理、Agent 決策與工具執行各自在哪裡發生,都要能確認。只把設備當作資料轉送端,無法充分呈現 Agent on the Edge 的實作價值。
弱網與實體行動讓本機處理更重要
機器人在現場移動,需要根據現場觀測結果決定是否補掃或換視角;產線持續運作,資料異常與設備狀態也會變化。若每一步都依賴外部連線,網路延遲或中斷就會影響任務接續。把核心能力放在本機,可以降低對外網的依賴,但仍要測試場內資料源中斷、資料過期與工具失效時的行為。
實作坊中有張很可愛的投影片:物理傷害沒有 Ctrl+Z。Agent 接到機器人、機台或其他實體設備後,安全停止、避障、互鎖與必要控制應由可靠的機制把關。系統還要知道哪些動作可以自主執行、哪些需要核准,以及何時交給人接手。
有限資源讓系統分工更具體
在 Jetson 或 DGX Spark 上,模型、感知、資料庫與其他服務共用資源。模型大小、量化、上下文長度、快取、併發與功耗,都會影響一整段任務的表現。因此,效能量測需要回到指定硬體與實際工作負載,並區分模型推論延遲、工具耗時及端到端任務時間。
這次不少作品採取了很合理的分工:平時由輕量程式監看,事件成立再喚醒模型;數值計算交給公式與求解器;規章與驗收標準則由程式、技能規格或資料庫承擔。Agent 集中處理任務規劃、證據整合與下一步選擇,能讓有限算力用得更有目的。
自主性要看新證據是否改變下一步
評審須知要求觀察 Goal、Plan、Tool、Observe、Verify 與 Re-plan 的關係。工具回報失敗後,Agent 是否會換方法?新證據推翻假設後,是否能重新查證?證據不足時,是否能停止判斷?這些行為需要透過可追溯的執行紀錄說明。
決賽因此安排三種現場驗證方向:讓一個工具或資料源失敗、更改任務條件,以及查看決策與工具調用紀錄。測試以可控、不造成設備或人員風險為前提,用來確認系統在非預期情況下是否仍有合理行為。
正式評分共一百分,依第二階段評審須知分為以下四項。
| 評分項目 | 配分 | 核心觀察 |
|---|---|---|
| 邊緣端實作與效能 | 30 | 核心流程的部署位置,以及延遲、記憶體、吞吐與離線能力的實測證據 |
| Agentic AI 自主性 | 30 | 能否依新觀測與工具結果改變策略、重試、重新規劃並驗證結果 |
| 任務完成度與場景價值 | 25 | 核心任務是否端到端完成,對原來的工作問題帶來什麼改善 |
| 穩定性、安全與現場表現 | 15 | 權限、失敗恢復、安全停止、人工接管與現場展示穩定度 |
對我而言,Agent on the Edge 黑客松的價值,就在於讓這些要求同時接受檢驗。場景需求決定資料與工具,資源限制影響設計,自主行為必須有證據,安全邊界也要能執行。
三、各隊講評
點選隊名即可展開完整講評,再點一次即可收合。各隊可分別展開,方便閱讀與比較。以下是黑客松決賽當天的報告順序,大家可藉此重溫一下比賽現場的氣氛喔! (我真的很認真寫,請大家細細品味~)
01海德拉|邊緣幕僚 EdgeClerk:讓會議決議有人追,少花時間來回確認
「這件事上次決定了嗎?」「現在等誰確認?」「拜託啦,誰可以追一下?」帶過團隊的人,對這些話應該都很熟悉。會議有必要開,後續的確認、提醒與追蹤,卻常常占掉更多時間。海德拉團隊帶著管理顧問公司的背景,提出「邊緣幕僚 EdgeClerk」,我覺得非常實用,因為他們抓到了企業每天都會碰到的麻煩。
把會議裡的承諾,一路追到完成
讀這份提案時,我最有感的是團隊把工作單位放在「承諾」上。一場會議結束,誰答應做什麼、目前進行到哪裡、哪些事項還在等確認,都需要有人持續照顧。
EdgeClerk 規劃將錄音轉成逐字稿,整理決議與行動項目,再接上追認、核決及每日待辦提醒。大家可以查詢逾期事項,也能收到與自己有關的工作通知。這樣的 Agent 有很清楚的工作位置:幫同仁整理資訊、找出待辦、提醒下一步,減少反覆翻閱紀錄與詢問進度的時間。
團隊在企劃書中提到,既有平台已在一個約九十人的組織運行三個月。我尤其欣賞他們願意寫出使用人數下降的經驗:功能做出來之後,同仁未必會持續使用;後來才把重心調整到每天推送個人待辦。這段經驗很值得開發者參考。工具要進入日常工作,得讓使用者每天都有打開它的理由。
會議資料留在公司,權限也要管得住
這個題目採用邊緣運算的理由很具體。會議錄音可能包含人事、財務與客戶資訊,團隊因此提出以 DGX Spark 為核心,將轉錄、模型推論與知識檢索留在內網,並把斷網後仍能處理內部工作列為驗證項目。
我也注意到,他們把權限限制放進工具與資料庫:代理查詢要依照使用者身分,重要寫入需要核准,整理出的決議先存成草稿,再由人確認。企業願不願意讓 Agent 接近日常營運,這些細節會直接影響信任。
我期待看到:到底省下多少次追問?
接下來,我最期待團隊拿一場完整會議,展示錄音上傳、決議整理、人工確認到後續追蹤的過程,再量測同仁花在這些環節的時間。
提案列出決議送出到追認的中位時間為 3.4 小時,也註明導入前沒有量測。因此,目前還不能據此判斷改善幅度。若能補上人工處理的比較,以及決議草稿需要修改多少、提醒是否準確,就能更清楚呈現價值。
以我自己的工作經驗,少掉幾次「再幫我確認一下」,就很有感了。海德拉選了一個需求明確、值得長期打磨的題目;我會期待 EdgeClerk 持續證明,它能替團隊省下多少協調時間,讓會議裡答應的事情順利往前走。
02🏆[新北新創獎] 哲威揚團隊|AirLock:一步一步確認,讓 AI 接待更可靠
哲威揚團隊的 AirLock「地端語音接待與進場查核系統」,我最欣賞的就是它的分段確認機制。從聽清楚姓名、查詢登記,到核對現場特徵,每個階段都有確認條件;資訊不足時,就補問、查詢或交給人員處理。這套設計讓我看到團隊對接待現場的理解,也把 Agent 的工作安排得很清楚。恭喜榮獲新北新創獎!
聽到近似的名字,先問清楚再繼續
現場報到很容易遇到姓名同音、語音辨識錯字,或來訪者只說「我要找某某人」。AirLock 會先區分「我是誰」與「我要找誰」,避免把聯絡對象誤認為來訪者。姓名無法直接匹配時,系統再比對中文近音與英文別名,提出候選姓名,請本人確認。被否認的候選就排除;仍然查不到,再升級到模型查詢與 Agent 協助。
這種逐段確認的節奏很務實:每次先釐清一個疑點,再進入下一步。來訪者知道自己正在確認什麼,系統也能保留每一步的依據。
人員核可之後,現場查核仍要完成
另一個值得強調的細節:「核可」與「查核完成」各有條件。未登記的人員可以提出申請,由操作員或被找的人員核可。取得核可後,系統仍會回到當次接待,核對登記效期、語音確認與人物特徵,確保資料指向同一筆登記。若中途換人或換名,原本的流程與待核可項目就失效,新接待重新確認,紀錄則保留下來。
這點我很喜歡。真實入口會有人離開、有人接著上前,也可能有人改口報出另一個名字。團隊把這些情況納入流程,避免下一位來訪者沿用前一人的確認結果,考慮得相當細。
Agent 遇到疑點查資料,接待核心掌握流程
AirLock 也清楚限制 Agent 的權限。Agent 可以查名單、登記、現場觀察與接待紀錄,根據工具結果決定補問或轉交人員;它沒有直接放行、核可登記或修改名單的工具。模型提供事實與建議,再由接待核心依規則推進流程。團隊還留意到來賓的等候體驗 (時間寶貴呀!):較長的查詢先播報「我幫您查一下」,讓來訪者知道系統正在處理。這和分段確認搭配起來,整個互動就更容易理解。
後續我會期待他們加強測試同音姓名、現場噪音、多人接續報到,以及反覆換名等情境,量測錯誤接受率與轉人工比例。提案中的效能數據來自合成語音、模擬操作員與固定畫面測試,接下來走進現場,正好能檢驗這套分段確認機制的韌性。這是我很想看他們繼續打磨的一個亮點。
03黃老大帶我飛|機櫃裡的自主維運代理,還要懂得管理自己的用電
「黃老大帶我飛」把 Jetson AGX Thor 放進機櫃,讓 Agent 負責巡檢、診斷與故障復原,我很喜歡這個選題。尤其是團隊選用 Thor 的理由:他們已確認,在這項應用的電源管理需求上,Thor 比 DGX Spark 更有優勢。對一個必須全天候待命的維運代理來說,平時如何省電、遇到問題如何調度算力,都是系統設計的重要部分。先介紹一下,隊名裡的「黃老大」是他們的指導老師。老師帶著團隊挑戰機櫃維運,這個名字相當有記憶點!slide 首頁的章魚哥也確實說出了心聲:"誰想在凌晨三點修機房啦!"
平時低功耗巡檢,遇到疑難再升級處理
我特別欣賞團隊把 agent 用於能耗管理。機櫃大部分時間運作正常,如果每次例行檢查都動用大型模型、維持高功耗,長時間累積下來就是持續的資源支出。該隊進行分層處理:平時由較小的模型搭配節能模式巡檢;發現異常後,先判斷目前能力是否足以處理,需要時才升級到較大的模型並提高功耗,事件結束再回到節能模式。
讓算力隨工作需求調整,是這組選用 Jetson 很有說服力的地方。我也期待他們把二十四小時累積能耗、單次診斷能耗,以及故障處理時間一起呈現,讓節電與維運成效有完整的對照。
修完問題搭配確認服務是否恢復
這套代理的另一個亮點,是它會根據工具回傳的結果調整下一步。提案展示的流程包含健康檢查、讀取容器日誌、查找維運手冊、修正設定與重新啟動。當操作遇到權限拒絕,Agent 要能重新找線索;修復完成後,還要再次檢查服務狀態。這樣的流程很符合維運工作的實際需求,因為指令執行成功,仍然需要後續驗證才能確認問題解除。
團隊也量測了工具與提示內容縮減的效果,將上下文內容減少約一半。這個方向我很認同:把現場需要的工具整理清楚,讓模型更容易選對下一步,也能減少邊緣裝置上的運算負擔。
事先定義自主修復範圍
我也肯定他們對操作範圍的限制。目前展示的自主修復集中在專案容器與設定檔,涉及 Docker daemon、系統服務或共用資源的操作,都有另外的限制。更高風險動作的雙鑰匙審核則列為決賽實作項目。
後續我最想看的是連續故障與修復失敗的測試:第一次處理無效時,Agent 能否換一條診斷路徑?何時停止嘗試、通知人員接手?把這些情境跑完整再搭配 Thor 的能源調度量測,這個機櫃維運助手就更有實際部署的說服力啦!
04老闆好痛|人手忙不過來,讓 Agent 幫忙看見漏掉的服務
這兩位大哥的提案,我覺得非常務實,也非常接地氣。中小企業缺工,現場人員經常同時顧點餐、結帳、出餐與收桌,一忙起來,就可能漏掉正在等待的客人。「老闆好痛」團隊提出的門店服務漏接感知 Agent,正好切進這個痛點:在人手有限的情況下,幫店裡及早看見需要補位的地方。實證場域是六宴食堂・海味拉麵製作所,兩位大哥們很熱情,邀請大家有空去吃拉麵喔~
客人沒有抱怨,問題也可能已經發生
這一隊最有特色的地方,是以自家門店作為實證場域。團隊親自面對點餐流程與尖峰人力等問題,因此能根據實際經驗設計解決方案。例如店裡的點餐與結帳集中在吧台,客人拿著單子過來,剛好沒有人能接手,就可能站在那裡等。老闆事後看 POS,只看得到完成的交易;當下有多少等待、哪些服務沒接好,很難從營收報表還原。
他們希望透過既有監控與 POS 資料,把這些片段整理出來。碗盤長時間未收,可以提醒前場;吧台出現疑似等待情況,就留下候選事件供人確認。對忙碌的小店來說,這種提醒很有實際價值。
Agent 多查一步,協助釐清現場狀況
我也欣賞他們讓 Agent 在發現候選事件後,繼續查詢 POS、現場訊號與相關紀錄,再整理處理建議。看到吧台有人,還不足以判斷服務漏接。那個人可能正在拿菜單、已經結完帳,或坐在吧台用餐。團隊在實測中發現了這些誤判,因此把這類訊號定位為「待人工確認的候選」,保留由人判讀的空間。
缺工現場最怕增加無效工作,系統提醒若經常出錯 (false alert),同仁很快就會失去耐心。能確定的事情即時提醒,有疑點的事情附上線索,讓人快速確認,才有機會長期用下去。
沿用店裡的設備,算力也精打細算
技術上,我很喜歡他們從現有 DVR 著手。既有設備沒有開放 RTSP,就改用快照取得畫面,降低店家更換設備的負擔。平時的四路攝影機也採用輕量影像處理,事件成立後才呼叫模型。依提案實測,常駐層只使用約 0.05 個 CPU 核心,GPU 使用率為零。這種把資源花在需要處的設計,很符合中小企業對成本與維護的考量。
另一個實用成果是事後回查:團隊記錄了一次約二十八秒掃描全天九個半小時影格、整理出四個候選時刻的測試,其中一筆經場域負責人確認對應到服務負評。對必須自己顧營運的老闆來說,少花時間逐段翻監控,就已經很有幫助。
後續我期待他們持續修正櫃台的判定條件,尤其要納入「店員在場,但忙到無法接待」的情況。這正是缺工現場常見的難處。把提醒做準、把查證時間縮短,就能讓有限的人力更快補上服務空缺,也更貼近兩位大哥想解決的經營問題。
05邊緣聖盾騎士團|CareNest:把居家照護的提醒、監控與聯繫串起來
邊緣聖盾騎士團的 CareNest,讓我看到一套流程相當合理的居家照護構想。從用藥提醒、回診安排,到居家狀況監控與異常通知,團隊把照顧家人時經常遇到的事情串在一起。這種居家照護一條龍的設計,很貼近台灣高齡化社會的需求。
家人需要照護時,生活裡會多出許多必須記住的小事:今天吃藥了嗎?下次回診誰陪?接送安排好了嗎?白天一個人在家,有狀況時誰能先接到通知?每件事都重要,也常常分散在不同家人的手機、紙本紀錄與記憶裡。
照護需求改變,Agent 接著安排下一步
團隊用「病人剛出院」來說明流程。出院後行動不便、新增藥物、一週後回診,這幾項變化就會連帶產生提醒、接送與家屬分工的需求。
CareNest 先整理需要協助的事項,由家屬選擇、補齊資料並確認,再交給不同 Agent 執行,完成後更新共同的照護紀錄。這樣的順序很自然,也保留了家屬對重要安排的決定權。其中,用藥紀錄與剩餘藥量的連動也很實用。系統若發現藥量可能撐不到下次回診,會先核對領藥數量、服藥確認與用藥計畫;資料仍有疑點,再請照顧者確認實際剩餘數量。這些細節,正是照護家庭每天需要花心力處理的工作。
遠端看到異常,還要有人接手
另一項設計是遠端監控與告警。團隊規劃綜合攝影機、穿戴裝置與平常作息,判斷長時間未活動等情況。出現疑點時,先詢問照護對象;需要協助或沒有回應,再通知家屬。第一位聯絡人未接,接著聯繫下一位。從發現狀況、嘗試確認,到依序找人接手,整條通知流程有考慮到家屬未必能立即回應的現實。
這次智慧手錶的資料與互動環節採用模擬方式,後續仍需要接上實際裝置驗證。不過,整體流程已交代清楚,也讓人容易理解各項設備如何協作。補充:現場展示的長者跌倒影片為 AI 生成,並非實際拍攝。
資料留在家中,重要安排由家屬確認
居家影像、用藥與生活作息都很私密。CareNest 以 DGX Spark 在本機處理照護資料,掛號、叫車或傳送訊息等對外服務,則依授權提供必要資訊,這個安排符合照護情境的需求。
後續我最期待團隊把「告警之後的接力」測得更完整:手錶沒戴、裝置斷線、長者沒有回答,或家屬接到通知卻暫時無法處理時,系統如何呈現目前狀態、繼續找人協助。把這些日常情況逐一跑過,CareNest 就能更接近家屬真正需要的照護幫手,也讓遠端關心多一份可依靠的資訊。
06邊緣之眼 EdgeEye|從換線設定著手,降低產線導入視覺檢測的負擔
邊緣之眼 EdgeEye 從光學瑕疵檢測出發:產線換了料號,檢驗流程要如何調整?對經常更換產品、樣本又有限的工站來說,蒐集影像、標註資料、設定檢驗項目,都需要人力與時間。團隊希望讓 Agent 協助這段準備工作,方向很貼近傳統產業的導入難題。
把檢驗標準整理成可以逐項確認的題目
這份提案的特色是「讀標準、擬題、試判、驗收、提出上線提案」的流程。例如元件是否齊全、端子有沒有插到底、標籤位置是否正確,都可以整理成明確的檢驗題目。Agent 依據標準起草,再由現場人員確認;缺少參考圖或已知答案的樣本時,也要指出需要補什麼。這個設計可讓現場人員有具體的內容可以核對。檢驗要求是否寫完整、哪些條件容易產生歧義,也有機會在上線前先被找出來。這是團隊後續很值得持續打磨的部分。
團隊指出,中小型工廠可用的資料量有限,因此希望凸顯決策模型能以較少樣本進行判斷。考量資源限制,決賽版本在速度與準確度之間取得平衡。團隊也完成兩項驗證:一是確認題目符合驗收標準;二是確認決策模型能依題意進行判別。若判定不合格,規劃模型會更換參考圖,再交由決策模型重新判斷。哪些可以自動化,逐項驗收再決定
另一個值得肯定的地方,是他們允許不同檢驗項目採取不同處理方式:同一個產品可能有三項檢查,其中兩項驗收通過,就提出自動判定的建議;另一項若反覆試判仍未達標,就維持人工,並附上數據與原因。最後由人員確認上線提案。
這種逐項導入的思路很符合台灣中小企業主的思路。工廠可以先確認哪些工作適合交給系統,再逐步擴大範圍。團隊也規劃保留題目版本、判定機率、修正對策與人工覆核紀錄,方便後續追查設定與結果。
換線規劃與逐件檢測,分開安排算力
架構上,團隊把換線設定與生產判定分成兩個階段。一般產品初判由視覺決策模型處理,較複雜的 Agent 規劃則集中在換線與低信心情況,並規劃先裁切檢驗區域、預先處理參考圖,減少重複運算。
這些安排看得出他們有考慮產線節拍與邊緣設備的限制。不過,提案階段的驗證主要使用公開資料集與雲端 API,單次驗收樣本也只有十六張;Jetson 部署、實際工站表現與延遲目標,仍需要更多測試支持。
與團隊交流過程我會建議團隊接下來先聚焦一種產品、一項明確的檢驗要求,把良品誤判、瑕疵漏檢與轉人工比例量清楚。尤其調整門檻之後,要用獨立樣本確認效果。先把一個工站的換線流程做扎實,就能更清楚呈現 Agent 替現場省下哪些設定工作,也讓這個題目的實用特色更突出。隊伍也表示之後會想辦法整合 Jev,非常令人期待喔!
07大麥克製程部|讓 Agent 接手基因分析的長流程,資料留在院內
大麥克製程部把 Agent 用在基因體分析,這個領域我比較少接觸,但讀完提案,最讓我有感的是:一條需要跑上好幾天的分析流程,如何持續追蹤進度、處理錯誤,最後交出經過查證的結果?這正是他們希望交給 Agent 協助的工作。
可以把它理解成一位在院內執行分析工作的助手:收到定序資料與樣本對照表後,依照既定規範安排工具、啟動運算、檢查產出,遇到問題再診斷與調整。專業分析工具負責計算,Agent 則協調整條流程。
跑了四天多,靠事件通知接續工作
本隊記錄了一條持續 110.4 小時、約四天半的微生物總體基因體分析流程,處理三十二個樣本,完成七個步驟。Watcher 設計相當不錯,耗時的分析啟動後,Agent 就交出控制權,由監看程式追蹤工作狀態;等運算完成或發生異常,再喚醒 Agent 接著處理。
這個方法很適合長時間任務。等待期間不用反覆呼叫模型確認進度,也減少輪詢紀錄占滿上下文的問題。依團隊這次實測,七次喚醒皆一次成功,流程期間沒有觸發上下文壓縮。這是很具體的 Agent 工程亮點。
每一步都有驗收條件,錯了要能接著修
另一個值得肯定的設計,是團隊把操作規範與通過標準寫成「技能契約」。哪些步驟必須完成、輸出要符合什麼條件,都事先定義清楚,模型在範圍內規劃與排錯。Agent 執行後,要確認檔案存在、大小與內容合理,通過檢查才能往下一步走。提案也記錄了實際排錯案例,包括記憶體不足時降低執行緒數、修正掛載路徑與工具參數,以及中斷後只續跑未完成的部分。
對動輒數十小時的分析研究來說,這點超重要。一次故障若能保留已完成的成果,就能省下大量重跑時間。
完成之後,還拿結果回頭比對
團隊目前在 DGX Spark 上完成四條分析流程,涵蓋轉錄體、生殖系變異與微生物總體基因體分析,並使用公開資料與已發表研究核對結果。
該隊同時檢查了「流程有沒有完成」與「結果是否對得上」。例如用兩種方法分析同一份轉錄體資料,交叉比較共同找到的基因及變化方向;其他流程也逐項對照原研究。這些比對讓成果更容易被檢驗,也提供後續改善的依據。
院內部署的考量同樣清楚:模型、工具與參考資料預先備妥,分析期間離線執行,序列、報告與執行紀錄留在院內。研發階段使用公開資料進行的雲端評分,則與正式部署分開。
這套系統目前定位為研究與專業判讀的輔助。我期待他們繼續擴大樣本與異常情境測試,把長時間執行、檢查點驗證與中斷續跑做得更穩。對缺少專職生物資訊人力的單位,這些能力都有明確的應用價值。
08🥈評審團大獎第二名與最佳人氣獎 聯醫和平一摸就醒|讓急救資訊一路接到醫師面前
聯醫和平一摸就醒這隊所提出的 triAIge「急救護 AI 小助手」,勇奪這次評審團大獎第二名!團隊有現任醫師與傷檢師參與,切入的問題相當明確:從救護現場、運送途中、到院檢傷到醫師看診,如何讓已經確認的資訊持續被使用,讓缺少的資訊及早補齊?

急救過程分秒必爭,同一位病人卻可能在不同關卡反覆回答主訴、病史與過敏史。交接時還要重新整理、填寫表單,重要訊息也可能散落在對話與紀錄裡。這組能脫穎而出,關鍵在於妥善安排跨角色的多步驟資訊確認流程,並充分考量法規遵循。
聯醫和平一摸就醒團隊貼文
把運送時間用來確認與補問
triAIge 規劃從現場對話擷取資訊,預填救護紀錄,標出缺漏,讓救護員在適當時機確認、補問。到了醫院,再把已有資料帶入檢傷表,提示尚未取得或互相矛盾的項目。
把上一關取得的資訊,變成下一關可以查證的起點,這是本隊 agent 的價值核心:持續更新「已知什麼、還缺什麼、哪些需要重新確認」,再依目前關卡整理追問清單。新資訊進來,就重新檢查狀態。專業人員仍可依病況重新詢問,也能更快看出哪些內容已確認、哪些還有疑點。
摘要附上來源,方便醫師回頭查證
醫師端的設計也很用心。團隊規劃將重要訊號置頂,整理摘要與提醒,並讓欄位回溯到原始對話及填寫關卡。醫事處理尤其強調決策可溯源。摘要寫得再流暢,現場人員仍需要知道資訊從哪裡來、是否經過確認。尤其辨識不清或內容矛盾時,清楚標記「待確認」,才能幫助下一位接手的人判斷。
團隊另外規劃以「常見」與「不可漏掉的嚴重可能性」兩組清單,提供鑑別診斷提醒,附上依據與不符之處,交由醫師評估。最終檢傷、診斷與醫囑的權責,也保留在專業人員手上。
依任務急迫性,安排不同推理強度
技術上,這組有一個值得分享的取捨:現場欄位擷取優先求快,較完整的推理留給後續整理與判斷。依提案實測,同一個欄位擷取任務在關閉額外推理時,中位延遲約 4.2 秒、F1 為 0.956;提高推理強度後,未提及資訊被多答的情況減少,等待時間也增加。團隊用數據呈現速度與輸出品質的關係,很有說服力。
目前這些數字來自文字逐字稿的欄位擷取測試,缺口排序、摘要與鑑別診斷仍待進一步評測。後續若能在實際流程中量測填表時間、缺漏與矛盾資訊的處理情況,就能更具體呈現效益。
我很期待這組繼續和救護、急診現場合作。從誰取得資訊、誰確認,到下一位如何接手,triAIge 都有清楚的設計;這份來自第一線經驗的流程理解,是我認為它特別出色的原因。向第一線醫療人員致敬!
09AI 隱私團隊|真真假假:從假指紋辨識,走向有步驟的攻擊防禦
AI 隱私團隊的「真真假假」,把 Agent 帶進生物辨識資安。我覺得這組很有特色的地方,是他們關注到假指紋可能從資料傳輸途中被注入,並規劃讓系統綜合檢查來源、偽造風險與身分比對結果,再決定下一步。
以提案描述的攻擊情境來說,假手指會經過感測器,數位偽造影像卻可能從感測器後方進入比對流程。攻擊入口改變,檢查的位置與處置流程也要跟著調整。這讓作品有了很明確的資安問題意識。
賽後與團隊交流時,他們表示自己很清楚這是個注定小眾的切入點,但評審團已明確看到這隊所做的技術鑽研,超讚!
真偽、身分與資料來源,都需要確認
這組把一次指紋驗證拆成三項工作:輸入來源是否可信、影像是否有 AI 偽造跡象,以及是否符合登錄身分。因為身分比對成功只回答了其中一個問題;系統還需要檢查這份資料從哪裡來、取得過程是否可信。團隊將既有的指紋偽造偵測研究作為工具,再加入來源查核與政策閘門,讓不同證據共同參與判斷。
遇到矛盾證據,Agent 決定如何繼續查證
Agent 的角色集中在低信心或證據衝突的情況。例如來源有疑點、偽造判定不明確,就需要決定重新擷取指紋、要求多因素驗證,或停止流程並交由人員處理。
我認為這正是 Agent 值得發揮的地方:根據目前證據選擇下一個查證動作,取得新資料後重新評估。重試也有上限,無法釐清時安全中止,保留事件紀錄。一般明確的放行或阻擋則走快速流程,不必每次等待語言模型。這樣把即時驗證與疑難處理分開,符合門禁、電腦登入等場景的使用需求。
防禦建議受到規則約束,過程留下紀錄
團隊另外設計了確定性的政策閘門,限制 Agent 可以提出的動作,並規劃記錄檢查證據、判斷狀態與最終處置。對企業來說,事後能查明一次驗證為何被阻擋、為何要求重驗,是很實際的需求。
部署方向也考慮到既有設備,希望透過 SDK 或韌體整合,減少更換感測器的負擔;指紋影像與特徵留在裝置端處理,也呼應生物資料的敏感性。
這份提案有既有偵測研究與 SDK 原型作為基礎,Agent 工具調用、來源查核、重試與離線整合則列為活動期間的建置範圍。後續我會期待他們用完整攻擊案例,展示每一步取得什麼證據、如何升級驗證,以及何時停止。把這條防禦流程驗證清楚,就能更具體呈現 Agent 面對複雜攻擊時的協調價值。
10創星|T-AGENT:航勤與安管師攜手,把機坪安全稽核帶到邊緣端
T-AGENT 的亮點在於航勤與安管師的專業組合,以及他們把複雜飛安管理流程帶到邊緣端執行的嘗試。機坪上同時有裝卸、加油、車輛靠接與人員移動,每項作業都有規範,前後順序、設備位置與防護措施也彼此相關。能把這些現場經驗整理成 Agent 可以執行的查核流程,價值連城啊!

看見現場,再找到適用的規範
T-AGENT 將工作分給「視覺督導」與「SOP 法規專家」兩個 Agent。前者整理影像中的車輛、人員、作業狀態與時間點,後者查詢本機規章,協助比對適用條文,產出稽核報告。
這個分工明確串聯了機坪查核所需的觀察與規範。例如看到裝卸車靠近航機,還要確認支腳、防護欄與周邊作業;提出提醒時,也要能指出對應的畫面與查核依據。航勤熟悉作業如何進行,安管師知道哪些證據需要確認、哪些情況應該提醒或交由主管覆核。這兩種視角結合,讓題目有很清楚的實務方向。
團隊規劃納入兩千多條規章,並依不同航空公司的 SOP 切換查核內容。同一個作業畫面,要放回正確的作業情境與手冊版本裡理解,這正是專業背景能發揮作用的地方。
看不清楚,就把疑點交給現場確認
團隊提到:人員距離鏡頭較遠或背對鏡頭時,系統無法確認是否佩戴耳塞,就標示為疑似風險,說明視角限制,請現場負責人確認。這種處理方式很重要。畫面沒有拍清楚的部分,應該保留不確定性;報告也要讓覆核者知道,哪些是可見事實、哪些需要補查。
搭配時間戳與對應影格,安管人員就能回到特定片段確認,減少逐段翻閱長影片的負擔。團隊也把主管簽核納入流程,讓稽核結果接回既有的管理責任。
複雜流程留在現場,邊緣運算有明確用途
這組對於邊緣部署考量也很具體:機坪可能遇到弱網與通訊死角,長時間作業影像傳輸也有負擔,因此把影像分析、規章檢索與報告生成安排在 Jetson 端處理。
提案以一段四分十五秒的航機作業縮時影片,記錄約兩分四十八秒完成稽核的抽樣結果。這提供了初步示範,後續仍需要更多航次、天候、遮蔽與違規案例,驗證查核準確度及適用範圍。
期待創星持續把航勤與安管師的經驗轉成可驗證的檢查項目,尤其做好規章版本管理、證據回溯與人工覆核。這些細節若能逐步落實,就能讓邊緣 Agent 成為第一線查核與安管交接時實用的助手。
11 🏆[新創之星獎] Team Westie:讓 Agent 協調實心胎硫化、生產排程與人力
恭喜 Team Westie 的「實心胎智慧製造戰情室」獲得新創之星獎。團隊中有輪胎廠商參與,讓他們能從實際製程出發,找出硫化作業、機台排程與現場人力之間的難題。這種產業經驗與 Agent 技術的結合,非常棒。
傳統製造業的問題很具體:硫化機日夜運轉,人員卻有固定班別。輪胎完成硫化時,若剛好沒有人能處理出入模,機台就可能等到隔天。前段即使準備了更多半成品,仍然要等瓶頸工序消化。
把「什麼時候有人接手」放進排程
本隊設計貼近產線需求:先考慮出模時刻,再往前安排入模、貼合、投料與人力。依工廠提供的條件,不同尺寸實心胎的硫化需要二十四至三十四小時,中、大胎又共用部分機台。因此,排程需要同時考慮產品尺寸、機台限制、班別與換模成本。
讓輪胎在有人能接手的時段完成,才能減少完成之後的空等。這個想法很貼近現場,也看得出廠商參與帶來的價值。團隊進一步把它交給排程求解器計算,由 Agent 協調目標、查詢資料並整理方案。
一台機器異常,要一起看訂單與人力
他們對於 Agent 的安排也很清楚。硫化機發生溫度異常後,系統需要查感測紀錄、對照 SOP、計算製程影響,再確認後續訂單與班表,提出可行的調整建議。提案中的情境還加入了驗證與重新規劃:若原先預期溫度會穩定,後續卻持續下降,就要推翻原來的假設,重新查證、調整機台與排程。主管也可以否決跨組調人,改選其他方案。
我很欣賞這種分工。硫化計算交給公式工具,排程數字交給求解器,Agent 負責串聯資訊與處理步驟,主管掌握重要決定。每個角色都有明確工作。
製程安全獨立處理,資料留在廠內
團隊把安全核心與 Agent 分開設計。需要立即處置的條件由確定性程式與 PLC 規則處理,不必等待模型回覆;Agent 也無權覆寫安全核心或直接操作機台。新排程與涉及人力的調整,則經過可行性檢查與主管核准。
整套流程都是在 DGX Spark 上執行,讓配方、訂單與製程資料留在廠內,也考慮到沒有 MES 的中小廠,可以先從既有資料與 Excel 匯入起步。
提案中的交期縮短約三成、產能提升等數字,目前來自特定班表與設備條件下的模擬,後續需要實廠驗證。我期待 Team Westie 從一條線開始,量測機台空等、異常處理時間與排程執行情況。把這些現場數據累積起來,就能更清楚呈現 Agent 如何協助輪胎廠改善每天都在面對的生產協調問題。
12[🥉評審團大獎第三名] rm -rf|ScanPilot:從軟體開始設計,讓機器人主動查清現場
rm -rf 團隊帶來本地自主空間調查 Agent「ScanPilot」。讓我驚豔的亮點在於,機器人直接從軟體端開始設計,把任務流程、感測器、觀測動作與模擬驗證一起考慮,減少從模擬走到實機時需要重新磨合的落差。
主要訴求:「這個區域能否容納指定尺寸的機台?」機器人要移動掃描、確認尺寸與通道,發現資料不足時還要補看,最後交出有量測來源的配置報告。不過這個隊名 rm- rf... 你們家的 agent 應該不會去跑這個指令吧?
Isaac Sim 深度整合,連失敗後的下一步都能測
本隊對於 Isaac Sim 相當熟悉,把導航、建圖、視覺辨識、機械動作與 Agent 決策接進同一個任務流程,連「第一次看不清楚,接下來怎麼辦」都納入驗證。
例如讀不到設備銘牌時,Agent 可以讓攝影機抬高取景;若仍看不清楚,再讓機器人靠近。模擬中也加入底盤停止、手臂定位、穩定後才擷取影像的互鎖順序。
軟體需求會回頭決定機器人需要什麼動作、感測器要如何配合,這正是我覺得這組設計特別出色的地方。同一套 Agent 與工具介面再延伸到實機,也讓 Sim-to-Real 有清楚的銜接基礎。
看不到的地方,先補證據
ScanPilot 對空間證據的處理也很細。地圖上看似空白的區域,可能只是感測器沒有量到,玻璃與反光表面尤其容易造成誤判。團隊整合 RGB-D、LiDAR 與 DA3 視覺深度工具,並限制各自的用途:公制尺寸由幾何量測提供,DA3 協助找出可疑區域,將它標記為未知,觸發補掃。資料充分後,才交給幾何求解器判斷設備是否放得下。
真實狀況下,即便整張地圖覆蓋率看起來很高,局部仍可能漏掃;系統因此還要逐區確認,避免在資訊不足的位置給出配置結論。
Jetson 的資源與效能,選型時就一起考慮
這組對 Jetson 效能的掌握也讓我留下深刻印象。他們把語言模型、視覺工具與建圖所需的資源放在一起估算,並比較不同量化配置的速度、記憶體與模型行為。
提案中的前期測試以 RTX 4080 為基準,團隊選擇 Q8 配置,是因為模型層的越權拒絕表現較完整;同時也考慮到 Jetson 的記憶體頻寬差異,安排目標硬體重測與備援方案。這種選型方式很扎實,清楚知道每一項取捨會影響什麼。
期待 ScanPilot 接下來用更多實機任務,持續驗證感測器校正、量測誤差與補掃成功率。從軟體設計、Isaac Sim 到邊緣部署,這組已經建立了相當完整的工程脈絡,也把 Agent 主動觀察、查證與調整行動的能力,放進一個很有實用價值的機器人任務裡。
13土雞瓦犬|Hames:從一封客訴,追查到需要攔下的批次
Hames 從製造業的日常來切入:客訴進來後,品保工程師如何從生產、巡檢與出貨紀錄中追查原因,找出可能受影響的批次,再整理調查報告。我覺得這組最值得肯定的,是把「查原因」與「確認影響範圍」放在同一條工作流程裡。
客戶點名的產品,只是調查起點。同一副模具、同一段異常期間生產的其他批次,也可能需要一起確認。團隊注意到這種跨檔案、跨紀錄的追溯工作,相當亮眼。
從客戶點名的兩筆,往回追完整影響範圍
提案用合成案例展示:客戶反映兩筆出貨有問題,Agent 要沿著出貨單、批號與模具的關係,查詢巡檢及交接紀錄,再依公司程序整理需要攔查的貨品。其中一個有意思的設計,是比較不同假設。看到換料紀錄,先查同批原料在其他產線的表現;再檢查特定模具的溫度變化,縮小調查方向。
有查證順序才能確認不會掛一漏萬。每個推論都需要回到紀錄與計算,最後交出批號、數量與來源,品保人員才有具體內容可以複核。
把公司程序變成工具,讓數字有依據
另一個亮點,是 Hames 把公司規則寫成計算程式,由 Agent 調用。模型負責拆解任務、選擇工具與整理結果,批次和數量則依規則計算,並檢查數字能否找到來源。
開始執行前,系統也會先列出步驟、先後關係與所需權限,等待人員核准;高風險步驟再另外確認。完成後交付攔貨清單、8D 調查報告初稿,以及需要人工複核的地方。
把調查結果整理成現場接得下去的文件,是這個作品很實用的特色。對品保工程師來說,能看清資料怎麼查、數字怎麼算,才方便接續處理。
願意拆開測試,找出架構的實際貢獻
團隊也設計了對照測試,分別停用公司規則程式或檢查防護、調整模型分工,再比較任務完成情形,以評估各項設計的作用。這讓他們有機會釐清,哪些設計確實幫助 Agent 把工作做好。邊緣部署方面,他們在 DGX Spark 上比較量化、Flash Attention、推測解碼與上下文長度,依量測選擇設定。客訴、生產參數與追溯資料留在廠內,也符合題目的使用情境。
目前測試題數有限,多輪結果仍有波動,距離穩定交付還需要持續改善。我會建議團隊先聚焦客訴調查,把批次追溯、來源核對與報告複核做扎實。這條流程若能可靠地替品保人員減少翻檔、對表與整理時間,就有很明確的導入價值。
14Profet AI|FAE Twin Edge:資料留在廠內,讓排查經驗持續累積
Profet AI 的 FAE Twin Edge 雖然這次未獲獎,仍是一個讓我感受到團隊實力的作品。他們將 Agent 導入半導體製程的機台異常監控與良率診斷,從資料分析、現場確認到經驗保存,都有完整考慮。這組給我的印象是成熟穩健,清楚知道工廠導入 AI 時,每個環節需要如何接手。
提案以同一條產線中,一台機器良率明顯下降為情境。系統要先比較機台、製程配方與原料,縮小調查範圍,再查過往經驗、驗證假設,最後由工程師到現場確認。這條排查路徑很具體,也符合產線人員需要一步步找證據的工作方式。
舊經驗可以參考,也要接受新數據檢驗
這隊針對自身業務已是老手。過去遇到類似異常,可能優先檢查壓力;這次查完發現壓力正常,就應該調整方向,再檢查其他參數。團隊規劃由分析 Agent 蒐集證據,搭配本廠 AutoML 模型分析影響因素,再交由工程師現場量測、核對校正紀錄。這樣的分工,讓歷史經驗、數據分析與現場判斷各有位置。
更重要的是,提出原因與完成校正之後,還要追蹤良率是否持續回升,才進入結案。把處置後的驗證也納入流程,是我認為這個作品相當扎實的地方。
原始資料留在廠內,經驗經審核再流通
這組另一項特色設計,是將「廠內資料」與「可分享的排查經驗」分開處理。設備參數、Recipe、批次與機台紀錄留在各廠,由本地模型與工具分析。調查完成後,再將現象、排查順序、被推翻的假設、處置結果與適用條件,整理成可重用的 Skill,經人工審核後才派發。
他們也注意到,從對話整理出的記憶可能夾帶批號、數值或機台代號,因此需要審核關卡。這個細節很實際,顯示團隊有認真考慮跨廠分享時的資料邊界。
若下一座廠遇到相似問題,就能先參考已驗證的路徑;條件不符時,再回到本廠資料重新分析。經驗因此有機會持續累積,也保留重新查證的彈性。
Agent、分析工具與工程師,各自負責擅長的工作
架構上,FAE Twin 負責假設、經驗與結論,分析 Agent 負責查證,數值計算與歸因交給程式及 AutoML,生產處置則由工程師執行。系統也規劃採唯讀工具,避免 Agent 直接修改生產設定。
本次案例使用模擬機台與良率資料,提案也清楚標示既有功能、整合項目與驗證目標。後續若能透過實廠案例,比較首次排查與重用經驗後的時間、工具調用及判斷品質,就能更具體呈現效益。
Profet AI 讓我看到一支對產品與產業流程都有掌握的團隊。從異常開案到驗證結案,再把經驗留下來,這些細節都值得肯定,也很期待他們持續推進實際導入。
15[🥇評審團大獎第一名]|光寶 AI 園丁社 B:跨部門一起動手,讓 AI 走進製造現場
恭喜光寶 AI 園丁社 B,以「廠務戰情雷達」拿下評審團大獎第一名!這組在技術深度與應用廣度上都非常優異,從現場資料接入、人機料法環的交叉查證,到方案試算、人工核可與後續追蹤,都有周全的考量。
讓我特別高興的是,光寶已經在公司召集一批同仁,共同打造內部的 AI 風氣,這次更在黑客松大放異彩。熟悉工廠營運、設備、資料與 AI 的夥伴一起動手,第一線的經驗就能轉成具體的系統設計。再次恭喜!
五個面向一起查,把分散的線索接起來
廠務戰情雷達從在製品(WIP)增加的問題出發。產線開始堆料,背後可能同時牽涉人力配置、設備狀態、物料供應、排程方法與環境品質,查原因往往需要多個單位一起找資料、開會確認。
團隊把這些工作拆成人、機、料、法、環五個 Agent,再由統籌 Agent 整合證據、安排查證方向。這個架構的廣度很有挑戰:除了接到資料,還得處理時間、單位、批次與版本的一致性,才能讓不同來源的線索互相比較。只有在資料對得起來的前提之下,Agent 的推理才有可靠的起點。
原先的假設被推翻,就繼續找證據
這組的深度,可以從提案的查因案例看出來:起初懷疑缺料或來料異常,查證後卻發現齊套正常、換批次仍然塞站,於是轉查設備與重測規則,進一步追到治具磨耗的可能原因。
Agent 需要根據證據改變調查方向,並清楚交代為什麼改查。這個過程比直接產出一段原因分析更有價值,也更貼近現場工程師的工作。方案涉及的成本、交期與 WIP 影響,則交給公式計算,再由統籌 Agent 整理成決策建議。查證與計算各有依據,主管也比較容易審閱。
核可、派工與驗證,都有想到
另一個讓評審團留下印象的細節,是主管核可會綁定資料、證據、方案版本與期限。方案內容一旦改變,就必須重新確認;同一個指令重送,也只回傳既有任務,避免重複派工。
這些看似細小的設計,直接關係到系統能否進入日常工作。團隊同時限制資料讀寫範圍,將機台控制排除在本次權限之外,並安排資料過期、工具失敗與核可失效等測試,工程思考相當完整。
提案中的兩分鐘方案產出屬於驗收目標,歷史回放與效益試算也各自標示範圍。這種把成果、目標與假設交代清楚的態度,我同樣肯定。
再次恭喜光寶 AI 園丁社 B 奪得第一名!也期待光寶把這股內部 AI 協作的能量延續下去,讓更多第一線同仁的經驗,透過實作與驗證,逐步成為工廠用得上的能力。
四、AI 讓黑客松從構想到原型的距離大幅縮短
看完這次作品,我最大的感嘆,是 AI 已經改變黑客松的開發節奏。從前,一個想法要先花很多時間搭環境、查文件、寫介面與串資料;現在,團隊可以在 AI 協助下更快建立程式骨架、整理工具介面與排查錯誤,讓想法早一點進入可以操作的原型階段。
這十五隊裡,有些帶著既有研究或平台來,有些從新情境與新流程開始,起點各不相同。不過,從 idea 走到 prototype 的路程變得非常短,是我這次很強烈的感受。產業工作者能更早看到自己的需求被做成系統,開發者也更早拿到可以測試、被質疑與修改的成果。
原型出現得越快,後續驗證就越值得投入。省下來的開發時間,可以拿去檢查工具到底有沒有執行、資料是否足夠、結果能否重現,以及遇到失敗時會怎麼處理。我期待未來的黑客松,能有更多時間留給第一線使用者試用,讓團隊在比賽期間就接到更具體的回饋。
作為長期投入教學與邊緣 AI 的人,我很高興看見這個變化。以前課堂上的構想,現在更容易被動手做出來;以前得等很久才能驗證的流程,現在可以提早開始測。希望這次大家帶回去的原型,都能繼續長大,下一次見面時,聽到你們分享更多現場真正用起來的故事。
五、致謝:各級單位、贊助廠商與 NVIDIA 技術指導
感謝本次所有參賽團隊,有各位熱情參與才讓本次活動如此耀眼。這次活動能讓參賽者在現場學習、開發與展示,背後有許多夥伴共同投入。在此由衷感謝 Aetina、ASUS、EDOM、GIGABYTE、MSI 的支持,也感謝 NVIDIA 的技術指導,協助團隊理解邊緣硬體、模型部署與 Agent 開發的實作方向。
對參賽者來說,能實際接觸設備、討論部署問題,再把建議帶回作品測試,是非常寶貴的經驗。從模型選擇、相容性到資源配置,現場每解開一個問題,團隊就能再往前推進一步。
同樣感謝評審團閱讀提案、觀看 Demo、核對證據並提出建議,也感謝工作夥伴維持場務與交流環境。謝謝所有參賽者願意分享產業經驗、呈現開發成果,也誠實交代仍待驗證的部分。這些討論讓活動留下的收穫,超過了最後的名次。
感謝經濟部中小及新創企業署 (指導單位)、新北市政府青年局 (協辦單位)、NVIDIA 作為 AI 技術協辦單位,以及 TechOrange(科技報橘)一直以來的媒體贊助!
最後,感謝各贊助單位支援本次活動設備。設備清單如下(依英文字母順序排列):
- Aetina AIE-KT78 (Jetson Thor)

- ASUS PE3000N (Jetson Thor) / ASUS Ascent GX10 (DGX Spark)


- EDOM Technoloy (Jetson AGX Thor)

EDOM Technoloy (Jetson AGX Thor) - GIGABYTE AI TOP ATOM (DGX Spark)






留言 💬 (0)
還沒有留言,來當第一個。