國發會盤點AI新十大建設第二季成果，顯示主權AI正從政策規劃走向跨部會落地。教育、醫療與司法率先導入生成式AI、智慧健康與法務專屬LLM，金融領域則以Financial LLM補強在地語料與法遵需求。
國發會近日盤點「AI新十大建設」第二季階段成果，重點落在教育、醫療與司法三大領域，顯示政府推動主權AI已從戰略規畫進入跨部會落地階段。該政策由行政院國家人工智慧戰略特別委員會定調，核心方向是以臺灣在地資料、自由民主價值與可信任AI治理為基礎，建立符合本地需求的AI應用生態系。[1][5]
依據公開資料，AI新十大建設由國發會負責跨部會協調，目標是整合中央部會、地方政府與產業資源，推動AI示範場域與應用落地，並建立安全、可信賴且負責任的AI生態系。[1] 這次公布的成果是把AI能力嵌入教育學習、健康照護與司法行政流程，呈現政策落地的進展。[3][5]
在教育面向，教育部以「AI人才方舟計畫」與數位學習平臺「因材網」為主軸，導入生成式AI與學習助理「e度」，以分析學習狀況、診斷知識弱點與提供個人化回饋為設計核心。[5] 根據2024年統計，使用因材網超過4小時且搭配e度學習的學生，在國語文、英語與數學測驗通過率均有提升。[5]
醫療面向則聚焦智慧照護、健康監測、遠距醫療與AI輔助臨床判讀，特別對應高齡化社會的照護需求。[5] 國發會指出，大南方AI智慧健康展已集結超過100家產官學研單位、展出超過120項AI智慧健康應用，顯示相關技術正從研發走向場域驗證與實際部署。[5]
司法面向的重點在於資料安全與國家安全。法務部已啟動全臺首個法務專屬大型語言模型計畫，採三年三階段推動，未來將建構AI運算環境、資料湖與專屬模型推論服務，並優先導入檢察、觀護、行政執行與政府採購等場域，以縮短每年超過1,600萬件案件的文書整理與資料查找時間。[5]
金融領域雖未列入本次第二季盤點重點，但金管會已支持金融科技產業聯盟推動Financial LLM，由16家金融機構合作開發，以金融專業知識、本土金融語料與法規資料為基礎，朝金融業主權AI底層能力建構邁進。這補足了主權AI在高合規產業中的落地路徑，也讓政策版圖更接近完整。
這波政策的技術核心，不是單純把通用型大型語言模型直接套用到各部門，而是改採「領域模型」與「資料治理優先」的策略。[1][5] 對教育、醫療、司法與金融這類高度敏感場域而言，模型能力若缺乏在地語料、權限控管與合規設計，就很容易出現資料外洩、錯誤推論或法遵風險。
以教育場景來看，因材網導入生成式AI與對話式助理，代表系統已從靜態內容分發，進一步走向學習歷程分析、即時回饋與個人化推薦。[5] 這種做法的關鍵技術包括 learning analytics、adaptive learning、prompt-based interaction 與學生知識弱點辨識。其價值不只在於提升通過率，更在於把AI轉化為教學流程中的「持續陪伴型工具」。
醫療場域則更依賴多模態資料與邊緣感測整合。大南方AI智慧健康展展示的案例包含AI去識別化即時監測、動作分析、肌電感測、智慧床墊、智慧推車與AIoT感測設備整合。[5] 這表示系統架構不僅是模型推論，還包含感測資料蒐集、匿名化處理、事件偵測與遠端告警的完整 pipeline。對高齡照護而言，技術重點是低延遲、穩定性與可解釋性，而不只是模型精度。
司法領域的法務專屬LLM則是主權AI的典型案例。該計畫明確採三年三階段，先建置運算環境，再建立資料湖，最後提供法務專屬模型推論服務。[5] 這種架構反映了司法AI的三個必備條件：第一，資料必須在可控環境中治理；第二，模型訓練與推論必須符合權限分級；第三，輸出結果必須能支援案件處理，而非僅做一般性問答。若缺少這些設計，模型即使能生成流暢文本，也無法進入司法正式流程。
金融LLM則凸顯另一個技術方向：以產業聯盟方式建構 domain-specific LLM，並把法規資料、金融知識與本土語料一併納入。與通用模型相比，這種模式可降低回覆偏差與資料主權疑慮，也更適合智能客服、知識管理、法遵與風險管理等高責任應用。
整體來看，AI新十大建設的技術路線已從「模型中心」轉向「資料、算力、場域、治理」四位一體。國發會公布的資料顯示，政府一方面持續強化算力與Taiwan AI RAP等雲端開發平臺，另一方面也推動教育、醫療、司法與金融的垂直模型與示範應用。[1] 這代表臺灣主權AI的競爭力，不再只看是否有一個大模型，而是看能否把模型嵌入高價值、可治理、可擴散的公共與產業場景。
就公共治理而言，這項政策的直接影響是把AI從試辦專案轉為制度化工具。[1][5] 教育、醫療與司法都是高度依賴大量文本、流程與決策支援的系統，一旦導入穩定，可望縮短行政處理時間、降低重複性工作負擔，並釋放人力投入更高價值的判讀與服務。
對學校與教師來說，生成式AI與適性學習會改變教學設計，促使教師從單向講授轉向學習引導與學習歷程分析。[5] 對學生而言，AI助理能提供即時回饋，但也會帶來內容依賴、答案錯置與學習資料治理的議題，因此教育現場需要同步建立使用規範。
對醫療體系來說，智慧照護與遠距監測可支援高齡者、慢性病患者與長照場域。[5] 但醫療資料屬高敏感個資，模型推論若接觸不完整或未去識別化資料，就可能形成隱私與安全風險。因此，醫療AI的擴散速度通常取決於資料治理成熟度，而不只是模型表現。
對司法與法務機關而言，法務專屬LLM若落地成功，將對檢察、觀護、行政執行與政府採購流程產生明顯效益。[5] 由於案件量龐大，AI若能協助文書整理與資料檢索，就能改善案件積壓與行政負荷。但司法場域的容錯率極低，任何幻覺輸出或不當引用都可能放大程序風險。
對金融業而言，Financial LLM 的意義在於把主權AI落實到高監管產業。金融機構若能共同建立本土語料與法規模型，將有助於智能客服、內控、法遵與風險管理，並降低直接依賴通用模型所帶來的外部依賴與資料外流風險。
從國家層次看，這些垂直領域成果共同指向一個方向：AI不再只是研發競賽，而是治理能力、產業競爭力與社會服務能力的整合工程。[1][5] 其外溢效果將影響雲端算力、資料中心、系統整合、資安治理與人才培育等周邊產業。
主權AI要真正落地，防護設計必須先於擴大部署。對教育、醫療、司法與金融等領域而言，重點不只是「能不能用AI」，而是「能不能安全、可稽核、可追責地用AI」。
第一，必須建立資料分級與去識別化機制，並明確定義哪些資料可供訓練、哪些只能用於檢索、哪些不得離開內網。[5] 尤其司法與醫療場域涉及個資與敏感資訊，資料湖若缺乏權限控管，將直接放大風險。
第二，模型推論環境應採最小權限原則與完整存取稽核，避免不同業務線共用同一套權限邏輯。[5] 對法務專屬LLM與金融LLM而言，推論服務應保留日志、版本、提示詞與輸出紀錄，以便追查錯誤來源。
第三，所有高風險應用都應導入 human-in-the-loop 機制。無論是學習診斷、臨床判讀還是案件整理，AI都應作為輔助工具，而非自動決策主體。[5] 這能降低 hallucination、資料錯引與過度自動化帶來的風險。
第四，場域部署前應先完成紅隊測試與壓力測試，特別檢查 prompt injection、資料外洩、越權查詢與錯誤回覆等問題。對應用在政府與金融體系的模型而言，這些測試應納入上線門檻，而非上線後補救。
第五，跨部會應建立共同的 AI governance 架構，包括模型驗證、風險分級、事件通報與版本更新流程。[1] 因為這次政策不是單一部會專案，而是橫跨教育、醫療、司法與金融的國家級布局，若沒有一致標準，後續將出現治理碎片化。
5步驟修補清單