這篇不是把獎項再列一次，而是整理一路做科展時，我的問題意識怎麼改變。
從第 65 屆分區科展的智慧回收系統，到第 66 屆第 6 分區中小學科展特優，以及第 25 屆旺宏科學獎佳作，我想留下的不只是結果。更重要的是：每次整理作品、準備說明與重新檢查方法，都讓我看到自己還能做得更好的地方。
還在不斷精進自己，每天都不一樣。
這也是我最近整理這段經歷時，最想表達的一句話。
第一段：讓 AI 從螢幕走進真實環境
智慧回收系統是我早期將 AI 與硬體串起來的研究。影像辨識只是其中一環，後面還有 Raspberry Pi、感測器、馬達，以及整個回收流程。
如果只看程式畫面，很容易覺得「模型辨識出來了，作品就完成了」。但是把它放進實際裝置後，問題會變得不同：圖片輸入是否穩定？辨識結果如何交給控制程式？裝置遇到錯誤時要如何處理？
這讓我開始理解，模型、程式與硬體要放在同一個流程裡看。其中一段出了問題，使用者看到的就是整個系統沒有正常工作，而不是「這一小段其實很成功」。
第二段：從使用 AI，走向研究 AI 的安全
後來，我把研究方向延伸到 RAG 與文件注入。
先用比較白話的方式說明：RAG 就是讓 AI 回答前，先查閱一份外部資料庫或文件。這個方法很實用，例如讓助理依照公司文件回答問題，而不是只依賴模型記得的內容。
但也因此多了一個問題：如果被查到的文件，混入了不應該被當成指令的文字，AI 會不會跟著它走？
這就是文件注入研究想追問的事情。外部內容應該是「可供參考的資料」，不應該因為出現在檢索結果裡，就取得指揮系統的權限。
研究裡涉及的切片、重疊與檢索參數，看起來像很細的技術設定，但它們其實都在影響同一件事：模型最後會看到哪些內容，以及它如何使用這些內容。
科展讓我練習的不只是上台
作品可以執行，和研究可以被理解，是兩件不同的事。
整理報告時，我必須把問題、方法與觀察分開，不能只把畫面或功能一口氣堆上去。準備說明時，也要練習先交代問題的重要性，再介紹專有名詞。
我現在也把這個要求帶回網站：如果一個頁面看起來很專業，卻讓人不知道可以做什麼，那還不算完成；研究也是一樣，如果只能列出很多技術，卻說不清楚它們在回答什麼問題，就還需要整理。
對我而言，下一步不是把所有事情說得更大，而是把每個結論的範圍、限制與驗證方法說得更清楚。
把研究帶進大學的學習
現在進入中興大學應用數學系，我希望把過去實作的經驗，和數學、資料分析與計算方法連起來。
以前遇到問題時，我常先想「要用什麼工具做」。接下來，我也想更有能力判斷資料、設計比較方式，理解結果背後的條件，而不只是讓程式跑出一個數字。
這條路還沒有走完。科展和競賽是階段性的紀錄，持續提問、修正和公開整理，才是我想長期留下的部分。
本文於 2026 年 10 月整理發布；活動成果依既有個人紀錄整理，不把分區成果或代表資格當作全國賽得獎。
讀者留言