最近有人問我：「你不是軟體教育出身的嗎？怎麼跑去跟醫師和公衛學者合作？」
答案很簡單：痛點一模一樣
教育的痛點是「專家知識困在教師腦袋裡，scale 不出去」 健康促進的痛點是「專家知識困在醫師腦袋裡，scale 不出去」
AI 解的是同一個問題：怎麼把一個人的判斷力，安全地複製給一萬個人用
大健康的 AI 機會在哪裡
先講清楚：我講的「大健康」不是醫療 AI（那個需要 FDA/TFDA 認證，門檻太高不適合我）
我講的是健康促進（Health Promotion）——在人還沒生病之前，幫助他不要生病
這個領域的特點：
- 不需要醫療級認證（不是診斷、不是治療、不是開藥）
- scale 的需求巨大（全台 2,300 萬人都需要健康管理，但營養師 + 健康管理師不夠用）
- 知識是確定的（飲食指南、運動處方、慢性病預防——不像醫療有灰色地帶）
- 現有交付方式極度低效（一個衛教師一天只能面對面教 20 個人）
Eric Topol 在《Deep Medicine》講過一個觀點我很認同：
AI 對醫療最大的貢獻不是診斷更準，是把醫師的時間還給病人。更前面一步——是讓人根本不需要變成病人
健康促進就是「讓人不需要變成病人」的那一步
我實際在做什麼
場景一：健康促進研習班工作坊
跟台灣健康促進暨衛生教育學會（THPEA）合作，帶健康促進從業者（衛教師、護理師、公衛人員）從 0 開始用 AI
這些人的特點：
- 專業知識非常強（營養學、運動科學、行為改變理論）
- 但完全不會寫程式
- 每天花大量時間做「把知識翻譯成衛教單張」的手工活
我教他們的不是寫程式，是把專業知識結構化，讓 AI 代替他們做翻譯
一個營養師的衛教知識 → 結構化成 prompt template → AI 自動產出個人化飲食建議 一個物理治療師的運動處方 → 結構化成決策樹 → AI 根據問卷自動匹配
做完之後，一個營養師的產出從「一天 20 份手寫衛教單」變成「一天 200 份個人化建議」
場景二：醫學中心的個案管理數位化
某醫學中心的藥師團隊，每天追蹤幾百個用藥個案，全靠紙本 + Excel
痛點不是「AI 幫你判斷藥物交互作用」（這個需要認證），而是：
- 跨科會診資訊斷裂（心臟科開的藥跟腎臟科開的藥打架，但兩邊看不到對方的單）
- 個案追蹤全人工（哪個病人該回診了？哪個病人的 lab 數值異常了？）
- 資安要求極高（醫院等級的 RBAC + 黑白箱稽核）
我做的是系統工程：把碎片化的資訊流整合成一個系統，讓藥師能一眼看到全貌，而不是每天翻十本紙本夾
AI 在這裡的角色不是「取代藥師判斷」，是「幫藥師更快看到該看的資訊」
為什麼軟體教育 × 健康促進這個組合成立
我花 10+ 年在做的事：幫老師用科技教學
現在在做的事：幫健康專家用科技做衛教
底層 pattern 完全一樣：
| 教育 | 健康促進 |
|---|---|
| 老師的教學知識 | 衛教師的健促知識 |
| 學生的學習歷程 | 民眾的健康歷程 |
| 個人化學習路徑 | 個人化健康計畫 |
| 學習成效評估 | 健康行為改變評估 |
| AI Tutor | AI Health Coach |
差別只在 domain knowledge 不同，系統架構和 AI 應用模式幾乎可以 1:1 對應
這也是為什麼我能切進來——不是因為我懂醫學（我不懂），是因為我懂「怎麼把專家知識系統化 + 用 AI scale 出去」
這個領域的三個坑
坑一：把「健康建議」當「醫療建議」
健康促進可以說「每天走 30 分鐘對心血管有益」 但不能說「你的血壓偏高，建議服用 XXX 藥物」
前者是公共衛生教育，後者是醫療行為。AI 系統的 output 必須有明確的紅線——我的系統在 prompt 裡硬編了「不能涉及診斷、治療、用藥建議」的 constraint
坑二：以為「有 AI 就不需要專家了」
AI 不能取代營養師的判斷，它只能 scale 營養師已經做過的判斷
我的做法是：專家先用真實案例建立 golden set（黃金標準答案），AI 的 output 必須對齊 golden set。偏離太多就 fallback 回人工
這跟我在軟體教育做的一模一樣——AI Tutor 不能取代老師，只能 scale 老師已經設計好的教學流程
坑三：「導入 AI」被當成一次性專案
健康促進是長期行為改變，不是裝一個 app 就結束。AI 系統需要：
- 持續更新知識庫（新的飲食指南、新的運動研究）
- 持續追蹤成效（這個建議真的有讓人改變行為嗎？）
- 持續迭代 prompt（上個月的 prompt 不一定適合這個月的用戶群）
這就是為什麼我的服務模式是「長期顧問」而不是「做完交付走人」——這個 domain 沒有「做完」的一天
給想做 AI × 健康的人
如果你是技術背景：
- 不需要醫學學位，但要找到領域專家搭擋（營養師、物理治療師、公衛學者）
- 先搞清楚「哪些是健康促進、哪些是醫療」的紅線
- 從「幫專家 scale 已有知識」開始，不要從「AI 自動判斷」開始
如果你是健康促進背景：
- 你的專業知識就是最大資產——AI 缺的不是演算法，是你腦中的 domain knowledge
- 先學會「把知識結構化」（decision tree / checklist / template），這比學寫程式重要
- 找一個會做系統的技術夥伴，你出知識他出架構
如果你是醫療體系的人：
- 從「資訊整合」開始（把碎片化的紙本 / Excel / 不同系統串起來），不要從「AI 診斷」開始
- 資安永遠是第一順位（醫院的 IT 部門很嚴格，這是好事）
- ROI 最高的切入點是「減少人工抄寫時間」，不是「取代醫師判斷」
結語
AI × 大健康不是一個新 buzzword。它是一個非常具體的問題：
怎麼讓一個營養師的知識，在不犧牲品質的前提下，服務一萬個人？
這跟「怎麼讓一個好老師的教學，在不犧牲品質的前提下，教一萬個學生」是同一題
我花 10+ 年回答教育版的問題，現在開始回答健康版的
兩個版本的答案一樣：不是取代專家，是把專家的判斷力系統化，然後用 AI scale
如果你也在做類似的事，歡迎聊聊