本文內容整理自 2026 年 6 月 22 日新光醫院急診科舉辦的全國 EMS／EM 救護討論會，由新光醫院急診科侯勝文醫師主講的〈AI 與 EMS 派遣：從哥本哈根到台北〉。

本文並不是單純討論「AI 能不能取代派遣員」，而是試著回答一個更務實的問題：

在一通可能關係到病人生死的 119 報案電話裡，AI 到底能幫上什麼忙？

近年生成式 AI、大型語言模型（Large Language Model, LLM）及 AI Agent 快速發展，使許多人第一次真正感受到人工智慧的實用性。不過，AI 在 EMS 的應用並不是從 ChatGPT 出現後才開始。

早在生成式 AI 普及以前，歐洲的 EMS 系統就已經利用機器學習與深度學習分析報案通話，希望從語音和文字內容中，更早辨識院外心跳停止(OHCA)。

從早期的通話辨識模型、語音轉文字，到現在的語音轉錄、品質管理、穿戴式裝置與多模態模型，AI 正逐漸進入緊急救護系統的不同環節。

但真正值得思考的，可能不是「AI 有多強」，而是：

• AI 的判斷能否轉化為實際行動？
• 派遣員是否願意相信警報？
• 系統能承受多少誤判與過度派遣？
• 國外訓練的模型，是否真的聽得懂臺灣的報案電話？
• 對臺灣而言，最值得優先導入的 AI 應用究竟是什麼？

生命之鏈：第一環沒有啟動，後面都不會發生​

OHCA 的救治不是單一技術或單一醫療處置，而是一連串必須迅速銜接的行動。

「生存之鏈」包括：

1. 及早辨識心跳停止並啟動緊急應變系統
2. 及早進行旁觀者 CPR
3. 及早取得 AED 並完成去顫
4. 提供高級心臟救命術
5. 完成心跳恢復後的整合照護
6. 復原

任何一環中斷，都會影響後續的存活機會。

根據簡報資料，美國每年發生超過 35 萬例 OHCA，整體平均存活率約為 8% 至 10%。即使面對相同疾病，不同 EMS 系統間的存活率仍可能存在 3 至 5 倍的差距。

這代表影響病人結果的，不只是醫療科學本身，也包括教育訓練、派遣流程、民眾(旁觀者)反應、資源配置，以及各地是否真正將制度落實。

本次要討論的重點也是目前AI介入的部分，就是生存之鏈最前端的 「辨識」。

病人若沒有被辨識為 OHCA，派遣員便可能不會立即啟動派遣員指導 CPR，報案者不會開始壓胸，也可能不會有人去取得 AED。

救護車雖然已經出動，但最重要的幾分鐘可能已經流失。

這對於我目前在這個偏鄉跑救護的感受很深，出勤報疑似OHCA比到場發現OHCA的比例中，反而疑似OHCA到場為OHCA的比例來的更少。

去顫每延遲一分鐘，病人的存活機會可能下降約 7% 至 10%。因此，對 OHCA 而言，勤指並不只是「接電話與派車」的行政中心，而是病人救治真正開始的地方。

以我自己在跑救護的案例當中，尤其又身處平均年齡較高與外移與外籍工作人口較多的鄉鎮，無論病人年紀與否，到場有bystander CPR 真的是少之又少，再加上長照資源介入程度的差異，導致患者於家中被發現為第一時間的OHCA比率來的非常非常低。

往往都是發現患者怪怪的，先打給老闆(居服員、雇主)，然候再透過跨區的轉報(因為雇主或是家屬大多都在外地工作)，代為報案

一層一層資訊的傳遞，時間的流失，都造成不可逆的結果。

OHCA 的電話辨識，比想像中困難​

OHCA 派遣辨識的核心原則，「No-No-GO」：

• 病人有意識嗎？沒有。
• 病人有正常呼吸嗎？沒有。
• 兩個答案都是「沒有」，立即開始指導壓胸。

流程看起來非常簡單，但真正困難的地方在於，派遣員並不在病人旁邊。

派遣員必須透過電話，引導一名可能極度緊張、哭泣、語意混亂，甚至根本不在病人身旁的報案者，完成意識與呼吸評估。

OHCA 病人通常也無法自行報案，因此派遣員接收到的資訊，必然經過第三人的觀察與描述。只要報案者提供了錯誤或不完整的資訊，無論是人類或 AI，都很難作出正確判斷。

目前全球 OHCA 電話辨識率的中位數約為 74%，各 EMS 系統間則可能從 14% 到 97% 不等。

換句話說，即使在現代 EMS 系統中，每 10 名 OHCA 病人，仍可能有接近 3 名沒有在報案階段被辨識出來。

人類與 AI 共同的盲點：瀕死式呼吸​

OHCA 辨識最常見的陷阱之一，是瀕死喘息（agonal breathing）。

心跳停止後，病人的腦幹可能仍有短暫殘餘活動，產生不規則、緩慢、喘息或類似打鼾的呼吸動作。

對一般民眾而言，看到胸口仍有動作或聽到喘息聲，最直覺的回答通常是：

「他還有呼吸。」

但這並不代表病人具有正常且有效的呼吸。

瀕死喘息甚至會形成一個反直覺的現象：有人親眼目擊病人倒下，OHCA 反而可能更難被辨識。

因為目擊者看見病人在倒下後仍有喘息或抽動，便認為病人尚未心跳停止，進而延遲 CPR。

研究顯示，漏掉 OHCA 的通話中，派遣員主動詢問呼吸狀態的比例約為 65%；成功辨識 OHCA 的通話中，詢問比例則可達 84%。

這也說明，比起單純等待報案者描述，派遣員是否主動、明確而具體地追問「正常呼吸」，可能才是辨識成功的關鍵。

更值得注意的是，瀕死喘息不只是人類的盲點。

AI 同樣是根據報案者的語句及通話資訊判斷。當報案者明確表示「病人有呼吸」，模型也可能被帶往錯誤方向。

因此，AI 並不是一個能看穿所有問題的神奇工具。當輸入資訊本身錯誤時，模型通常也只能在錯誤資訊上作出推論。

AI 在 EMS 派遣中的三種應用層次​

侯醫師將目前 AI 在 EMS 派遣中的應用，大致分成三個層次。

一、即時辨識​

即時辨識是目前研究最多，也是最容易被理解的應用。

系統在報案電話進行的同時，完成語音轉文字，並分析通話中是否出現 OHCA 的關鍵特徵。

例如：

• 病人沒有反應
• 病人沒有正常呼吸
• 突然倒下
• 呼吸聲異常
• 報案者描述病人正在喘息、抽動或打鼾
• 派遣員尚未完成 No-No-GO 的關鍵問句

當模型判斷案件可能是 OHCA 時，便在派遣畫面上顯示警示，提醒派遣員再次確認。

這類系統的重點不是自動取代派遣員，而是像坐在旁邊的第二名觀察者，在高壓且資訊量龐大的通話中，協助避免遺漏。

其實我覺得不應該只有OHCA被導入，應該連無線電的回報都應該有逐字輸出的功能，畢竟聽打有時候就是會遺漏。

二、品質回饋迴圈​

第二種應用是事後品質管理。

目前各縣市勤指已累積大量錄音、救護紀錄與案件資料，但依賴人工逐案聽取與審查，通常需要投入大量時間及人力。

AI 可以先協助：

• 將通話錄音轉成逐字稿
• 判斷是否完成意識與呼吸評估
• 計算從接聽到 OHCA 辨識的時間
• 計算從接聽到開始 DA-CPR 的時間
• 標記未詢問正常呼吸的案件
• 找出中斷、延遲或未完成 CPR 指導的原因
• 比較不同派遣員、分隊或縣市的常見缺失

更重要的是，AI 不只能逐案打分數。

當系統分析數百、數千甚至數萬件案件後，可能發現某個單位共同存在的系統性問題，例如：

• 對瀕死喘息的追問不足
• 遇到高齡報案者時較容易中斷指導
• 國語與臺語混用時辨識率下降
• 某類話術容易讓報案者拒絕壓胸
• 特定時段的辨識速度較慢
• 某些分隊在 CPR 品質上有一致性缺失

對臺灣而言，品質回饋可能比直接導入即時 OHCA 警報更有價值。

因為它的風險較低，不會直接影響當下派遣決策，卻可以減少品管人員負擔、統一審查標準，並逐步建立臺灣自己的 EMS 語料庫。

三、穿戴式裝置偵測​

第三種應用，是透過智慧手錶或其他穿戴式裝置直接偵測異常。

OHCA 派遣最大的限制，是病人通常無法自行報案。如果病人獨自在家，周圍沒有人看見，即使派遣系統再準，也不會報案進入 119。

若穿戴式裝置能偵測脈搏消失、異常活動或失去反應，便可能自動啟動緊急通報。

這相當於把 OHCA 偵測的起點，從「有人發現並打電話」，往前移到病人的手腕。

不過，穿戴式裝置也會面臨誤報、位置資訊、個人隱私、裝置普及率及 EMS 系統介接等問題。

因此，短期內它比較可能扮演新的資料來源，而不是完全取代傳統報案流程。

加上現在vibe codeing 的盛行與低門檻，現行各分隊都有一些 OHCA品管工具，或是現場的給藥紀錄等，可以做一個系統性的統整，令資料分析可以更全面，比較容易找出到底系統上哪裡有問題，哪裡需要改善的落實6環的每一環。

AI 真的比派遣員更會辨識 OHCA 嗎？​

Blomberg 2019：模型比人更敏感，也能更快辨識​

2019 年發表於《Resuscitation》的研究，是早期 AI 分析真實 EMS 通話的重要驗證。

研究中的機器學習模型：

• 敏感度為 84.1%
• 特異度為 97.3%
• 派遣員敏感度為 72.5%
• AI 辨識時間約為 44 秒
• 派遣員辨識時間約為 54 秒

表面上看來，AI 不只辨識得更多，也辨識得更快。

不過，這是一項回顧性研究。

研究可以證明模型在既有資料中的表現，卻無法回答一個更重要的問題：

當 AI 警報真的出現在派遣員面前時，派遣員會採取不同的行動嗎？

Byrsell 2021：真正的差異可能在速度​

瑞典的研究顯示，AI 與派遣員的整體 OHCA 辨識率差異不大，分別約為 86% 與 84%。

但在 60 秒內完成辨識的比例：

• AI 為 36%
• 派遣員為 25%

辨識時間中位數則約相差 28 秒：

• AI 約 72 秒
• 派遣員約 94 秒

這表示 AI 的價值不一定是「找到更多 OHCA」，也可能是「更早提醒」。

在 OHCA 救治中，20 秒或 30 秒看起來很短，但若能更早開始壓胸、更早派遣 AED，累積起來便可能影響病人結果。

全球第一個 AI 派遣隨機對照試驗，結果卻是陰性​

2021 年，哥本哈根進行了全球第一個 AI 輔助 EMS 派遣隨機對照試驗。

研究共納入：

• 169,049 通緊急電話
• AI 標記 5,242 通疑似 OHCA
• 最後確認 654 例 OHCA

系統會持續分析所有通話。當 AI 判斷案件疑似 OHCA 時，研究再隨機決定是否將警報顯示給派遣員。

也就是說，兩組都有相同的 AI 模型，差異只在於派遣員能不能看見警報。

結果顯示，模型本身確實比派遣員更敏感：

• AI 敏感度為 85%
• 派遣員敏感度為 77.5%

但是，派遣員實際辨識 OHCA 的比例並沒有顯著改善：

• 看得到 AI 警報的介入組：93.1%
• 看不到 AI 警報的對照組：90.5%

DA-CPR 的啟動率與啟動時間，同樣沒有明顯差異。

因此，這項研究的主要結果是陰性。

但把它解讀成「AI 沒有用」，可能過於簡化。

真正的瓶頸不是模型，而是人機互動​

研究中的 AI 雖然敏感，但陽性預測值（Positive Predictive Value, PPV）只有 17.8%。

換句話說，AI 每發出 5 至 6 次 OHCA 警報，只有大約 1 次是真的。

相較之下，派遣員判斷 OHCA 的 PPV 約為 55.8%。

如果派遣員完全依照 AI 警報行動，雖然可能多辨識一些 OHCA，卻也會增加約 1,519 次高優先派遣，使總出車量增加約 2.7%。

對車輛與人力充足的都會區而言，增加 2.7% 的出車量可能仍可承受；但在偏鄉或救護資源有限的地區，一次錯誤的高優先派遣，可能造成救護責任區長時間沒有可用車輛。

派遣員在長期使用後，也會逐漸發現警報經常出錯。

當警報多數是假的，派遣員便會開始忽略提示，形成所謂的警報疲勞（alarm fatigue）。

因此，AI 系統成敗的關鍵不只在於敏感度、特異度或模型大小，還包括：

• 警報如何呈現
• 什麼時候出現
• 是否提供判斷理由
• 派遣員是否理解模型限制
• 錯誤警報會增加多少工作負荷
• 系統如何建立使用者的信任
• 派遣員是否能回饋模型判斷

一個模型即使在研究報告中的數字很好看，若使用者不相信、無法理解，或警報無法轉化成下一步行動，它在真實系統中的效益仍可能接近零。

身處偏鄉非常有感

• 1. 人力難題

     以我現在所在的縣市而言，分隊與分隊的距離當然無法跟六都相提並論，平日熱門時段都有可能會發生大亂鬥¹的情況，更不用說當量能吃緊時這個系統能不能負擔的起這樣的工作負荷

辨識不等於行動​

AI 可以提醒派遣員「這可能是 OHCA」，但完成辨識之後，仍需要說服報案者開始 CPR。

現場報案者可能因為害怕、情緒崩潰、年齡、語言、宗教、環境限制或擔心傷害病人，而拒絕或無法完成壓胸。

因此，真正完整的流程應該是：

1. AI 或派遣員辨識疑似 OHCA
2. 派遣員確認意識及正常呼吸
3. 派遣員明確告知需要立即 CPR
4. 說服報案者將病人移到適當位置
5. 指導正確壓胸
6. 持續維持報案者的配合
7. 引導取得 AED
8. 與到場救護人員完成交接

AI 即使提升第一步的辨識率，也不代表後續每一步都會自動改善。

這也是為什麼 EMS 的 AI 不能只用模型準確率評估。

真正需要衡量的指標，還應包含：

• OHCA 辨識時間
• DA-CPR 啟動率
• 開始第一次壓胸的時間
• 報案者拒絕率
• AED 取得與使用率
• 不必要高優先派遣的增加量
• 派遣員對警報的採納率
• 派遣員工作負荷及警報疲勞
• 病人存活與神經學預後

臺灣已逐漸接近辨識率的天花板​

根據簡報引用的消防署資料，臺灣全國 OHCA 派遣辨識率，在 2021 年約為 66.55%。

當時 19 個統計縣市中，只有 5 個達到 AHA 建議的 75% 辨識率。

簡報引用的 2026 年 5 月消防署內部統計則顯示：

• 全國辨識率提升至約 81.2%
• 19 個縣市中已有 17 個達到 75%

五年間提升接近 15 個百分點，是非常明顯的進步。

但這個成果也帶來另一個問題：當既有派遣系統已經表現良好，單純加入即時 AI 辨識，能改善的空間可能越來越有限。

這就是所謂的天花板效應。

如果系統原本只能辨識六成 OHCA，AI 或許有機會帶來明顯改善；但當辨識率已超過八成，剩下的案件通常是最困難、資訊最不足的案例。

例如：

• 報案者不在病人身旁
• 報案者提供錯誤資訊
• 病人被誤認為酒醉或睡著
• 報案者表示仍有呼吸
• 語言無法溝通
• 外籍看護無法描述狀況
• 背景環境過度吵雜
• 通話中斷

這些問題未必能靠更大的模型直接解決。

臺灣的特殊問題：AI 聽得懂誰的語言？​

國外 OHCA 辨識模型多在北歐或韓語環境中開發，沒有使用臺灣 119 報案語料訓練。

然而，臺灣的緊急報案可能同時包含：

• 國語
• 臺語
• 客語
• 原住民族語
• 國語與臺語混用
• 外籍移工或外籍看護使用的華語
• 英語、越南語、印尼語等其他語言

同一句「沒有正常呼吸」，在不同地區、語言及生活習慣中，可能有完全不同的說法。

例如臺語中的「伊攏無咧喘」、「叫袂醒」、「人硬去矣」，未必能被只用標準華語訓練的模型正確理解。

Blomberg 2023 的分析指出，約 22.7% 的 AI 偽陰性案件涉及語言障礙。

這表示語言不只是語音辨識技術問題，也是一個公平性問題。

若模型只對標準國語表現良好，它可能恰好在高齡者、偏鄉居民、原住民族、外籍移工或其他最需要系統協助的族群中失效。

因此，臺灣若要導入 AI 派遣，不應直接購買國外模型後期待它自然適應。

更合理的作法，是使用臺灣各地實際報案資料建立本土語料庫，並依不同地區的語言分布訓練及驗證。

北部都會區的模型，不一定能直接套用到客語使用較多的桃竹苗，或臺語使用比例較高的中南部地區。

我的觀察／想法：

可補充你所在縣市常見的報案語言，以及第一線是否經常遇到外籍看護、長者或方言溝通問題。也可以討論視訊 119 是否能提供比單純語音更多的現場資訊。

對臺灣而言，品質管理可能比即時警報更值得先做​

依照簡報提出的優先順序，臺灣可以採取三階段路徑。

第一優先：AI 輔助品質回饋​

先將 AI 用於事後錄音分析與品質管理。

優點包括：

• 不會直接干預即時派遣決策
• 醫療與勤務風險較低
• 能減輕人工聽取錄音的負擔
• 能統一不同審查者的評分標準
• 能快速找出系統性問題
• 能建立本土語料庫
• 能作為後續模型訓練資料

這可能是目前投報率最高，也最容易開始的做法。

第二優先：本土化即時辨識​

在累積足夠本土語料後，再建立即時 OHCA 辨識模型。

建議先以影子模式（shadow mode）運行：

• AI 持續判斷案件
• 先不將結果顯示給派遣員
• 事後比較 AI 與派遣員結果
• 分析偽陽性與偽陰性
• 驗證不同語言、地區與時段的表現

確認模型安全性及可接受的誤判成本後，再逐步開放輔助警報。

警報也不一定只能分成「OHCA」與「非 OHCA」，可以採兩階段設計：

1. 寬門檻預警：提醒派遣員確認意識與正常呼吸
2. 嚴格 OHCA 警報：建議立即啟動 DA-CPR 流程

這樣可以降低模型直接下診斷所帶來的風險。

第三優先：穿戴式裝置與多模態資訊​

未來 EMS 系統還需要準備接收：

• 智慧手錶自動警報
• 手機位置及活動資訊
• 視訊報案
• 現場影像
• AED 資訊
• 公共場所監視器或感測器
• 社區志願應變者位置

目前 EMS 派遣 AI 的最大限制，經常不是演算法不夠強，而是輸入資訊太少。

當派遣員只有一通音質不穩定的電話，所有判斷都受限於報案者的描述。

若未來能加入視訊、穿戴裝置或其他感測資訊，人類與 AI 都可能得到更完整的判斷依據。

AI 導入 EMS 前，不能忽略的倫理與治理問題​

AI 進入 EMS 後，會接觸大量高度敏感的資料，包括：

• 報案者姓名與電話
• 病人健康狀況
• 地址與即時位置
• 通話錄音
• 現場影像
• 救護紀錄
• 病人後續醫療結果

因此，導入 AI 不只是購買軟體或訓練模型，也涉及完整的資料治理。

需要事先釐清：

• 誰可以存取錄音及逐字稿？
• 資料保存多久？
• 是否能用於模型訓練？
• 是否需要去識別化？
• 模型與資料是否放在境外伺服器？
• AI 判斷錯誤時由誰負責？
• 派遣員能否推翻 AI 建議？
• 是否完整保留模型警報及人工決策紀錄？
• 如何監測模型對不同語言及族群的偏差？
• 模型更新後是否需要重新驗證？

2026 年一項包含 18 個國家、27 位 EMS 專家、經過 3 輪調查的德菲研究顯示，專家對 AI 在通訊、臨床、教育、管理及營運上的應用大致能形成共識。

但在 15 項倫理議題中，只有 8 項達成共識。

爭議集中在病人自主、知情同意、資料隱私及偏見偵測。

這反映一個現實：技術的發展速度，往往快過制度與標準建立的速度。

第一線人員很可能在沒有完整 SOP、法律解釋或責任分工之前，就已經被要求開始使用 AI。

AI 不會取代派遣員，但會重新定義派遣員的工作​

現階段 AI 最適合的角色，仍是協作工具。

它可以：

• 持續聆聽所有通話
• 提醒可能遺漏的關鍵問題
• 找出疑似 OHCA
• 自動整理通話內容
• 協助事後品管
• 分析大量案件中的共同缺失
• 提供教育訓練素材
• 減少重複且耗時的行政工作

但它仍無法完全取代人類在以下方面的能力：

• 理解複雜情境
• 安撫報案者
• 說服民眾進行 CPR
• 在資訊不足時承擔決策
• 權衡區域救護資源
• 面對例外與倫理衝突
• 對決策結果負責

未來的派遣員可能不再只是按照固定流程詢問，而需要具備監督 AI、判讀模型限制與處理例外的能力。

換句話說，派遣員會逐漸成為 AI 系統的守門員。

真正重要的能力，也許不是會不會寫程式，而是能不能問出正確的問題：

• 這個模型是用什麼資料訓練的？
• 它在哪些族群中容易失效？
• 偽陽性與偽陰性的代價分別是什麼？
• 它改善的是模型指標，還是病人結果？
• 這項功能真的減少工作，還是製造更多警報？
• 當 AI 與我的判斷不同時，應該如何處理？
• 系統是否留下足夠紀錄，讓錯誤能被檢討？

我的想法：AI 最有價值的地方，可能不是代替人做決定​

以下段落建議改成自己的觀點。

我認為，AI 對 EMS 最大的價值，不一定是直接告訴派遣員「這是不是 OHCA」，而是讓原本難以被看見的系統問題變得可量化。

過去的品質管理，往往只能抽查少量案件。即使發現問題，也很難確定這是單一個案，還是整個系統反覆發生的缺失。

AI 若能分析大量通話，便可能協助我們回答：

• 我們最常在哪一個問題上延遲？
• 哪一類報案者最容易無法完成 CPR？
• 哪一種話術最有效？
• 哪些案件經常被誤判？
• 哪些差異來自個人，哪些差異來自制度？
• 教育訓練完成後，實際表現是否改善？

這些問題未必像「AI 自動辨識 OHCA」那麼吸引目光，卻可能更直接地改善整體 EMS 品質。

請補入自己的實務觀點：

我在第一線觀察到的問題是＿＿＿＿＿＿＿＿。

我認為目前最浪費人力的流程是＿＿＿＿＿＿＿＿。

如果能用 AI 協助，我最希望先改善＿＿＿＿＿＿＿＿。

但我最擔心的風險是＿＿＿＿＿＿＿＿。

我認為無論 AI 發展到什麼程度，最後仍必須由人負責的工作是＿＿＿＿＿＿＿＿。

結語​

從哥本哈根的機器學習模型，到臺灣正在發展的 AI 品管與派遣應用，可以看見人工智慧確實有能力協助 EMS。

但研究也清楚提醒我們：

模型比人準，不代表系統一定會變好；辨識出 OHCA，也不代表報案者就會開始 CPR。

真正影響結果的，是演算法、派遣流程、教育訓練、人機互動、資源配置與在地語言能否形成完整的系統。

AI 不應被視為萬能解答，也不應因為一次陰性研究就被完全否定。

更合理的態度，是先確認我們想解決什麼問題，再選擇適當的工具。

對臺灣而言，或許最務實的起點不是追求一套看起來最先進的即時警報系統，而是先利用 AI 做好品質回饋、建立本土語料、理解各縣市真正的弱點。

當資料、制度與使用者信任逐漸成熟後，再將 AI 放進即時派遣流程。

最後決定病人是否能得到幫助的，仍然不是模型跑出了多少分數，而是警報出現之後，有沒有人作出正確的行動。

資料來源與延伸閱讀​

本文主要依據：

1. 侯勝文醫師，〈AI 與 EMS 派遣：從哥本哈根到台北〉，2026 年新光醫院急診科全國 EMS／EM 救護討論會。
2. Blomberg 等人，2019 年發表於《Resuscitation》的 EMS 通話機器學習回顧研究。
3. Byrsell 等人，2021 年發表於《Resuscitation》的瑞典 OHCA 辨識研究。
4. Blomberg 等人，2021 年發表於《JAMA Network Open》的 AI 輔助 EMS 派遣隨機對照試驗。
5. Blomberg 等人，2023 年對 OHCA 偽陰性及辨識障礙的分析。
6. 內政部消防署，2021 年全國 DA-CPR 品質管理統計。
7. 內政部消防署，2026 年 5 月內部統計資料。
8. AlShammari 等人，2026 年 EMS 人工智慧應用國際德菲共識研究。

發布前建議補上各篇論文的 DOI 或正式連結，並明確註記 2026 年數據為演講簡報引用的內部統計。

Build 設定​

• Build command: npm run build
• Build output directory: dist
• Node.js version: 20

網域設定​

部署完成後，把 blog.cracks666666.com 加到 Pages 專案的自訂網域設定。

如果 cracks666666.com 已經在同一個 Cloudflare 帳號裡，通常可以直接由 Cloudflare 幫你建立 DNS 記錄。

為什麼這種配置適合 blog​

• 不需要資料庫
• 沒有 server-side runtime 成本
• Git commit 就是內容版本歷史
• Pages 負責自動建置與快取

這種組合很適合技術文章、專案紀錄、長期筆記站。

所以這次重構的核心原則很簡單：

• 文章本身就是純文字檔，方便放進 Git
• 發布流程盡量靜態化，降低維護成本
• 網域要能綁在自己的子網域上
• 之後只要專心寫內容，不需要再整理一堆後台
• 內容範圍可以很寬，不用被框死在單一主題

我希望之後可以在這裡寫幾種不同的東西：

• EMT 相關的實證想法與訓練後反思
• 技術開發與架構設計的做法整理
• 日常生活裡那些值得留住的片段與念頭

這也是為什麼最後保留了 Docusaurus，而不是換成一個更重的內容系統。

它很適合這個 blog 的需求：

1. 每篇文章都是 blog/*.md 或 blog/*.mdx
2. 內建 RSS、標籤、封存頁與作者頁
3. 建置後是純靜態檔，交給 Cloudflare Pages 就好

接下來要做的事情就很單純了：持續寫，而且不只寫一種內容。

1. 在 blog/ 新增文章檔​

檔名可以用日期開頭，方便排序：

blog/2026-06-15-my-topic.md

Front matter 最少保留這些欄位：

---
slug: my-topic
title: 我的主題
authors: [ray]
tags: [notes]
---

2. 決定今天要寫長文還是短記​

如果今天是比較完整的內容，可以用完整模板。

如果今天只是想先記一段想法、觀察或一個問題，也可以直接用短記模板。

兩者都可以用 .md，不用每次都寫得很重。

3. 內容用 Markdown 就夠​

一般文章直接用 .md。

如果你需要：

• 嵌入 React 元件
• 客製區塊排版
• 顯示更複雜的互動內容

再改用 .mdx 就可以。

4. 本機確認 build​

npm run build

只要這一步過了，通常 Cloudflare Pages 也會順利發布。

5. push 到 GitHub​

Pages 會從 repo 自動抓更新並重新部署，這樣整個 blog 就完成一次發文。