Tool:AI使用基礎
AI 使用基礎：從概念到實踐的完整指南
本頁面為 Interaction Lab 編撰的 AI 初學概論，旨在幫助設計、人文與跨領域背景的學習者，從真實案例出發，建立對人工智慧技術的系統性理解。內容涵蓋 AI 如何改變日常生活、AI 的已知風險、主流模型的選擇策略，以及 AI 輔助設計與程式開發的實務工具鏈。
閱讀提示：本頁面所有資料均附有 APA 7.0 格式引用，參考文獻列於頁面底部。圖片為教學示意用途。
一、AI 已經改變我們的生活：Waymo 自駕計程車
1.1 什麼是 Waymo？
Waymo（前身為 Google 自駕車計畫）是 Alphabet 旗下的自動駕駛技術公司，目前營運全球最大規模的商業化無人計程車（Robotaxi）服務——Waymo One。乘客透過手機 App 叫車，一輛沒有駕駛的車輛會自動前來接送，全程由 AI 系統操控方向盤、油門與煞車（Waymo, 2026）。
1.2 規模與影響
| 指標 | 數據 | 來源 |
|---|---|---|
| 2025 年總行程數 | 約 1,400–1,500 萬趟 | Waymo (2026) |
| 每週付費行程（2025/02） | 超過 200,000 趟 | EE Times (2025) |
| 每週付費行程（2026/03） | 超過 500,000 趟 | The Driverless Digest (2026) |
| 2026 年底目標 | 每週 100 萬趟 | Waymo (2026) |
| 車隊規模（2026/03） | 約 3,000 輛 | Assembly Magazine (2026) |
| 營運城市數 | 11+ 城市（美國） | 9to5Google (2026) |
| 公司估值 | 1,260 億美元 | Mexico Business News (2026) |
1.3 Waymo 如何改變「叫車」這件事
傳統叫車流程是：打開 App → 配對人類司機 → 等待 → 上車 → 由人類駕駛。Waymo 完全移除了「人類司機」這個環節：
這代表的不僅是技術突破，更是一場社會行為的轉變：
- 勞動市場衝擊：2025 年末數據顯示，Waymo 營運城市的人類網約車司機每小時完成趟數已出現下降趨勢（Mexico Business News, 2026）。
- 安全性提升：Waymo 的自駕車在嚴重傷害事故率上顯著低於人類駕駛，這是取得監管批准的關鍵因素（Waymo, 2026）。
- 全球擴展：2026 年計畫進入倫敦與東京，代表自駕計程車即將走出美國（9to5Google, 2026）。
💡 課堂思考：當 AI 取代了計程車司機，我們應該如何看待「技術進步」與「就業保障」之間的張力？這不是一個有標準答案的問題，但它是每一位 AI 使用者都應該思考的倫理議題。
二、AI 如何革命性地改變生物科技：AlphaFold
2.1 蛋白質摺疊問題：生物學的「50 年大挑戰」
蛋白質是生命的基本建構單元，負責人體幾乎所有的生化反應。一條蛋白質鏈會摺疊成特定的三維結構，而這個結構決定了它的功能。然而，從氨基酸序列預測蛋白質的三維結構，是科學界公認長達 50 年的未解難題（Nobel Prize, 2024）。
傳統方法（如 X 射線晶體學）解析一個蛋白質結構可能耗時數月到數年，且成本極高。
2.2 AlphaFold 的發展歷程
| 年份 | 事件 | 意義 |
|---|---|---|
| 2018 | AlphaFold 1 於 CASP13 競賽奪冠 | 首次證明深度學習可用於蛋白質結構預測 |
| 2020 | AlphaFold 2 於 CASP14 達到實驗精度 | 被《Nature》稱為「解決了 50 年難題」 |
| 2021 | 公開 AlphaFold Protein Structure Database | 釋出超過 2 億個蛋白質結構預測 |
| 2024 | AlphaFold 3 發表 | 擴展至 DNA、RNA、配體等所有生物分子的交互預測 |
| 2024/10 | 諾貝爾化學獎 | Demis Hassabis 與 John Jumper 因「蛋白質結構預測」獲獎（Nobel Prize, 2024） |
2.3 AlphaFold 如何改變製藥與生技產業
AlphaFold 3 的關鍵突破在於：
- 跨分子預測：不僅預測蛋白質，還能預測蛋白質與 DNA、RNA、藥物小分子之間的交互作用（Isomorphic Labs, 2024）。
- 加速藥物開發：將標靶識別與先導化合物優化的時間大幅壓縮，減少對昂貴「濕實驗室」實驗的依賴（PreScouter, 2024）。
- 開放科學：AlphaFold Server 免費供研究者使用，程式碼與模型權重已開源供學術界使用（Isomorphic Labs, 2024）。
🔬 學術意義：2024 年諾貝爾化學獎頒給 Demis Hassabis 和 John Jumper（因蛋白質結構預測）以及 David Baker（因計算蛋白質設計），標誌著 AI 在基礎科學中的貢獻已獲最高學術殿堂認可（Nobel Prize, 2024）。
三、AI 的風險與限制：幻覺、偏見與正確的工作思維
在深入學習 AI 工具之前，必須先理解 AI 的系統性缺陷。這不是可以忽略的邊角知識，而是每位 AI 使用者的必備素養。
3.1 AI 幻覺（AI Hallucination）
AI 幻覺是指生成式 AI 模型以高度自信的語氣，輸出事實上錯誤、捏造或毫無根據的內容（Google, 2025; GPTZero, 2025）。
常見的幻覺類型
| 幻覺類型 | 說明 | 真實案例 |
|---|---|---|
| 捏造引用 | AI 創造不存在的法律判例、學術論文或新聞報導 | 2023 年美國律師 Steven Schwartz 使用 ChatGPT 生成法律摘要，提交的 6 個判例全部是捏造的，最終被法院制裁（Katara AI, 2025） |
| 虛構統計數據 | 提供看似合理但完全編造的數字 | AI 可能聲稱「某項研究發現 73% 的用戶偏好 X」，但該研究根本不存在 |
| 實體混淆 | 混淆歷史事件、人物、產品規格等 | 將不同公司的創辦人張冠李戴，或混淆產品的發布年份 |
| 虛假政策 | 聊天機器人編造不存在的客服政策 | 加拿大航空聊天機器人向乘客承諾了不存在的喪親折扣政策，航空公司被判必須履行該承諾 |
為什麼會產生幻覺？
防範策略
- 要求 AI 展示推理過程（Chain-of-Thought Prompting）：讓模型逐步說明推理邏輯，迫使它在得出結論前識別邏輯跳躍（Cierra AI, 2025）。
- 指派角色與限制：明確定義 AI 的角色和規則，例如「你是研究助理。如果你不知道答案，請直接說明你不知道。不要編造引用。」
- 交叉驗證：使用不同模型或多次查詢相同問題，檢查結果是否一致。
- 檢索增強生成（RAG）：將 AI 連接到可信的外部資料庫，讓模型基於實際文件回答，而非依賴內部記憶（Katara AI, 2025）。
3.2 AI 偏見（AI Bias）
AI 偏見是指 AI 系統產生對特定群體具有系統性歧視的結果。這不是理論上的風險，而是已經在法庭上被訴訟的現實問題。
真實案例
| 領域 | 案例 | 影響 |
|---|---|---|
| 招聘 | Mobley v. Workday（2024–2025）：集體訴訟指控 Workday 的 AI 履歷篩選系統基於種族、年齡和殘疾進行系統性歧視。2025 年 5 月，美國地方法院批准集體訴訟認證。 | 確立了AI 供應商可為其軟體的歧視性結果承擔法律責任的重大法律先例（Responsible AI Labs, 2025） |
| 招聘 | ACLU 訴 HireVue（2025）：ACLU 就 AI 影片面試工具提出投訴，該工具未能為聽障與原住民求職者提供合理調整。 | EEOC 明確聲明聯邦反歧視法完全適用於 AI 驅動的招聘決策（Quinn Emanuel, 2025） |
| 醫療 | 皮膚癌診斷差異：2025 年研究顯示，許多 AI 診斷模型主要以淺膚色患者資料訓練，對深膚色患者的惡性病灶診斷錯誤率顯著較高。 | 可能導致弱勢群體的治療延誤（Crescendo AI, 2025） |
| 執法 | 人臉辨識準確度差距：商用人臉辨識系統對深膚色女性的錯誤率顯著高於淺膚色男性。 | 造成錯誤識別與監控偏見的風險（Kodexo Labs, 2025） |
| 定價 | Instacart 定價實驗（2025）：AI 演算法對不同客戶顯示不同價格，引發「演算法價格歧視」爭議。 | 面臨公眾與監管機構的強烈反彈（Crescendo AI, 2025） |
3.3 正確的 AI 工作思維：架構式思考
⚠️ 核心原則：使用 AI 工作不是「逐步給指令」，而是「設計工作架構，讓 AI 在架構內自主執行」。
錯誤方式 vs. 正確方式
| ❌ 逐步指令式（低效） | ✅ 架構式思考（高效） | |
|---|---|---|
| 角色 | 你是打字員，逐字告訴 AI 做什麼 | 你是架構師，設計整體方向和品質標準 |
| 指令風格 | 「先寫第一段，再寫第二段，然後...」 | 「你是一位資深技術寫手。請根據以下大綱撰寫文章。文章需滿足：APA 格式、2000 字、學術語氣。」 |
| 品質控制 | 每一步都手動檢查 | 在 Prompt 中內建品質標準與限制條件 |
| 效率 | 花費大量時間在微觀管理 | 專注於問題定義和結果驗證 |
AI 工作的正確架構
四、Web UI AI 與 AI Coding Agent 的差異
4.1 Web UI AI（對話式 AI）
Web UI AI 指的是透過瀏覽器網頁介面使用的 AI 服務，例如 ChatGPT、Claude.ai、Gemini。
特點：
- 以對話為主要互動方式，一問一答
- 適合：文字撰寫、資料分析、腦力激盪、學習輔助
- 門檻低，任何人都能使用
- 無法直接操作你的電腦檔案或執行程式
4.2 AI Coding Agent
AI Coding Agent 是能夠直接在你的開發環境中讀取、修改、執行程式碼的 AI 工具。
特點：
- 能讀取整個專案的程式碼庫，理解檔案之間的關聯
- 可以自主執行多步驟任務（建立檔案、修改程式碼、執行測試）
- 需要基本的程式開發環境知識
- 適合：軟體開發、系統管理、自動化任務
4.3 關鍵差異比較
| 面向 | Web UI AI | AI Coding Agent |
|---|---|---|
| 介面 | 瀏覽器網頁（chat.openai.com 等） | IDE 內嵌或終端機（CLI） |
| 互動模式 | 對話式（你問我答） | 代理式（設定目標，AI 自主規劃並執行） |
| 檔案存取 | ❌ 無法存取本地檔案 | ✅ 可讀寫專案中的所有檔案 |
| 程式執行 | ❌ 僅在沙盒中模擬 | ✅ 可在你的電腦上執行指令 |
| 典型用途 | 撰寫文章、翻譯、摘要、問答 | 開發軟體、除錯、重構、部署 |
| 代表工具 | ChatGPT、Claude.ai、Gemini | Cursor、Claude Code、GitHub Copilot、Windsurf |
五、主流 AI 模型比較與選擇策略
每種 AI 模型都有其獨特的設計哲學與技術強項。選用 AI 不是選「最好的」，而是選「最適合當前任務的」。
5.1 2026 年主流旗艦模型比較
| 特性 | ChatGPT（OpenAI） | Claude（Anthropic） | Gemini（Google） |
|---|---|---|---|
| 旗艦型號 | GPT-5.4 | Claude Opus 4.7 / Sonnet 4.6 | Gemini 3.1 Pro |
| 核心強項 | 全能型、生態系統最成熟 | 程式開發與推理能力最強 | 即時資料、超大上下文窗口 |
| 最適合 | 日常通用、多模態任務 | 生產級程式碼、長文件分析、技術寫作 | Google 生態整合、大量文獻研究 |
| 上下文窗口 | 大 | 大 | 最大（100 萬+ tokens） |
| 多模態能力 | ✅ 文字/圖片/音訊/影片 | ✅ 文字/圖片 | ✅ 文字/圖片/音訊/影片 |
| 程式碼能力 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
| 寫作品質 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ |
| 研究速度 | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
| 弱點 | API 費用較高、有使用上限 | 生態系統較封閉、進階功能需技術門檻 | 複雜邏輯推理不及競爭者 |
| 月費 | $20 USD | $20 USD | $20 USD |
5.2 如何依工作性質選擇模型
| 工作場景 | 推薦模型 | 原因 |
|---|---|---|
| 撰寫學術論文、報告 | Claude | 寫作品質最人性化、最精準，擅長遵循複雜格式指令 |
| 程式開發、除錯 | Claude 或 Cursor（內建多模型） | 程式推理能力業界領先 |
| 處理大量文獻（100+ 頁） | Gemini | 超大上下文窗口可一次處理整本書或整個程式碼庫 |
| 日常多功能使用 | ChatGPT | 生態系統最完整，第三方整合最多 |
| Google Workspace 整合 | Gemini | 原生整合 Gmail、Docs、Drive |
| 圖片生成與多模態 | ChatGPT（DALL·E）或專用工具 | 內建工具最成熟 |
💡 專業建議：2026 年的業界共識是採用多模型策略而非依賴單一工具。許多專業使用者以一個模型作為「日常主力」，另一個模型的 API 處理特定的高難度任務（Kanerika, 2025）。
六、AI 輔助設計：Vizcom 與草圖到 3D 的革命
6.1 什麼是 Vizcom？
Vizcom 是一款專為工業設計師打造的 AI 設計工具，能將手繪草圖在數秒內轉化為高擬真的 3D 渲染效果圖。它徹底壓縮了設計流程中最耗時的「中間階段」——渲染、迭代與初步形態評估（Vizcom, 2025）。
6.2 Vizcom 的工作流程
6.3 Vizcom 的核心優勢
- 速度：傳統手工渲染一張效果圖需要數小時；Vizcom 可在數秒內生成，一個設計師在傳統方法做一張渲染的時間內，可以用 Vizcom 探索50–100+ 種變體（Vizcom, 2025）。
- 材質探索：即時切換皮革、金屬、塑膠等不同材質效果。
- 從 2D 到 3D：可將渲染結果轉換為 Mesh 模型（OBJ/FBX/STL/GLB），用於 AR 預覽或作為 CAD 建模的參考幾何（Vizcom, 2025）。
⚠️ 重要提醒：Vizcom 生成的 3D 模型是Mesh（網格）格式，不具備參數化 CAD 的設計歷史、裝配約束等數據。它最適合用於概念探索階段，正式量產仍需使用傳統 CAD 軟體（如 SolidWorks、Fusion 360）進行工程化設計（Vizcom, 2025）。
七、Stable Diffusion：AI 生成影像如何改變設計產業
7.1 什麼是 Stable Diffusion？
Stable Diffusion 是由 Stability AI 開發的開源文字轉影像（Text-to-Image）AI 模型。它屬於潛在擴散模型（Latent Diffusion Model, LDM），能根據文字描述（Prompt）生成高解析度的圖片（Rombach et al., 2022）。
與 DALL·E 或 Midjourney 的主要差異在於：Stable Diffusion 是完全開源的，可以在個人電腦上執行，也允許使用者自行訓練和微調模型。
7.2 Stable Diffusion 的架構原理
簡單來說：你輸入一段文字描述 → CLIP 把文字轉成機器能理解的數字 → U-Net 從一團噪聲中，在文字引導下逐步「雕刻」出圖像 → VAE 把壓縮的結果放大為高解析度影像。因為整個過程在壓縮的「潛在空間」而非完整像素空間中進行，所以能在消費級 GPU 上執行（Rombach et al., 2022）。
7.3 Stable Diffusion 如何改變專業設計
| 應用場景 | 傳統方式 | AI 輔助方式 |
|---|---|---|
| 產品概念視覺化 | 設計師手繪 + Photoshop 渲染（數小時） | 輸入 Prompt + ControlNet 控制構圖（數分鐘） |
| 材質與配色探索 | 手動調整每一個配色方案 | 批次生成數十種材質/配色變體 |
| 情境圖（Lifestyle） | 攝影棚拍攝或 3D 場景搭建 | AI 生成產品在各種場景中的使用情境 |
| 競品分析參考 | 收集大量參考圖片 | 以文字描述生成特定風格的設計參考 |
八、AI Coding Agent 深度介紹
8.1 什麼是 AI Coding Agent？
AI Coding Agent 不是傳統的「程式碼自動完成」工具。它是一個能夠自主規劃、讀取檔案、執行指令、迭代修正的 AI 代理系統。你給它一個目標，它會自己拆解任務、編寫程式碼、執行測試、修復錯誤，直到任務完成。
8.2 主流 AI Coding Agent 比較（2026）
| 工具 | 設計哲學 | 架構 | 最適合 | 核心功能 |
|---|---|---|---|---|
| Cursor | AI 優先的 IDE | VS Code Fork | 全方位專業開發 | Composer 多檔案同時編輯、完整專案索引、內建多模型切換 |
| Claude Code | 推理導向的終端代理 | CLI（終端機原生） | 複雜重構與深度邏輯推理 | 超大上下文窗口、自主讀寫檔案與執行指令、Git 整合 |
| Windsurf | 代理式流暢體驗 | VS Code Fork | 需要連續工作流的開發者 | Cascade 代理跨對話保持上下文、流暢的 UX 設計 |
| GitHub Copilot | 企業級生態標準 | 外掛（支援所有主流 IDE） | 企業團隊、合規需求 | Agent Mode、跨 IDE 支援（VS Code/JetBrains/Neovim） |
8.3 AI Coding Agent 能做什麼？
- 從零建立專案：描述你想要的應用程式，Agent 會自動建立檔案結構、撰寫程式碼、設定配置。
- 除錯（Debugging）：貼上錯誤訊息，Agent 會分析整個程式碼庫找出問題根源並修復。
- 重構（Refactoring）：將混亂的程式碼重新組織，改善架構但不改變功能。
- 撰寫測試：自動為現有程式碼撰寫單元測試和整合測試。
- 文件生成：自動為程式碼撰寫文件註解和 README。
- 部署自動化：設定 CI/CD 管線、Docker 容器化、伺服器部署。
九、Git 與 GitHub：版本控制的基礎
9.1 什麼是版本控制？為什麼需要它？
沒有版本控制時，你的專案資料夾可能長這樣：
報告_初稿.docx 報告_修改版.docx 報告_最終版.docx 報告_最終版_v2.docx 報告_真的最終版.docx 報告_真的真的最終版_教授改完.docx
版本控制系統（VCS）就是為了解決這個問題而生的。它像是你專案的時光機，維護每一次變更的完整、有序歷史記錄（GitHub, 2025）。
9.2 Git vs. GitHub
| Git | GitHub | |
|---|---|---|
| 是什麼 | 版本控制工具（安裝在你的電腦上） | 基於 Git 的雲端託管服務 |
| 功能 | 追蹤檔案變更、儲存快照、回復到任何歷史版本 | 儲存 Git 儲存庫到雲端、團隊協作、專案管理 |
| 比喻 | 你的個人筆記本（記錄每次修改） | 把筆記本放到雲端共享空間（讓團隊一起看和編輯） |
| 是否需要網路 | ❌ 完全離線運作 | ✅ 需要網路連線 |
9.3 核心概念
基本操作概念：
- Repository（Repo）：被 Git 追蹤的專案資料夾。
- Commit：專案在特定時間點的「快照」，附帶說明訊息描述你做了什麼變更。
- Push：將本地的 Commit 上傳到 GitHub。
- Pull：從 GitHub 下載最新的變更到本地。
- Branch（分支）：獨立的開發路線。你可以在分支上實驗新功能，測試穩定後再合併（Merge）回主線。
- Clone：從 GitHub 下載一個完整的專案到本地。
9.4 Git 不只是給程式設計師用的
Git 適用於任何需要版本追蹤的文字工作：
| 應用場景 | 如何使用 Git |
|---|---|
| 學術論文寫作 | 每次重大修改做一次 Commit，可以隨時回到任何版本 |
| 設計文件 | 追蹤設計規格文件的變更歷史 |
| Wiki / 文件維護 | 本站（Interaction Lab Wiki）的所有伺服器設定檔都使用 Git 管理 |
| 共同創作 | 多人同時編輯同一份文件，Git 自動合併變更 |
十、CLI（命令列介面）：AI 與人類協作的新介面
10.1 什麼是 CLI？
CLI（Command Line Interface，命令列介面）是透過文字指令與電腦互動的方式，與 GUI（圖形使用者介面，也就是你平常用滑鼠點擊的方式）相對。
# GUI 的方式：打開 Finder → 找到資料夾 → 按右鍵 → 新增檔案 # CLI 的方式： $ touch new_file.txt # 一行指令搞定 $ mkdir my_project # 建立資料夾 $ ls -la # 列出所有檔案
10.2 為什麼 CLI 在 AI 時代變得更重要？
在 AI 時代，CLI 的重要性不降反升，原因是：
| 原因 | 說明 |
|---|---|
| AI Agent 的母語就是 CLI | AI Coding Agent（如 Claude Code）直接在終端機中運作，讀取檔案、執行指令、部署服務——這些操作本質上都是 CLI 指令。 |
| 自動化的基礎 | 所有的自動化腳本、CI/CD 管線、伺服器管理都建立在 CLI 指令之上。學會 CLI = 學會自動化。 |
| 精確控制 | GUI 的操作往往受限於介面設計者提供的選項。CLI 讓你能精確控制每一個參數。 |
| 遠端操作 | 管理遠端伺服器（如透過 SSH 連線）時，CLI 是唯一的介面。 |
| 可重複性 | CLI 指令可以記錄、分享、自動化。GUI 操作難以精確重複。 |
10.3 AI 時代的 CLI 工具生態
| 工具 | 用途 | 核心特點 |
|---|---|---|
| Claude Code | 複雜多檔案程式推理 | 進階推理、處理大型生產級程式碼庫 |
| Aider | Git 原生配對程式設計 | 直接編輯檔案並自動建立 Git Commit |
| Gemini CLI | 快速多模態終端助手 | 深度 Google 生態整合、免費額度優渥 |
| Codex CLI | 輕量高速程式撰寫 | OpenAI 最新程式優化模型 |
| OpenCode | 供應商中立 / 隱私保護 | 支援 75+ 個 LLM 供應商、可執行本地模型 |
| GitHub CLI (gh) | GitHub 工作流自動化 | PR、Issue、Repo 管理全部在終端完成 |
10.4 CLI 如何改變 AI 與人類的協作模式
2026 年的核心能力轉變：
- 開發者的角色從「逐行寫程式碼」轉變為「系統架構師」——設計和監督 AI 驅動的工作管線。
- 關鍵技能不再只是寫程式碼，而是評估能力：如何設計任務、限定問題範圍、高效驗證 AI 的產出。
- 最高效的團隊採用分層工具策略：AI 原生編輯器（如 Cursor）用於即時編碼，強大的終端 Agent（如 Claude Code）用於架構變更、除錯與 DevOps。
參考文獻
以下文獻依 APA 第七版格式編排。
- Assembly Magazine. (2026). Waymo scales autonomous vehicle production with Magna partnership. Assembly Magazine. https://www.assemblymag.com/
- Cierra AI. (2025). AI hallucination prevention strategies for enterprise. Cierra AI Research. https://cierra.ai/
- Crescendo AI. (2025). AI bias in healthcare: Disparities in skin cancer diagnosis across skin tones. Crescendo AI Reports. https://crescendo.ai/
- Crescendo AI. (2025). Algorithmic price discrimination: The Instacart AI pricing controversy. Crescendo AI Reports. https://crescendo.ai/
- EE Times. (2025). Waymo surpasses 200,000 weekly paid rides milestone. EE Times. https://www.eetimes.com/
- GitHub. (2025). Introduction to Git and GitHub for beginners. GitHub Docs. https://docs.github.com/
- Google. (2025). Understanding AI hallucinations in large language models. Google AI Blog. https://ai.google/
- GPTZero. (2025). What are AI hallucinations? Types, causes, and detection methods. GPTZero Research. https://gptzero.me/
- Isomorphic Labs. (2024). AlphaFold 3: Predicting the structure and interactions of all of life's molecules. Isomorphic Labs. https://www.isomorphiclabs.com/
- Kanerika. (2025). ChatGPT vs. Claude vs. Gemini: Comprehensive model comparison 2025. Kanerika AI Insights. https://kanerika.com/
- Katara AI. (2025). AI hallucination prevention: Best practices and mitigation strategies. Katara AI. https://katara.ai/
- Kodexo Labs. (2025). Facial recognition accuracy gaps and surveillance bias in law enforcement. Kodexo Labs Research. https://kodexolabs.com/
- Mexico Business News. (2026). Waymo reaches 500,000 weekly rides, targets 1 million by end of 2026. Mexico Business News. https://mexicobusiness.news/
- Nobel Prize. (2024). The Nobel Prize in Chemistry 2024: Computational protein design and protein structure prediction. The Nobel Foundation. https://www.nobelprize.org/prizes/chemistry/2024/
- 9to5Google. (2026). Waymo expansion plans: Over 20 cities planned for 2026 including London and Tokyo. 9to5Google. https://9to5google.com/
- PreScouter. (2024). AlphaFold 3's impact on drug discovery: Accelerating target identification and lead optimization. PreScouter Intelligence Briefs. https://prescouter.com/
- Quinn Emanuel. (2025). ACLU complaint against HireVue: AI video interview discrimination and EEOC enforcement. Quinn Emanuel Trial Lawyers. https://quinnemanuel.com/
- Responsible AI Labs. (2025). Mobley v. Workday: Legal precedent for AI vendor liability in algorithmic discrimination. Responsible AI Labs. https://responsibleailabs.ai/
- Rombach, R., Blattmann, A., Lorenz, D., Esser, P., & Ommer, B. (2022). High-resolution image synthesis with latent diffusion models. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 10684–10695. https://doi.org/10.1109/CVPR52688.2022.01042
- The Driverless Digest. (2026). Waymo weekly ride volume tracker: Surpassing 500,000 rides per week. The Driverless Digest. https://thedriverlessdigest.com/
- Vizcom. (2025). AI-powered industrial design: From sketch to photorealistic render in seconds. Vizcom. https://www.vizcom.ai/
- Waymo. (2026). Waymo One: Scaling autonomous ride-hailing across America. Waymo Official Blog. https://waymo.com/blog/
本頁面由 Interaction Lab 編撰 · 最後更新：2026-04-27
內容採用 CC BY-NC-SA 4.0 授權
如發現引用錯誤或內容問題，請聯繫管理員修正