國立陽明交通大學 太空研究所　·　2026.10.01

AI Agent 賦能

從個人研究軌跡，看見智慧化地震測報新藍圖

陳達毅

中央氣象署地震測報中心 測報技術科 科長
臺北市立大學地球環境暨生物資源學系 兼任助理教授

01 / 60
開場 ★
共同記憶

我們其實見過面

2022/1/15，東加 Hunga Tonga 火山噴發。

蘭姆波（Rayleigh–Lamb wave）以接近音速掃過太平洋。8500 公里外的臺灣，氣壓計、次聲波感測器、潮位計、海底壓力計、地震儀 在同一場事件中同時記到訊號。

而它被 Himawari 與 GOES-West 從太空拍了下來，擾動一路傳進電離層。

固體地球、大氣、電離層是同一個耦合系統 ——
你們從上往下看，我從下往上看。

氣壓計 次聲波感測器 地震儀 潮位計 / 海底壓力計 2022/1/15 噴發
Huang, Ku, Lin, Hsu, Liu, Liu, Chen, Chen D.-Y., Huang & Jiang (2024). Significant Earth's responses of the 2022 Tonga eruption across Taiwan from multiple sensor observations. Frontiers in Earth Science, 12, 1285173.
02 / 60
開場
自我介紹

陳達毅

學歷

  • 東吳大學 物理學系 學士（1998–2003）
  • 臺灣海洋大學 應用地球科學 碩士（2003–2005）
  • 臺灣大學 地質科學 博士（2010–2015）
  • 博士論文就是 Earthworm 地震預警平台

經歷

  • 中央氣象署地震測報中心 2006 至今
  • 技佐 → 技士 → 研究發展課課長
  • → 測報技術科科長（2023/09 迄今）
  • 地震預警系統研發、建置與實務作業

教學與服務

  • 臺北市立大學 兼任助理教授，2018 起連續 8 年
  • 地球物理通論、地震學、專題研究
  • Journal of Seismology, Associate Editor
  • 中華民國地球物理學會 理事

同時站在作業第一線與教學現場 —— 這是今天整場的視角來源。

03 / 60
開場
今天要回答的

三個問題

01一個 24 小時不能停的國家級即時系統，AI 能插手到什麼程度？
02一個人的研究產能，這三年到底被 AI 改變了多少？
03下一代的地震測報，長什麼樣子？

第 ② 題我會給具體數字，包含失敗的數字。

04 / 60
工作現場
01

地震測報的工作現場

一場永遠不會結束的競速

05 / 60
工作現場
本質

競速

  • 1999.9.21 集集 M7.3 → 2024.4.3 花蓮 M7.2，25 年間我們在跟同一件事賽跑
  • P 波先到，S 波才是破壞主力
  • 兩者之間的數秒到數十秒，是唯一能提前示警的窗口
  • 這個窗口的長度由物理決定，我們能爭取的只有處理時間
06 / 60
工作現場 ◇
25 年之間

同一件事，兩個世代的畫面

1999.9.21 集集地震 M7.3
2024.4.3 花蓮地震 M7.2（行車紀錄器）

25 年之間，臺灣的觀測密度、處理速度與發布管道都換了好幾代。但那幾秒鐘的物理沒有變。

07 / 60
工作現場
地體構造

臺灣的地震環境

  • 菲律賓海板塊與歐亞板塊每年以 7–8 cm 速度聚合
  • 東部海域：菲律賓海板塊向北隱沒到歐亞板塊之下
  • 南部海域：歐亞板塊向東隱沒到菲律賓海板塊之下
  • 持續擠壓碰撞 → 臺灣地震頻繁
08 / 60
工作現場 ◇
頻率

這是一個常態，不是意外

每天
100
個地震
每年
100
個顯著有感地震
每 30–40 年
1
個大規模災害性地震

1900 年以來，臺灣共發生 7 次 罹難百人以上的災害地震。

09 / 60
工作現場 ◇
代價

過去十年

  • 2016/2/6 美濃 M6.6（7 級）— 621 人傷亡、749 戶房屋損失
  • 2018/2/6 花蓮 M6.2（7 級）— 308 人傷亡、195 戶
  • 2022/9/18 池上 M6.8（6 強）
  • 2024/4/3 花蓮 M7.1（6 強）— 1069 人傷亡、207 戶
  • 2025/1/21 大埔 M6.4（6 弱）
10 / 60
工作現場
工作環境

60 人，24 小時，全年無休

地震發生時，值班同仁必須在數十秒內掌握全局。

11 / 60
工作現場
資料量

即時觀測網：巨量資料

  • 約 3000 個 觀測頻道
  • 每個頻道 100 Hz 取樣率
  • 約 30 萬筆/秒 持續寫入，永不中斷
給太空所的類比：這是一條地面段（ground segment）的即時遙測下行鏈路，只是它 24 小時都在下行，而且不能排程。
12 / 60
工作現場
系統架構

Earthworm：模組化即時系統

  • 以共享記憶體 ring 串接：WAVE_RING / PICK_RING / HYPO_RING
  • 每個模組是獨立行程，壞一個不會拖垮全系統
  • 可熱插拔、可個別重啟、可獨立測試
這個設計哲學，跟 NASA cFS（core Flight System）的 software bus 是同一套思路 —— 即時系統的可靠性，來自模組之間的解耦。
docker pull cwadayi/earthworm_ubuntu22.04_eew:v1
13 / 60
工作現場
演算邏輯

從偵測到發布，只有幾秒

1偵測 P 波
→
2分群
→
3地震定位
→
4計算規模
→
5預估各地震度

每一個環節都要從同一份延遲預算裡扣。省下來的每 0.1 秒，都是別人多出來的反應時間。（Chen et al., 2019）

14 / 60
工作現場
發布端

警報長什麼樣子

網路推播（手機 / 網頁）
電視臺推播

2024.4.3 花蓮地震的實際發布畫面。前面講的所有延遲，最後都變成這幾秒鐘的提前量。

15 / 60
工作現場 ◇
可觀測性

我們早就在用 dashboard 看系統

  • Grafana 即時監控：觀測站資料延遲、海底地震儀水壓計、預警系統發布情形、特定測站波形
  • 一個永遠在跑的系統，需要的不只是演算法，是看得見它在做什麼
  • 這條線後面會接到 Agent —— 先有可觀測性，才談得上自動處置
對做衛星的人來說這很熟悉：telemetry 看不到的東西，就管不了。
16 / 60
不只是地震
02

地震儀記錄的不只是地震

所有讓地面震動的東西，以及空氣中的壓力變化

17 / 60
不只是地震
先修正一個認知

它不是「地震偵測器」

  • 地震儀是一個對地面運動極度敏感的感測器。它不會挑訊號 —— 任何讓地面震動的東西都會進去
  • 固體地球：地震、火山、冰川、海浪（微震）
  • 地表過程：土石流、山崩、洪水、颱風
  • 人為：爆炸、施工、火車、重型機具，甚至演唱會
  • 還有一類最容易被忽略 —— 空氣中的聲波與壓力變化，會耦合到地面，一樣被記錄下來
所以臺灣的地震網，本質上是一個全島、全天候、100 Hz 的「地面＋大氣」震動觀測網。它一直在錄，只是我們平常只看地震那一段。

接下來三個案例，記錄到的都不是地震。

18 / 60
不只是地震 ★
案例一．爆炸

同一批儀器，同時看到兩種波

  • 2014/7/31 高雄氣爆，23:55（UTC 15:55）
  • 把各測站依震央距離排好、做 2–8 Hz 濾波，記錄剖面上出現兩條斜率完全不同的走時線
  • 4.1 km/s：能量進入地下，以地震波傳播
  • 296 m/s：能量走空氣，是聲波 —— 接近音速
同一次爆炸、同一批地震儀，同時記錄到地下的震波與空氣中的聲波。這張圖就是「地震儀不只記錄地震」最乾淨的證據。
分析：曾柏凱〈從地震儀的視角看爆炸事件〉
19 / 60
不只是地震 ◇
案例一．續

反直覺：慢的訊號，定位反而更準

  • 2026/8/22 台南安南鎂鋁廢料爆炸，02:46
  • 用各站到時差反演爆炸位置與時間，反演速度約 345 m/s（聲波）
  • 反演結果與實際爆炸位置相差 76 ～ 215 公尺
  • 但同樣方法用在高雄氣爆的地下震波（3.5 km/s），誤差是 2.3 公里
原因是誤差被速度放大：同樣 0.2 秒的讀時誤差，在 3.5 km/s 的地震波上是 700 公尺，在 300 m/s 的聲波上只有 60 公尺。慢訊號把時間誤差壓縮成空間精度。
分析：曾柏凱〈從地震儀的視角看爆炸事件〉
20 / 60
不只是地震 ★
案例二．火球

用地震網追一顆進入大氣層的物體

  • 2025/8/19 23:10 JST，鹿兒島、宮崎一帶廣域目擊火球
  • 火球以 10–30 km/s 穿越大氣，超音速 → 產生音爆（sonic boom）
  • 衝擊波打到地面，被鹿兒島全境與宮崎南部的地震儀記錄下來
  • 到時反演：震源在鹿兒島東南外海約 80 km；只用最近 5 站反演則往西北偏移約 15 km
兩個解不一致，正好說明它在移動 —— 火球自東南外海往西北、邊墜落邊持續產生衝擊波。地震網量到的是一條軌跡，不是一個點。
分析：山田真澄（京都大學防災研究所）eqh.dpri.kyoto-u.ac.jp/~masumi/eq/fireball2025_08/
21 / 60
不只是地震 ★
案例三．沒有人看到光

2021 札幌：天是晴的，但沒人看見它

  • 2021/4/26 20:00，札幌全市聽到巨響並感到輕微搖晃 —— 沒有火災、沒有爆炸、沒有地震，自衛隊沒有演習，雷達沒有異常飛行器
  • 天空晴朗，但完全沒有發光現象的目擊報告
  • 靠地震資料反演：音爆源在北海道西岸外海約 100 km、高度 50 km，仰角大於 66°，速度高於戰鬥機
  • 結論：最可能是一顆沒有被任何人看見的火球
對太空所而言，這件事的意義很直接：地震網是一個全天候、不受雲層與日照限制的大氣進入體偵測網。光學看不到的時候，它還在錄。
Yamada, M. (2021). Determining the source of the explosive sound heard in Hokkaido, Japan, on April 26, 2021. JGR Solid Earth, 126(12). doi:10.1029/2021JB023076
22 / 60
不只是地震
案例四．東加火山

8500 公里外的一次噴發

  • 2022/1/15 東加 Hunga Tonga 海底火山噴發，USGS 給的地震規模 Ms 5.8
  • 火山灰與氣體噴到 57 公里高空；Himawari 與 GOES-West 衛星直接拍到大氣中擴散出去的波
  • 聲音在 2000 公里外的紐西蘭、9700 公里外的阿拉斯加被聽見
  • 臺灣距離震源約 8500 公里，幾乎在地球的另一側
臺灣這次動用了氣壓計、次聲波感測器、數位麥克風、潮位計、海底壓力計、寬頻地震儀六種儀器。接下來四頁，是它們各自看到的東西。
Huang, Ku, Lin, Hsu, Liu, Liu, Chen, Chen D.-Y., Huang & Jiang (2024). Significant Earth's responses of the 2022 Tonga eruption across Taiwan from multiple sensor observations. Frontiers in Earth Science, 12, 1285173. （Figure 1：衝擊波的大圓路徑）
23 / 60
不只是地震 ★
①大氣：它怎麼掃過來

一道壓力波，橫越整座島

  • 全臺氣象站的氣壓紀錄，每 10 分鐘一張快照，拼起來就是這段動畫
  • 波前從東南方進來，約 40 分鐘掃完整個臺灣（19:50 → 20:30 CST）
  • 振幅只有 −1 ～ +2 hPa —— 人感覺不到，但儀器量得清清楚楚
  • Beamforming 解出：視速度 0.3 km/s、反方位角 126°，方向與速度在整段波列中都很穩定
0.3 km/s 就是地表附近的音速。也就是說，這道波是沿著地面在空氣裡跑過來的 —— 它是 Rayleigh–Lamb 波。
Huang et al. (2024), Figure 8 的 12 張快照重組為動畫；速度與方位角取自 Figure 9 的 beamforming 分析。
24 / 60
不只是地震 ★
②地震網：整排都收到

這不是某一台儀器壞掉

  • BATS 寬頻地震觀測網，全臺測站的東西分量依距離排好
  • 噴發後約 7 小時，幾乎每一站都在同一個時間出現擾動
  • 離島站（PHUB 澎湖、MATB 馬祖、KMNB 金門）也同步記到
  • 地面當時沒有任何地震
單站出現異常可以懷疑是儀器問題；整個網在同一時刻一起動，那就是真的有東西經過。這是判斷訊號真偽最基本、也最有效的方法。
Huang et al. (2024), Figure 6：BATS 寬頻地震網東西分量記錄剖面與測站分布。
25 / 60
不只是地震 ★
③共站比對：三種儀器

同一個測站，三種儀器，同一個訊號

  • WARB 測站同時架了次聲波感測器、氣壓計、寬頻地震儀（三分量）
  • 最上面兩軌：次聲波與氣壓計清楚記到壓力波通過
  • 下面三軌是地震儀 —— 東西分量在同一時刻出現明顯擾動，垂直分量幾乎沒有
  • 地面沒有地震。那個擾動是大氣壓力波推著地面產生的
這就是整段的結論，而且是直接量到的：地震儀確實會記錄到空氣中的壓力變化。它不是雜訊，它是另一個地球系統在說話。
Huang et al. (2024), Figure 10：WARB 測站次聲波、氣壓計與寬頻地震儀共站紀錄。Figure 13 另以高／低靈敏度地震儀做了相同比對。
26 / 60
不只是地震 ◇
④海洋：一個意外的結果

潮位計跟著氣壓計一起動

  • 花蓮氣象站的氣壓計（上兩軌）與花蓮港三座潮位計（下三軌）放在一起看
  • 紅線是氣壓第一波的到時 —— 潮位訊號幾乎同時開始震盪
  • 傳統海嘯由海床錯動造成，速度受淺水波方程控制，比音速慢得多
  • 但這次海底壓力計與地面氣壓計的走時線是同一條（0.31 km/s）
所以這是一次大氣驅動的海嘯，不是構造型海嘯。如果只看地震資料，你會完全解釋不了它為什麼那麼早到。

跨系統的觀測，才解得開跨系統的現象。

Huang et al. (2024), Figure 11：花蓮氣象站氣壓計與鄰近花蓮港潮位計紀錄比對；0.31 km/s 的合併走時剖面見 Figure 12。
27 / 60
難題
03

這份工作真正的難題

不是演算法不夠好，是邊界條件永遠比你想像的多

28 / 60
難題 ★
難題一

誤報的代價

  • 115/2/23，馬來西亞婆羅洲外海地震 → 誤發中小學 EEW
  • 遠震訊號進入了近場演算法的邊界條件
  • 技術上是一個 corner case，社會上是一次信任損失

誤報一次，信任度掉的比技術指標快。

29 / 60
難題
難題二

強度之外，還有持續時間

  • 地震災害必須同時考慮強度與持續時間
  • 2024/4/3 花蓮：第一報與第二報之間的判斷困境
  • 單一標量預測（只給一個震度數字）本質上不夠

我們要預測的其實是一條時間序列，不是一個數字。

30 / 60
難題
難題三

參數調校是人工的

  • 傳統演算法在自動辨識地震波相上，有大量參數要調
  • 調完要重跑歷史事件驗證，一輪下來以天為單位
  • 準確性到一個程度之後，怎麼調都上不去

這就是機器學習的切入點 —— 不是因為它時髦，是因為傳統方法撞牆了。

31 / 60
難題 ★
難題四

地震報告為什麼會慢？

人工檢核不可省：定位、規模、深度、有感範圍，每一項都要有人負責。

〈地震報告怎麼慢了？揭開製作地震報告的神祕面紗〉，《科學月刊》625 期

自動化不是為了取代人工檢核，
是為了讓人工檢核有時間做該做的判斷。
32 / 60
AI 工作流程
04

我的 AI 工作流程演進

2022 → 2026

33 / 60
AI 工作流程
三個階段

用 2026 年的方式，去思考每一項工作

2022–2024
對話時代
問它、貼上、自己執行

ChatGPT 登場。寫程式、查指令、翻譯、寫英文信都用「問」的。產出仍需自己手動複製貼上、在本機執行。AI 是助理，人類是手腳。

2024–2025
整合介面
Agent 進入 IDE

Cursor、Windsurf、GitHub Copilot Agent Mode 等 AI 原生編輯器登場。能直接改多檔程式、執行終端機指令、跑測試、部署到雲端。AI 開始接管「執行」。

2025–2026
自主 Agent
任務交出去，它跑完回報

模型能力持續提升，Agent 能長時間自主工作、自己除錯、自己驗證。人類回到「問對問題」與「決定要不要相信」。

34 / 60
AI 工作流程
現況

我現在同時跑四條路線

①

本機工作台

Antigravity IDE / VSCode

外接訂閱制 LLM：ChatGPT Pro、Claude Pro、Ollama Cloud、OpenCode。直接讀電腦裡的原始觀測資料。

②

雲端開發

Cursor + GitHub + Google Drive

雲端資料處理與系統開發，結果存 Drive、程式進 GitHub、網頁部署 GitHub Pages、後端上 Hugging Face Space。

③

純網頁

Gemini / ChatGPT / Claude + Colab

什麼都不用安裝。搭配 Google Colab 執行程式、Google Form / Doc / Apps Script 做系統。

④

離開電腦

Hermes Agent / Grok bot + Telegram + Obsidian

手機就能發動研究與資料分析。Hermes 跑在本機，Grok bot 是雲端服務、不用安裝，直接接 Drive 與 GitHub。

這四條不是替代關係，是依情境切換。而且全部都有免費額度或開源方案。

35 / 60
AI 工作流程
路線 ①

本機工作台：資料不出機器

  • 直接分析電腦端的原始觀測資料，不用上傳
  • 適合：敏感資料、大檔案、需要本機環境的分析
  • 外接訂閱制 LLM，算力在雲端、資料在本地
對作業單位而言，「資料不出機器」不是偏好，是硬需求。
36 / 60
AI 工作流程
路線 ②

雲端開發：從開發到上線一條龍

  • Cursor 開發 → GitHub 版控 → Google Drive 存結果
  • → GitHub Pages 發布前端 → Hugging Face Space 跑後端 API
  • 整條鏈路零維運成本
https://cwbdayi-disaster-fastapi.hf.space/api/reports
37 / 60
AI 工作流程 ◇
路線 ③

純網頁：零安裝門檻

  • 沒有安裝權限的環境也能做完整研究
  • Google Colab 出借 GPU，Apps Script 做自動化
  • 教學現場的解方：學生的筆電什麼都不用裝
我教的是地科系學生，不是資工系。如果第一堂課要花兩小時裝環境，這門課就結束了。
38 / 60
AI 工作流程 ★
路線 ④

Hermes Agent × Telegram × Obsidian

日常資訊收集與筆記沉澱
我→Telegram→Hermes Agent→Obsidian
發動研究、產生成果，再沉澱
我→Telegram→Hermes Agent→Claude CLI / Copilot CLI→Obsidian

研究的進入門檻，從「坐在電腦前」降到「拿出手機」。

39 / 60
AI 工作流程
同一件事的兩種做法

本機的 Hermes，雲端的 Grok bot

Hermes Agent
裝在自己的電腦上
  • 在哪裡跑本機。我的筆電或工作站
  • 要安裝要。環境、相依套件、服務都自己顧
  • 碰得到什麼本機的所有檔案，包含不能上雲的原始觀測資料
  • 適合敏感資料、大檔案、要接本機正在跑的系統
  • 代價機器關了就停。要自己維護
Grok bot
雲端服務，不用安裝
  • 在哪裡跑雲端。手機、平板、任何瀏覽器都能用
  • 要安裝不用。開通就能用
  • 碰得到什麼直接接 Google Drive 與 GitHub，授權一次就能讀寫
  • 適合文件、程式碼、要跟別人協作的東西
  • 代價資料要上雲。管制資料不能走這條

判斷標準只有一條：這份資料能不能離開我的機器。能，就走雲端；不能，就留本機。

40 / 60
AI 工作流程
這不是構想

EEW 多代理群：每 30 分鐘真的在跑

my_agent
預警總管

監控 cron、判讀 log、異常推播、日報總結

seismo
資料工程

.rep 事件結構化轉出、維持 heartbeat loop

seismo_agent
地震學助教

容器健康檢查、eew_fault_recovery.sh 自動處置、事件圖表

secondary_agent
系統整合

Hermes 鏈路轉發、跨代理任務派遣、彙整每日工作記錄

四個 Agent 有各自的啟動腳本、模型設定與環境隔離，透過 delegate_task 互相呼叫。

41 / 60
AI 工作流程
閉環

事件進來，報告出去，人只在決策點介入

1事件觸發偵測 .rep 更新
→
2數據派遣指派跨節點任務
→
3科學繪圖生成事件散佈圖
→
4研究建模長期趨勢預測
→
5彙報推播產出日報

人負責的是：決定要不要相信它，以及下一個問題要問什麼。

42 / 60
Demo
05

四個可複製的工作流

全部錄成影片，你們掃碼帶走

43 / 60
Demo
教學影片

掃碼就能看

QR
https://oceanicdayi.github.io/1001-nycu-space/videos.html
44 / 60
成果
06

成果

教學與研究，兩邊都被改寫了

45 / 60
成果
教學

學生的作業長在網路上

  • 地生系同學的作業，直接部署成 Hugging Face Space
  • 交出來的是一個網址，不是一個檔案
  • 同學之間可以互相打開來看、改、延伸
huggingface.co/spaces/Sapphirejimmy/seismology_HW10
46 / 60
成果 ◇
教學

我自己的教法也被改寫了

  • 2018 起連續 8 年教地球物理學與地震學
  • 演化路徑：講授 → 程式作業 → 導入生成式 AI
  • 2026 暑假參與「國小教師加註自然領域專長 28 學分班」授課
  • 指導學生通過國科會大專學生研究計畫（110 年、113 年各一件）

教學內容沒變，學生能走到多遠變了。

47 / 60
成果 ◇
科學教育研究

用 AI 觀測「學生怎麼學」

  • 投稿 2026 年第 42 屆科學教育國際研討會，兩篇：
  • 　生成式 AI 輔助地球科學數位敘事之縱向發展
  • 　從電路除錯到量測有效性質疑：地震警報器 STEM 實作歷程
  • 以生成式 AI 進行學生學習評量與學習軌跡分析

AI 不只是我用的工具，
也是我研究「學生怎麼學」的觀測儀器。

48 / 60
成果
研究

大型地震模型 LEM：從語音到地震

  • 動機：地震台站產生海量資料，但絕大多數未經標註
  • SeisWav2Vec 2.0：把 Wav2Vec 2.0 的對比學習遷移到地震波形
  • 架構：特徵編碼器 → 12 層 Transformer 上下文編碼器 → 遮罩與量化
  • 只需少量任務導向資料即可微調到 SOTA
「大量資料、極少標註」—— 這跟遙測資料是一模一樣的困境。自監督學習在你們領域同樣成立。
49 / 60
成果 ◇
研究

國科會計畫：把它做成可驗證的東西

  • 115 年｜基於 Wave2vec 2.0 自監督學習之地震動強度與持續時間定量預估研究（主持人，NT$470,000）
  • 112 年｜即時地震波場於地震預警系統中的應用（主持人，NT$483,000）
  • 近五年共同發表 15 篇期刊論文，多數與機器學習應用於地震預警相關
50 / 60
成果
研究．主線

邊緣地震儀：一顆 Raspberry Pi 的完整 EEW

  • 硬體：Raspberry Pi 4 (4GB) + RaspberryShake RE81D，成本極低
  • Earthworm 8.0 從原始碼在 ARM64 原生編譯（官方沒有 arm64 映像）
  • 三層警報並行：網路型 EEW（多站，10–30 秒）／即時震度（單站，1–2 秒）／現地型 τc-Pd
  • 全程由生成式 AI（Claude Code）協同開發：架構設計、程式撰寫除錯、文件簡報
完成度約 90%。這是我前面講的四條工作流，真的產出的東西。
51 / 60
成果 ★
驗證

它真的抓到地震了

  • 離線回放：2024 花蓮 M7.4 → 撿波 → 4 站定位 → Mpd 6.2 → 產出警報 XML，定位誤差約 11 km，bit-identical 可重現
  • 真實案例：2026/7/26 雙溪 M5.6，上游多站資料源（IRIS）剛好斷線，網路型 EEW 完全沒解算
  • 但單站即時震度層正確量到 4 級
這一頁講的是韌性。多站鏈路失效時，本地測站仍能獨立運作 —— 這正是你們做衛星系統時的 graceful degradation。
https://drewhui.github.io/RASPBERRYSHAKE_CCU/
52 / 60
新藍圖
07

新藍圖

先講兩個失敗，再講未來

53 / 60
新藍圖 ★
誠實的一頁

AI 也會出錯，而且錯得很安靜

76–325
次／天
修復前的誤觸發
0–1
次／小時
修復後
未確定
根本原因
  • 即時震度告警一週內每天觸發 76–325 次，全部沒有對應的真實地動
  • 排查：交叉比對三個獨立資料源（封存波形、dashboard 週期採樣、pick_ew 獨立量測）→ 三者都顯示現場平靜 → 判定是演算法內部問題
  • 緩解：觸發門檻 2 級 → 3 級，加入高頻雜訊判別器
  • 根本原因至今未確定。診斷 log 已經埋好，等它下次重現。
54 / 60
新藍圖 ★
第二個誠實案例

跑了 1640 次，一次都沒真的預測

SSIF 震度預測模型接上系統後，累積 1640 次觸發，100% 被跳過。

根因：時間點查詢過早，未考慮封包傳輸延遲（約 0.7–1 秒），而且每秒只有一次查詢機會 —— 這是一個 race condition。
時間窗口預測震度信心結果
EW15（15 秒）5- 級91.6%成功
EW20（20 秒）4 級99.4%成功
EW25（25 秒）4 級99.7%成功
EW30（30 秒）4 級98.3%成功
EW35（35 秒）——跳過

2026/8/19 人為搖動測試，修復後 5 個窗口成功 4 個（valid_fraction 0.25 → 0.8–0.9）。

AI 幫我寫的程式，AI 也幫我找到 bug —— 但要有人問對問題。

55 / 60
新藍圖
藍圖

下一代測報中心

邊緣
低成本密集站點

補官方觀測網的覆蓋空白：偏鄉、室內、特定建物。單站即可獨立運作。

雲端
大型地震模型推論

自監督預訓練把未標註資料變成資產，集中算力做高階推論與長期建模。

Agent 群
監控、處置、流水線、日報

健康檢查、異常自動處置、資料結構化、圖表產出、每日彙報。

人
決策、判斷、溝通、問對問題

決定要不要相信、決定要不要發布、決定下一個問題是什麼。

56 / 60
新藍圖 ◇
藍圖

三件正在發生的事

感測器下沉

Raspberry Pi 等級的裝置，就能跑完整的 EEW 鏈路。觀測網的密度不再被預算綁死。

模型上移

自監督預訓練讓未標註資料變成資產。過去被丟掉的訊號，現在是訓練材料。

開發加速

人機協作的開發模式可以複製。硬體、演算法、模型更新，都能持續用生成式 AI 加速與除錯。

57 / 60
新藍圖 ★
回答開場問題 ②

AI 到底改變了什麼？

沒變的

  • 物理
  • 資料品質的要求
  • 驗證標準
  • 誤報的代價

變了的

  • 從想法到可運作原型的時間
  • 一個人能同時推進的專案數
  • 除錯的路徑

AI 沒有讓我變聰明。
它讓我的每一個念頭都有機會被實作出來驗證。

58 / 60
結語 ★
給太空所同學

三句話

1

先有真實問題，再找 AI。

沒有問題的時候，AI 只會給你很像樣的廢話。我所有跑得動的專案，起點都是一個具體到煩人的作業需求。

2

工具會換，判斷不會。

三年換了三代工具。唯一累積下來的，是「知道什麼時候該懷疑結果」。那 1640 次沒跑出預測的觸發，不是 AI 發現的。

3

把成果留在看得見的地方。

GitHub、Hugging Face、一個網址。你的研究能不能被看見，跟做得好不好一樣重要。

59 / 60
結語

謝謝聆聽

Q & A

本場簡報https://oceanicdayi.github.io/1001-nycu-space/
四支教學影片https://oceanicdayi.github.io/1001-nycu-space/videos.html
製作過程脈絡圖https://oceanicdayi.github.io/1001-nycu-space/process.html
邊緣地震儀即時監測https://drewhui.github.io/RASPBERRYSHAKE_CCU/
CWA EEW Dockerdocker pull cwadayi/earthworm_ubuntu22.04_eew:v1

陳達毅｜中央氣象署地震測報中心 測報技術科

QR
簡報網址
60 / 60
← → 換頁　N 備忘　O 總覽　T 計時　F 全螢幕
00:00 / 50:00