生成式人工智慧正快速滲透製造、金融、教育與公共治理等關鍵領域，然而在實務導入過程中，企業與組織普遍面臨一項被低估的關鍵瓶頸，AI的表現高度依賴人類如何下指令，指令寫得精準，AI 表現就會很亮眼；指令稍有偏差，則可能產生偏誤、幻覺，甚至影響決策品質。當生成式 AI 逐步進入核心營運與治理場景。陳大正教授表示，如何降低對個人經驗型「提示工程」的依賴，已成為產業與政策端共同關注的新課題。
來自國立虎尾科技大學的研究，正嘗試為這項結構性問題提出突破方向。由虎科大資訊管理學系教授暨副校長陳大正所主持之研究計畫〈應用免疫演算法於大型語言模型自我引用提示生成最佳化之研究〉，從科技治理與實務可用性的角度切入，重新思考大型語言模型在產業應用中所面臨的核心限制。
不同於主流研究持續聚焦於「更大模型、更高算力」的競逐路線，陳大正提出一項關鍵反思：真正限制大型語言模型效能的，往往不是模型本身，而是人類如何引導它思考。
他指出，當前生成式 AI 的使用品質，仍高度仰賴少數具備經驗的提示工程專業人員，這種「隱性技術門檻」不僅難以規模化，也與企業所追求的穩定、可控與可複製的治理需求相互牴觸。若 AI 的行為表現必須長期依賴個人技巧，將難以成為可信賴的組織工具。
▲虎科大資管系教授暨副校長陳大正以「AI自我優化指令」回應生成式AI治理新挑戰。
為回應此一問題，研究團隊在該計畫中引入免疫演算法的概念，建構一套讓 AI 自行優化提示指令的自動化機制。該方法模擬生物免疫系統的演化邏輯，讓大型語言模型在多組指令版本中反覆生成、測試、比較與淘汰，逐步保留表現較佳的提問方式，同時維持解法多樣性，以避免過早收斂於單一、可能存在偏誤的路徑。整個優化流程完全由同一個大型語言模型自行完成，無須額外訓練資料，也不需人工介入。
研究顯示，透過這套「AI 自我優化指令」的設計，模型在數學推理與常識判斷等任務中的表現，明顯優於未經優化的原始提示，也超越既有自動提示方法與人工撰寫指令。在部分測試情境中，AI 能穩定產出正確結果，顯示指令品質已成為影響 AI 效能與可信度的關鍵變數。
從產業與科技治理的角度來看，這項研究的意義不僅在於提升 AI 表現，更在於降低 AI 導入的不確定性與人為風險。當提示優化可以被制度化、流程化，企業便能在不依賴少數專家的情況下，更穩定地部署生成式 AI，進一步強化內部控管、責任歸屬與決策可解釋性。
放眼未來，這類技術可望應用於智慧製造流程最佳化、教育輔助系統、企業決策支援，以及多代理自動化系統等場域，使 AI 在長期運作中具備自我修正與持續進化能力，而非停留在一次性設定的工具角色。這也為生成式 AI 的治理提供一條新的思考路徑「治理的核心」不只在於模型能力，而在於如何設計讓 AI「被正確使用」的機制。
在全球生成式 AI 競逐算力與模型規模的浪潮中，虎科大的研究提醒產業與政策端另一種可能方向：與其不斷把 AI 做得更大，不如讓它更懂得如何被問對問題，進而成為真正可被信任、可被治理的智慧夥伴。
_20260121165205.jpg_280x210.jpg)
