91猫先生

长庚大学智慧运算学院（CoIC）誠摯邀請國內外學者申請教授、副教授及助理教授職位。我們目前有三個職位空缺。 1. 教學專長: 我們尋求在以下領域有主要研究興趣的教職員： 自然語言處理（NLP） 生成式人工智慧（Generative AI） 計算機視覺（Computer Vision） 機器人學習（Robot Learning） 人機互動（Human Machine Interaction） 可信任的人工智慧（Trustworthy AI） 醫療領域中的人工智慧（AI in Medicine） 網絡安全（Cybersecurity） 健康數據科學（Health Data Science） 藥物設計開發 (Drug Design and Development) 巨量健康資訊整合 (Integration of Large-Scale Health Data) 跨體學分析研究 (Multi-Omics Analysis Research) 其他與人工智慧相關的領域 2. 申請截止日期： (1) 2026年10月31日 (2) 申請文件將按照先到先審的原則進行審查。 (3) 一旦申請通過評審委員會審查，將迅速安排面試時間/日期，並可安排線上面試。 3. 到職日期：視雙方協議決定 (預計為2027年8月1日 / 2027年2月1日) 4. 薪資待遇： 长庚大学智慧运算学院提供具有國際競爭力的薪資待遇，具體根據申請人的專業經驗而定。 5. 申請要求： (1) 申請信（1頁） (2) 履歷，需詳細列出從大學到博士的學歷、專業經歷、研究計劃、出版物清單以及三位專業推薦人。 (3) 长庚大学遵循國際標準的多元與包容政策，歡迎來自各地區及國籍的申請者。 (4) 請將申請文件以PDF檔或雲端儲存連結形式，寄送至ai@mail.cgu.edu.tw。 關於长庚大学智慧运算学院（CoIC） 智慧运算学院，是全國首座專門為人工智慧 (Artificial Intelligence, AI) 科技教育與研究設立的「學院級」學術教育單位。智慧运算学院設有人工智慧学系(含碩士班)及健康数据科学研究所。學院參照國內外頂尖大學的AI課程，精心設計了為台灣AI科技量身打造的數據科學基礎與新AI技術課程。 长庚大学智慧运算学院有全國最優良的師資，聘請有國際學研經驗的專家學者，以培育國際一流水準的AI人才為目標，因應台灣與全世界AI大未來的需求。 了解更多： 长庚大学：/ 智慧运算学院：/coic

演講主題：Macrophages, Chronic Diseases and Aging 講者: Prof. Jianzhu Chen現任麻省理工學院生物學系教授 時間: 2026年5月25日 (一)  12:30-13:30 地點: 管理大樓11樓-AI講堂 直播連結: https://reurl.cc/K2EZQy或 掃描海報 QR code i91猫先生報名連結: https://reurl.cc/pp4Z7d 研習時數： 認列教師研習時數 1 小時 講者簡介: Prof. Jianzhu Chen現任麻省理工學院生物學系教授，並兼任科赫綜合癌症研究所 (Koch Institute for Integrative Cancer Research) 教研人員及博得研究所(Broad Institute)副研究員；同時擔任新加坡-麻省理工學院科研中心(Singapore-MIT Alliance for Research and Technology, SMART)『抗微生物抗藥性跨領域研究計畫』之主持人。渠於史丹佛大學取得博士學位，長期致力於免疫學、癌症、感染性疾病及人類疾病動物模型研究；近年來更聚焦於腫瘤專一性CAR-NK細胞開發及巨噬細胞重編程技術於癌症、代謝疾病與感染性疾病治療之應用。其學術成就斐然，並榮膺美國科學促進會會士(AAAS Fellow)。 ※本活動需報名

活動資訊 講題：ZotDance - an AI-powered open platform for Dancer Training and Beyond 講者：加州大學爾灣分校電機工程與計算機學系 Quoc-Viet Dang 教學副教授 時間：2026.05.15（五）12:10-13:30 地點：长庚大学未來教室（管理大樓 9 樓） 講者介紹 Quoc-Viet "QV" Dang 於 2017 年取得美國加州大學爾灣分校電腦系統與軟體博士學位。其博士論文研究聚焦於運用潛在語意分析，為學生在修課歷程中建立智慧推薦系統。Dang 博士於 2017 年加入加州大學爾灣分校擔任教學副教授，主要致力於提升學生在整體大學生涯中的學習經驗。他也持續與機器學習領域研究夥伴合作，發展自動化推薦工具，並推動多項與 Texas Instruments、Thales 及 Cadence 等產業夥伴合作的學生概念驗證專題。 主辦單位 人工智慧研究中心 智慧运算学院 報名資訊 報名連結：https://reurl.cc/K2dLGR 公告單位：人工智慧研究中心 承辦人：劉素韻 聯絡分機：409-3001

演講主題： Hiding a Swarm's Leader from RL Agent and Human AI Safety in the Information and Physical Spaces 講者:  Prof. Michael Lewis 美國匹茲堡大學（University of Pittsburgh）資訊學院教授 Prof. Katia Sycara 美國卡內基美隆大學（CMU）機器人研究所資深研究教授，現任機器人研究所副主任，並擔任可信任人機協作研究中心主任 時間: 2026年5月12日 (二)  15:00-17:00 地點: 管理大樓11樓-AI講堂 直播連結: https://reurl.cc/xW6OmZ或 掃描海報 QR code 講者簡介: Michael Lewis 教授為美國匹茲堡大學（University of Pittsburgh）資訊學院教授，專長於人機互動、人機協作與群體機器人（swarm robotics）研究，特別關注人類如何與多機器人系統及AI協同運作。其研究涵蓋人因工程、強化學習、人機信任與決策支援等領域，長期獲美國國防高等研究計畫署（DARPA）與多個政府機構支持，為人機協作與智慧系統領域的重要學者。 Katia Sycara 教授為美國卡內基美隆大學（CMU）機器人研究所資深研究教授，現任機器人研究所副主任，並擔任可信任人機協作研究中心主任。她為人工智慧、多代理系統與人機協作領域的國際權威學者，為 AAAI 與 IEEE Fellow，並曾獲多項國際學術終身成就獎。其學術影響力深遠，發表超過700篇論文，引用數逾5萬次，致力於發展可信任、自主且可解釋的AI系統。 演講大綱: Hiding a Swarm's Leader from RL Agent and Human 本演講探討在機器人群體系統中保護領導者的策略。雖然以領導者為核心的控制方式可提升群體協作效率，但同時也增加系統遭受攻擊的風險。本研究透過圖神經網路（GNN）訓練群體追隨領導者，並利用對抗式模型辨識領導者位置。研究結果顯示，在一般情境下，AI模型在領導者辨識上優於人類；然而當群體採用隱匿策略時，人類的辨識能力反而優於AI。即使在對抗模型持續學習及高視覺干擾環境下，人類仍展現出穩定且較佳的判斷能力。此結果突顯人類與人工智慧在複雜多代理系統中的關鍵差異。 AI Safety in the Information and Physical Spaces 本演講探討基礎多模態模型（Foundational Multi-Modal Models）的潛在安全漏洞，重點分析透過「意圖欺騙（intention deception）」進行模型越獄（jailbreaking）的風險，以及在何種條件下多模態模型更容易受到對抗性攻擊並洩露敏感或危險資訊。此外，將提出相應的安全防護策略，並進一步介紹「情境安全（contextual safety）」在真實世界應用中所面臨的挑戰。 ※本活動無需報名

演講主題：數位轉型：大數據與人工智慧引領的臨床試驗變革 講者:  林士睿博士 美國Stanford 大學生物醫學資訊博士 時間: 2026年5月5日 (二)  14:00-16:00 地點: 管理大樓11樓-AI講堂 直播連結: https://reurl.cc/WbvX79或 掃描海報 QR code 講者簡介: 林士睿博士畢業於台大資訊工程學系/研究所取得學士和碩士學位，並在美國Stanford 大學完成統計碩士及生物醫學資訊博士學位。林博士對將人工智慧和資訊科技運用在生物醫學特別有熱忱。在Stanford時，他致力於透過電腦模型虛擬病人，運用模擬臨床試驗 ，以評估乳癌及肺癌篩檢的成效。之後林博士在羅氏藥廠 (Roche / Genentech) 從事癌症治療新藥的研發工作已有十五年，同時致力參與並領導跨領域的臨床醫學的研究合作。 演講大綱: 隨機對照試驗（RCTs）長期以來一直是臨床研究的最具可信度的研究方法；然而，這類試驗也面臨顯著挑戰，包括高昂成本、漫長的時程，以及倫理或可行性上的限制。大數據與人工智慧（AI）時代的到來，為解決這些難題提供了契機。透過整合試驗外的真實世界數據（Real-world data）——如電子病歷、保險資料庫及疾病登錄系統——可補足隨機對照試驗的不足，有效降低研究成本、提高受試者招募的可行性並縮短時程，對於急需醫療研究的罕見疾病尤為重要。同時，人工智慧驅動的模型能預測病患預後，並在傳統隨機對照試驗不可行性或違背倫理的情況下，透過模擬「虛擬病患」進行合成臨床試驗（Synthetic clinical trials）以評估干預措施。 本演講將分享兩個案例研究：(1) 提出一種創新的「動態借用」（Dynamic borrowing）方法，整合外部數據以提升研究效率，同時極小化選擇偏差並維持試驗的可信度；(2) 運用虛擬病患與合成臨床試驗評估癌症篩檢計畫的成效。相關研究結果已納入美國國家癌症研究所（NCI）的癌症干預及監測模型網路（CISNET），並實質影響了美國與台灣的乳癌篩檢建議指引。 ※本活動無需報名