在西松高中，新科技學程班關注的不是「會不會 AI」，而是「AI 在現場有沒有用」。 一次校門口值勤，學生看見人工核對車牌的瓶頸，於是把門禁流程拆解成可被程式處理的步驟：盤點白名單與來賓名單、決定欄位與資料來源、建立模型、安排尖離峰測試。系統上線後，核對時間縮短，錯誤也能被追溯。師生把成果帶到臺北市 AI 教育節交流，收回回饋再改版—從場域出發，以資料與回饋收尾，逐步貼近真實需求。

車牌辨識沿著既有制度推進。學生與總務處協作，釐清欄位與權限、建立通知機制，並以尖峰／離峰數據比對成效。第一輪暴露逆光與雨滴干擾，第二輪調整鏡頭與前處理，第三輪加入遮蔽偵測與錯誤回報介面，例外情形得以標記並回流資料庫；同時補齊操作說明，降低因人而異的誤差。

小田園病害辨識把模型訓練帶回土壤邊。學生在田區採集影像、標註、訓練並自我檢核；以混淆矩陣與 F1-score呈現成果，不足類別則回田區補拍。部署到邊緣運算後，再加入離線推論與批次同步，避免網路不穩。兩個專題皆形成「採樣→訓練→部署→回收資料→再訓練」的閉環，改善可追蹤，學習更完整。

除此之外，學程班也在校園內持續推進一組互相呼應的題目： 交通視覺（交通號誌辨識、危險駕駛偵測）／校務流程（出勤、智慧教室監測、音量自動調節）／環境永續（廢棄物分類、無人商店）／生物多樣性（物種與昆蟲咬痕辨識）／資安議題（Side Shield 側通道攻擊防禦）。每題都先找情境，再用資料與回饋落地。

學校把 108 課綱的素養導向與臺北市推動 AI／新科技的方向，轉成學生每天可操作的學習：

高一建立數學與資訊的共同語言，加入基礎程式銜接資料處理；寒暑假安排密集實作與認證（含 NVIDIA DLI），讓工具用得順手；高二轉向情境型專題，要求以可驗證指標呈現：流程時間、錯誤率、使用者回饋。此後的每次發表，都不只是「作品」，更強調「方法與證據」。政策給方向，課表做驗證；抽象目標因此成為可記錄、可比較、可複用的流程。

在臺北市 AI 教育節，學生呈現的不只是結果，而是全程：需求如何被看見、資料如何被治理、模型如何被選擇、部署遇到什麼限制。現場提問被整理成回饋清單（可即辦／需協調兩類），成為下一版的待辦項目；展場因此成為課程的一個節點，而非句點。

參與GiCS 尋找資安女婕思等競賽，學生在規則與時限下練習題目拆解、角色分工、簡報與溝通。賽後將程式庫、實作紀錄、評審回饋整理成檔案包，回到課內專題再調整。榮譽可喜，更重要的是留下可辨識的能力證據；換屆接棒時，也能沿用同一套文件續作，不必重來。

十月的韓國交流，不是炫技，而是交換作法。 我們帶去的不只兩個示範，而是一個多主題的專題組合：校園安全與管理（交通號誌、危險駕駛、出勤、智慧教室、音量調節）、校園服務與永續（廢棄物分類、無人商店）、生態探究（物種與昆蟲咬痕辨識）、以及資安思維（側通道攻擊防禦）。這些專題共享相同底層結構：需求定義→資料治理→模型選擇→部署限制→回饋迭代。與夥伴學校逐一對讀後，可分辨哪些步驟能通用、哪些需因地制宜；若能進一步建立共同題庫或遠距協作節點，學生便能跨校比對成效，將「在地有效」推進為「可遷移有效」。

新科技學程班的目標，不是只教會學生寫程式，而是善用AI成可用的工具。學生從校園日常出發，把問題變流程、把流程變資料，再用資料修正作法。當他們在展場或國際交流被問起「為什麼做這個」時，能清楚說明需求、設計與驗證—這正是回應真實情境的能力，也是西松高中想與城市、與世界持續對話的基礎。