昨天介紹了 VoCare 的整體概念，也提到這個專案希望讓 AI 不只是「回答問題」，而是能真正融入使用者的日常生活。

但在開始做功能之前，其實還有一個更重要的問題：

VoCare 到底想解決什麼問題？

因為如果只是看到 AI 很熱門，就開始塞聊天、語音、影像辨識、提醒等功能，很容易最後變成一個「功能很多，但不知道為什麼需要這些功能」的系統。

所以今天想先從使用情境開始，重新整理 VoCare 的需求。

不想只做一個聊天機器人

VoCare 最初的想法其實很單純，就是希望做一個可以陪伴使用者的 AI。

但如果只是：

使用者輸入問題 → AI 回答

那本質上就只是一個一般的 Chatbot。

現在不論是 ChatGPT、Gemini 或其他 AI 服務，都已經能做到很好的文字與語音對話，所以如果 VoCare 只是再做一個聊天介面，其實沒有太大的意義。

因此我後來開始思考：

有沒有一些事情，是 AI 可以在使用者「沒有主動開口」的情況下幫忙的？

例如使用者已經坐在電腦前好幾個小時，可能已經很疲勞，但他自己沒有注意到；或是一位長者到了吃藥時間卻忘記了。

這些情況下，真正有幫助的系統，應該不是等待使用者詢問，而是能在適當的時間主動提醒。

這也慢慢變成 VoCare 最重要的核心概念：

從被動回答，變成主動陪伴。

第一種使用情境：一般生活

先從一般使用者來看。

現在很多人的生活幾乎離不開電腦和手機，不論是上課、寫程式、工作或娛樂，都可能長時間坐在螢幕前。

我自己在做專案的時候也常常會遇到類似的情況。

原本只想再寫一下程式，結果回過神來已經過了一兩個小時；有時候明明已經很累，還是會繼續盯著螢幕。

因此在一般生活模式中，我希望 VoCare 可以協助處理一些容易被忽略的事情，例如：

• 長時間久坐
• 疲勞狀態
• 行程與待辦事項
• 工作與休息時間
• 日常生活提醒
• 使用者平常的偏好與習慣

這些功能看起來各自很普通，但如果可以結合 AI，就有機會做得更自然。

舉例來說，一般的提醒 App 可能只會在固定時間跳出：

18:00 記得吃飯。

但如果系統知道使用者今天 18:00 還在忙一件事情，或是已經延後過一次提醒，就可以用比較符合當下情境的方式互動。

例如：

你原本預計六點吃飯，現在已經六點半了，要不要先休息一下？

這就是我希望 VoCare 和一般提醒工具產生差異的地方。

第二種使用情境：長者照護

VoCare 的另一個主要方向是長者照護。

相較於一般使用者，長者需要考慮的不只是方便性，還包含 安全性。

例如：

• 忘記吃藥
• 忘記喝水或吃飯
• 長時間沒有活動
• 行走狀況和平常不同
• 跌倒
• 呼叫後沒有回應

這些事情如果只靠固定時間提醒，其實不一定足夠。

其中最明顯的例子就是跌倒。

假設手機相機偵測到使用者快速下降，而且身體最後接近地面，系統可能會判定發生跌倒。

但問題是：

偵測到跌倒，就一定是真的跌倒嗎？

有可能只是使用者坐到地上，也可能只是鏡頭判斷錯誤。

如果每次偵測到疑似跌倒就直接通知家屬，久而久之很容易造成大量誤報。

所以 VoCare 的想法是加入多個步驟，例如：

1. 系統先偵測到疑似跌倒。
2. 主動詢問使用者是否需要協助。
3. 判斷使用者有沒有回應。
4. 如果有正常回應，降低警示等級。
5. 如果持續沒有回應，再進一步通知家屬。

這樣就不是單純做一個「跌倒辨識模型」，而是把 AI 的分析結果放進一個完整的決策流程裡。

同一個功能，不同人可能需要不同反應

在整理需求的時候，我也發現另一個問題：

每個人的正常狀態其實不一樣。

例如某個人每天平均會走很多路，突然某一天活動量大幅降低，可能值得注意。

但另一個人本來每天活動量就比較少，如果用完全相同的標準判斷，很可能會一直產生錯誤提醒。

疲勞也是一樣。

有人工作一小時就會休息一次，有人習慣連續專注兩三個小時。

因此 VoCare 不能只靠一組固定門檻判斷所有人，而是希望慢慢建立每個使用者自己的基準。

例如：

• 平常活動量
• 常見作息
• 提醒偏好
• 常用語言
• 行程習慣
• 對提醒的回應方式

未來系統就可以根據這些資訊，讓提醒變得比較個人化。

為什麼需要多模態資料？

如果 VoCare 只知道使用者輸入的文字，其實很難做到前面提到的功能。

因此目前的設計會以手機作為主要的感測裝置，使用手機原本就有的：

• 相機
• 麥克風
• 使用者互動資訊

來取得不同類型的資料。

例如相機可以協助觀察姿勢、動作或疲勞狀態；麥克風則可以用來做語音互動，以及在特定情境下判斷使用者是否有回應。

這裡也出現了一個很重要的 AI Engineering 問題：

如果不同資料給出了不同結果，到底該相信誰？

假設影像判斷疑似跌倒，但是使用者馬上用語音回答：

我沒事，只是在撿東西。

這時候系統就不應該單純依賴影像判斷。

因此之後 VoCare 會需要一個 多模態融合與分級決策機制，把不同來源的資訊整合之後再決定下一步。

安全相關功能不能全部交給 AI

在規劃長者照護功能時，我也認為有一件事情很重要：

安全相關的判斷不能完全交給生成式 AI 自己決定。

例如發生疑似跌倒、持續沒有回應這類情況，如果完全讓語言模型自由判斷要不要通知家屬，風險其實很高。

因此目前 VoCare 的想法是把決策拆成兩部分。

AI 比較適合負責：

• 理解使用者說的話
• 整理資訊
• 分析情境
• 產生自然的回應
• 輔助判斷

但真正涉及安全的動作，例如警報升級、通知家屬，則保留一套固定規則。

簡單來說：

AI 可以協助判斷，但安全底線要由系統規則控制。

這也是我目前在設計 VoCare 時很重視的一個原則。

從問題反推功能

整理完這些情境之後，VoCare 的功能就比較不是「想到什麼做什麼」，而是可以從問題反推需求。

例如：

問題：使用者常常忘記行程

可以對應到：

• 行程管理
• 語音新增行程
• 行程提醒
• 衝突偵測

問題：使用者容易工作太久忘記休息

可以對應到：

• 使用時間紀錄
• 疲勞偵測
• 久坐提醒

問題：長者可能發生跌倒

可以對應到：

• 姿勢與動作分析
• 跌倒偵測
• 語音平安確認
• 分級警示
• 家屬通知

問題：每個人的生活習慣不同

則可以對應到：

• 個人化資料
• 使用者基準
• 偏好設定
• AI 記憶

這樣整理之後，整個專案的方向就清楚很多。

Day 2 小結

今天主要重新整理了 VoCare 想解決的問題。

我目前認為 VoCare 最核心的目標並不是做出最多 AI 功能，而是：

讓 AI 能根據使用者的狀態，在適當的時候提供適當的協助。

因此除了 AI 對話之外，還會需要語音、影像、個人化資料、提醒機制以及安全規則互相配合。

同時我也慢慢發現，各個功能之間要如何合作將是一個重要的課題。