高中生的 AI 專題研究不需要發明新演算法，需要的是一個小而具體的問題、一份拿得到的資料、一個說得出為什麼的方法，和一段誠實的結果討論。以下是六個步驟，每步都附高中生做得到的例子。
步驟一：從生活裡找一個小問題，不要從技術找
好的題目長這樣：「能不能用手機拍照判斷校園植物有沒有病蟲害」、「學校福利社哪些時段最擁擠，能不能預測」、「能不能幫社團做一個回答常見問題的 AI 助理」。不好的題目長這樣：「用深度學習做影像辨識」。前者有使用者、有場景、有可以被回答的問句；後者只是技術名詞。
步驟二：先確認資料拿得到，再決定題目要不要做
高中生專題最常死在資料。三個來源依序試：自己收集（拍照、問卷、計時，通常 100 到 500 筆就能做小專題）、政府開放資料（data.gov.tw、各縣市資料開放平台）、公開資料集（Kaggle、Hugging Face Datasets）。醫療影像、人臉、個資類的資料要特別注意授權與隱私，只用明確標示可用於教育研究的公開資料集。
步驟三：用最簡單能跨過門檻的方法
分類問題先試決策樹或邏輯回歸，影像問題用預訓練模型微調，文字問題用現成的語言模型 API 加上自己整理的資料。審查者不會因為你用了較複雜的模型加分，但會因為你說得出「為什麼選這個方法」加分。Google Colab 免費版足以跑完絕大多數高中生專題。
步驟四：在開始訓練前就決定怎麼算「成功」
先寫下評估標準：準確率要到幾？跟什麼比？（跟隨機猜比、跟人工判斷比、跟最簡單規則比）。沒有基準的 85% 準確率沒有意義；有基準的 70% 可以是好結果。訓練集與測試集要分開，這是評審最常問的問題。
步驟五：把失敗記下來，它比成功有價值
第一版通常不會好。記錄每次調整了什麼、結果變成怎樣，最後整理成一張表。這張表就是你的研究過程，也是學習歷程裡最有說服力的一頁。寫法見學習歷程怎麼寫。
步驟六：成果發表要回答四個問題
我想解決什麼、我怎麼做、結果如何、還有什麼沒做到。簡報不超過 10 頁，每頁一個重點，數據用圖不用表。最後一頁寫限制與下一步，這一頁往往決定評審對你的印象。
適合高中生的四種 AI 專題類型
- 影像分類：植物病害、垃圾分類、醫學影像（用公開資料集）。需要的技術最成熟，成果最好展示。
- 資料預測：公車到站時間、空氣品質、校園用電。資料好找，重點在特徵選擇。
- AI 助理與應用：用語言模型加上自己整理的知識庫，做一個能回答特定問題的工具。不需要訓練模型，重點在需求定義與測試。
- 感測與控制：用影像辨識控制機械手臂或小車。需要設備，通常在實驗室或營隊環境才做得到。
常見誤區
題目太大（「用 AI 預測股市」）、把教學範例直接當專題、沒有基準就報準確率、訓練測試沒分開、只展示成功不討論限制。避開這五點，專題就已經比多數同年齡的作品完整。
從哪裡開始？
若沒有指導老師，最實際的起點是一個有專題產出的短期營隊：2 到 4 天內在教授與助教帶領下走完一次完整流程，回家後再用同樣的方法做自己的題目。AI4kids 2027 寒假的四個營隊（醫療影像、機器人控制、AI 助理開發、AI 影音創作）分別對應上面四種專題類型，詳見總覽頁。