跳到主要內容
NTPU AI Learn

DS 105 · 模組 1

從 Web3 到可程式化金融：讀懂新型金融資料

核心問題：當金融資產與交易變得數位化、可程式化、可觀察，會改變什麼？

開始第一節
  • 時長60 分鐘
  • 難度基礎
  • 先備知識不需要程式背景；建議具備 AI 101 或同等 AI 素養
已完成 0 / 6
同步我的進度加入梯次後，進度可跨裝置保存，講師也能看到

資訊

加入後，你已完成的模組編號會連同「學員代碼」傳送給講師，講師可以看到你的進度。請使用講師提供的代碼，不要輸入姓名、公司機密或其他個資。進度資料與該梯次的其他資料一起保存。

學習目標

  • 用非技術語言解釋可程式化金融
  • 區分代幣化（tokenisation）與單純數位化
  • 辨識常見的鏈上證據欄位
  • 請 AI 分析一份不熟悉的交易紀錄
  • 區分「觀察到的事件」與「對事件的解讀」

Web3 與金融

8 分鐘

Web3 為什麼和金融有關

學習目標：用非技術語言解釋可程式化金融。本課程不是區塊鏈開發課，重點是「金融活動變得更可觀察、更可程式化」，而不是學員需要成為區塊鏈工程師。

本課程的核心能力模型
  1. FRAME 定義決策問題
  2. SOURCE 選擇合適且權威的資料
  3. INTERROGATE 用 AI 檢視、比較、分類並挑戰證據
  4. VERIFY 檢查來源、假設、缺漏證據、偏誤與不確定性
  5. DECIDE 由人做出帶有信心水準的決策
  • Internet of Information（資訊的網路）→ Internet of Value（價值的網路）：資料與價值都可以被直接傳遞與觀察
  • 可程式化資產：資產的規則可以被寫入並自動執行的一部分流程
  • 可程式化交易：轉移、結算等流程可能被部分自動化
  • 本課不教授區塊鏈共識演算法，只教「這對金融決策的意義是什麼」

注意

模擬資料聲明：本課程所有資料集皆為教學用擬真資料，所有公司、錢包、資產、事件與數值皆為模擬，不代表任何真實企業、投資商品或市場狀況，不構成投資建議。

資訊

Human → AI → Human：人負責定義決策問題；AI 協助檢視與比較鏈上證據；人保留最終判斷責任，本課不提供個人化投資建議。
自我檢測

以下哪一句最符合本課程使用 Web3 的方式？

以下哪一句最符合本課程使用 Web3 的方式？

重點: Web3 在本課程中的意義，是金融活動變得更可觀察、更可程式化，而不是要學員成為區塊鏈開發者。

代幣化 vs 數位化

10 分鐘

代幣化 vs 數位化

學習目標：區分代幣化（tokenisation）與單純數位化。許多人把「資料變成電子檔」與「資產被代幣化」混為一談，但兩者在所有權、轉移、結算與規則上都不相同。

傳統／數位紀錄 vs 代幣化表示
維度傳統／數位紀錄代幣化表示
所有權記錄在傳統機構系統中透過代幣／帳本狀態表示
轉移機構中介的流程可能支援可程式化轉移
結算可能是分離的流程可能支援更整合的流程
規則外部流程規範部分規則可能被寫入程式邏輯
證據機構紀錄帳本紀錄＋機構／情境證據

注意

重要提醒：代幣化並不會消除法律、營運、市場、網路安全或治理風險；它只是改變了資產與交易被表示和觀察的方式。
  • 數位化：把既有紀錄轉成電子格式，所有權與規則邏輯通常不變
  • 代幣化：資產或權利被表示成可與數位帳本／工作流程互動的形式
  • 代幣化資產仍可能涉及真實世界的法律與營運風險，不會因為「上鏈」而消失
自我檢測

以下哪一句最準確描述本課程所談的代幣化？

以下哪一句最準確描述本課程所談的代幣化？

重點: 代幣化改變的是資產的表示與互動方式，不是風險的消失。

鏈上證據解剖

12 分鐘

鏈上證據解剖

學習目標：辨識常見的鏈上證據欄位。本節只介紹對決策有用的欄位，不深入技術細節。

  • timestamp（時間戳記）
  • wallet / address（錢包／地址識別碼）
  • asset / token（資產／代幣）
  • action / transaction type（動作／交易類型）
  • amount（金額）
  • transaction id（交易識別碼）
  • contract / event id（合約／事件識別碼，若相關）

注意

安全提醒：錢包地址不等於經過驗證的真實世界身分。觀察到資料，不代表完全能解讀其意義, 「observable 不等於 fully interpretable」。
一筆鏈上紀錄能直接告訴你什麼

一筆紀錄顯示時間、錢包 W017、資產 Token-X、動作 BUY、金額 120、交易識別碼 T0001。這些都是可直接觀察的欄位；但「W017 背後是誰」「為什麼買」都不是這筆紀錄能直接回答的問題。

自我檢測

從一筆基本的鏈上交易紀錄，最能直接觀察到的是什麼？

從一筆基本的鏈上交易紀錄，最能直接觀察到的是什麼？

重點: 鏈上紀錄提供可觀察的事實欄位，但「可觀察」不等於「可完全解讀」。

AI 證據閱讀實驗室

15 分鐘

AI 證據閱讀實驗室

學習目標：請 AI 分析一份不熟悉的交易紀錄，並練習把「觀察」與「解讀」分開。使用的是模擬教學資料集，不是真實投資資料。

DS105_Onchain_Transactions.csv（模擬資料，節錄）
timestamp,wallet_id,asset,action,amount,tx_id
2026-09-01T09:01:00Z,W017,Token-X,BUY,120,T0001
2026-09-01T09:05:00Z,W023,Token-X,TRANSFER,500,T0002
2026-09-01T09:12:00Z,W017,Token-X,SELL,100,T0003
...
  1. 描述觀察到的事實
    只陳述資料顯示的內容：時間、錢包、資產、動作、金額。
  2. 找出顯著型態
    例如某個時間區段的交易量明顯放大。
  3. 提出可能的解讀
    列出一至兩種合理但尚未驗證的解釋。
  4. 指出無法從資料斷定的事項
    哪些結論資料本身無法支持。
  5. 列出還需要哪些證據
    要讓解讀更可信，還缺什麼資訊。

資訊

本資料集包含至少 4 個錢包、2 種資產、3 種動作類型、一段明顯的交易量放大，以及一筆無法從資料本身負責任地解釋的模糊事件, 這正是用來練習「什麼無法被下結論」的設計。
自我檢測

交易量明顯上升時，哪一種說法最負責任？

交易量明顯上升時，哪一種說法最負責任？

重點: 先描述觀察到的事實，再謹慎地提出解讀，並清楚標出資料無法回答的問題。

主張 vs 證據挑戰

10 分鐘

主張 vs 證據挑戰

學習目標：區分觀察事實、推論與未支持／過度自信的主張。

案例主張

「Token-X 的交易量增加了 300%，所以市場一定是看漲的。」

可支持的部分

  • 交易量增加 300%：可觀察的事實（若資料確實顯示）
  • 這可能是一項證據，值得進一步檢視

需要挑戰的部分

  • 「市場是看漲的」：這是一種解讀，不是事實本身
  • 「一定」：在沒有更多證據前，這個用詞過度自信，不被資料支持
  • 交易量變化可能是證據之一，但不是結論本身
  • 「市場看漲」是一種解讀（interpretation），需要額外證據才能提高可信度
  • 「一定」這類字眼，在缺乏完整證據時是未支持的過度自信主張
自我檢測

「Token-X 交易量增加 300%，市場一定看漲」這句話中，哪一部分是推論？

「Token-X 交易量增加 300%，市場一定看漲」這句話中，哪一部分是推論？

重點: 觀察到的資料是一回事，對資料的解讀與用詞的確定性是另一回事，兩者必須分開檢視。

核心練習：數位金融證據卡

5 分鐘

核心練習：數位金融證據卡

學習目標：完成本模組的核心練習，統整觀察、解讀與待補證據。

  • Event（事件）
  • Observed Data（觀察到的資料）
  • Possible Interpretation（可能的解讀）
  • Alternative Interpretation（替代解讀）
  • What We Still Don't Know（仍不知道的事）
  • Additional Evidence Needed（還需要的證據）

完成

完成此練習即完成 Core Exercise 1（ds105-m1-digital-finance-evidence-card）。

重點: 本模組的總結：觀察到的資料不等於已驗證的意義（Observable data is not the same as verified meaning）。

另存 PDF

接下來做什麼？