很開心能參加2025全國AI專題創意競賽的Quantum AI體驗應用組決賽，在這次專題中不僅僅是學習理論，更將量子計算、模糊系統與硬體實作進行了深度整合，整個專題的核心在於建構一個能夠結合人類智慧與生成式AI的計算智慧系統，我們首先面臨的挑戰是軟硬體環境的建置與資料收集流程，我們必須在電腦上安裝Thonny Python IDE並透過USB將學習工具連接至電腦，這看似基礎的步驟卻是後續所有數據流的根基，在執行const.py與QCIGAIModel_DataCollection.py的過程中，確認LED與LCD運作正常是我們每次實驗前的必備檢查，在資料收集階段，我們利用學習工具拍攝圖片並詳細記錄距離與亮度數據，更引入了KWS AI平台進行圖文轉換，這讓我們見識到Image to Text以及Text/Voice to Image的強大生成能力，然而單純的生成式AI並不足夠，我們引入了人類智慧介入的概念，也就是Human-in-the-loop，透過人類專家對生成結果進行評分，包括HEGAIText與HEGAIImage，確保了AI內容的邏輯性與準確性，並將這些評分回饋給CI模型，這展示了人類智慧與生成式AI協作的可能性，在模糊系統的建構上，我們在學習平台上定義了輸入變數如距離、亮度及評估分數，並設定輸出變數為適應度GAIFit，我們選擇了梯形隸屬函數來定義數值與語意之間的對應關係，將每個變數設定為三個語意層級，這讓我們能夠將模糊的人類概念轉化為機器可理解的數據，隨後我們進入了CI推論模型的建立與MQTT串接階段，確保訂閱與發佈主題的一致性是連線成功的關鍵，透過系統執行CI推論並計算出GAIFit分數，我們能夠即時看到模型對輸入資料的反應，然而專題中最具技術深度的部分莫過於微調模型與演化式計算的應用，我們深知初始設定的隸屬函數往往誤差較大，因此我們引入了粒子群聚最佳化PSO演算法與基因演算法GA來進行訓練，PSO模擬鳥群覓食行為，透過個體與群體最佳位置的迭代來收斂至最佳解，而GA則模擬生物演化的優勝劣汰，透過突變率與交配率的設定尋找最佳參數，在訓練過程中，看著均方誤差MSE與根均方誤差RMSE隨著訓練代數增加而顯著下降，以及語意匹配正確率的提升，是我們最有成就感的時刻，這證明了我們的模型邏輯正逐漸貼近人類專家的判斷，專題的另一大亮點是量子電路的實作，我們將模糊規則庫轉換為量子電路，並使用IBM量子模擬器進行了高達8000次的模擬，透過分析計數圖與機率圖，我們觀察到量子態的機率分佈如何對應到我們的模糊推論結果，例如10000代表very good而00001代表very poor，這種從古典邏輯跨越到量子機率的思維轉變，讓我們對未來的計算架構有了全新的認識，最後在硬體實作方面，我們將訓練好的模型應用於包含伺服馬達、風扇、光感測器、超聲波感測器與LCD螢幕的學習板上，當系統根據推論出的GAIFit分數控制風扇轉速或LED閃爍時，我們真正體會到了軟硬體串接的威力，這次比賽不僅提升了我們的程式能力，更讓我們學會了如何整合模糊邏輯、演化式演算法與量子計算，這份經驗對我們未來的學習生涯將是無比珍貴的資產。