ipas AI 2026年備考注意事項
iPAS AI 應用規劃師（初級）2026 年備考注意事項（115 年最新趨勢）
2026 年考試已從「背名詞」進化到「理解應用 + 情境判斷 + 治理規劃」，難度中低偏中。非本科/上班族也能準備，但不能只靠死背，需注重「為什麼用這個技術？有什麼風險？怎麼導入？」的思考模式。
1. 核心備考心態與整體策略
- 不要只背 AI 名詞：考題大量情境題（約 40-45%），會給企業/政府/醫療/金融場景，讓你判斷最適合的技術或做法。
- 理解 > 死背：每個概念都要能回答「它解決什麼問題？什麼情境不適合？常見陷阱有哪些？」
- 三份必讀官方文件（強烈建議考前重讀）：
- 《人工智慧基本法》（七大原則：永人隱資透公問 → 永續、人類自主、隱私、資料治理、資安、透明、公平、問責）。
- 《公部門人工智慧應用參考手冊》（導入評估四大面向：技法組效；資料最小化、去識別化；Human-in-the-Loop）。
- 11502 版評鑑內容範圍（官網最新更新，掌握命題方向）。
- 準備時間建議：非本科建議 2-3 個月（每天 1-2 小時）。最後兩週停止補新知識，專心做模擬題 + 概念整合。
2. 科目一（人工智慧基礎概論）注意事項
- 重點：資料處理（異常值、標準化、One-Hot vs Label Encoding、Data Leakage）、機器學習類型判斷、Bias-Variance、模型評估指標（Precision/Recall/F1 尤其不平衡資料）、深度學習模型對應（CNN/RNN/Transformer）。
- 新增/強化：AI 治理法規、EU AI Act 風險分級、多模態學習。
- 陷阱：看似正確但應用錯誤的選項；「最不符合」或「何者錯誤」題型很多。
3. 科目二（生成式 AI 應用與規劃）注意事項
這科權重高，準備優先：
- Prompt Engineering：CoT、Few-shot、ToT 等，理解何時使用。
- RAG：解決幻覺與知識過時（Chunking、Hybrid Search）。
- AI Agent：感知-規劃-行動、Tool Calling、多代理。
- 導入規劃：ROI/TCO 評估、風險控管、Guardrails、防 Prompt Injection、MLOps（Data Drift）。
- No Code / Low Code：適用情境與限制。
- 重點概念：Human-in-the-Loop（高風險應用不可全自動）、資料主權、在地模型（TAIDE）。
常見錯誤：只知道工具功能，忽略限制與治理風險。
4. 實用備考技巧
- 官方資源優先：
- 學習指引（科目一 + 科目二 PDF，下載官網）。
- 考試樣題 + 歷屆公告試題（官網學習資源區）。
- 輔助資源：網站內老師的模擬題/筆記（情境題練習很有幫助）。
- 練習方法：
- 多做情境題，強迫自己解釋「為什麼不是其他選項」。
- 用費曼技巧：用白話把概念講給非 AI 背景的人聽。
- 建立個人筆記：技術 → 解決問題 → 適用情境 → 風險。
- 考場注意：電腦化測驗，每科 50 題單選（75 分鐘）。每科 60 分以上 + 平均 70 分通過。認真讀題幹，情境題常有陷阱。
5. 其他注意事項
- 報名與考試：2026 年有多場（例如 5/16、8/15、11/7 等），費用親民（初級每科約 400 元）。考區較多，提早確認。
- 中級準備：若目標中級，需額外注意程式相關題型、實務部署、MLOps 更深層內容。
- 心態：這張證照是「AI 規劃者」入門門票，重點在培養跨部門溝通與導入思維，而非變成工程師。
官方網站：https://ipd.nat.gov.tw/ipas/ 或 https://www.ipas.org.tw/ —— 務必下載最新簡章、學習指引與樣題。
準備時多問自己：「這個情境該怎麼規劃 AI 導入？有哪些風險？」就能大幅提升通過率與實務能力。加油！如果需要特定科目模擬題範例、筆記重點或中級資訊，再告訴我，我可以再幫你補充。
115 年度 iPAS AI 應用規劃師新增之「關鍵法規與評測架構」考綱內容
針對 115 年度 iPAS AI 應用規劃師新增之「關鍵法規與評測架構」考綱內容，整理重點與精選題目解析如下：
一、《人工智慧基本法》：AI 治理新高度
重點整理：
- 生效時間與定位： 台灣首部 AI 專法於 2026 年 1 月正式生效，象徵 AI 治理正式納入國家能力鑑定範疇。
- 主管機關陷阱（必考重點）：
- 中央主管機關及 AI 戰略幕僚單位為**「國家科學及技術委員會（國科會）」**。
- 數位發展部的主要角色是建立「風險分類框架」及提供評測工具。
- AI 的法律定義： 系統必須具備**「自主運行能力」**，並能產生預測、建議或決策。 僅依固定規則執行的「規則式軟體」（Rule-based）不被視為 AI。
- 七大基本原則（口訣：永人隱資透公問）：
- 永續發展： 兼顧社會公平與環境。
- 人類自主： 確保人為可控，不取代人類道德判斷。
- 隱私保護： 採資料最小化原則，保護個資。
- 資安安全： 建立防護措施，確保系統穩健。
- 透明可解釋： 產出需標記，讓使用者理解其運作邏輯。
- 公平不歧視： 避免演算法產生偏差或歧視特定群體。
- 問責機制： 各階段開發與部署者需承擔相應責任。
二、AIEC 產品與系統評測：落實可信任 AI
重點整理：
- 評測單位： 數位發展部成立 AIEC（AI 產品與系統評測中心），作為 AI 界的「國家級檢驗局」。
- 五大防呆指標（評測支柱）：
- 準確性（Accuracy）： 提供精確、即時的事實。
- 可靠性（Reliability）： 在極端或未知情況下仍能穩定運作。
- 公平性（Fairness）： 確保無性別、年齡或社會價值偏見。
- 隱私（Privacy）： 防止對話紀錄或資料外洩。
- 資安（Secure）： 抵禦惡意誘騙與安全威脅。
- 在地化測試： 強調 AI 必須符合台灣社會共識與語言文化（例如分辨優酪乳與酸奶的用語差異）。
精選練習題與解析
題目 1：根據《人工智慧基本法》，關於我國 AI 政策的統籌協調、推動及督導，其幕僚作業單位為下列何者？ (A) 數位發展部 (B) 國家科學及技術委員會（國科會） (C) 經濟部產業發展署 (D) 國家資通安全研究院
- 解答： (B)
- 解析： 這是 115 年考綱中的核心陷阱題。中央主管機關與戰略委員會的幕僚作業由「國科會」辦理，數位部則負責風險分類框架等實務執行面。
題目 2：數位部 AIEC 針對 AI 產品提出的五大評測指標中，哪一項最強調系統在面對突發數據或極端壓力環境下，仍能穩健運作且不隨意崩潰？ (A) 準確性 (B) 公平性 (C) 可靠性 (D) 資安
- 解答： (C)
- 解析： 「可靠性」指標旨在確保 AI 能穩定應對非預期狀況，而不僅僅是給出正確答案（準確性）。
題目 3：關於《人工智慧基本法》中所定義之 AI 系統原則，下列敘述何者不符合「人類自主性」之要求？ (A) 必須允許人類進行監督 (B) AI 系統應能完全取代人類進行關鍵醫療診斷決策 (C) 尊重人格權及文化價值 (D) 確保人類在生命週期中保有最終控制權
- 解答： (B)
- 解析： 人類自主原則強調「AI 不可完全取代人類決策」，在關鍵場景如醫療或金融，必須保留人類最終決策權，此即 Human-in-the-loop 的概念。
題目 4：下列何種應用場景最符合 115 年考綱新增之「AI 產品與系統評測」中的「公平性」指標測試範疇？ (A) 測試 AI 翻譯系統是否會將「優酪乳」翻成「酸奶」 (B) 檢查 AI 信用評分模型是否會因為申請者的性別或出生地而降低信用額度 (C) 驗證 AI 系統是否能在離線環境下保護用戶數據 (D) 測試模型在遭受駭客攻擊時是否會產生錯誤回報
- 解答： (B)
- 解析： 公平性指標專注於檢測演算法是否產生偏見，避免因特定屬性對群體造成歧視之結果。選項 (A) 為在地化，(C) 為隱私，(D) 為資安。
題目 5：依據法律規範，下列何者「不屬於」《人工智慧基本法》所定義之 AI 系統？ (A) 能自動生成廣告文案的大型語言模型 (B) 根據即時感測資訊進行路況判斷的自動駕駛系統 (C) 僅依照固定之「If-Then」條件式邏輯執行的規則式軟體 (D) 具備自主學習能力的智慧推薦演算法
- 解答： (C)
- 解析： 法規定義 AI 需具備「自主運行能力」並透過機器學習與演算法運作，傳統的「規則式軟體」（Rule-based）被排除在定義之外。
115 年度 iPAS AI 應用規劃師科目二「生成式 AI 應用與規劃」新增評鑑內容
針對 115 年度 iPAS AI 應用規劃師科目二「生成式 AI 應用與規劃」新增之評鑑內容，整理重點與精選題目解析如下：
一、 生成式 AI 核心變革重點
-
提示工程（Prompt Engineering）深度化：
- 從簡單的指令撰寫轉向更複雜的框架設計與優化。
- 新增技術項目： 包含 Few-shot（少樣本學習）、CoT（思考鏈）、ToT（思維樹） 與 APE（自動提示工程）。重點在於如何透過結構化提示引導 LLM 進行複雜邏輯推理。
-
檢索增強生成（RAG）實務應用：
- 核心功能： 讓 AI 在回答前先「查閱外部知識庫」，有效解決 AI 的**幻覺（Hallucination）**問題與知識過時問題。
- 評鑑重點： 著重於 RAG 架構的導入規劃，以及如何整合企業內部文件系統。
-
人工智慧代理系統（AI Agent）：
- 技術躍升： 從「對話機器人」進化為能自主任務規劃、執行 API 調用並進行多代理協作的系統。
- 關鍵協議： 納入最新的 MCP（Model Context Protocol） 模型上下文協議等架構考量。
-
現代化開發與導入工具：
- 編輯器體驗： 區分 Cursor（強項在於跨檔案的上下文理解）與 GitHub Copilot（強項在於代碼行內補全）。
- 企業平台： 納入 Copilot Studio 等 No-code / Low-code 工具，強調 AI 民主化與快速原型開發。
-
導入評估框架（技法組效）：
- 企業導入 AI 必須從四大面向評估：技術面向、法規面向、組織面向、效益面向（簡稱「技法組效」）。
- 風險管理： 強調個人識別資訊（PII）處理、資料最小化原則、去識別化，以及 AI 生成內容必須經由人類覆核的問責機制。
精選練習題與解析
題目 1：在企業導入生成式 AI 系統時，若希望有效解決大型語言模型（LLM）因缺乏即時資訊而產生的「幻覺」現象，應優先考量下列哪項技術？ (A) 增加模型微調（Fine-tuning）的資料量 (B) 使用更長的核心採樣（Nucleus Sampling）參數 (C) 導入檢索增強生成（RAG）架構 (D) 擴大模型的參數量（Parameter Size）
- 解答： (C)
- 解析： RAG 技術讓模型在回答前先從外部資料庫檢索相關事實，是目前公認降低幻覺與解決時效性問題最直接且有效的方法。
題目 2：關於提示工程（Prompt Engineering）技術，下列何者能引導模型逐步拆解問題，並展現邏輯推理過程以提高答案準確度？ (A) Zero-shot (B) Chain of Thought (CoT) (C) Automatic Prompt Engineering (APE) (D) Few-shot
- 解答： (B)
- 解析： CoT（思考鏈）透過提示模型「一步步思考」，引導其在輸出最終答案前先進行中間邏輯推理。
題目 3：根據 115 年度考綱定義，AI Agent（人工智慧代理）與傳統 Chatbot（聊天機器人）最顯著的技術區別為何？ (A) 能更精準地識別使用者的語氣與情緒 (B) 具備自主任務規劃、工具使用與 API 調用的能力 (C) 能夠支援更多種語言的即時翻譯 (D) 僅能處理文字資訊，無法處理多模態資料
- 解答： (B)
- 解析： AI Agent 的核心特質在於其自主性，能根據目標主動調用外部工具（如執行 Python 代碼、查詢資料庫 API），而非單純被動回應。
題目 4：某製造業公司在導入 AI 專案時，特別針對「既有工作流程的變動幅度」以及「員工接受度」進行分析。這屬於導入評估（技法組效）中的哪一個面向？ (A) 技術面向 (B) 法規面向 (C) 組織面向 (D) 效益面向
- 解答： (C)
- 解析： 組織面向專注於評估 AI 對組織架構、員工心理及業務流程變革帶來的影響。
題目 5：關於開發工具 Cursor 與 GitHub Copilot 在 115 年度評鑑中的區分重點，下列敘述何者正確？ (A) Cursor 僅限於單一檔案代碼生成 (B) GitHub Copilot 是獨立的作業系統，Cursor 是網頁工具 (C) Cursor 提供深度整合的「跨檔案上下文理解」，GitHub Copilot 則以「行內自動補全」著稱 (D) 兩者功能完全重疊，考綱僅視為同義詞
- 解答： (C)
- 解析： Cursor 強調的是整個編輯器級別的 AI 理解力（全專案感知），而 Copilot 最初的核心競爭力在於代碼編輯器中的即時補全功能。
115 年度 iPAS AI 應用規劃師科目一（基礎概論）新增之評鑑內容
115 年度 iPAS AI 應用規劃師科目一（基礎概論）新增之評鑑內容，整理重點與精選題目解析如下：
- 《人工智慧基本法》：
- 主管機關： 中央主管機關與 AI 戰略幕僚單位為**「國家科學及技術委員會（國科會）」**，而非數位發展部，這是考試最常見的陷阱題。
- AI 的法律定義： 系統必須具備**「自主運行能力」**，並透過機器學習及演算法實現預測、內容、建議或決策。傳統的規則式軟體（Rule-based）不被視為 AI。
- 七大基本原則： 永續發展與福祉、人類自主、隱私保護與資料治理、資安與安全、透明與可解釋、公平與不歧視、問責。
- 創新實驗環境： 參考歐盟制度，推動 Regulatory Sandbox（監理沙盒/創新實驗環境），讓企業在受控環境下進行開發與測試。
- 金融業 AI 運用指引：
- 核心理念： 包含治理與問責、重視公平性、保護隱私及客戶權益、確保系統穩健性與安全性、落實透明性與可解釋性、促進永續發展。
- 系統生命週期： 明確分為「系統規劃及設計」、「資料蒐集及輸入」、「模型建立及驗證」、「系統部署及監控」四個階段。
- AI 產品與系統評測：
- 評測單位： 數位發展部成立 AIEC（AI 產品與系統評測中心） 作為國家級檢驗機構。
- 五大指標（防呆支柱）： 準確性、可靠性、公平性、隱私、資安。
- 特徵工程（Feature Engineering）：
- 定義： 透過數據轉換提升模型對目標變數的預測能力。
- 實務方法：
- 特徵縮放： 處理異常大的值或不同量級的數據，避免特定特徵主導訓練。
- 特徵交叉（Feature Cross）： 將多個特徵組合以捕捉非線性關係（如：星期 + 小時）。
- One-hot 編碼： 將類別型資料（如：交通方式）轉化為數值。
- 資料標準化（Standardization / Scaling）：
- 最小-最大縮放（Min-Max Scaling）： 將數據壓縮到 0 與 1 之間。
- Z-score 標準化： 將數據轉換為均值為 0，標準差為 1 的分佈。
- 目的： 消除單位影響（如：房價 vs. 坪數），提升梯度下降演算法的收斂速度與模型穩定性。
- 實務流程（ETL）： 包含資料抽取（Extract）、轉換（Transform，含清理與排序）與載入（Load）。
- 定義： 同時利用多種資料類型（文字、圖像、音訊、影片等模態）進行洞察、預測或產生內容的 AI 系統。
- 技術特性：
- 共同嵌入空間（Shared Embedding Space）： 將不同模態（如圖、文）映射至同一空間，實現跨模態理解。
- 對比式學習（Contrastive Learning）： 如 CLIP 模型，透過文字提示直接進行影像識別，達成「零樣本分類」。
- 企業應用： 多用於自動駕駛（感知多種感測器資料）、醫療診斷（影像結合病歷文字）、智慧客服（語音結合文本意圖）。
- 解答： (B)
- 解析： 根據法規，中央主管機關與戰略特別委員會的幕僚作業均由「國科會」辦理。
- 解答： (C)
- 解析： 公平性指標專注於檢測模型是否存在演算法偏見、歧視，並確保在地化社會價值。
- 解答： (B)
- 解析： 特徵縮放中的「最小-最大縮放」可將數據壓縮至 0 到 1 之間，確保所有特徵在相同量級運作。
- 解答： (B)
- 解析： CLIP 的優勢在於將圖像與文字映射至共同嵌入空間，使其能透過文字提示直接進行零樣本分類，不需額外標註訓練。
- 解答： (C)
- 解析： 模型建立及驗證階段專注於演算法選擇、模型訓練以及安全性的最終確認。
115 年度（2026年）iPAS AI 應用規劃師鑑定的主要變革
115 年度（2026年）iPAS AI 應用規劃師能力鑑定的主要變革，整理如下：
- 初級： 從 1,200 元降至 400 元/科。
- 中級： 從 1,500 元降至 500 元/科。
- 注意： 此優惠僅限 115 年至 116 年，117 年起將恢復原價。
- 初級證書： 維持永久有效，不需換發。
- 中級證書： 效期由原本的 5 年縮短為 3 年。
- 換證要求（中級）： 需在 3 年內接受 48 小時以上的訓練（工作年資每一年可折抵 8 小時）。
- 初級考試時間調整： 115 年第一次考試（3月21日）調整至上午 9 點開始（過去多在下午）。
- 名額翻倍： 中級考試每梯次名額從 1,500 人增至 3,000 人。
- 新增考區： 初級新增花蓮、嘉義、屏東考區；中級新增桃園考區。
- 科目一（基礎概論）新增：
- AI 治理與法規： 包含《人工智慧基本法》、金融業 AI 指引及 AI 產品評測。
- 資料處理深化： 納入特徵工程、資料標準化等實務流程。
- 多模態學習（Multimodal AI）： 貼近企業 AI 系統架構。
- 科目二（生成式 AI）新增：
- 提示工程（Prompt Engineering）： 包含 Few-shot、CoT、ToT、APE 等技術。
- 檢索增強生成（RAG）： 著重於降低 AI 幻覺（Hallucination）。
- AI Agent（人工智慧代理）： 納入多代理協作、自主任務規劃與 API 調用。
- 《人工智慧基本法》： 2026 年 1 月正式生效，AI 治理正式納入考綱。
- 主管機關陷阱： AI 政策統籌單位為「國科會」而非數發部。
- 七大原則： 包含永續發展、人類自主、隱私保護、資安安全、透明可解釋、公平不歧視、問責機制。
- AI 產品與系統評測： 納入數位發展部 AIEC（AI 產品與系統評測中心）的五大指標：準確性、可靠性、公平性、隱私、資安。
- 持有 iPAS 巨量資料分析師或機器學習工程師證書者，在 116 年底前可申請抵免對應科目（例如持有初級機器學習工程師證書，加考「人工智慧技術應用與規劃」一科及格即可取得中級 AI 證書）。
有時候 平均數 不如 中位數 有意義
以下用「薪資收入」做一個具體例子，說明為什麼有時候 平均數 不如 中位數 有意義。
情境設定：某公司 10 位員工月薪（單位：萬元）
-
3
-
3
-
3
-
3
-
3
-
4
-
4
-
4
-
5
-
50
一、計算平均數
● 總和 = 3+3+3+3+3+4+4+4+5+50 = 82
● 平均數 = 82 ÷ 10 = 8.2 萬元
表面上看起來：
● 「公司平均月薪 8.2 萬元」
二、計算中位數
● 排序後，第 5 與第 6 位是 3 和 4
● 中位數 = (3 + 4) ÷ 2 = 3.5 萬元
三、比較分析
| 指標 | 數值 | 代表意義 | 問題 |
|---|---|---|---|
| 平均數 | 8.2 萬 | 每人平均收入 | 被 50 萬的高薪主管拉高 |
| 中位數 | 3.5 萬 | 中間那個人的收入 | 更接近多數人真實狀況 |
四、為什麼平均數失真？
● 50 萬的主管屬於「極端值（outlier）」
● 極端值會大幅拉高平均數
● 但實際上 9 個人都在 3～5 萬之間
如果你是求職者：
● 聽到「平均 8.2 萬」會誤以為普遍薪資很高
● 但實際多數人只有 3～4 萬
五、結論（關鍵觀念）
● 當資料分布「不對稱」或有「極端值」時
→ 中位數比平均數更能代表多數人的真實狀況
● 當資料分布「對稱、沒有極端值」時
→ 平均數才較具代表性
如果延伸到社會新聞常見的說法：
● 「全國平均薪資提升」
未必代表大多數人真的變有錢
很多時候：
● 看中位數，更貼近真實生活感受