快樂學習 iPAS 一次就過！

 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：

1. 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。
2. 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。
3. 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。
4. 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：

1. 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」。
2. 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。
3. 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。

 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

1. 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。

2. 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。

3. 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。

4. 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。

5. 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，整理重點與精選題目解析如下：

一、 AI 治理與法規

重點整理：

1. 《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。
2. 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。
3. 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。

--------------------------------------------------------------------------------

二、 資料處理深化

重點整理：

1. 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。
2. 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。
3. 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）。

--------------------------------------------------------------------------------

三、 多模態學習（Multimodal AI）

重點整理：

1. 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。
2. 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」。
3. 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）。

--------------------------------------------------------------------------------

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 政策的統籌與戰略幕僚作業單位，下列何者正確？ (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) 工業技術研究院

• 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。

題目 2：數位發展部 AI 產品與系統評測中心（AIEC）提出的「五大防呆支柱」中，旨在確保 AI 不會因性別或年齡給出歧視性建議的指標為何？ (A) 準確性 (B) 可靠性 (C) 公平性 (D) 資安

• 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。

題目 3：在資料處理流程中，若發現某些屬性出現異常大的數值，可能誤導模型訓練，應採取何種處理使所有值轉換到 0 至 1 之間？ (A) 資料組織 (B) 資料特徵縮放 (C) 資料清理 (D) 資料分析

• 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。

題目 4：關於多模態學習模型 CLIP 的關鍵技術特性，下列敘述何者正確？ (A) 僅能處理單一模態的文字資料 (B) 透過對比式學習將影像與文字映射至共同嵌入空間 (C) 需依賴大量標註影像才能識別新內容 (D) 核心技術為傳統的決策樹演算法

• 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。

題目 5：在金融業 AI 運用生命週期中，哪一個階段的工作重點包含「選擇與建立模型演算法」及「驗證效能、安全性與機密性」？ (A) 系統規劃及設計 (B) 資料蒐集及輸入 (C) 模型建立及驗證 (D) 系統部署及監控

• 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 應用規劃師能力鑑定的主要變革，整理如下：

一、 報名費用大幅調降（115-116年限定）

為了擴大培養國內 AI 人才，政府推出專案優惠，將報名費降至原價的約三分之一：

• 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。

二、 證書效期與維護變更

• 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）。

三、 考試行政與地點擴張

• 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。

四、 評鑑內容範圍（11502 更新版）

考試方向從單純的「工具理解」轉向「AI 導入規劃能力」。

• 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。

五、 關鍵法規與評測架構入考綱

• 《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。

六、 成績抵免政策

• 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）。