✅ 核心結論
取得 iPAS AI應用規劃師認證考照，已成為當今數位轉型人才的必備黃金門檻。依官方學習資源與能力指標來看，重點不是背很多名詞，而是要能看懂 AI 基礎、資料處理、機器學習、鑑別式AI與生成式 AI 的差異，並且能把生成式 AI 工具應用在需求分析、試用測試與初步導入規劃上。
我們將為你建立一套不只是應付考試的企業AI應用規劃師考照攻略。結合精準的 2026 AI應用規劃師題庫教學，這套重點知識庫將幫助你把艱澀的 AI 理論完美轉化為淺而易懂的重點知識庫。
📌 全面剖析與背景說明
📌 整體備考建議
先讀官方指引打底，再看影片理解概念，最後練習歷屆題與工具實作。考試強調應用而非 coding，倫理與規劃部分易得分。
📌 核心知識與底層邏輯說明
許多人在準備 AI 相關證照時，常陷入死背預測模型與演算法理論的盲點，卻忽略了企業導入 AI 的最終目標，是為了極大化商業效益與優化客戶瀏覽體驗。真正的數位轉型大師思維在於去繁從簡，將複雜的 AI 客戶流程與自動化客服系統，完美對接至企業的官方網站，這才是將考照知識化為實際變現能力的關鍵基石。
iPAS「AI應用規劃師」為經濟部產業發展署主辦、財團法人資訊工業策進會等單位執行之能力鑑定，初級分為兩科目：科目一「人工智慧基礎概論」、科目二「生成式AI應用與規劃」。官方唯一可靠的簡章、考古題、評鑑範圍請一律以 iPAS官方網站 ipas.org.tw 及 ipd.nat.gov.tw 為準，以下整理目前可查到的官方文件與下載連結，以及讀書規劃建議。
📌 官方資料來源(可靠、建議直接下載)
iPAS能力鑑定推動網 檔案下載頁 網址：ipd.nat.gov.tw/ipas/certification/AIAP/downloads
內含： 115年度AI應用規劃師能力鑑定簡章(初、中級) AI應用規劃師能力鑑定_評鑑內容範圍參考，中級科目抵免辦法，成績複查辦法、疑義考題處理須知等。
iPAS官方樣題(114年版)PDF 網址：ipas.org.tw 提供之下載檔（搜尋「iPAS AI應用規劃師能力鑑定 考試樣題」即可在官網下載頁找到，檔名為 iPAS+AI應用規劃師能力鑑定_考試樣題） 性質：官方公布之樣題範例，非正式考題，僅供參考。
📌 考試怎麼考
iPAS經濟部發證，初級定位叫基礎應用者，考兩科各50題單選75分鐘，考的是你會不會把AI用在工作上，不是叫你寫程式，全部重點圍繞AI的能力指標。
考試時間：75分鐘、20分鐘內可入場、30分鐘內不得離場。
計分方式：電腦化測驗、單選題為主，各科滿分100分，70分及格。初級要過關不是背名詞，是懂情境，科目一觀念打底守60分，科目二用工具和開店流程的邏輯衝80分，兩科平均70分就過，科目一及格率只有23.14%是魔王關，科目二67.09%是送分關「來源非官方，僅供心理預期參考」。
🚧 需注意事項
- 民間補習班或部落格整理的「考點分析」僅供輔助參考，實際命題範圍仍以官方最新版簡章及評鑑內容範圍參考為準，這類第三方資料不確定其正確性，建議交叉比對官方文件。
- 部分網路資料提到「RAG、LoRA微調、MCP協議」等進階內容，經查多屬「中級」科目一L211/L212範圍，並非初級範圍，請留意勿混淆初級與中級考試內容，避免讀錯重點。
- 官方簡章每年會更新版本(例如115年度已有0105版與0410版)，下載前請確認是最新版本。
🚀 科目一 L11：人工智慧基礎概論
能掌握人工智慧的基本概念與應用領域，瞭解人工智慧的定義、基本理論和核心目標，及 AI 技術在隱私、安全性與倫理層面可能面臨的挑戰。具備基本的資料處理知識，包括資料收集、清洗、分析和視覺化等過程，並能夠理解資料在 AI 模型中扮演的角色與作用。理解機器學習的基本原理及其在 AI 中的作用，並熟悉常見的機器學習方法及其應用。能夠區分鑑別式 AI 和生成式 AI 的特性，並理解生成式 AI 的概念、基本原理及其相關應用。
「人工智慧基礎概論」的能力指標包含：理解 AI 的基本概念與應用領域、資料收集清洗分析視覺化、機器學習基本原理，以及鑑別式 AI 與生成式 AI 的特性與應用。
你要掌握的內容可拆成以下幾塊：
- AI 基本概念：AI 的定義、目標、應用場景。
- 資料處理：資料收集、清洗、分析、視覺化。
- 機器學習：監督式、非監督式、強化學習的基本理解。
- AI 風險：隱私、安全、倫理、偏誤、合規。
- 生成式 AI：與鑑別式 AI 的差異、基本原理與用途。
🧠 怎麼讀最省力
官方與教學整理都指出，科目一常考的是「概念理解」與「情境判斷」，不是深數學題。
你可以用這個方式記：
- 先會分辦：這題是在問「分類」還是「生成」。
- 再會判斷：資料品質會怎麼影響模型。
- 最後理解：AI 導入時要注意隱私、資安、法規、偏誤與責任歸屬。
以下為您整理最完整的核心知識與學習重點：
🔹 1. 人工智慧定義、基本理論與倫理挑戰
- 👉 核心定義與目標：AI 旨在讓電腦模擬人類的認知、學習、推理與解決問題能力。核心目標包含自動化、智慧化決策與推演。
- 👉 安全與隱私議題：資料蒐集過程中的個人隱私保護（如 GDPR 規範）、資料洩漏風險、機密敏感資訊上傳問題。
- 👉 AI 倫理與法律挑戰：演算法偏見（Bias）與歧視、模型輸出的幻覺（Hallucination）、智慧財產權與著作權歸屬、演算法透明度與可解釋性（XAI）。
🔹 2. 資料處理基礎知識
- 👉 資料處理四大流程：
- 資料收集：從資料庫、API、網頁爬蟲或 Log 紀錄等來源獲取原始資料。
- 資料清洗：處理缺失值、去除重複資料、校正異常值與格式標準化，這是決定 AI 模型品質的最關鍵步驟（Garbage in, Garbage out）。
- 資料分析：透過敘述性統計分析資料特徵與分佈趨勢。
- 資料視覺化：使用圖表（如折線圖、長條圖、熱力圖）呈現資料洞察。
- 👉 資料在模型中的角色：資料分為訓練集（Training Set，用於模型學習）、驗證集（Validation Set，用於調整超參數）與測試集（Test Set，用於評估最終效能）。
🔹 3. 機器學習基本原理與方法
- 👉 三大學習型態：
- 監督式學習：提供標籤資料（Input + Label），常見應用有分類（如垃圾郵件過濾）與回歸（如房價預測）。
- 非監督式學習：未提供標籤，讓模型自行尋找潛在結構，常見應用有分群（如客戶群組化）與降維。
- 強化學習：透過環境回饋（獎懲機制）進行試錯學習，常用於遊戲 AI、機器人控制與自駕車。
- 👉 常見演算法：決策樹（Decision Tree）、隨機森林（Random Forest）、支援向量機（SVM）、K-近鄰演算法（KNN）與人工神經網路（ANN）。
🔹 4. 鑑別式 AI 與生成式 AI 之差異
- 👉 鑑別式 AI（Discriminative AI）：重點在於「判斷與分類」。模型學習資料之間的邊界，輸入資料後輸出分類結果或預測機率（例如：判斷照片中是貓還是狗）。
- 👉 生成式 AI（Generative AI）：重點在於「理解與創作」。模型學習資料的機率分佈，輸入提示詞（Prompt）後能產出全新的內容（文字、圖片、程式碼、影音等）。
- 👉 生成式核心技術：包含大型語言模型（LLM）、Transformer 架構、擴散模型（Diffusion Models）與生成對抗網路（GAN）。
📘 人工智慧基礎概論 白話拆解
🔹 AI是什麼
結論就是讓機器模仿人腦的思考，AI是最大圈，裡面有機器學習ML是學習方法，再裡面有深度學習DL是模仿神經的多層學習法，目標四個字，感知，理解，決策，行動，就像自駕車看到紅燈，懂是紅燈，決定煞車，真的煞車。
🔹 AI治理像交通規則
為什麼要管，因為AI會偏心會洩密會騙人，歐盟AI Act用紅綠燈分四級，不可接受風險直接紅燈禁止例如人臉監控洗腦，高風險要嚴管例如履歷篩選貸款審核，有限風險要貼標示說我是AI，最小風險自由走，台灣則是數位發展部出手冊加上金管會金融指引，記住負責任AI六個關鍵字，公平，可靠安全，隱私安全，包容，透明，可究責，考試愛考哪個情境屬於哪級風險。
🔹 資料就是AI的燃料
結論是資料爛模型一定爛，資料分三種，結構化是Excel表格，半結構化是JSON XML CSV長得像有標籤的便條紙，非結構化是照片聲音影片，考題陷阱CSV算半結構化。
流程用煮菜記，收集是買菜，清理是洗菜挑爛葉補缺口去重複，轉換是切菜調味把資料縮到0到1或變成平均0的標準化，分析是試味道算平均中位數眾數，視覺化是擺盤給老闆看懂。
記一個薪水例子，10個人月薪3萬1個人100萬，平均被拉高，中位數還是3萬，所以平均易受極端值影響，中位數不受影響，平均大於中位就是右偏。
🔹 機器學習用讀書法記
監督式是有解答的練習題，老師給你考卷和答案你學分類，應用是垃圾郵件分類房價預測。
非監督式是沒解答自己整理房間，把相似的襪子丟一堆，應用是客戶分群。
強化學習是打電動試錯，靠獎勵學會過關，應用是下棋自駕。
訓練過程就像學做菜，先備料，定一個難吃的分數叫損失函數，迴歸用MSE看差多少，分類用交叉熵看猜錯多少，用梯度下降一直調味，常見翻車叫過擬合，就是只會背考古題換題目就不會，解法四招，正則化叫不要太鐵齒，早停叫讀累了先停，資料增強叫多找類似題目，交叉驗證叫輪流小考。
評估用四個字，準確率猜對多少，精準度猜 positive 有多準，召回率有病的有抓到多少，F1是兩者平均。
🔹 鑑別式 vs 生成式用職業記
鑑別式是偵探，學P Y|X，給他照片判斷是貓還是狗。
生成式是畫家，學P X，自己畫一隻新貓。
代表，偵探派有邏輯迴歸SVM決策樹，畫家派有GAN兩個AI互鬥，VAE壓縮再還原，Diffusion從雜訊變清晰，Transformer就是ChatGPT核心，考試最愛考先用畫家生成醫療影像擴增資料，再用偵探去判讀疾病。
🚀 科目二 L12： 生成式AI應用與規劃
要優先熟悉的內容：理解 No Code / Low Code 工具的基本概念與應用，掌握其在生成式 AI 應用中的功用和優勢，並能運用工具進行 AI 解決方案的設計與測試。熟悉生成式 AI 常見工具的基本操作，瞭解其應用領域及適用場景，能有效選擇與應用。掌握生成式 AI 導入的初步規劃要領，包含需求確認、資源分配、試用測試等步驟等。
- No Code / Low Code 的概念與優勢。
- 生成式 AI 工具的適用場景與基本操作。
- 如何為一個需求挑選工具。
- 如何做 PoC 試用測試。
- 如何評估效益、風險、資源與導入可行性。
✅ 生成式AI應用與規劃 L12 核心拆解
📌 1 No Code Low Code與AI民主化
整體架構分三大主軸，No Code Low Code概念，生成式AI應用領域與工具使用，生成式AI導入評估規劃。
No Code全圖形拖拉零程式給市民開發者適合快速原型內部工具，限制客製化差。
Low Code視覺化加少量程式碼可接API可擴展適合企業級。
口訣無碼快少碼穩，陷阱題不是完全不需要技術人員，也沒有無限客製化，更沒有取代工程師，這就是AI民主化降低門檻但有誤用風險。
🧠 2 生成式核心技術與參數
架構，GAN生成對抗，VAE變分自編碼器，Transformer加自注意力機制現在主流，Diffusion文生圖核心，LLM大型語言模型。
推論參數，Temperature低保守穩定高創意多樣，Top k取前k個，Top p累積機率取樣。
訓練名詞Loss，Optimizer，Learning Rate，Batch Size，Epoch，Overfitting，Regularization，Early Stopping，不考公式考觀念。
🛠️ 3 提示工程與進階架構
Prompt Framework包含角色任務脈絡格式。
RAG檢索增強生成是解決幻覺王牌，外掛知識庫即時查。
Fine tuning vs RAG，要學新能力改語氣用微調，要即時正確知識用RAG。
Agent會思考會用工具會記憶，Multi Agent多代理分工，Graph Prompting處理複雜關聯，APE自動提示工程是2025新熱區。
🧰 4 工具地圖
文字類ChatGPT Claude Gemini，圖像類Midjourney DALLE Stable Diffusion，影片類Runway ML HeyGen，程式類GitHub Copilot，全能型NotebookLM現在會考Video Overviews。
🚧 5 導入規劃與風險
六步驟，需求確認，資源盤點資料算力人，方案選擇POC，試用測試，部署，監控維運，考排序題。
維運重點模型漂移Model Drift，含Data Drift資料變了，Concept Drift關係變了。
風險四天王，幻覺偏見版權違規輸出，加上Prompt Injection注入攻擊與Leakage洩漏必考。
對策，公平性檢測，可解釋AI XAI用LIME SHAP，差分隱私，聯邦學習Federated Learning。
🚧 高頻陷阱6條
- 離群值不一定要刪除
- K means不能直接處理類別資料
- 生成病歷是醫療不是金融
- No Code無法無限客製
- p等於0.03在alpha等於0.05時要拒絕虛無假設
- 平均數大於中位數是右偏
🧩 你可以背的核心框架
最實用的考試框架是：
- 問題是什麼。
- 資料夠不夠、乾不乾淨。
- 要用 AI 做什麼。
- 適合生成式還是鑑別式。
- 要不要用 No Code / Low Code。
- 導入時有哪些風險與限制。
聚焦於 No-Code / Low-Code 工具活用、主流生成式工具選用，以及企業導入 AI 的三階段規劃（需求確認、資源分配、試用測試 PoC）。掌握這兩大主軸的觀念與實務鏈結，即可順利通過檢定並具備 AI 專案規劃能力。
- 👉 文字與邏輯推理：ChatGPT、Claude、Gemini（適用於文案撰寫、報告摘要、資料分析、代碼編寫）。
- 👉 圖像與視覺設計：Midjourney、Stable Diffusion、DALL-E（適用於素材設計、概念圖繪製、行銷圖卡生成）。
- 👉 音訊與影片生成：Suno、Sora、Runway（適用於腳本轉影片、配樂製作）。
- 👉 工具選用原則：依據企業需求（文字/圖片/影音）、算力需求、API 費用、資料安全性（是否提供私有化部署或不訓練宣告）進行評估選用。
🔹 3. 生成式 AI 導入規劃三步驟
- 👉 第一步：需求確認（Requirements Definition）
- 明確痛點：釐清企業目前效率低下或高成本的環節。
- 可行性評估：確認該場景是否適合用生成式 AI 解決，並訂定明確的 KPI（如節省作業時間 30%）。
- 👉 第二步：資源分配（Resource Allocation）
- 預算與工具：評估使用商業 API（如 OpenAI API）或開源模型（如 Llama）的成本，算力與軟硬體需求。
- 團隊人才：配置 Prompt 工程師、領域專家（SME）與 IT 維護人員。
- 👉 第三步：試用測試（PoC & Iteration）
- 小規模驗證：選擇單一部門或小範圍專案進行測試（PoC 概念驗證）。
- 效益評估與優化：收集使用者回饋、微調 Prompt 或進行 RAG 檢索增強生成設定，確認效益後再全面擴大導入。
📚 建議加強的四大重點
📌 加強重點一：加入人機協作機制
目前提到了自動化與模型，但在企業導入時，考題常會出現高風險情境，例如醫療、金融或合約審查。這時標準答案通常不是全自動化，而是人機協作。AI 負責初步生成與篩選，最終決策與審核交由人類專家執行，以降低模型幻覺帶來的商業風險。
📌 加強重點二：企業資安架構與地端部署觀念
雖然筆記提到了資料外洩風險，但建議補充開源模型部署與商用 API 的選擇情境。例如，涉及高度機密資料的專案，規劃師應選擇內部私有化部署而非直接呼叫公有雲 API；而對於一般行銷文案，則可善用 No Code 串接。了解何時該買商用服務、何時該運用開源自建，是考驗規劃邏輯的關鍵。
📌 加強重點三：擴充效益評估的具體指標
投資報酬率，在實務與考題上，規劃師還需要建立更多元的量化指標。例如：作業時間縮減率、錯誤率降低百分比、客戶滿意度提升等。在概念驗證階段，必須要有這些明確的數據結果，才能證明 AI 導入的真實價值。
📌 加強重點四：No Code 工具的系統整合觀念
針對生成式 AI 應用與規劃，建議加深對 Webhook 與 API 串接基礎邏輯的理解。當您在視覺化介面設定自動化時，理解資料如何從前端收集拋轉到後端系統，能讓工作流設計更加順暢，這也是考驗應用場景常見的情境判斷。
💡 相關建議（考試準備與實務建議）
👉 觀念題型應對技巧：IPAS 初級檢定多為選擇題，重點在於名詞定義與場景判斷。例如考題常問「某特定業務需求應該使用鑑別式還是生成式 AI？」或「此情境最適合哪一種機器學習型態？」，理解專有名詞的代表意義比硬背算力公式更重要。
👉 實務導入商業價值：在規劃 AI 導入時，務必建立「商業效益評估」思維。AI 不是越貴越好，而是要計算 ROI（投資報酬率）。透過 No-Code 工具先做 MVP（最小可行性產品）與 PoC 測試，能幫企業以最低成本試錯並創造可量化的商業價值。
👉 官方資源善加利用：建議至 IPAS 官網下載「AI 應用規劃師」最新版考綱與樣題練習，熟悉題目敘述方式與專有名詞譯名，對提升答題速度非常有幫助。
📌 額外建議(您可能還沒想到的)
建議加入iPAS官方電子報或追蹤官網最新消息，掌握報名梯次與簡章改版時間，避免讀到舊版範圍。
若您日後有意願考中級「AI應用規劃師」，建議提前了解中級科目一(L211人工智慧技術應用、L212 AI導入評估規劃)的內容架構，因初級與中級部分概念有連貫性，及早規劃可節省重複學習時間。
建議準備一份「錯題本」，將練習樣題中答錯或不熟的概念分類整理(例如機器學習類、資料處理類、生成式AI工具類)，方便考前總複習。
📗 科目二 生成式AI應用與規劃 白話拆解
🔹 No Code Low Code用相機記
No Code是傻瓜相機加樂高，全拖拉零程式，給不會寫程式的市民開發者，優點快，缺點不能細調，適合做內部請假系統快速原型。
Low Code是半自動單眼，視覺化加一點點程式可接API，優點穩可擴充，適合企業系統整合，記住陷阱不是完全不需要工程師也沒有無限客製，更沒有取代工程師，這就叫AI民主化讓更多人會用但也容易誤用。
🔹 生成式AI參數用冷氣記
Temperature是冷氣創意度，調低很乖很保守，調高很嗨很天馬行空，Top k是只從前k名熱門答案挑，Top p是從累積機率夠高的答案池挑，考試只考觀念不考公式。
🔹 提示工程與RAG用考試記
提示工程就是跟AI下指令的寫作術，要給角色任務脈絡格式，例如你現在是行銷企劃幫我寫三個標語。
RAG是開書考，怕AI幻覺亂掰，就外掛一個知識庫讓它先查再答，Fine tuning是叫AI去補習重練語氣學新技能，RAG是叫AI考試帶小抄查最新資料，要即時正確用RAG要改個性用微調。
Agent是會自己思考會用工具會記得的助理，Multi Agent是多個助理分工組團隊。
🔹 工具地圖用職場記
文字作家是ChatGPT Claude Gemini，圖片畫家是Midjourney DALLE Stable Diffusion，影片導演是Runway HeyGen，程式工程師是Copilot，萬用秘書是NotebookLM現在會考影片總覽。
📌 說明 – 官方核心資源
經濟部iPAS官方網站提供最新學習指引、歷屆試題與簡章，直接對應你列出的能力指標。
下載科目1《人工智慧基礎概論》指引（約71頁）與科目2《生成式AI應用與規劃》指引（約62頁），內含重點解析與練習。網站也公告試題範例，多做練習最有效。
