嗨 我是CCChen
分享昨天11/01 iPAS AI應用規劃師初級第四場考試相關整理與分析
感謝參加考試的考生(名單如下)熱心提供記憶的考題關鍵字
題目分享考生群友：zora, stacy wu高雄, Yi, 奧斯丁, 這波我來扛, Donna, 俊地-嘉義,Francis_T, Chihi.Y, Raymon_台南,閃電煎餃,小猴-新北, 阿YUN, PuMio, Careful, 蘇菲2, 嘻醬, Cynthia T, Karen, AllenLo, LEO CHEN, Wesson_台中, 我是一棵樹, betty 台北, RR CHEN, 桃園 安, Winnie Wu, dropna(iPAS=null), Genna台北, 張先生, geo台北, 胖哲, 桃園好佳在, 強尼, 游Ｙ游Ｙ.
本文分享2025/11/01 iPAS AI應用規劃師初級第四場考試分析
分析工具：Chat GPT+NoteBookLM
更新：已於2025/11/02 20:00 mail提供有購買AI初級Ｖ4考試筆記的朋友
請查收信箱11/01 AI初級第四場的題目整理與關鍵字分析～補充筆記
更新：已於2025/11/03 16:40 mail提供有購買AI中級Ｖ2考試筆記的朋友
請查收信箱11/01 AI初級第四場的題目關鍵字與中級科目學習指引比對分析～補充筆記
考照成果與趨勢：從證照數字看出台灣AI學習的熱度
走過2025年，AI應用規劃師這張證照，已經不只是履歷上的加分項，而成為企業內部數位轉型的「通用語言」。
根據環境部與經濟部的統計，今年全台已有超過4,200位學員通過AI初級鑑定、近285人晉級AI中級，而AI初級第四場次（2025/11/01）報考人數突破歷史新高，預估接近5000人報名，各地考場幾乎座無虛席。
這股熱潮並非偶然。它反映了台灣產業正在進入「AI實戰普及化」的新階段。從製造到服務業，從ESG到數據分析，企業都在尋找能理解AI應用、能規劃導入流程、能與技術團隊對話的應用規劃型人才。
而這正是iPAS這張證照的價值所在——它不是要你成為工程師，而是要你能看懂AI在組織裡的運作脈絡。
我在今年這4場AI初級的考試中觀察到的變化很明顯：
第一場偏理論、第二場重理解、第三場考應用、第四場已經進入「實戰規劃題」的時代。
這樣的快速進化，代表官方出題委員會已經把AI初級從入門測驗，推向能反映「產業真實應用情境」的專業認證標準。
題目趨勢與難度分析：AI從課本理論走進公司會議室
第四場考試兩科：科目一《人工智慧基礎概論》，科目二《生成式AI應用與規劃》。
這次題型分佈更明顯反映了業界導入AI的痛點與趨勢。
科目一的重心從「記概念」轉向「懂應用」。
考題中除了基本的資料前處理（ETL、One-hot Encoding）、模型概念（L1/L2正規化、Bias-Variance權衡），還加入了像Human-on-the-loop、Data Drift、Federated Learning這些實際部署場景的考題。
也出現了ReLU與梯度爆炸的技術題、Q-learning與Deep Q-learning的比較、甚至監理沙盒（Regulatory Sandbox）與AI法規等政策題。
這說明：AI基礎科目不再只是理論題，而是把AI治理、資料倫理與模型風險整合成一套完整的思維訓練。
至於科目二，則徹底反映了生成式AI的主流化。
這次考題可以說是「ChatGPT時代的縮影」——從RAG檢索增強生成、多向量表示（Multi-vector Embedding）、到LoRA微調、Agentic AI架構、Prompt工程（Zero/Few-shot、CoT、ToT、Graph Prompting），幾乎囊括了當前生成式AI生態中最熱門的技術。
值得注意的是，題目不要求你會寫程式，而是問：「在導入RAG系統時，Chunking的作用是什麼？」「Agentic AI的角色分工不明會造成什麼風險？」——這些都是企業導入AI時會真實遇到的情境問題。
從比例來看，科目一考試題型集中在：
- 資料處理與機器學習約佔32%；
- 系統部署與風險約21%；
- 治理與法規約14%；
- 深度學習與生成式概念約14%。
而科目二的考試題型焦點則明顯在：
- Prompt工程與RAG應用共佔56%；
- MLOps與架構部署佔24%；
- 生成式AI工具（如Copilot、LoRA）及風險管理約20%。
這樣的題目配置，其實是在測驗一種「整合式理解力」——能不能從資料、模型、應用一路看到治理。
我認為這次題目設計最精彩的地方，是讓考生在75分鐘內必須在腦中完成「導入AI專案的全流程模擬」。
彷彿要考生在考完試後，就好像經歷一個完整的導入AI生命週期過程。
舉個例子：有一題問「AI語音誤判手術前須知道為手術後復健，問題可能出在哪裡？」
選項雖未公開，但根據回憶推測，這應該與Prompt設計不精確或Context未設計完整有關。
這種題目不只在考知識，更在考你是否理解「AI錯誤的根源」。
懂得分析AI為何出錯，才是AI應用規劃師與一般使用者的分水嶺。
四場考試的演變與CCChen的備考建議
作為四場考試都親身經歷與參與中、也陪伴過數百名考生走過備考期，我可以很確定地說——AI應用規劃師這張證照，正在成為台灣產業AI化的重要分水嶺。
第一場（2024年5月）像是一場AI的開門課，題目偏向概念定義與基礎常識。
第二場（2024年8月）開始出現資料處理與簡易應用題。
第三場（2025年3月）正式引入生成式AI工具（ChatGPT、Copilot等）。
而第四場（2025年11月）則是AI規劃能力的分水嶺——題目全面結合RAG、Agentic AI、MLOps、Benchmark與倫理治理。
這四場的變化，讓我看到考試已經從「AI知識測驗」變成「AI專案思維測驗」。
未來若持續延伸到中級（L21-L23），我預期題型會進一步加入企業導入策略、風險治理與跨部門協作等更多實際產業案例的情境應用。
對於未來的考生，我給出三個核心建議：
1️⃣ 建立結構化筆記。
AI學習內容繁雜，建議用樹狀或心智圖方式整理。
像我自己整理的《AI初級V4考試筆記》，就是用RAG技術對照官方簡章、歷屆題與考古題建立知識矩陣。這樣的筆記不只是筆記，更是一份可持續更新的AI知識庫。
2️⃣ 從理解到應用。
第四場考試明顯偏向情境應用題，例如比較Batch與Realtime推論、或推測Data Drift的原因。
這要求考生不只是背定義，而是能判斷「什麼時候該用、為什麼要用」。
建議考生平時多練「題目→情境→應用」三層推理。
3️⃣ 關注AI政策與國際趨勢。
今年題目首次出現監理沙盒與歐盟AI法規的內容，這是明確訊號——未來AI人才不只要懂技術，更要懂治理。
像歐盟AI Act、台灣行政院AI指引、金管會AI治理準則等，都可能出現在下次考題中。
結語：AI學習不是考試，而是一場長期的職涯升級
回想我於今年3月，第一次參加AI初級考試時，身邊的考生大多是工程師或IT主管；而這次，我看到更多行銷人、企劃、教育工作者甚至醫療從業者、學生等等一起坐在考場裡。
這正是AI應用規劃師證照的意義所在——讓AI不再是技術人的專利，而是所有專業的共同語言。
我常說：「學AI不是為了變成機器，而是為了讓人更像人。」
AI會寫文案、會預測銷售、會生成圖片，但唯有人能理解背後的意圖、倫理與價值。
而考試，只是檢視我們是否準備好成為那個「懂得與AI共事」的人。
下一場考試，難度或許會更高，但我始終相信：
有紀律的學習、結構化的筆記、以及願意更新知識的心態，就是最強的AI應考策略。
正如我在文章中常說的那句話：
「考試不是終點，而是你成為AI規劃師的起點。」
（文／CCChen｜iPAS AI應用規劃師講師／產業AI轉型顧問／方格子《AI學習分享》專欄作家）
備註：
- AI初級第四場的收集題目整理與題型佔比分析, 會於11/3前另外mail提供給已購買AI初級V4筆記的朋友（依據後台購買清單紀錄為主）
- 根據AI初級第四場的收集題目而更新的AI中級考前補充重點, 也會於11/4前另外mail提供給已購買AI中級V2筆記的朋友（依據後台購買清單紀錄為主）
根據2025 年 11 月 1 日 iPAS AI 初級考試（第四場）科目一「人工智慧基礎概論 (L11)」的考題回憶與彙整，以下列出 40 個出現或涉及的核心關鍵字（縮寫＋中文名稱）：
- AI：人工智慧
- XAI：可解釋性 AI
- LIME：局部可解釋模型
- Sandbox：監理沙盒 (Regulatory Sandbox)
- ETL：資料擷取、轉換、載入 (Extract, Transform, Load)
- OHE：獨熱編碼 (One-Hot Encoding)
- Cross Enc.：交叉編碼
- Rel. DB：關聯式資料庫
- Non-Rel. DB：非關聯式資料庫
- SFS：監督式特徵選擇
- SL：監督式學習 (Supervised Learning)
- UL：非監督式學習 (Unsupervised Learning)
- Clustering：叢集（分群）
- KNN：K-近鄰演算法 (K-Nearest Neighbors)
- LL：邏輯迴歸 (Logistic Regression)
- BC：貝氏分類器
- MSE：均方誤差 (Mean Squared Error)
- CE：交叉熵損失 (Cross Entropy Loss)
- Reg.：正規化 (Regularization)
- L1 / Lasso：L1 正規化 (Lasso)
- L2 / Ridge：L2 正規化 (Ridge)
- B-V：偏差變異權衡 (Bias-Variance Tradeoff)
- RNN：循環神經網路 (Recurrent Neural Network)
- Transformer：Transformer 模型
- VAE：變分自編碼器 (Variational Autoencoder)
- Disc. AI：鑑別式 AI
- Gen AI：生成式 AI 概念
- ReU：ReU 激活函數 (ReLU)
- VG：梯度消失 (Vanishing Gradient)
- EG：梯度爆炸 (Exploding Gradient)
- Pruning：剪枝
- QL：Q 學習 (Q-learning)
- DQL：深度 Q 學習 (Deep Q-learning)
- H-o-t-L：人在迴圈上 (Human-on-the-loop)
- FL：聯邦學習 (Federated Learning)
- Data Drift：數據漂移 / 領域飄移
- Inf.：即時推論 (Real-time Inference)
- Batch Inf.：批次推論 (Batch Inference)
- On-prem：地端部署 (On-premise deployment)
- Fine-tuning：微調 (模型部署技術)
根據 2025 年 11 月 1 日 iPAS AI 初級考試（第四場）收集的題目內容，以下彙整了科目二「生成式 AI 應用與規劃 (L12)」中出現的核心關鍵字及其縮寫與中文名稱。
科目二：生成式 AI 應用與規劃 (L12) 關鍵字彙整
- RAG：檢索增強生成 (Retrieval-Augmented Generation)
- LLM：大型語言模型 (Large Language Model)
- Agentic AI：多重代理大型語言模型 / 代理式 AI
- CoT：思維鏈 (Chain of Thought)
- ToT：樹狀思維 (Tree of Thought)
- Graph Prompting：圖結構提示
- Auto Prompting：自動提示生成
- Few-shot：少樣本提示
- Zero-shot：零樣本提示
- ICL：上下文提示 (In-context learning)
- Temperature：溫度參數
- LoRA：低秩適應 (Low-Rank Adaptation)
- KD：知識蒸餾 (Knowledge Distillation)
- CF：災難性遺忘 (Catastrophic forgetting)
- Text Generation：文字生成
- Seq2Seq：序列 to 序列 (Sequence-to-Sequence)
- Multi-Vector：多向量表示
- Chunking：資料塊切分
- Fine-tuning：微調
- MLOps：機器學習運維 (Machine Learning Operations)
- MCP：微服務通訊平台 (Microservice Communication Platform)
- Solution Graph：解決方案圖譜
- Benchmark：基準測試集
- MMLU：大規模多任務語言理解
- GSM8K：小學數學 8K
- MATH：高階數學推理
- C-Eval：中文 MMLU
- Copilot：GitHub Copilot
- Codex：OpenAI Codex 技術
- API-calling：API 呼叫
- Task-planner：任務規劃器
- Vector Retrieval：向量檢索
- Auto Gen：LLM 代理庫 (Agent Library)
- Task Weaver：LLM 代理庫
- Flowise：LLM 應用構建平台
- LLaMA Factory：LLM 訓練框架
- Axolotl：LLM 訓練框架
- Domain Shift：領域遷移
- No Code：無程式碼 (No Code)
- Low Code：低程式碼 (Low Code)
＊＊以上資料僅供參考,非官方公告題目與答案,請自行判斷＊＊
