台灣唯一由政府核發的 AI 能力證照。它的重點是「怎麼判斷一件事能不能用 AI 解決、該怎麼導入」——初級全部選擇題不碰程式，但中級的科目二、科目三各有約 25% 的 Python 程式閱讀題。以下把大家最常問的問題一次講完，包括會不會加薪這種沒人願意直說的。
由經濟部產業發展署主辦、工研院產業學院執行，證書由經濟部核發。它不是原廠證照（像 AWS、Google 那種），也不是民間協會的，而是國家級的產業人才能力鑑定。2024 年才新增這個項目，是台灣第一個政府 AI 證照。
| 科目 | 考什麼 | 題數／時間 | 及格標準 | 實際難度 |
|---|---|---|---|---|
| 科目一 人工智慧基礎概論 | AI 定義與分類、AI 治理與法規（歐盟 AI Act、數發部 AI 指引、金管會金融業 AI 指引）、資料處理流程、機器學習三大類型、鑑別式 vs 生成式 AI | 50 題單選 75 分鐘 | 70 分 | 及格率 23.14% 平均 59.09 分 |
| 科目二 生成式 AI 應用與規劃 | No Code／Low Code、ChatGPT／Midjourney／Copilot／Cursor 等工具、提示工程與 RAG、企業導入評估與風險管理 | 50 題單選 75 分鐘 | 70 分 | 及格率 67.09% 平均 72.87 分 |
「實際難度」為 115 年第一次（第五屆）單場數字，非歷屆平均。全部採電腦化測驗（CBT），不用自備設備。
兩科同時報考的話，只要兩科平均達 70 分，且單科不低於 60 分，就視為及格獲證。所以策略很清楚：用科目二（生成式 AI）的高分去補科目一（AI 概論）的不足。
但單科低於 60 分就直接出局，平均再高也沒用，這一點沒有例外。
還有一點很多人沒注意到：平均制只在「兩科同時報考」時成立。如果這次只過一科，下次單獨補考另一科時就沒有平均可以幫你——那一科必須自己考到 70 分才算通過。而且成績保留的門檻同樣是 70 分，考 65 分的那科不會被保留，下次還是得整科重考。所以能一次報兩科就一次報，把平均及格制用掉最划算。
| 科目 | 考什麼 | 時間 | 題數 | 程式題比例 | 及格標準 |
|---|---|---|---|---|---|
| 科目一 人工智慧技術應用與規劃 必考 | NLP、電腦視覺、生成式 AI、多模態 AI、AI 導入評估與規劃（需求分析、方案設計、成本效益）、AI 風險管理、AI 系統部署；近期新增 MLOps 與 ROI 計算 | 90 分鐘 | 50 題 | — | 70 分 |
| 科目二 大數據處理分析與應用 擇一 | 機率統計基礎（敘述統計、機率分佈、假設檢定）、大數據收集清理與儲存、分析方法與視覺化工具、大數據在 AI 的應用 | 90 分鐘 | 50 題 | 約 25% 約 12–13 題 讀 pandas／seaborn | 70 分 |
| 科目三 機器學習技術與應用 擇一 | ML 數學基礎（機率統計、線性代數、數值優化）、機器學習與深度學習原理、模型選擇與架構設計、訓練評估調校、機器學習治理（資料隱私、演算法偏見與公平性） | 90 分鐘 | 50 題 | 約 25% 約 12–13 題 讀 scikit-learn | 70 分 |
程式題自 114 年第二梯次起新增。資料：AITerms 中級考科整理
初級可以用科目二的高分去補科目一，中級沒有這回事。必考的科目一、加上你選的科目二或科目三，每一科都要各自達到 70 分——沒有平均、不能互補。一科考 85、另一科 68，一樣不算通過。
所以中級的準備策略跟初級是反的：初級可以讓一科「守住 60 就好」，中級兩科都得是主場。這也是為什麼中級「選哪一科」比初級重要得多——選到不熟的那科，等於自己蓋了一道 70 分的牆。
不需要會寫，但要看得懂。題型是給你 5–10 行 Python 片段，問你執行邏輯或輸出結果——例如把機器學習流程的程式碼片段排序、判斷 pandas 資料處理的結果。看不懂 df.groupby() 或 train_test_split() 在做什麼，這 12–13 題就會直接失分。
選科的差別：科目二讀 pandas／seaborn（資料處理與視覺化），科目三讀 scikit-learn（模型建立與評估）。挑你工作上比較常碰的那邊。
看官方的考試時間表就懂了——中級當天的排法是：科目一 13:30–15:00，科目二和科目三都是 15:30–17:00。兩科被排在完全同一個時段，所以「擇一報考」不只是規定，是根本沒辦法同時考。
想兩張證書都拿，只能分兩個梯次（中級一年只有兩梯，5 月和 11 月）。
簡章寫得很清楚：如果你科目一和科目二都過了、拿到數據分析證書，科目一的成績可以保留下來，之後只要再考科目三達 70 分，就能申請機器學習證書。等於第二張只要考一科。
但反過來不成立：如果你想重新取得數據分析證書，科目一和科目二都得重考，保留成績不適用。
以下依 iPAS 《評鑑內容範圍參考》115.06 版（115 年 6 月 2 日更新）逐條列出。備註欄是精華——官方在裡面直接點名了要讀哪些政府文件、要認得哪些工具、要熟哪些概念，比科目名稱本身有用太多。
文件開頭寫著：「此評鑑內容範圍僅供參考，旨在協助考生聚焦重點準備，實際考題不僅限於所列舉之內容。」意思是這份是「重點提示」不是「題庫封閉範圍」，讀完還是可能遇到沒列到的東西。但反過來說——列在裡面的，幾乎一定會考。
| 評鑑主題 | 評鑑內容 | 官方備註（要讀什麼） |
|---|---|---|
| L111 人工智慧概念 | L11101 AI 的定義與分類 | 官方未列舉 |
| L11102 AI 治理概念 | 如框架、歐盟、數位發展部《公部門人工智慧應用參考手冊》、《AI 產品與系統評測》、金融監督管理委員會《金融業運用人工智慧（AI）指引》等國內外相關政策法規、AI 風險評估與監管等 | |
| L112 資料處理與 分析概念 | L11201 資料基本概念與來源 | 大數據、資料型態與結構，如數值型資料、文字資料、圖像資料等 |
| L11202 資料整理與分析流程 | 如資料收集、清理、分析和呈現、特徵工程、資料標準化等 | |
| L11203 資料隱私與安全 | 官方未列舉 | |
| L113 機器學習概念 | L11301 機器學習基本原理 | 如機器學習基本原理與目的、模型訓練與泛化機制概念等 |
| L11302 常見的機器學習模型 | 機器學習模型與評估，如監督式學習、非監督式學習、半監督式學習、強化式學習、多模態學習、深度學習等（六種類型全要會） | |
| L114 鑑別式 AI 與 生成式 AI 概念 | L11401 兩者的基本原理 | 基本原理、運用技術測試與驗證、目的與特性、模型部署與效能管理等 |
| L11402 兩者的整合應用 | 應用場域與情境，如電腦視覺、語音辨識、生成技術等 |
| 評鑑主題 | 評鑑內容 | 官方備註（要讀什麼） |
|---|---|---|
| L121 No code／ Low code 概念 | L12101 基本概念 | No code／Low code 工具本身的基本認知與基礎概念 |
| L12102 優勢與限制 | No code／Low code 一般基本的理論知識與實際在各場域應用的情況 | |
| L122 生成式 AI 應用 領域與工具使用 | L12201 應用領域與常見工具 | 領域如文本、圖像和聲音等；工具如 OpenAI API、ChatGPT、Midjourney、Copilot Studio、VS Code for Copilot、Github Copilot、Cursor、Gemini 等 |
| L12202 如何善用生成式 AI 工具 | 如提示工程（提示詞框架、設計與優化等）、RAG、AI 工具整合等 | |
| L123 生成式 AI 導入評估規劃 | L12301 導入評估 | 如技術、工具、模型或效能評估、適用解決方案選擇、成本效益分析、AI 代理等；經濟部產業發展署《AI 導入指引》相關資料等 |
| L12302 導入規劃 | 如目標設置、資源分配、導入策略、因應措施、測試等 | |
| L12303 風險管理 | 如生成式 AI 倫理風險、資料安全隱私與合規性、風險影響等 |
| 評鑑主題 | 評鑑內容 | 官方備註（要讀什麼） |
|---|---|---|
| L211 AI 相關技術應用 | L21101 自然語言處理技術與應用 | 官方未列舉 |
| L21102 電腦視覺技術與應用 | 官方未列舉 | |
| L21103 生成式 AI 技術與應用 | 官方未列舉 | |
| L21104 多模態人工智慧應用 | 如文字、圖像、聲音等 | |
| L212 AI 導入評估規劃 | L21201 AI 導入評估 | 如技術或工具效能評估、適用解決方案選擇、成本效益分析等 |
| L21202 AI 導入規劃 | 如需求分析、技術應用方案設計、目標設置、資源分配等 | |
| L21203 AI 風險管理 | 如風險識別、安全與合規性、AI 倫理、負責任 AI 等 | |
| L213 AI 技術應用 與系統部署 | L21301 數據準備與模型選擇 | 如數據收集、數據清洗與預處理、特徵工程、不同模型的優缺點等 |
| L21302 AI 技術系統集成與部署 | 如 AI 技術系統架構設計、模型部署技術、模型的效能監控和更新管理、系統測試與驗證、系統的穩定性和可用性、雲端環境建置等 |
| 評鑑主題 | 評鑑內容 | 官方備註（要讀什麼） |
|---|---|---|
| L221 機率統計基礎 | L22101 敘述性統計與資料摘要技術 | 如數據的集中趨勢、離散程度與分佈型態、數據清理與剖析等 |
| L22102 機率分佈與資料分佈模型 | 如機率理論模型與分佈特性等 | |
| L22103 假設檢定與統計推論 | 官方未列舉 | |
| L222 大數據處理技術 | L22201 數據收集與清理 | 如數據預處理、特徵提取等 |
| L22202 數據儲存與管理 | 如資料庫架構、儲存機制、模型訓練等 | |
| L22203 數據處理技術與工具 | 官方未列舉 | |
| L223 大數據分析 方法與工具 | L22301 統計學在大數據中的應用 | 如數據轉換、縮放與分佈調整、特徵工程等 |
| L22302 常見的大數據分析方法 | 如數據分析演算法、模式識別以及資料不平衡處理策略等 | |
| L22303 數據可視化工具 | 如資訊呈現的原則、圖表類型的選擇以及視覺化效能等 | |
| L224 大數據在 人工智慧之應用 | L22401 大數據與機器學習 | 如大數據特性對機器學習演算法產生的底層影響與挑戰等 |
| L22402 在鑑別式 AI 中的應用 | 如大數據應用於預測、分類等鑑別式任務等 | |
| L22403 在生成式 AI 中的應用 | 如生成式模型在處理大規模語料時的技術需求等 | |
| L22404 隱私保護、安全與合規 | 如數據的安全性與法律合規技術等 |
| 評鑑主題 | 評鑑內容 | 官方備註（要讀什麼） |
|---|---|---|
| L231 機器學習基礎數學 | L23101 機率／統計之基礎應用 | 如數據的數學分佈特性、變異解釋等 |
| L23102 線性代數之基礎應用 | 如特徵提取、資料降維與壓縮等 | |
| L23103 數值優化技術與方法 | 如演算法效率與可擴展性評估等 | |
| L232 機器學習與 深度學習 | L23201 機器學習原理與技術 | 如機器學習的基礎理論、機率推論與模擬驗證技術等 |
| L23202 常見機器學習演算法 | 如演算法技術原理、應用與優化等 | |
| L23203 深度學習原理與框架 | 如類神經網路架構、層級運算機制與模型效能分析等 | |
| L233 機器學習建模 與參數調校 | L23301 數據準備與特徵工程 | 官方未列舉 |
| L23302 模型選擇與架構設計 | 如模型架構的定義、層級設定以及訓練前的核心配置 | |
| L23303 模型訓練、評估與驗證 | 如模型訓練、模型的泛化能力與穩定性評估等 | |
| L23304 模型調整與優化 | 如模型訓練過程參數調整策略、優化控制與效能提升策略等 | |
| L234 機器學習治理 | L23401 數據隱私、安全與合規 | 如資料安全性、隱私保護以及符合法規要求等 |
| L23402 演算法偏見與公平性 | 如識別資料或模型中潛在的偏誤來源與調整策略等 |
出自 iPAS《AI 應用規劃師能力鑑定 評鑑內容範圍參考》115.06 版（115/06/02 更新），可於 iPAS 官網培訓資源專區下載原始 PDF，另有各科學習指引。
一、有四份政府文件是被官方點名的，等於指定讀物。數位發展部《公部門人工智慧應用參考手冊》、《AI 產品與系統評測》、金管會《金融業運用人工智慧（AI）指引》、經濟部產業發展署《AI 導入指引》。這四份直接去官網下載來讀，是投報率最高的準備方式。
二、L11302 明列六種學習類型。監督式、非監督式、半監督式、強化式、多模態、深度學習——不是只有課本常見的前三種，半監督式和多模態也在範圍內，很多人是在這裡失分的。
三、治理與合規貫穿全部五科。初級 L11102、L11203、L12303；中級 L21203（含「負責任 AI」）、L22404、L23401、L23402。五個科目沒有一科沒有治理題——有 ISO 27001、資安或法遵背景的人，這塊是天然優勢。
| 項目 | 初級 | 中級 |
|---|---|---|
| 原價 | 1,200 元／科 兩科合計 2,400 元 | 1,500 元／科 |
| 115–116 年優惠價 | 400 元／科 兩科合計 800 元，約三折 | 500 元／科 |
| 優惠期限 | 全國考生皆適用，117 年起恢復原價 | |
| 特殊身分優惠 | 低收入戶、身心障礙、原住民檢附證明經審核通過，可以原價三折報考 | |
| 一年考幾次 | 4 次（3、5、8、11 月） | 2 次（5、11 月） |
| 每梯次名額 | 5,000 人 | 3,000 人 |
| 單科成績保留 | 單科達 70 分者，成績自應考日起「三年度」有效 官方範例：115 年報考 → 可保留至 118/12/31 | |
| 證書效期 | 永久有效 不用續費、不用換證 | 5 年 |
| 中級換證條件 | — | 取得證書後 5 年內累計 48 小時以上AI 相關訓練 每一年工作年資可折抵 8 小時；效期屆滿前三個月內申請；持多張中級證書須各自符合 |
以上均出自 115 年度能力鑑定簡章（115.04 版），費用與效期逐年調整，請以當期簡章為準。
官方確實沒設任何學歷或科系門檻，初級中級也可以直接報考、沒有先後順序。但簡章其實有寫「建議報考對象」，而且寫得很直接：
初級是「具基本 AI 概念和知識的學習者、熟悉 AI 工具導入日常工作者」；中級則是「具資通訊相關技術能力者、具備 AI 相關技術開發經驗，或曾參與企業 AI 應用專案的導入與實施」。中級那句「具資通訊相關技術能力者」，等於官方自己說了這是給本科底子的人考的。
數字也對得上：初級科目一平均分數只有 59.09 分，連及格線都沒到，及格率 23.14%；中級科目二、三各有四分之一是 Python 程式閱讀題。非本科背景不是不能考，而是要有心理準備——一般建議本科系抓 40 小時準備，非本科要抓 40 到 100 小時，而且時間要壓在科目一。
很多人看到這四個字會卡住，因為它牽涉到兩張已經停辦的舊證照。講白話就是——
「巨量資料分析師」和「機器學習工程師」是 iPAS 比較早期的證照，內容跟現在中級的科目二、科目三高度重疊。自 114 年起已不再受理巨量資料分析師中級證書，等於舊制走入歷史。
為了不讓已經考過的人白考，官方開了一條路：拿舊證照去換掉中級的其中一科。中級本來要考兩科，有抵免資格的人只要再考科目一「人工智慧技術應用與規劃」拿到 70 分，就能直接獲證——省一科的準備時間、省一科的報名費。
| 你通過的舊科目 | 可抵免中級 | 還要考什麼 |
|---|---|---|
| 機器學習工程師（初級） 科目二「機器學習資料解析與建模」 | 科目三 機器學習技術與應用 | 一律只剩科目一 「人工智慧技術應用與規劃」 考到 70 分即可獲證 科目一無任何抵免 |
| 巨量資料分析師（初級） 科目二「資料處理與分析概論」 | 科目二 大數據處理分析與應用 | |
| 巨量資料分析師（中級） 科目一「資料分析與資料科學」 | 科目二 或 科目三 僅能擇一抵免 | |
| 單科保留成績也算——原鑑定科目若仍在「單科保留成績」有效期限（自應考日起三年度）內，同樣可抵免對應科目，不必已經拿到整張證書 | ||
資料：115 年度能力鑑定簡章 4.2 節「中級考試科目抵免辦法」
抵免資格只保留到 116 年底（2027 年底）。有意申請的人必須在期限內去考中級，並於當次申請獲證抵免。這是一次性的過渡措施，不是永久制度——手上有舊證照的人，拖過 2027 年就作廢了。
教育部證照一覽表對這張證照的效用寫得很明白：從業人員執行職務「無須具備」。它不是任何工作的法定門檻，而是由政府協調產業給予優先聘用或加薪的鼓勵性證照。這句話會影響你後面所有的期待值，先記著。
官方沒公布考生的年齡或職業統計，所以任何「學生佔幾成」的說法都是猜的。但從哪些單位正在制度性地推人去考，可以清楚看出五種主力族群——每一種拿到的好處完全不一樣。下面每條都附了原始出處，可以自己點進去看。
先給一個整體概念：初級六屆平均獲證率 48.8%、中級兩場平均 41.8%——大約每兩個人有一個過。但平均值會蓋掉真相，實際趨勢是報考人數翻了快四倍，獲證率從六成一路掉到四成。開辦初期考基本概念辨識，後面幾屆大量出現情境題和應用題，變成真正的鑑別度考試。
| 屆次 | 梯次 | 報考人數 | 獲證率 | 當屆特徵 |
|---|---|---|---|---|
| 第 1 屆 | 114-1 | 1,349 | 56.61% | 開辦首場，難度較低 |
| 第 2 屆 | 114-2 | 3,109 | 58.95% | 人數翻倍，通過率維持 |
| 第 3 屆 | 114-3 | 4,618 | 45.09% | 難度明顯提升 |
| 第 4 屆 | 114-4 | 4,955 | 38.63% | 歷屆最低，核發 1,605 張 |
| 第 5 屆 | 115-1 | 約 5,000 | 43.50% | 小幅回升，核發 1,816 張 |
| 第 6 屆 | 115-2 | 5,303 | 50.08% | 回穩，核發 2,284 張 |
獲證率以到考人數計算，非報名人數。資料：iPAS 官方歷屆考試成果
| 梯次 | 到考人數 | 獲證人數 | 獲證率 |
|---|---|---|---|
| 114 年第 2 次 | 1,111 | 475 | 42.75% |
| 115 年第 1 次 | 1,853 | 756 | 40.80% |
115 年第 1 次中級報名 2,310 人。中級一年只考兩次，初級一年四次。
第五屆的數據很殘酷：科目一 4,274 人到考、平均 59.09 分、只有 989 人及格，及格率 23.14%——大約每五個人只有一個過。同一屆科目二 4,181 人到考、平均 72.87 分、及格率 67.09%。
很多人低估了科目一，以為「我天天在用 AI，應該很懂 AI」。但它考的是模型結構、資料治理、導入流程的底層邏輯判斷，不是工具熟練度。備考時間請往科目一壓。
三件事同時發生：報名費三折優惠只到 116 年底、考題難度逐屆往上調、持證人數累積到大約 8,000–9,000 人而且還在快速增加。
換句話說，晚一年考，錢變貴、題變難、稀有度變低。如果本來就打算考，沒有理由拖。
這是最多人卡住、卻最少人講清楚的問題。先說結論：如果你買了書卻覺得像無字天書，問題不在你笨，也不在書爛，而在順序錯了。
課本上寫「過擬合是指模型在訓練資料上表現良好，但在測試資料上表現不佳」。每個字你都認得，但整句話指向的東西你腦中沒有。
資工系學生讀這句話會想起某次自己把模型訓練到爆掉的畫面；你沒有那個畫面，所以那句話只是一串正確但空的字。這就是「無字天書」的真正原因——不是看不懂字，是那些字沒有指向任何你經歷過的東西。
買書 → 硬讀 → 讀不懂 → 以為自己不適合 → 放棄，或改成死背 → 遇到情境題全倒。
而且這個考試近年情境題大幅增加，不再只考定義，改考「在什麼情況下該用什麼技術」。死背在新題型下幾乎沒有效果。
非本科最常見的放棄點不是「讀不懂」，是撐不到第一層結束。所以在排任何讀書計畫之前，先做一件不像讀書的事——挑一款 AI 遊戲玩 20 分鐘，中途不查資料、不做筆記、不要求自己記住任何名詞。
目標不是學會什麼，是先拿到一次「原來我看得懂」的經驗。後面那 45 小時，需要有東西可以掛。
把準備拆成三層，不要跳層。跳層就是無字天書的來源——尤其第一層最不能省，它是後面兩層的掛勾點，省掉它，第三層的官方文件會完全讀不進去。
| 層次 | 你要達到的狀態 | 怎麼做 |
|---|---|---|
| 第一層 看得見 | 你「看過」模型訓練、過擬合、分類邊界長什麼樣子 | 完全不要讀書。去 AKIRA iPAS AI 學習地圖 玩互動教學——拉滑桿、加層數、親眼看模型壞掉，先製造經驗再談名詞。 🗺️ 開啟 AKIRA iPAS AI 學習地圖 ↗ |
| 第二層 說得出 | 能用不含術語的一句話跟朋友解釋它 | 每學完一個觀念，強迫自己講一遍：「如果要跟我媽解釋這個，我會怎麼說？」講不出來＝還沒懂 |
| 第三層 對得上 | 能把腦中的理解掛回官方的 L 代碼架構 | 這時才打開官方文件。書現在會變得好讀，因為每個名詞都有東西可以掛。先讀 iPAS 官方學習指引，再讀官方備註直接點名的四份： ①③④ 都是可下載的 PDF。②《AI 產品與系統評測》官方沒有單一份文件，相關制度與標準放在數發部「治理與評測」專區（AI 評測中心 AIEC），連結指向該專區。 |
| 最後 練題 | 看到題目能反應「這在問哪個 L 代碼」 | 直接寫歷屆考古題，寫完一定要做錯題複盤：錯的題目回頭補第一層或第二層，不要只背答案。 📘 免費考古題解析（訪客登入）↗ |
每一層要花多久因人而異，不用照別人的時數表走。判斷標準不是時間，是狀態——達到中間那欄寫的狀態才進下一層，沒達到就多留一陣子。
除了標示「付費」的那一門，其餘全部免費，而且都對應得到考試範圍的 L 代碼。每張表都照建議順序排，從第一個開始用就好，不用整張表掃完才進下一層。不用先花錢買書——先把這些用完，再判斷需不需要補教材。
| 資源 | 對應 | 為什麼從這裡開始 |
|---|---|---|
| AI 學習與考證地圖 中文・免費・免註冊 | 初級全科 | 如果全英文介面讓你直接卻步，先從這裡開始。上百個互動教學把 AI 觀念做成看得見、拉得動的東西，而且每一個都標了對應的考點。這裡玩過一輪，再回頭開下面兩個英文工具，會突然變得好懂 |
| TensorFlow Playground | L11301 L11302 L23203 | 瀏覽器裡直接train一個神經網路，零程式碼。加層數、改學習率、看分類邊界即時變化。玩 30 分鐘，你會親眼看到「過擬合」長什麼樣子——這個畫面之後讀任何書都用得到 |
| Teachable Machine Google 出品，瀏覽器執行 | L11301 L11302 L21102 | 用電腦鏡頭拍幾張照片，3 分鐘訓練出一個會分類的模型。你會突然懂什麼叫「訓練資料」「標註」「類別不平衡」——因為你剛剛親手做了一次 |
| Seeing Theory Brown University | L221 L23101 | 機率統計的互動視覺化。要考中級科目二或三、但看到統計就頭痛的人，先來這裡建立畫面感再讀公式 |
| 3Blue1Brown YouTube 頻道，有中文字幕 | L23102 L23203 | 線性代數與神經網路的視覺化解說，公認是把抽象數學講到「看得見」的天花板。中級科目三必看 |
| 資源 | 對應 | 說明 |
|---|---|---|
| 考點知識圖譜心智圖 免費・免註冊 | 初級全科 中級全科 | 第二層的驗收工具。隨機點一個名詞，先強迫自己講一遍，再展開看它對不對——講得出來就過，講不出來的就是你的洞，記下來回頭補。比重看一次影片有效得多 |
| Google 機器學習速成課程（MLCC） 官方繁體中文版・免費 | L113 L232 L233 | Google 內部訓練工程師的同一套教材，有完整中文版。動畫影片＋互動視覺化＋練習題，模組化設計可跳著上。已改版強化互動學習 |
| 李宏毅（台大）生成式 AI 導論 / 機器學習 全中文・免費 | L114 L122 L211 | 全中文教學，影片與 PDF 講義全部免費公開。華語圈公認最好懂的 AI 課程，涵蓋基礎概念、提示工程、語音與視覺生成——幾乎完全命中初級科目二 |
| Google AI Essentials Coursera・付費（7 天試用） | L12202 | 生成式 AI 工具實用課，教怎麼寫出清楚具體的提示詞。對應「如何善用生成式 AI 工具」 |
| Applying AI principles with Google Cloud Google Cloud Skills Boost・免費 | L21203 | 負責任 AI 的實踐課。中級 L21203 明列「負責任 AI」，這門直接對上 |
| Kaggle Learn 免費・需註冊帳號 | 中級程式題 | 免費微課程，Python / Pandas 各幾小時就能過一輪。中級科目二、三各有約 25% 程式閱讀題，這是最省時的補法 |
| 資源 | 對應 | 說明 |
|---|---|---|
| iPAS 官方學習指引（各科） | 全科 | 最重要、也最多人不知道的免費資源。由委員會題庫組與規劃組專家依評鑑內容做重點說明與考題解析。官方註明「並非正式教材或題庫」，但這是最貼近出題邏輯的文件，沒讀等於放棄一半優勢 |
| 數發部《公部門人工智慧應用參考手冊》 | L11102 | 評鑑範圍備註直接點名的四份政府文件之一 |
| 數發部《AI 產品與系統評測》 無單一 PDF，見治理與評測專區 | L11102 | 同上，官方點名 |
| 金管會《金融業運用人工智慧（AI）指引》 113/06/20 發布 | L11102 | 同上，官方點名。金融業背景的人這份特別佔便宜 |
| 經濟部產發署《AI 導入指引》 《製造業 AI 升級引擎》網站 | L12301 L212 | 官方點名，且該網站另有 AI 工具庫、人才培訓與政府資源。導入評估與規劃這兩個主題在初中級都佔比不低 |
| 資源 | 說明 |
|---|---|
| 官方考試樣題與歷次試題 | 主要是歷次試題要拿來寫，這是最貼近實際難度的東西。但官方「樣題」不要當難度基準——樣題明顯比實際考題簡單，照樣題的手感去考會被打臉 |
| 免費考古題解析 | 歷屆考題的白話解析，不用註冊、訪客身分直接進。重點不是刷題數，是錯的那幾題會告訴你該回第一層還是第二層——這比多寫一百題有用 |
| NotebookLM Google 免費工具 | 把官方學習指引、四份政府文件的 PDF 全部丟進去，讓它幫你生成摘要、問答與音訊導覽。對讀不下長篇 PDF 的人，這是這兩年最有效的解法——而且你正在練的，剛好就是 L12202「善用生成式 AI 工具」 |
| 貓老師 Mochi 考前 30 天衝刺計畫 免費・免註冊 | 輸入考試日期，把上面這些資源排成每天看得完的份量。先把進度攤開再開始，比「有空就讀」實際得多，也比較不會前鬆後緊 |
經濟部商業發展署「服務業AI人才培育計畫」委由工研院產業學院開設「iPAS AI 應用規劃師初級能力培訓班」，完全免費，在台北、台中、彰化等地分梯次辦理。課程直接以 iPAS 公告考科內容為主，並輔導報考。
對象是服務業從業人員或有志從事服務業之人士。名額有限、梯次不定期開放，建議直接到 工研院產業學習網 搜尋「iPAS AI 應用規劃師」追蹤開課資訊。另有中國生產力中心等單位開設政府補助班（一般身分自付約 20%）。
一、科目二是你的主場。初級科目二及格率 67.09%、平均 72.87 分，遠高於科目一。而它考的是導入評估、成本效益分析、目標設置、資源分配、風險管理——這根本是商管、企劃、行政、業務的日常。技術背景的人在這科反而未必贏你。
二、初級是平均及格制。兩科同時報考只要平均 70、單科不低於 60。所以策略很明確：把科目二衝到 80 分以上，科目一守住 60 幾分就能過。
三、治理與合規貫穿全部五科。法務、法遵、稽核、ISO 相關背景的人，L11102、L11203、L12303、L21203、L22404、L23401、L23402 這些題目讀起來會比工程師輕鬆。
最多人問的問題，答案要分三段講，第三段最重要。
| 公司 | 做法 | 金額 |
|---|---|---|
| 遠雄人壽 | 補助考試費並發獎勵金，續考中級另有機會 | 考試費全額 ＋1,000 元 中級另 2,000 元 |
| 永進機械 | 初級獲證獎勵 | 1,000 元 |
| TEJ 台灣經濟新報 | 納入人才發展體系，免考照費並發獎勵金 | 免考照費 ＋獎勵金 |
| 中國信託銀行 | 推動智能客服訓練師團隊團體報考 | 30 人應考 18 人獲證 |
資料：iPAS 官方最新消息與企業案例專區。中國信託該批考生多數原本沒有程式背景。
網路流傳的「初級加薪 5,000、中級加薪 1 萬」，是媒體報導中由考生轉述的，沒有指名任何一家公司。目前找不到任何企業公開的固定加薪幅度或證照加給標準。期待值請放在「千元級一次性獎勵」，不是「調薪」。
104 的調查顯示，75% 企業願意為具 AI 技能的人才薪資加碼，平均增幅 9.5% 以上；光電及光學業對 AI 新人的加薪幅度甚至可達 22.5%。另外 104 也統計出有證照的求職者比沒證照者多 35% 的面試機會。
數位產業署的《AI 應用服務產業人才調查》直接指出：企業在驗證 AI 人才時對證照的重視度並不高，實務經驗的重要性通常高於證照本身，因為 AI 工具迭代太快，證照未必能驗證實戰能力。
把三段合起來看，結論就很清楚了：證照能幫你被看見（多 35% 面試機會），技能才能幫你被錄取和加薪（9.5%–22.5% 溢價）。不要把兩件事混為一談。
數發部的指引把「AI 應用規劃師」正式列為一種職稱，104 也已經有對應的職缺分類。以下是實際在招的公開職缺，薪資都是職缺頁面公開的數字。
| 公司 | 職缺 | 地點／薪資 |
|---|---|---|
| 國泰世華銀行 | 商業數據分析暨 AI 應用規劃師（數數發中心 DDT） | 台北信義｜待遇面議 |
| 國泰綜合醫院 | 總院 AI 中心 AI 應用規劃師 | 台北｜— |
| 綠岩能源 | AI 應用規劃師／主管 | 月薪 5–8 萬 |
| 三立電視 | AI 應用規劃師 | 台北｜— |
| 拓境科技 | AI 產品經理 | 台北中山｜月薪 80,000 元以上 |
| 公司 | 職缺 | 與證照的關係 |
|---|---|---|
| 台中商業銀行 | 資訊部 機器學習工程師（月薪 43,000–65,000） | 條件欄明寫「具備 AI 應用規劃師證照佳」 |
| 台新新光金控 | 數位金融部相關職缺 | 列為加分 |
| 巨鷗科技 | AI 相關職缺 | 列為加分條件 |
| 公司 | 職缺 | 薪資 |
|---|---|---|
| 瑞士倍科技 | Data Scientist | 新竹｜月薪 80,000+ |
| 輝騰科技服務 | 軟體工程師－AI 模型訓練與電腦視覺 | 高雄｜年薪 110 萬+ |
| 瑞司智慧整合 | LLM 生成式 AI 軟體工程師 | 台中｜月薪 60,000+ |
| 台灣新蛋 | AI 數據分析工程師 | 台北內湖｜月薪 40,000+ |
| 17LIVE | Machine Learning Engineer | 台北中山｜面議 |
| 飛捷科技 | AI 標註師（正職） | 台北內湖｜月薪 29,500–33,000 |
個別職缺可能已關閉，建議直接用關鍵字搜尋最新的： AI 應用規劃、 AI 導入顧問、 AI 產品經理、 AI 流程優化。 另可參考 iPAS 官方人才媒合平台。
相對於每屆 5,000 人的報考量，把這張證照寫進條件欄的具名職缺還是少數。主流 AI 職缺要的仍然是 Python、LLM／RAG、機器學習框架這些硬技能。它現在的角色是加分項和識別標籤，不是敲門磚。
這一節是全篇最重要的。光看「缺幾萬人」沒有意義，要知道缺的是「會什麼」的人。以下把政府的官方能力框架、104 的實際職缺技能統計、以及各職位的具體技能清單全部攤開。
數發部 2026 年 5 月 19 日發布《AI 產業人才認定指引 3.0》，把 AI 人才分成研究、開發、應用三大類，並列出五大能力、11 個細項。這是目前台灣最權威的「AI 人才該會什麼」對照表。
| 人才類別 | 能力類型 | 細項 | 要會什麼 |
|---|---|---|---|
| AI 應用人才 用 AI 工具提升生產力， 不需要寫程式 | AI 應用素養 | AI 素養 | 瞭解 AI 基本知識、道德倫理、應用及限制 |
| AI 治理素養 3.0 新增 | 能瞭解 AI 系統、人機互動、社會衝擊等衍生風險 | ||
| AI 工具應用 | 文書應用 | 用 AI 產生、修改、翻譯、整理文字內容 | |
| 圖文應用 | 用 AI 產生、擷取、修改圖像 | ||
| 影像應用 | 用 AI 產生、擷取、修改影片 | ||
| 音源應用 | 用 AI 產生、擷取、翻譯、整理音源 | ||
| 自動化應用 | 用 AI 代理或自動化工具實現工作流程自動化 | ||
| AI 開發人才 訓練模型、 開發 AI 應用工具 | AI 程式語言應用 | AI 協作與開發 3.0 新增 | 以自然語言引導 AI 協作撰寫程式 |
| 程式應用 | 使用 AI 輔助程式開發 | ||
| AI 模型訓練 | 模型訓練 | 用 ML、RL 等技術訓練 AI 模型 | |
| AI 服務開發 | NLP／LLM／CV 工程 | 用 NLP、LLM、CV 工具結合工作流或提出新服務 |
資料：數位發展部《AI 產業人才認定指引》專區、104 職場力整理
「AI 治理素養」是因應 2026 年 1 月公布的《人工智慧基本法》而新增——代表企業開始需要能辨識 AI 風險、做合規的人。「AI 協作與開發」則是因應 Vibe Coding 與 Agentic AI 趨勢——代表「會用自然語言指揮 AI 寫程式」已經被政府認定為一項正式能力。
順帶一提：指引把 iPAS AI 應用規劃師初級歸類為「素養類」認證、中級歸類為「工具類」認證。這就是它在官方框架裡的準確位置。
《104 AI 人才趨勢報告》統計了實際 AI 職缺的技能需求，排名如下：
提升效率最直接的技能。對應工具如 n8n、Zapier、Power Automate。這也是為什麼「製程規劃」成為 AI 化比例最高的非技術職。
廣泛應用於分類與預測任務。對應 scikit-learn、TensorFlow、PyTorch。
文本理解與語義分析，適用於客服、行銷、法務多種職類——不只工程師需要。
企業期待求職者會用的 AI 工具前三名：
ChatGPT 與 Gemini 同時入榜，顯示 LLM 已經是職場通用工具，不再是工程師專屬。資料：經濟日報／104 AI 人才趨勢報告
| 職稱 | 核心職責 | 要具備的技能 |
|---|---|---|
| AI 應用規劃師 AI 導入顧問 流程優化專員 | 建構 AI 導入藍圖、評估痛點與效益、推動變革管理、企業訪談、現況盤點、需求分析、技術評估與導入建議 | 商業策略思維、資料治理、AI 趨勢與工具理解、跨域分析、商業架構、數位工具評估與推進能力 |
| AI 產品經理 | 整合使用者需求與 AI 功能、設計應用情境與流程、與技術團隊協作落地 | 商業分析、AI 應用理解、需求分析、技術溝通 |
| 資料分析師 （應用與開發之間） | 資料整理清洗、探索性分析、視覺化報表、KPI 追蹤、洞察報告、支援 AI 導入績效評估 | SQL、Excel、Tableau、Power BI、統計分析、Python／R、資料視覺化、問題拆解與商業邏輯思維 |
| 資料標註師 | 對文本、圖像、音訊、影片進行清洗標註分類，確保訓練資料準確一致，識別資料偏見 | 領域知識與數據理解、標註工具操作、重複性工作的效率與抗壓性 |
| 既有職務 行銷／行政／人資 | 在原職務範圍內用 AI 工具提升效率、優化成果、輔助決策 | 原專業領域為主，加上多種 AI 工具操作、Prompt 編寫能力、生成式應用技巧 |
| 職稱 | 核心職責 | 要具備的技能 |
|---|---|---|
| LLM 工程師 | 建置優化語言模型架構、訓練與微調、解決生成偏誤與知識更新；應用於智慧客服、知識問答、內容生成 | NLP 技術與演算法（詞嵌入、命名實體辨識、語意分析）、精通 GPT／BERT／T5 架構與訓練原理、深度學習框架、資料清洗標註與語料管理 |
| NLP 工程師 | 文本分析、語言識別、機器翻譯、聊天機器人；應用於客服、輿情分析、內容生成 | 詞向量、語言模型、Transformer、NLTK／spaCy、深度學習框架 |
| 電腦視覺（CV）工程師 | 圖像識別、物件檢測、影像分割；應用於自動駕駛、安全監控、醫療影像 | 圖像處理與深度學習演算法、OpenCV、深度學習框架 |
| 機器學習（ML）工程師 | 設計、開發、訓練、部署機器學習模型，用演算法解決商業問題 | 精通監督式／非監督式／強化學習、ML 框架、特徵工程、資料處理與分析 |
| 資料科學家 | 從巨量資料提取洞察、支援決策，把分析結果轉成可執行的商業建議 | 統計分析、ML 演算法、Python、SQL、資料視覺化與報告撰寫、商業理解 |
| 能力 | 代表工具 |
|---|---|
| AI 素養 | 台灣人工智慧學校、Meta AI、好好用 AI 素養計畫 |
| AI 治理素養 | EU AI Act、NIST AI RMF、ISO 42001、AI literacy framework |
| 文書應用 | ChatGPT、Copilot、Gemini、Claude |
| 圖文應用 | Midjourney、Canva、Adobe Firefly |
| 影像應用 | Runway、ideogram |
| 音源應用 | ElevenLabs、MURF AI |
| 自動化應用 | n8n、Zapier、Power Automate |
| AI 協作與開發 | Lovable、Claude、n8n |
| 程式應用 | GitHub Copilot、Cursor |
| AI 模型訓練 | TensorFlow、PyTorch、scikit-learn、Amazon SageMaker、Azure AI Foundry、Vertex AI |
| NLP／LLM／CV 工程 | OpenAI、Hugging Face、OpenCV、MediaPipe |
104 統計了各產業與各職類的「AI 職缺佔比」，這比人數更能看出滲透程度：
| 類別 | 項目 | AI 職缺佔比 | 為什麼 |
|---|---|---|---|
| 產業 | 軟體網路業 | 28.5% | AI 產品與服務的原生產業 |
| 電腦及消費性電子製造業 | 27.6% | AI 伺服器、邊緣運算硬體需求 | |
| 半導體業 | 23.9% | 製程優化、良率分析、設計自動化 | |
| 非技術職 | 製程規劃 | 36.4% | 推動智慧工廠，用流程自動化提升生產效率與良率——非技術職 AI 化比例最高 |
| 學術研究 | 33.7% | 文獻蒐集整理、統計分析 | |
| 品保／品管 | 28% | 結合 AI 提升檢測效率與準確度 |
再看五年成長幅度，會發現一件很關鍵的事——成長最快的不是工程職：
| 職類 | 2022 年 | 2026 年 | 五年增幅 |
|---|---|---|---|
| 專案／產品管理 | 951 | 3,453 | +263.1% |
| 業務銷售 | 1,801 | 6,263 | +247.8% |
| 行銷 | 2,270 | 6,023 | +165.4% |
單位為每月平均工作機會數。同期 AI 人才整體需求五年成長 97.6%，遠高於整體招募市場的 22.9%。資料：104 AI 人才趨勢報告（2026/06/24）
2026 年 6 月金融投顧及保險業每月人才缺口達 3.4 萬人，求職者平均每人可分到 4 份工作（整體市場只有 2 份）。因應數位金融，資訊軟體系統類每月徵才 3,000 人、占整體招募 9%，已成為金融業第四大職類。
金融業具體在找的角色：AI 應用研發工程師（要熟 Python 或 R、能開發 AI 應用場景 API、具資料分析處理能力）、數據科學家（客群行為與交易數據分析）、資訊安全治理師（新興科技資安治理、事故應變、資安意識推廣）、洗錢防制審查人員。金管會的調查則顯示 383 家金融機構中已有 126 家導入 AI，銀行業導入比例最高達 87%。
指引最後列出四項核心技術基礎。AI 應用人才雖然不要求會開發，但懂這些能讓你更有效運用工具、跟技術團隊溝通更順：
以及五項軟實力：
中央大學資管系兼任助理教授劉書銘指出：「AI 變化太快，去年還在瘋 Prompt，今年熱度已轉移至 Agent、RAG。」三個月才學一門技術已經跟不上。
所以與其追工具，不如把力氣放在理解底層邏輯——這也正好是這張證照科目一在考、而且最多人被當掉的那一塊。
先把一件事看清楚：企業不是「已經導入完 AI」，而是「全都在導入、而且全都卡住」。這個落差，就是這張證照現在真正的價值所在。
把上面前三個數字擺在一起看，講的其實是同一件事：AI 已經滲進公司了，但它是從員工端自己帶進來的，不是從制度端規劃進來的。六成以上的使用在管控之外、近四成五的公司連培訓計畫都沒有，而真正把 AI 整合進核心流程的只有 6.6%。
所以現在最缺的，不是會下 prompt 的人——那個門檻兩年前就沒了——而是看得懂資料流去哪、講得出模型會在哪裡出錯、知道該留下什麼紀錄的人。這正好就是科目一（AI 基本概念、治理、倫理與風險）在考的東西，也剛好是最多人被當掉的那一科。
104 追蹤近 900 萬份履歷與職缺後發現，要求 AI 專業的職缺佔比最高的三個職類，全是非技術職：製程規劃 36.4%（每三個缺就有一個要會用 AI）、學術研究 33.7%、品保／品管 28%。
五年成長最猛的也一樣：專案／產品管理 263.1%、業務銷售 247.8%、行銷 165.4%。企業每月平均招募 AI 人才約 10 萬人，近 5 年需求成長 97.6%，同期整體招募市場只成長 22.9%——差距是四倍以上。
104 統計 30 歲以下、年資未滿 5 年的職場青年，只要職缺要求 AI 技能，起薪溢價是：財務會計 +69%、門市營業 +67%、MIS 網管 +63%、旅遊休閒 +53%。
注意這是「職缺要求 AI 技能」帶來的溢價，不是「持有這張證照」的加給——到現在還是沒有任何一家公司公布過持證加給表。分清楚這件事，你才會用對它：證照負責讓你通過那批職缺的初篩，溢價來自你真的做得出東西。
產業 AI 化數據出自 人工智慧科技基金會（AIF）× 高通《2026 台灣產業 AI 化大調查》（產業 AI 化指數自 2025 年的 36.77 分明顯上升，各家報導引用的 2026 分數落在 46–47 分之間）；職缺與薪資數據出自 104《AI 人才趨勢報告》2026。溢價為職缺要求 AI 技能之起薪差異，非證照加給。
這張證照真正的價值不在薪水，在於把你已經有的專業「翻譯」成 AI 場域聽得懂的語言，並給你一個第三方可辨識的標記。成本低、政府背書、對非技術背景友善——這些都是真的。
但它不會幫你跳過作品集。最有效的組合永遠是：證照負責讓你被看見，作品負責讓你被選中。如果你要考，請一開始就想好考完要做哪一個專案。