成為 AI 科學家｜打造數學基礎與統計地基，輕鬆開拓機器學習應用之城
104學習
AI 能力
104 統計職務常見 AI 技能
機器學習演算法
這項技能指的是利用數學和統計方法，讓電腦從大量資料中自動學習模式和規則，進而做出預測或決策。具備此能力能幫助企業提升資料分析效率、優化產品服務，並推動自動化和智慧化應用，像是推薦系統、影像辨識或語音助手等。對於希望從事數據科學、人工智慧或軟體開發相關職位的人來說，是非常重要且具競爭力的技術。
提升你的實力，朝專業更進一步
精選課程
充實自己，讓能力持續成長
成為 AI 科學家｜機器學習好簡單，輕鬆讓你一手掌握資料科學實作 10 大技巧
成為 AI 科學家｜資料分析師必備視覺化技能 Power BI
人工智慧時代必備-資料科學入門
電腦視覺演算法之人臉辨識實戰【本課程為線上課，報名後專員會提供上課資訊】
人資與採購必學！ AI 流程自動化應用實戰工作坊【10/20】
軟體工程師就業培訓
【免費課程報名】技術開發技能 1-6 人人都可以是生成式 AI 的 Builder : Amazon Q 介紹 | 完課紀錄回傳履歷表
機器學習實戰-影像處理篇
人工智慧-機器學習【本課程為線上課，報名後專員會提供上課資訊】
精選證照
考取專業證照，讓能力被市場看見
人工智慧：機器學習 Python
人工智慧研究如何使機器具有類似人類學習及解決複雜問題、抽象思考、展現創意等能力，是能讓事物變更聰明的科技。其研究範圍包含了：電腦視覺、語音工程、自然語言處理、移動與控制等。做為人工智慧體系的一部分，「機器學習」是一種資料科學的技術，也是實現人工智慧的一種方式，從資料中學習，獲得辨識或預測新進資料的技能，以協助電腦預測未來的行為、結果和趨勢，其技術廣泛應用在不同領域。
財團法人電腦技能基金會TQC+人工智慧：機器學習的題目設計包含：「監督式學習」、「非監督式學習」、「機器學習應用」等必備的知識及技術，運用不同機器學習方法進行實際案例之分析預測。
財團法人中華民國電腦技能基金會
電腦知識與計算機應用認證
一種確認個人對電腦科學基礎知識和應用能力的認可。 它提供對個人技能的客觀評估，有助於就業和職業發展。 透過取得認證，人們可以展示自己在數位時代中的技術能力和競爭力。
電腦知識與計算機應用認證是一項評估專業人士在電腦知識和計算機應用方面的能力和專業知識的資格認證。通過這項證照的專業人士通常具備深入的電腦知識和技能，能夠應用這些知識解決各種計算機應用問題。
TIPCI臺灣國際專業認證學會
SSE 機器學習國際認證
機器學習是人工智慧的一個分支。人工智慧的研究歷史有著一條從以「推理」為重點，到以「知識」為重點，再到以「學習」為重點的自然、清晰的脈絡。顯然，機器學習是實現人工智慧的一個途徑，即以機器學習為手段解決人工智慧中的問題。機器學習在近30多年已發展為一門多叉學科，包括機率論、統計學、逼近論、計算複雜性理論等多門學科。主要是設計和分析一些讓電腦可以自動「學習」的演算法。
Silicon Stone Education (SSE)
人工智慧應用與技術 (實用級/進階級/專業級)
人工智慧應用與技術證照分為實用級、進階級及專業級，涵蓋人工智慧基礎理論、機器學習、深度學習及資料分析等核心技能。持有該證照者具備運用AI技術解決實務問題的能力，能設計並優化智能系統，提升企業數位轉型效能。證照適合希望掌握AI技術並應用於各行各業的專業人才，助力職涯發展與競爭力提升。
尚未查核發照單位
SSE AI Knowledge Today國際認證
人工智慧是指由人製造出來的機器所表現出來的智慧。通常人工智慧是指透過普通電腦程式來呈現人類智慧的技術。也表示研究這樣的智慧系統是否能夠實現，以及如何實現。同時，透過醫學、神經科學、機器人學及統計學等的進步，常態預測則認為人類的很多職業也逐漸被其取代。這個國際證照除了測驗人工智慧的基礎知識外，更強調的是人工智慧的演算法基礎知識。通過了本測驗，表示你已經具備基本的人工智慧理解能力，也有助於職場上之所需。
Silicon Stone Education (SSE)
人工智慧應用能力認證
人工智慧（AI），由人製造出來的機器所表現出來的智慧。通常人工智慧是指透過普通電腦程式來呈現人類智慧的技術。本認證希望提供的智慧系統相關知識、讓考生經過此認證了解專業知識。
TIPCI臺灣國際專業認證學會
精選貼文，掌握第一手知識
AI工作專區｜工程師、PM、行銷的AI應用人才，企業AI徵才技能整理
AI時代來臨，企業對AI應用與自動化人才的需求不斷成長。從軟體工程師、產品經理、專案經理（PM）到行銷人才，懂得使用AI工具：RPA自動化流程、n8n無程式的工作流程整合，在就業市場已開出新的人才賽道，成為企業招募新一代人才的重要加分條件。
本文目錄（點擊可快速前往）
AI技能找工作機會｜RPA、n8n、Vibe CodingRPA（Robotic Process Automation，機器人流程自動化）n8n（開源的工作流程自動化工具）Vibe Coding（氛圍程式設計）職務結合AI工作機會AI行銷人才AI應用管理師 Project Manager、AI PMAI產品經理（AI Product Manager）AI設計師（UI/UX）AI應用軟體工程人才AI、演算法工程師FAQ：AI工作常見問題AI＋自動化技能能提高薪資嗎？學AI可以做什麼工作？
AI技能找工作機會｜RPA、n8n、Vibe Coding
RPA（Robotic Process Automation，機器人流程自動化）
透過軟體「機器人」來模擬人類在電腦上執行重複性、規則化任務的技術，無需改變原有系統或進行複雜開發。
職缺舉例：RPA Business Development Specialist、HR數位轉型專案管理師、業務管理師、通路服務規劃人員
[joblist_plugin title='【RPA】精選職缺' url='https://www.104.com.tw/jobs/search/?mode=s&page=3&keyword=RPA&order=15' amount='3']
n8n（開源的工作流程自動化工具）
可幫助工作者自動化重複性任務，整合各種應用服務，類似Zapier或Make.com，擁有更高的彈性。
使用範例
每日定時抓取某API數據→整合→發送Email報表
當表單送出→整理資料→寫入Google Sheet→發Slack通知
自動化CRM建立客戶資料 + 產生任務 + 發送開通信件
[joblist_plugin title='【n8n】精選職缺' url='https://www.104.com.tw/jobs/search/?mode=s&page=2&keyword=n8n&order=15' amount='3']
Vibe Coding（氛圍程式設計）
工作者運用語言模型（ChatGpt、copilot）等AI技術，透過自然語言與AI對話，讓AI自動生成所需程式碼，大幅降低開發門檻。只需描述想要達成的功能，AI便能撰寫程式，無需深入理解底層程式運作原理，可以不透過工程師達到將網頁、APP快速送入市場驗證的開發模式。
[joblist_plugin title='【Vibe Coding】精選職缺' url='https://www.104.com.tw/jobs/search/?keyword=vibe+code&order=15&page=1' amount='3']
看不夠？來去逛逛 104數位與科技人才專區
職務結合AI工作機會
AI工具的應用，讓專業工作者能提高工作效率（避免耗時的行政流程）、創意創新的競爭力（給予AI思考框架，提出不同的創新想法）、決策支援（藉由數據資料的匯入，與AI協作預測商業策略執行優勢與須備風險管理的地方）。
AI行銷人才
企業期待新一代的行銷人將專業的行銷know-how結合AI與MarTech的技術，能更精確的了解市場、找到用戶痛點、制訂與執行更有效的行銷策略。
必備技能：AI工具（ChatGPT）、RPA與n8n自動化排程、GA4。
加分條件：懂MarTech串接與數據驅動行銷策略。
[joblist_plugin title='【AI Martech 行銷】精選職缺' url='https://www.104.com.tw/jobs/search/?mode=s&page=3&keyword=AI+Martech&order=15&jobcat=2004001000' amount='3']
AI應用管理師 Project Manager、AI PM
結合PJM對組織流程、利害關係人的了解，提升決策效率與資源運用，並在複雜多變的環境中，精準規劃、協調跨部門團隊，確保專案按時、高品質交付，創造更高的商業價值。
[joblist_plugin title='【AI專案經理】精選職缺' url='https://www.104.com.tw/jobs/search/?mode=s&page=1&keyword=AI+n8n&order=15&jobcat=2004003006' amount='3']
AI產品經理（AI Product Manager）
產品經理需要能精準識別使用者需求，將AI能力轉化為實際功能，並制定策略與路線圖，協調跨部門資源，確保AI產品從概念到落地，能創造最大化的商業價值與使用體驗。
必備技能：敏捷開發、數據分析、RPA流程設計、n8n工作流自動化。
加分條件：懂Prompt Engineering，能規劃AI產品MVP
[joblist_plugin title='【AI專案經理】精選職缺' url='https://www.104.com.tw/jobs/search/?mode=s&page=2&keyword=AI+n8n+%E7%94%A2%E5%93%81%E7%B6%93%E7%90%86&order=15&jobcat=2004003005' amount='3']
AI設計師（UI/UX）
結合AI技術與使用者行為洞察，打造人性化的產品體驗。需要理解AI產品的運作邏輯，將複雜的演算法結果轉化為直覺且易於使用的介面，在設計過程中融入個人化體驗與數據驅動的設計思維，確保產品兼具美感與功能。
[joblist_plugin title='【AI UI/UX 設計師】精選職缺' url='https://www.104.com.tw/jobs/search/?mode=s&page=1&keyword=AI+&order=15&jobcat=2013001015,2013001016,2013001006,2013001020' amount='3']
AI應用軟體工程人才
幫助提升公司營運效率，工作內容包含開發與推進AI自動化應用，包括文件生成、知識查詢、任務建議與流程輔助，提升日常作業效率。
[joblist_plugin title='【AI應用工程師】精選職缺' url='https://www.104.com.tw/jobs/search/?jobsource=joblist_search&mode=s&page=1&keyword=AI+%E6%87%89%E7%94%A8&order=15&jobcat=2007001000' amount='3']
AI、演算法工程師
邊緣運算、LLM、AI/ML 演算法、生成式AI、影像辨識、資料科學……等專業技術領域
[joblist_plugin title='【AI、演算法工程師】精選職缺' url='https://www.104.com.tw/jobs/search/?mode=s&page=1&order=15&jobcat=2007001020,2007001012' amount='3']
FAQ：AI工作常見問題
AI＋自動化技能能提高薪資嗎？
能，降低人工成本，幫企業節省大量時間。幫助公司快速決策，提升專案 ROI。具備跨領域競爭力，在數位轉型浪潮中更具優勢。
學AI可以做什麼工作？
學AI可以應用在與數據、軟體、流程優化相關的工作中。例如：行銷人多會了AI，可以不透過工程師快速架設行銷活動網站、PM會AI，可以自動化縮短寫規格書的時間、透過Vibe Coding方式加速MVP的推出，工程師可以透過AI協作，更快產出80%的程式碼，將時間投入優化code的過程。
看不夠？來去逛逛 104數位與科技人才專區
精選 準備 iPAS 淨零碳規劃管理師，不能只靠背題，更重要的是建立完整的實務能力
115 年兩次 iPAS「淨零碳規劃管理師中級」考試出現有趣的變化：第一次「碳管理制度實務」較難，第二次卻轉為「節能減碳技術實務」較具挑戰。考試難點的轉移，也提醒準備認證的學習者，與其猜測下一次哪一科比較容易，不如扎實建立完整的知識與應用能力。
這篇文章透過報考、獲證率、各科及格率與六大能力主題等數據，帶你看懂考試背後真正想檢驗的能力，以及如何從成績發現自己的學習缺口。
考證照不只是為了「考過」，更重要的是知道自己下一步該學什麼。
如果你正在準備 iPAS 淨零碳規劃管理師，推薦透過這篇分析，重新檢視自己的備考與學習策略。 https://vocus.cc/article/6aa87633fd897800017e33a9
CCChen 老師課程 :
【2026年－考試筆記(V1版本)】iPAS AI應用規劃師初級｜全科攻略ｘ考點精華ｘ擬真題庫｜104學習
https://nabi.104.com.tw/course/104nabi/07779700-a980-43d2-8b34-bae808edea61
iPAS AI應用規劃師【中級】衝刺班｜命題精析 × 實戰解題 × AI刷題｜104獨家iPAS AI考證衝刺
https://nabi.104.com.tw/course/104nabi/3987ebea-3686-4f67-a292-c46c3cc2128e
「數據／資料工程師」12個必備技能、推薦職缺、證照進修
大數據時代來臨，企業數位轉型的需求應運而生，因此數據工程師（資料工程師）在企業中所扮演的角色也日益重要。本文盤點要成為數據工程師，強烈推薦要學的 12 項必備技能。一起來看看【數據工程師】工作日常以及104人力銀行上有數據工程師工作機會。
成為數據工程師的 12 項必備技能（點擊可跳至章節）：
基本技能（程式語言與資料架構）
網路概念
資料庫 Database
數據湖 Data Lake 與物件存儲
數據倉儲 Data Warehouse
分散式系統
數據處理
機器學習 Machine Learning
作業編排管理
前端與儀表板
後端框架
自動化與部署
如何開始數據工程師之路？了解數據工程師工作日常
【數據／資料工程師】推薦職缺
【數據／資料工程師】職場常見證照整理
【數據／資料工程師】職場再進修課程推薦
文／LnData 麟數據科技
數據工程師的必備技能樹 (Source: Anuj Syal)
一、基本技能
首先，以下是最基本的必修技能，也是想進入這個行業需要的優先入手技能，包含：
SQL：SQL即「Structured Query Language」，也稱做「結構化查詢語言」，是一種用於管理和查詢關聯式資料庫的語言，用於處理和操作大量數據。它允許數據工程師對資料庫執行各種操作，如數據檢索、修改和定義，且幾乎所有資料庫和數據倉儲都使用SQL。
程式語言：數據工程師必備技能當然包括使用不同的程式語言來處理數據，如 R、Scala、Java等，但首推 Python，因為Python容易上手，並且擁有許多免費且開源的資料科學工具和資源，使其成為處理數據相關工作的理想選擇。不僅如此，Python還有豐富的開發者社群，讓你輕鬆找到相關的學習資源和解決問題的方法。
Git：即「Global Information Tracker」，Git是版本控制的重要工具，可以追蹤、保存和管理軟體代碼的所有更改和操作，幫助資料工程師協作開發數據工程項目，並確保團隊成員之間的協同工作，可避免有人亂改或誤刪代碼。
Linux指令和Shell腳本：Linux是一種常用的作業系統，數據工程師經常使用它來處理數據，常見的版本如Ubuntu、Fedora。熟悉Linux命令（例如cd、pwd、cp、mv等）和Shell腳本可以幫助數據工程師自動化任務、管理伺服器和處理大量數據。
資料結構和演算法：數據工程師需要對資料結構（Data Structures）和演算法（Algorithms）有足夠的理解和解決問題的技能，以優化數據處理和分析。初學者可透過初級到中難度的LeetCode問題進行練習。
二、網路概念
由於現在大半數據都在線上，因此工程師常需接觸與處理VM（虛擬機）、伺服器和 API（應用程式介面），而此時就需要對 IP（互聯網協議）、DNS（域名伺服器）、VPN 等基本網路概念有基本了解。
API（應用程式介面）概念示意( Source: Geeks For Geek)
三、資料庫
資料庫是按照數據結構來組織、存儲和管理數據的倉庫，相關概念包含：
基礎知識：資料庫是存儲數據的空間，包含表（Table）、行（Column）、列（Row）、鍵（Key）、連接（Join）、合併（Merge）和模式（Schema）等基本概念。
SQL：雖然前面提過了，但要知道在使用這些資料庫時，SQL可說是最泛用也最不可或缺的語法，因此這邊再提一次。。
ACID：是原子性（Atomicity）、一致性（Consistency）、隔離性（Isolation）、持久性（Durability）的縮寫，旨在確保數據操作的有效性和穩定性。
資料庫建模：指在設計資料庫時考慮如何組織資料的過程，包括星型模式、平面設計和雪花模式等不同方法。
資料庫擴展：包括垂直擴展和水平擴展，它們用於增加資料庫的性能和容量。
OLTP與OLAP：OLAP（在線分析處理）、OLTP（在線交易處理）是不同類型的數據處理系統。OLTP是設計用於處理日常業務交易和交互式操作的系統；OLAP則是設計用於分析和探索大量數據的系統。
關係型資料庫：Relational Database，是大多數應用程式使用的傳統資料庫，用於結構化數據。常用的資料庫有PostgreSQL和MySQL。
非關係型資料庫：Non-relational Database，也稱為NoSQL資料庫。跟傳統的關聯型資料庫不同，它們不使用固定的表格模式，而是以更靈活的方式存儲數據，適合處理大量非結構化數據。非關係型數據還可分為三種類型：
鍵值資料庫：如Redis、DynamoDB、FireBase
圖形資料庫：如Neo4j、ArangoDB
寬列資料庫：如Apache Cassandra、Google BigTable
常用的關係型資料庫 MySQL
四、數據湖 Data Lake 與物件存儲
數據湖是一種大規模集中式數據存儲系統，它允許組織以原始、半結構化或非結構化的形式存儲數據，而無需建立嚴格的資料結構。這意味著數據湖可以包含來自不同來源、不同格式和不同質量的數據，可以是文本、圖像、影音等，也包含報表、視覺化、資料分析、機器學習等轉換後資料。
數據湖通常使用分佈式或物件存儲（Object Storage）系統來存儲大量數據，如Hadoop HDFS、Amazon S3等。數據以原始文件或對象的形式存儲，每個對象都包含數據本身、元數據（metadata）和唯一識別子。這種方式使得數據能夠以平面結構組織，並且具有元數據以描述數據的特徵和用途，能夠更好地管理和查詢數據。
五、數據倉儲 Data Warehouse
數據倉儲（Data Warehouse）是一種專為組織和管理大量數據而設計的數據存儲和管理系統。它的主要目標是將來自不同來源的數據整合到一個統一的、易於查詢和分析的資料庫中，以支持企業的決策制定、報告和分析需求。例如 Google 的 BigQuery、AWS Redshift、Azure Synapse、Snowflake、ClickHouse 和 Hive。須了解的相關概念包含：
SQL（略）
規範化與非規範化：在數據倉儲中，數據可以以規範化（Normalized）或非規範化（Denormalized）的方式進行組織和存儲，具體選擇取決於業務需求和查詢性能的考慮。規範化主要為求消除數據中的冗余或不一致性；而非規範化則是將數據合併到一個表中以提高數據更改速度。
OLAP與OLTP（略）
六、分散式系統
包含大數據、Hadoop、分佈式文件系統、MapReduce等概念。在分散式系統中，多台機器（稱為節點或伺服器）組成叢集並共同協作，這些機器可以在不同的地方執行，彼此通信並共同完成任務。分散式系統的好處是可提高性能、可用性和擴展性，同時減少單點故障的風險。
由於其複雜性，這些系統擁有各自獨立的技術組件。因此，為了開發與佈署這些系統，數據工程師需要使用叢集管理技術或工具，如Kubernetes、Databricks，或者自行建立Hadoop叢集等。此外，還有許多開源技術可供利用。
Kubernetes 也稱為 K8s，是一個熱門的分散式系統開發和支撐平台(Source: DevOps Mojo)
七、數據處理
數據處理是指使用程式語言來轉換數據的過程，這包括清理數據以及驗證數據的準確性。在進行數據處理時，通常會使用各種工具和框架，具體選擇取決於任務的性質和規模。
以下是一些常用的數據處理工具和框架：
Pandas：Pandas是一個好用的Python套件，常被用於處理和分析數據。它提供了豐富的數據結構和函數，適合用於數據轉換和清理。
SQL：（沒錯，又是它）由於多數數據倉庫支持SQL語言，因此SQL是一個常用的工具，用於執行數據轉換操作，尤其適用於處理結構化數據。
Spark：Apache Spark是一個用於大數據處理的強大框架，它提供了分佈式數據處理和分析計算。Spark通常用於處理大規模數據轉換操作，性能高且具有可擴展性。
Spark Streaming：Spark Streaming是Spark的一個模塊，用於處理流式數據。它可以實時處理數據流，非常適合需要即時分析的應用。
Spark是常用於處理大數據的強大框架(Source: Data Mechanics)
八、機器學習 Machine Learning
機器學習（Machine Learning）是一種人工智慧（AI）的子領域，它教導電腦如何從數據中學習，以自動改進和做出決策，而不需要明確的程式指令。機器學習可以應用於多個領域，如圖像辨識、語音識別、自然語言處理、醫療診斷、金融預測以及自駕車技術等。
人工智慧、機器學習、深度學習都是資料科學中的熱門領域
對於數據工程師來說，了解機器學習的不同類型，包括監督學習、非監督學習和增強學習，以及相關的模型(如邏輯回歸、決策樹、K-最近鄰算法等)很重要。他們需要知道何時應該使用哪種模型，並學會處理數據、調整模型參數，以及評估模型的預測準確性。
操作機器學習的平台有Vertex AI、Kubeflow等，這些平台可以協助數據工程師輕鬆部署模型，並構建更準確的工作流程，幫助數據科學家做出更精確的決策。
Vertex AI 是Google Cloud上的一個機器學習平台
此外，還有一些集成平台可讓數據工程師將工作流程整合到一個地方，如AWS Sagemaker、Databricks和Hugging Face等。這些平台通過共用的應用程式接口和圖形界面，使應用軟體功能不受特定硬體、作業系統、網路協議或資料庫管理系統的限制。
AWS Sagemaker也是不少人的ML開發選擇(Source: AWS)
九、作業編排管理
編排（orchestration）是一種用於管理和協調組織各種任務和工作流程的方法。它幫助我們確保工作按照預定的順序執行，以達到我們的目標。
最佳的編排工具之一是Airflow。它使用基於Python的有向無環圖（DAG）來記錄工作流程，讓您可以清楚地定義和規劃工作。Airflow特別適用於複雜的工作流程，並且在大數據和數據工程領域中廣泛使用。
其他工具包含Luigi、Nifi和Jenkins。每個工具都有其獨特的特點和使用場景，可以根據你的項目需求來選擇適合的編排工具，可以幫助數據工程師自動化和管理各種任務，提高工作效率。
Airflow是開發時常用的工作流程管理工具(Source: Airflow)
十、前端與儀表板
前端和儀表板（dashboard）是用來展示數據結果和互動的工具。它們讓我們能夠以圖表、圖像和表格的形式呈現數據，並讓用戶與數據進行互動。
舉例來說，Jupyter Notebook 是一種常用的工具，它可以幫助數據科學家和分析師在筆記本中直接進行數據分析並建立視覺化圖表。
Jupyter Notebook是好用的互動式開發工具，是許多資料科學工作者選擇
此外，儀表板或所謂BI工具如 PowerBI 和 Tableau，以及 Python 套件如Dash 和 Gradio，也被廣泛使用。這些工具允許我們建立互動性強的儀表板，讓用戶輕鬆探索數據，查看不同的視覺化結果，並根據需求進行操作。
Tableau是業界常用的商業智慧(Business Intelligence)工具，建立企業數據儀表板
十一、後端框架
後端框架與軟體工程有關，它們有助於構建網站和應用程序的後端部分。舉例來說，如果您想建立一個網站或應用，可能需要一個後端框架來處理用戶發出的請求、管理資料庫，以及提供信息給前端顯示。
基於 Python 的後端框架包含 Flask、Django 和 FastAPI 等。Flask 是一個輕量級的框架、Django則提供了更多的內置功能、FastAPI 則專注於建立API。
除了這些，還有一些雲端技術可供使用，例如G oogle Cloud Platform（GCP）的 Vertex AI API 和 AutoML APIs，這些技術可以用於模型部署和機器學習應用。
Flask 是一個 Python 網頁應用程式框架，因輕量靈活而受許多開發者喜愛
十二、自動化與部署
自動化和部署是指使用不同的工具和技術，來讓程式碼的建立和執行過程更加自動化和簡化，有助於提高效率、降低錯誤，並讓應用程式更容易管理和維護。
這個過程包括以下幾個主要方面：
基礎設施即程式碼（Infrastructure as Code）：這是使用工具如Terraform、Ansible和Shell指令來管理和配置伺服器和基礎設施的過程。這些工具可讓你將基礎設施視為程式碼來處理，使其更易管理和自動化。
持續集成/持續部署（CI/CD）：指透過GitHub Actions和Jenkins等工具來自動化程式碼的測試、集成、部署和交付的過程。有助於確保程式碼的品質，並使新功能能夠快速部署到生產環境。
容器化：即使用Docker和Docker Compose等工具，將應用程式和其相關的依賴項打包成容器的過程，可使應用程式在不同環境中更容易部署和執行。
Docker工作流程示意
想當數據工程師，如何培養能力？
在學生可以學習統計、資工、資料科學等科系的課程，或是透過相關實習或競賽來摸索對此領域的興趣。此外，網路上有許多付費課程、YouTube上的免費資源，也可以在kaggle、LnData等平台取得更多練習與交流機會、相關知識、技巧或資源！
要記得，這些相關技術日新月異，即使是正在工作中的數據工程師也必須時時學習與了解最新技術。相對的，正因為技術不停在改變，你也不需要強求把上面所有技能練到精通，而是掌握重要的基本概念與保持開放的學習態度。
數據工程師可以為企業做什麼？
數據工程師日常就是與數據打交道，主要包含收集、讀取、清理，探勘與管理企業的資料，以抓取符合企業分析需求的數據。這些數據則能進一步透過機器學習、演算法，產生更有價值的結果或應用方式，幫助企業做出更好的決策、優化業務流程，例如降低成本、提高獲益、優化產品、留住熟客及開發新客群。因此，數據工程師對於企業的重要性不言而喻。
然而，企業想挖掘數據最大價值，並不能只靠數據工程師。一個完整的數據團隊，通常包含數據工程師、數據科學家、數據分析師三種角色，各司其職、專業分工。他們在日常工作流程中扮演各自的角色，互相協作，完成各種不同的專案——這也是為何我們最後要強調，除了技術以外，溝通與協作等軟技能也非常重要！
（原文標題：2023 年想成為數據工程師的 12 項必備技能）
[joblist_plugin title='推薦【數據／資料工程師】工作機會' url='https://www.104.com.tw/jobs/search/?ro=0&keyword=%E6%95%B8%E6%93%9A%E5%B7%A5%E7%A8%8B%E5%B8%AB&expansionType=area,spec,com,job,wf,wktm&jobsource=blogc&langFlag=0&langStatus=0&recommendJob=1&hotJob=0' amount='3']
【數據／資料工程師】職場常見證照整理：
序號證照證照介紹發照單位1DP-203 Azure資料工程師技術師身為此認證的應試者，您應該具備主題專業知識，能夠將各種結構化、非結構化和串流資料系統中的資料，整合...＜詳情＞Microsoft2Google專業資料工程師認證專業資料工程師透過收集、轉換和發布資料來實現以資料所驅動的決策。資料工程師應該能夠設計、建置、操作...＜詳情＞Google3SSE 大數據國際認證隨著有關大數據的程式語言、運算平台、基礎理論，以及虛擬化、容器化的技術成熟...＜詳情＞Silicon Stone Education4AWS認證的數據庫-專業級認證報考資格：1.接觸資料庫技術至少 5 年、2.實際使用 AWS 至少 2 年...＜詳情＞Amazon Web Services5台灣風險數據分析師除了相關法遵外，應具備在風險數據分析、質量方法運用、風險預測建模等高階專業...＜詳情＞社團法人台灣風險管理協會更多數據相關證照＜前往＞
【數據／資料工程師】職場再進修課程推薦：
課程名稱課程介紹【真人直播】零基礎Python數據分析與即時看板實作在這堂課程中，我們將帶你從學習基礎 Python 出發，了解各種常見資料檔案格式與編碼，透過 Python 進行資料表單或檔案的自動化彙整與分析...＜課程介紹＞GA4+GTM網站數據分析實戰課專業的教學設計，以第一線網站數據分析工作者角度，剖析 GA4 四大要領，從觀念的理解到上手實作，提升你的數據分析能力。…＜課程介紹＞成為數據分析師的第一把鑰匙：用Python實作三個資料分析專案以非工科生成功轉為數據分析師的經驗、第一線職場實戰角度出發，來設計這門課程，適合零基礎、初入門、想轉職作數據分析師的你!…＜課程介紹＞零基礎成為Python金融數據分析師｜金融資訊爬蟲X視覺化應用課程單元從 Python 程式基礎開始，包含變數、資料型態、流程控制、函式、例外處理等 金融主題的網路爬蟲程式教學，製作Python爬蟲工具…＜課程介紹＞更多數據相關課程＜前往＞
AI時代的資工人何去何從？專家：向「文組」取經是條出路
AI快速發展，當Cursor等AI助手能幫人自動寫程式、AI預期將達到「中級軟體工程師」的水準，資工系新鮮人的就業處境正面臨艱難挑戰。資工教育、初階工程師到底該培養什麼技能？專家認為，未來資工人才需要擁抱AI素養、運算思維，讓資工系變得「更像文科學位」。
文／田孟心編譯 由天下雜誌授權轉載
本文目錄（點擊可快速前往）
教育怎麼改？「AI素養」是關鍵另一種機會：發現文科思維的價值
當「Cursor」等AI神器能幫人自動寫程式，資工教育、初階工程師到底該培養什麼技能？卡內基美隆大學等程式教育專家建議，讓資工系長得「更像人文學科」，是一條出路。
隨著ChatGPT等聊天機器人的能力不斷進化，它們開始能夠像人類一樣順暢地回答問題、撰寫論文。但論及「取代人類」的挑戰，它們最有殺傷力的，還是針對電腦科學領域。
如今，大型科技公司和新創公司都紛紛推出能自動產生程式碼的AI助手，而且能力正在迅速提升。
今年一月，Meta執行長祖克柏預測，AI將在今年的某個時刻達到「中級軟體工程師」的水準。
新鮮人的境遇特別艱難。根據技術研究和教育機構CompTIA的分析，在過去三年中，尋求兩年或兩年以下經驗員工的公司數量，下降了65%。
教育怎麼改？「AI素養」是關鍵
大學校園裡，以編寫程式碼為主的資工系首當其衝。這引起全美各地大學的資工系所，都在努力理解技術轉型的影響，並努力思考在AI時代該教授哪些內容。
美國頂尖資工院校之一，畢業生遍佈全球各地大型科技公司的卡內基美隆大學，資工教授柯提納（Thomas Cortina）指出，「AI確實震撼了資工教育」。儘管卡內基美隆過去在培養學生方面取得佳績，但今年，資工學院還是暫停暑期工作，邀請教職員一同規劃針對AI時代的新課程。
哥倫比亞大學的資工教授溫（Jeannette Wing）也表示，「我們正看到AI海嘯的冰山一角。」
綜合《紐約時報》訪談許多資工教育工作者，他們認為資工學科可以擴展，變得「更像文科學位」，亦即更加重視批判性思考和溝通技巧。
這與美國國家科學基金會（NSF）的想法不謀而合。
該基金會正在資助一個名為「Level Up AI」的計畫，結合大學與研究人員，共同探討AI教育的本質。
主導這項計劃的資工教授馬希爾（Mary Lou Maher）直言，「資工教育的未來可能會減少對程式設計的關注，而更專注於『運算思維』和『AI素養』。」
其中，運算思維指的是能否將問題分解成更小的任務，逐步訂定解決方案，並利用數據得出基於證據的結論；而AI素養指的是，理解AI如何運作、如何負責任地使用AI，以及AI如何影響社會。
馬希爾強調，培養「理性的懷疑」應該成為新的目標。
根據世界經濟論壇《2025年未來就業報告》，當前最重要的求職技能是「分析性思考」、「彈性」和「社會影響力」。
報告裡也提到，「AI素養」不僅僅是為IT專業人士「錦上添花」，而是對全人類都很重要，教育部門更該強化這個技能。
歐盟與OECD也發起「人工智慧素養框架」（AILit），預期在2026年發布，幫助年輕學習者以批判性、創造性，和合乎道德的方式接觸AI。
另一種機會：發現文科思維的價值
在求職市場上，資工系畢業生也開始發現文科思維的價值。
在一片慘淡的就業前景中，北卡羅來納大學夏洛特分校的大四生德雷克（Connor Drake），幸運地在30次投遞（通常要投100-200次）後，就面試上一家科斯的網路安全實習生職位。
德雷克分享，他個人對AI的「防禦策略」，是拓展自己的技能組。除了資工專業以外，他還輔修政治學，加強學習安全與情報研究，並且擔任大學網路安全社團的負責人——如此一來，他就更能勝任網路安全專業領域的工作。
「資工學位曾經是通往就業天堂的金鑰匙，」22歲的德雷克說道，「但現在情況已不是那樣了。」
最後，儘管資工畢業的菜鳥面臨就業寒冬，但也有專家認為，AI對於「輔助軟體市場」大有前景。
如今，從醫學到行銷領域都在客製化自家的聊天機器人，這些聊天機器人軟體必須為各產業量身打造，並由這些產業的數據庫提供支援。
史丹佛大學計算機科學教授艾肯（Alex Aiken）認為，軟體工程崗位的成長可能會下降，但參與程式設計的人員總數將會增加。
因此，大專院校仍可維持對資工基礎知識和AI原理的教學，並擴展用新工具進行軟體設計的大量實務課程。
或許，有一個重要的前提是：資工學員不會太過仰賴AI本身。
卡內基美隆的柯提納表示，許多資工學生將聊天機器人視為完成作業的「靈丹妙藥」，「但他們連一半的程式碼都看不懂，」「很多人正在意識到自己寫程式碼的價值，打算重新開始。」
（資料來源：NYT, WEF, Nature, FAS）
（原文標題：AI時代的資工人該何去何從？專家：向「文組」取經）
推薦閱讀：
AI會取代工程師嗎？寫程式不再是門檻，如何打造不可替代的能力？
AI強勢取代！企業寧僱AI也不找菜鳥，今年畢業生有多慘？
念到博士卻失業？AI時代，大學畢業該繼續升學嗎？
AI浪潮下孩子還要上學嗎？世界權威、母親李飛飛：教育是這4重點
AI秒殺人類工程師，現在矽谷科技家長都希望小孩讀「這類科系」
[joblist_plugin title='更多104【軟體工程師】工作機會' url='https://www.104.com.tw/jobs/search/?ro=0&jobcat=2007001004' amount='3']
在趨勢科技，唯一的競爭對手是駭客：AI 時代下，資安人才與研發現場的真實變化
當生成式 AI 進入企業日常，對於專注資安產品的企業而言，不單是工具升級，更可視為是將資安的攻防節奏全面改寫。因為率先新技術放大其效能的，偏偏卻也是攻擊者。趨勢科技 TrendAI Lab 與核心技術副總經理卜鵬世，與資深人資協理柯志宜，在受訪時都不約而同提到，AI 正在重新定義企業對工程師的期待，也讓資安產品研發、核心技術研究與人才招募標準同步改變。
文／104人力銀行
本文導覽：
同樣是工程師，解決的卻不是同一種問題
當攻擊者也用 AI，資安人才的標準亦隨之改變
要能帶著 AI 解題，把工具轉化為價值
對趨勢科技（以下簡稱趨勢）而言，AI 時代下真正稀缺的，不再只侷限是會寫程式的人，而是能理解問題、拆解並知道如何運用 AI ，讓產品與防禦能力持續進化的人才，這樣的轉變，正發生在趨勢的研發與徵才現場。
同樣是工程師，解決的卻不是同一種問題
卜鵬世首先分享，他目前掌管的兩個核心部門：一是更貼近產品與客戶需求的 「端點防護」（Endpoint Security）部門，另一是負責研發共通能力的「核心技術」（TrendAI Lab）部門。前者關注的是，如何把防護能力做成客戶能快速安裝、易於操作管理的產品；後者則是專注於分析資安威脅、偵測引擎、URL 判讀等能力，提供各產品線共用的核心能力支援。
談到這兩個部門的差異，卜鵬世用了一個很鮮明的比喻：「端點產品部門的人比較像部隊，核心技術部門的人比較像製造武器的人。」 一邊更靠近戰場與使用情境，一邊則負責打造武器與核心能力，分工不同，卻必須高度協作。
若進一步用學科來理解，這兩類人才也有明顯差異。卜鵬世認為，核心技術比較像化學系、數學系，偏研究、分析與技術突破；而產品開發則更像 化工系、應用數學系，更重視如何把技術轉化為可落地、可被客戶使用的解決辦法。
面對資安威脅，前者需對新技術保持高度敏感，從龐大資訊中找出特定模式；後者更需要能理解客戶需求、使用流程與跨部門的合作。換句話說，兩邊都在拆解問題，但一邊更接近攻擊與技術本身，另一邊更接近使用者與產品體驗。
當攻擊者也用 AI，資安人才的標準亦隨之改變
AI 的普及，最先改變的是資安攻防的速度與規模。卜鵬世直言，攻擊者往往是世界上最早應用新技術的一群人，「只是他們把它拿來做壞事。」過去，若要變形攻擊，可能還需要改寫程式邏輯；現在只要下幾個語法，AI 就能快速生成大量變體。也因此，他很直接地說出這句話：「只有用 AI，才有辦法對抗 AI。」
對核心技術團隊來說，AI 已不只是輔助工具，而可能成為解決辦法的一部分；過去最核心的是程式寫成的引擎，未來最關鍵的部分甚至可能就是 LLM。對產品開發端而言，AI 則更直接影響開發流程，從知識查找、code completion，到 AI agent 協助寫 code、做測試與整理架構，正在逐步重塑工程師的工作方式。
這樣的改變，也反映在趨勢科技的徵才標準裡。受訪者提到，公司在面試時，已經會觀察候選人的 AI 使用能力，甚至有一套內部能力指標概念對照：從「有在使用」，到「能產出成果」、再到「已經融入工作流程」，更高階者甚至能藉此改變做事方式與組織協作模式。
以目前觀察來看，多數工程師已開始使用 AI，也能在部分工作中應用，但距離大規模流程與工作模式的重塑，還有一段距離。這也意味著，企業現在看的人才，不再只是「會不會寫 code」，而是「會不會用 AI 定義問題、拆解問題，並把它真正放進工作流程裡」。
趨勢科技核心技術副總經理卜鵬世
要能帶著 AI 解題，把工具轉化為價值
對趨勢科技而言，未來工程師最重要的能力，不光只是技術本身，而是包含判斷力與學習力。卜鵬世認為，當 AI 已能協助完成越來越多標準化工作，真正拉開差距的，是定義問題、做出決策、引導 AI 協作的能力。未來的新鮮人，也許一進職場，反而會更像是帶著一群 AI agents 一起工作的協作者。
從 HR 的角度，柯志宜也觀察到，企業在尋找的已不只是具本科系背景，而是能否展現對技術的熱情、學習能力，以及把工具運用到實際問題上的能力。她提到，科系當然還是辨識人才的一種立即參考，但真正重要的，仍然是候選人能否證明自己會用、敢用，而且清楚使用 AI 解決了什麼問題。對於產品開發的團隊來說，這樣的人才尤其有亮點，「因為他不是只會操作工具，而是能把工具轉化為產品價值。」
趨勢科技人資協理柯志宜
除了人才標準，趨勢科技也強調自身吸引人才的另一個關鍵，在於企業文化與研發定位。柯志宜提到，「我們唯一的競爭對手是駭客。」 這句話不只是企業精神，也反映出公司長期專注資安、持續轉型的核心方向。她認為，趨勢科技一直保有清楚的願景；對工程師而言，這裡並不是科技公司的海外分部，而是擁有研發資源與舞台的研發中心。對於想參與核心技術，與全球性產品研發的人來說，這樣的環境本身就是吸引力。
從端點防護到核心技術，從 AI 分級到徵才標準，在 AI 時代下，資安領域最需要的不只是技術執行者，而是能帶著 AI 一起解題、一起進化的人。這正是趨勢科技在人才招募與研發現場，所體驗到最真實的變化。
立即下載《2026科技業人才報告書-人才版》
[joblist_plugin title='更多104【Trend Micro_趨勢科技】工作機會' url='https://www.104.com.tw/company/apio4y0' amount='3']
告別制式勞動，迎向 AI 時代人才的變革與重構
從 AI、大數據到雲端運算，智慧科技持續重塑企業運作模式，也同步改變科技人才的能力結構與職涯路徑。當技術不再只是工具，而是開始參與決策、流程與協作機制的設計時，企業對人才的期待，也隨之快速被改寫。隨著生成式 AI 進入科技研發現場，產業競爭的焦點，逐漸從單純的效能與技術規格面，轉向研發流程、協作效率與人才結構的重新配置。
文／104人力銀行
立即下載《2026科技業人才報告書-人才版》
本文導覽：
先定義後拆解，掌握工具且能同時進化的優勢
AI 不是取代能力，而是重新設計組織的槓桿
AI 改變的不只是工具，而是人才競爭的基準
無論是深耕資安領域的趨勢科技、由單點工具轉向 AI 驅動工作流程的KDAN 凱鈿、將服務版圖延伸至「新商務」場景的騰雲科技，亦或是持續推動流程優化的技嘉科技，皆不約而同指出：AI 並不是單一技術的導入，而是從根本上，重新定義工程師的工作方式與企業的選才邏輯。
先定義後拆解，掌握工具且能同時進化的優勢
趨勢科技指出，在資安產業中，AI 的導入不僅提升效率，更放大了攻防的速度與規模。企業真正需要的，已非能單純完成任務的工程師，而是要能理解問題、拆解問題，並知道如何運用 AI 讓產品與防禦能力持續進化的人才。「企業現在看的人才，不再是會不會寫 code，而是能不能用 AI 定義問題、拆解問題，並把它真正放進工作流程裡。」
這樣的轉變，使「會寫程式」逐步從門檻條件，轉變為一種基本能力。
KDAN 凱鈿則觀察到，企業選才的標準明顯被翻轉。過去對工程師的面試，多半以程式語言的熟悉度為主，然而當 AI 加入成為日常工具，真正拉開差距的，反而是思考邏輯和問題拆解的能力。「以前我們面試工程師，程式語言熟悉度大概佔六、七成，思考能力佔三、四成；現在幾乎倒過來。」甚至可以說，判斷能力及邏輯架構，已遠勝單一技術的掌握。能力結構之外，AI 也在重新設計工作流程本身。
AI 不是取代能力，而是重新設計組織的槓桿
面對 AI 帶來的轉型壓力，騰雲科技則是認為，企業需要的人才，除了熟悉新工具，得要能解構既有的流程與模式，並予以重新加以設計。「頂尖的人才必須完備能解構問題的智慧，將經年累月結痂的既有工作流程無情拆解，再結合新工具進行徹底重構，以此創造出破局的商業價值。」在如此框架之下，AI 並非取代既有能力，反倒成為推動組織再造的重要槓桿。
相較之下，在硬體與韌體研發領域，AI 帶來的影響則呈現不同面貌。
AI 的導入並非突然出現，而是建立在長期流程自動化與知識共享文化的基礎之上。技嘉科技表示，當標準化與重複性的工作逐步由工具接手，企業在選才的課題上，反而更回到人才的本質。「AI 並沒有讓工程師變得不重要或被取代，反而讓一件事變得更加清楚——當工具越來越強，人真正不可取代的，仍然是持續學習、理解問題，以及把經驗轉化為能被團隊延續的知識。」
也因此，雖分處不同產業與戰略位置的四家企業，卻給出近乎一致的答案——AI 確實已改變你我的工作流程與內容，也對工程師的角色重新定位，然而企業真正關注的，不是誰會被取代，而是誰能定義出與 AI 協作的新方式。
AI 改變的不只是工具，而是人才競爭的基準
當 AI 已能協助完成大量數據的整理、流程文件撰寫及程式生成，甚至是輔佐當下決策的研判時，隨之浮現的是一個跨越產業和領域的深層叩問——AI 會不會取代人類？
觀察四家受訪的企業，答案竟出乎意料地一致：AI 並不會讓「人」變得不重要，而是讓人才的價值重新排序。但首先被改變的是，企業對工程師角色的認知與理解。當標準化、重複性的工作逐步由工具接手，真正拉開差距的，不是技術的熟練度，而是能否理解問題、拆解流程，並持續與新工具共同進化的能力。
正如受訪者所指出：「不是 AI 會取代人，而是會用 AI 的人，會取代不會用 AI 的人。」對企業而言，這意味著選才邏輯正在改變；對求職者而言，也代表未來職場的競爭力，將來自於跨領域理解問題的能力，以及在變動之中持續重塑自身角色的位置。
立即下載《2026科技業人才報告書-人才版》
掌握更多科技業人才趨勢，大家都在看這些：
告別制式勞動、迎向職能重構：騰雲科技在 AI 時代的破局商業學
AI 時代，寫程式不再是護身符——KDAN 凱鈿重新定義「好人才」
AI 時代的研發現場：回歸人才特質，技嘉如何重新定義工程師的工作方式
在趨勢科技，唯一的競爭對手是駭客：AI 時代下，資安人才與研發現場的真實變化
專家工作都怎麼用「AI搜尋」？3招高效提問讓AI工具幫你找資料
生成式AI的搜尋功能既直觀又有效率，還可以提出後續問題深入探討。本文示範關於AI搜尋網路知識、公司內部知識庫、專家知識的提示詞，幫助升級AI搜尋技巧，為你找到更有價值的答案。本文節錄自《職場人的生成式AI工作法》。
文／艾麗莎．法瑞、賈布里．羅薩尼
本文目錄：讓AI幫你做資訊搜尋（點擊可快速前往）
1. 網路知識2. 公司知識3. 專家知識
所有管理者必須取得資訊，才能做出好決策。你還記得過去在圖書館翻找書籍的日子嗎？搜尋引擎和關鍵字觸發網路革命，做研究變得容易許多，而且更快。現在，生成式AI再次改變這個典範。管理者可以向生成式AI提問，獲得以自然語言呈現的詳盡資訊。這種方式既直觀又有效率，還可以提出後續問題深入探討。現在，不只網路搜尋可做到這點，管理者也可藉由生成式AI驅動的聊天介面，在搜尋公司內部知識庫時，獲得更多互動和個人化的體驗。生成式AI不只會找出內部文件或資料夾的連結，還能直接回答問題或是提供摘要。
將生成式AI當作助理，可以改變傳統上檢索資訊的方法，你可以利用它來取得：
1. 網路知識
與傳統瀏覽器整合時，你可以請生成式AI瀏覽網路資料，擷取重點，並於回應中直接標示出處。你可以提出複雜的問題，不只是使用關鍵字，還可把搜尋範圍縮小到特定來源，例如：新聞文章、產業報告或YouTube影片。生成式AI不但可以瀏覽多個網站的資料，甚至能快速生成摘要，大大加快你的搜尋速度。
試試看：請生成式AI就過去一年供應鏈管理技術[請自行指定技術]的最新發展做摘要，並把焦點放在優勢、挑戰和實際應用。請引用來自可靠來源[請自行指定來源]的重要研究和文章。
提醒：務必查證引用來源的可靠性
生成式AI系統有一個明顯缺點，尤其在早期階段很明顯，也就是常會捏造引用、來源，甚至整個研究和論文都是子虛烏有。為了因應這個問題，一些專門的生成式AI系統納入「謙虛」的護欄，這些機制讓AI識別並承認其局限性，明確表示找不到相關資訊或無法提供確切答案。這種方法有助於減少錯誤資訊，確保接收資訊的可靠程度和來源。然而，最終的檢查和驗證仍然是人類的責任。
另一個有用的策略是，在你的提示詞中加入「請不要捏造來源」等指示；雖然這個指示仍然無法完全消除風險。
2. 公司知識
如果生成式AI連接到公司的內部知識庫，就能快速搜尋公司內部資料庫、文件和報告。除了提供來源或連結列表，還能歸納重點，並從現有資源找出其中的關聯和發現。管理者可輸入：「就這個問題[請自行指定問題]，過去嘗試過哪些解決方案？」生成式AI會根據已有的文件找出相關資訊，並將發現精簡為條列式的重點或短文。
試試看：就技術面[請自行指定技術]的應用，要求生成式AI列出過去三年的相關項目，歸納做法上的共同點和差異。
試試看：有關[請自行指定主題]，要求生成式AI找出過去一個月內與[請自行指定對象]分享的所有檔案。
試試看：要求生成式AI找出你的同事[請自行指定指定]評論過的所有檔案。
3. 專家知識
你可以要求生成式AI把聊天紀錄和虛擬團隊討論中共享的大量訊息，轉化為有系統且易於使用的資源。如果你必須監督、參與某些專家社群或群組，共享大量有價值的知識，這一點會對你特別有幫助。你可以要求生成式AI依照副標將資訊歸類，並做總結。生成式AI可以辨識趨勢和廣泛討論問題，提供你可能想要聯絡或追蹤的活躍貢獻者名單。
生成式AI如何幫助社群管理者？
每個組織都有專家社群或群組，由一群樂於分享知識、對某個主題懷抱熱情的人組成。如果你是社群管理者，內建於軟體產品中的生成式AI模型（如Microsoft 365 Copilot for Office和Google Gemini for Workspace）可以在很多層面上幫忙：
擷取對話。要求生成式AI監控社群聊天內容，擷取其中最好的見解和學習內容。你可以在每週摘要或通訊中分享這些內容。
偵測主題。要求生成式AI識別重複出現的主題、趨勢和問題，包括拆解對話，藉此了解上下文並對訊息進行分類。
整理知識。指導生成式AI把識別出來的主題整理成有條理的表格。無論是撰寫知識庫文章、摘要報告或資料庫條目，AI都可以加入重要見解和專家意見，快速供使用者參考。
提高查找方便性。要求生成式AI將整理好的知識整合到公司內部知識庫中，使員工得以透過關鍵詞或主題輕鬆搜尋。
專家地圖。建立主題與相關專家之間的連結。要求生成式AI識別且標記在某個主題提供有價值見解的成員，以建立內部專業知識地圖。如此一來，特定主題或查詢結果可直接連結該社群中的專家。
節錄自：天下文化《職場人的生成式AI工作法：《哈佛商業評論》提升生產力、團隊創意和決策品質的35堂課》／艾麗莎．法瑞、賈布里．羅薩尼 著
推薦閱讀：
打造ChatGPT行政小助理：專屬AI助理幫你處理瑣碎行政工作
用AI快速寫Email！ChatGPT Writer、Copilot等中英文電子郵件生成
NotebookLM更新影片摘要、中文Podcast怎麼做？3步驟生成AI語音摘要
除了ChatGPT還有哪些生成式AI？16種AI工具應用解析
【Graphy AI教學】AI自動生成圖表、數據分析4技巧
萬事問AI時代，如何才能不被淘汰？專家：關鍵在於「追問思維」
善用ChatGPT等AI工具或搜尋引擎，即使毫無專業背景的人，也能快速取得表面知識與方法。當知識與資訊已不再具備差異性，要如何才能脫穎而出？作者認為，萬事問AI的時代，致勝關鍵不是依賴答案，而是懂得思考「為什麼」！本文節錄自《懂得駕馭AI的追問思維》。
文／細谷功（日本商業顧問、思考訓練權威）
本文目錄（點擊可快速前往）
環境劇變，思考方式也得轉變什麼樣的職場，特別需要追問思維？運用【追問思維】練習題
環境劇變，思考方式也得轉變
不過，「為什麼」這個提問，其實自古以來就是理解問題本質的關鍵。比方說，在製造業的現場改善中，就常聽到「要連續問五個為什麼」這樣的建議。
那麼，除了這類長久以來就被重視的理由，為什麼現在尤其需要培養追問思維？可以從兩個關鍵環境變化來理解。
第一個變化，是全球的處境。
二戰後，日本創造了近乎奇蹟的經濟成長，其成功模式可以說是「向歐美取經、迅速學習」，再結合日本人特有的細膩改良，建立競爭優勢。像汽車、家電等指標產品，其原理與概念多來自歐美，再根據使用者需求進行微調，並透過製造流程的最佳化來降低成本，打造出所謂的「營運卓越」，進而在國際市場脫穎而出。
然而，如今這套模式的優勢正受到中國、台灣等新興國家的挑戰。再加上日本勞動成本居高不下，想延續過去的成功經驗，顯然已面臨瓶頸。
同時，網路的普及也徹底改變了商業樣貌。從「在地轉向全球」、「有形轉為無形」到「產品競爭轉為平台壟斷」，成功條件全面轉移，且這些領域恰好是日本企業一向不擅長的。換言之，如果思考方式不轉變，日本的全球影響力將備受威脅。
在這樣的局勢下，我們不能只從現有資源或眼前選項出發，更需要從根本原因切入、為未來預作思考，進行更深層的本質推演。這正是追問思維不可或缺的理由。
第二個變化，則是資訊環境的劇烈轉變。
現在，即使毫無專業背景的人，也能透過搜尋引擎快速取得表面知識與方法。但這些知識與資訊，因為人人都能取得，已不再具備差異性。
此外，網路資訊未經篩選，良莠不齊。這意味著，我們不能只是「照抄照貼」，而是必須讀懂脈絡與背景，看出資訊的「言外之意」。
如果只是複製貼上、原封不動地套用，不僅無法創造價值，甚至可能因誤解而誤判情勢。資訊與知識固然重要，但更關鍵的，是能依目的變化、靈活運用的思考力。
這些就是為什麼現在特別需要追問思維的主要原因。
在本章結尾，我們將整理出：哪些情境適合採取行動導向（What型），哪些狀況更適合進行本質提問（Why型）。相信你會發現，隨著環境劇變，具備追問思維的人正變得越來越稀少。
什麼樣的職場，特別需要追問思維？
接下來，讓我們從更細緻的層面來看看：在什麼樣的職場環境中，特別需要追問思維。當然，也有一些職場，即使只用照做思維也能勝任，甚至更受青睞。因此，本節將透過兩者對比，釐清在哪些情境下，追問思維更加重要，也更容易被培養。先從工作內容來說。對於每天執行固定任務、要求穩定產出的例行工作來說，也許只需按照指示行動的照做思維即可。但若工作內容較為彈性、狀況多變，就更需要經常回到「為什麼要做這件事」、「目的究竟是什麼」，再主動判斷方向。所謂的「例行工作」，其實往往也潛藏著尚未被發掘的機會與價值。
再看組織類型。傳統企業或大型公司通常有長久的歷史積累，思考模式也多半沿襲過往慣例，因此在這些環境中，照做思維往往較受認可。在這樣的職場，經常追問「為什麼要這麼做？」的人，可能反而被視為麻煩製造者。公司內部的「主流部門」更容易呈現這樣的氣氛。相對地，在經營不久的新創公司，或是大型企業內的新事業部門、非主流團隊，因為面對的多是非例行工作，追問思維反而更為重要。
另一種情況，是職場本身以「嚴格執行上級指示」為核心。例如需要嚴守法令規章的工作，或是講求階級秩序、服從文化濃厚的組織（例如：軍隊式管理風格），在這些地方，「照做就好」的人往往更容易獲得肯定，也容易形成以照做思維為主的職場文化。相對地，若是一個將規則視為工具、鼓勵靈活應變、看重成果的職場，或是一個透過自由討論而非上下關係來做決策的組織文化，就更容易吸引與培養具備追問思維的人才。
總之，在照做思維較強的職場中，若不保持覺察，就很容易不自覺地成為「只會照做的人」。也許有人會認為「這樣也沒什麼不好」，但如前所述，現今越來越多工作環境都正在轉向追問思維的需求。因此，過去以聽令為主的職場，也更有必要主動培養這樣的能力。
最後，不妨來試著進行一個小練習：針對本章所提到的各種問題，若能運用追問思維，我們可以如何應對與轉化？
接下來幾章會一一介紹具體方法，但在此，也請你先寫下自己的想法。你也可以選擇在讀完整本書之後，再回頭進行這個練習。
運用【追問思維】練習題
情境練習 ❶ 遇到客人殺價，該怎麼回應？
顧客說：「價格太貴了，可以便宜一點嗎？」若用追問思維，該怎麼看待這句話？
如果只是直接回應要求，大概會回：「我們來考慮看看降價，您希望降多少呢？」但如果運用追問思維，會怎麼思考？
情境練習 ❷ 如何避免「自說自話」的簡報？
若你準備做一場簡報，但一開始就打算大談公司規模有多大、產品性能有多好，身為追問思維的人，應該先做些什麼？
情境練習 ❸ 怎麼看待一成不變的預算與例行會議？
對於每年都照列的預算項目、每月定期召開的會議，追問思維會提出什麼樣的看法或建議？
情境練習 ❹ 擁有追問思維的「新猴子」會說什麼？
如果那隻「剛加入的猴子」具備追問思維，當三隻前輩猴子阻止牠靠近香蕉時，牠可能會怎麼問？怎麼說？
情境練習 ❺ 如何從顧客的角度，重新設計訴求？
像「CPU 效能提升○％」「相機畫素升級至○○」這類產品功能說明，若用追問思維站在顧客角度思考，訴求的重點應該怎麼轉換？不是規格多強，而是顧客實際能有什麼不同感受或改變？
情境練習 ❻ 遇到僵化流程，該怎麼問？
如果你被其他部門的人告知：「這份文件一定要印出來蓋章才可以。」身為追問思維者，你會怎麼看待這樣的規定？會怎麼提出問題？
節錄自：采實文化《懂得駕馭AI的追問思維：日本思考訓練權威教你37道練習，洞察問題背後的「為什麼」，讓你贏得好結果》／細谷功 著
推薦閱讀：
AI時代職場核心技能大洗牌！2030年哪些技能讓你立於不敗之地？
AI時代面試勝出的關鍵！常春藤溝通專家：90秒打動面試官的3技巧
AI時代人才怎麼學？擁有「4大軟實力」更重要
AI時代該學什麼？程世嘉：比技術更值錢的是「基本功＋軟實力」
AI能處理愈來愈多認知型工作，未來真正拉開差距的，不只是技術，而是基本功、批判思考、溝通協作與自學能力。程世嘉解析AI時代最值得培養的競爭力。本文節錄自《智慧通膨下的新商機》。
文／程世嘉Sega Cheng，蕭玉品採訪整理
本文目錄（點擊可快速前往）
比技術更值錢的能力：基本功＋軟實力，最有競爭力的組合別急著替孩子預測未來，先給他們選擇的機會AI愈強，越要練好這些「人類能力」
比技術更值錢的能力：基本功＋軟實力，最有競爭力的組合
在AI時代，資料輸入、基礎翻譯、會議紀錄整理等「認知型任務」的價值，正在快速降低。為什麼這麼說？當AI的智商已經達到130時，就能代勞那些依賴既定規則、記憶、模式識別和語言理解來處理資訊的工作。很多東西其實不用拍腦袋、自己在那邊想破頭，可以交由AI處理。
數據已經把這件事量化出來了。Anthropic在2026年1月發布的〈Amthropic經濟指數：理解人工智慧應用的新基石〉（Anthropic Economic Index: New building blocks for understanding AI use）裡，有一個值得企業牢牢記住的數字：AI已經能處理需要14.4年正規教育的工作任務，而美國勞動力的平均教育年限是13.2年。換言之，AI在「需要受教育才會做的工作」這個層次上，已經超過美國勞動力的平均水準。如果你把這個對比放回台灣，整個圖像會更刺眼，因為台灣勞動力的平均教育年限與美國接近，AI跨過去的那條線也一樣會跨過去。
從消費者價值的角度看，史丹佛數位經濟實驗室（Stanford Digital Economy Lab）在2026年4月公布的研究〈生成式AI的價值是什麼？〉（What is Generative AI Worth?），揭露了同一件事的另一面：美國成年使用者「願意放棄生成式AI一個月所需的補償金額」中位數，從2025年的3.4美元跳到2026年的11.4美元，一年內成長超過3倍。使用者正在用真實的支付意願告訴市場：AI處理的事情，他們真的離不開了。
別急著替孩子預測未來，先給他們選擇的機會
最近我在國內外的大小演講結束後，不分國籍的聽眾紛紛有這樣相同的疑惑：「AI已經發展成這樣，我們到底要教小孩什麼？」工作者則是問：「我該學些什麼？」我認為，首先「不要」去想像孩子未來會從事什麼職業，並用這個方式回推要教小孩什麼。因為我們不知道未來會有什麼職業被消滅或是被創造出來，而且你並不知道孩子的興趣是什麼。無論有沒有AI，「幫孩子規劃他們要走的路」這種想法早已不適用。前方的路看不清楚，世界早已是一個高度無法預測的環境。你只能幫下一代準備好「選擇的機會」。
答案其實很簡單，早期把孩子的基本功全部打好，包括語文、歷史、藝術、數學、科學、程式等，這些我們以前就在學的東西。你會問，這些東西不是AI都做得比我們好嗎？還有學的必要嗎？沒錯，但如果你是抱持全然的悲觀主義，並且以此為停止學習的藉口，那麼你可以直接放棄，當AI的人肉電池就好了（但人體的發電效率其實很差，要當電池也不夠格），這也不在我們討論的範圍。
下一代要面對的，是那些我們過去視為專業的科目，大部分都變成了現在必須了解的「通識課程」。因為人類的知識在每個領域都累積了許多年，所以世界經濟論壇早在10年前，就把識字、數字概念、科學常識、IT技能、財務觀念、邏輯思考、文化理解及公民素養等設定為「通識」（孩子確實愈來愈辛苦，因為我們以前列為「通識」的知識並沒有這麼多）。
在基本功之外，我們更需要關注「軟實力」。因應科技時代與全球化的挑戰，台灣教育部也列出21世紀學生需要的關鍵能力，包括創造力、溝通協調、團隊合作、批判性思考和解決複雜問題等能力。這些能力聽來可能有點像學術口號，但說白了，全是AI學不會的「做人做事」能力。
試想，如果一個孩子只會死背公式，遇到沒看過的問題就當機，那跟AI有什麼兩樣？如果他具備「批判性思考」能力，當AI給出錯誤、偏頗的答案時，就能敏銳察覺不對勁，甚至反過來引導AI找出正確解方。如果他有「溝通協調」、「團隊合作」等能力，還能把幾個各有專長的同學兜在一起，共同完成一個AI無法實作的科展專案。在知識取得門檻大幅降低的今天，能整合資源、解決未知問題的軟技能，才是讓孩子未來在社會上立足、不被輕易淘汰的護城河。再將這套基本功與軟實力的邏輯放回職場與工作者身上，情況也一樣。不論是行銷、業務、產品經理，都必須把基本功打好。
AI雖然能快速寫出一篇行銷文案、跑出精美的業績報表，但要是你不懂行銷心理學的底層邏輯，怎麼知道AI寫出來的東西能不能打動消費者？如果你沒有扎實的商業思維和財務觀念，如何判斷那份報表有沒有邏輯漏洞？基本功，是用來「駕馭」AI的韁繩。
AI愈強，越要練好這些「人類能力」
人性與軟實力才是核心優勢：當AI包辦中階認知任務，職場最具價值的能力就回歸制定策略與人際互動，因為領導力、創意、批判性思考、跨領域溝通這些「做人做事」的能力，是AI學不會的技能。
基本功是駕馭AI的韁繩：不懂行銷心理學，就無法判斷AI寫的文案能否打動人；沒有財務底蘊，就看不出AI跑出的報表有無邏輯漏洞。基本功不是用來跟AI競爭，而是用來駕馭AI的韁繩。
工程師從「碼農」升級為「建築師」：氛圍編碼讓人人都能當初階工程師，但AI無法判斷流量放大百倍會不會崩潰。沒有扎實基本功，連當AI審查員的資格都沒有。高階主管最需要使用AI：AI時代最迫切需要善用AI的是公司高層，因為高階主管掌握的「情境資訊」最豐富，能讓AI發揮最大的槓桿效益。
擁有面對多變環境的瑞士刀：面對不可預測的未來，除了必須擁有「多功能基礎能力工具包」，還要搭配自信、自我管理、自學3項核心能力，才能在變動世界中游刃有餘。
節錄自：天下文化出版《智慧通膨下的新商機：AI時代的稀缺能力與新護城河》／程世嘉Sega Cheng、蕭玉品採訪整理 著
推薦閱讀：
AI拆解傳統職位、重組專業分工：下一批高薪人才長什麼樣？
AI進入3.0時代：智慧通膨、零點擊、人機協作如何改寫白領工作？
零點擊時代來了：AISEO、GEO差在哪？如何才能「被AI引用」？
[joblist_plugin title='更多104【AI】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=ai' amount='3']
[course_plugin api_type='course_id' title='測你的AI素養' id='e9e13d08-2c6f-49b2-bae8-1e9418588041']
AI最新熱門工作揭曉！工程師不只要會寫程式 這技能創造更多收入
2025-11-02 經濟日報編譯易起宇 由聯合新聞網授權轉載
OpenAI、Anthropic和Cohere等人工智慧（AI）新創公司，正加緊招募一種為數稀少的軟體開發人才：前線部署工程師（Forward-Deployed Engineer，FDE）。這些軟體工程師必須既要會寫程式，又要在派駐到企業客戶組織內時，能和顧客交流，協助客戶客製化模型，加速採用AI技術，以創造更多收入。
英國金融時報（FT）報導，OpenAI今年初成立一支FDE團隊，預計今年底前將擴充至約50名工程師。Anthropic也表示，今年將把包含FDE和產品工程師的應用AI團隊規模，擴大為五倍，以滿足客戶需求。
求職平台Indeed數據顯示，這種需要與客戶面對面交流的AI職缺，今年來已一飛沖天，1-9月每月刊登的FDE職缺數量已暴增逾800%。
這種人才趨勢的出現，是因為雖然從製造業到醫療保健等各行各業，都正日益熱衷於引進AI工具，但常不確定該如何應用AI技術，以及要怎麼利用這筆投資獲利。
Anthropic應用AI團隊主管瓊恩表示：「一家財星500強（Fortune 500）的銀行業者，和一家打造原生AI產品的新創公司，需求完全不同。」
數據情報大廠Palantir英國AI主管普雷特尚，形容這種方式為「從內部發現產品」，「你會希望自己打造的事物，在以簡報介紹給客戶時，促使他們說，『這東西將顛覆遊戲規則』」，前線部署工程師知道「珍貴的軟體並非程式碼或語言有多精美…而是要對終端客戶有意義」。
Palantir約20年前便從軍隊派駐海外的概念取經，招募這種人才，如今FDE已約占半數員工，並已派遣到阿富汗和伊拉克的軍事基地、美國中西部的工廠、以及煉油廠。
AI新創公司也希望效仿Palantir。Cohere共同創辦人暨執行長戈梅茲表示，一開始和客戶簽約時就部署工程師，有助建立長久而持續的關係。
雖然FDE目前在AI企業員工中的占比仍相對小，但OpenAI表示，此職位的需求已超越其預期。OpenAI歐洲和中東FDE團隊主管佛尼爾說：「這讓我們學會了不同行業客戶的真正需求，並幫助我們基於真實世界的運作，提升研究和產品陣容。」
延伸閱讀：
AI取代誰？報告揭「科技業職位最危險Top 4」 這領域反而人才荒
Gartner公布2026年十大戰略技術趨勢 AI帶動創新新成果將大量湧現
AWS免費課程幫你打造AI「學力」證明，攻搶12萬AI職缺！
用「優勢公式」找對夥伴！Google與DeepMind工程師如何用AI改寫能源產業
Google與DeepMind工程師如何用AI讓數據中心省電40%，並創辦AI節能新創？看懂能力、動機與洞見組成的「優勢公式」。本文節錄自《商品決勝點》。
文／傑克納普、約翰澤拉斯基
你的優勢是什麼？優勢會以能力（capability）、動機（motivation）與洞見（insight）三種形式出現。為了解釋這三種優勢如何發揮作用，我要帶你回2014年認識三個人。他們日後成為公司創辦人。看看你能否從接下來的段落，找出三人替專案帶來的優勢─並猜一猜他們最終建立哪一種公司。
首先是機械工程師凱蒂．霍夫曼（Katie Hoffman）。
2014年的一個平常日，凱蒂在各種工業設備之間走來走去，手上沾滿灰塵和油汙。她的視線順著亂七八糟的線路走，一下子接這台機器，一下子接那台機器。凱蒂帶領的團隊負責翻新工廠，裝上新型控制系統以發揮最佳效能。這份工作很重要的一環，就是找出舊系統是如何運作，而實際情形永遠和設計文件說的不一樣。
凱蒂盯著的那條線，連到又一個工廠文件上沒提到的感應器。她用手機拍下照片，備註幾句話，然後嘆氣。成功破解舊系統並改善效率，的確會帶來滿足感─但凱蒂心知肚明，再過幾年，又會有另一批人跑來這，拆掉她所有的心血，再度翻新工廠。在那之前，系統將停留在這次的更新，永遠不會改善，直到再度大改造。凱蒂感覺這樣很浪費，想必還有更好的辦法，但是該怎麼做？
接下來是吉姆．高（Jim Gao）─也是機械工程師。
2014年一個普通的一天，吉姆坐在控制室裡，地點是Google位於愛荷華州的龐大數據中心。這座數據中心當初在設計時，吉姆就參與了，但他今天和凱蒂一樣，想著有什麼辦法能改善效能。
廠內漆成亮色的藍綠紅黃管線，通往四面八方，讓這座數據中心看起來有如《超級瑪利歐》（Super Mario）遊戲被搬到現實世界，只不過沒有蘑菇和飛行龜，只有一排排的伺服器機櫃。
一年12個月，一週7天，白天黑夜不停歇，隨時有冷水流過那些五彩繽紛的管線，負責吸收與帶走伺服器產生的熱氣。冷卻管的確有用，但吉姆檢視控制室的讀數，忍不住感到失望。這個系統太耗電。每次機櫃開始升溫，管理數據中心的團隊就必須加快冷卻系統的輸出。加速時耗用的能源愈來愈多，但也不能不加速─伺服器過熱就會當機，網路將斷線。或許這樣的效率不彰是無法避免的，或許工程技術頂多就只能做到這樣，但吉姆總覺得哪裡怪怪的。他到底漏掉什麼？
最後一位是電腦科學家維達．潘奈薛凡（Veda Panneershelvam）。
在2014年平凡無奇的一天，維達坐在倫敦的桌旁寫程式。他和世界級的軟體工程師團隊合作，一起尋找人工智慧研究的聖盃：寫出能在圍棋賽中打敗人類的電腦程式。
如果你不熟悉圍棋，只需要知道很複雜就夠了。西洋棋有10123種可能的走法，但圍棋有10360種，令人難以置信。圍棋棋盤可能呈現的棋局狀態，還要多過宇宙裡的原子數！
如果要在圍棋取勝，維達和同事必須開發出新型的人工智慧做法，創造能看見未來的程式。2014年的時候，大部分的人認為這是癡人說夢，但維達只覺得興奮。如果AI連圍棋都能勝出，誰知道還能替人類解決其他哪些問題。
我們來回顧一下，先從顧客和問題講起：
凱蒂正在解決大型製造商的工業控制系統缺乏效率的問題。
吉姆正在解決Google有如吃電怪獸的數據中心。
維達正在解決……這個嘛，我不認為他實際上是在解決圍棋的問題。我認為他真正在處理的，其實是人腦處理複雜問題的能力有限。我認為他的「顧客」是全人類。我知道，這聽起來有一點過於宏大，但我認為確實如此。
好，那凱蒂、吉姆和維達的特殊優勢是什麼？剛才提過，優勢有三種。
首先是能力。能力是指你能做到很少人能比得上的事。如果你在大公司上班，你可能享有知名品牌的好處，或是專案有很多預算；如果你替迷你的新創公司工作，你的能力有可能是專注與快速行動。不過，最能派上用場的能力通常是傳統的專業技能（know-how）：
凱蒂是機械工程專家，主要做工業控制。
吉姆也是機械工程師，專長是數據中心。
維達是電腦科學專家，專門做人工智慧。
凱蒂、吉姆和維達在各自的領域都是世界級的人才─有如女籃的凱特琳．克拉克（Caitlin Clark）與男籃的「詹皇」詹姆斯（LeBron James）─但光是他們的能力，還不足以完整呈現他們的獨特優勢。
接下來，我們來看第二種優勢：動機。動機是你想解決這個問題的特殊原因；你願意傾盡心力的事，別人不一定願意。動機也很重要，因為動機能指明一條路，讓你躍躍欲試，知道該在何處以什麼方式發揮長處。
凱蒂、吉姆和維達三位未來的創辦人，全都想要解決重要的問題，帶來正面的改變。這種精神令人欽佩，但過於籠統。我是說，很多人當然都想「讓世界更美好」─但唯有動機十分明確的時候，才能協助你決定該做什麼，所以講得再明確一點：
傳統的工業控制系統升級方式讓凱蒂沮喪。
實體系統的限制讓吉姆沮喪。
維達想運用AI替人類解決大型的問題。
注意到了嗎？以上三人中的兩人，主要是沮喪帶來了動力。如果你的動機也一樣，嘿，沒關係的。世上最優秀的產品，有的就是源自為現況感到憤慨、困惑、惱火、痛苦或抓狂。你不一定要從偉大的願景起步，憤怒也能帶來力量。
好，能力和動機加在一起後，三位未來創辦人的優勢變得更獨特。但他們分別會開哪種公司？讓我們進一步了解他們的故事。
兩年後，在2016年3月9日，維達站在南韓首爾四季飯店的會議室，透過現場影片串流，目不轉睛地看兩個人比賽圍棋。
棋桌的一方坐著李世乭，他是拿過18次世界冠軍的專業棋士。另一方則是業餘人士兼維達的同事。
維達看著同事下一個白子，接著注意力一下子回到會議室。電腦螢幕顯示數十張圖。「勝率圖」頓時表示對白方有利。
電腦認為能打敗看似無敵的冠軍李世乭。
過去幾天，維達和團隊成員─15名剛從倫敦飛來的電腦科學家─把會議室改造成臨時的控制中心。AI程式AlphaGo就是他們設計的。他們在控制中心把AlphaGo認為棋子該怎麼下，轉告給維達的同事，那名同事負責把棋子擺到真實世界的棋盤上。
那場比賽的贏家可以獲得100萬美金的獎金。有沒有人跟我一樣，覺得這個場景像是15名科學家合演高科技搶劫片《瞞天過海》？只不過李世乭其實是在和AI比賽，不是什麼祕密。裁判知道，李世乭知道，每個人都知道。全球各地轉播這場比賽，數百萬人觀戰，不過大部分的圍棋專家都認為圍棋太複雜，電腦不可能獲勝。
然而，在那個首爾的三月天，AlphaGo贏了。
數千英里外，吉姆仍在設法改良Google數據中心的冷卻系統。AlphaGo的故事如火如荼展開時，他偶然聽到這件事，備感著迷，開始追蹤首爾的最新情形，一點細節都不放過。
吉姆挖掘細節時得知，AlphaGo的AI使用「深度強化學習」（deep reinforcement learning）這個突破性的方法。吉姆冒出一個瘋狂的點子。深度強化學習會不會有助於冷卻數據中心？畢竟隨時找出最佳的控制配置，有一點像是在圍棋賽中找出最好的一步。
維達的團隊替DeepMind工作，而DeepMind是Google旗下的公司。這不正好。雖然吉姆沒見過他們，但嚴格來講大家都是同事。維達於是寄電子郵件給DeepMind團隊，解釋他的瘋狂點子。
維達認為這個數據中心的挑戰很吸引人，同意試試看。接下來密集的幾星期，維達、吉姆和DeepMind的工程師團隊，寫出新的深度強化學習程式，把Google數據中心的冷卻系統，交給這個新AI負責。
電力使用起初暴增，因為AI做起實驗，隨機調整控制設定，就像小朋友亂按汽車音響上的鈕。不過，AI也和幼兒一樣會學習，強化有效的策略，用電因此出現改善，再改善，持續改善，最後和AlphaGo一樣超越人類，Google數據中心的用電因此銳減四成。
我等一下會繼續說這則故事，但先來看維達和吉姆合作後發生的事。他們整合雙方的能力─吉姆的數據中心專業能力，加上維達的人工智慧魔法─打造出單打獨鬥生不出來的東西，發揮特殊的優勢。不過別急，好戲還在後頭。
2019年，吉姆和維達結識凱蒂─那位擅長翻新工業控制系統的機械工程師。三人開始討論如何能在Google以外的世界，減少能源浪費。廠房在加熱、冷卻與操作各種設備時，耗用大量的電力。AI也能在這方面幫上忙嗎？
吉姆和維達相信他們能大幅改善工廠的能源使用─但需要借重凱蒂的實務知識，才有辦法設計、販售與裝設解決方案。凱蒂曾在詮宏空調（Trane）、英格索蘭工程技術公司（Ingersoll-Rand）、雷神國防承包商（Raytheon）等企業，帶領過工程與創新團隊。她清楚製造商如何作決定，也了解工業控制系統的缺點。吉姆和維達熟悉的是Google經過精心設計的數據中心，而工業廠房的世界遠比那混亂─凱蒂則熟悉這個領域。三人決定放手一搏，辭去工作，在2019年底成立新創公司淮德拉（Phaidra）。
淮德拉是我們Character資本最早投資的一批公司，他們的故事深深啟發了地基衝刺。他們從大膽的專案起步：企圖運用AI讓各種工業廠房更有效率。他們測試點子，學習如何建立顧客的信任感，談成第一筆生意。淮德拉先在大型藥廠展開試行計畫，隔年拿到第一筆大訂單，在5座工業廠房部署AI，最終還把服務拓展至數據中心。維達、吉姆與凱蒂在2014年渴望見到的超越人類、具備適應性、能預測未來的系統，如今成真。
三人能成功的原因是第三種優勢也登場：洞見。
洞見是指對問題與顧客有深入的了解。洞見讓你擁有別人沒有的觀點。吉姆有數據中心的洞見，維達有深度強化學習的洞見，但淮德拉的策略能成真，仰仗的是凱蒂具備工業廠房─以及擁有那些工廠的企業─如何運作的洞見。
淮德拉三位創始人的能力與洞見加在一起，得出獨特的東西。你可以想成一條等式：
能力＋洞見＋動機＝特殊優勢
凱蒂、吉姆和維達見面時，心想：「天啊！想想我們聯手能做到的事！」淮德拉公司或許算極端的例子，但你也能和團隊利用特有的優勢，帶來屬於你們的「天啊！」時刻。
節錄自：時報出版《商品決勝點：全球最成功的產品設計師如何讓顧客買單》／傑克納普, 約翰澤拉斯基 著
當大家都在瘋AI，你要怎麼贏？報告顯示：聰明人都回頭學這老派技能！
當大家都爆學AI，頂尖人才早就走得更遠！Coursera 2026報告揭露：「批判性思考」老派課復甦、註冊量暴漲，顯示當AI進入職場，能看穿漏洞才是關鍵人才！文內加碼分享「對抗AI抓漏3問」，教大家如何從反問開始建立批判性思維。
文／《104職場力》
本文導覽
何謂批判性思考？能做什麼？為什麼聰明的工作者回頭學老派技能？AI的漏洞同時也是人類的轉機！想當頂尖人才？學習批判思考之餘還能怎麼做？「抓漏3問」提供給大家參考！
這兩年走到哪裡，大家嘴邊不吐出個「生成式AI、Prompt或AI Agent」，就好像跟時代脫節一樣，根據Coursera發布的《2026職業技能報告》，AI風潮持續在全球發酵，職場人輸人不輸陣，都在拼命上AI相關課程，企業員工的AI課程註冊量直接暴增234%，換算下來每分鐘就有14個人在學習GenAI，成長幅度驚人。
學AI這本身沒毛病，畢竟不學可能會被時代拋棄，但如果仔細看數據，可能會發現一個隱性趨勢，當大家一窩蜂爆學AI的時候，那些職場上的聰明工作者似乎悄悄點開了別的技能樹……
乍聽之下可能會有些意外，但數據揭露了一個非常有趣的現象，那些看似跟科技搭不上邊、甚至有點老派的「批判性思考（Critical Thinking）」相關課程，雖然不像AI課程那樣大爆發，卻同樣也在逆勢成長！
何謂批判性思考？能做什麼？
「批判性思考」不是以前大學通識課聽教授碎念的內容嗎？跟高科技的職業技能有什麼關聯？
其實應用到工作中，它會演變成一種高階除錯技能，我們以「當今天收到一份AI報告」來假設，批判性思考會有以下呈現：
這數據怎麼來？（質疑資訊源）：懂得拆解AI生成的報表，哪些是美化過的、哪些是瞎掰的。
這個結論有沒有漏洞？（找出邏輯死角）：能否一眼看出AI完美結論中的邏輯漏洞或風險。
這對實際業務有幫助嗎？（定義核心問題）：不被AI牽著鼻子走，能看出到底有無解決問題。
在萬物皆可被AI自動化的今天，高階工作者突然意識到該技能的重要性，這也直接反映在Coursera報告裡的統計數據，在過去一年中，批判性思考的課程註冊量出現了驚人的成長，以幾個不同專業領域為例：
數據分析（Data）：狂飆168%
軟體與產品開發：增長101%
IT技術領域：成長91%
其中，在那些主修生成式AI課程的學生中，報名「批判性思考」的人數直接暴漲了185%！
這群瘋狂研究AI技術、天天和機器人對話的工作者，竟然是最渴望學會「如何獨立思考」的人，他們到底看到了什麼我們沒注意到的職場危機？
[course_plugin api_type='course_id' title='推薦營隊' id='c65d7672-e7d5-4428-830a-0e88311678f1']
[course_plugin api_type='course_id' title='推薦營隊' id='d74ae414-8db3-46d4-8158-9d256c517939']
為什麼聰明的工作者回頭學老派技能？
這就得聊聊AI的天性了！
有用過的都知道，AI是頂級的「情緒價值大師」和「文字萬事通」，給它一個指令，它能在3秒內吐出一篇有結構、有敘述、有排版的報告，但這樣的完美只是假象，資深工作者多少一定都有被AI廢話或前後不通的邏輯氣過，畢竟它再聰明都還是有幻覺，或者為了奉承使用者夾帶一些數據偏見，如果不審核，還真的會被它一本正經的胡說八道糊弄過去。
在自己跟同事都大量使用AI協作的情況下，如果我們工作只剩下「把主管的指令丟給AI➔複製AI答案➔貼給主管」，那只是化身高科技的傳話筒，根本不是在工作。
AI的漏洞同時也是人類的轉機！
有些人學AI是為了跟它拼產出速度或正確性，但聰明的工作者其實是從AI的盲點中找機會！
當每個人都有能力用AI產出100頁報告時，「數量」和「精緻度」就徹底貶值了，當個跟AI共同工作的「合作者」並不稀罕，真正值錢的反倒是能一眼看出這100頁裡面哪裡在鬼扯的「法眼」！
意識到當個最終把關的「高階審查長」才是有價值的出路後，才有一票人就積極回頭加強「批判性思考」和「數據除錯（Data Cleansing）」的能力。
想當頂尖人才？學習批判思考之餘還能怎麼做？
當AI成為基本盤，這項技能就跟「會用Word」一樣，無法幫大家拉開薪水與職位的差距，真正的人才其實走得更前面，一秒看懂你與頂尖工作者之間的距離：
一般工作者：還在沾沾自喜自己能用AI寫出5種不同風格的企劃文案。
頂尖工作者：能用批判性思考，審視每一個企劃是否符合市場痛點、有沒有邏輯漏洞、數據來源有沒有被AI污染，以及知道如何調整方向，確保正確產出。
「抓漏3問」提供給大家參考！
如果不知道如何開始，小編歸納出以下3個對抗AI廢話的「質疑舉例」，大家不妨練習用以下這些邏輯去考考它：
1.留意統計盲點，質疑過度樂觀的假設
你可以問AI：「這份結論藏了哪些過度樂觀的假設？」
因為AI的訓練資料多來自公開的大數據，所以給出的統計結果可能會忽略極端風險或特定市場的特殊痛點，不管它給什麼資料，都要存疑並查證，才能避免被牽著鼻子走。
2.挑戰思考盲點，逼出隱藏的反面證據
你可以跟AI說：「請列出3個這項方案最可能失敗的反面證據與盲點。」
AI很會討好使用者，常會順著我們的話講，刻意逼它唱反調才有機會找出邏輯死角（當然多充實自己，能自行辨識資訊或邏輯是更好的）。
3.砍掉精緻廢話，過濾無用的形容詞
你可以命令AI：「請刪除這段報告裡所有贅詞或重複性描述，只留下真正有行動價值的關鍵句（Actionable Insights）。」
把無意義的論述刪掉，保留真正有用的核心骨架，可以同時節省組織上下所有人的時間（畢竟不是字數越多越有價值）。
學習分辨數據或找漏洞，其實比下指令更難、更需要時間！學習的第一步是抱持懷疑，第二步就是去建立屬於自己的核心資料庫，只要時時提醒自己不會被AI牽著走，你也有機會在這波AI浪潮中一舉躍升。
[course_plugin api_type='course_id' title='推薦課程' id='4d2aed8f-1ab3-4f46-bdfa-dbbd0905a596']
（參考資料來源：Coursera官網、The Skills Reshaping Work）
延伸閱讀：
AI來了！工程師也會被取代？ 力抗AI的5大關鍵：創意、跨域、情感、文化、批判
跟ChatGPT愈聊愈不會思考？MIT科學家罕見提前公開研究示警
有任何收穫或想分享的，都來和大家一起聊聊吧！