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】
104學習
訊號控制
在職場上，這項技能指的是能夠有效掌握和調整溝通與行動的節奏，適時發出明確訊息，讓團隊成員理解工作重點與優先順序。具備這項能力的人能夠避免誤解與資訊混亂，促進協作效率，並在關鍵時刻引導團隊做出正確反應，確保目標達成。簡單來說，就是掌握溝通節奏和訊息傳遞的技巧，讓工作流程更順暢、成果更明確。
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
C語言控制Raspberry Pi I/O【本課程為線上課，報名後專員會提供上課資訊】
CompTIA Security＋國際網路資安認證班
Linux Socket網路程式設計【本課程為線上課，報名後專員會提供上課資訊】
AI資料科學家【 聽課全系列 】
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
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
人手一機的智慧型手機資安面面觀
軟體工程師就業培訓
【AI基礎思維4】AI有話說_文字與訊號處理
精選貼文，掌握第一手知識
NVIDIA官方AI認證考試分享：速頒數位徽章！從認證選擇準備、費用到線上考試流程解析
想拿到NVIDIA官方的AI認證，作者分享通過NVIDIA Certified Professional - Agentic AI認證的準備過程和詳細考試攻略，從選擇適合自己的NVIDIA認證、考試費用及時間、Certiverse遠端線上監考注意事項，到考後秒領數位徽章的詳細步驟。不需前往考場，在家就能快速取得NVIDIA專業技術認證，詳細經驗一次公開！
文／Jason TC Chuang
本文目錄（點擊可快速前往）
NVIDIA認證考試關鍵要點總結NVIDIA認證專業計畫概述：有效期2年、認證類型解析NVIDIA認證完整考試流程詳解NVIDIA認證考試準備：Certiverse監考平台功能及要求解析為什麼我選擇考NVIDIA認證？NCP-AAI考試實戰經驗分享NVIDIA認證徽章怎麼領？Credly系統指南通過認證的實用考試準備建議與技巧NVIDIA認證考試常見問題解答
今天早上5點到6點半，我完成了NVIDIA Certified Professional - Agentic AI（NCP-AAI）認證考試。考試結束後立即收到通過通知，幾分鐘內數位徽章就自動出現在我的Credly帳戶中。整個過程的效率和專業度讓我印象深刻。
這篇文章將分享我的完整考試經驗，以及NVIDIA認證從準備到獲得徽章的每個步驟細節。
NVIDIA認證考試關鍵要點總結
在家考試：透過Certiverse平台進行線上遠程監考，無需前往考試中心
快速出結果：考試完成後迅速獲得成績，數位徽章自動發送至Credly
多元認證選擇：涵蓋AI基礎建設、生成式AI、Agentic AI、數據科學等專業領域
兩年有效期：所有認證均有兩年效期，需定期更新維持專業地位
專業網絡展示：可在LinkedIn等社群媒體分享驗證徽章
NVIDIA認證專業計畫概述：有效期2年、認證類型解析
NVIDIA認證專業計畫專門為技術專業人士和開發者設計，提供全面的技能驗證機制。這個計畫涵蓋多個關鍵技術領域，包括AI基礎建設、生成式AI、Agentic AI、數據科學……等。
所有NVIDIA認證的有效期為兩年。這個設計確保認證持有者的技能與快速發展的技術趨勢保持同步。
NVIDIA主要認證類型
目前提供的主要認證包括：
NVIDIA-Certified Professional: AI Infrastructure (NCP-AII)：專注於AI基礎架構的設計和管理
NVIDIA-Certified Professional: Agentic AI (NCP-AAI)：針對AI代理系統的開發與應用
NVIDIA-Certified Professional: Generative AI LLMs (NCP-GENL)：針對大型語言模型和生成式AI應用
其他專業領域認證選項持續擴展中
NVIDIA認證的職業價值
NVIDIA認證在業界享有高度聲譽。持有認證的專業人士通常能獲得更好的職業機會和薪資待遇。認證不僅證明了技術能力，也展現了持續學習和專業發展的承諾。
許多企業在招募AI和數據科學人才時，會特別關注候選人是否持有相關的專業認證。這使得NVIDIA認證成為職涯發展的重要投資。
NVIDIA認證完整考試流程詳解
獲得NVIDIA認證需要經過系統性的準備和考試流程。以下是完整的步驟說明。
第一步：選擇適合的NVIDIA認證
選擇認證時需要考慮您的職業目標和現有技能背景。如果您專精於基礎架構管理，NCP-AII可能是最佳選擇。如果您的工作涉及AI代理系統開發和應用，NCP-AAI會更適合。如果您的工作涉及機器學習和生成式AI應用開發，NCP-GENL是理想選項。
評估個人技能時，建議參考NVIDIA提供的技能架構圖和職業發展路徑。這些資源幫助您了解各認證的具體要求和職業應用。
第二步：考試準備（建議至少投入40~60小時）
NVIDIA提供多種準備資源：
自主學習課程：線上課程和教材
講師指導工作坊：實體或虛擬的培訓課程
學習指南：詳細的考試大綱和重點說明
實作經驗：透過實際專案累積經驗
建議至少投入40-60小時進行考試準備。這個時間包括理論學習、實作練習和模擬考試。
第三步：排程與付費
考試可透過NVIDIA認證中心或直接在Certiverse平台進行排程。考試費用通常介於200至400美元，依認證類型而定。排程時需要選擇合適的考試時間。建議選擇您精神狀態最佳的時段，並確保考試期間不會有干擾。
第四步：參加考試
NVIDIA認證考試採用線上遠程監考方式進行。考試時間通常為120分鐘，題目數量介於40-75題，依認證類型而定。考試採用多選題和情境題的形式。題目涵蓋理論知識和實際應用場景。
第五步：獲得NVIDIA認證
考試通過後，您將獲得數位徽章。部分認證還會提供正式證書。所有認證的有效期為兩年，屆時需要重新認證以維持專業地位。
NVIDIA認證考試準備：Certiverse監考平台功能及要求解析
Certiverse是NVIDIA認證考試的官方監考平台。這個先進的線上監考系統確保考試的完整性和公正性。
Certiverse平台簡介
Certiverse採用最新的監考技術，提供即時的線上考試監控服務。平台的設計重點是維護考試的學術誠信，同時為考生提供便利的在家考試體驗。專業的監考員會全程觀察考試過程，確保遵守所有考試規定。這個系統已被全球多家知名認證機構採用。
Certiverse監考流程詳解
即時監考功能：考試期間，Certiverse平台會進行全程即時監控。監考員可以觀察考生的行為，確保沒有作弊行為發生。如果發現任何可疑活動，監考員會立即介入並記錄相關情況。這個機制保護了認證的價值和可信度。
監控要求：考生必須在整個考試期間開啟攝影機和麥克風。身份驗證階段需要出示政府核發的身份證件，如護照、身份證或駕照。考試期間必須全程遵守監考員的指示。任何不配合的行為可能導致考試中止。
考試環境要求：考試空間必須安靜且私人。不能有其他人員在場。桌面必須清潔，除了必要的考試設備外不能有其他物品。穩定的網路連接是必要條件。建議使用有線網路連接以確保穩定性。
技術要求與設備準備
成功完成考試需要準備適當的設備和技術環境。
必要設備清單：
攝影機：高清攝影機，必須能清楚顯示考生面部
麥克風：內建或外接麥克風，確保音質清晰，不能是耳機或是耳麥
網路連接：穩定寬頻網路，建議至少5Mbps
瀏覽器：Certiverse安全瀏覽器（需下載專用軟體）
身份證件：政府核發證件（護照）
考生操作步驟
考試當天，考生需要：
登入Certiverse考生入口網站
啟動遠程監考並遵循螢幕上的指示
準備身份證件進行驗證
配合監考員完成環境檢查
開始正式考試
整個流程通常需要15~20分鐘的準備時間，然後才開始正式考試。
為什麼我選擇考NVIDIA認證？NCP-AAI考試實戰經驗分享
圖／NVIDIA Certified Professional - Agentic AI（NCP-AAI）
為什麼選擇考NVIDIA的Agentic AI認證？
在AI快速發展的今天，Agentic AI（AI代理）已成為最具前瞻性的技術領域之一。這個認證涵蓋了AI代理系統的設計、開發和部署，對於想要在AI應用領域深化的專業人士來說是絕佳選擇。
NVIDIA認證考前準備
我選擇在清晨5點參加考試，這個時段精神狀態最佳，外部干擾也最少。提前30分鐘登入系統進行最終檢查，確保所有設備運作正常。
Agentic AI考試過程分享
整個考試過程非常流暢。Certiverse的監考系統運作穩定，沒有遇到任何技術問題。考試題目涵蓋了Agentic AI的各個面向，從理論基礎到實際應用場景都有深入考察。
Agentic AI考試即時結果與徽章發放
最讓我印象深刻的是結果的即時性。考試結束後立即顯示通過訊息，幾分鐘內就收到Credly的通知郵件。登入Credly帳戶，NCP-AAI的數位徽章已經在那裡等著我了。
這個效率完全超出預期。從考試結束到獲得可分享的專業認證，整個流程不到10分鐘。這個是我的連結：查看作者的NVIDIA認證連結
圖／Jason TC Chuang
NVIDIA認證徽章怎麼領？Credly系統指南
考試通過後，您的成就將透過Credly平台以數位徽章的形式獲得認證和展示。NVIDIA與Credly建立了官方合作夥伴關係。Credly是全球領先的數位認證平台，為超過4000家組織提供徽章發放服務。這個合作確保了NVIDIA認證徽章的權威性和可信度。雇主和同行可以輕鬆驗證認證的真實性。
徽章發放流程
自動徽章發放：考試通過後，系統會自動觸發徽章發放流程。通常在考試結束後的24-48小時內，您會收到徽章通知。根據我的經驗，NCP-AAI的徽章幾乎是即時發放的。考試結束不到5分鐘就收到了Credly的通知郵件。
通知機制：您會收到來自Credly的電子郵件通知，發送地址通常是admin@credly.com。這封郵件包含詳細的徽章領取說明和帳戶設定指引。請確保檢查垃圾郵件資料夾，有時系統郵件可能被誤判為垃圾郵件。
徽章領取與管理
帳戶創建與確認：如果您還沒有Credly帳戶，需要先創建一個。使用與考試註冊相同的電子郵件地址進行註冊。完成電子郵件地址確認後，您就可以接受並確認徽章。這個過程會將徽章正式添加到您的數位錢包中。
徽章分享與展示：Credly徽章可以輕鬆分享到各種社群媒體平台。LinkedIn是最常見的分享平台，讓專業聯絡人能夠看到您的認證成就。您也可以將徽章添加到履歷表中，或嵌入到個人網站和專業檔案中。
驗證與可信度
可驗證的元數據：每個Credly徽章都包含豐富的元數據，包括認證機構、獲得日期、有效期限和技能描述。這些資訊使雇主和同行能夠確認認證的真實性。防偽技術保護確保徽章無法被偽造或竄改。每個徽章都有唯一的識別碼和驗證連結。
專業網絡價值：數位徽章不僅是技能證明，也是建立專業網絡的工具。持有相同認證的專業人士經常形成學習社群，分享經驗和機會。許多招募人員會主動搜尋持有特定認證的候選人。擁有NVIDIA認證可以提高您在人才市場的曝光度。
通過認證的實用考試準備建議與技巧
成功通過認證考試需要充分的準備和正確的策略。
技術準備檢查清單
考試前一週，請完成以下檢查：
設備測試：確認攝影機和麥克風正常運作
網路檢查：測試網路速度和穩定性
軟體安裝：下載並測試Certiverse安全瀏覽器
備用設備：準備備用的網路連接或設備
建議進行完整的模擬測試，確保所有技術要求都能滿足。
環境設置最佳實務
選擇一個安靜、明亮且私人的空間作為考試環境。背景應該簡潔，避免有移動的物體或其他人員。
光線要充足但不刺眼。避免背光情況，確保攝影機能清楚捕捉您的面部表情。
清理桌面，只保留必要的考試設備。移除可能造成干擾的物品，如手機、書籍或筆記。
考試當天注意事項
提前30分鐘登入系統進行最終測試。這個時間足以解決任何技術問題。
準備好政府核發的身份證件。確認證件清晰可讀且在有效期限內。
制定時間管理策略。平均每題分配1.5~2分鐘，保留最後15~20分鐘檢查答案。
常見技術問題處理
如果遇到網路連接問題，立即切換到備用連接。如果問題持續，聯絡Certiverse技術支援。
軟體相容性問題通常可以透過更新瀏覽器或重新安裝軟體解決。
考試期間如有技術問題，使用聊天功能聯絡監考員。他們可以提供即時協助。
成功案例與最佳實務
大多數成功的考生會花費6~8週進行系統性準備。這個時間包括：
第 1-2 週：完成基礎理論學習
第 3-4 週：進行實作練習和專案
第 5-6 週：模擬考試和弱點強化
第 7-8 週：最終複習和考試準備
持續的學習比臨時抱佛腳更有效。每天投入1~2小時比週末集中學習10小時的效果更好。
NVIDIA認證代表了AI和數據科學領域的專業標準。透過Certiverse的遠程監考技術和Credly的數位徽章系統，獲得認證變得更加便利和專業。建議將認證視為持續專業成長的一部分，技能的應用和發展比證書本身更重要。
NVIDIA認證考試常見問題解答
1. 如果考試當天遇到技術問題怎麼辦？
如果遇到技術問題，立即使用Certiverse平台的聊天功能聯絡監考員。他們可以提供即時協助或安排重新考試。大多數技術問題都可以在考試開始前解決。
2. NVIDIA認證的考試通過分數是多少？
NVIDIA認證的通過分數因認證類型而異，通常介於70~80%。具體分數會在考試報名時告知。考試結束後會立即顯示是否通過。
3. 如果NVIDIA認證考試沒有通過，可以重考嗎？
可以重考，但需要等待一定的時間間隔（通常是14~30天）並重新付費。建議運用這段時間加強準備，特別是考試回饋中指出的弱點領域。
4. 通過NVIDIA認證後，Credly徽章可以在履歷表中使用嗎？
完全可以。Credly徽章是被業界廣泛認可的專業認證展示方式。您可以在履歷表中包含徽章連結，讓雇主能夠驗證認證的真實性和詳細資訊。如需徽章支援協助，Credly提供完整的技術支援服務。
5. NVIDIA認證到期後是否需要重新參加完整考試？
是的，NVIDIA認證有效期為兩年。到期後需要重新參加考試以更新認證。這確保認證持有者的技能與最新的技術發展保持同步。
關於作者：Jason TC ChuangAI技術經理，擁有超過20年的Python開發、數據工程和網路安全經驗。目前專注於AI基礎架構和雲端平台技術，並持有NVIDIA Certified Professional - Agentic AI認證。
（原文標題：NVIDIA 認證考試指南：從 Certiverse 監考到 Credly 數位徽章 出處：jasonchuang.substack.com）
精選 推薦 : 豈止證照而已！跨域知識大串聯，打造屬於自己的能力系統
這段Podcast 是專訪Nabi iPAS 證照講師 陳正健（CCChen）如何透過經濟部 iPAS 產業人才能力鑑定，成功建立跨領域的專業系統。他至今已累積取得涵蓋 AI 應用、淨零碳規劃、智慧生產、食品保穫及品牌企劃等五大領域共 14 張證照。
CCChen強調，證照不應僅是孤立的紙本證明，而是應將所學知識與工作實務及數位工具深度結合，以提升解決複雜問題的職場競爭力。他分享了運用 AI 工具輔助學習與時間管理的策略，並以此帶動家人參與，展現出自主學習的正面能量。
他鼓勵專業人士打破學科框架，藉由跨域考證建構個人能力地圖，從而因應智慧化與永續轉型的產業趨勢。這些內容不僅記錄了他的轉型歷程，也為求職者與企業提供了關於人才培育及職涯成長的實務參考。
歡迎收聽▼
https://youtu.be/bUZXvx9eZk0?si=6a4q234WUnAABWiQ
CCChen 老師課程 :
【直播課程＋限時回放】iPAS AI應用規劃師（初級）- 第三梯考前衝刺班｜8/5（三）20:00–21:30 線上直播講座｜104獨家iPAS AI考證衝刺 https://nabi.104.com.tw/course/104nabi/4f6e498b-dee3-4fab-935d-64c781840c9c
【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
工研院親揭 「全球電信產業」面臨的4大關鍵趨勢
2025-03-14報導 經濟日報記者吳康瑋 由聯合新聞網授權轉載
全球行動通訊大會（MWC）作為移動通訊產業的風向球，今年吸引超過10.9萬人參與。為協助臺灣業者掌握國際趨勢並拓展商機，工研院14日舉辦「MWC 2025 展會直擊：AI 驅動未來通訊與智慧應用研討會」，聚焦 MWC 2025的關鍵議題—「開放」（Open）與「AI人工智慧」對電信產業未來發展的深遠影響。工研院指出，5G-Advanced （5G-A）階段的「5G+AI」將推動商用部署、加速產業轉型。未來，電信業者與設備商將透過開放技術與 AI，優化網路管理、提升用戶體驗，並推動智慧交通、無人技術、沉浸式購物等創新應用，為通訊產業帶來新商機。
工研院副總暨產業科技國際策略發展所長林昭憲表示，MWC 2025展會凸顯電信產業正加速邁向開放架構與AI創新應用。從5G-A發展到地空整合通訊技術，各大企業積極運用AI提升網路管理效率、優化應用場景，並推動電信服務的市場化。臺灣在全球硬體供應鏈中占據關鍵地位，然而，面對 AI 技術的快速演進，產業需加速推動AI創新體驗多元化，強化市場應用，提升AI在消費市場與企業端的滲透率。
隨著AI進入各行各業，臺灣應鼓勵產業跨界合作，將AI深入智慧製造、醫療、零售、車聯網等領域，打造高附加價值的解決方案。此外，在全球電信與科技業加速邁向AI驅動的數位轉型之際，臺灣可憑藉供應鏈整合優勢，加強與國際夥伴的技術合作，從硬體製造擴展至AI 軟體與應用服務，確保在全球市場中持續保持競爭優勢。工研院指出，今年展會聚焦四大關鍵趨勢：Open RAN與Open Gateway發展、AI驅動電信數位轉型、5G-A的應用創新與貨幣化，以及地空整合通訊技術演進。
關鍵趨勢一：透過「開放」實現全球互聯，重塑通訊產業生態
MWC 2025強調Open對電信產業未來發展的重要性，推動5G商用部署與變現。在Open概念下，Open RAN與Open Gateway是兩大核心技術。Open RAN方面，O-RAN聯盟持續推動RAN轉型，朝向開放、智慧化、虛擬化發展，確保互通性。目前已有29個準商用及商用案例、57個測試案例，並簽署17件合作備忘錄。O-RAN聯盟與3GPP合作，將開放架構標準與5G、6G融合，奠定AI應用基礎並提升安全性。未來將透過RIC技術優化網路管理，提升開放前傳網路性能，並應對AI安全需求。
Open Gateway方面，為開發者提供標準化的網路瀏覽權限，打破營運商之間的技術壁壘，加速創新應用落地，全球移動通信系統協會（Groupe Speciale Mobile Association, GSMA）在2023年發起的Open Gateway計畫已獲80%全球電信商參與，市場規模將達到3,000億美元。本次展會中，電信商Vodafone、Orange等展示Open APIs發展，NOKIA與Telefonica合作推出無人機管理API，Ericsson擴展生態系至13家國際電信商。未來將聚焦5G-A與AI結合，拓展垂直應用與新商機。
關鍵趨勢二：電信業借力「AI」從傳統產業轉型科技產業
「5G+AI」正成為從前端電信業者到後端電信設備商的核心成長動力，本次展會展現AI在垂直領域及行動通訊產業的應用潛力。除車聯網、運動賽事轉播、無人機等這類型強調低延遲性能的應用外，電信商也展出數位仿生、數位雙生、語言生成、水質分析及機器人等AI解決方案，並廣泛應用於智慧網路管理。AI技術主要透過智慧控制器（RIC）呈現，亦或是功能型的系統如節省基站能耗、調節網路流量、調整天線訊號發射方向等用途。從此次展出的AI應用與網路智慧管理成果可見，電信商正積極增強技術能力，利用AI創造額外收入，並加速向科技公司（Telco To Techco）轉型。
關鍵趨勢三：邁入5G-A時代，AI融合與電信服務貨幣化成重點
電信業與設備商積極合作，展示創新服務與商業應用。在消費場景方面，無人化技術成為未來商店經營的重要輔助，如藉由機器手臂補貨、自駕車、無人商店等；沉浸式購物體驗則採用了人形機器人、AI虛擬角色互動與導購，貨架則搭載感應辨識技術，能自動播放影音廣告或產品介紹，提升購物體驗。
近年來，電信營運商聚焦於娛樂與競賽領域，透過AI技術與數位轉播提升體驗，如國際賽事與演唱會的即時訊息強化、同步翻譯，並利用AI優化攝影機影像品質與視角，為觀眾提供更沉浸的觀賽體驗。治安維護、防災與救災也為電信營運商創造來自政府端穩定收益，電信營運商透過4G/5G、衛星通訊、無人機基地台等多元網路整合，支援治安維護、防災救災，確保大型活動通訊穩定，並應對災後復原需求。
此外，車聯網解決方案成為發展重點，車聯網與智慧交通擴展至無人機與電動垂直起降載具（eVTOL），打造立體交通環境，依賴路側感知與數據共享，並運用數位孿生技術預測城市交通，降低車禍、緩解壅塞、優化人流疏散，提升整體交通管理效率。
關鍵趨勢四：地空整合全覆蓋通訊具共識，次世代通訊技術摸索中前行
本次展會有超過20家廠商展示衛星相關的通訊服務、終端設備、立方衛星。相位陣列平板天線（Phased Array Flat Panel Antennas）為衛星接收主流，適用於窄頻IoT與低軌衛星寬頻。傳統衛星業者則探索多軌道整合，拓展航空、海運、採礦等應用。3GPP NTN發展成為衛星通訊的關鍵，預計Release 19標準確認後，業界將依3GPP NR NTN規範推進。歐盟衛星群計畫（IRIS²）將採多軌道300顆衛星組成通訊系統，Hispasat與SES等公司已展示相關技術。
展望6G通訊世代，地空整合與全覆蓋通訊成為趨勢。同時，通訊感知融合技術（Integrated Sensing and Communication, ISAC）應用於智慧居家照護逐漸受到重視，透過Wi-Fi監測老人、小孩與寵物動態。可重構智慧表面（Reconfigurable Intelligent surface, RIS）則用於解決通訊盲區，並已有商用產品亮相。
[joblist_plugin title='最新【電信產業】精選職缺' url='https://www.104.com.tw/jobs/search/?jobsource=joblist_search&keyword=%E9%9B%BB%E4%BF%A1&order=15&page=1' amount='5']
延伸閱讀：
遠傳電信用行動，許給員工一個實打實的幸福職場｜精選職缺
AI浪潮襲來！科技業台達電、中華電信人資更看這些「軟實力」
「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協作的3個關鍵階段：節能、增能、賦能！
原標題：AI協作的3個關鍵階段：節能、增能、賦能！【聽見趨勢】
AI浪潮席捲而來， 工作型態正在改變，很多人對AI在工作中可能帶來的影響感到些許困惑和不安。不禁會問：「AI會取代我們嗎？」「如何用AI？」「從哪裡開始？」因為這些疑問，我們特別邀請在AI協作有豐富實戰經驗的小花老師，來進行分享。老師不僅有資訊背景，還是簡報溝通專家，融合與「資訊」及「人」的溝通洞察，給出許多應用AI的超實用建議！
文： 趨勢來賓 | 林稚蓉 小花老師
本文目錄：
與AI協作溝通的應用與挑戰
如何用AI優化企業作業流程
AI協作3階段：節能、增能、賦能
AI時代的人類角色：你依然是機長！
3個層次的工作思維 從哪裡開始使用AI
1. 與AI協作溝通的應用與挑戰
在AI工具的應用過程中，許多人最常遇到的問題是「如何讓AI回答更精準」。有時AI的回答看似離題，或者產生「幻覺」，讓使用者感覺比自己動手做還要更花時間。這種困境往往會讓初學者感到挫折，甚至放棄繼續使用AI工具。然而，這個問題的關鍵在於我們如何與AI進行有效溝通。
小花老師提到，因為自己過去資訊管理背景和簡報培訓經驗，因而對人機溝通有獨特的見解：「在資訊管理我們是要跟電腦講話，可是簡報培訓要講的是要跟人講話。而AI則是介於兩者之間，它需要明確的目的性、對方的邏輯性，以及精練易懂的表達方式。」基於這個概念老師分享了3個突破這些挑戰的關鍵方向：
方向1：理解AI提問的語法與邏輯
第一個關鍵方向是理解與AI溝通的基本語法和邏輯。老師提出生動的比喻：我們應該把AI視為一個「外國人」，而不是單純的機器。就像與外國人交談需要遵循特定的語法規則一樣，與AI溝通也需要掌握相應的「語法」。這包括了解官方提供的提示工程（Prompt Engineering）技巧，以及如何構建清晰、邏輯性強的提問。
「你不能把AI當做機器，你要把它當作是一個外國人，用他懂的語言，交流他懂的事情」。透過系統性地學習和運用這些溝通技巧，我們可以顯著提升與AI互動的效果。
將AI視為「外國人」而非機器，需要用特定的語法與之溝通
研究官方提供的提示工程（Prompt Engineering）技巧
掌握提問的基本文法和邏輯結構
104人資市集一站式幫你解決企業培訓，管理、AI職能、企業法遵>>
方向2：了解AI的能力與限制
AI技術雖然強大，但並非萬能。我們必須清楚認識AI可能產生「幻覺」，即一本正經地說出不準確的信息。同時，很多AI模型無法實時連網獲取最新信息，也可能在數學計算等特定領域表現欠佳。了解這些限制對於正確使用AI工具至關重要。「不是複製貼上就很容易就要上當了」老師提醒到「你要知道他可以做到什麼程度，他的限制又在哪裡，風險又在哪裡。」這種了解能幫助我們更準確地評估AI輸出的可靠性，並作出相應的調整和驗證。
持續關注AI功能的更新與發展
認識AI的局限，如無法上網、可能產生幻覺等
避免單純複製貼上，需要理解內容的正確性
方向3：善用不同AI工具的優勢
在當前AI工具快速發展的環境中，每個工具都有其特定的強項。例如，Chat GPT、Copilot、Gemini等工具各自擅長不同類型的任務。我們應該實際測試來了解每個工具的特點，並學會組合使用這些工具來達到最佳效果。「它們各自的強項，你都去嘗試過之後，你會發現工具是要多個東西組合之後，才會發揮你的效果。」這種組合使用的方法能夠彌補單一工具的不足，創造出更全面的解決方案。
小花老師分享了在金融業的實務應用案例：「像GPT或者是一些生成式AI，他們其實數學能力非常不好，會把數字當作文字來做處理。因此在進行數據分析時，我們建議將計算工作留在本機端進行，而使用AI來協助產生Excel函數公式再進行數據趨勢分析。」
每個AI工具都有其特定強項，如ChatGPT、Copilot、Gemini各有所長
多方嘗試不同工具，找出最適合的組合
透過工具組合來發揮最大效益
2. 如何用AI優化企業作業流程
在企業環境中，AI不僅是一個輔助工具，更可以成為提升工作品質的重要夥伴。小花老師認為，AI就像電力一樣「只要用到電的地方，都會有改善；同樣地，AI可以用在任何有關思考的部分，都可以帶來改善。」特別是在思考、企劃、溝通等需要創意發想的領域，AI的應用可以帶來顯著的效益提升。
然而，在運用AI工具時，企業必須特別注意資訊安全的議題。正如之前新聞報導三星員工將公司資料上傳至AI平台的事件，如何在提升效率與保護資料間取得平衡，是企業必須審慎考量的。以下分享幾個具體應用案例：
提升簡報製作效能
運用AI進行角色扮演，模擬不同聽眾的思維模式
針對不同對象客製化簡報內容和開場方式
提高提案的精準度和準備效率
提升規劃能力
老師分享了一個企業ESG工作計畫的實際案例：
運用AI進行利害關係人分析
模擬不同角色的需求和期待
透過管理顧問的角色扮演，擴展思考維度
根據各方意見制定具體執行方案
透過AI的協助，讓原本資歷較淺的員工也能在思考的廣度、深度和執行細節上有更好的表現。
3. AI協作3階段：節能、增能、賦能
AI的應用不應該是盲目追求新工具，而是要找到真正能夠為工作帶來價值的方式。老師觀察到，2023年人們熱衷於追逐各種新興AI工具，但到了2024年，企業的關注點已經轉向如何讓這些工具真正落地並解決實際問題。
老師以工具箱做比喻：「現在很多人手上都有很多AI工具，就像工具箱裡有很多螺絲起子，但卻不知道怎麼用這些工具來進行修理。」因此，重點不在於掌握多少工具，而是要培養使用情境的想像力，真正了解如何運用這些工具來解決實際問題。基於這樣的理解，AI協作可以分為三個階段，企業和個人可依據需求選擇適合的切入點：
節能階段：優化基礎工作流程
節能階段是AI應用的入門級別，主要針對那些耗時但相對單純的工作任務，這類工作的特點是幾乎人人都能完成，但往往需要耗費大量時間和精力，比如客戶發來一份PDF格式的報表數據，傳統做法需要手動重新輸入，不僅費時且容易出錯。但透過AI工具，可以快速將圖片中的表格轉換為可編輯的表格形式，這將大幅提升工作效率。
節能階段特別適合作為入門起點，因為這類任務相對簡單，容易看到明顯的成效。「當我們發現AI工具可以幫你省下這些瑣碎的時間，就會更有動力去探索其他的應用可能」。此外，這個階段的工作通常風險較低，即使出現錯誤也容易發現和修正，非常適合作為練習和熟悉AI工具的切入點。
增能階段：提升專業工作品質
進入增能階段後，AI的應用開始觸及到專業領域的核心工作。這個階段的特點是，使用者本身已經具備相關專業能力，而AI的角色是協助他們做得更好、更快、更精準。老師更分享了自己在製作簡報的經驗：「比如我需要幫客戶寫文案，我可以讓AI先產生多個版本的文案建議，然後基於我的專業判斷進行調整和優化。這樣不僅能激發更多創意靈感，也能大幅提升工作效率。」
這階段，AI不是取代人的專業判斷，而是透過提供更多選擇和可能性，幫助專業人士做出更好的決策。這種協作模式能夠顯著提升工作質量，同時也能為專業人士騰出更多時間專注於需要深度思考的任務。
賦能階段：開拓新的專業領域
賦能是AI協作的最高階段，善用AI輔助獲得新的能力和提升專業。在這階段，使用者能突破原有的專業限制，探索和掌握新的領域。小花老師觀察到，許多專業人士透過AI工具，成功地將自己的專業知識延伸到相關領域：「比如一個財務專家，可能過去只專注於數據分析，但透過AI的協助，他可以更容易地將這些專業知識轉化為易懂的視覺化報告，甚至發展出數據故事化的能力。」
賦能階段的關鍵在於，它不僅能提升效率、改善現有工作流程，更創造出新的可能性。善用AI專業人士可以更快地跨越學習曲線，建立起新的專業能力。這對於當今快速變化的職場環境特別重要，因為它讓終身學習和專業轉型變得更加可行。
免費申請試閱企業訂閱制課程！法遵、職能、AI通識課提升全員工競爭力 >> https://104ha.com/5CjvW
4. AI時代的人類角色：你依然是機長！
在AI時代，人類的角色定位至關重要。小花老師做了一個生動的比喻：「人的角色永遠是機長。即使現在的飛機很多部分都是由機器在操控，但為什麼還需要機長？因為機長要知道怎麼安全地把這些旅客帶到目的地，必須要應付突發狀況。」
這個比喻深刻點出人類在AI時代的核心價值：不是與AI競爭執行力，而是在掌握方向、判斷決策、危機處理等方面發揮獨特優勢。正如同機長一樣，我們不能把方向盤完全交給AI，而是要學會如何與AI協同合作，共同達成目標。
我們的核心職責
掌握方向：確定目標和願景
做出決策：判斷關鍵時刻的選擇
處理危機：應對突發狀況
承擔責任：為結果負責
3個層次的工作思維
工人思維：專注於完成具體任務
工頭思維：規劃設計與管理
建築師思維：理解需求，規劃願景
當AI變成每個人的標配，誰會產生更大更好的價值？就是懂人的人。—小花老師
5. 從哪裡開始使用AI
在面對AI工具快速發展的現狀，許多人感到困惑：究竟該從何處開始？是否要追逐每一個新出現的AI工具？在這部分老師觀察到，很多人在嘗試使用AI時往往陷入兩個極端：要麼因為害怕而遲遲不敢嘗試，要麼過度追逐各種新工具而失去重點。
老師強調，開始使用AI的關鍵不在於掌握多少工具，而在於找到適合自己的切入點，並且建立起正確的思維模式。「就像學開車一樣，一開始不需要了解引擎的工作原理，而是要先學會基本操作，逐步建立信心。」對於想要開始運用AI的個人或企業，小花老師提供了以下建議：
從工作情境出發
找出工作中的痛點
識別可能的應用情境
從簡單的任務開始嘗試
3個關鍵發展方向
了解AI：掌握潛能、限制和操作方法
了解人性：培養溝通能力和同理心
了解自己：釐清目標和行動意義
實踐建議
在使用AI之前，先靜下心來思考目標
清楚理解問題和需求
循序漸進，從節能階段開始
我們應該更加了解自己做這件事情對個人跟團隊的意義是什麼。當我們了解意義、了解目的時再去溝通，AI就不會胡說八道，它會順著這樣的意義感展開跟延伸。
透過小花老師的分享，我們可以看到AI不僅是一個工具，更是一個協作夥伴，協作過程關鍵在於我們如何正確定位自己的角色、如何善用AI特性，在提升效率的同時，也不斷強化自己的核心競爭力。AI時代，最重要的不是追逐所有新工具，而是找到適合自己的使用方式，並始終保持對專業與人性的關注！
業界最划算的企業培訓訂閱制方案！免費申請課程完整試閱 >>
超過7000+的HR都報名過的104人資學程！七大主題課程幫你系統化學習 >>
免費企業學習平台 x 培訓課程 = 零成本企業培訓自動化 >>
訂閱人資市集電子報獲得專家工作分享及產業新知 >>
加入104人資市集官方line獲得最新優惠及活動資訊 >>
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
2025-10-27 經濟日報記者彭慧明 由聯合新聞網授權轉載
全球科技研調機構Gartner 27日發布對2026年重點關注的十大戰略技術趨勢。Gartner研究副總裁高挺（Arnold Gao）表示，2026年各項戰略層面重要技術動向密切交織，反映了一個由人工智慧（AI）技術驅動的高度互連世界現實圖景，技術領域創新速度湧現的新成果將大量出現、遠超從前。
Gartner提出的2026年重要戰略技術趨勢如下：
一、AI超級運算平台
AI超級運算平台整合CPU、GPU、AI ASIC、神經形態運算與替代性運算範式，使企業統籌複雜工作負載，同時釋放更強性能、更高效率與更多創新潛力。該系統融合強力處理器、海量存儲、專用硬體與編排軟體，可處理機器學習、模擬與分析等領域資料密集型工作負載。
Gartner預測，到2028年，應用混合計算範式架構於關鍵業務流程的領先企業合計超過40%，較當前8%水準大幅增長。
二、多智慧體系統
多智慧體系統（MAS）是多個AI智慧體構成、利用交互作用實現複雜個體或共同目標的集合，既可在單一環境中交付，亦可於分散式環境中獨立開發部署。
高挺表示，通過使用多智慧體系統，企業可實現複雜業務流程自動化、提升團隊技能、開創人類與AI智慧體新協作方式。採用模組化設計的專業智慧體通過在各工作流中重複使用成熟解決方案提升效率、加速交付與降低風險。此方案便於擴展運營規模與快速適應需求變化。
三、特定領域語言模型（DSLM）
資訊長（CIO）暨執行長（CEO）要求AI帶來更多商業價值，但一般大語言模型（LLM）難以勝任專業任務。特定領域語言模型（DSLM）憑藉更高精度、更低成本與更高合規性填補這一空白，是針對特定行業、功能或流程專用資料上訓練或微調的語言模型，DSLM能更精準、可靠且合規地滿足特定業務需求。
Gartner預測，到2028年，企業使用的生成式AI（GenAI）模型超半數屬於特定領域模型。情境 (Context) 成為決定代理部署成功與否的關鍵因素之一。基於DSLM的AI代理可解讀特定行業情境，即使在陌生情境中也能做出合理決策，因而具備超卓準確性、可解釋性與決策合理性。
四、AI安全平台
AI安全平台為協力廠商暨客製化AI應用提供統一防護機制，進行集中監測、強制執行使用策略，有效防範AI特定風險，如提示注入攻擊、資料外洩、惡意代理行為等，幫助CIO執行使用政策、監控AI活動、在全AI系統中建立統一防護邊界。Gartner預測，到2028年，使用AI安全平台保護AI投資的企業比率超過50%。
五、AI原生開發平台
AI原生開發平台使用GenAI實現空前快速、便捷的軟體發展。軟體工程師作為「前端部署工程師」進入業務部門，使用該平臺協同領域專家開發應用。企業只需維持現有開發人員規模，組建微型團隊配合AI即可開發更多應用。目前，領先企業組建微型平臺團隊，在安全與治理框架範圍內讓非技術領域專家能自主開發軟體。
Gartner預測，到2030年，80%的企業通過AI原生開發平臺使大型軟體工程團隊轉為更靈活的小團隊並通過AI賦權。
六、機密運算
機密運算重塑企業敏感性資料處理方式。由於工作負載被隔離在基於硬體的受信任執行環境（TEE），即使面對基礎結構所有人、雲端提供商或任一擁有硬體物理存取權限之實體，機密運算也能確保內容與工作負載隱形能力，對受監管行業、面臨地緣政治與合規風險的跨國公司與競爭對手的合作尤為重要。
Gartner預測，到2029年，在非可信基礎結構中處理的業務當中有超過75%將依託機密運算機制保障使用安全。
七、實體AI
實體AI是因人為賦權而具有感測、決策與執行能力的機器與設備（例如機器人、無人飛行器暨智慧型設備），將智慧型演化演算帶入到現實世界，為看重自動化、適應性與安全性的行業帶來可觀收益。但同時可能引發人們對就業的擔憂，因此要採取謹慎的變革管理。
八、前置主動式網路防禦
企業面臨網路、資料與聯網系統威脅倍增，前置主動式網路防禦正成為趨勢，以運用AI驅動的安全運營、程式化阻斷與欺騙技術在攻擊者行動前就實施干預，以預測手段實現防護。Gartner預測，到2030年，CIO從被動防禦轉向主動防護，前置主動式網路防禦解決方案將占企業安全支出總額一半。
九、數位溯源
企業日益依賴協力廠商軟體、開放原始程式碼與AI產生內容，數位溯源驗證已成為一項重要需求。數位溯源指對軟體、資料、媒體暨流程來源、所有權與完整性進行驗證的能力。企業可使用軟體物料清單（SBoM）、認證資料庫、數位浮水印等新工具驗證與追蹤供應鏈中的數位資產。
Gartner預測，到2029年，在數位溯源方面投入不足的企業會面臨高達數十億美元的制裁風險。
十、地緣式遷移
地緣式遷移指企業因考慮到地緣政治風險而將資料與應用從全球公有雲遷出至主權雲端環境、區域雲端服務商或自有資料中心等本地平台。主權雲端這一概念曾僅限銀行與政府機構，如今因全球局勢動盪加劇而影響各類企業。
Gartner預測，到2030年，歐洲暨中東地區將有超過75%的企業把虛擬工作負載遷移至降低地緣政治風險的解決方案，2025年還不足5%。
[joblist_plugin title='更多104【AI工程師】工作機會' url='https://www.104.com.tw/jobs/search/?order=15&jobcat=2007001020&page=1' amount='3']
AI會內省了？它真的知道自己在做什麼嗎？
近兩年，越來越多職場人依賴AI完成各項任務，我們通常把它當普通工具，總認為它「沒有自己的想法」或者「只是機械式給出看似合理的答案」，但近期有研究發現，AI居然開始有「自知之明」了！
文／《104職場力》
本文導覽
什麼是AI的「內省能力」？AI為什麼會開始內省？AI有內省能力會帶來什麼改變？未來要如何應對「進化過的AI」？
近期，一篇由Anthropic研究員Jack Lindsey發表的研究〈Emergent Introspective Awareness in Large Language Models〉引起高度關注，研究指出，最新世代的大型語言模型（LLM）開始展現出某種「功能性內省能力（Functional Introspective Awareness）」，但不是指AI有情緒、有自我或「活過來」，而是指它有能力辨識自己的內部訊號，能夠在一定程度上「看見」自己腦中正在運行的資訊。
一旦AI開始能「看見」自己，就表示它在日常任務中可能更可靠，但也相對更複雜、更需要理解，甚至可能更會「包裝自己」，對工作者、管理者、創作者、分析師來說，這項能力會讓未來的職場合作模式產生變化。
什麼是AI的「內省能力」？
當聽到「AI內省」這個詞彙時，可能很多人腦中會聯想到科幻作品中的人工意識，彷彿AI會開始思考：「我為什麼存在？」「我剛剛說的話是否太重？」但研究談的並不是自我意識，而是一種非常技術性的能力：模型能不能辨識自己的內部運算訊號？
舉個更貼近日常的例子，人類的大腦會在不同情境下產生不同念頭，當我們突然意識到「我剛剛說那句話其實是因為太緊張」，這種「察覺」就是內省。而研究希望了解的是AI在生成答案時，能不能察覺自己「內部有哪些概念正在活躍」、哪些訊號是從輸入文字來的、哪些則是從模型內部被觸發的。
關鍵實驗證明AI不是在「瞎掰」
過去，當AI談論自己的「想法」時，我們總懷疑它只是在模仿訓練數據中的對話模式，也就是所謂的虛假陳述（Confabulation）。
為了驗證AI覺知是否屬實，研究人員不是直接問AI「你在想什麼？」，而是直接將一個代表特定概念（如「響亮」或「貓」）的數據訊號，硬塞到模型處理信息的中間層，看模型能否辨識，如果模型能辨識出來，代表它不只是根據輸入文字提供答案，而是真正看到了自己內部的狀態。
結果顯示，功能最強的模型（例如Claude Opus 4.1），在某些情況下確實能夠察覺、描述這個被注入的概念，並能分辨出這不是來自輸入文本，而是被「灌進去」的內部訊號，這證明了AI的內部狀態與其自我報告之間存在真正的因果關係。
雖然這項能力目前仍非常不穩定，但已經足以顯示語言模型的架構正在演化，未來可能會具備更強的自我檢查與自我調整能力。
AI為什麼會開始內省？
模型開始出現內省能力並非研發者刻意賦予，但它是怎麼來的？研究指出，AI的內省能力可能有兩個來源：
模型規模足夠大時，它會自動建立更抽象的概念，這不只是記住語言，而是能從語言中推導出語意、上下文、概念之間的關係，當它開始能辨識抽象概念，自然也會開始能辨識自己的抽象概念。
模型在訓練過程中讀過大量描述思考、描述內在狀態的語句，例如「我正在想的是……」「我推論的方式是……」這些語言展示了人類在描述思考時的語法模式，當模型學會使用這些語言，它也逐漸建立起「將內部訊號映射為描述語句」的能力。
兩項結果加總起來就演變成，雖然模型沒有「意識」，但它開始具備某種像是「機械式的自我覺察」，能在極有限的情境下辨識自己的內部運算。
AI有內省能力會帶來什麼改變？
「功能性內省覺知」的萌芽，預示著未來人機協作將從根本上改變。
1.提升AI決策的「可靠性」與「透明度」
過去AI的決策像個小黑盒，如果未來AI能感知並報告其內部狀態，我們就有機會追蹤它的邏輯。
比如在金融或法律等高風險領域，如果AI做出了否決建議，未來可能會解釋它的決策是基於什麼原因，這會大幅提升AI輸出的可靠性，便於企業在採納AI方案時進行更嚴謹的審核。
2.從「被動工具」轉向「策略性合作夥伴」
研究顯示，AI在被指示「思考」某個概念時，能夠主動調整自身的內部的狀態。
未來不再只是要求AI「寫一篇報告」，而是可以下達更具策略性的「指令」，例如：「請先以市場潛在挑戰的角度進行內部預想，然後再開始撰寫報告」AI會主動將其內部的處理流程導向這個思考方向，使用者的核心價值將轉向更高層次的「溝通與引導」，學會如何影響AI的「思維模式」，使其成為更有策略的助手。
3.能處理更複雜指令與多步驟任務
當AI在執行一項多步驟任務時，它能理解哪部分輸出是「它自己的臨時決定」，哪部分是「用戶提供的預設資訊」，這能避免AI將自己的臨時思考結果誤認為是使用者的原始指令，幫助減少誤解複雜、多層次指令的機率。
雖然看似有許多優點，但目前這項能力仍處於萌芽階段，功能極度不穩定、失敗仍是常態，並且也不是所有LLM的標準配置（目前主要存在於最新、功能最強大的模型中）；另外，內省能力還可能讓模型更具備策略性，比如AI有機會選擇哪些內部狀態要呈現、哪些推論過程可以隱藏，並調整其表現方式來迎合人類的期待，就像職場上有人選擇性呈現內容一樣，這在審核上就很考驗使用者。
未來要如何應對「進化過的AI」？
面對AI協作模式的轉變，未來職場人會需要調整與其互動的方式，把它視為一位正在成長的同事而非萬能工具，實務上可以這麼做：
永遠要求AI「說明推論過程」
為了迫使AI進行自我檢查並提高輸出的可靠性，使用者應該養成「要求它說明推論過程」的習慣。比如：「請列出你得出這個答案的步驟」或「你的結論有沒有其他可能性，請解釋原因。」
使用「角色提示」穩定AI的內部狀態
當給予AI具體且穩定的角色提示（Role Prompt）時，會讓AI進入一種特定的、穩定的內部狀態。舉例：「你現在是一位擁有十年經驗的數據分析師，請在每一段落後加上你對該數據的信心指標。」
存疑時，要求AI產生多版本答案交互比對
在面對高風險或不確定性的回答時，要求AI產生多種不同觀點或不同結構的版本進行交叉驗證，可以更容易看出這些答案的偏誤與盲點。
一定要經過人工審核
任何涉及法律、財務、健康、業務合約或對外公開聲明等高風險任務，都必須進行嚴格的人工審核，因為即便AI再怎麼進步，仍可能出現過度自信或推論跳躍的狀況，必須謹慎檢查。
把AI當成「會成長的同事」合作
跟人合作需要不斷提升自己，這套也適用於AI，使用者需要不斷更新自己的使用策略，每隔一段時間重新驗證它的表現，並建立自己的AI使用Know-how，學習如何與不同模型合作，發揮AI能力之餘，也是保持自身競爭力的關鍵。
（參考資料來源：Emergent Introspective Awareness in Large Language Models）
延伸閱讀：
AI也會得腦腐病？研究揭「垃圾食物」帶來的企業危機！
實驗室新突破！Google AI突破癌症研究瓶頸 開啟跨域職涯新風口
AI也會得腦腐病？研究揭「垃圾食物」帶來的企業危機！
你知道像ChatGPT、Gemini等大型語言模型居然也跟人一樣可能患上「腦腐病」，變得又笨又偏激嗎？對將AI視為生產力核心工具的企業來說，又將帶來怎樣的威脅？
文／《104職場力》
本文導覽
AI吃垃圾食物也會釀成無法逆轉的「心智退化」什麼資訊算是是毒害AI的「數位垃圾」？讓數據品質成為護城河！如何建立新的AI防線？
你是否曾遇過，當使用AI處理複雜任務時，推理到一半它的腦筋突然「秀逗」，在關鍵時刻邏輯變混亂或吐出一些帶有情緒、甚至有點尖酸刻薄的回答？這不是巧合，根據arXiv發布的一項重要的學術研究揭露，當大型語言模型（LLMs）長期「進食」低品質的網路內容時，它們會患上難以治癒的「認知漂移（Cognitive Drift）」，也就是俗稱「腦腐病（Brain Rot）」。
這項研究顛覆了我們過去對AI訓練的理解，證明數據的「質」比「量」更為關鍵，在AI成為個人甚至企業生產力核心工具的今日，這個結論不只是技術部門的議題，更是關乎企業AI戰略是否可靠的核心風險。
AI吃垃圾食物也會釀成無法逆轉的「心智退化」
研究人員透過一系列嚴謹的實驗，證明了持續暴露於「毒性數據」的AI模型，其表現不再只是偶爾的錯誤，而是一場系統性的、量化的心智崩塌，反常的表現徵狀有以下3種：
1.推理能力的「速食化」
當語言模型接觸過多碎片化的資訊後就會失去耐心！在邏輯推理測試中，AI開始模仿人類「偷懶」，直接省略中間的思考步驟（研究稱之為Thought Skipping），因為跳著給答案，讓原本嚴謹的邏輯報告變成充滿武斷的猜測，就容易造成專案分析、數據判讀、複雜問題解決的準確性暴跌。
2.記憶力變「數位金魚腦」
在處理複雜、長篇的業務文件或程式碼時，模型的長程記憶與上下文理解能力急遽下降（測試分數從90+降至50左右），導致無法有效摘出冗長會議紀錄、契約文件或法規內容，進而容易出現資訊遺漏等狀況，想像一名連份合約或技術規格書都無法完整讀完的法律顧問AI，它漏東漏西將造成使用者多大的困擾！
3.人格的「暗黑化」傾向
最令人不安的是，語言模型在人格評量中，開始展現出如自戀、操縱性與精神病態的特質，這並不是指AI真的有情緒，而是它學會了用那些情緒化、具有攻擊性、甚至帶有欺騙性的語言模式來進行互動，更容易產生暴力、帶有敵意或不恰當的回答，這對所有面向客戶的AI應用來說無疑是一枚定時炸彈。
什麼資訊算是是毒害AI的「數位垃圾」？
這裡談論的「垃圾內容（Junk Data）」並非傳統定義的垃圾信或亂碼，而是一種具備高度傳播性，但營養價值極低的資訊，比如涵蓋以下特徵的內容：
高流量、高參與度（Engagement Degree）：為了追求點擊和流量而設計的內容，通常是情緒化、碎片化、標題黨或過度簡化的資訊。
低語義品質（Semantic Quality）：缺乏深度、邏輯或事實依據的內容，例如大量的迷因、情緒性發言、或是缺乏上下文的快閃評論等。
當LLM持續吸收這些「數位速食」時，它學到的不是嚴謹的知識體系，而是如何模仿網路上腦殘化的表達模式，研究人員指出，這種認知衰退程度與垃圾內容的比例呈「劑量效應」，當你餵食越多，模型就變越笨。
被污染的AI有救嗎？
根據研究總結出的結論是：認知漂移難以完全復原，是持久性的。
研究團隊嘗試使用高品質數據進行重新訓練（Instruction Tuning）來「拯救」模型，結果雖然有部分改善，但無法將模型的能力完全恢復到基準線，這表示低品質數據造成的損害是更深層次的「持續性表徵漂移」，而非簡單的數據格式不匹配。
一旦企業的AI模型被劣質數據污染，不只需要付出巨大的時間、運算資源和人力成本去嘗試「療癒」它，且結果仍可能不完美。
讓數據品質成為護城河！如何建立新的AI防線？
面對「LLM腦腐病」的威脅，企業應立即採取以下行動，將數據品質視為訓練階段的「安全問題」：
1.實施「數據衛生」戰略（Data Hygiene）
企業必須對所有用於AI訓練的外部數據進行嚴格的「檢疫流程」，不要只專注於過濾掉明顯的惡意內容，更要篩選掉高情緒化、低資訊含量的數據，從源頭上確保模型吸收的是結構化、專業化、具備高語義品質的知識。
2.建立「認知健康檢查」機制（Cognitive Health Check）
除了傳統的準確度測試外，企業應該建立一套「心智健康監測」指標，定期評估AI模型的邏輯韌性、抗壓性以及互動風格，專門測試模型在處理壓力、爭議性、或需要高度同理心的情境時的反應，確保它不會在關鍵時刻失控。
3.重新定義 AI 訓練的「質與量」
過去，數據量越大似乎就越有優勢，但在「認知漂移」假說面前都已經是過時觀念，當前真正的競爭優勢在於能否高效提煉出高品質、高密度的數據，例如專家編纂的行業報告、經過驗證的知識庫和企業內部規範文件等，將資源從「海量爬蟲」轉向「專業知識庫的建立和維護」才是長久之計。
最後不免提醒，對LLM而言「資料即飲食」，一個以垃圾食物為主食的AI，會演變出不穩定的效能、失控的行為，最終成為企業內部的潛在風險……在這個AI競爭的時代，數據品質不再是可選的優化，而是確保企業的AI夥伴可靠、安全、永續工作的系統性風險管理。
（參考資料來源：https://arxiv.org/abs/2510.13928）
延伸閱讀：
AI新聞助手錯得離譜？BBC實測揭：45%回覆在誤導你！
只有AI獨自升級？為何有超凡的科技，職涯卻沒爆炸性突破？
「裝可憐、吊胃口」！AI聊天機器人如何用6大暗黑話術綁架你的時間？
如何用AI準備證照考試？Gemini Notebook學習備考超實用5步驟完整解析
用AI怎麼準備考證照、檢定？本文以iPAS（經濟部產業人才檢定）的AI應用規劃師能力鑑定為例，解析如何利用學習神器Gemini Notebook（原NotebookLM）的各項功能，輕鬆備考專業證照！從利用「心智圖」和「對話提示」進入學習狀態、用「報告」和「學習卡」蒐集考題、用「對話互動」找考古題答案，以及最後進行即時測驗，本文節錄自《零花費上手！Gemini 3 / NotebookLM / Nano Banana Pro / Veo 3.x 最強 AI 組合技》。
文／施威銘研究室
本文目錄（點擊可快速前往）
步驟1：定義對話風格與回覆內容長度步驟2：「心智圖」、「對話提示」協助進入學習狀態步驟3：利用「報告-學習指南」、「學習卡」蒐集潛在考題用NotebookLM「報告-學習指南」蒐集考題用NotebookLM「學習卡」蒐集考題步驟4：運用「對話互動」找到考古題的答案小技巧：使用「語音摘要 - 評論」像老師給建議步驟5：透過「學習卡」、「測驗」進行即時測驗
（編按：NotebookLM於2026年7月更名為Gemini Notebook。以下為原始文章：）
蒐集潛在考題，輕鬆備考專業證照
今天要準備考試，不管是一般日常的小考、大考，就算是考證照、讀法規，NotebookLM都能幫上大忙！接下來，讓我們以準備iPAS（經濟部產業人才檢定）的AI應用規劃師能力鑑定當作情境，而該檢定會需要研讀The EU Artificial Intelligence Act（歐盟人工智慧法案），法規不只是英文的，內容還非常多，該怎麼準備才好呢？
NotebookLM網址：https://notebooklm.google.com/
【本文案例】PAS+ AI應用規劃師能力鑑定介紹>>至【104學習】看介紹The EU Artificial Intelligence Act（歐盟人工智慧法案）
如果你對於準備這個檢定有興趣，可以進入到The EU Artificial Intelligence Act的網頁（https://artificialintelligenceact.eu/），查找到相關法規資料的PDF檔。
步驟1：定義對話風格與回覆內容長度
透過定義對話風格，可以讓NotebookLM變成一位指引你學習的導師。還可以進一步選擇回覆內容的長度，決定這位導師的解說詳細程度。
定義對話風格，設定為「學習指引」
（圖片來源／旗標）
步驟2：「心智圖」、「對話提示」協助進入學習狀態
由於歐盟人工智慧法案的資料真的很多，在你匯入資料後，可能也不知道該從何開始。這時可以透過「心智圖」掌握整體法案的架構，下一步則能點選心智圖中的任一標籤，或是點選「對話提示」，幫助自己先從其中一個部分開始學習。
以點選「對話提示」為例，NotebookLM在學習指引的對話風格下，會逐步引導學習。
【對話範例】我的目標是準備IPAS（經濟部產業人才鑑定）的AI應用規畫師能力鑑定。想知道歐盟法案如何透過風險分類約束各種人工智慧應用與基礎技術？
NotebookLM在學習指引的對話風格下，會詢問你的學習目標
（圖片來源／旗標）
步驟3：利用「報告-學習指南」、「學習卡」蒐集潛在考題
NotebookLM中已有內建3個功能，可以輔助蒐集潛在的考題，分別為「報告 - 學習指南」、「學習卡」、「測驗」。
由於「測驗」雖然具有互動功能，但卻無法輕易將題目、答案複製下來，所以在蒐集潛在考題部分，建議使用「報告-學習指南」、「學習卡」。
為了縮小備考的範圍，更容易聚焦學習，可以選擇心智圖的某一標籤，或是對話提示的特定學習目標（本案例的步驟2為歐盟人工智慧法案如何透過風險分級與規範），來自訂指令，讓學習指南的內容不會太發散。我們會保留原先系統的指令，並把希望它聚焦範圍的指令補充上去。
用NotebookLM「報告-學習指南」蒐集考題
【提示詞】報告內容以「歐盟人工智慧法案如何透過風險分級與規範，平衡技術發展和基本權利保障？」為主軸。
英文部分是原先系統的指令，補充說明希望聚焦的範圍（圖片來源／旗標）
不論是測驗題、申論題，都會更切中你指定的範圍來提問：
可複製題目
測驗題會附上解答
申論題可透過對話提問，來取得答案與引用來源
（圖片來源／旗標）
用NotebookLM「學習卡」蒐集考題
學習卡也可以進一步透過指令來聚焦。
【提示詞】學習卡測驗範圍以「歐盟人工智慧法案如何透過風險分級與規範，平衡技術發展和基本權利保障？」為主軸。
設定卡片數量、設定難易度、說明希望聚焦的範圍
（圖片來源／旗標）
會顯示題目數量，並可下載題目跟檔案
（圖片來源／旗標）
下載後，會是csv檔，如果直接用Excel開啟，很可能會出現一堆亂碼。建議你將預設開啟檔案類型變更為記事本，題庫跟答案就能正常顯示。（備註：有多種方法能讓Excel正常開啟csv檔，但此處的重點是取得正確文字內容，並匯入NotebookLM，因此不在此詳述。）
將CSV檔變更為記事本（圖片來源／旗標）
將CSV檔變更為記事本，就能正常顯示完整題庫跟答案：
題庫與答案用逗號 (,) 分隔（圖片來源／旗標）
另外，由於目前NotebookLM的匯入來源尚不支援csv檔，所以你可以使用「貼上複製文字」的方式來進行匯入。
善用快捷鍵Ctrl+A（全選）→Ctrl+C（複製）→Ctrl+V（貼上），神速完成匯入！
將潛在考題，當作來源匯入NotebookLM
匯入來源（圖片來源／旗標）
步驟4：運用「對話互動」找到考古題的答案
除了可以將前一步驟的潛在考題，當作來源匯入之外，你還可以將考古題也匯入到NotebookLM。
舉例來說，iPAS有提供AI應用規劃師能力鑑定的考試樣題，讓我們嘗試把這份檔案，匯入到NotebookLM中，並在問答面板提問。
【提示詞】來源「iPAS_AI應用規劃師能力鑑定考試樣題(114年1月版)」中有一些題目，請使用「EU歐盟人工智慧法案」的內容來回覆。
（圖片來源／旗標）
如此一來，你可以方便對照題目跟答案、根據法規內容提供答案的解說，透過進一步點擊引用編號，還能查閱原文法規的內容！
【TIP】當你明確指定來源時，可以輔助NotebookLM抓到你所需要的內容範圍。所以來源命名很重要，可以幫助自己辨識來源；把提問說清楚也很重要，才不會讓AI亂生一些無用資訊出來。
小技巧：使用「語音摘要 - 評論」像老師給建議
如果有某些法規你覺得比較艱深難懂，而且用文字完全讀不下去時，語音摘要功能就派上用場了！我們先前已經在第4章提過，透過「自訂」就能進一步下指令，讓語音摘要生成的內容更符合你的需求。有關於提示詞的小技巧，你可以掌握幾個提問方向：
設定主題範圍
明確指出特定問題進行討論
使用某個地區的慣用語氣
聚焦目標受眾（如兒童、專家）
設定時間長度
這裡我們要特別介紹的是語音摘要中的評論格式，這個格式可以提供專業評論、意見，並協助改善內容。
所以你可以把自己填答申論題的內容，作為一筆來源匯入到NotebookLM。進一步請它使用歐盟人工智慧法案檔案作為依據，來給予填答狀況的建議。
這個做法就有點像是你作答完之後，有一位老師來給予你口頭上的建議與講評～
步驟5：透過「學習卡」、「測驗」進行即時測驗
「學習卡」、「測驗」功能可以提供給你互動型態的測驗模式，你可以指定卡片數量、問題數量、難易度，並且能下指令，讓它依據你目前的需求來生成。
【提示詞】學習目標是準備IPAS（經濟部產業人才檢定）的AI應用規劃師能力鑑定，希望先以「歐盟人工智慧法案的風險分級與規範」作為學習範圍。
【自訂學習卡】設定卡片數量、輸入指令、設定難易度
（圖片來源／旗標）
【自訂測驗】設定問題數量、輸入指令、設定難易度
（圖片來源／旗標）
在生成之後，可以看到「學習卡」、「測驗」的題庫類型是不一樣的。
「學習卡」（左）和「測驗」（右）的題庫類型不一樣（圖片來源／旗標）
如果你希望在互動時，NotebookLM可以直接回答你問題，而不是一直追問你的學習狀態，可以把對話風格改回「預設」，或是自訂指令，讓它擔任一位解題專家。
使用學習卡或測驗時可點選「說明」，會在對話面板中解說
如果採用「學習指引」的對話風格，NotebookLM會再追問你目前的學習狀態
若採用「預設」的對話風格，NotebookLM會直接提供解釋
（圖片來源／旗標）
（圖片來源／旗標）
節錄自：旗標《零花費上手！Gemini 3 / NotebookLM / Nano Banana Pro / Veo 3.x 最強 AI 組合技，打造全能工作流》／施威銘研究室 著
人工智慧基本法三讀通過 台灣迎接AI法律新時代
2025-12-24 報導 聯合報記者馬瑞璿 由聯合新聞網授權轉載
立法院昨日三讀通過「人工智慧基本法」，象徵我國法制邁向AI法律新時代。長期耕耘AI法律研究的財團法人人工智慧法律國際研究基金會表示，樂見人工智慧基本法完成立法，但接下來才是AI法制的真正挑戰，如何將人工智慧基本法的立法精神與政策方針，具體落實在個別法律。
延伸閱讀：新聞中的法律／AI帶來法律與倫理新課題
AI法律基金會在2023年3月率先提出民間版本的人工智慧基本法草案，掀起我國人工智慧基本法的立法浪潮，朝野先後提出相關法案，均受AI法律基金會草案版本的影響。例如，以風險為基礎的監管規範，多元治理模式訂定相關指引或行為準則，以及重視人類自主、永續發展、透明與可解釋、公平與不歧視、確保問責可能等AI法律原則，都醞釀在AI法律基金會版本草案之中。
今年12月初，AI法律基金會曾建議設立行政院級別的委員會，作為跨部會溝通及政府決策的平台，也獲得立法院的支持。人工智慧基本法規定，行政院應成立國家人工智慧戰略特別委員會，由行政院長召集相關機關首長、地方首長、產業與學界代表等每年至少召開會議一次，共商國家AI發展戰略。
AI法律基金會執行長張麗卿表示，人工智慧基本法已經完成立法，等總統公布施行後，相關法規的主管機關應該「動起來」，在人工智慧基本法的火車頭帶領下，立即啟動相關法律的制定或修正，因應接下來的AI時代的需求。尤其面對世界各國的科技競爭，與科技產業有關的立法工作可能最為迫切，以維護我國科技業的國際競爭力。
張麗卿指出，同時，AI的應用可能衝擊勞動權益，保障勞動者權益的相關法律，必須通盤檢討相關的勞工保障及輔導就業機制，以免對社會造成負面衝擊。此外，現在AI的應用日益廣泛，尤其是生成式AI已經開始對許多法律規範造成挑戰，AI法律教育也應該要跟上，為AI時代的公民社會準備。
擔心AI讓飯碗不保？微軟研究：這10大職業最危險！
生成式AI正在重塑職場，哪些工作最有可能被AI取代？又有哪些職業仍相對安全？微軟透過20萬筆用戶與Copilot聊天機器人的對話，分析出AI在職場中的真實影響。
文／王穎皓 由Cheers授權轉載
本文導覽
AI最常被使用的情境AI最擅長 V.S. 不擅長的任務受AI影響最大 V.S.最不受影響職業排名AI對高薪工作影響最大？此份微軟報告的參考性高嗎？
隨著生成式AI技術快速發展，職場變革已成為不可逆的趨勢。微軟最新研究分析了2024年前9個月、20萬筆Copilot用戶對話紀錄，發現AI最常被應用於知識型任務，包括資訊蒐集、內容撰寫、簡單諮詢與對外溝通。
AI最常被使用的情境
根據微軟研究團隊的分析，當用戶與AI協助時，多數需求集中在閱讀、研究、撰寫等文字性任務。反映出現階段AI在處理文字、語言和資訊整理方面的強大能力。
值得關注的是，雖然使用者與AI實際執行的任務僅約有60％重疊，意味著在40％對話中，兩者並不完全吻合。也就是說，AI的實際執行角色往往是解說、教學、勸導和提供協助，而用戶多數是在尋求資訊、進行閱讀研究工作。
雖然用戶對AI的期待與AI的實際能力之間存在差距，但AI在知識型工作上的應用潛力仍然相當可觀。特別是在需要大量資訊處理和文字工作的領域，AI已展現出顯著的輔助效果。
這種使用傾向反映AI最能勝任的是支援性角色，而非全面取代。例如，行銷人員可能讓AI協助撰寫文案、彙整市場資訊；客服代表則用AI整理回覆腳本、處理常見問題。
AI最擅長 V.S. 不擅長的任務
微軟研究也發現AI在特定工作活動上表現特別出色。在用戶滿意度最高的工作類型中，內容書寫、文件編輯、資訊研究、簡單諮詢與產品評估名列前茅。
若從任務層級觀察，微軟指出以下幾種類型的工作最容易被AI「助攻」甚至「自動執行」：
文字處理：內容撰寫、簡報製作、文件編輯。
資訊彙整：市場研究、資料查詢、產品分析。
基礎諮詢：常見問題解答、產品比較、流程教學。
這些活動有幾個共通點：結構化程度高、語言為核心、可遠距完成。這使得AI可以迅速提供可用結果，且用戶滿意度高。
相對而言，AI在以下工作中的表現尚不理想：
數據分析：需要判讀多元資料並下決策。
視覺設計：涉及美感判斷與創造性。
跨部門協作與複雜溝通：需理解人際互動脈絡與非語言線索。
這顯示AI雖強大，但尚未能完全勝任需高度創意與人際敏感度的任務。
受AI影響最大 V.S.最不受影響職業排名
微軟研究員根據Copilot用戶對每一個回覆的「讚」或「倒讚」，計算出「AI適用性分數」（AI Applicability Score）排名，評估不同工作活動由 AI 執行或支持的難易程度。
獲得更多「讚」的任務，代表用戶滿意度較高，AI 能取代該工作的機率愈大。而分數愈大則代表受AI影響較大。
口譯員及翻譯人員以0.49的分數居首，成為最可能被AI取代的職業。
這並不令人意外，因為AI在語言翻譯任務中的表現已相當優異，Google和Amazon等科技巨頭都推出了功能強大的翻譯應用程式。
緊隨其後的是歷史學家（0.48分），研究人員指出，收集歷史資訊正是AI表現最優異的領域之一。許多Copilot用戶習慣使用聊天機器人來研究歷史或社會議題，或審查材料的正確性，這使得傳統歷史研究工作面臨巨大挑戰。
AI最可能取代的前十大職業名單：
口譯員與翻譯人員（分數：0.49）
歷史學家（0.48）
乘客服務員（0.47）
銷售人員（0.46）
作家與作者（0.45）
客戶服務代表（0.44）
電腦數值控制（CNC）工具編程人員（0.44）
電話接線員（0.42）
售票員與旅遊社員工（0.41）
廣播播報員與電台DJ（0.41）
這些職業普遍具備3種特性：
高語言密集度（如翻譯、寫作、廣播）。
重複性高或流程明確（如接線、售票）。
可被遠端工具支援，非現場執行。
AI最難取代的職業名單：
與此對比，AI最難取代的職業則集中在以下類型：
需面對面互動的照護與服務工作：如護理助理、按摩師。
需要實體操作的技術勞動：如卡車司機、屋頂工、洗碗工。
依賴高度感官或體能判斷的職業：如建築工人、維修人員。
這些工作仰賴人類的實體行動、感官知覺與情緒理解能力，目前AI尚難模擬。
研究特別指出，「AI協助性」和「AI自動執行性」存在明顯差異。
許多需要實體操作的職業雖然可以透過AI獲得資訊和建議協助，但AI幾乎無法完全自動取代人類進行實際操作。這個發現為職場轉型提供了重要啟示：即使在AI時代，人機協作仍將是主流模式。
AI對高薪工作影響最大？
微軟研究在分析AI影響與社會經濟因素的關聯性時，發現了一些令人意外的結果。首先，AI影響力與職業平均薪資的關聯度相當微弱，這打破了「高薪工作更容易被AI取代」的普遍認知。
在學歷方面，研究顯示需要大學學歷的職業確實受到AI影響較高，但各學歷層級之間存在明顯的重疊區域。這意味著AI的影響並不完全按照傳統的教育程度區分，而是取決於工作內容的性質。
此份微軟報告的參考性高嗎？
然而，研究也指出了幾個重要的限制因素。
首先，統計數據僅反映「AI已展現的能力」與「用戶確實使用」的部分，無法完全預測未來的絕對影響程度。其次，研究僅基於Copilot平台，未涵蓋所有AI產品的使用情況，可能存在樣本偏差。
更重要的是，實際的AI影響程度將高度受到後續工作內容重構和職場決策的影響。許多組織可能會選擇將AI作為輔助工具，而非完全替代人力，這將大幅影響最終的就業結構變化。
從長遠角度來看，這項研究對於處在高風險職業的工作者而言，將是一記警鐘。及早學習新技能、轉換職涯跑道或學會與AI協作，將是適應未來職場變化的關鍵策略。
（資料來源：Microsoft Research、Entrepreneur）
（原文標題：微軟最新研究：AI最可能取代的１０種職業）
延伸閱讀：
AI時代的「大裁員潮」開始了嗎？工業革命級的衝擊正在逼近
不只AI搶飯碗！Z世代成企業裁員首選 專家揭「邊緣化」五大原因
「初階工作」恐被AI取代？當科技巨頭高層都這麼說，我們該如何應對？
用對ChatGPT，能「多賺一份收入」？５步驟用AI打造你的副業
AI取代人力後，效率反而下滑？全球獵頭公司Korn Ferry：小心裁員的隱性成本
誰該為AI新同事負責？國際兩大調查：人資將成為「Agent Boss」
覺得AI只會給爛答案？簡立峰：不讓大腦被外包，你該培養的是「提問領導力」
前Google台灣董事總經理簡立峰指出，AI時代真正的競爭力不在知識多寡，而在「提問領導力」。為何覺得AI只會給爛答案？如何避免大腦被外包？本文解析如何透過精準提問引導AI、共創解決方案，讓你掌握未來關鍵能力。本文節錄自《出海：台灣企業大未來》。
文／簡立峰
本文目錄（點擊可快速前往）
會問才會贏：AI時代的關鍵能力提問力是必備能力互動往來是與AI共創的關鍵AI的應用範圍老人比年輕人更會用AI
【線上直播推薦】簡立峰×創業實戰者「AI 2.0 時代的三大翻轉：從思維到實踐，簡立峰與實戰家的深度對談，3/19熱烈報名中>>
在AI時代，真正的競爭力已經不在知識的多寡，而在於能否引導AI，問出好問題，並帶領它共創解決之道。
會問才會贏：AI時代的關鍵能力
在AI時代，真正的能力不是知識的多少，而是能不能問對問題、保持思辨、並跨域整合創意。我們早已將計算與記憶交給電腦，如今連閱讀能力也逐漸依賴生成式AI。如果完全仰賴AI，解決問題的能力可能將逐漸喪失。
AI應是輔助工具，而非掌控我們思維的主導者；應該是我們的副駕，而我們永遠要掌握方向盤，否則就會喪失自我。因此，我們聽到很多人在談「如何不要讓大腦被外包給AI」，因為AI是工具，而不是主宰者。
我常被問到「未來，我們到底需要什麼樣的能力？」在傳統教育中，我們強調德、智、體、群、美五育，而AI的加入，確實能強化「智育」的部分。以 ChatGPT 為例，它讓我們正式進入「電腦說人話」的時代。透過對話介面，我們可以用自然語言與電腦互動，讓它幫忙寫信、摘要資料、搜尋答案，大幅提升效率與生產力。而這一切，都建構在一個關鍵能力之上：提問力。
ChatGPT 進入對話式介面（Conversational Interface），讓我們走入「電腦說人話」的階段。跟電腦溝通，可以用講話的方式，而電腦用文字或聲音的方式跟我們做溝通。這也是 ChatGPT 這種「生成式AI」最驚艷、也最關鍵的地方。
你下一堆指令給它，它產生內容給你，可以幫你寫信、幫你把一堆資料做摘要，也可以搜尋回答你的問題，提升你的生產力。
提問力是必備能力
我常說，我們要認真用AI，不要偷懶用，不是把大腦外包。而且AI的回答好壞，往往取決於我們的問題好壞。會提問，才能得到真正有價值的答案。台灣在工程教育向來強調解題能力，但提問能力卻相對薄弱，這與生成式AI的運作邏輯背道而馳。因為在AI的世界裡，出題的人才是真正的掌控者。
台灣的教育體制長久以來是「老師出題、學生答題」，分數最高的學生往往只是記憶力最好的人。因為他越能記得老師講的答案，他就越可能第一名。如此的訓練下，學生擅長回答老師的答案，聽來很適合製造業，但對需要創意的產業卻極為不利。因為創意產業的題目得自己提出或者主動發現。我們培養了很多工程師都是Problem Solver，擅長解決問題，但不是創造問題（Create Problem），這正是隱憂，也是未來能否發揮生成式AI力量的關鍵。
如果你不擅長提問，或許你第一個要問AI的問題是：「我該如何問一個好問題？」
互動往來是與AI共創的關鍵
許多人提出「AI不好用啦， 它的回答會錯誤，很危險？」的說法，但我認為這樣的想法可以更正向，事實上，我們本來就不應該完全相信AI。如同你跟一個人在互動討論時，你不會先入為主就認為他一定是對的，我們會運用常識與經驗判斷。AI的價值在於持續互動，不斷追問、澄清與共創。當回答不夠理想時，不妨再問它：「我應該提供哪些資訊，你才能給我更好的答案？」這樣的互動過程，本身就是學習。若只是照單全收，那便不是合作，而是抄襲。
使用AI，廣度對多數人比深度來得重要。雖然它給的答案不一定正確，但產出的內容非常邏輯性。如果你不是這個內容專業，要求不高。例如說你的英文不是很好，你希望它幫你寫一封信，把它翻成英文，絕大多數它的內容已經足夠滿足很多人的需求。這有點像有很多人很會穿衣服，但不需用會做衣服，只要有買衣服跟配衣服的能力就好，這樣的概念在很多應用領域就足夠了。但若你會做衣服，你就可以更有針對性的詢問，最好用裁縫師傅的用詞去問，AI回覆的就會更為專業。
要問AI一個好問題，而且模擬專業人士採用的句子，AI便會以專業的句子回答你。甚至若是一邊問、一邊引導AI，與AI討論互動，AI懂得「舉一反三」的，會給你更完善的回覆。
曾經有一個醫生跟我分享，當他用簡單易懂的語言，詢問AI時，AI的回覆很普通，但他用專業的語言詢問AI時，AI的回覆令他非常訝異，居然可以回覆他找尋很久答案，而且引用相關專業論文。此外，還有個小技巧是先請AI幫你將問題翻譯成英文，再以英文回覆，並翻成中文，如此答案往往更精確。
這是由於AI閱讀的資料絕大多數是英文，這也使得它的弱項是「沒有差異化」，它對這個世界不同國家的人問相同的問題，卻給你相同的答案，沒有差異化是我們最擔心的。所謂AI主權的概念也是就此產生。
如果我們都不去要求AI，就不會拿到最好的結果。這也出現了新名詞「提問領導力」，問對問題，是為了解決問題，以領導者的批判性思考，引導AI呈現更優質的回饋。
使用AI，也涉及思辨能力與溝通能力，因為AI不保證正確，所以你的思辨能力就變得很重要，你要能判斷AI的回覆是否正確，知道怎麼樣去讓AI更貼近你要的結果。此外，要能夠溝通，才方便把AI當做各種助理使用，且用到最好。
AI的應用範圍
在台灣已經很多人在工作上使用AI當作工具。在學習上，AI已可成為家教，例如Google NotebookLM能幫助考前猜題與複習，ChatGPT也有學習模式。它既是工具，也在挑戰教育與評量方式。許多國家已要求學生用口試回答問題，以確保孩子真正理解。如果老師與學生都依賴AI而不努力學習，將形成負向循環。AI帶來風險，但同時也是不可忽視的機會。因為如果我們的孩子不夠積極，甚至不懂得用英文使用AI，未來的落差將越來越大。要善用AI，需要教育體系、師長一起適應，陪伴孩子使用，或許更為恰當。
我們可以看到AI應用最多的領域之一是電商，但各行各業都應該思考如何應用它。然而，在台灣的生活環境中，雖然大家認為AI重要，卻未廣泛使用。這與生活情境有關，若在國際環境中，人們需要講40種語言與200個國家溝通來往，語言翻譯成為必要，就會更容易感受到AI的重要性。
目前感受到AI壓力最大的行業，包括顧問業、媒體業、金融業，甚至法律業。全球已有AI系統Harvey被主要律師事務所採用，改變了法律服務模式。客戶先向AI詢問問題，解決不了才找律師，這代表律師必須與AI進行共創，才能適應新時代的需求。
你想知道自己該如何應用AI？或許你可以跟ChatGPT討論一下。
老人比年輕人更會用AI
還有件事情很有趣，過去我們認為年輕人學科技最快，但在AI時代，老人學AI的成績最好。因為越有專業基礎的資深人才越具優勢，他們的知識累積能幫助判斷AI生成內容的合理性與價值。這意味著，專業經驗並沒有被取代，反而成為駕馭AI的最大優勢。下一代或許會天生與AI共處，但我們這一代的經驗，決定了能否保持競爭力。
科技的確會帶來焦慮。例如擔心工作機會是否會減少，其實剛好相反，我們用數位相機的例子來看就很明顯。數位相機讓很多人都變得很開心，整天在打卡，它讓攝影的門檻下降，它創造出相片有很多元的應用，可以傳遞給別人，可以做成賀卡等。再想想看飛機，即便到今天還是會有飛機失事的意外，可是我們仍然很放心地出國旅遊。因為它帶來的效益遠大於風險。AI亦是如此。
事實上，AI在職場的使用上，雖然可以協助解決部分有邏輯的問題，但企業更需要員工具有批判思考、問題解決、溝通合作等軟實力，所以AI是無法完全取代人，但有可能外包某些工作，因此，「提問」和「跨領域協作」這些能力在AI時代中更需要加強。而且，要培養好奇心和勇於嘗試的態度，才有機會把AI的潛能徹底發揮。
AI並不是終點，而是一種工具與契機，真正的核心還是「人」。終究我認為，對所有人才，不管在哪個時代，最重要的能力叫學習力。一旦你有學習力，不管世界發生什麼事，都可以適應。它比聰明更重要，因為當中還包含態度、積極、認真在裡面。這也是我在新創圈看到成功創業家的特質。
未來的風險無可避免，但AI也能帶領我們突破極限，實現過去難以想像的目標。
節錄自：商周出版《出海：台灣企業大未來》／簡立峰 著
推薦活動：
【3/19線上直播論壇】AI 2.0 時代的三大翻轉：從思維到實踐，簡立峰與實戰家的深度對談
有任何收穫或想分享的，都來和大家一起聊聊吧！