[新手入門] 中級科目一：費曼學習法，7 個故事讓你讀完就懂

如果你讀完一篇備考文章，還是覺得「我好像知道這些名詞，但不確定到底懂不懂」，那篇文章就沒有幫到你。

這篇文章用不同的方法：我們不從名詞開始，我們從你已經知道的事情開始。每個概念都用日常比喻先建立直覺，技術名詞最後才出場。讀完之後，如果你能用自己的話向朋友解釋這些概念，你就真的懂了，考試只是順便的事。

以下內容根據 114 年第二次 AI 應用規劃師中級科目一（人工智慧技術應用與規劃）的 50 題公告試題整理而成。

想要直接聽可以點 NotebookLM Podcast 連結跳到文章最後面。

故事一：AI 怎麼聽懂人話

想像你是一家電商的客服主管，每天有幾千則顧客留言湧進來，你需要知道：顧客現在是開心還是生氣？

你不可能一則一則看，所以你想讓 AI 幫你，但 AI 不是人，它不懂中文，你得先教它「文字是什麼意思」。

這就是自然語言處理（NLP）的起點，科目一有將近十題都在考這個主題，但出題者每次換一個包裝，把底層邏輯搞懂，你就不怕它怎麼換。

第一層：教 AI 認字

在 AI 的世界裡，文字只是一串符號。「貓」和「狗」對 AI 來說跟「abc」和「xyz」沒有差別，除非你告訴它這些字之間有什麼關係。

怎麼告訴？把每個字變成一組數字（座標）。意思相近的字，座標就靠近；意思不同的字，座標就遠離。「國王」和「皇后」的座標很近，「國王」和「冰箱」的座標很遠。

這個「把字變座標」的技術叫做詞嵌入（Word Embedding），而做這件事有兩個經典方法：

Word2Vec 是預測派：給它一個字，讓它猜旁邊會出現什麼字。「我今天去___買東西」，如果填「超市」和「便利商店」都合理，那這兩個字的座標就會很近。Word2Vec 是一種用神經網路做預測的方法。它有兩種訓練模式：CBOW 用周圍的字猜中間那個字，Skip-gram 用中間的字猜周圍的字。當訓練資料很大、又想抓住罕見字的關係時，Skip-gram 通常更有效，因為它讓每個字都有更多訓練機會。

GloVe 是統計派：它不做預測，而是先數好整個語料庫裡每對字一起出現的次數，建成一張大表格，再用數學方法（矩陣分解）把這張表格壓縮成座標。

考試怎麼考？出題者會問你「Word2Vec 跟 GloVe 的主要差異是什麼」，答案的關鍵就是：Word2Vec 是基於預測的模型，GloVe 是基於共現統計的模型。不要被選項裡「神經網路」「矩陣」這些字嚇到，回到「預測派 vs 統計派」就能選對。

第二層：教 AI 讀句子

認得每個字之後，下一步是理解整句話的意思，這裡有個關鍵問題：句子裡的字會互相影響。

「他用蘋果打電話」跟「他吃了一顆蘋果」，同一個「蘋果」在不同句子裡意思完全不同，AI 要理解「蘋果」的意思，必須看它前後的其他字。

早期的方法叫 N-gram，它只看固定長度的前幾個字來猜下一個字。比如 3-gram 只看前面兩個字。問題是什麼？它是近視眼。如果重要的線索在十個字之前，N-gram 看不到。考試考的就是這個弱點：N-gram 僅根據固定長度的前序詞建立機率估計，難以捕捉長距離依賴關係。

解決近視眼的方法是 Transformer，想像你在讀一封很長的信，讀到最後一段時，你會回頭看開頭的某個關鍵字來確認意思。Transformer 的自注意力機制（Self-Attention）就是這個「回頭看」的能力：句子裡的每個字都可以直接關注其他任何位置的字，不管距離多遠。這就是為什麼 Transformer 能理解長文本：它不是一個字一個字往前讀，而是整句話同時看，自己決定該注意哪些字。

如果有人問你「為什麼 Transformer 架構能改善翻譯品質」，答案就是自注意力機制能捕捉長距離語境關係。不是卷積運算（那是處理圖片的）、不是強化學習（那是另一種訓練策略）、不是資料增強（那是擴充訓練資料的）。

Transformer 還有一個容易考的細節：當注意力分布變得太平均（每個字都分配差不多的注意力，像是老師上課看每個學生都一樣久，反而誰都沒認真看），模型就無法聚焦在關鍵資訊上。這叫注意力崩潰（Attention Collapse）。解法是對注意力權重施加稀疏化約束（Sparsity Constraint），強迫模型把注意力集中在少數重要的字上。

第三層：教 AI 「填空」跟「翻譯」

有了 Transformer，就可以訓練更強大的語言模型。

BERT 的訓練方式像克漏字：把句子裡隨機幾個字遮起來，讓模型根據前後文猜被遮住的字。關鍵是「隨機遮」而不是「從左到右遮」，因為這樣模型必須同時理解左邊和右邊的語境。這個訓練策略叫遮罩語言模型（Masked Language Model，MLM），它讓 BERT 成為雙向理解的模型。

考試問「MLM 的主要訓練策略為何」，答案就是「隨機遮罩部分詞語，讓模型根據雙向上下文預測被遮罩的詞」。

Seq2Seq 是翻譯機：輸入一段文字，輸出另一段文字。翻譯、摘要、問答都是這個模式。考試問「哪種情境最適合 Seq2Seq」，看到「將輸入文字轉換成語意等價的另一段文字」就選它。預測數值序列是時間序列模型的事、辨識人名地名是 NER 的事、統計關鍵字頻率是 TF-IDF 的事。

RAG 是開書考試：一般的語言模型只能用訓練時學到的知識回答問題，知識會過時，還可能亂編（幻覺）。RAG 讓模型在回答前先去「查資料」，把查到的內容塞進上下文再回答。考試問「建立高效 RAG 系統在檢索階段的最關鍵挑戰」，答案是避免檢索到「語意相似但跟查詢意圖無關」的內容。

不是把文件塞進上下文視窗（那是生成階段的事）、不是降低記憶體（那是工程優化）、不是近似最近鄰搜尋（那是一種解法，不是挑戰）。

第四層：文件等級的理解

前面講的是字跟句子，但有時候你要處理整篇文件。

TF-IDF 是最基本的文件分析方法：一個字在這篇文章裡出現很多次（TF 高），但在其他文章裡很少出現（IDF 高），那這個字就是這篇文章的關鍵字。

但 TF-IDF 有個弱點：依本題情境，如果直接使用原始詞頻，長文本中的常見詞可能因 TF 偏高而被過度放大，導致模型難以正確反映關鍵詞重要性。實務上通常會再搭配停用詞處理、正規化或其他調整方式。

一篇一萬字的客訴裡，「的」「是」「了」出現幾百次，而真正重要的關鍵字相對頻率被稀釋掉了。考試考的就是這個：長文本中的詞頻偏高，導致常見詞權重被過度放大。

費曼檢查點：如果朋友問你「Word2Vec 跟 GloVe 差在哪」，你能不能不看筆記，用自己的話說出「一個是用猜字遊戲學的，一個是先數統計再壓縮的」？如果可以，這一整段 NLP 的概念你就真的懂了。

故事二：AI 怎麼看懂圖片

想像你在教一個從來沒見過地球的外星人看監視器畫面，你要教它三件事：

第一，畫面裡有什麼東西。第二，每個東西在哪裡。第三，每個東西的邊界到哪裡。這三件事對應的就是電腦視覺的三個層次。

偵測：框出來，說名字

物件偵測（Object Detection）就是在圖片上畫框框，每個框框配一個標籤，「這是人」「那是車」。

怎麼知道 AI 框得準不準？用 IoU（Intersection over Union）：把 AI 畫的框框跟正確答案的框框重疊，算重疊面積佔兩者聯集面積的比例。重疊越多，IoU 越高。

mAP（Mean Average Precision）是整體評估分數。IoU 門檻設越高，代表要求框框越精準，mAP 通常越低。考試問「IoU 閾值設定較高代表什麼」，答案就是「預測邊界框與真實邊界框的重疊程度越高，模型偵測結果越精準」。不是誤差越大、不是 Precision 降但 Recall 升、不是不受真實框大小影響。

分割：幫每一個像素貼標籤

偵測是畫框框，但框框裡混了很多背景。分割更進一步：幫圖片裡的每個像素決定它屬於什麼。

三種分割方式，用教室比喻最清楚：

語義分割（Semantic Segmentation）：只區分類別。「這些像素是學生，那些像素是桌椅。」但分不出哪個是小明、哪個是小華。

實例分割（Instance Segmentation）：區分個體。「這個是小明，那個是小華，兩個都是學生，但它們是不同的人。」

全景分割（Panoptic Segmentation）：兩者合體。既區分類別，又區分個體，還包括背景。自駕車要同時知道「這是道路、那是建築」又要知道「這是行人 A、那是行人 B」，用的就是全景分割。

考試問「同時辨識每個像素的物件類別，又能區分同類物件的不同個體」，答案是全景分割。

Softmax vs MaxPooling：名字像但完全不同

這兩個名字長得像，但做的事完全不同，出題者最愛考你分不分得清。

Softmax 是把一組數字轉成機率分布。Softmax 不會只留下最大值，而是把所有分數轉成總和為 1 的比例。例如分數 3、1、0.5 經 Softmax 後約為 82%、11%、7%，所有的資訊都保留了，只是換成比例表示。

MaxPooling 是從一小區塊裡只留最大值，其他全丟掉。像是每四格只保留最亮的那格，圖片縮小了但重點還在。

考試問「Softmax 跟 MaxPooling 何者正確」，答案就是：Softmax 保留所有輸入資訊但以比例表示，MaxPooling 只保留區域最大值。

CLIP：讓 AI 同時懂文字和圖片

一般的圖片模型只認圖片，你要先幫它標註「這是貓」「這是狗」。CLIP 不一樣：它同時學習圖片和文字的關係，把兩者映射到同一個座標空間。輸入一段文字「海灘上的金毛犬」，CLIP 能直接找到最匹配的圖片，不需要事先標註。

這個能力叫做零樣本分類（Zero-shot Classification）：不需要幫每個新類別準備訓練資料，只要用文字描述就能分類。關鍵技術是對比式學習（Contrastive Learning），讓匹配的圖文對在座標空間裡靠近，不匹配的遠離。

但 CLIP 也有弱點：如果文字描述跟圖片內容的對齊不夠好，就會出現跨模態理解偏差。例如叫它生成「模特兒拿著品牌飲料，背景是海邊夕陽」，主題跟場景都對了，但品牌標誌顏色或手部姿勢有錯，就是因為文字編碼器跟影像編碼器在語意空間裡沒有充分對齊。

費曼檢查點：你能不能用「畫框框」「貼標籤到每個像素」「既貼標籤又分辨誰是誰」三句話，分別解釋偵測、語義分割、全景分割的差異？

故事三：AI 怎麼無中生有

AI 不只能分析現有資料，還能創造新的，生成式 AI 是科目一最密集的考區之一，但核心就是三個流派，用一個比喻就能記住。

三個流派：偽鈔犯、壓縮機、雕刻家

GAN（生成對抗網路）= 偽鈔犯 vs 警察

兩個網路互相對戰：生成器負責偽造，鑑別器負責抓假。偽鈔犯越來越厲害，警察也越來越精明，最後偽鈔犯生出的東西連警察都分不出真假。

但 GAN 有個經典問題：如果偽鈔犯發現只要印某一種鈔票就能騙過警察，它就會永遠只印那一種。這叫模式崩潰（Mode Collapse）：生成的東西缺乏多樣性。解法是把原本的「比較真假」換成 Wasserstein 距離（WGAN），讓評估標準更穩定，生成器不會只抄近路。

VAE（變分自編碼器）= 壓縮機

VAE 先把資料壓縮成一個很小的「摘要」（潛在空間），再從摘要還原出新資料。就像把一張照片壓成幾個數字，再從數字還原出一張新照片。壓縮越好，還原越像。VAE 擅長捕捉資料的整體語意結構，但生成品質沒有 GAN 那麼銳利。

擴散模型（Diffusion Model）= 雕刻家

想像一個完美的雕像被蒙上越來越多灰塵，直到完全看不見。擴散模型學的是「怎麼把灰塵一層一層去掉」。訓練時加噪聲，推論時一步步去噪，最後浮現出清晰的影像。它兼具穩定性跟多樣性，是目前最主流的影像生成技術。

Stable Diffusion 生成的圖如果有顆粒感或邊緣模糊，解法是增加取樣步數並選擇高品質取樣器，不是降低步數（會更模糊）、不是提高 CFG（那是控制創意度，跟清晰度無關）、不是改用低解析度（反而更差）。

三者的根本差異怎麼記？VAE 靠壓縮還原捕捉整體結構，GAN 靠對抗訓練追求逼真度，Diffusion 靠去噪雕刻兼顧穩定跟多樣。考試直接考你三者比較時，抓住這三句話就能選對。

資料不夠的時候：AI 自己造資料

訓練 AI 需要大量資料，但資料常常不夠。

資料增強（Data Augmentation）就是用同一筆資料變出更多版本：翻轉圖片、調色溫、加噪點。

但資料增強也會出問題。如果增強後的資料跟原始資料的特徵分佈不一致（比如增強的圖片色溫都偏藍，但原圖沒有），模型的泛化能力反而會下降。考試出的情境是：導入資料增強後效果反而下降，原因是「增強後資料的特徵分佈與原始資料不一致，影響模型泛化能力」，解法是「檢查並調整增強策略以維持語意一致性」。

文字領域的資料增強叫反向翻譯（Back-Translation）：把中文翻成英文，再翻回中文，就得到一句意思一樣但用詞不同的新句子。這在低資源語言（訓練資料很少的語言）特別有用。考試會問「少數民族語言只有一萬筆資料，如何在不新增真實語料的情況下提升泛化能力」，答案就是 Back-Translation。

多模態：同時處理圖片和文字

現實世界的資料不是只有一種格式。有時候你有影像但沒有文字描述，有時候文字很完整但缺圖片。多模態 AI 要能同時處理多種類型的資料。

但如果某個模態缺失了怎麼辦？比如只有影像沒有文字說明。最好的策略不是把缺失的部分用零填充、不是直接丟掉那筆資料、也不是用 GAN 去補。而是訓練具備模態缺失感知能力的模型，讓它學會在某個模態缺失時，從其他模態推測出足夠的資訊。

如果同時需要預測（分類）跟生成（造出新資料做 A/B 測試），VAE 或 GAN 比傳統分類模型（Random Forest、邏輯迴歸）更合適，因為它們天生有生成能力。強化學習代理是另一種東西，不適合這個場景。

費曼檢查點：你能不能用「偽鈔犯 vs 警察」「壓縮機」「雕刻家」三個比喻，分別解釋 GAN、VAE、Diffusion？如果可以，生成式 AI 這塊你就通了。

故事四：怎麼幫 AI 打分數

AI 模型訓練完了，你要知道它表現好不好，但「好不好」不是只有一種衡量方式，用錯指標會讓你做出錯誤的判斷。

Precision、Recall、F1：用「抓壞人」來記

想像你是一個偵探，任務是從 100 個人裡抓出壞人。

Precision（精確率）：你抓的人裡面，有多少真的是壞人？如果你抓了 10 個，8 個是真壞人，Precision = 80%。

Recall（召回率）：所有壞人裡面，你抓到多少？如果一共有 20 個壞人，你抓到 8 個，Recall = 40%。

F1：Precision 跟 Recall 的折衷分數。公式是 2 × P × R /（P + R）。如果有一邊很低，F1 也會被拉低，它逼你兩邊都不能太差。

考試問「同時兼顧 Precision 跟 Recall 的指標」，答案就是 F1。不是 Accuracy（整體猜對率，不平衡時會騙人）、不是 RMSE（那是迴歸用的）、不是 MSE（也是迴歸用的）。

交叉驗證：用不同的考卷考同一個學生

只考一次就決定學生好不好，太不公平了，萬一那份考卷剛好出到他準備過的範圍呢？

交叉驗證（Cross-Validation）就是把資料分成好幾份，每次用不同的份當考卷，其他的當課本，反覆考好幾次，這樣得到的成績比考一次更可靠。

但有個陷阱：如果你一邊調模型的超參數（Hyperparameters，像學習率、樹的深度、正則化係數等），一邊在交叉驗證的資料上看成績，就等於學生邊考邊翻課本。結果會過度樂觀。

正確做法是把超參數搜尋跟模型評估分開：用一套巢狀的交叉驗證，外層評估、內層調參數，不讓資料互相偷看。

考試問「在 K-fold 的資料上同時調參數跟評估效能會導致什麼」，答案是「過度樂觀偏差（Over-optimistic Bias），因為測試摺資料間接參與了參數選擇，造成資料洩漏」。

超參數搜尋：怎麼找最佳組合

調超參數就像調收音機：你要找到最清楚的頻道。

Grid Search（網格搜尋）：把每個頻率都試一遍。最全面但最慢，頻道越多越慢。

Random Search（隨機搜尋）：隨機試幾個頻率。參數很多的時候比 Grid Search 更有效率，因為很多參數其實對結果影響不大，隨機反而更快找到好的組合。

Bayesian Optimization（貝葉斯優化）：根據已經試過的結果，動態決定下一個該試哪個。像是有經驗的調音師，每次試完會推測「下次該往哪邊調」。

考試問「系統化測試多組超參數設定」，答案是 Grid Search。「快速探索部分參數空間提升效率」是 Random Search。「根據歷次結果動態調整搜尋方向」是 Bayesian。

PCA 跟 LASSO：欄位太多的時候怎麼辦

房價預測模型有「建坪」「房齡」「樓層」「總價」等一堆特徵。但「房間數」跟「坪數」高度相關（房間多的通常坪數大），這會讓線性迴歸的係數不穩定。

PCA（主成分分析）像是把十幾門考試成績合併成「理科」跟「文科」兩個總分。它不是挑出最重要的欄位，而是把多個相關的欄位融合成幾個獨立的新欄位。PCA 降維後可以降低訓練時間、減少過擬合風險，但不是說「PCA 保留的主成分一定能提升分類準確率」或「原始高維資料通常更能保留資訊」（PCA 就是在不怎麼丟資訊的前提下降維的）。

LASSO（L1 正則化）是另一種處理方式：在模型的損失函數加上懲罰項，把不重要特徵的係數直接壓到零，等於自動幫你做特徵選擇。考試問「多重共線性嚴重時該用什麼」，答案可以是 PCA 也可以是 LASSO，看選項怎麼出。

核心是：不是繼續保留所有特徵不處理、不是用不含正則化的普通線性迴歸、也不是換分類模型。

特徵工程：連續型 + 類別型怎麼一起用

資料裡同時有數字（年薪 50 萬、年齡 30 歲）和類別（性別、縣市）時，不能直接混在一起丟給模型。

最好的做法是：連續型特徵做標準化（Standardization），讓所有數字的範圍一致；類別型特徵用目標編碼（Target Encoding），並且生成交互特徵（兩個特徵相乘），讓模型能學到特徵之間的關聯。不是只用標籤編碼（Label Encoding）丟進去、不是把連續型也切成類別、不是只保留連續型忽略類別型。

費曼檢查點：你能向朋友解釋「為什麼 Precision 高不代表模型好」嗎？（因為它可能把門檻拉很高，只抓最有把握的，結果很多壞人漏掉了。）

故事五：餵錯資料比選錯模型更致命

廚師再厲害，食材壞了也煮不出好菜，AI 模型再先進，資料有問題就不可能準。

Data Drift：世界變了，模型沒更新

想像你訓練了一個預測「顧客會不會流失」的模型，訓練資料是去年的。今年市場上出現一個強力競品，顧客行為完全改變了，你的模型還在用去年的規則做判斷。

這就是資料漂移（Data Drift）：輸入資料的分佈跟訓練時不一樣了。系統沒有報錯，但預測準確率悄悄下滑。

怎麼偵測？計算輸入特徵分佈間的 KL 散度（KL Divergence），它能量化「現在的資料分佈跟訓練時差多少」。不是重新訓練（那是解法不是偵測法）、不是提升模型複雜度（跟漂移無關）、不是增加測試資料（也跟偵測無關）。

Data Drift 跟 Concept Drift（概念漂移）不一樣：Data Drift 是輸入變了，Concept Drift 是輸入跟輸出的關係變了（比如以前「月消費高」代表忠誠顧客，現在代表正在比較要不要換）。兩者都需要監控，但監控方法不同。

考試問「MLOps 流程中主動偵測並預警比類問題」，答案是建立即時的 Data Drift 與 Concept Drift 監控機制。

金融風控系統上線後分類錯誤率上升，經檢查發現輸入資料分佈已跟訓練集明顯不同，這也是 Data Drift 的典型情境。解法是用 VAE 監控潛在空間分佈，偵測輸入資料偏移。

DBSCAN 的兩個旋鈕

DBSCAN 是一種自動分群的演算法，不需要事先告訴它「要分幾群」。它靠兩個參數決定群集：鄰域半徑 Epsilon（多近算鄰居）跟最小點數 MinPts（多少個鄰居才算一群）。

考試問「DBSCAN 的兩個主要超參數」，答案就是 Epsilon 跟 MinPts。不是特徵數跟學習率、不是 K 值跟距離閾值、不是交叉熵跟權重初始化。

DBSCAN 的一個實務問題是：資料量很大時很慢。解法不是換成階層式群集（那更慢），也不是把 Epsilon 調很小（那只是改結果），而是用高效率的距離索引結構，例如 KD-Tree 或 Ball Tree，加速鄰域搜尋。

時間序列的殘差診斷

用 ARIMA 預測每週銷售量之後，你要檢查殘差（預測值跟真實值的差距）是不是隨機的。如果殘差呈現週期性波動、自相關函數在多個時滯上仍顯著不為零，代表模型沒抓到某些規律，配適不足（Underfitting）。解法是調整 p 或 q 參數來捕捉時間依賴性，不是忽略不計。

情緒模型的偏見

訓練一個情緒分析模型，上線後發現對某些語言或族群風格的評論判斷不一致。例如語氣強烈的正面評論被誤判為負面，或禮貌但含批評意圖的評論被判為中性。

考試問「哪一項描述不正確」，答案是「Transformer 架構能捕捉上下文語意，但若訓練資料偏差仍存在，模型仍可能學習到偏誤判斷」——這句話其實是正確的。不正確的是另一個選項，通常會暗示模型架構本身能完全解決資料偏見的問題。

處理 JSON 巢狀結構

企業的系統日誌通常是 JSON 格式，而且欄位會套欄位（巢狀結構）。要從裡面提取時序特徵供故障預測模型使用，不能只是簡單壓平成 CSV，也不能直接丟給 RNN 吃原始字串。正確做法是設計遞迴函式展開巢狀欄位，並基於時間視窗（Time Window）進行聚合與特徵萃取。

費曼檢查點：你能不能解釋「Data Drift 跟 Concept Drift 差在哪裡」？如果你能用「輸入變了」跟「輸入跟輸出的關係變了」這兩句話分清楚，你就理解了。

故事六：AI 上線不是結束，是另一個開始

模型訓練完只是起點，怎麼部署、怎麼監控、怎麼確保穩定運行，這些叫做 MLOps（Machine Learning Operations）機器學習營運，科目一有大約十題都在考這個領域。

用開餐廳比喻整個 MLOps 流程

Kubernetes = 後場調度經理：它不負責做菜（不負責訓練模型），它負責管理哪個廚師在哪個工作台、人手不夠時自動加人。考試問「Kubernetes 在 AI 模型部署中的核心功能」，答案是「管理與協調模型服務的部署、擴展與運行環境」。不是訓練模型、不是存資料、不是做 GPU 加速。

Model Registry = 食譜管理員：記錄每道菜的食譜版本、什麼時候改過、誰改的、用什麼食材。考試問「Model Registry 最常用於哪個階段」，答案是「集中管理模型版本、訓練紀錄與部署狀態」。不是設定運算資源、不是建立可重複使用的資料版本、不是追蹤上線後的模型漂移。

CI（持續整合）= 每天自動品管：每次有人改了程式碼就自動跑測試，確保沒有壞掉。考試問「CI 的核心實踐」，答案是「每次程式碼提交後自動觸發建置、單元測試及靜態程式碼分析」。不是每天固定時間手動合併、不是模型訓練完才定期回顧、不是用自動化部署腳本排程釋出。

Phased Rollout（漸進式部署）= 先讓少數人試吃：大型醫院要導入 AI 輔助診斷，不會一次全院上線。最穩的做法是從單一專科（如放射科）或特定病房開始啟用，逐步擴展至全院。不是先部署在急診（風險太高）、不是只在離峰時段用（限制太大）、也不是全院同步用提示模式（規模太大不好控制風險）。

高可用架構：十萬人同時用不能掛

AI 服務每次推論要 1 秒，峰值要支撐 10,000 RPS（每秒請求數），怎麼確保不掛？

答案是容器化部署（Container）搭配水平擴展（Horizontal Scaling）加上自動彈性伸縮（Auto Scaling）。不是靠單台超強伺服器垂直擴展（單點故障風險）、不是限制最大連線數（治標不治本）、不是增加批次大小（那改的是處理方式不是架構）。

監控：模型會慢慢變壞

模型上線後的預測信心度（Confidence）分佈是最敏感的監控指標。如果分佈開始變化（例如以前大部分預測的信心都在 90% 以上，現在開始出現一堆 60% 的），代表模型可能遇到它不熟悉的資料，效能開始下滑。

考試問「哪個監控指標最能提早發現模型效能下滑風險」，官方本題答案是 PSI（Population Stability Index），也就是監控「輸入特徵與訓練資料分布差異」。PSI 可用來預警線上資料分布是否偏離訓練資料，進而造成模型表現衰退。Confidence 分佈也可以作為輔助監控訊號，但不是本題官方答案。不是 CPU 跟記憶體（那是系統健康）、也不是 API 延遲（那是效能，不是準確度）。

GPU 記憶體不夠怎麼辦

大型語音合成模型用多台 GPU 訓練，經常記憶體不足。模型架構已固定不能改。解法是採用較小的批次大小（Batch Size）並搭配資料分片（Data Sharding）分散訓練負載。不是減少訓練資料量（會影響品質）、不是增加學習率（跟記憶體無關）、不是改用測試集訓練（大忌）。

不可否認性：AI 做的決定要留紀錄

金融機構把 AI 詐欺偵測整合到核心交易系統，監管要求必須做到「不可否認性（Non-repudiation）」：事後能證明是誰、在什麼時候、做了什麼決定。

做法是：為每筆 AI 推論記錄其輸入與輸出結果的加密雜湊值（Hash），並簽署數位簽章以確保不可竄改。不是優化推論延遲（那是效能）、不是增加備援機（那是高可用）、不是用負載平衡器（那也是效能）。

多任務學習的 Loss 權重

同一個 Transformer 模型同時做 OCR 文檔分類跟命名實體辨識（NER）。初期發現 NER 準確率提升時，文檔分類反而下降。原因是損失函數（Loss Function）沒有做權重平衡，兩個任務在搶同一批參數的注意力。解法是調整 Loss 的權重，讓兩個任務的學習不會互相拉扯。

費曼檢查點：如果有人問你「Kubernetes 跟 Model Registry 差在哪裡」，你能不能用「調度員 vs 檔案管理員」一秒回答？

故事七：AI 不是法外之地

AI 越來越強，但它不是可以為所欲為的，科目一有幾題專門考 AI 的安全跟倫理，這些題目的核心只有兩個概念。

對抗攻擊：在考卷上做暗記

對抗性攻擊（Adversarial Attack）是在輸入資料上加一點人眼看不出來的微小擾動，但 AI 就被騙了。例如在一張貓的圖片上加幾個像素的噪點，AI 就把它分類成狗。

防禦方式是在模型訓練階段就導入對抗樣本訓練（Adversarial Training），讓模型學會辨識這些惡意擾動。考試問「從根本上解決模型對對抗性攻擊脆弱性的技術手段」，答案不是過濾異常輸入（治標）、不是推論後加規則（太晚了）、不是網路防火牆（那是 IT 安全不是模型安全）。

著作權：浮水印追蹤

企業用生成式 AI 生成行銷內容，如果部分內容涉及著作權侵權怎麼辦？最有效的預防策略是在模型輸出端嵌入浮水印（Watermarking）或數位指紋（Digital Fingerprint），確保生成內容可追溯。不是在輸出端做語意比對（那是事後偵測不是預防）、不是建立訓練資料篩選機制（跟輸出端的追蹤是不同層面的）、不是在訓練時用差分隱私（那是保護訓練資料隱私，不是防止輸出侵權）。

費曼檢查點：你能不能解釋「對抗攻擊」跟「一般的系統入侵」差在哪裡？（對抗攻擊不是入侵系統，而是從正門輸入看起來正常但經過精心設計的資料來騙模型。）

總結：7 個故事覆蓋 50 題

科目一的 50 題，拆到底就是 7 個故事：

故事	核心問題	覆蓋題數
AI 怎麼聽懂人話	NLP 的層次：字 → 句 → 文件	約 10 題
AI 怎麼看懂圖片	偵測 → 分割 → 跨模態	約 4 題
AI 怎麼無中生有	GAN vs VAE vs Diffusion	約 8 題
怎麼幫 AI 打分數	指標、驗證、調參	約 9 題
餵錯資料比選錯模型更致命	Data Drift、偏見、資料品質	約 8 題
AI 上線不是結束	MLOps 全流程	約 9 題
AI 不是法外之地	安全與倫理	約 2 題

考前不要背名詞解釋，改成跑一遍 7 個故事的「費曼檢查點」：每個檢查點都用自己的話說一遍，說不出來的就回去重讀那一段。

能用自己的話說清楚，就代表你真的懂了，考試只是換個包裝再問你一次而已。

---

NotebookLM Podcast

推薦閱讀

• [新手入門] 中級科目二：費曼學習法，7 個故事讓你讀完就懂
• [新手入門] 中級科目三：費曼學習法，6 個故事讓你讀完就懂
• iPAS AI 應用規劃師是什麼？台灣唯一官方 AI 證照完整攻略
• iPAS AI 應用規劃師中級跟初級差別？從 150 題考古題看穿出題思維
• iPAS AI 應用規劃師中級科目一：人工智慧技術應用與規劃 7 大核心命題
• iPAS AI 應用規劃師中級科目二：大數據處理分析與應用 6 大核心命題
• iPAS AI 應用規劃師中級科目三：機器學習技術與應用 6 大核心命題

參考資料

iPAS 經濟部產業人才能力鑑定（2025）. AI 應用規劃師中級能力鑑定考試簡章

iPAS 經濟部產業人才能力鑑定（2025）. 114 年第二次 AI 應用規劃師中級能力鑑定公告試題｜第一科：人工智慧技術應用與規劃

---

FAQ