博學之，審問之，
慎思之，明辨之，篤行之。
—— 《禮記·中庸》（先秦）

---

這是資策會生成式 AI 能力認證的考前速查工具（完整版）。它不是教材，是臨考前最後幾小時的補漏牌——把最容易被漏掉、最容易搞混的名詞與考點一次列齊，每個都附「看到 X 選 Y」的辨析鉤。

概念層整理、不含任何真題（那是版權）。想先看「我怎麼用 AI 協作、兩個月考兩張」的方法，讀這篇的姊妹文：〈兩個月考兩張 AI 證照〉。

---

一、關鍵名詞完整速查表（71 個，分五組）

每個名詞附「🎯 怎麼用／怎麼考」，標【必考／經典／易混】的最會考、務必分清誰是誰。

原理與架構

• RAG 檢索增強生成：先從外部知識庫檢索再交給模型生成。🎯 問「如何解決知識過時或幻覺」→ 選 RAG，不必重訓模型。
• Attention 注意力機制：讓模型關注輸入序列不同位置的語義關係。🎯 「為何 Transformer 能抓長距離關聯」。
• Transformer：Encoder 理解輸入、Decoder 生成輸出。🎯 GPT＝Decoder-only、BERT＝Encoder。
• RLHF 人類回饋強化學習：用人類回饋微調使符合人類偏好。🎯 ChatGPT 為何比原始 GPT 更聽話安全的關鍵。
• Word2Vec：把詞映射成向量，語意近的靠在一起。🎯 靜態嵌入（同字同向量）↔ 對比 BERT 情境嵌入。
• Embedding 嵌入：把文字／圖像轉成向量。🎯 RAG／語意搜尋／推薦都靠它算相似度，是向量庫存的東西。
• Tokenizer / Token：把文字切成 Token，一中文字約 0.5~1 Token。🎯 估 API 費用與上下文長度都以 Token 算。
• CNN 卷積神經網路：傳統影像辨識架構。🎯 陷阱：「影像一定要用 CNN 嗎」→ 錯，Transformer 也能且更強。
• GAN 生成對抗網路：生成器 vs 判別器對抗訓練。🎯 誰提出→ Ian Goodfellow；對比擴散模型。
• Diffusion 擴散模型：從隨機雜訊逐步去噪生成圖像。🎯 SD／Sora 核心，「加噪再學去噪」，別跟 GAN 混。
• Pre-training 預訓練：海量無標註資料學通用知識。🎯 三階段：預訓練（通用）→ 微調（專業/行為）→ RAG（外部即時）；最耗運算＝預訓練。
• Fine-tuning 微調：改變模型行為或注入專業知識。🎯【最愛考分辨】改口氣/學專業領域用微調；補會變的資料用 RAG。
• Overfitting 過擬合：訓練好、測試差、缺泛化。🎯 解法：Dropout、資料增強、正則化。
• Temperature 溫度：控制輸出隨機性/創造性。🎯 發想調高、要精準調低；=0 每次選最高機率詞。
• Context Length 上下文長度：一次能處理的 Token 上限。🎯「長對話後期忘了最初指令」＝超過它。
• Ground Truth：標準答案／標籤。🎯 評估模型準不準的基準。
• Open Weights vs Open Source：開放權重但授權有限 ≠ 嚴格開源。🎯 Llama 算 Open Weights。
• NLU / NLG / NLP：NLP 分 NLU（理解）與 NLG（生成）。🎯 聊天機器人先 NLU 懂你、再 NLG 回答。
• Quantization 量化：降精度（32→8/4-bit）減體積加速。🎯「減記憶體、加速、略降精度」把大模型塞進手機。
• Distillation 蒸餾：大模型（Teacher）知識轉給小模型（Student）。🎯 看到 Teacher/Student 就是它。
• Hallucination 幻覺：生成看似合理但不正確／虛構的資訊。🎯「一本正經地胡說」；要 RAG／事實查核的根因。
• Zero/One/Few-shot：不給／給一個／給多個範例。🎯 效果差就從 Zero 升級到 Few-shot。
• Chain-of-Thought 思維鏈：讓模型先產生中間推理步驟。🎯 解數學/邏輯題加「think step by step」。
• MoE 混合專家：多專家、每次只活化部分。🎯「參數超大但推理成本可控」（Grok-1、Mixtral、GPT-4）。

Prompt 與 Agent

• System vs User Prompt：System 設長期角色／規則；User 是當下指令。🎯 設人設寫 System、日常提問是 User。
• Prompt Tuning / Soft Prompts：只訓練少量軟提示向量，不動主體權重。🎯 低成本客製，對比全參數微調更省。
• Agent / AI Agent：能自主規劃、用工具、多步驟執行。🎯 對比只會聊天的 Chatbot。
• Tool Use / Function Calling：讓模型呼叫外部工具／API。🎯 查即時股價、算數、發信；Agent 核心能力。
• LangChain / LlamaIndex：開發 LLM 應用框架。🎯 LangChain 通用串接；LlamaIndex 專接私有數據。
• ReAct：邊推理邊行動（呼叫工具/搜尋）。🎯「Reasoning + Acting 交替」的 Agent 經典範式。
• Multi-agent 多代理：多個角色 Agent 協作（一個寫、一個測、一個寫文件）。
• Jailbreak 越獄：繞過安全過濾使模型答被禁內容。🎯「用話術突破安全限制」（如祖母漏洞）。
• Prompt Injection 提示注入：把惡意指令藏進輸入劫持模型。🎯【易混】Jailbreak（破安全）vs Injection（注入惡意指令）。
• Self-Consistency：多次推理取多數決，提高穩定／正確率。

工具與應用

• Text-to-Video 文生影：文字直接生成影片。🎯 代表 Sora；對比 Image-to-Video（要先給一張圖）。
• TTS / STT / S2S：文字轉語音／語音轉文字／語音對語音翻譯。🎯 配音 TTS、字幕 STT、即時跨語通話 S2S。
• ControlNet：加控制條件精確控制圖像構圖。🎯 OpenPose 控人物骨架、Canny 控邊緣。
• Inpainting / Outpainting：局部重繪／向外擴圖。🎯 移除路人用 Inpainting；畫面往外延伸用 Outpainting。
• Upscaling 超解析度：放大圖像同時補細節。🎯「放大並智能補細節」，老照片變高清。
• Style Transfer 風格遷移：把一張圖的風格套到另一張的內容。🎯 照片變梵谷風，別跟 Inpainting/Outpainting 混。
• LoRA：只訓練極少參數學特定人物/畫風。🎯 檔小、學某角色/畫風；屬 PEFT 高效微調。
• Voice Cloning / Voice Banking：複製聲音／為失聲者預存嗓音。🎯 醫療上 ALS 患者術前 Voice Banking。
• Stable Diffusion / Midjourney：主流圖像生成工具。🎯 Midjourney 用 —ar 控長寬比；SD 可搭 ControlNet/LoRA。
• Suno / ElevenLabs：Suno 生成歌曲；ElevenLabs 語音合成/複製。🎯 要含人聲完整歌曲用 Suno。
• AutoML：自動選模型、調超參，降低 ML 門檻。🎯「讓非專業者也能建模」。
• Deepfake 深偽：合成/換臉換聲造假。🎯 倫理必考：正面（演員回春）、負面（詐騙），需偵測+透明度標示。
• 聊天機器人三要素：NLU 理解、Dialog 對話管理、NLG 生成。🎯 分辨 Intent（意圖）/ Entity（實體）/ 上下文追蹤。

資料治理與 MLOps

• MLOps / Feature Store：集中管理 ML 特徵確保訓練/推理一致。🎯「避免訓練和上線特徵不一致」。
• Data Drift vs Concept Drift【經典必考】：輸入分佈變 vs 輸入-輸出關係/定義變。🎯 新詞出現＝Data Drift；「垃圾郵件定義本身變了」＝Concept Drift。
• Data Lineage 資料血緣：追蹤資料來源→轉換→去向。🎯 追「這數字哪來的」＋合規稽核。
• PII 個人可識別資訊：姓名/身分證/地址等。🎯 處理前要去識別化或加密。
• Anonymization vs Pseudonymization【必考】：匿名化不可逆 vs 假名化可逆。🎯 完全無法還原＝匿名化；還想對回本人＝假名化。
• Differential Privacy 差分隱私：加數學雜訊使無法回推個體。🎯「加雜訊、數學保證」公開統計又不洩露個人。
• Homomorphic Encryption 同態加密：加密狀態下直接運算。🎯「密文直接運算」。
• Federated Learning 聯邦學習：本地訓練只回傳參數。🎯 口訣「資料不動、模型動」（手機鍵盤預測、醫院合作）。
• SMPC 安全多方計算：多方不洩輸入共同計算。🎯 多家銀行想合算又不給對方看資料。
• XAI 可解釋 AI：提高決策透明可理解。🎯 醫療/金融/司法要能解釋「為何這樣判」；分全局/局部。
• Red Teaming 紅隊：專家扮攻擊者主動找漏洞。🎯 重點是「主動攻擊視角」。
• Data Poisoning 數據投毒：訓練資料注入惡意數據讓模型學壞。🎯 防禦要驗證資料來源。
• Model Inversion Attack：從輸出逆推訓練資料敏感資訊。🎯 隱私威脅，如從人臉模型反推訓練用人臉。
• Zero Trust 零信任：永不信任、始終驗證。🎯 每次存取都驗證，不論來源。

倫理與法律

• LAWS 致命自主武器系統：能自主選定並攻擊目標的武器。🎯 軍事 AI 必考爭議：國際禁令、人道法、「人類須保有控制權」。
• Copyright / Fair Use：用受版權作品訓練是否算合理使用。🎯 AI 訓練侵權爭議核心；也考 AI 生成內容版權歸誰。
• GDPR / Machine Unlearning：被遺忘權；進權重後極難精確刪。🎯「用戶要求刪個資但已訓練進模型」的技術困境。
• EU AI Act：歐盟 AI 法，依風險分四級。🎯 全球首部全面 AI 法規：不可接受/高/有限/最低。
• CCPA / PIPL / 台灣個資法：加州/中國/台灣的個資法。🎯 台灣＝個資法，需當事人同意+安全措施。
• Opt-in / Opt-out / Consent：管理用戶對個資使用的同意。🎯「記錄與管理用戶同意狀態」。
• Accountability 問責：可追究 AI 決策的責任。🎯 六大倫理原則之一，「出事要能追責」。
• Transparency 透明度：運作方式與決策邏輯公開可理解。🎯 對比 Accountability（追責）vs Transparency（公開可懂）。
• Digital Divide 數位落差：缺網路/設備/素養者更難享 AI。🎯 延伸「數位殖民主義」「文化同質化」。
• MHC 有意義的人類控制：人類保有理解/判斷/干預能力。🎯 比 Human-in-the-loop 更強調人類要真的能懂能改。

---

二、四大面向 · 逐章考點速查

第一面向：基礎知識

1.1 生成式 AI 基本概念

• Scaling Laws：運算／資料／參數增加，效能可預測提升。
• Token：中文字約 0.5~1 個 Token，也是計費單位。
• Temperature（控隨機性）、Top-P（核採樣）（從累積機率達 P 的最小詞集採樣）；結果不同因機率採樣。
• 幻覺（Hallucination）：生成看似合理但不正確／虛構的資訊。
• GAN（生成器 vs 判別器競爭，Goodfellow 2014）vs 擴散模型（加噪破壞→學逆向去噪）。
• 必記：垂直 AI＝針對特定產業訓練優化。

1.2 生成式 AI 應用領域

• 全章主軸：從「自動化」轉向**「增強與協作」**，提升專業人士效率而非全面取代。
• 學術規範：AI 可輔助潤飾／發想，禁直接代寫，且需揭露。
• 人機協作：小說＝人設大綱、AI 擴寫；翻譯＝譯者轉為「譯後編輯（Post-editing）」。
• 概念驗證（PoC）：先小範圍測可行性再決定是否擴大。
• 倫理風險高頻：履歷篩選可能歧視；心理諮商 AI 最怕給錯醫療建議／處理不了危機；政策起草須人類嚴審。
• 內容審核：AI 能理解上下文與隱晦仇恨言論，比關鍵字過濾精準。
• 企業 RAG：解決關鍵字搜尋無法理解語意、難跨文件綜合的痛點。
• 製造：生成式設計（探索方案優化重量／強度／成本）、預測性維護、品管生成罕見瑕疵樣本。
• 自動新聞最適合結構化強的財報／體育快訊，非深度調查／社論。
• 必記：程序化內容（Procedural Content）＝AI 生成遊戲美術／關卡降成本。

1.3 生成式 AI 技術術語

• 參數（模型學出來）vs 超參數（人設定，如學習率／Batch Size）。
• 反向傳播（訓練時算梯度更新權重）vs 推理 Inference（部署後對新資料預測）。
• Overfitting（訓練好、測試差，缺泛化）vs Underfitting（太簡單）；Bias-Variance Tradeoff（高偏差＝欠擬合、高變異＝過擬合）。
• Precision vs Recall 有權衡；F1 是兩者調和平均（陷阱：不是算術平均）。
• 解碼策略：Greedy（易重複）、Beam Search（width=1 等同 Greedy）、Top-K、Temperature=0 最確定。
• 架構：Encoder-Decoder→Seq2Seq（翻譯）；Decoder-only（GPT 續寫）；Self-Attention（句內字與字）；Cross-Attention（跨兩串）。
• RNN 難平行化＋長距離遺忘；LSTM 門控解梯度消失；GRU 是 LSTM 簡化版。
• Word2Vec（靜態，同字同向量）vs BERT（情境化，同字隨上下文變，如 bank）。
• 預訓練任務：GPT＝CLM（因果／單向）；BERT＝MLM（遮罩／雙向）。
• 必記：Ground Truth、Dropout（隨機關神經元防過擬合）、Data Augmentation（旋轉裁切加噪增資料）、Quantization（32→8/4-bit 縮體積加速）、LLM-as-a-Judge、Ablation Study（消融，移除組件看影響）。

1.4 生成式 AI 技術原理

• SD 生態：Automatic1111（最完整 WebUI）、ComfyUI（節點式）、Fooocus（極簡高畫質）、Civitai（模型／LoRA 社群）。
• 參數：CFG Scale（圖與 Prompt 相關度）、Sampler（細節／收斂）、Checkpoint（完整模型決定風格）、LoRA（檔小、學特定人物／畫風）。
• ControlNet 預處理：Canny（邊緣）、OpenPose（骨架）。
• RAG 工具：LangChain（串接框架）、LlamaIndex（私有數據接 LLM）。
• 本地 LLM：Ollama、LM Studio、GGUF（是「格式」不是軟體）、GPT4All。
• 搜尋型：Perplexity.ai（附引用來源解幻覺）、Poe（聚合多模型）。
• 推理優化：TensorRT（NVIDIA 加速）、ONNX（跨框架格式）、QAT（訓練時量化）vs PTQ（訓練後量化）。
• 邊緣：Edge AI非「無限算力」；NPU 低功耗推理；TOPS 衡量 AI 晶片效能。
• 必記：MoE（混合專家，每次只活化部分）、IP-Adapter（把圖片當 Prompt）、Delimiter（分隔符，區隔指令與資料防注入）、Pipeline（Hugging Face 封裝前處理／推理／後處理成一行 API）。

第二面向：能力強化（Prompt）

2.1 Prompt 優化能力

• 好 Prompt 要含：目標／對象／語氣／字數等具體限制。
• 推理引導：CoT（一步一步想）、Least-to-Most（拆子問題）、Step-Back（先抽象）、Tree of Thoughts（多路徑＋回溯）、Self-Consistency（多次取多數決）。
• 長對話失效：Prompt Decay（忘最初指令）、Instruction Creep（指令越疊越亂）、Lost in the Middle（忽略中段）。
• 安全攻防：Prompt Injection（廣義）⊃ Jailbreak（越獄子類）；Prompt Leaking（騙出 System Prompt）；防禦＝Sandwich Defense、Instruction Defense。
• 分隔符（```、###、XML）區隔指令與資料防注入；Claude 擅長 XML。
• Temperature 高＝創意；Top-P 低＝保守確定。
• 降幻覺最有效：要求「僅依提供資料回答，不知道就說不知道」。
• 圖像參數：—stylize（藝術化）、—chaos（多樣性）、::（加權）、Seed（鎖定構圖）、Negative Prompt（排除元素）。
• 偏見：英文 Prompt 品質通常較高；不指定文化則偏歐美（Wedding 預設白紗）。
• 必記：Meta-Prompting（要 AI 幫你寫 Prompt）、Grandma Exploit（祖母漏洞）、Flipped Interaction（模型反過來問你）。

2.2 生成式 AI 資料治理

• Data Drift（輸入分佈變）vs Concept Drift（輸入輸出對應關係變）【經典易混】。
• 存取控制：RBAC（角色）vs ABAC（屬性，更細粒度）。
• 資料架構：Data Lake（非結構化）／Warehouse（ACID）／Lakehouse（結合）／Fabric（統一存取）／Mesh（去中心化、資料即產品）。
• GDPR 被遺忘權技術挑戰＝Machine Unlearning（訓練進權重後極難精確刪）。
• 必記：Golden Record（清洗整合後唯一正確版本／SSOT）、Dark Data（收集卻從未分析）、Data Poisoning、Shadow AI（員工私用未核准 AI 工具）、HNSW（向量近似最近鄰演算法）。

2.3 生成式 AI 最新發展

• 線性複雜度架構（解 Transformer 二次方）：Mamba（SSM）、RWKV、RetNet、Griffin、Jamba（混合）。
• 推理加速：Flash Attention（IO-aware）、PagedAttention（KV Cache 分頁，vLLM）、Speculative Decoding（小模型草擬、大模型驗）。
• 量化極限：BitNet b1.58（權重 -1/0/1 三態，≈1.58 bit）。
• RAG 變體：Graph RAG（知識圖譜）、Self-RAG（反思自評）、CRAG（評相關性觸發網搜）、Agentic RAG。
• MoE：Grok-1（314B 但每次用約 25%）、DBRX、Mixtral；總參數大但推理成本可控。
• Post-training（RLHF／RLAIF）決定安全／對齊，是推理模型（如 o1）突破關鍵。
• AI Agent vs Chatbot：Agent 有規劃／工具／循環；代表 Devin、SWE-agent。
• 科學突破：AlphaFold 3（蛋白質/DNA/RNA）、GraphCast（氣象）、GNoME（新晶體）、AlphaGeometry（幾何證明）。
• 多模態原生（Gemini 1.5，端到端）優於拼接。
• 必記：Compound AI Systems（多模型／工具組合）、Model Merging（合併微調權重）、Sovereign AI（各國自建 AI 基建）、SynthID（隱形浮水印）、Embodied AI（AI 進實體機器人）。

2.4 自主學習方法和工具

• 學習法：費曼學習法（講給不懂的人聽驗證真懂）、Project-Based、Building in Public、Peer Learning。
• 開發工具：Cursor（理解整專案的 AI 編輯器）、VS Code+Copilot、Replit（瀏覽器內）、Colab（免費 GPU）。
• 雲廠證照：Google PMLE／Azure AI Engineer／AWS ML-Specialty。
• 資料前處理常佔 AI 專案 80%+ 時間。
• 數學對應：線性代數→矩陣／張量；微積分→梯度下降／反向傳播；機率統計→預測下一詞機率。
• 自學第一步＝動手玩（先註冊 ChatGPT／Midjourney 親自試）。
• 必記：roadmap.sh、Pomodoro（番茄鐘 25+5）、Growth Mindset vs Abundance Mindset、AutoGPT／BabyAGI。

第三面向：應用技能（八種生成工具）

3.1 文字生成工具

• 核心定位＝「智慧副駕」：增強效率、取代重複性低價值寫作，不是取代人類創作。
• 任務分工（愛考「選對功能名」）：摘要（Summarization）／改寫（Paraphrasing）／擴寫（Expansion）／翻譯／情感分析（Sentiment Analysis）。
• 客服鐵則：AI 先試解決，遇專業／醫療／法律／敏感個資 → 無縫轉真人並附摘要。
• 專業文件（法律／醫療／財務）：AI 只是草稿／輔助，必須人工審核。
• 一致性控制：詞彙表／Style Guide、品牌語氣指南、角色設定 Prompt。
• 公平性：職缺描述避免性別／年齡／種族偏見詞；新聞用事實陳述。
• 多模態橋接：文字 AI 常當「輸入層」（生影片劇本、圖片 Prompt、旁白），本身不做圖／聲。
• 個人化推薦：不只給對錯，要給解釋＋避免資訊繭房。
• 工具：Grammarly（語法＋語氣）、Persona-based Content、Style Guide／Glossary。

3.2 圖片生成工具

• 三大編輯技術（愛考辨析）：Inpainting（移除／修局部）、Outpainting（向外擴畫布）、Upscaling（放大補細節）。
• ControlNet／OpenPose 精確控制構圖／姿勢。
• 職業影響＝取代部分重複工作，仍需人類創意指導／審美／後期。
• 電商：產品圖合成到情境背景／虛擬模特兒。
• 版權與倫理：版權歸屬複雜、偏見源自訓練資料、要標示 AI 生成並可溯源。
• 道德紅線：禁色情／暴力／仇恨、禁未經同意 Deepfake。
• Prompt 關鍵字 “photorealistic”／“8k” ＝更真實細節（不是改尺寸／加速）。
• 工具：Stable Diffusion、Virtual Staging（虛擬樣板房）、虛擬試穿／試妝、Remini（修舊照）。

3.3 簡報生成工具

• 核心原則 「Less is More」：文字精簡、多用視覺。
• 講稿／大綱要提供：主題、目標聽眾、演講時間、核心論點。
• Speaker Notes（備註）＝每張投影片的擴充解釋／數據來源／演講提示。
• 三階段：事前（內容審查）／事中（演講分析）／事後（總結報告）。
• Storytelling：Problem-Solution、STAR 敘事框架。
• 視覺一致性要分清：視覺連貫／語言風格／品牌規範。
• 事實查核：須可靠數據＋人工審核，不能只靠 AI 自動更正。
• Alt Text（替代文本）＝自動辨識圖片生成、供螢幕閱讀器＝無障礙。
• 數據三層：即時更新／數據同步（連 Excel/Sheets）／數據治理。
• 互動：Q&A 主持、投票、測驗、遊戲化（積分／排行榜／徽章）。
• Virtual Presenter（虛擬演講者）、版本控制（可回溯任一版本）、圖表選擇（依數據類型＋目標推薦）。

3.4 聲音生成工具

• 語音三分法（愛考）：TTS（文字→語音）、STT（語音→文字）、S2S（語音→語音翻譯，直接轉語音）。
• TTS 自然度＝模擬音高／語調／重音／節奏。
• Vocaloid 類＝把文字轉成特定音色的「歌聲」。
• 音樂生成：節奏／和聲／配器／編曲。
• Dubbing（配音）／ADR（自動對白替換）＝合成符合嘴型／情感的語音。
• 音訊編輯：Adobe Podcast（Enhance Speech）去雜音回音、提升到錄音室品質。
• 安全三項（愛混）：語音生物辨識（身份驗證）／AI 語音鑑識（偵測是否 AI 假造）／音訊浮水印（溯源）。
• AI 語音詐騙＝複製親友聲音詐騙（最具體倫理風險）。
• 情緒雙向：語音情緒識別 vs 情緒表達生成，勿混。
• Foley Sound（擬音）／3D 空間音效。

3.5 影片生成工具

• 涵蓋前製到後製全流程。
• Text-to-Video vs Image-to-Video（後者需一張靜圖＋動作 Prompt）。
• 面部動畫（依語音／情緒／動捕）、語音複製、De-aging（年輕化）、視覺風格遷移。
• Generative Fill（移除物件／擴背景）、影片去背、Upscaling。
• Deepfake ＝最大倫理爭議 → 需偵測技術＋透明度標示。
• 道德：禁色情／暴力／仇恨／未經同意 Deepfake。
• 對從業者＝加速降成本，仍需人類創意指導；促進「電影製作民主化」。
• 工具：Pika Labs（Motion Brush）、HeyGen（Lip-syncing）。

3.6 程式生成與網站

• AI Pair Programming（虛擬程式員即時協作）。
• Code Refactoring（不改外部行為、優化結構可讀性）。
• 自動生成單元測試；自然語言轉 SQL（讓非技術者操作資料庫）。
• IaC（Terraform／CloudFormation，用程式碼管基礎設施）、容器化（Dockerfile／K8s）、CI/CD（GitHub Actions）。
• 網頁整合：支付（Stripe/PayPal）、CRM（Salesforce）、ERP（SAP）。

3.7 數據分析工具

• 核心＝自動識別模式／異常／趨勢。
• AutoML（自動建模降門檻）、BI（自然語言生成圖表報告／轉 SQL）。
• 特徵工程、數據清洗、異常檢測（詐欺／故障）。
• 客戶流失預測 vs 客戶終身價值（LTV）預測。
• 數據可視化（自動選圖表）／數據故事化、預測性維護、供應鏈優化。

3.8 聊天機器人工具

• Intent Recognition（意圖：「訂機票」）／Entity Extraction（實體：「明天」「台北」）。
• Rule-based（需人工定義所有路徑、缺彈性）vs AI-powered。
• Proactive Assistance（主動協助）、Emotional Intelligence（同理回應）。
• 客服：多渠道、自助、無縫轉真人附摘要、多語言。
• 危機處理：偵測自殺意念 → 立即提供專業資源、轉介。

第四面向：倫理與法律

4.1 社會和個人影響

• 全章主軸「雙面刃」：各領域同時帶來效率與新風險。
• 增強效應（augmentation）vs 替代效應（substitution）。
• 自動化偏見（Automation Bias）：過度信任 AI、即使出錯也盲從。
• Deepfake／假訊息威脅選舉、新聞公信力、社會信任。
• 迴聲室效應（Echo Chamber）／濾泡效應（Filter Bubble）→ 社會極化。
• 人機情感依附、認知退化。
• 數位落差三變體：數位落差（缺設備／素養）／數位殖民主義（喪失數據主權）／文化同質化（邊緣化小眾）。
• 勞動：Upskilling／Reskilling、UBI（全民基本收入）、Ghost Work（幽靈勞動：背後低薪標註／審核人力）。
• 環境代價：訓練／推論耗能→碳排增加（是問題非環保）。

4.2 倫理準則和規範

• Non-maleficence（不作惡，消極）vs Beneficence（行善，積極）。
• 人類控制遞進：Human-in-the-loop → Meaningful Human Control（MHC）（保有理解／判斷／干預）。
• XAI 兩層：全局可解釋（整個模型）vs 局部可解釋（單一預測）。
• EU AI Act：全球首部全面 AI 法規，依風險分級。
• NIST AI RMF：自願性，治理／映射／測量／管理四階段。
• 偏見：偵測（多元性分析＋公平性測試＋反事實）vs 緩解（前處理＋訓練約束＋後處理）。
• Alignment（對齊）、Double-use Problem（雙重用途）、Red Teaming（紅隊）。
• 必記：MHC、全局 vs 局部可解釋、監管沙盒（受控環境評估倫理影響）。

4.3 法律法規

• 美國 AI Bill of Rights：非強制指導原則（非法律）。
• 責任歸屬：AI 出錯不是「AI 自己負責」，歸設計者／製造商／部署者／使用者。
• 著作權：AI 生成內容版權歸屬爭議；訓練用受版權作品是否侵權；AI 能否當發明人。
• 數據主權／本地化（Data Localization）：數據須存特定地理區域。
• 軍事：致命自主武器系統（LAWS）國際禁令、人道法、指揮鏈責任。
• 數位倫理準則無法律效力（準則≠法律）；AI 法律人格仍在討論、無定論。
• 必記：AI Bill of Rights、PIPL（中國個資法）／台灣個資法、Data Localization、LAWS。

4.4 隱私保護和資料安全

• 隱私增強技術（PETs）家族【全章最常考辨析】：
  • 差分隱私（加數學雜訊，無法識別單一個體）
  • 同態加密（加密狀態直接運算）
  • 聯邦學習（本地訓練只傳參數，資料不動模型動）
  • 安全多方計算 SMPC（多方不洩輸入共算）
  • 數據遮罩（替換成格式正確的假資料，測試環境用）
• 存取控制：RBAC（角色）／ABAC（屬性，更細）／ACL（清單）／最小權限原則。
• 零信任架構：「永不信任，始終驗證」。
• 加密三態：靜態加密（at Rest）／傳輸加密（in Transit）／KMS 密鑰管理。
• 威脅：Data Poisoning、Model Inversion Attack（逆向推訓練資料如人臉重建）、Adversarial Robustness（抗對抗樣本，是防禦目標）。
• AI 資安應用：SIEM（統一監控）、IDS（入侵檢測）、SOC（安全運營中心）。
• 隔離：TEE（可信執行環境，硬體隔離）、Secure Data Enclaves；MFA（多因素認證）、職責分離。

---

用法建議：考前一天把「一、名詞」與「三分法／辨析類」（Data Drift vs Concept Drift、TTS/STT/S2S、Precision vs Recall、Non-maleficence vs Beneficence、PETs 家族）過兩遍就好，其餘掃過混臉熟。祝上考場順利——方法看姊妹文〈兩個月考兩張 AI 證照〉。

Markdown 原文