iPAS 初級考古題與趨勢分析
L11 人工智慧基礎概論 + L12 生成式 AI 應用與規劃，兩科歷年出題趨勢、高頻考點、常見錯誤一次整理。
初級最新通過率：38.63%（114年第四次初級）
通過率從 56.61% 一路下降到 38.63%，題目難度持續提高，考前掌握趨勢變化非常重要。
官方學習資源下載
iPAS 官方不直接公開完整考古題，但提供學習指引和評鑑範圍文件。建議搭配本頁趨勢分析一起使用。
前往 iPAS 官方學習資源頁L11 人工智慧基礎概論：趨勢分析
難度變化
情境應用題佔比大增，純定義背誦題減少；已出現 Transformer 推理瓶頸、RLHF 等偏中級概念
115 年新增考點
- Flash Attention（解決 Transformer 記憶體 I/O 瓶頸）
- RLHF（人類回饋強化學習，GPT 對齊技術）
- Constitutional AI（Anthropic 提出的 AI 對齊方法）
- EU AI Act 第三類高風險系統分類
- 金管會生成式 AI 使用指引
- Regulatory Sandbox（監理沙盒）概念
高頻考區
- L111 AI治理（EU AI Act 三層風險架構 + 台灣法規）
- L113 六種學習類型辨析（監督/非監督/半監督/自監督/強化/遷移）
- L114 生成模型架構對比（VAE vs GAN vs Diffusion vs Transformer）
常見錯誤
- Type I vs Type II Error 方向混淆：Type I = 拒絕真實 H₀（= α = 顯著水準）；Type II = 接受假 H₀（= β）
- K-means 收斂條件：每個資料點屬於距離最近的中心——答案是 A（群內距離最小），不是 B（官方勘誤）
- 監督 vs 自監督學習：BERT/GPT 預訓練是自監督，不是無監督
- EU AI Act 禁止類型：情緒辨識於職場/學校 + 即時遠端生物辨識（非高風險，是禁止）
官方學習指引勘誤
K-means 收斂答案（第3題）
錯誤：B（群內距離最大化）
正確：A（群內距離最小化，群間距離最大化）
考題直接考此答案，選 B 會答錯
Type I / Type II Error 對照表
錯誤：拒絕 H₀ 那格標為 Type II 錯誤（α）
正確：拒絕 H₀ 且 H₀ 為真 → Type I 錯誤（α）；接受 H₀ 且 H₀ 為假 → Type II 錯誤（β）
假設檢定題常考，表格欄位標錯會導致整題判斷方向錯誤
平均差（Mean Deviation）定義
錯誤：每一個觀察值與平均數之間的差距，其數值越大表示分散程度越高
正確：是所有觀察值與平均數之間絕對差值的平均，其數值越大，表示資料的分散程度越高
強調「絕對差值的平均」，非單純差距，定義題直接影響判斷
抽樣變異（Sampling Variation）定義
錯誤：樣本統計量與母體參數之間存在差異，這種差異稱為抽樣變異
正確：從母體抽取樣本所計算出的統計量，因樣本的隨機性而與對應母體參數有所差異，這種統計量變動現象稱為抽樣變異（Sampling Variation）
關鍵字「統計量變動現象」，非單純「差異」
統計推論定義（假說檢定名詞表）
錯誤：導致接受或拒絕之統計假設的步驟，就是統計推論之主要工作
正確：根據樣本資料，判斷是否接受或拒絕統計假設的過程
措辭不精確，定義題可能直接考這段文字
p 值假設檢定第 7 題（選項 B 措辭）
錯誤：「我們有 95% 的信心拒絕虛無假設」
正確：「我們在 95% 的信心水準下拒絕虛無假設」；p=0.03 表示在 α=0.05 下可拒絕 H₀，但不等於犯型一錯誤的機率是 5%
選項 B 措辭改寫，直接影響選題判斷
讀書建議
優先讀 EU AI Act 三層分類 + 台灣金管會 AI 指引；Transformer 至少要懂 Self-Attention 解決了什麼問題；Flash Attention 關鍵詞：記憶體 I/O 瓶頸
L12 生成式 AI 應用與規劃：趨勢分析
難度變化
以情境應用為主，考「如何規劃」而非「什麼是」；MCP 和 AI Agent 是 115年最新考點
115 年新增考點
- MCP（Model Context Protocol）：解決 AI 工具整合碎片化的標準化協議
- AI Agent：能自主規劃和執行任務的 AI 系統
- Cursor / VS Code Copilot：AI 輔助程式開發工具
- Context Engineering：最大化有效利用 context window 的工程方法
- CoT（Chain of Thought）、ToT（Tree of Thought）、Graph Prompting
- Agentic Workflow：多步驟自動執行的 AI 工作流程
高頻考區
- L122 進階 Prompt 技術（CoT/ToT/RAG）
- L123 AI 導入規劃與風險管理
- L12301 AI Agent 評估
常見錯誤
- MCP 誤解為單純 API 整合：MCP 是標準化工具介面協議，讓 AI 助理統一呼叫外部工具
- CoT vs ToT 適用場景：CoT 適合線性推理；ToT 適合多路徑搜尋（如難題分析）
- RAG vs Fine-tuning：RAG 是檢索增強（不改模型權重）；Fine-tuning 是修改模型本身
官方學習指引勘誤
章節標題（3）
錯誤：（3）資源與基礎設施評估
正確：（3）企業導入階段性實施策略
標題與段落內容不符，考「導入策略」知識點時影響判斷
讀書建議
每個新工具（MCP/Cursor/AI Agent）都要能說出「解決什麼問題」，不只是名稱定義；Prompt 技術重點是「何時用哪種」