2026 01 23 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 經濟部 IPAS AI考試 科目一：人工智慧基礎概論 歐盟《人工智慧法》 （Artificial Intelligence Act, AIA）的風險分級 K平均法（K-means）Z-score方法主成分分析（PCA）

iPAS AI應用規劃師初級能力鑑定-考試樣題

科目一：人工智慧基礎概論

A 6.假設某國正在考慮使用AI技術來進行社會信用評分，並根據年齡、缺 陷、種族

       等特徵來評定個人的信用；

        同時，該國計劃在公眾場所使用遠 程生物辨識系統進行執法，

       目的在於提高社會秩序和安全。

      上述AI應 用可能會引發對隱私和個人權利的重大關注，

      根據歐盟《人工智慧法》 （Artificial Intelligence Act, AIA）的風險分級，

      這類應用屬於哪一風 險等級？ 

 (A) 不可接受風險

 (B) 高風險

 (C) 有限風險 

 (D) 小或低風險

 A 7.某生成式AI模型接收一段語音輸入：

     「一隻戴著太空帽的企鵝正在火星 上跳舞」，

       並根據該語音內容產生一張圖像呈現相對應的場景。

       此類模 型最符合下列哪一種生成任務分類？

 (A) 語音生成圖片

 (B) 圖像生成語音 

 (C) 語音翻譯 

 (D) 圖像標註 

D 8.下列何者非大數據時代資料的特性？

          (A) 資料量大 

           (B) 資料變動速度快 

           (C) 資料多樣性 

            (D) 資料存儲位置固定 

\

D 9.關於K平均法（K-means）非監督式學習，下列敘述何者「不」正確？

         (A) 希望找出k個互不交集的群集 

         (B) 不同的起始群集中心，可能會造成不同的分群結果 

        (C) 容易受雜訊與離群值（Outlier）影響其群集中心 

         (D) 可以處理類別型資料

A 10.在公司財務資料中，發現某筆支出金額達1,000,000元，若希望合理判 斷

         該筆資料   是否為異常值，下列哪一種處理方式最為合適？

         (A) 以Z-score方法量化異常程度，判斷是否為極端值；

         (B) 以資料中的眾數作為參考基準，判斷其是否異常； 

         (C) 先透過主成分分析（PCA）降低維度，再進行異常值判定；           

         (D) 直接將該筆金額替換為資料中位數，以降低其對分析結果的影響  

參考資料1:

       歐盟《人工智慧法》（AI Act）是全球首部全面監管人工智慧的法律框架，

採風險導向原則，將AI系統分為不可接受、高、有限、最低四類風險，

禁止不可接受風險（如無差別人臉識別），

並對高風險系統（如醫療、基礎設施）設嚴格合規要求，

影響所有進入歐盟市場的AI產品，旨在確保AI安全、透明、合乎人權，

並已於2024年正式生效，各國正逐步落地，例如義大利也推出國內相關法案。 

核心概念與分級

風險分級：根據潛在危害程度，將AI系統分類。

禁止類：如利用AI無差別掃描人臉、進行社會信用評分等，嚴重侵犯基本權利。

高風險類：需嚴格合規，包括關鍵基礎設施、教育、執法、醫療等領域。

有限/最低風險：如聊天機器人、推薦系統等，要求增加透明度，

                          例如告知使用者正在與AI互動。

通用型AI模型 (GPAI)：

對大型語言模型（如ChatGPT）等，要求透明度、著作權管理與安全措施。 

影響與合規

  全球影響：

  不只影響歐盟企業，任何將AI產品或服務輸往歐盟市場的全球公司都必須遵守。

  合規要求：

  企業需進行風險評估、建立合規機制，特別是高風險系統

   需滿足數據質量、透明度、人工監督等要求。

   罰則：違反法規可能面臨高額罰款。 

實施與落地

通過與生效：歐盟理事會於2024年5月正式批准，7月公布，部分規定8月起生效。

成員國轉化：各成員國如義大利，正將AIA框架轉化為本國法，設立具體執行機制。

細則發布：歐盟AI辦公室已發布通用AI實踐守則草案，提供更具體指引。 

重要性

歐盟AI法案建立了全球AI治理的標準，為產業發展與個人權益之間提供了平衡，

對全球AI產業具有里程碑意義。 

歐盟《人工智慧法》有關通用人工智慧模型（GPAI）相關規範正式實施，將促進歐盟市場AI系統的透明度、安全性及可追溯性

2025-08-01

歐盟執委會（European Commission, EC）於2025年8月1日表示，《人工智慧法（Artificial Intelligence Act, AIA）》中有關通用人工智慧（General-Purposed Artificial Intelligence, GPAI）模型提供者須遵守義務之相關規範，將於同年8月2日正式生效，可望促進歐盟市場上AI系統的透明度、安全性及可追溯性。

為協助業者合規，EC自2025年7月起陸續發布「GPAI實踐準則（GPAI Code of Practice）」及「GPAI模型義務範圍指引（Guidelines on the scope of the obligations for general-purpose AI models）」，並將GPAI模型定義為「訓練過程使用運算量達10²³次浮點運算（Floating-point Operations, FLOP）以上，且具生成語言能力的AI模型」，提供者須遵守透明度與著作權等義務。此外，運算量達10²⁵次FLOP以上，則視為可能構成具系統性風險的GPAI模型，提供者另須負擔確保安全與通報EC等額外義務。

      根據EC規定，所有於歐盟市場提供GPAI模型的業者，須自2025年8月2日起遵守相關義務；同年8月2日前已上市之模型，則須在2027年8月2日前確保合規。

參考資料2:

K平均法（K-means）

是一種非監督式學習  的  分割聚類演算法，

用於將數據集自動劃分為

$K$

𝐾

個同質且不重疊的子群（Cluster）。

其核心邏輯是                     隨機初始化

$K$

個中心點，

反覆計算資料點與中心的距離並更新中心，直到分群收斂，

廣泛應用於市場區隔 與 影像處理。

K-means 運作流程 

設定 

1.K 值           ：定義要分成幾個群集（K 個）。

2.初始化中心：在空間中隨機選擇 K 個點作為初始叢集中心（Centroid）。

3.分配資料點：計算每個資料點到這K 個中心點的距離（通常使用歐式距離），

                        

                          將資料分配給距離最近的中心。

4.更新中心    ：計算每個新形成的叢集中所有資料點的平均值，

                     

                          並將此平均值     設為新的叢集中心。

5.重複迭代：重複步驟 3 和 4，直到中心點位置不再變動或達到最大迭代次數。

K-means 的優缺點

優點：原理簡單、實作容易，且對於大型資料集計算速度快、通常會收斂。

缺點：

需要人為指定K 值。

結果對初始中心點的選擇敏感（可能陷入局部最佳解）。

對異常值（Outliers）敏感。

不適合    非球形、不同密度 或大小差距   巨大的叢集。 

關鍵優化：K-means++ 

為了解決傳統 K-means 初始中心點隨機性造成的誤差，

演算法讓初始中心點盡可能分散，能顯著提升聚類品質與穩定性。 

應用領域 

市場區隔：將客戶按照行為、特徵分成不同群組。

影像處理：影像壓縮與色彩分群（影像分割）。

數據壓縮：尋找最具代表性的中心點。 

        在演算法中的集群分析裡，K平均法（K-means）是一種將樣本觀察值

加以分析，主要將具有某些共同特性者先整合在一起，然後分配到特定的群體，

最後形成許多不同集合集群的一種分析方法。

K平均法(K-means)是由麥昆(J. B. MacQueen)於1967年正式發表，

由於原理簡單、計算快速，頗受歡迎。

而其就是將異質的群體區隔，

分成一些同質性較高的子群組或集群，不需要事先定義好該如何分類，

也不需要訓練組資料，而是靠資料自身的相似性集群在一起，

最常使用在市場區隔的應用上。