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。

參考資料3:

主成分 (Principal Components)分析（PCA）是一種 資料降維技術，

它 透過線性變換  將  高維度資料  轉換到  低維度空間，

同時保留資料最主要的變異性，產生一組稱為「主成分」的新變數，

這些主成分是原始變數的線性組合，且彼此正交（不相關），

依解釋變異量大小排序。

PCA常用於   數據壓縮、去除雜訊、 數據可視化  及  解決多重共線性  問題。

 PCA 核心概念

 目的：減少數據維度（特徵數量），同時盡量保留原始資訊，解決“維度詛咒”。

主成分 (Principal Components)：

新的座標軸，代表資料中變異最大的方向。

變異性：

資料的分散程度，PCA旨在捕捉最大的變異。

線性變換：

將原始數據投影到新的低維空間。

正交：

主成分之間互不相關。 

PCA 的主要步驟 

資料標準化：

使不同量綱的特徵均值為0，方差為1。

計算協方差矩陣：

分析特徵間的線性關係。

特徵值分解：

計算協方差矩陣的特徵值（重要性）與特徵向量（方向）。

選擇主成分：

選擇解釋變異量最大的前 \(k\) 個特徵向量。

數據投影：

將原始數據轉換到由選定主成分構成的新空間。

 PCA 的應用 

數據降維：

簡化模型，加速計算。

資料壓縮：

儲存更少數據。

數據可視化：

將高維數據降至2D或3D方便觀察。

特徵提取：

從原始特徵中提取更有意義的組合。

機器學習預處理：

消除冗餘特徵和多重共線性