想學 AI，第一個問題通常是「該學什麼」。網路上的學習路線大多只講一條路，或把職稱、技術和產業混在一起列。
這篇試著畫出整張地圖：AI 到底分成哪些方向、每個方向在做什麼、要會什麼、門檻多高、從哪裡開始。
重點摘要
- AI 很難用一棵樹分得又完整又不重疊，所以這篇先用 8 個角度描述任何一份 AI 工作，再把 AI 分成 7 大族、30 個方向。
- 7 大族是：基礎研究、系統與硬體、資料、各種資料類型、做成產品、產業領域、可信任的 AI。
- 每個方向都用白話說明：它在做什麼、常見職位、門檻、要學的東西（分入門、能做出東西、進階三層）、常用工具，以及一個可以自己動手的練習題目。
- 最常被忽略的兩塊，是讓 AI 能穩定上線（伺服器、資料）和讓 AI 值得信任（測試、資安、法規）。它們不像生成影片或機器人那麼吸睛，卻是 2026 年最缺人的方向。
- 文末依不同背景（軟體工程、資安、資料分析、嵌入式、理工研究、設計產品）整理了建議的起點。
為什麼要重新分類
我一開始列的清單是這樣的：駐點 AI 工程師（FDE）、AI 工程師、AI 代理（Agent）、資料分析、模型訓練、電腦視覺、動畫生成、音樂生成、3D 生成、AI 用於韌體與電路、裝置端 AI、機器人、AI 做科學研究、生醫與 DNA 分析、學術研究能力。
每一項都是真實存在的方向，但仔細看會發現三個問題。
第一，分類的角度不一致。 有的是職稱，有的是技術，有的是產業：
| 分類角度 | 回答的問題 | 清單中屬於這類的 |
|---|---|---|
| 職務 | 在公司做什麼工作？ | 駐點工程師、AI 工程師、資料分析 |
| 技術 | 用什麼方法做？ | AI 代理、模型訓練 |
| 資料類型 | 處理哪種資料？ | 電腦視覺、動畫、音樂、3D |
| 運作位置 | AI 跑在哪裡？ | 裝置端 AI、韌體與電路 |
| 產業 | 用在哪個行業？ | 機器人、科學研究、生醫 DNA |
| 研究 | 怎麼產生新知識？ | 學術研究能力 |
第二，有些項目互相重疊。 AI 代理其實是 AI 工程師工作的一部分；生醫 DNA 屬於「AI 做科學研究」；動畫生成同時牽涉影片和 3D。
第三，有大片空白。 清單偏向「做出看得見的成品」，例如生成影片、音樂、3D；但「讓 AI 聽懂人說話」這類理解型的方向反而沒有。更重要的是，讓 AI 能穩定上線（伺服器、資料整理）和能被信任（測試、資安、法規）的方向完全沒有出現。
所以這篇從分類方法本身開始重做。
分類方法
以「用 AI 判讀 X 光片」為例，它同時屬於影像處理、醫療產業，也屬於模型開發。任何單一樹狀分類都會碰到「這個主題該放哪裡」的問題。
學術界的做法是從多個角度同時分類。國際電腦學會（ACM）的電腦科學分類表，就允許同一個主題出現在好幾個分支下；論文網站 arXiv 也讓一篇論文同時掛好幾個分類。這張地圖用同樣的思路，分四步：
- 先定角度。 用 8 個彼此獨立的問題描述任何 AI 工作。
- 找出方向。 一個「方向」必須是實際存在的專業圈子：有自己的研討會、職缺名稱和常用工具。
- 每個方向只放進一族。 依它最主要的特徵歸類，其他特徵當作標籤，這樣族與族之間不重疊。
- 對照外部標準檢查有沒有漏。 對照 arXiv 和 ACM 的分類，確認每個相關領域都有方向涵蓋。
8 個互相獨立的問題
實際存在的專業圈子：有研討會、職缺、常用工具
依最主要的特徵歸類，其他特徵當標籤
對照學術分類，確認沒有遺漏
8 個角度
任何一份 AI 工作都能用這 8 個問題描述。例如「在工廠用手機拍照檢查產品瑕疵」就是：模型層、看範例學習、圖片、辨識、手機上執行、製造業、需要測試準確度、機器學習工程師。
| 角度 | 回答的問題 | 可能的答案 |
|---|---|---|
| 1 技術層級 | 在整個系統的哪一層？ | 硬體晶片、伺服器系統、資料、模型、應用程式、產品與交付 |
| 2 學習方式 | 模型怎麼學？ | 看有答案的範例學、自己從資料找規律、學會產生新內容、試錯學習、用機率估計可能性、規則與邏輯推理 |
| 3 資料類型 | 處理哪種資料？ | 文字、程式碼、圖片、影片、3D、語音、音樂、表格、時間序列、關係網路、DNA 與分子、感測器訊號、機器動作 |
| 4 任務 | 要 AI 做什麼？ | 辨識理解、產生內容、預測、搜尋推薦、推理規劃、決策控制、設計最佳方案 |
| 5 執行位置 | AI 跑在哪裡？ | 雲端機房、公司自己的機房、手機筆電、小型晶片、機器人或車輛 |
| 6 產業 | 用在哪個行業？ | 軟體、資安、金融、醫療、科學研究、製造半導體、交通、媒體、教育、法律、零售、能源、農業、政府 |
| 7 可信任 | 怎麼確保可靠？ | 測試評估、資安、行為安全、可解釋、隱私、公平、法規、使用者體驗 |
| 8 職務 | 在公司是什麼職位？ | 研究科學家、研究工程師、機器學習工程師、AI 應用工程師、駐點工程師、基礎設施工程師、資料工程師、資料分析師、AI 資安工程師、AI 產品經理、法規治理專家、產業 AI 專家、晶片工程師 |
7 大族就是依其中幾個角度切出來的：
| 族 | 依什麼分 | 範圍 |
|---|---|---|
| F1 基礎研究 | 學習方式 | 模型怎麼學、為什麼學得會 |
| F2 系統與硬體 | 技術層級：系統、硬體 | 讓 AI 跑起來 |
| F3 資料 | 技術層級：資料 | 整理資料、從資料得到答案 |
| F4 各種資料類型 | 資料類型 | 文字、圖片、聲音、3D 各自的理解與生成 |
| F5 做成產品 | 技術層級：應用與交付 | 把模型變成產品，送到使用者手上 |
| F6 產業領域 | 產業 | 需要一門專業知識的方向 |
| F7 可信任的 AI | 可信任 | 所有方向都需要的測試、安全與法規 |
7 大族 30 個方向總覽
「門檻」分四級：低、中、高、研究所等級（通常需要碩博士訓練或發表論文）。「軟體工程師轉入」是從一般寫程式的背景轉過去有多遠。
| 距離／門檻 | 低 | 中 | 高 | 研究所等級 |
|---|---|---|---|---|
| 近 | 09 資料分析18 AI 應用開發 | 08 資料工程19 AI 代理21 駐點工程師27 AI 測試評估 | ||
| 中 | 23 AI 體驗設計30 隱私法規 | 04 研究方法05 AI 伺服器維運06 裝置端 AI10 表格時序預測11 語言模型12 電腦視覺14 語音20 搜尋推薦22 AI 產品規劃28 AI 資安 | 03 強化學習13 圖片影片生成17 多模態 | |
| 遠 | 02 大型模型訓練07 晶片電路韌體15 音樂音效16 3D24 機器人 | 01 理論與演算法25 AI 做科研26 生醫基因29 AI 行為安全 |
| # | 方向 | 一句話說明 | 常見職位 | 門檻 | 軟體工程師轉入 |
|---|---|---|---|---|---|
| F1 | 基礎研究 | ||||
| 01 | 機器學習理論與新演算法 | 研究模型為什麼學得會，發明新的學習方法 | 研究科學家 | 研究所等級 | 遠 |
| 02 | 大型模型訓練 | 從頭訓練或調整 ChatGPT 這類大型模型 | 研究工程師 | 高 | 遠 |
| 03 | 強化學習 | 讓 AI 靠試錯學會做決策 | 研究工程師 | 高 | 中 |
| 04 | 研究方法 | 讀論文、做實驗、寫出別人會引用的成果 | 研究者 | 中 | 中 |
| F2 | 系統與硬體 | ||||
| 05 | AI 伺服器與上線維運 | 讓模型在雲端跑得快、便宜、穩定 | 基礎設施工程師 | 中 | 中 |
| 06 | 裝置端 AI | 讓 AI 在手機、筆電、小型晶片上直接執行 | 嵌入式工程師 | 中 | 中 |
| 07 | AI 與晶片電路韌體 | 用 AI 設計硬體，或為 AI 設計晶片 | 硬體、韌體工程師 | 高 | 遠 |
| F3 | 資料 | ||||
| 08 | 資料工程 | 把散落各處的資料收集、整理成可用的樣子 | 資料工程師 | 中 | 近 |
| 09 | 資料分析 | 從資料找答案、幫公司做決策 | 資料分析師 | 低 | 近 |
| 10 | 表格與時間序列預測 | 用表格和歷史資料預測未來、抓異常 | 機器學習工程師 | 中 | 中 |
| F4 | 各種資料類型 | ||||
| 11 | 語言模型與文字處理 | 讓 AI 讀懂、整理、產生文字 | 自然語言處理工程師 | 中 | 中 |
| 12 | 電腦視覺 | 讓 AI 看懂圖片和影片 | 電腦視覺工程師 | 中 | 中 |
| 13 | 圖片影片生成與動畫 | 用文字或圖片產生新的圖片、影片、動畫 | 生成模型工程師 | 高 | 中 |
| 14 | 語音辨識與合成 | 語音轉文字、文字轉語音 | 語音工程師 | 中 | 中 |
| 15 | 音樂與音效生成 | 用 AI 作曲、產生音效 | 音訊工程師 | 高 | 遠 |
| 16 | 3D 重建與生成 | 從照片或文字產生 3D 模型和場景 | 3D 工程師 | 高 | 遠 |
| 17 | 多模態 | 一個模型同時看圖、聽聲音、讀文字 | 研究工程師 | 高 | 中 |
| F5 | 做成產品 | ||||
| 18 | AI 應用開發 | 用現成模型做出產品 | AI 工程師 | 低 | 近 |
| 19 | AI 代理 | 讓 AI 自己規劃步驟、使用工具完成任務 | AI 工程師 | 中 | 近 |
| 20 | 搜尋與推薦 | 讓使用者找到想要的東西 | 搜尋推薦工程師 | 中 | 中 |
| 21 | 駐點 AI 工程師 | 到客戶公司把 AI 系統真正導入上線 | 駐點工程師、解決方案架構師 | 中 | 近 |
| 22 | AI 產品規劃 | 決定 AI 產品做什麼、怎麼衡量成功 | AI 產品經理 | 中 | 中 |
| 23 | AI 使用體驗設計 | 設計人和 AI 怎麼合作最順手 | 使用者體驗設計師 | 低 | 中 |
| F6 | 產業領域 | ||||
| 24 | 機器人 | 讓機器人看、聽、動手做事 | 機器人工程師 | 高 | 遠 |
| 25 | AI 做科學研究 | 用 AI 設計蛋白質、找新材料、預報天氣 | 科學家、研究工程師 | 研究所等級 | 遠 |
| 26 | 生醫與基因分析 | 分析 DNA、判讀醫學影像、協助開發新藥 | 生物資訊工程師 | 研究所等級 | 遠 |
| F7 | 可信任的 AI | ||||
| 27 | AI 測試與評估 | 用數據證明 AI 真的變好了 | AI 工程師、評估研究員 | 中 | 近 |
| 28 | AI 資安 | 防止 AI 被騙、被濫用，也用 AI 抓駭客 | AI 資安工程師 | 中 | 中 |
| 29 | AI 行為安全與可解釋性 | 讓 AI 照人的意思做事，並看懂它在想什麼 | 安全研究員 | 研究所等級 | 遠 |
| 30 | 隱私公平與法規 | 讓 AI 合法、公平、查得到紀錄 | 法規治理專家 | 低 | 中 |
共同基礎
不管走哪個方向，這四塊都會用到。先補齊再選方向最省時間。
| 領域 | 要會的東西 |
|---|---|
| 寫程式 | Python、版本控制（Git）、Linux 基本操作、寫測試，以及會用 AI 寫程式工具並檢查它的結果 |
| 數學 | 矩陣運算、機率與統計、微積分裡的「梯度」概念（模型就是沿著梯度一步步修正自己） |
| 深度學習 | 用 PyTorch 自己寫一次完整的訓練流程；知道 Transformer（ChatGPT 這類模型的架構）大致怎麼運作 |
| 資料與評估 | 清理資料、把資料分成訓練用與測試用、設計能反映真實目標的指標、仔細看 AI 做錯的例子 |
每個方向下面的「常用工具」列的是業界常見的軟體名稱，方便你之後搜尋，不需要先看懂。
F1 基礎研究
決定模型怎麼學、為什麼學得會。所有 AI 應用都建立在這一層上，門檻也最高。
| 寫程式 | 數學 | 深度學習 | 系統硬體 | 專業與溝通 | |
|---|---|---|---|---|---|
| 01 理論與演算法 | 少 | 多 | 多 | 少 | 少 |
| 02 大型模型訓練 | 中 | 多 | 多 | 多 | 少 |
| 03 強化學習 | 中 | 多 | 多 | 少 | 少 |
| 04 研究方法 | 少 | 中 | 中 | 少 | 多 |
01 機器學習理論與新演算法
研究模型為什麼學得會、怎麼學得更好，並發明新的學習方法。也包含傳統 AI 的搜尋、規劃與邏輯推理。這是最接近「純研究」的方向。
常見職位：研究科學家 門檻：研究所等級
- 入門：線性代數、機率統計、微積分；最佳化（怎麼讓模型一步步變好）；傳統機器學習方法（決策樹、迴歸等）
- 能做出東西：理解為什麼模型變大會變強；用機率描述不確定性；分辨「相關」和「因果」；讓 AI 做規劃與推理
- 進階：設計新的模型架構；結合規則邏輯與神經網路；用數學證明方法有效
- 常用工具：
PyTorchJAXscikit-learn - 練習題目：重現一篇知名論文的實驗，再多測一個原作者沒測的情況，寫成技術文章。
02 大型模型訓練
自己訓練或調整 ChatGPT 這類大型模型。分兩段：先用大量資料「預訓練」，讓模型具備基本能力；再用人工整理的範例和回饋「後訓練」，讓它更聽話、更會推理。需要大量 GPU 和扎實的數學。
常見職位：研究工程師、機器學習工程師 門檻：高
- 入門：自己從零寫一個小型語言模型；了解文字怎麼切成模型看得懂的單位（token）；用較省記憶體的方式訓練
- 能做出東西：用範例資料微調模型；用人類偏好或自動評分讓模型變好（強化學習）；整理和篩選訓練資料；用多張 GPU 一起訓練；確認測驗題目沒有混進訓練資料
- 進階：研究模型大小、資料量和效果的關係；把模型拆到上百張 GPU 上訓練；自己寫加速 GPU 運算的程式
- 常用工具：
PyTorchHugging FaceDeepSpeedUnsloth - 練習題目：拿一個小型開源模型，針對一個有標準答案的小任務（例如從系統紀錄裡抓出錯誤原因）訓練，讓它明顯勝過原版，並公開訓練過程與失敗紀錄。
03 強化學習
讓 AI 像玩遊戲一樣，靠一次次嘗試、看結果好壞來學會做決策。AlphaGo 就是代表作；現在大型模型的推理能力，也大多是用這種方式訓練出來的。機器人、排程、網路流量控制也都用得到。
常見職位：研究工程師 門檻：高
- 入門：理解「狀態、動作、獎勵」的基本框架；經典的試錯學習演算法；在現成的模擬遊戲環境裡訓練 AI
- 能做出東西：主流的強化學習演算法；用人類回饋訓練語言模型；設計獎勵規則，並防止 AI 鑽漏洞拿分；自己寫模擬環境
- 進階：用過去的紀錄學習（不用真的去試）；多個 AI 互相合作或競爭；結合搜尋與學習
- 常用工具：
GymnasiumStable-Baselines3 - 練習題目：寫一個「網路頻寬分配」的模擬環境，訓練 AI 決定怎麼限速，和固定規則比較延遲與掉封包的情況。
04 研究方法
不管在業界或學界，這些能力決定你能不能跟上最新進展，並做出別人會引用的成果。
常見職位：研究者，以及任何想跟上前沿的人 門檻：中
- 入門：每週讀 2 到 3 篇論文；能照論文重現結果；做實驗時一次只改一個變因
- 能做出東西：找到值得研究的問題；設計公平的比較基準；寫技術報告；公開程式碼並持續維護
- 進階：投稿國際頂尖研討會；幫別人審稿；建立新的測驗資料集；跨領域合作
- 常用工具：
arXiv（論文網站）Hugging Face PapersSemantic Scholar - 練習題目：選一篇和工作相關的論文，照著重現、找出作者沒測到的情況，寫成技術文章。這對求職的效果不輸一篇論文。
F2 系統與硬體
讓 AI 跑起來：雲端機房、手機裝置、晶片與韌體。
| 寫程式 | 數學 | 深度學習 | 系統硬體 | 專業與溝通 | |
|---|---|---|---|---|---|
| 05 AI 伺服器維運 | 多 | 少 | 少 | 多 | 少 |
| 06 裝置端 AI | 多 | 中 | 中 | 多 | 少 |
| 07 晶片電路韌體 | 中 | 中 | 少 | 多 | 中 |
訓練模型、提供服務
不用連網路就能跑
記憶體只有幾百 KB
用 AI 設計硬體、為 AI 設計晶片
05 AI 伺服器與上線維運
讓模型在雲端或公司機房跑得快、便宜、穩定，包括訓練用的大型 GPU 叢集、回應使用者的服務、版本管理和監控。英文常叫 AI Infrastructure 或 MLOps。招募公司 Axe Recruiting 把它列為 2026 年最難招的技術職缺，估計美國 5 到 9 年經驗的資深工程師，舊金山灣區年薪約 30 萬到 45 萬美元，其他城市約 24 萬到 36 萬美元。
常見職位：AI 基礎設施工程師、MLOps 工程師 門檻：中
- 入門：Linux、容器（Docker）、網路；雲端服務（AWS、GCP）；GPU 記憶體與運算的基本概念
- 能做出東西：架設模型服務，讓很多人同時使用還能保持速度；監控成本與流量並自動擴充機器；管理模型版本，出問題能馬上退回
- 進階：管理上百張 GPU 的叢集；自己寫加速 GPU 的程式；把大模型壓縮後再上線以省成本
- 常用工具：
vLLMDockerKubernetesRay - 練習題目：租一張雲端 GPU 自己架一個開源模型服務，測試速度與負載，寫一份「自己架設 vs 直接付費用 API」的成本比較。
06 裝置端 AI
讓 AI 直接在手機、筆電、監視器、小型晶片上執行，不用連網路，也不用把資料傳到雲端。英文叫 Edge AI；跑在極小晶片上的叫 TinyML。最常用的技巧是「量化」：把模型裡的數字精度降低，讓它變小、變快。難點在每家晶片廠都有自己的工具和限制。
常見職位：嵌入式機器學習工程師 門檻：中
- 入門：模型的檔案格式與轉換；記憶體、耗電、速度之間的取捨；C++ 基礎
- 能做出東西：量化和壓縮模型；把模型轉換到手機或特定晶片上執行；在筆電上跑本地版語言模型；在只有幾百 KB 記憶體的晶片上做簡單辨識
- 進階：針對特定晶片設計模型；自己寫底層加速程式；在裝置上持續學習但不上傳資料
- 常用工具：
ONNX RuntimeLiteRTllama.cppCore ML - 練習題目：在筆電或樹莓派上跑一個小模型，即時判斷每條對外網路連線是否可疑，資料完全不離開本機。
07 AI 與晶片電路韌體
包含兩個方向。第一是用 AI 協助設計硬體：讓 AI 幫忙寫晶片設計程式碼、測試程式和韌體。2026 年這已經很普遍，但主要用在加速草稿、除錯和測試，最後的關鍵設計仍要由工程師負責。第二是為 AI 設計晶片，例如 GPU 和手機上的 AI 加速晶片。
常見職位：硬體工程師、韌體工程師、晶片設計工程師 門檻：高
- 入門：C 語言；數位邏輯；微控制器的基本操作；讀電路圖和規格書
- 能做出東西：用硬體描述語言（Verilog）設計電路；用模擬工具驗證電路；讓 AI 產生測試程式再由人檢查；設計電路板
- 進階：完整的晶片設計流程；AI 加速晶片的架構；韌體安全
- 常用工具：
VerilatorcocotbKiCadZephyr - 練習題目：讓 AI 依照一份規格寫出一個簡單的通訊電路和測試程式，用模擬工具跑出測試報告，記錄 AI 在哪裡寫錯、人怎麼修正。
F3 資料
AI 的品質主要取決於資料。這一族涵蓋資料從收集、整理到分析的整條線，也包含企業最常見的表格和時間序列資料的預測。
清理、標註、品質檢查
指標、實驗、報表
預測未來、抓出異常
產品、營運、風險控管
| 寫程式 | 數學 | 深度學習 | 系統硬體 | 專業與溝通 | |
|---|---|---|---|---|---|
| 08 資料工程 | 多 | 少 | 少 | 中 | 中 |
| 09 資料分析 | 中 | 中 | 少 | 少 | 多 |
| 10 表格時序預測 | 中 | 中 | 中 | 少 | 中 |
08 資料工程
把散落在各個系統的資料收集起來、清理乾淨、定時更新，讓分析師和 AI 能直接使用。訓練大型模型時，資料怎麼篩選和清理，常常比模型設計更影響結果。
常見職位：資料工程師 門檻：中
- 入門：SQL（查詢資料庫的語言）；Python；資料庫設計
- 能做出東西：建立每天自動執行的資料處理流程；處理即時進來的資料；設定資料品質檢查；規劃標註流程（請人替資料加上正確答案）
- 進階：處理訓練大型模型用的海量資料；用 AI 產生訓練資料；追蹤每筆資料從哪裡來；把個資去識別化
- 常用工具：
SQLDuckDBAirflowdbt - 練習題目：把自己的待辦清單、行事曆、記帳資料每天自動匯進一個資料庫，並加上檢查，資料有缺漏就通知你。
09 資料分析
從資料找答案、幫公司做決策。2026 年最常見的變化是：可以直接用中文問 AI 問題，AI 讀取資料表後自動寫出查詢。分析師的工作因此轉向設計指標、檢查 AI 算得對不對，以及把結論講清楚。
常見職位：資料分析師、資料科學家 門檻：低
- 入門：SQL（最重要）；試算表與樞紐分析；平均數、抽樣、信賴區間這類基礎統計；好懂的圖表
- 能做出東西：設計能反映真實目標的指標；把使用者分兩組比較新舊版本（A/B 測試），判斷改版有沒有效；讓 AI 查資料並檢查結果；做儀表板；用資料說故事
- 進階：讓 AI 自己規劃多步驟的分析並自我檢查；異常偵測；資安紀錄分析；資料隱私
- 常用工具：
SQLExcelPythonMetabase - 練習題目：整理自己一段時間的睡眠、運動和待辦完成紀錄，分析「睡得多寡和隔天完成率」的關係，並讓 AI 回答你用中文問的問題、附上它用的查詢。
10 表格與時間序列預測
企業裡最多的資料其實是表格和依時間排列的紀錄（例如每天的銷售、每分鐘的流量），不是文字或圖片。預測需求、抓出異常、偵測詐騙都在這裡。網路流量異常偵測就是典型例子。
常見職位：機器學習工程師、資料科學家 門檻：中
- 入門：資料整理與「特徵」設計（從原始資料算出有用的欄位）；決策樹類模型（表格資料最常用的方法）；用過去預測未來時不能偷看未來資料
- 能做出東西：預測未來趨勢；找出異常點；分析人與人、帳號與帳號之間的關係網路
- 進階：使用預先訓練好的時間序列大型模型；大規模知識圖譜；即時偵測
- 常用工具：
XGBoostLightGBMscikit-learn - 練習題目：收集自己電腦十天的對外連線紀錄，訓練一個模型找出不尋常的時段，並說明為什麼可疑。
F4 各種資料類型
依處理的資料分類。每一種資料都有兩面：讓 AI 看懂（理解）和讓 AI 做出來（生成），這裡放在一起看。
| 寫程式 | 數學 | 深度學習 | 系統硬體 | 專業與溝通 | |
|---|---|---|---|---|---|
| 11 語言模型 | 中 | 中 | 多 | 少 | 少 |
| 12 電腦視覺 | 中 | 中 | 多 | 中 | 少 |
| 13 圖片影片生成 | 中 | 中 | 多 | 中 | 中 |
| 14 語音 | 中 | 中 | 多 | 少 | 少 |
| 15 音樂音效 | 中 | 中 | 多 | 少 | 中 |
| 16 3D | 中 | 多 | 多 | 中 | 少 |
| 17 多模態 | 中 | 中 | 多 | 中 | 少 |
| 資料類型 | 看懂（理解） | 做出來（生成） |
|---|---|---|
| 文字與程式碼 | 11 語言模型 | 11 語言模型 |
| 圖片與影片 | 12 電腦視覺 | 13 圖片影片生成 |
| 語音 | 14 語音 | 14 語音 |
| 音樂與音效 | 15 音樂音效 | 15 音樂音效 |
| 3D | 16 3D | 16 3D13 圖片影片生成 |
| 同時多種 | 17 多模態 | 17 多模態 |
11 語言模型與文字處理
處理文字和程式碼：語言模型怎麼運作、怎麼調整、怎麼評估，以及摘要、分類、翻譯、抽出重點這些文字任務。它和「18 AI 應用開發」的差別是：這裡處理模型本身，18 處理怎麼把模型做成產品。
常見職位：自然語言處理工程師、研究工程師 門檻：中
- 入門：文字怎麼轉成模型看得懂的數字；Transformer 架構大致怎麼運作；怎麼評估語言模型好壞
- 能做出東西：用自己的資料微調模型；做摘要、分類、翻譯、抽取資訊；處理很長的文件；處理繁體中文
- 進階：會推理的模型；寫程式的模型；台語、客語這類資料少的語言
- 常用工具：
Hugging FaceCKIP（中研院中文處理工具）Unsloth - 練習題目：微調一個小模型，把繁體中文技術文章自動分類並摘要，和付費的大型模型比較準確度與成本。
12 電腦視覺
讓 AI 看懂圖片和影片：找出物體在哪、把物體輪廓精準描出來、追蹤移動、辨識文字。2026 年的主流做法，是先拿大公司預先訓練好的大型視覺模型，再用少量自己的資料調整。Roboflow 在 2026 年 7 月的整理中，物體偵測首推 RF-DETR；不用訓練、直接點選就能描出物體輪廓用 Meta 的 SAM 3；也可以直接用文字描述要找什麼。
常見職位：電腦視覺工程師 門檻：中
- 入門：基本影像處理；圖片分類、物體偵測的原理；怎麼標註圖片資料
- 能做出東西：用自己的資料訓練物體偵測；自動描出物體輪廓；用少量照片做分類；用文字指定要找的東西；追蹤影片中移動的物體
- 進階：讓 AI 回答關於圖片的問題、讀懂文件；估計照片中物體的距離；放到手機或攝影機上執行
- 常用工具：
OpenCVUltralytics YOLOSAM 3Roboflow - 練習題目：健身動作計數器：用手機拍運動影片，AI 自動辨識姿勢、計算次數和動作角度。
13 圖片影片生成與動畫
用文字或圖片產生新的圖片、影片和角色動畫。目前的核心技術叫「擴散模型」（diffusion）：從一片雜訊開始，一步步去掉雜訊，變成清楚的畫面。業界更缺的是能把這些模型接進實際製作流程的人。
常見職位：生成模型工程師、技術美術 門檻：高
- 入門：擴散模型的基本原理；影片的基本知識（幀率、畫面連貫）；用 ComfyUI 這類視覺化工具組合生成流程
- 能做出東西：用少量圖片訓練出固定的角色或畫風；用骨架、深度圖控制畫面構圖；把圖片變成影片；用文字產生人物動作
- 進階：長影片保持前後一致；加快生成速度；版權、浮水印與假影片偵測
- 常用工具：
ComfyUIdiffusersWanBlender；付費服務有VeoSoraKling - 練習題目：把一篇技術文章自動轉成 15 秒解說短片：文章、分鏡、圖片、影片、配音一條龍完成。
14 語音辨識與合成
語音轉文字、文字轉語音、分辨是誰在說話，以及可以即時對話的語音助理。需求比音樂生成大得多；中文和台語語音在台灣有在地優勢。
常見職位：語音工程師 門檻：中
- 入門：聲音在電腦裡怎麼表示；語音資料的收集與標註
- 能做出東西：用自己的資料調整語音辨識模型；產生自然的語音、複製特定人的聲音；在會議錄音裡分出每個人說的話
- 進階：能隨時插話的即時語音對話；台語、客語語音；偵測假冒的語音
- 常用工具：
WhisperpyannoteF5-TTS - 練習題目：把會議錄音自動轉成「誰說了什麼」的逐字稿，產生摘要，並把待辦事項寫進待辦清單。
15 音樂與音效生成
用 AI 作曲、產生歌曲與音效。2026 年的開源音樂模型主要有兩種做法：像寫文章一樣一段一段接著產生聲音（例如 YuE），或先規劃整首歌的結構、再用擴散模型把聲音「畫」出來（例如 ACE-Step 1.5）。需要一些樂理和聲音處理的知識。
常見職位：音訊工程師 門檻：高
- 入門：聲音訊號的基本處理；基本樂理（調性、和弦、節拍）
- 能做出東西：把聲音壓縮成模型能處理的格式；產生音樂；讓歌聲對上歌詞；把歌曲拆成人聲和各樂器
- 進階：邊聽邊即時產生；評估生成音樂的品質；版權與訓練資料授權
- 常用工具：
YuEACE-StepMusicGenDemucs - 練習題目：依運動類型（重訓、有氧、伸展）自動產生不同節奏的背景音樂，找幾個朋友做盲聽測試。
16 3D 重建與生成
從照片或文字產生 3D 物件和場景，也包含從照片估算深度、重建空間。目前最熱門的技術是「高斯潑濺」（Gaussian Splatting），用手機繞著拍一圈就能重建出可以旋轉瀏覽的 3D 場景。最後常要轉成遊戲或工業設計能用的格式。
常見職位：3D 工程師、電腦圖學工程師 門檻：高
- 入門：3D 座標與相機原理；3D 模型的基本格式；Blender 操作
- 能做出東西：從照片重建 3D 場景；從一張圖產生 3D 物件；整理模型的表面和材質
- 進階：產生整個場景；會動的 3D 與物理模擬；產生可以實際製造的工業設計
- 常用工具：
BlendernerfstudioHunyuan3DTRELLIS - 練習題目：用手機繞拍一個房間，重建成可以在網頁上旋轉瀏覽的 3D 場景。
17 多模態
一個模型同時看圖、聽聲音、讀文字，例如拍一張照片問 AI 問題。更進一步的「世界模型」，則是讓 AI 預測接下來會發生什麼，是影片生成、機器人、自動駕駛的共同基礎。
常見職位：研究工程師 門檻：高
- 入門：AI 怎麼把圖片和文字對應起來；圖片怎麼轉成模型看得懂的數字
- 能做出東西：調整能看圖回答問題的模型；讀懂文件和圖表；同時搜尋圖片和文字
- 進階：世界模型；一個模型同時產生文字、圖片和聲音
- 常用工具：
Qwen-VLLLaVANVIDIA Cosmos - 練習題目：拍一張收據，讓 AI 抽出金額、店家和類別，自動寫進記帳表。
F5 做成產品
把模型變成產品，送到使用者和客戶手上。職缺最多、對軟體工程師最友善的一族。
用現成 API 或自己架設
查資料、用工具、測試品質
規劃步驟、完成整串任務
導入客戶、產品規劃、體驗設計
| 寫程式 | 數學 | 深度學習 | 系統硬體 | 專業與溝通 | |
|---|---|---|---|---|---|
| 18 AI 應用開發 | 多 | 少 | 中 | 少 | 中 |
| 19 AI 代理 | 多 | 少 | 中 | 少 | 中 |
| 20 搜尋推薦 | 多 | 中 | 中 | 中 | 少 |
| 21 駐點工程師 | 多 | 少 | 少 | 中 | 多 |
| 22 AI 產品規劃 | 少 | 少 | 少 | 少 | 多 |
| 23 AI 體驗設計 | 少 | 少 | 少 | 少 | 多 |
18 AI 應用開發
用現成的模型（例如透過 API 使用 Claude 或 ChatGPT）做出產品。2026 年企業招募最看重三件事：讓 AI 查公司自己的資料再回答（RAG）、讓 AI 使用工具、以及用測試證明 AI 回答得好。有一句常被引用的話：AI 產品的測試題庫，就像傳統軟體的單元測試。
常見職位：AI 工程師 門檻：低
- 入門：寫清楚的指令（prompt）並要求固定格式的輸出；了解使用量怎麼計費；處理連線失敗和使用上限
- 能做出東西：讓 AI 先查資料再回答（RAG）；讓 AI 呼叫工具；準備一套標準題目自動測試 AI 回答品質；記錄每次 AI 的處理過程以便除錯
- 進階：用小模型取代大模型以省錢；防止使用者用話術騙 AI 做壞事；自己架設模型
- 常用工具：
Claude APIOpenAI APIMCPLangGraph - 練習題目：做一個讀取你的習慣紀錄、每週產生報告和建議的 AI 助理，並準備 50 題測試題，用數字證明建議的品質。
19 AI 代理
讓 AI 自己規劃步驟、使用工具、完成多步驟任務，例如幫你寫程式、操作瀏覽器、處理一整串工作流程。英文叫 Agent。2026 年的重點從「怎麼下指令」轉成「怎麼設計 AI 的工作環境」：給它哪些工具、能記住什麼、權限到哪裡、怎麼確認它沒做錯。
常見職位：AI 工程師、Agent 工程師 門檻：中
- 入門：讓 AI 呼叫工具；「觀察、思考、行動」的基本循環；錯誤重試
- 能做出東西：寫一個讓 AI 能使用你系統的工具介面（MCP 是目前的通用標準）；設計 AI 的長短期記憶；多個 AI 分工合作；在關鍵步驟讓人確認；測量任務成功率
- 進階：讓 AI 直接操作電腦和瀏覽器；限制 AI 的權限，防止被惡意內容誘導；長時間任務中斷後能接續；控制成本
- 常用工具：
Claude Agent SDKOpenAI Agents SDKMCPPlaywright - 練習題目：寫一個工具介面，讓 AI 能讀寫你的待辦與習慣資料，並設定「刪除資料必須由人確認」的規則，測試 30 個任務的成功率。
20 搜尋與推薦
讓使用者找到想要的東西：搜尋引擎、商品推薦、影片推薦、廣告。這是規模最大的 AI 應用之一；「18 AI 應用開發」裡讓 AI 查資料的技術，其實就來自這個領域。
常見職位：搜尋工程師、推薦系統工程師 門檻：中
- 入門：關鍵字搜尋的原理；「語意搜尋」（找意思相近而不只是字相同的內容）；怎麼評估搜尋結果好不好
- 能做出東西：從大量候選中先粗篩再精排；結合關鍵字與語意搜尋；用實際使用者測試改版效果
- 進階：用生成式 AI 做推薦；支撐上億使用者的系統；兼顧個人化與隱私
- 常用工具：
ElasticsearchFAISS - 練習題目：替一個部落格做「用意思找文章」的搜尋和相關文章推薦，自己準備 50 組問題評分搜尋結果。
21 駐點 AI 工程師
英文叫 FDE（Forward Deployed Engineer）。到客戶公司現場，把 AI 系統真正導入上線：一半時間寫程式，一半時間訪談需求、管理期待、向主管報告成效。人力資料公司 Lightcast 統計，這類職缺 2024 年約 200 個、2025 年約 1,200 個，2026 年光前七個月就超過 5,200 個。
常見職位：駐點工程師、解決方案架構師 門檻：中
- 入門：Python 或 TypeScript；SQL；串接各種系統的 API；雲端服務
- 能做出東西：讓 AI 查客戶的內部資料；讓 AI 使用客戶的系統；串接公司既有的資料庫和權限；用客戶資料建立測試題；兩週內做出可以展示的版本
- 進階：資安與合規（資料不能外流、要留下操作紀錄）；控制成本與速度；向高層說明投資報酬；把現場問題回報成產品功能
- 常用工具：
Claude APIOpenAI APIMCPDocker - 練習題目：挑一個真實流程（例如報帳或客服），做出「讀取公司資料、AI 處理、人工確認、留下紀錄」的完整系統，附上測試結果和一頁給主管看的成效說明。
22 AI 產品規劃
決定 AI 產品該做什麼、不做什麼，以及怎麼衡量成功。AI 產品的特別之處在於：同一個問題問兩次，答案可能不一樣，所以需求要用「測試題目和及格標準」來定義；而且成本會隨使用量變動。
常見職位：AI 產品經理 門檻：中
- 入門：AI 擅長和不擅長什麼；AI 的計費方式；使用者訪談
- 能做出東西：訂出 AI 功能的成功指標；用測試題目推動開發；上線後收集回饋再改進；訂價
- 進階：公司的 AI 策略；風險與法規判斷；平台與生態系設計
- 常用工具：
Figma、產品數據分析工具 - 練習題目：替一個 AI 功能寫一份產品規格，寫清楚成功指標、可能出錯的情況、怎麼測試，以及上線後怎麼監控。
23 AI 使用體驗設計
設計人和 AI 怎麼合作：什麼時候該讓人確認、AI 沒把握時怎麼呈現、使用者怎麼修正 AI 的結果。好的互動設計，常常比換一個更強的模型更能提升成效。
常見職位：使用者體驗設計師、使用者研究員 門檻：低
- 入門：使用者研究方法；介面設計基礎；無障礙設計
- 能做出東西：設計 AI 回答的呈現方式（逐字出現、可修改、顯示把握程度）；設計人工確認的時機；可用性測試
- 進階：研究人和 AI 怎麼協作最有效；讓使用者「適度」信任 AI；會隨情境改變的介面
- 常用工具：
Figma、使用者訪談 - 練習題目：同一個 AI 建議功能做兩種呈現方式，找五個人試用，比較他們實際採用建議的比例。
F6 產業領域
需要一門專業知識才做得好的方向。用到的技術來自前面五族，差別在於產業資料、法規和評估標準。這裡獨立列出規模最大的三個，其他產業見後面的對照。
| 寫程式 | 數學 | 深度學習 | 系統硬體 | 專業與溝通 | |
|---|---|---|---|---|---|
| 24 機器人 | 中 | 多 | 多 | 多 | 少 |
| 25 AI 做科研 | 中 | 多 | 多 | 中 | 多 |
| 26 生醫基因 | 中 | 多 | 多 | 少 | 多 |
24 機器人
讓機器人看得懂、聽得懂、動手做事。現在的主流是「視覺語言動作模型」：看到畫面、聽到指令，直接決定手臂怎麼動。例如 NVIDIA 在 2026 年 4 月釋出的 GR00T N1.7，是一個可商用的開源人形機器人模型。自動駕駛和無人機也屬於這一支。
常見職位：機器人工程師、機器人學習工程師 門檻：高
- 入門：機器人的座標與運動；基本控制理論；機器人作業系統 ROS 2；相機與各種感測器
- 能做出東西：讓機器人看人示範後學會動作；用試錯學習訓練動作；遠端操控機器人收集示範資料；在模擬環境訓練、再搬到真實機器人上
- 進階：調整大型機器人模型；讓機器人先預想再行動；靈巧的手指操作與雙手協作；機器人安全
- 常用工具：
ROS 2MuJoCoIsaac SimLeRobot - 練習題目：買一支低價開源機械手臂（例如 LeRobot 支援的 SO-101），示範 50 次「把東西放進盒子」，訓練它自己完成，錄影記錄成功率。
25 AI 做科學研究
用 AI 做科學：預測和設計蛋白質、找新材料、預報天氣、模擬物理現象。例如 AI 天氣模型在一張加速卡上幾分鐘內就能產生 10 天預報，傳統方法要在超級電腦上跑好幾個小時，準確度卻相當。這個方向最重要的是真的懂那門科學，AI 是工具。
常見職位：科學家、研究工程師 門檻：研究所等級
- 入門：一門科學的專業知識（生物、化學、物理或地球科學）；科學計算；微分方程；估計預測有多不確定
- 能做出東西：分析分子與原子結構的模型；預測蛋白質結構；用 AI 加速物理模擬
- 進階：設計全新的蛋白質、分子或材料；讓 AI 決定下一個要做的實驗；自動化實驗室
- 常用工具：
AlphaFold 3RDKitJAX - 練習題目：用公開的材料資料庫訓練一個小模型，預測晶體結構是否穩定，和資料庫中的計算結果比較，並寫清楚模型在哪些情況下不可靠。
26 生醫與基因分析
分析 DNA 定序資料、判斷基因變異是否致病、判讀醫學影像、協助開發新藥。DNA 大型模型是 2026 年的焦點：Arc Institute 的 Evo 2 在 2026 年 3 月登上《自然》（Nature）期刊，它讀過超過 9 兆個鹼基，不需要額外訓練就能預測基因突變的影響，例如乳癌相關基因 BRCA1 的變異。這個方向法規與隱私要求嚴格，一定要和醫師或生物學家合作。
常見職位：生物資訊工程師、醫療 AI 工程師 門檻：研究所等級
- 入門：分子生物學（DNA、RNA、蛋白質）；定序的原理與資料格式；生物統計；Linux 與 Python 或 R
- 能做出東西：從定序資料找出基因變異的標準流程；分析基因表現；用 DNA 模型預測突變影響；醫學影像分割
- 進階：預測基因怎麼被開關；整合多種生物資料；病理影像大型模型；醫療器材法規；基因資料隱私
- 常用工具：
Evo 2GATKNextflowMONAI - 練習題目：用公開資料（例如 ClinVar 基因變異資料庫）挑一組已知致病和無害的變異，用 DNA 模型打分數，看模型和醫學判定有多一致。不要把自己或家人的基因資料上傳到雲端服務。
F7 可信任的 AI
每個方向都需要，但各自有專職的人。這一族最容易被忽略，卻是企業導入 AI 時一定會遇到的關卡。
評估風險、確認資料來源合法
準備測試題、比較模型
模擬攻擊、檢查 AI 行為
持續監控、處理事件、留下紀錄
| 寫程式 | 數學 | 深度學習 | 系統硬體 | 專業與溝通 | |
|---|---|---|---|---|---|
| 27 AI 測試評估 | 中 | 中 | 中 | 少 | 中 |
| 28 AI 資安 | 中 | 少 | 少 | 中 | 中 |
| 29 AI 行為安全 | 中 | 多 | 多 | 少 | 少 |
| 30 隱私法規 | 少 | 少 | 少 | 少 | 多 |
27 AI 測試與評估
用數據證明 AI 真的變好了，而不是「感覺比較好」。產品團隊會準備一套標準題目，每次改版都重跑一次；大型 AI 公司則有專門團隊測試模型的能力和潛在風險。
常見職位：AI 工程師、評估研究員 門檻：中
- 入門：設計評分標準；判斷差異是真的還是運氣；確認測驗題目沒有混進訓練資料
- 能做出東西：設計測驗題庫；讓 AI 幫忙評分並校正它的偏差；測試 AI 代理能不能完成多步驟任務；安排人工評分
- 進階：測試 AI 有沒有危險能力；評估長時間任務；研究評估方法本身
- 常用工具：
Inspectpromptfoo - 練習題目：替一個 AI 代理準備 100 題測試任務，比較三個模型的成功率、花費和常見錯誤。
28 AI 資安
包含兩面：保護 AI，例如防止有人用藏在網頁或文件裡的指令騙 AI 做壞事（稱為提示注入，prompt injection）、限制 AI 代理的權限、檢查別人提供的外掛是否安全；以及用 AI 做資安，例如偵測攻擊、分析大量紀錄。AI 代理的安全是 2026 年資安職缺中成長最快的新技能。一份 2026 年 1 月的研究收集了 4 萬多個公開的 AI 代理外掛，實際分析其中 31,132 個，發現 26.1% 至少有一個漏洞，最常見的是偷偷外傳資料和取得過多權限。
常見職位：AI 資安工程師、紅隊（專門模擬攻擊的測試人員） 門檻：中
- 入門：OWASP 整理的 AI 應用十大風險；分析系統可能從哪裡被攻擊；網路與應用程式安全基礎
- 能做出東西：測試並防禦提示注入；模擬攻擊 AI 系統找漏洞；設計 AI 代理的權限規則；偵測資料外洩；用 AI 分析資安紀錄
- 進階：檢查模型與外掛的來源是否被動過手腳；研究專門騙過 AI 的輸入；自動化攻擊測試；AI 資安事件的應變
- 常用工具：
garakPyRITpromptfoo - 練習題目：對自己寫的 AI 工具介面做攻擊測試：試著用藏在文件裡的指令騙它越權或洩漏資料，公開測試報告和修補方式。
29 AI 行為安全與可解釋性
讓 AI 照人的真正意思做事（稱為對齊，alignment），並看懂模型內部到底在想什麼（可解釋性）。例如研究 AI 為什麼會說謊、討好使用者，或為了拿高分鑽規則漏洞，以及怎麼在它變得更強之前就能監督它。
常見職位：安全研究員 門檻：研究所等級
- 入門：用人類回饋訓練 AI 的原理；AI 常見的偏差行為（鑽漏洞、討好、欺騙）
- 能做出東西：拆解模型內部，找出代表特定概念的部分；系統性測試模型行為；設計誘發不良行為的測試
- 進階：對齊研究；在不完全信任 AI 的情況下安全地使用它；評估最先進模型的風險
- 常用工具：
TransformerLensSAELens - 練習題目：在一個小型開源模型裡找出代表某個概念（例如「日期」）的內部訊號，示範把它關掉後模型的回答怎麼改變。
30 隱私公平與法規
讓 AI 合法、公平，而且出事時查得到紀錄。台灣的《人工智慧基本法》已在 2025 年 12 月 23 日三讀通過，由國科會主管，數位發展部負責訂定風險分級框架；歐盟的 AI 法案也正分階段上路。企業導入 AI 時一定會碰到這些問題。
常見職位：AI 治理專家、法規遵循人員、政策研究員 門檻：低
- 入門：個資法與歐盟 GDPR；台灣人工智慧基本法與歐盟 AI 法案；依風險高低分級管理的概念
- 能做出東西：替模型與資料寫說明文件；檢查 AI 對不同族群是否公平；保護個人隱私的技術概念；設計操作紀錄
- 進階：導入國際 AI 管理標準（ISO/IEC 42001）；導入美國 NIST 的 AI 風險管理框架；政策研究
- 常用工具：
NIST AI RMF（風險管理框架）ISO/IEC 42001 - 練習題目：替一個 AI 功能寫一份資料保護與風險評估文件，對照 NIST 框架的四個步驟：治理、盤點、衡量、管理。
其他產業怎麼對應
金融、製造、醫療這些產業沒有另外開一個方向，因為它們用的技術都來自前面 30 個方向，只是資料和法規不同。換句話說，想進某個產業做 AI，就是挑幾個方向組合起來學，再補上那個產業的知識。
抓詐騙、評信用、看交易有沒有異常
檢查瑕疵、預測機台故障、提高良率
判讀醫學影像、整理病歷、找新藥
偵測攻擊、分析大量紀錄
讓 AI 寫程式、寫測試、檢查程式碼
做影片、配樂、3D 場景、遊戲角色
自動駕駛、規劃路線、預測需求
預測用電、調度電網、天氣預報
一對一 AI 家教、自動批改
審合約、查法條與判例
推薦商品、自動客服
監測作物、辨識病蟲害
容易搞混的方向
有些方向看起來重疊，其實是「包含」或「交集」的關係：
AI 代理是 AI 應用開發的一部分，因為夠大而獨立。
駐點工程師是工作方式，技術和 18 相同。
11 研究模型，18 把模型做成產品。
生醫是 AI 做科研最大的一支，法規獨立。
角色動畫同時需要影片生成和 3D 骨架。
06 把模型放進現有硬體，07 設計硬體本身。
28 防外面的人使壞，29 處理 AI 自己偏離人的意思。
- 18 AI 應用開發與 19 AI 代理：AI 代理是 AI 應用開發的一部分。獨立成一節，是因為它已經大到有自己的工具、測試方式和安全問題。
- 21 駐點 AI 工程師與 18 AI 應用開發：駐點工程師是一種工作方式，不是另一種技術。用的就是 AI 應用開發的技術，再加上客戶溝通與企業系統整合。
- 11 語言模型與 18 AI 應用開發：11 處理模型本身（怎麼訓練、怎麼評估），18 處理怎麼把模型做成產品。
- 26 生醫與 25 AI 做科學研究：生醫是 AI 做科學研究底下最大的一支，因為有自己的法規與工具而獨立出來。
- 13 影片生成與 16 3D：影片生成是平面畫面，角色動畫則要用到 3D 骨架和動作資料，兩者在動畫上交會。
- 06 裝置端 AI 與 07 晶片：06 是把模型放進現有的硬體，07 是設計硬體本身。
- 28 AI 資安與 29 AI 行為安全：28 防的是外部有人故意讓 AI 做壞事，29 處理的是 AI 自己偏離人的意思。
如何用這張地圖選方向
依你現在的背景，建議從最接近的族開始，再往相鄰的族延伸。表中數字對應上面的方向編號。
| F1 基礎 | F2 系統 | F3 資料 | F4 資料類型 | F5 產品 | F6 產業 | F7 可信任 | |
|---|---|---|---|---|---|---|---|
| 軟體工程 | 先有概念 | 下一步 | 視需要 | 視需要 | 起點 | 先有概念 | 起點 |
| 資安或網路 | 視需要 | 下一步 | 下一步 | 先有概念 | 起點 | 視需要 | 起點 |
| 資料分析 | 視需要 | 先有概念 | 起點 | 視需要 | 下一步 | 先有概念 | 視需要 |
| 嵌入式或硬體 | 視需要 | 起點 | 視需要 | 下一步 | 視需要 | 下一步 | 視需要 |
| 理工科研究 | 起點 | 視需要 | 下一步 | 視需要 | 先有概念 | 起點 | 視需要 |
| 設計或產品 | 先有概念 | 先有概念 | 視需要 | 視需要 | 起點 | 視需要 | 下一步 |
| 你的背景 | 起點 | 下一步 | 先有概念就好 |
|---|---|---|---|
| 軟體工程（前後端） | 18、19、27 | 21、05、28 | F1 基礎研究、F6 產業領域 |
| 資安或網路 | 28、27、19 | 10、06、30 | 13、15、16 |
| 資料分析 | 09、08 | 10、20、18 | 07、24 |
| 嵌入式或硬體 | 06、07 | 05、24、12 | 13、15 |
| 理工科研究 | 25 或 26、04 | 01、03、10 | 21、22 |
| 設計或產品 | 23、22 | 27、30、18 | 01、02、07 |
選方向時的幾個原則：
- 先做「F5 做成產品」或「F7 可信任的 AI」的小作品，再決定要不要往深處走。 這兩族門檻最低、最快看到成果，也能讓你實際感受 AI 能做到哪裡。
- 生成類（13、15、16）看起來最吸睛，但職缺相對少、門檻高。 除非你本來就在影視、音樂或遊戲產業，建議先當興趣。
- 研究所等級的方向（01、25、26、29）通常需要碩博士訓練或實驗室合作。 沒有這個條件時，可以從重現論文、參與開源專案開始接觸。
- 可信任的 AI（27、28、30）是最容易被低估的一族。 企業導入 AI 的最後一哩路，幾乎都卡在測試、資安和法規。
參考資料
分類依據
- ACM Computing Classification System（國際電腦學會分類表，2012）
- arXiv Category Taxonomy（arXiv 論文分類）
- Artificial Intelligence: A Modern Approach 主題分類
職缺與技能
- Lightcast：What is a Forward Deployed Engineer?（2026 年 9 月）
- Hashnode：2026 Guide to the Forward Deployed Engineer
- Unico Connect：AI Engineer Skills to Look for When Hiring
- Louis Bouchard：How I'd Learn AI Engineering in 2026
- Atlan：AI Agent Harness Tools and Frameworks 2026
- Axe Recruiting：Recruiting MLOps Engineers & AI Infrastructure Specialists 2026
- Dataquest：Data Analyst Skills 2026
- Practical DevSecOps：New AI Skills for Cybersecurity Engineers
各領域現況
- Roboflow：Best Computer Vision Models in 2026
- Spheron：Open-Source AI Music Generation Guide 2026
- ACE-Step 1.5（arXiv）
- A Survey on 3D Gaussian Splatting Applications（arXiv）
- Promwad：LLM-Aided Hardware Design in 2026
- Large Language Models for Electronic Design Automation（arXiv）
- Derek Molloy：The State of Edge AI in 2026
- Shawn Hymel：State of Edge AI on Microcontrollers in 2026
- Hugging Face：NVIDIA Isaac GR00T N1.7
- Embodied Robot Manipulation in the Era of Foundation Models（arXiv）
- Nature：Genome modelling and design across all domains of life with Evo 2
- Agent Skills in the Wild: Security Vulnerabilities at Scale（arXiv）
- 數位發展部：立法院三讀通過《人工智慧基本法》
- Stanford HAI：How AI is Transforming Scientific Discovery