112 年 國立臺北大學資訊管理學系碩士班《計算機概論》

核心觀念

本題考查 Linux / Unix bash shell 環境中的**相對路徑（Relative Path）**與 cd (Change Directory) 指令的操作。

在 Unix-like 檔案系統架構中，路徑結構是以樹狀（Tree Structure）目錄階層組成。為了方便在目錄之間移動與參照，系統定義了兩個特殊的目錄指示符號（Directory References）：

• . （單點）：代表目前所在目錄（Current Directory）。
• .. （雙點）：代表目前目錄的上層目錄（Parent Directory）。

指令 cd 後方接續欲切換的目標路徑。當帶入 .. 作為參數時，即代表切換至上一層目錄。

---

解題方法

欲在 bash 環境中將工作目錄移動至上一層，切入點為尋找代表「上層目錄」的相對路徑指示符號：

1. 目標：切換目錄（Change Directory），故使用 shell 內建指令 cd。
2. 參數：需帶入表示「上一層目錄」的特殊符號 ..。
3. 組合：執行 cd .. 即可順利回到父目錄（Parent Directory）。

---

選項分析

• **(A) `

核心觀念

本題旨在考驗對雲端運算服務部署模型（Cloud Deployment Models）的分類認知。
根據美國國家標準與技術研究院（NIST）的定義，雲端運算依據存取權限與所有權主要分為以下四種部署模型：

1. 公有雲（Public Cloud）：由第三方雲端服務業者所有並維運，透過網際網路提供服務給廣大公眾或多個企業共享（多租戶架構，Multi-tenant）。
2. 私有雲（Private Cloud）：專為單一組織或個人獨立建置與營運的雲端環境，基礎設施可放置於企業內部機房（On-Premise）或託管於第三方，存取權限受到嚴格管制與隔離（單租戶架構，Single-tenant）。
3. 混合雲（Hybrid Cloud）：結合公有雲與私有雲，使資料與應用程式能在兩者之間相互遷移與整合。
4. 社群雲（Community Cloud）：由多個具有共同需求（如安全、合規）的組織共享基礎設施。

---

解題方法

本題的解題切入點在於判斷各選項所提供的儲存服務屬於**「由第三方業者營運並共享給公眾使用（公有雲）」還是「由使用者或組織自行建置、專屬獨立使用（私有雲）」**。

• 私有雲強調專屬性、控制權與資料自主權。
• 只要該硬體與儲存設備是由使用者自己購買、安裝在特定區域（如家中或公司機房），且不受第三方公有雲業者共用資源限制，即屬於私有雲架構。

---

選項分析

核心觀念

本題考驗考生對主流公有雲服務業者（Cloud Service Providers, CSPs）在台灣的資料中心基礎設施（Data Center Infrastructure）部署現況與架構層級之瞭解。

在雲端運算（Cloud Computing）架構中，基礎設施通常劃分為以下層級：

1. Region（區域）：包含至少三個彼此獨立、具備獨立電力/冷卻/網路的 Availability Zones（可用區域, AZs）。Region 具備完整的雲端服務功能，支援本地高可用性（High Availability, HA）與容錯（Fault Tolerance），並提供最低的網路延遲與資料在地化（Data Residency）合規保障。
2. Edge Location / Edge Zone / POP（邊緣節點/點對點連線點）：僅提供 CDN 快取（如 Google Cloud CDN、AWS CloudFront）、DNS 解析或特定邊緣運算服務（如 AWS Outposts、Azure Edge Zones），不具備完整 Region 等級的機房規模與服務涵蓋度。

截至民國 112 年（2023 年），各大國際雲端業者在台灣的機房建設部署進度如下：

• Google Cloud Platform (GCP)：早在 2013 年便於台灣彰化濱海工業區啟用首座資料中心（asia-east1 Region），是四大雲端業者中最早在台灣設立專屬 Region 的業者。
• Amazon Web Services (AWS)：截至 2023 年在台灣僅設有 Edge Location / Local Zones（直到 2024 年才正式宣佈並啟動台灣首座專屬 Region 的建置計畫）。
• Microsoft Azure：截至 2023 年在台灣進行建置計畫中，尚未正式上線區域。
• Oracle Cloud Infrastructure (OCI)：截至 2023 年在台灣並無專屬 Region。

---

解題方法

解題關鍵在於區分「邊緣節點（Edge/Local Zone）」與「專屬區域（Region）」的差異，並明確掌握各大雲端業者在台灣設有專屬 Region 的時間點。

1. 本題針對「民國 112 年（2023 年）」的時間節點進行檢視。
2. 逐一比對四家主流業者（GCP、AWS、Azure、OCI）在台灣的實體機房架構層級。

核心觀念

本題旨在考驗考生對無線區域網路（WLAN, Wi-Fi）工作頻段與行動通訊技術（Cellular Network） generational 命名之間的概念區隔。

1. Wi-Fi 頻段（Frequency Band）：Wi-Fi 無線網路主要運作於 ISM（Industrial, Scientific, and Medical）免執照頻段，常見的無線載波頻率為 $2.4\text{ GHz}$ 與 $5\text{ GHz}$。
2. 行動通訊世代（Mobile Network Generation）：如 $3\text{G}$、$4\text{G}$、$5\text{G}$ 中的「$\text{G}$」代表 Generation（世代），指的是第五代行動通訊技術規範（如 3GPP NR），屬於電信業者發射之行動網路，而非咖啡廳內部提供給用戶連線之 Wi-Fi 熱點 SSID 命名習慣。

---

解題方法

在公共場所（如咖啡廳）使用手機開啟 Wi-Fi 搜尋 SSID（Service Set Identifier，服務組識別碼）時，若看到同一店家提供「Coffee」與「Coffee_5G」兩個名稱，通常是店家安裝了雙頻無線基地台（Dual-band Wi-Fi Router）。

• 「Coffee」通常代表 $2.4\text{ GHz}$ 頻段，傳輸距離較遠、穿牆能力較強，但容易受到干擾且速率較慢。
• 「Coffee_5G」中的「$\text{5G}$」為 $5\text{ GHz}$ 頻段之簡稱，代表傳輸頻寬較大、干擾少且速率較快，但傳輸距離較短、穿牆能力較弱。

因此，SSID 中的「5G」係指運作頻率為 $5\text{ GHz}$（吉赫茲）。

核心觀念

本題考查網路層與應用層的動態主機設定協定（Dynamic Host Configuration Protocol, DHCP）。在區域網路（LAN）環境中，當新設備接入網路時，需要取得 IP 位址、子網遮罩（Subnet Mask）、預設網關（Default Gateway）及 DNS 伺服器等網路參數才能進行通訊。DHCP 透過客戶端與伺服器之間的溝通機制，能夠自動分配與管理私有 IP 位址（Private IP Address），避免人工設定的繁瑣與 IP 衝突問題。

---

解題方法

解題切入點在於識別「自動分配 IP 位址」的功能定義：

1. 分析題目需求：目標是尋找能「自動分配 IP 位址」給接入設備的技術。
2. 比對通訊協定職責：
   • DHCP 的主要職責即為動態分配與管理 IP 位址（包含私有 IP 與公有 IP）。
   • 其運作核心為 DORA 4 步驟（Discover、Offer、Request、Acknowledge）。
3. 確定符合自動位址分配定義的協定為 DHCP。

---

選項分析

• (A) DHCP（動態主機設定協定）：正確
  DHCP（Dynamic Host Configuration Protocol）主要功能是在裝置連接到網路時，自動由 DHCP 伺服器動態派發 IP 位址（包含私有 IP 位址）、子網遮罩、預設閘道及 DNS 等參

核心觀念

本題考驗 IPv4 網路定址中的 無類別域間路由（Classless Inter-Domain Routing, CIDR）標記法 以及 可用 Host IP 位址數量計算。

在 CIDR 標記法（斜線記法，如 $/n$）中：

1. CIDR 前綴長度（Prefix Length）：$n$ 表示網路號（Network ID）所占的位元數。
2. Host ID 位元數：IPv4 位址總共為 32 位元，因此用於分配給主機（Host ID）的位元數 $h = 32 - n$。
3. 網段內的總 IP 位址數：$2^h = 2^{32-n}$。
4. 網段內的「可用」IP 位址數：在一個傳統子網路中，必須扣除 2 個保留位址：
   • 網路位址（Network Address）：Host 位元全為 0 的位址，用於標示該網段。
   • 廣播位址（Broadcast Address）：Host 位元全為 1 的位址，用於區域廣播。
   • 可用 IP 數量公式：$N_{\text{usable}} = 2^{32-n} - 2$

---

解題方法

1. 需求分析：
   題目要求提供 150 台以上 的電腦上網，且每台電腦皆需分配到不同的可用 IP 位址，即：
   $N_{\text{usable}} \ge 150$

2. 推導 Host 位元數 $h$：
   將需求代入公式：
   $2^h - 2 \ge 150 \implies 2^h \ge 152$
   尋找滿足條件的最小 $2$ 的次方數：

   • 當 $h = 7$ 時，$2^7 = 128 < 152$（不足）
   • 當 $h = 8$ 時，$2^8 = 256 \ge 152$（足夠）

   因此，至少需要 $h = 8$ 個位元作為 Host ID。

3. 計算最小網段（CIDR 前綴長度 $n$）：
   $n = 32 - h = 32 - 8 = 24$
   即至少需要配置 /24 的網段才足夠使用。

---

選項分析

核心觀念

本題考驗資訊系統「營運持續計畫」（Business Continuity Plan, BCP）與「災害復原」（Disaster Recovery, DR）領域中兩個極為關鍵的指標：復原點目標（Recovery Point Objective, RPO） 與 復原時間目標（Recovery Time Objective, RTO）。

1. Recovery Point Objective (RPO, 復原點目標)：
   • 定義：災害發生時，系統允許資料遺失的時間上限（或資料量損失上限）。
   • 意義：代表從上一次資料備份到災害發生時間點之間的時間間隔。RPO越短，代表災難發生後能救回來的資料越新、損失的資料越少。
2. Recovery Time Objective (RTO, 復原時間目標)：
   • 定義：災害發生後，系統從中斷到服務完全恢復正常運作所允許的時間上限。
   • 意義：代表系統停止服務（Downtime）的時間長短。RTO越短，代表系統復原速度越快、停機時間越短。

---

解題方法

從企業營運與風險管理的切入點來看：

1. 資料損失越少越好：企業希望在災害發生時，儘可能不要遺失任何交易資料或客戶資訊。資料遺失的時間間隔（RPO）越趨近於零，代表資料保存越完整，因此 RPO 越小越好。
2. 停機時間越短越好：系統故障時，企業希望服務能儘快恢復運作，減少業務中斷產生的財務損失與客戶滿意度下降。系統復原所需的等待時間（RTO）越短，代表營運衝擊越小，因此 RTO 越小越好。

核心觀念

本題考驗的觀念為 內容傳遞網路（Content Delivery Network, CDN） 的運作機制與適用場景。

CDN 是一種由分佈在不同地理位置的邊緣伺服器（Edge Servers）所組成的分散式網路架構。其核心運作原理如下：

1. 快取機制（Caching）：將源站（Origin Server）的靜態資源快取於離使用者最近的 CDN 節點（POP, Point of Presence）。
2. 靜態與動態資料的差異：
   • 靜態內容（Static Content）：內容不常變動且對所有使用者相同（如 HTML 樣板、CSS、JavaScript、圖片、影片等），極度適合快取並透過 CDN 傳送。
   • 動態／即時資料（Dynamic / Real-time Data）：資料需要頻繁寫入、具有強一致性（Consistency）要求、包含個人敏感隱私或需經由資料庫管理系統（DBMS）進行即時查詢與交易處理（如 SQL 訂單資料、使用者帳號密碼等），不適合直接放置於 CDN 快取傳輸。

---

解題方法

從 CDN 的設計初衷「快取靜態資源以降低源站負載並減少傳輸延遲」為切入點，比較各選項資料類型的特性：

• 可快取性（Cacheability）：資源是否能被重複利用且不失真。
• 變動頻率與交易需求（Mutation & Transaction）：是否涉及資料庫的讀寫交易（ACID 特性）。

核心觀念

本題旨在考驗行動通訊網路架構中，4G LTE 網路在未啟用 / 未申請 VoLTE (Voice over LTE) 情況下處理傳統語音通話的機制。

1. 4G LTE 的純封包交換特性：4G LTE (Long Term Evolution) 網路架構採取全 IP 化設計（純封包交換 Packet-Switched, PS），取消了傳統 2G/3G 的電路交換（Circuit-Switched, CS）核心網路。因此，LTE 原生並不支援傳統的電路交換語音通話。
2. CSFB (Circuit-Switched Fallback) 機制：在未導入或未開啟 VoLTE (語音透過 LTE IP 封包傳輸) 時，為了讓 4G 手機仍能撥打與接聽語音電話，3PP 規範訂定了 CSFB 機制。當用戶發起語音通話時，4G 手機會自動「降頻／降轉」回到具備電路交換（CS）能力的 2G (如 GSM) 或 3G (如 UMTS) 網路來完成語音對話。

---

解題方法

1. 分析用戶情境與設備狀態：

   • 網路與方案：4G LTE。
   • 撥打對象：09xx 開頭之國內行動電話（語音通話）。
   • 關鍵前提：「假設沒有申請 VoLTE」。

2. 推導通話傳輸路徑：

   • 若有 VoLTE：手機直接在 4G LTE 網路上將語音封包化（VoIP 形式）進行傳輸。
   • 若無 VoLTE：手機無法直接透過 4G LTE 的 PS 網域撥打傳統電話，此時系統會啟動 CSFB (Circuit-Switched Fallback) 機制。
   • 手機會暫時離斷 4G LTE 訊號，降轉至現有的 CS 語音網路（如 GSM / 2G 或 3G 網路）進行通話。

核心觀念

本題考驗 IPv4 位址的分級（Classful Addressing）與**私有 IP 位址（Private IP Address）**範圍的判讀。

網際網路號碼分配局（IANA）在 RFC 1918 規範中，劃分了三組專門用於企業或內部區域網路（LAN）的私有 IP 位址範圍，這些位址不會在公際網路（Public Internet）上被路由：

• Class A 私有位址範圍：10.0.0.0 ～ 10.255.255.255（即 10.0.0.0/8）
• Class B 私有位址範圍：172.16.0.0 ～ 172.31.255.255（即 172.16.0.0/12）
• Class C 私有位址範圍：192.168.0.0 ～ 192.168.255.255（即 192.168.0.0/16）

若 IP 位址不落於上述私有範圍內，且屬於傳統 Class A、B、C 類別，則屬於可在網際網路上公開路由的公有 IP 位址（Public IP Address）。

---

解題方法

1. 判斷 IP 位址類別（Class）：
   觀察 IP 位址的第一個二進位區段（First Octet）數字：

   • Class A：$1 \sim 126$（最高位元為 $0$）
   • Class B：$128 \sim 191$（最高位元為 $10$）
   • Class C：$192 \sim 223$（最高位元為 $110$）

   本題 IP 為 10.9.8.7，第一個 octet 為 $10$，介於 $1 \sim 126$ 之間，故屬於 Class A。

2. 判斷屬公有（Public）或私有（Private）位址：

核心觀念
本題旨在考驗考生對「擴增實境（Augmented Reality, AR）」、「虛擬實境（Virtual Reality, VR）」與「混合實境（Mixed Reality, MR）」三者定義、環境互動性及特性的區辨能力。

各技術的核心特徵如下：

1. 擴增實境 (AR)：將數位/虛擬資訊「疊加」於真實世界之上，使用者仍直觀看到真實環境，但虛擬物件通常無法與真實物體產生深度遮擋或物理互動（主要為單向資訊呈現）。
2. 虛擬實境 (VR)：完全沉浸於由電腦生成的封閉虛擬世界中，使用者隔絕外部真實環境。
3. 混合實境 (MR)：結合真實世界與虛擬世界，虛擬物件與現實環境（如牆壁、桌椅等物理表面）能實時進行融合與互動，虛擬物件可被現實環境遮擋，使用者亦可同時與現實及虛擬元素進行雙向互動。

---

解題方法
分析題目敘述中的關鍵條件與情境：

1. 「在任一現實的房間內戴上頭盔後」：說明使用者並未完全脫離現實環境。
2. 「可以看到虛擬的先民在現實的牆上作畫」：數位物件（虛擬先民、畫作）被繪製與定位在真實世界的物理實體（現實牆面）上。
3. 「您亦可加入共同作畫」：使用者能夠與虛擬物件及現實牆面進行實時雙向互動。

核心觀念

本題考查 Docker CLI（命令行介面）基礎指令的操作與功能。
Docker 是一種容器化技術（Containerization），其核心概念包含三大元件：

1. 影像檔（Image）：唯讀的應用程式範本與執行環境封裝檔，儲存在本地端的影像庫或遠端 Registry（如 Docker Hub）。
2. 容器（Container）：影像檔執行後的實例（Instance），具有獨立的運行環境。
3. 倉庫（Repository/Registry）：存放與管理 Docker 影像檔的地方。

當題目詢問「秀出所有存在於本地端的影像檔」時，考驗考生是否能區分管理**影像檔（Images）與管理容器（Containers）**的指令差異。

---

解題方法

要列出本地端所有的 Docker 影像檔，應使用 Docker 針對影像管理（Image Management）所提供的查詢指令。

在 Docker 命令體系中：

• 查詢本地端影像檔的標準指令為 docker images（或 Docker 1.13 版後引進的完整子命令 docker image ls）。
• 執行此指令後，系統會列出所有已下載或本地建立的 Docker Image，包含 REPOSITORY（倉庫名稱）、TAG（標籤/版本）、IMAGE ID（影像識別碼）、CREATED（建立時間）與 SIZE（檔案大小）。

因此，切入點為比對各選項指令的作用對象是 Image（影像）、Container（容器） 還是 Log（日誌）。

---

選項分析

• **(A) `

核心觀念

本題考驗 Docker 基本命令語法與架構，特別是 docker run 指令中各個參數與欄位的含義。

在 Docker 架構中：

1. 鏡像 (Image)：是一個唯讀的範本（Read-only Template），包含執行應用程式所需的程式碼、執行階段（Runtime）、函式庫與環境變數。當我們指定要執行的映像檔時，語法格式通常為 [REPOSITORY[:TAG]] 或 [REGISTRY_HOST/][REPOSITORY][:TAG]。因此 testing/myapp 代表名稱為 testing/myapp 的 Docker 鏡像（Docker Image）。
2. 容器 (Container)：是從 Image 實體化（Instantiate）出來的動態執行實例，具有一個可寫入的容器層（Writable Container Layer）。
3. docker run 指令格式：
   $\text{docker run [OPTIONS] IMAGE [COMMAND] [ARG...]}$
   由語法結構可知，緊接著選項（Options，如 -d, -p, -v）之後的非選項第一個參數，就是指定要執行的 Image 簡稱或完整名稱。

---

解題方法與指令解析

我們先拆解題目給定的 Docker 指令：

docker run -d -p 5000:5000 -v /webapp testing/myapp python app.py

• docker run：創建並啟動一個新的 Docker 容器。
• -d (Detach)：在背景（Background）執行容器並印出容器 ID。
• -p 5000:5000 (Port mapping)：將宿主主機（Host）的 Port 5000 對應/轉發至容器內的 Port 5000。
• -v /webapp (Volume)：在容器內建立一個匿名數據卷（Data Volume），掛載於容器內的 /webapp 目錄。

核心觀念

本題考查 Version Control System（版本控制系統）Git 的核心基礎指令與運作機制。在 Git 的底層架構中，歷史紀錄（Commit History）是以 Commit 物件（Commit Object）的形式呈現在有向無環圖（DAG, Directed Acyclic Graph）上。當我們在專案中執行提交操作時，Git 會建立一個新的 Commit 物件，記錄目前的暫存區快照、作者、時間以及指向前一次提交（Parent Commit）的指標，從而為專案發展歷程產生新的歷史紀錄。

---

解題方法

判斷一個 Git 指令是否會「產生新的歷史紀錄」，關鍵在於該指令執行後是否會建立全新的 Commit 物件並寫入 Repository 的 commit graph 中：

1. $git add：僅將 Working Directory（工作目錄）的檔案變更同步至 Staging Area（暫存區／索引區），影響的是暫存狀態，並未建立 Commit 物件。
2. $git reset：用於移動 HEAD 指標或重置暫存區／工作目錄，其本質是「移動或還原」既有的歷史紀錄，而非新增紀錄。
3. $git branch：僅建立一個新的分支指標（Branch Reference）指向現有的 Commit，完全不影響 Commit 物件的數量與歷史內容。
4. $git commit：將 Staging Area 中的快照打包，正式建立一個新的 Commit 物件並向前推進 HEAD，因此會產生新的歷史紀錄。

因此，由 Git 的底層提交原理可知，只有 $git commit 能產生新的歷史紀錄。

---

選項分析

• (A) $git add：錯誤。
  此指令的作用是將工作目錄（Working Directory）中的修改加入到暫存區（Staging Area / Index）。

核心觀念

本題考驗巨量資料（Big Data）處理架構中 Hadoop HDFS（Hadoop Distributed File System）指令集 的基礎語法與檔案傳輸方向。

在 Hadoop 生態系中，hadoop fs 或 hdfs dfs 是操作檔案系統的命令行介面。當我們要在本地檔案系統（Local File System，在本題情境中為執行的主機 master）與分散式檔案系統（HDFS）之間傳輸資料時，常用的指令如下：

1. -copyFromLocal <src> <dst>（或 -put）：將資料從本地檔案系統複製到 HDFS 中。
2. -copyToLocal <src> <dst>（或 -get）：將資料從 HDFS 複製到本地檔案系統中。

指令名稱中的 Local 即代表執行命令的本地主機（master），而另一個參數則對應 Hadoop 的分散式檔案系統（HDFS）。

---

解題方法

1. 解析指令動作與方向：

   • 指令為 hadoop fs -copyFromLocal A B。
   • copyFromLocal 字面意思為「從本地複製（Copy FROM Local）」。
   • 因此來源端 $A$ 必須是「本地端（Local）」，目的端 $B$ 則為「HDFS 端」。

2. 對應主機與系統名稱：

   • 題目明確指出「在名為 master 的主機上執行」，故「本地端（Local）」對應的路徑即為 master 的路徑。
   • 目的端對應的路徑即為 HDFS 的路徑。

3. 結論推導：

   • $A$ 代表 master 的路徑。
   • $B$ 代表 HDFS 的路徑。

---

核心觀念

本題旨在考驗視訊會議系統中的聲音迴路與回音（Echo）產生機制，以及視訊會議硬體設備（麥克風與揚聲器）的收音與播放運作原則。

1. 遠端回音（Remote Acoustic Echo / Far-end Echo）機制：
   當異地參與者（Far-end speaker）說話時，其聲音訊號經由網路傳輸至本地研討室（Near-end）播放。若本地研討室的麥克風收錄到了揚聲器（喇叭）播放出來的異地語音，且該語音未經 AEC（Acoustic Echo Cancellation，聲學回音消除）有效抑制，就會再次傳送回網路。異地參與者便會在經過網路傳輸延遲與處理延遲（約數百毫秒至 1 秒）後，聽到自己剛才講話的回音。
2. 本地端無感受回音之原因：
   本地研討室內聽到的聲音是由喇叭直接播放的遠端聲音，本地參與者說話則是現場直達音，並未循環經過聲音回傳路徑，因此本地研討室內感覺一切正常。

---

解題方法

分析回音發生的可能原因，必須從「聲音循環路徑（Audio Loopback Path）是如何形成」以及「為什麼聲學回音消除（AEC）機制失效或未被使用」兩大面向切入。

本情境硬體配置為：

• 畫面與聲音投射：筆記型電腦 / 裝置 $\rightarrow$ 無線分享器 $\rightarrow$ Chromecast $\rightarrow$ 投影機 HDMI 2 $\rightarrow$ 音源線 $\rightarrow$ 擴大機 $\rightarrow$ 喇叭。
• 會議輸入／輸出：研討室內使用筆記型電腦運行 Google Meet。

依據題幹敘述，條列發生此問題的可能原因如下：

1. 研討室筆記型電腦使用了內建麥克風收音，且未啟用 AEC 或 AEC 失效

   • 異地參與者的聲音由研討室的高功率外接喇叭播放出來，聲音極大。
   • 若研討室筆記型電腦打開了內建麥克風（或外接通用麥克風），喇叭播放出的遠端語音直接被筆記型電腦的麥克風重新收錄並傳回會議中。
   • 若 Google Meet 或系統層級的聲學回音消除功能被手動關閉，或因外接音響延遲過大導致 AEC 演算法無法收斂抑制，即會造成嚴重的回音。

2. 研討室聲音輸出路徑與輸入路徑不一致（音訊裝置不匹配）

   • 筆記型電腦將 Google Meet 的「聲音播放輸出」設定為無線投放（Chromecast / 投影機音響），但「聲音收音輸入」仍設定為筆電麥克風。
   • 由於聲音透過 Wi-Fi 投放至 Chromecast 再轉接至擴大機與喇叭，中間產生了較大的緩衝與傳輸延遲（Buffer / Latency）。
   • 一般軟體的 AEC 演算法預設基於同一個音訊介面（System Sound Control Block）來估算喇叭輸出與麥克風輸入的時間差；

核心觀念

本題考驗視訊會議系統音訊迴路（Acoustic Feedback / Echo Loop）的成因分析與防範機制，以及視訊硬體設備架構與迴音消除（Acoustic Echo Cancellation, AEC）技術的整合。

1. 迴音產生的物理與傳輸機制：
   • 遠端參與者說話 $\to$ 研討室音響擴大機與喇叭播放聲音 $\to$ 聲波在研討室空間傳播並被筆記型電腦（或研討室收音設備）的麥克風收錄 $\to$ 筆記型電腦將傳輸延遲後的聲音傳回視訊會議系統 $\to$ 遠端參與者聽到約 1 秒前自己的聲音（迴音）。
   • 研討室現場聽不到回音，是因為現場聽到的是遠端傳來的即時聲音，而迴音係傳回遠端端點。
2. 解決迴音的核心原則：
   • 軟體／演算法層面：啟用或強化聲學迴音消除（AEC）技術，利用 DSP 濾波器抵銷喇叭播放並由麥克風收錄的訊號。
   • 硬體與訊號鏈層面：實施「收音與擴音分離」或「使用具備硬體 AEC 之全雙工視訊會議設備（如全向性會議揚聲麥克風 Jabra/Poly、全系統會議麥克風矩陣）」。
   • 物理聲學層面：降低收音與擴音的物理耦合（調整距離、指向性或音量控制）。

---

解題方法

本題要求條列解決之道（假設預算充足），並比較各方法之優缺點與成本。切入點應由「最易執行／軟體調整」延伸至「專業硬體升級」與「系統架構重構」，提供具備實務與學術完整度的層次化解答。

1. 方案一：添購獨立專業視訊會議揚聲麥克風（Conference Speakerphone with Hardware AEC）

• 實務作法：添購具備 DSP 專業硬體迴音消除（Hardware AEC）與全雙工收音功能的 USB/藍牙視訊會議揚聲器（例如 Jabra Speak、Poly Sync 系列）。將筆電收音與放音統一交由該設備處理，並關閉研討室大喇叭撥放會議語音，或由 speakerphone 進行參考訊號抵銷。
• 機制：揚聲器內建的 DSP 能精準知道自己喇叭放出了什麼聲音，並在麥克風收音時即時將該頻段訊號減去（Echo Cancellation），防止音訊傳回 Google Meet。

2. 方案二：建置專業矩陣麥克風與獨立 DSP 音訊處理器系統（Ceiling/Table Array Mic + DSP Processor）

• 實務作法：在研討室安裝天花板陣列麥克風（如 Shure Stem/MXA 系列）與專用音訊數位處理器（DSP Unit）。音訊 DSP 介接研討室擴大機與筆電（USB Audio Class），為整個研討室提供廣域 AEC。
• 機制：DSP 擷取研討室擴大機的輸出訊號作為參考訊號（Reference Signal），動態自適應濾波，將麥克風收到的現場聲波徹底消除迴音後再送入 Google Meet。

3. 方案三：添購視訊會議專用 Gooseneck / 定向麥克風與獨立降噪主機

• 實務作法：採購發言者專用定向麥克風（如心型指向鵝頸麥克風），避免筆電全向性麥克風收錄到牆壁與遠端喇叭反射的混響聲帶。

4. 方案四：零預算／軟體設定優化與使用邏輯調整（作為對照基準）

• 實務作法：在 Google Meet 啟用「迴音消除」功能；或限制研討室僅由單一收音源運作，並調整筆電麥克風靈敏度與喇叭音量。

---

解法比較與成本分析

以下為各項解決方案之優缺點與成本比較表：

方案項目	具體處置與設備	優點	缺點	預估成本
方案一：專業會議揚聲麥克風	添購 USB/藍牙會議 Speakerphone（如 Jabra Speak 750 / Poly Sync 40）	1. 具備專用硬體 AEC，解決迴音效果極佳。

核心觀念
本題旨在考驗考生對 生成式人工智慧（Generative AI, GenAI） 核心概念、發展重要性、企業應用場景、底層運作機制以及模型開發階段的整體理解。此為資管所與資工所近年計算機概論極高頻率出現的申論題型，著重觀念的完整性、結構邏輯與技術專有名詞的精準運用。

題目分為四大問，回應核心要點如下：

1. Generative AI 在影像、文字與語音的重要性：傳統 AI 多為「分析/判別型」（Discriminative），Generative AI 則跨入「創造/合成型」（Generative），能實作多模態內容生成、大幅降低創作與維運成本並驅動自動化。
2. Generative AI 的定義：基於機器學習與深度學習，能學習現有資料的分布（Data Distribution），進而生成全新、合理且具有相似特徵之資料（影像、文字、語音、程式碼等）的技術。
3. 潛在企業應用（Enterprise Applications）：包含智慧客服、行銷文案與圖像自動生成、代碼輔助開發（Copilot）、知識管理系統（RAG）、自動化語音合成與逐字稿整理等。
4. 運作原理與關鍵技術/開發階段：
   • 運作原理：透過學習條件機率分布 $P(X)$ 或 $P(X|Y)$，進行機率採樣生成新資料。
   • 關鍵技術：Transformer 架構、自注意力機制（Self-Attention）、擴散模型（Diffusion Models）、GAN、變分自編碼器（VAE）、大語言模型（LLM）。
   • Major Stages：資料收集與預處理 $\rightarrow$ 預訓練（Pre-training） $\rightarrow$ 微調（Fine-Tuning/SFT） $\rightarrow$ 人類反饋對齊（RLHF/DPO） $\rightarrow$ 部署與推論評估。

---

解題方法與完整答案擬答

一、Generative AI 的定義 (Definition of Generative AI)

生成式人工智慧（Generative AI） 指的是人工智慧的一個分支，其模型透過大量數據進行訓練，學習訓練資料背後的機率分布（Probability Distribution）與隱含特徵表徵（Latent Representations），從而能夠自主生成全新、原創且邏輯合理之資料（如文字、影像、語音、3D 模型與程式碼）。

與傳統判別式 AI（Discriminative AI） 專注於「分類、預測與判斷」（學習 $P(Y|X)$，如辨識一張圖片是否為貓）不同，生成式 AI 專注於「建構與合成」（學習 $P(X)$ 或 $P(X|Y)$，如給定提示詞生成一張貓的圖片）。

---

二、Generative AI 在影像、文字與語音的重要性 (Importance in Image, Text, and Audio)

Generative AI 帶來了從「資訊檢索」到「內容創作與自動化」的範式轉移（Paradigm Shift），在各大模態的重要性如下：

1. 文字（Text）：
   • 突破自然理解與表達極限：大語言模型（LLM）展現出極強的上下文理解、摘要、翻譯與推理能力，使電腦能以自然語言與人類流暢互動。
   • 知識生產力革命：大幅縮短撰寫報告、電子郵件、合約草稿與程式碼的時間。
2. 影像（Image）：
   • 視覺資產生成民主化：透由 Prompt（提示詞）即可生成高解析度圖片與概念圖，擺脫傳統美術繪圖與攝影的時間與預算限制。
   • 資料增強（Data Augmentation）：在醫療影像或自動駕駛領域，可生成罕見病病灶或極端路況（Edge Cases）圖片，輔助訓練其他 AI 模型。
3. 語音（Audio）：
   • 高擬真語音合成（TTS）與克隆：能生成具備情緒、語調與個人聲線特徵的高品質語音，廣泛應用於虛擬助理與配音。
   • 跨語言即時翻譯與轉譯：結合語音辨識（ASR）與語音生成，實現跨語言流暢對話與逐字稿自動整理。

---

三、Generative AI 的潛在企業應用 (Potential Enterprise Applications)

企業導入 Generative AI 主要旨在降本增效（Cost Reduction & Efficiency Enhancement）與業務創新，主要應用包括：

1. 智慧顧客服務與知識管理（Customer Service & Knowledge Management）：
   • 結合檢索增強生成（Retrieval-Augmented Generation, RAG），建立企業內部知識庫客服 bot，提供顧客 24/7 精準解答或輔助內部員工快速調閱公文與技術文件。
2. 自動化行銷與內容創作（Marketing & Content Generation）：
   • 根據目標客群自動生成個人化行銷文案、社群媒體圖片、廣告影片與產品說明書，提升行銷投放效率。
3. 軟體開發與自動化維運（Software Engineering & Copilot）：
   • 利用程式碼生成工具（如 GitHub Copilot）進行代碼補全、自動撰寫單元測試（Unit Test）、程式碼重構（Refactoring）與 Bug 除錯。
4. 產品設計與研發（Product Design & R&D）：
   • 在製造與生醫領域，利用生成模型輔助工業產品外觀設計、電路板 Layout，甚至在生技製藥中進行新藥分子結構生成（Drug Discovery）。

核心觀念
本題考查人工智慧 generated content (AIGC) 偵測技術及其在永續發展（Sustainable Development）中的重要性。隨著大型語言模型（LLM）與擴散模型（Diffusion Models）普及，AI 生成內容的辨識成為資訊管理與 AI 倫理的核心課題。主要涵蓋：

1. 永續發展目標（SDGs）與 AI 倫理：特別是聯合國 SDG 16（和平、正義與健全制度）與 SDG 4（優質教育），防範資訊威脅、學術不倫與網路詐騙。
2. AI 內容偵測技術與分類：包含水印技術（Watermarking）、統計與特徵分析（Perplexity, Burstiness, Lexical Diversity）、機器學習/深度學習分類器（如 RoBERTa, DetectGPT）與多模態特徵提取（Deepfake 圖像/視訊特徵）。
3. 辨識與區分機制（Discrimination Mechanism）：AI 偵測器如何克服對抗攻擊、提示詞工程（Prompting Techniques）以及降低偽陽性（False Positive）與偽陰性（False Negative）發生率。

---

解題方法

本題包含三個核心子問題，答題切入點與邏輯架構如下：

第一部分：AI 內容偵測對永續發展（Sustainable Development）的重要性

從社會、經濟、教育與資訊生態四大維度探討其與永續發展的連結：

1. 維持資訊生態系的健康與信任（SDG 16）：
   • 防止假訊息（Disinformation/Misinformation）氾濫：AI 能以極低成本批量生成極具說服力的虛假新聞或政治宣傳，惡化社會對立。有效的 AI 偵測能守護資訊真實性。
   • 打擊網路詐騙與深偽（Deepfake）犯罪：AI 生成語音、影像與詐騙文本對數位經濟與社會信任造成巨大威脅，辨識技術是建立安全數位環境的基石。
2. 維護學術誠信與教育公平（SDG 4）：
   • 防範學生與研究人員未經授權使用 AI 代寫作業或論文，維護評量機制與學術研究的公正性與可信度。
3. 保護智慧財產權與創作者經濟：
   • AI 模型常未經授權使用人類創作者的作品進行訓練，且生成的內容可能侵犯版權。辨識 AI 內容有助於追溯內容來源，保護原創者的經濟權益與創作動力。
4. 減少資源消耗與模型崩潰（Model Collapse）：
   • 訓練資料污染：若未來的 AI 模型大量使用網路上由 AI 生成的垃圾內容進行訓練，會導致模型品質退化（Model Collapse）。
   • 綠色計算（Green Computing）：減少無效或惡意 AI 垃圾內容的生成與傳輸，降低資料中心能耗與碳排放。

---

第二部分：AI 內容偵測的核心方法與技術（Key Methods and Techniques）

依據資料型態與技術原理，AI 內容偵測可分為以下三大類：

1. 基於水印與主動標記技術（Watermarking & Active Marking）：

   • 文字水印（Text Watermarking）：在 LLM 生成文字時，透過修改採樣機率分布（如 Green/Red List 綠名單機制），將不可見的統計訊號植入文字Token中，後續可透過特定金鑰檢驗統計顯著性。
   • 數位水印（Digital/Spatial Watermarking）：在 AI 生成的圖像、音訊或視訊中植入不可見的頻域（Frequency Domain）或空域（Spatial Domain）隱寫訊號。

2. 基於統計學與語言學特徵（Statistical & Linguistic Feature Analysis）：

   • 困惑度（Perplexity, PPL）：衡量模型預測下一個 Token 的不確定性。AI 生成的文本通常具有較低的 Perplexity（語言較為規律與可預測）。
   • 突發性（Burstiness）：衡量句子長度與結構的變異程度。人類寫作的 Burstiness 較高（句型長短交錯、結構變化大）；AI 生成的文本在句式上傾向高度均勻。
   • 詞彙多樣性（Lexical Diversity）：統計 TTR（Type-Token Ratio），人類寫作往往包含更多特定領域的俚語、罕見詞彙或個性化用語。

3. 基於機器學習與深度學習模型（Machine Learning & Deep Learning Classifiers）：

   • 基於預訓練模型微調（Fine-tuned Transformers）：使用 RoBERTa、DeBERTa 或 DistilBERT 等模型，對「人類文本 vs. AI 文本」資料集進行二分類監督式學習訓練。
   • 零樣本與模型機率分析（Zero-Shot / Probability-Based Methods）：如 DetectGPT，利用小幅度擾動（Perturbation）輸入文本，觀察目標 LLM 對原始文本與擾動文本 Log-Likelihood（對數概似）的變化幅度。AI 生成文本在微小擾動後的概似度下滑幅度顯著高於人類文本。

核心觀念

本題考查敏捷資訊系統開發（Agile Information System Development）環境下，目標與關鍵結果（Objectives and Key Results, OKRs） 與 關鍵績效指標（Key Performance Indicators, KPIs） 的定義、異同點及其整合應用。

1. KPIs（關鍵績效指標）：
   • 定義：用於評估組織、團隊或專案在執行常規業務或既定目標時的營運績效與效率（Business-As-Usual）。
   • 特性：通常為結果導向、相對靜態、屬於落後指標（Lagging Indicators），強調維持穩定度與達成率（通常要求 100% 達成）。
2. OKRs（目標與關鍵結果）：
   • 定義：一種結合定性目標（Objective）與定量關鍵結果（Key Results）的目標管理框架，旨在驅動創新、變革與跨團隊對齊。
   • 特性：具挑戰性（Stretch Goals，理想達成率約 60%–70%）、動態調整、短週期（如季度），與敏捷開發的迭代（Iterative）與增量（Incremental）精神高度契合。

---

解題方法

解答本題的切入點應分為三大部分：先分別說明兩者在敏捷專案中的定位，再系統化比較其相同點（Similarities）與不同點（Differences），最後說明兩者在敏捷開發中如何互補。

1. OKR 與 KPI 在敏捷專案中的定位

• KPI 在敏捷中的角色：監控系統運作健康度與品質（例如：系統可用性 Availability $\ge 99.9\%$, Sprint Bug 數量, 伺服器回應時間）。
• OKR 在敏捷中的角色：引導團隊聚焦於該階段最重要的變革與價值創造（例如：在接下來的兩次 Sprint 中，將使用者註冊轉換率提升 20%）。

2. 相同點（Similarities）

• 量化衡量（Quantitative Measurement）：兩者皆強調數據導向，必須包含可被客觀量化的指標（如關鍵結果與 KPI 數值）。
• 目標導向（Goal-Oriented）：皆為評估組織或專案團隊成功與否的工具，用以引導資源配置與團隊注意力。
• 提升透明度（Transparency）：在敏捷團隊中，兩者皆對全體成員公開，有助於促進資訊對齊與團隊協作。

3. 不同點（Differences）

比較維度	目標與關鍵結果 (OKRs)	關鍵績效指標 (KPIs)
主要目的 (Purpose)	驅動變革、創新與突破性成長（指向未來的方向）	衡量既定業務／系統運營的穩定度與效率（維持現狀）
目標設定 (Goal Setting)	具野心的挑戰性目標（Stretch Goals），許可合理失敗	務實且可達成的目標（S.M.A.R.T.），要求高達成率