2025 07 23 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 從AI趨勢掌握綠色轉型商機 當前AI技術正快速邁向2.0時代，隨著技術日趨成熟，生成式AI正逐步走出實驗室、邁入產業應用階段。全球生成式AI應用市場已進入高速成長期，市場規模預計將從2023年的113億美元，成長至2028年的519億美元，年均複合成長率（CAGR）高達35.6％。

 

2025 07 23 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 當前AI技術正快速邁向2.0時代，隨著技術日趨成熟，生成式AI正逐步走出實驗室、邁入產業應用階段。全球生成式AI應用市場已進入高速成長期，市場規模預計將從2023年的113億美元，成長至2028年的519億美元，年均複合成長率（CAGR）高達35.6％。

 

從AI趨勢掌握綠色轉型商機

• 2025.07.23 
 
• 03:00 
 
• 工商時報  產業分析

可透過AI模擬離岸風場的環境與風機分布，找出最佳發電效益的配置。圖／本報資料照片

文／工研院產科國際所研究經理 石立康

      當前AI技術正快速邁向2.0時代，隨著技術日趨成熟，生成式AI正逐步走出實驗室、邁入產業應用階段。根據多家研究機構的預測，全球生成式AI應用市場已進入高速成長期，市場規模預計將從2023年的113億美元，成長至2028年的519億美元，年均複合成長率（CAGR）高達35.6％。

        其中，2023年北美仍為全球最大市場，占比34.8％；然而亞洲市場成長動能最強，占比達22.1％，預估CAGR可達41.7％，顯示亞洲地區未來在生成式AI領域的關鍵角色。

    這股成長動能來自產業應用需求的全面擴張。

       麥肯錫報告指出，生成式AI在多元產業及企業職能中，展現出顯著的營收增長潛力。例如，行銷與銷售、銀行、保險、電信等領域的客戶服務，以及先進電子與半導體、先進製造、製藥與醫療等高科技產業的產品研發，皆能藉由生成式AI有效提升效率與創新。

     此外，生成式AI也正加速教育、法務、企業管理、社區服務、創意藝術等領域的自動化發展。特別值得注意的是，工作者教育程度愈高，其職務可被AI支援或優化的潛能也愈高，顯示生成式AI對知識密集產業的深遠影響。

    在這波AI驅動的產業升級中，「綠色轉型」也成為各界關注的關鍵方向。無論是鑑別式或生成式AI，皆具備協助產業達成淨零目標的潛力。

       短期內，以「節能減碳」為導向的應用尤為迫切。面對全球淨零排放趨勢，以出口為導向的台灣產業勢必受到衝擊，特別是高耗能的石化、電子、鋼鐵、水泥、紡織、造紙等行業。

政府亦規劃於2030年前投入9,000億元，推動邁向2050年淨零排放的目標。

      AI與大數據的整合應用，正是實現低碳製造的有效途徑。

      在製造業中，AI結合大數據技術，可透過製程優化、品質預測、智慧排程等方式提升能源效率，並從製程減碳、資源配置最佳化、設備健康管理等面向減少碳排放與能耗。

     例如，工研院協助中油輕油裂解廠導入AI技術，透過數據分析與參數建議值導出，在確保產品品質的同時，有效降低能耗與每年約2萬噸的碳排放量。

       中期來看，各產業「特定應用」也帶來廣泛綠色商機。

      以能源產業為例，可透過AI分析太陽能發電與用電端的最佳轉供組合，

或模擬離岸風場的環境與風機分布，以找出最佳發電效益的配置。在半導體產業，

亦有國內業者將光罩生成轉向結合AI演算法與GPU運算，不僅大幅縮短開發時間

與成本，同時實現節能效益。

      展望未來，生成式AI將成為驅動綠色轉型的關鍵力量。已有業者開始將生成式AI應用於智慧製造場域，例如利用虛擬主播快速生成多樣化內容，或

     導入小語言模型（sLM）與AI代理人，使AI能學習產業知識與作業流程，進而優化加工順序與排程，達到提效降本的目的。

總結來看，生成式AI不僅是企業創新的引擎，更是實現永續目標的推進器。未來誰能有效整合AI技術與綠色轉型策略，將在全球競爭中搶占先機，開創兼具效能與永續的新局。

2025 07 18 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 「淨零綠領人才培育課程」 環境部發布2025上半年《綠領人才就業趨勢報告》綠領AI人才需求逾4,300人 8年成長4倍 環境部長彭啓明指出，綠領結合AI已成必然，綠領AI的產業及職務需求也更顯多元！依職缺，2025年約有1萬個及占比48%綠領工作集中於6大職務： 環境安全衛生類人員、 業務銷售人員、 工程研發人員、 維修/技術服務類人員、 專案/產品管理類人員、 操作/技術類人員；

 

2025 07 18 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 「淨零綠領人才培育課程」 環境部發布2025上半年《綠領人才就業趨勢報告》綠領AI人才需求逾4,300人 8年成長4倍 環境部長彭啓明指出，綠領結合AI已成必然，綠領AI的產業及職務需求也更顯多元！依職缺，2025年約有1萬個及占比48%綠領工作集中於6大職務： 環境安全衛生類人員、 業務銷售人員、 工程研發人員、 維修/技術服務類人員、 專案/產品管理類人員、 操作/技術類人員；

 

環境部發布2025上半年

《綠領人才就業趨勢報告》

114-07-04[環境部國家環境研究院]

每月徵求2.2萬名綠領人才  一年增加9% 八年強彈270%

綠領AI人才缺口激增到4,300個 占綠領1/5

臺灣邁向2050淨零轉型，綠領人才扮演關鍵角色。環境部連續第二年與104人力銀行合作完成2025上半年《綠領人才就業趨勢報告》，2025年1到4月，平均每月超過4,000家企業招募綠領，釋出近2.2萬個綠領工作，比2024年同期增加9%，再創8年同期新高，8年強彈270%！

環境部長彭啓明指出，為了密切觀察徵才企業在不同時間點對綠領人才的需求強度變化，2025上半年《綠領人才就業趨勢報告》以過去八年每年1到4月為數據基礎，與2024年《綠領人才就業趨勢報告》以過去八年每年1到10月為數據基礎的比較基期不同。

結果發現，即使整體市場的徵才動能上半年比下半年疲弱，最近三年，1到4月平均每月工作機會數105萬個，就比1到10月平均108萬個短少約3%，甚至今年4月美國關稅戰也造成部分徵才企業觀望，但最新發布2025上半年綠領人才需求，依然追平2024年(同為2.2萬人)，顯示企業對綠領人才的需求強度仍穩定高於整體市場。

環境部為提供多元淨零培育課程，未來將推出一系列加值課程，包括與經濟部合作「節能培訓班」、與內政部合作「淨零建築」課程及與成功大學合開「碳捕捉、利用及封存(CCUS)」課程；

另配合衛福部規劃以大型醫療院所人員為對象的「綠色醫療專班」。為培育我國資源循環綠領人才，環境部國環院也將與資源循環署合作開辦「資源循環專班」。

此外，環境部目前已透過全國32所大學開設的「環境部淨零綠領人才培育課程」，協助員工取得合格證明及提升綠領戰力；求職轉職者，9月後，可將合格證明更新在104人力銀行履歷資料庫，提升求職能見度。

近8成綠領工作來自科技、製造、建築營造等6大產業

環境部2025年上半年《綠領人才就業趨勢報告》，由環境部彙整各部會提供「臺灣2050淨零轉型12項關鍵戰略」相關關鍵字，及合併104人力銀行提供永續關鍵字，包括淨零、減碳、環境工程等領域，2025年關鍵字新增到1,339組。透過104人力銀行累積超過46.8萬家徵才企業會員、超過898.3萬名求職會員資料庫進行大數據探勘，分析近8年含有關鍵字的公司名、公司介紹、職缺名稱、工作內容、條件要求、技能證照等，並分析綠領人才的證照、薪資、及職涯歷程。

趨勢報告指出，依產業，2025年約有1.7萬個綠領工作集中於六大產業及占比77%：電子資訊/軟體/半導體、一般製造業、建築營造及不動產、批發/零售/傳直銷、醫療保健及環境衛生業、法律/會計/顧問/研發/設計業；

其中，電子資訊/軟體/半導體因產業規模龐大、技術密集、法規壓力高、國際競爭激烈與產業鏈長，居綠領人才需求最大產業及占比22%，人才缺口超過4,600人。

依職缺，2025年約有1萬個及占比48%綠領工作集中於6大職務：

環境安全衛生類人員、

業務銷售人員、

工程研發人員、

維修/技術服務類人員、

專案/產品管理類人員、

操作/技術類人員；

  其中，環境安全衛生類人員主責企業實務需符合淨零排碳法規、產業廣泛需求，居綠領人才需求最大職缺及占比15%，人才缺口超過3,300人。

綠領職缺第二名則出現迭代，從早年的操作/技術類人員、轉為工程研發人員、再到近兩年的業務銷售人員，企業實踐淨零轉型已從企業本體、進入銷售服務。

淨零轉型12項關鍵戰略 「資源循環零廢棄」綠領需求最多

根據環境部2025年上半年《綠領人才就業趨勢報告》，臺灣2050淨零轉型12項關鍵戰略中，戰略8「資源循環零廢棄」，穩居8年來綠領人才最大需求及占比28%，戰略11「綠色金融」人才需求占比20%居次，戰略7「運具電動化無碳化人才」需求占比19%、排名第三。

環境部長彭啓明指出，戰略8「資源循環零廢棄」雖排行第一，但近3年(2023-2025)占比，與前五年(2018-2022)相比，已減降10個百分點，企業對綠領人才的需求，已從產線製程的淨零排放，延伸到前端的綠色研發、以及金融服務。

至於2025年綠領工作地區分析結果顯示，60%集中於北部（臺北市、新北市、基隆市、新竹市、桃園市、新竹縣、宜蘭縣）；

87%集中於六都(78%)及新竹縣市(9%)。8年長期趨勢，北部穩居綠領工作最多的地區、占55%~61%之間，南部占19%~23%之間，中部占17%~21%之間，南部皆略高於中部；中部僅在2020年~2023年半導體S廊道形成時，占比略趨近於南部，並於2025年追平南部、同占19%。

綠領AI人才需求逾4,300人  8年成長4倍

環境部2025年上半年《綠領人才就業趨勢報告》，針對近2.2萬個綠領工作進行第二次關鍵字過篩，透過419組AI關鍵字詞，如ChatGPT、deep learning、IOT、人臉辨識等，得出2025年平均每個月有4,301個綠領AI工作機會，8年成長398%；占綠領工作數的比例也從2018年的14.7%、增至19.8%，創8年新高。

環境部長彭啓明指出，綠領結合AI已成必然，綠領AI的產業及職務需求也更顯多元！依產業，法律/會計/顧問/研發/設計業的需求占比提升；

依職務，軟體/工程、工程研發、行銷的需求占比提升，知識密集服務業為產業導入AI淨零排碳需求旺盛，淨零轉型如同AI整體趨勢，從「做AI」逐步擴散到「用AI」。

面對綠領求才若渴，環境部長彭啓明也分享企業獲得綠領人才4大方法：

1.破圈，從其他產業或職務挖角綠領人才。

2.促動，邀請無求職意願被動求職者加入。

3.升級，培育現有員工加值轉型，具備綠領技能。

4.共舞，善用公部門資源，並啟動產學合作，例如環境部攜手32所大學

推出「淨零綠領人才培育課程」，在教育階段提早養成並預約綠領人才。

2025 07 17 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 AI資料處理的核心流程包含以下四個關鍵步驟： 資料收集 (Data Collection) 資料清理 (Data Cleaning) 資料分析 (Data Analysis) 資料呈現 (Data Presentation)監督學習 (Supervised Learning)： 基於 標籤數據 訓練模型，用於 預測（回歸）或 分類（如邏輯回歸、神經網路）。 無監督學習 (Unsupervised Learning)： 在 無標籤數據上 發現模式，如k-means聚類（分組相似客戶）或 主成分分析（PCA）。

 

2025 07 17 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 AI資料處理的核心流程包含以下四個關鍵步驟： 資料收集 (Data Collection) 資料清理 (Data Cleaning) 資料分析 (Data Analysis) 資料呈現 (Data Presentation)監督學習 (Supervised Learning)： 基於 標籤數據 訓練模型，用於 預測（回歸）或 分類（如邏輯回歸、神經網路）。 無監督學習 (Unsupervised Learning)： 在 無標籤數據上 發現模式，如k-means聚類（分組相似客戶）或 主成分分析（PCA）。

 

2025 07 17 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 AI資料處理的核心流程包含以下四個關鍵步驟： 資料收集 (Data Collection) 資料清理 (Data Cleaning) 資料分析 (Data Analysis) 資料呈現 (Data Presentation)監督學習 (Supervised Learning)： 基於 標籤數據 訓練模型，用於 預測（回歸）或 分類（如邏輯回歸、神經網路）。 無監督學習 (Unsupervised Learning)： 在 無標籤數據上 發現模式，如k-means聚類（分組相似客戶）或 主成分分析（PCA）。

AI資料處理的核心流程包含以下四個關鍵步驟： 資料收集 (Data Collection)

資料清理 (Data Cleaning)

資料分析 (Data Analysis)

資料呈現 (Data Presentation)

探索式資料分析 (EDA)

探索式資料分析 (EDA) 是一套包含 資 料 視 覺 化 及 統計知識 和

技術的 數據分析方法，主要目的是 從各個面向 探索數據，

找出 解決問題 的 線索 並進一步 確認問題 及 解決方法。

數據標準化與歸一化：

標準化 (Standardization)：

將數據調整為 零均值 和 單位方差（Z-Score），

適用於 對距離 敏感 的算法。

歸一化 (Normalization)：

將數據 縮放至固定範圍（通常為[0,1]），適用於 神經網絡。

處理類別數據：

標籤編碼 (Label Encoding)：

將 每個 類別 映射 為 數字，適用於 有序類別。

獨熱編碼 (One-Hot Encoding)：

將 每個 類別 轉換 為 二進位向量，適用於 無序類別。

特徵工程 (Feature Engineering)：

特徵選擇：選擇 對 預測 最有影響的 變數（如卡方檢驗、相關性分析）。

特徵創建：從 現有數據 創建 新特徵，以提升模型表現（如 從日期 生成 星期幾）。

特徵縮放與轉換：對數據 進行變換（如對數轉換），使其更適合模型。

Reddit討論串的普遍共識是，特徵工程 和 預處理 是高度領域相關的，

「預處理根據你是在做電腦視覺、自然語言處理、金融時間序列

還是通用數據科學，差異非常、非常大。」，

並沒有一個「萬能公式是每次都有效的」。

監督學習 (Supervised Learning)：

基於 標籤數據 訓練模型，用於 預測（回歸）或

分類（如邏輯回歸、神經網路）。

無監督學習 (Unsupervised Learning)：

在 無標籤數據上 發現模式，如k-means聚類（分組相似客戶）或

主成分分析（PCA）。

2025 07 13 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 生成式AI（Generative AI） 技術原理 1. 生成對抗網絡（GANs）： 2.自回歸模型（Autoregressive Models）： 3.變分自編碼器（VAE）： 4.擴散模型（Diffusion Models）：

 

2025 07 13 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 生成式AI（Generative AI） 技術原理 1. 生成對抗網絡（GANs）： 2.自回歸模型（Autoregressive Models）： 3.變分自編碼器（VAE）： 4.擴散模型（Diffusion Models）：

生成式AI（Generative AI） 

 1. 技術原理 

 生成式AI  的  核心   是使用   深度學習模型   生成  新內容，

     主要技術包括： 

      1. 生成對抗網絡（GANs）： 

      由  生成器和 判別器   兩個模型組成，生成器  負責   創造新內容，

       判別 器負責  辨別真偽。

      2.自回歸模型（Autoregressive Models）： 

       通過  逐步預測  序列生成，例如 OpenAI GPT。

      3.變分自編碼器（VAE）： 

        結合  機率 和  深度學習，用於生成   圖片、視頻。 

     4.擴散模型（Diffusion Models）：  

        用於  圖像生成  的  新興技術，例如 DALL-E 和 Stable Diffusion。 

 2. 日常應用場景 

      • 文本生成：ChatGPT 用於文章撰寫。 

      • 圖片生成：DALL-E、Stable Diffusion 創建藝術作品。 

      • 遊戲創作：自動生成  角色  與  場景。