AI 補助真的比較好申請嗎？先看兩組核定數字
近年只要題目掛上「人工智慧」「機器學習」「資料科學」，申請案量便明顯增加，但這是否代表核定機率或核定金額也隨之提高？從本站依關鍵字歸類的統計來看，學術研究計畫（GRB）在 AI 與資料科學領域共有 9,239 件核定案，核定金額中位數為 95 萬元；企業補助（以 SBIR 為主）則有 136 件核定案，中位數為 80 萬元。這組數字提供一個基本參照：AI 題目確實有相當的申請量，但核定金額並未特別優於其他領域，仍落在中小型計畫的常見區間。
這裡必須先說明一個前提：本站的「產業別」分類（包含 AI 與資料科學、生技醫療等）是依關鍵字自行歸類，並非主管機關的官方分類。整體而言，學術類約 95% 的案件可歸類到某一產業，企業類約 66% 可歸類，其餘則因描述方式或跨領域性質列為未歸類。換句話說，這組 AI 統計是觀察趨勢的參考值，不是官方核定率或核定範圍的保證，實際申請仍應以各計畫主管機關公告的資格與審查標準為準。
學術研究 vs 企業補助：AI 題目該走哪一軌？
AI 相關題目常見兩種申請身分：一是大學或研究單位申請的學術研究計畫，透過 GRB 系統核定；二是企業以研發角度申請的補助計畫，較常見的管道是經濟部中小及新創企業署的 SBIR。兩者在申請人資格、審查邏輯與金額結構上差異明顯，整理如下表：
| 比較項目 | 學術研究計畫（GRB） | 企業補助（SBIR） |
|---|---|---|
| AI 領域核定件數 | 9,239 件 | 136 件 |
| 核定金額中位數 | 95 萬元 | 80 萬元 |
| 申請人身分 | 學校、研究機構、研究人員 | 依法設立之公司行號 |
| 審查重點 | 學術創新性、方法嚴謹度 | 商業化可行性、市場應用 |
| 常見金額結構 | 依計畫規模浮動，無固定分階段 | Phase 1 先期研究上限 150 萬（6 個月）；Phase 2 一年 600 萬、兩年 1,200 萬；Phase 2+ 加值應用 600 萬 |
值得注意的是，全體 SBIR 計畫（不限 AI 領域）的核定金額中位數為 80 萬元，半數案件落在 60 至 130 萬元之間，九成低於 200 萬元；而學術研究計畫整體中位數為 111 萬元。AI 領域的兩個數字（學術 95 萬、企業 80 萬）大致落在各自母體的常見區間內，並未出現明顯偏高或偏低的情況，這也提醒申請人：AI 題目本身不會自動帶來更高的核定金額，計畫的具體性與可行性才是關鍵。
AI 題目為什麼容易被退件？「空泛」是最常見的致命傷
審查委員每年接觸大量掛著「AI」「深度學習」「大數據分析」的計畫書，最常見的問題不是技術不夠新，而是題目寫得太抽象。常見的空泛寫法包括：
- 只寫「運用人工智慧提升效率」，卻未說明是提升哪個環節、原本效率如何量化、預期改善幅度如何驗證。
- 強調演算法名稱（如深度學習、自然語言處理），卻沒有交代訓練資料從何而來、資料量體與品質是否足夠支撐模型訓練。
- 應用場域模糊，例如「應用於製造業」而非具體到「應用於某條生產線的瑕疵檢測」或「應用於某類客服對話的意圖分類」。
要讓 AI 題目具體化，計畫書至少應該回答三個問題：這套系統要解決誰的什麼問題、資料從哪裡取得、成果如何被驗證或量化。這三點若能對應到明確的應用場域與資料來源，計畫書的說服力會大幅提升，也比較容易讓審查委員判斷技術與商業（或學術）價值之間的連結。
資料來源與個資合規，計畫書要交代到什麼程度？
AI 計畫的核心資產是資料，但許多申請人在計畫書中對資料來源著墨太少，或完全忽略個資合規議題，這在審查時往往是扣分項。建議至少涵蓋以下幾個面向：
- 資料來源說明：資料是自行蒐集、購買、公開資料集，還是與合作單位共享？若涉及第三方資料，是否已取得使用授權或簽署合作協議。
- 資料量體與品質：目前已取得多少筆資料、資料的時間範圍與代表性是否足以支撐模型訓練與驗證，若資料量不足，計畫中是否有擴充資料的具體步驟。
- 個資與敏感資料處理：若資料涉及個人資料（例如醫療、金融、消費行為等），計畫書應說明去識別化或匿名化的作法，以及是否符合個人資料保護相關規範，必要時應說明是否需要倫理審查或內部審查機制。
- 資料治理與存取權限：資料如何儲存、由誰管理、是否有存取紀錄與資安措施，這些細節雖然瑣碎，但能反映申請團隊對資料治理的成熟度。
這些內容不必寫成冗長的法規條文引用，但至少要讓審查委員看到申請團隊已經思考過資料取得的可行性與合規風險，而不是把資料議題當作「之後再說」的細節。
準備 AI 補助申請前，可以先做哪些事？
在動筆撰寫計畫書之前，建議先完成以下幾項盤點工作：
- 確認申請身分與適用管道：學術單位通常走學術研究計畫體系，企業則可評估經濟部中小及新創企業署的 SBIR 是否符合公司規模與研發階段。
- 盤點手上已有的資料與缺口：哪些資料已經到位、哪些需要在計畫期間內補齊，補齊的方式與時程是否合理。
- 依規模選擇合適的申請層級：企業申請者可參考 SBIR 個別申請的階段上限（Phase 1 先期研究 150 萬、Phase 2 一年 600 萬或兩年 1,200 萬、Phase 2+ 加值應用 600 萬），評估自己的計畫屬於驗證概念階段還是已具備開發基礎，選擇對應的申請層級；聯盟型申請則另有較高上限，但補助比例上限為 50%，仍需自籌部分經費。
- 提前試算計畫規模與自籌比例，避免申請金額與實際需求落差過大。
如果想進一步了解 AI 與資料科學領域的核定案分布與金額區間，可以參考 AI 與資料科學補助觀察 頁面的整理；若已經有初步的題目構想，也可以透過 計畫書工作台 的範例架構，檢視自己的申請書是否把應用場域、資料來源與驗證方式都寫得夠具體，再視情況調整申請策略。整體而言，AI 補助不是靠關鍵字取勝的領域，把題目寫實、把資料交代清楚，