新鮮人平均薪資出爐！哪個產業對畢業生最大方？哪個科系最吃香？|數位時代 BusinessNext

新鮮人平均薪資出爐！哪個產業對畢業生最大方？哪個科系最吃香？

勞動部近日公布2014~2018年的畢業生就業動向，揭露哪個科系畢業後普遍能獲得高薪？

學歷高，是高薪的保證嗎？為了掌握大專以上畢業生（含博士、碩士、學士及專科）就業情形和薪資水準，勞動部自2017年建置「薪資行情及大專生就業導航」查詢網，近日公布這5年（2014～2018年）畢業生就業動向。

近5年共有153.5萬人自學校畢業、進入職場，扣除出境、純在學（且未投保公保、農保及勞保者）、服役（役含義務役、志願役及替代役）及死亡者後，可進入勞動市場就業者為133.9萬人，其中全時工作者人數共96.3萬人。這90幾萬人的平均薪水如何？哪些產業的薪資較高？

1. 學歷愈高，平均薪資愈高

雇主每月須為勞工提繳不低於每月工資6%的退休金，據此數據回推勞工的薪資（經常性月薪，不包括紅利、獎金、津貼及非薪資報酬等），博士畢業生平均薪資約為73,387元、碩士畢業生約52,267元、學士畢業生約為34,165元、專科畢業則約34,507元，大致符合外界學歷愈高，薪水愈高的想像。

專科畢業生入行薪資略高於大學畢業生，顯示出學士學歷貶值，不過比較畢業5年後的薪資增幅，大學畢業生卻比專科畢業生較高。

2.高薪學科前5名，理科居多

從畢業生就讀的學科來看，物理、化學及地球科學學門畢業生平均薪資最高，約為48,150元；再來依序是工程及工程業學門（43,988元）、醫藥衛生學門（42,411元）、法律學門（41,275元）、數學及統計學門（39,552元）。

平均薪資倒數的5大學科，分別為語文學門（32,427元）、社會福利學門（31,328元）、藝術學門（30,682元）、安全服務學門（30,362元）、餐旅及民生服務學門（30,131元）。

3. 哪個產業對畢業生給薪最大方？

從產業別來看，平均薪資最高的行業是金融及保險業，每月平均為46,441元；其次為製造業，每月平均為41,842元；第三為出版、影音製作、傳播及資通訊服務業，每月平均為41,545元。至於末端行業，則是住宿及餐飲業，每月平均僅有29,383元。

另外，從就業人數來看，最熱門的產業是製造業，共22萬1700位畢業生選擇投入；而人數最低則為礦業及土石採取業，僅196人。

今年7月金管會公布上市櫃公司工年度薪資資訊，可進一步看各產業的上市櫃公司的薪資行情，總計有32個產業、1,586家企業公布薪資，可供求職者搭配參考。

4. 平均多久找到第一份工作？

先從學科來看，法律學門平均耗費5.9個月才找到第一份工作，是求職費時最長的科系，可能與其專業性需要考取國家執照有關；最快找到工作的是社會福利學門，平均1.9個月即可就職，不過雖然耗時短，卻是平均薪資倒數的5大學科之一。

如果按學歷來比較，博士生平均耗費1.2個月找到第一份工作，其次為碩士生1.97個月、大學生3.01個月、專科生3.07個月，學歷愈高，平均求職所花費的時間愈少。

本文授權轉載自：經理人；作者：吳同凰

過去兩年，人工智慧技術以史無前例的速度翻轉企業營運與競爭態勢，從客服、知識管理到軟體開發，越來越多企業將大型語言模型（LLM）導入企業營運流程，隨著應用程度的深化與廣化，越來越多發現，真正的挑戰早已不只是「選擇哪個模型」，而是如何管理算力、控制成本、確保資料安全，以及讓不同世代GPU、模型與AI應用可以持續共存與調度。

代理式AI崛起後，AI應用從回答問題進展為執行任務、操作系統以及串接流程，連帶拉升對AI基礎設施的需求與架構複雜度，而這意味著，想要發揮AI綜效，光只有模型與技術尚不夠，必須將整體IT環境逐步升級為AI基礎建設（AI Infra）。

深耕AI管理領域多年的數位無限（INFINITIX），近年積極布局軟體定應AI基礎建設（Software Defined AI Infrastructure）市場，除持續深化與GPU、伺服器與AI硬體生態系的合作關係，如於2021年取得NVIDIA Solution Advisor全球夥伴資格，2025年亦獲AMD GPU生態建設夥伴獎，也因應市場需求推出AI-Stack與ixCSP兩大產品線，協助企業、雲端服務供應商（CSP）與新世代AI雲端業者，更有效率地管理跨世代AI算力資源。

數位無限執行長陳文裕表示：「我們的目標是協助客戶打造軟體定義AI基礎架構，讓其可以視需求向下整合不同世代GPU、儲存與網路設備，同時，向上鏈結模型、Token跟AI應用，加速企業的AI創新轉型腳步。」

從AI模型到AI經濟，企業競爭焦點轉向算力與Token調度能力

過去市場談AI，焦點多半放在模型參數、推論效能與模型能力，但在大型語言模型推論需求暴增的現下，AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程；企業真正需要的，不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後，全球AI產業正逐步從模型競賽轉向「AI經濟」，亦即，影響企業AI決策的再也不是使用哪個模型、部署多少GPU，而是消耗多少Token、產生多少AI服務，以及算力是否能被有效共享與調度。

換言之，在AI新世界，算力調度能力的重要水漲船高。對此，陳文裕十分認同的說：「企業想要提升AI競爭力，不僅要掌握模型與應用，還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命，甚至是如何將閒置算力轉變成可交易的資源等。」

事實上，這也是大量AI資料中心（AIDC）跟新世代AI雲端服務（Neo Cloud）業者出現的原因，包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式，提供企業所需的GPU服務與AI算力平台。

看準這波趨勢，數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務，協助客戶提升GPU使用率，更進一步推出ixCSP平台，讓雲端服務供應商與新世代AI雲端業者，能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰：模型快速升級、算力需求攀升、GPU世代交替迅速，企業在追逐AI落地的同時，勢必得面臨基礎建設更新速度過快、硬體投資壓力升高，以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡，數位無限的作法是，透過AI-Stack將底層硬體抽象化，以Token或模型服務形式提供，讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如，高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題，加速39項AI模型進入臨床應用階段，成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步，為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源，也可以透過ixCSP平台，把算力共享或調度給集團內部團隊、子公司，甚至上下游合作夥伴使用，進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設，企業真正需要的，也不再只是單一模型，而是一套能持續適應AI快速演進的AI Infra，而這與數位無限近年來的重要轉型方向一致：從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商，更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值，數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案，協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境，降低企業從PoC走向實際導入的門檻，加速AI落地。

總的來說，隨著AI競爭從模型能力延伸到算力治理，企業比拚的不僅是導入速度，而是能否建立一套足夠彈性、可持續演進的AI Infra，而這與數位無限的發展目標一致，將持續不斷優化產品服務，化身企業搶進AI新世代的關鍵合作夥伴。