摘要 

        本文探討生成式AI在估價的應用方向，並分析台灣與澳洲兩地估價體系的發展現況與制度差異。藉由台灣與澳洲的比較研究顯示，澳洲依循國際規範與自我監管，制度環境有利於AI應用。台灣則透過不動產實價登錄與資料開放，累積自動估價基礎並廣為公私部門運用，但在模型整合與AI規範銜接上仍需加強。本文依據不同機構規模提出生成式AI導入策略：大型估價機構可發展資料驅動的端對端方式，提升作業效率與一致性，中小型機構則可善用開源模型與外部API導入，展現較高的靈活性，以符合成本效益。整體而言，生成式AI並非取代估價師，而是輔助其專業判斷的重要工具，透過強化假設揭露、透明度及可解釋性，並落實監管機制，生成式AI將成為提升估價專業信任的重要推力。 

壹、前言 

        不動產估價是高度專業且嚴謹的程序，估價師需根據市場狀況、法規與估價專業來評估不動產價值。傳統上，不動產估價主要採用三種方法：比較法、成本法與收益法。比較法透過分析比較標的的交易價格來估算勘估標的價值，適用於交易頻繁的地區；成本法則以重新建造相同建物的成本減去折舊來估算價值，常用於新建物或新開發土地，如土地重劃或新市鎮開發；收益法則根據不動產未來的收益潛力，運用資本化率或折現率推估收益價格，廣泛應用於辦公大樓、購物中心等收益型不動產（林英彥, 2007；API, 2020）。儘管這些方法在實務上已被廣泛應用，其執行仍高度依賴估價師的市場經驗與專業判斷。過去研究顯示估從業人員的主觀性與客戶影響，可能導致估價結果的差異與爭議（Liao, Chu & Peng, 2018）。 

        隨著科技進步，統計工具逐漸被引入不動產估價，以提升客觀性與效率，包括迴歸模型、電腦輔助大量估價系統（CAMA）與自動估價模型（AVMs）。迴歸分析，係根據歷史交易資料與價格影響因素建立估價函數；CAMA系統主要應用於公部門大量估價，如財產稅課徵與土地徵收補償，並結合地理資訊系統（GIS）與空間統計建立自動化估價（楊宗憲、朱南玉等，2018；2019）。這些模型已被銀行應用於抵押貸款評估，或公部門財產稅之稅基估算，例如澳洲、美國及加拿大。然而，傳統AVMs需要大量結構化資料，對交易量低的區域或特殊物件（例如山坡地、農舍等）效果有限；此外，攸關不動產品質的質性資料，如鄰里品質與建築物外觀屋況等不易量化，也常導致估價模型的偏誤。 

        近年來，機器學習（ML）尤其是深度學習的出現，促成了AI型自動估價模型（AI-AVMs）的發展。實證研究顯示，機器學習模型普遍優於傳統的特徵價格模型（Abidoye & Chan, 2018；Sing、Yang and Yu, 2021）。然而，由於機器學習模型高度不透明，難以理解哪些因素影響不動產價值，複雜的估價任務仍需估價師的專業判斷，AI尚無法完全取代人類專業知識（Dimopoulos & Bakas, 2019）。整體而言，過去研究強調提升估價準確性，卻常忽略價格推論過程的可解釋性與估價流程各階段的整合。與其追求無法解釋的精準度，能否將AI應用擴展至估價流程中的其他關鍵步驟? 

        隨著第四次工業革命的到來，人工智慧（AI）、生成式人工智慧(General AI) 發展迅速，特別在高度依賴精準資料與專業的領域，生成式AI逐漸成為提升服務效率與準確度的重要工具（楊宗憲，2023；Technology Council of Australia, 2023）12。另一方面，人工智慧應用的成效很大程度上受制於既有的制度設計、監管環境以及資料庫的完整性和可得性。 

        台灣與澳洲有著相似的殖民歷史背景，都曾受到英國或日本的統治影響，使得雙方的不動產估價體系存在一定的共通性。此外，兩地人口規模相近，且多數人口居住於都市地區，同樣面臨估價人力不足的問題。儘管AI應用在技術端雖日益精進，但對估價過程的透明度，可解釋性一直存在盲點，如何善用生成式AI輔助不動估價，是本研究討論的主要議題。故本文以台灣及澳洲為研究對象，首先探討工業革命和AI技術進步對不動產產業的整體影響，並進一步比較台灣和澳洲的估價制度發展，以及兩國在不動產估價應用現狀。最後歸納生成式AI應用及輔助不動產估價的方向，供估價產業技術創新之參考。 

貳、人工智慧的演進：從工業革命到生成式AI 

        工業4.0的概念由德國的Schwab教授在十年前首次提出。它與第一次工業革命（即工業1.0）不同，工業 1.0 實現了生產自動化並塑造了資本密集型產業。工業2.0始於工業自動化和技術密集型產業，3.0則聚焦於電子商務和創新密集型產業。其後，工業4.0的核心項目更為廣泛，包括智慧自動化生產與自動化決策等。這些創新都有助於企業即時預測並掌握市場需求（Chen and Shin，2019），在此基礎上，工業5.0的概念也隨之誕生，強調人類的工作模式必須與先進技術及AI緊密地連結，以精進工作流程及效率。 

        工業5.0倡導人機協作模式，更加以人為本，並強調韌性與永續性。類似的概念也出現在亞洲先進經濟體中，如日本。日本政府於2016年提出「超智慧社會（Society 5.0）」政策，主張未來社會必須仰賴超級智慧系統（即人工智慧系統）的支援與協助，顯然日本政府希望儘速將AI整合進現有社會架構中，並降低社會對AI深度滲透的抗拒。無論是西方的工業5.0或東方的Society 5.0，皆指出AI在未來工作環境與日常生活中扮演關鍵角色。然而，每次工業革命總會對人類社會帶來巨大的影響，並在轉型期間引發動盪。科技進步所帶來的社會變革，往往伴隨政策與法規的調整，產生新的贏家與輸家。AI技術的誕生與近期機器學習、大型語言模型（LLM）的成功發展，尤其是2022年首次展現其威力的ChatGPT，正是此一現象的最新例證。 

        嚴格來說，人工智慧並非全新的創新，技術發展至今已經歷了漫長的探索。從最早的AI研究計畫（McCarthy et.al., 1955），到第一個對話程式ELIZA誕生(1966年)。從1990年開始，人工智慧的程式設計轉向基於生物辨識技術的遺傳演算法，後續積神經網路（CNN）和循環神經網路（RNN）相繼發展，均為人工智慧（AI）技術機器學習的技術基礎。與此同時，學者們再次提出了類似的疑問：「AI是否會成為『人類生存的風險』？」（Bostrom，2014；Richmond, 2016）。對此，Chen and Shin（2019）認為： 

       “我們應該關注近期可能出現的挑戰。包括工作崗位的快速重分配、個人隱私或人權的侵害等問題。 （Chen and Shin， p342）” 

        2022年12月，OpenAI發布了ChatGPT，大型語言模型（LLM）並透過深度學習技術訓練的軟體。 其自我學習能力極為卓越，參數數量從GPT-1的1.17億提升至GPT-3的1750億，目前已經發展到GPT-5.0，使用者可透過自然語言與其互動，進行複雜語言交流，包括自動文字生成、問答、摘要等功能。因此，與生成式AI及GPT相關的應用已成為近年最熱門的科技趨勢，促使各大科技公司投入大量資源開發競爭產品。 

        由於出生率下降和人口老化導致的長期勞動力短缺，進一步迫使各行各業採用AI技術，顯示AI已成為未來企業競爭力與生存關鍵。不動產估價師及不動產相關產業也無法迴避這一新趨勢。究竟哪些AI工具適合估價師使用？如何確保資訊安全與估價師專業能力？如何建立估價師與AI之間的新型協同工作模式？報告中哪些部分可由AI自動化處理？所有這些問題皆需新的監管體系加以因應。本文將探討上述關鍵議題，並以台灣與澳洲作為案例進行分析。 

參、澳洲不動產估價制度與 AI 監管機制 

        澳洲是全球最大的單一大陸國家，其估價制度深受歐洲特別是英國的影響，同時也發展出在地特色。澳洲政府分為聯邦、州及地方三個層級，土地估價的需求源自於課稅目的。澳洲產權類型涵蓋王室土地、原住民土地、永久產權（freehold）、租賃權（leasehold），以及澳洲首都特區的公共租賃地等法定形式。澳洲不動產估價應用領域廣泛，除住宅與商業不動產外，還涉及農業資源與自然資源等部門，涵蓋公私部門資產、部分動產及基礎設施。隨著產業多元化，估價服務在企業資產管理領域也日益增加。 

一、估價制度及規範 

        過去半世紀以來，澳洲估價的重心，逐漸由政府主導的土地稅與評定，轉向私人投資與開發價值評定。主要估價方法仍以經濟理論為基礎，包括市場比較法、折現收益法與重置成本折舊法（Whipple, 1995；Reed, 2008；Parker, 2024）。近年也出現使用者導向的估價方法，如條件估價法（Contingent Valuation）；以大數據為基礎的自動估價模型（AVM）與機器學習方法等。即時估價（real-time valuation）在資訊科技的支援下透過AVM得以實現，此也反映出澳洲對「市場價值」的概念持續轉變中，從法定的定義（Spencer v Commonwealth 1907），逐步轉向為以市場實務為核心的「最適價值」（Whipple, 2006）。 

        在制度方面，澳洲估價產業整合相關制度規範，包括國際評價準則（IVS）、澳洲不動產估價師協會（API）制定的規範與準則、英國皇家測量師協會（RICS）的紅皮書、專業實務認證（如 CPV註冊制度）、教育制度（如大學課程認證與產業持續專業發展），以及服務風險管理機制（如專業責任保險制度）等。 

        澳洲估價制度融合全球化與在地實務，相較於其他亞洲國家，具有成熟、穩定且持續調整的特性。澳洲估價實務的核心雖仍依賴專業判斷，但資訊科技對不動產估價的影響日益明顯，相關研究指出（Whipple 2006；Parker 2024），技術創新已改變估價服務的效率與流程結構，也挑戰既有的專業分工模式。同時，制度亦逐步納入原住民文化與多元文化觀點（Chu, etc., 2023；Simon, etc., 2008）。總的來看，澳洲估價系統強調以自我監管與市場導向，並由社會制度引導實務操作。 

二、生成式 AI 與估價服務的市場影響 

（一）服務可得性與服品質 

        生成式AI用語本身帶有某種過渡性的意涵，強調其在幾乎無需人工介入的情況下，自動生成內容的能力。在澳洲，不動產估價服務對生成式AI的採用是一個自然演進的過程。更準確地說，是AI技術能力與AI輔助估價服務之間的共同演化。 

        目前，生成式AI 的使用在不同司法管轄區引發市場與監管的議題。在澳洲，因 AI或生成式AI技術尚處於發展階段，社會各界態度不一：有些人積極擁抱，有些持保留態度，也有人明確反對其應用。這場「AI 熱潮」預期將帶來深遠的社會轉型，與過去的科技浪潮（如 2000 年初的網路泡沫）相比，這次的特點在於技術發展迅速以及監理挑戰。年輕世代以及產業界對生成式AI的需求強烈，消費者與社會的接受度只是生成式AI應用的課題之一。 

        產業界對AI的反應普遍較為正面，不動產領域的大型企業如仲量聯行（Jones Lang LaSalle）、顧問公司如麥肯錫（McKinsey, 2024）以及媒體機構都已積極投入相關技術應用，部分小型獨立估價業者也開始表示將導入生成式AI工具，以提升服務品質與效率。政府方面，例如新南威爾斯州的 Digital NSW，正積極投資於數位基礎建設與監管體系，並推動各層級的「AI 素養」教育。儘管政府與組織對生成式AI的角色與應用尚未形成高度共識，由於公共行政與數位基礎建設的需求日益增加，公部門已成為AI估價服務的重要對象。 

        整體而言，生成式AI不僅能提升客戶的經濟生產力，更具備開創新型估價服務的能量，對不動產估價產業具有潛力及機會。 

（二）發展與監管挑戰 

        生成式AI在不動產市場分析與估價的應用及發展，是澳洲估價產業關注的重點議題（Commonwealth of Australia 2024a, b；Jones Lang LaSalle 2024；Digital NSW 2024；Australian Property Institute 2022）。此技術核心在於強化人機互動與共同生產，正如Schwab（2016）提及，生成式AI代表一場推動生產力與價值形成的新工業革命。無論大型顧問公司或中小型估價事務所，皆已導入生成式AI工具以輔助搜尋、分析與報告撰寫，主要在資訊處理提供支援，而準確性與價格判斷仍由估價師執行。此種AI協作模式，既能維持專業判斷，也提升估價作業效率與報告書品質。尤其生成式AI在報告生成、法規與專業訓練等面向具有相當潛力。 

        然而，估價服務創新仍呈現不均衡發展，受限於公、私部門在成本與價值上的差異，最終能否落實與商業化，仍取決於資源投入與組織策略。值得注意的是，在生成式AI 輔助估價流程中同時，國內外也開始制定監管規範。例如，NSW政府提出AI使用指引（Digital NSW 2024），歐盟制定AI Act；澳洲聯邦政府（Labour Party）近年也積極推動規範，包括Voluntary AI Safety Standard 與 Proposals Paper for Introducing Mandatory Guardrails for AI in High-Risk Settings（Commonwealth of Australia 2024a, 2024b），方向與歐盟「Artificial Intelligence Act」（2024）大致一致，皆強調風險辨識與管理。 

         澳洲社會體系深受歐洲文化及亞太區域的影響，並伴隨文化意識的提升（Chu et al. 2023），儘管已逐步建立具問責性的科技運用能力，如何在追求競爭優勢的同時維持社會正義，仍需公私部門持續努力。在此背景下，台灣是否因產業結構與技術創新能力，而在生成式AI的估價應用具有比較優勢？值得進一步探討。 

肆、台灣不動產估價制度與 AI 應用挑戰 

一、台灣的估價體系及特點 

        與澳洲成熟的體系相比，台灣的估價制度起步較晚。早期，政府部門主要依據「地價調查估計規則」進行土地價值的評定，供作課稅、徵收或公有土地交易的依據。直到2000年，借鏡日本、韓國及國際估價規範的制度精神，制定了「不動​​產估價師法」、「不動產估價技術規則」13。其後，2012年土地徵收價值轉為以市價為基準，標誌著公部門估價與市場價值接軌的重大轉變。同年台灣也開時推行不動產交易實價登錄制度，並持續修訂，提升估價資料的透明度14。 

        私部門估價範疇涵蓋不動產抵押貸款評估、資產重估、法院判決、合建或都市更新等權利變換價值估算，主要採用比較法、成本法（含土地開發分析法）及收益法，並以「不動產估價技術規則」為依據。估價師亦得受政府機關委託執行法定估價，此時須依循相關法規，例如「土地徵收補償市價查估辦法」、「市地重劃辦法」等。為配合實務需求，中華民國不動產估價師公會全國聯合會（簡稱全聯會）自2006年起，每年發佈各類不動產估價公報，包括估價師職業道德、成本法、收益法、土地開發分析法等方法之應用細節，以及特殊目的（例如都市更新、土地徵收、市地重劃、瑕疵不動產等）報告範本或估價指引。此外，自2023年起亦陸續制定「估價作業通則」，針對建物耐用年數調整、共有不動產估價、單一方法適用、估價條件擬定及瑕疵不動產之因果關係分析等情況提供原則性規範15。 

        不同於私部門估價，基於行政效率公部門以大量估價為主，如運用區段價法來評定公告土地現值，即選取同質區（地價區段）內的不動產買賣實例，並以中位數作為該區段土地的價值。對於繁榮街道地區，則採用路線價估價法，建立地價與距離道路長度的關聯。然而，這些方法並未考慮個別因素的差異，因此，台灣於2003年引進日本的標準宗地制度，並頒布了「地價基準地選定及查估要點」，概念上與澳洲新南威爾斯的土地估價方法類似16。 

二、科技對台灣估價制度的影響 

        隨著AI等科技的興起，傳統估價方法、流程、估價師角色及制度環境也在調整中。首先，公部門的資料庫管理系統從電腦化發展到數位化，並催生了電子化政府平台。不動產產權資訊、土地使用管制可透過線上申請（含跨縣市），地方政府也建立了空間資訊平台，整合地籍、都市計畫及相關圖資。電子產權憑證系統也自2024年正式上線，有助於產權確認之效率與安全17。 

        如前所述，2012年是台灣不動產自動估價的重要轉捩點。政府強制要求所有不動產交易價格必須登記並網站上公開查詢。自此，累積超過12年以上的不動產交易資料，促使民間部門積極開發各種自動估價模型（AVM）18。近年來，政府也持續透過委託研究，希望能應用AVM來精進公部門估價作業，如內政部電腦輔助大量估價、地方政府大數據輔助區段地價研究等。地產科技公司（PropTech）也開始實施自動估價服務，例如 House+19。這些系統估算的價格通常是不動產經紀人和消費者的重要參考。另從台灣專利資料庫來看，過去十年與不動產估價相關的專利已超過100項，成長相當迅速20。 

       目前政府部門和產業界對AI估價仍持謹慎態度，並禁止用AVM取代傳統估價方法，主要考量不動產估價師仍是最終的價格判斷的關鍵。然而，一項調查顯示，估價師對使用AI輔助不動產估價持樂觀態度，尤其是生成式AI能輔助估價過程中資料蒐集、案例選取等繁冗的前置作業，並具備複審的功能，類似於智慧估價助理21。此意謂適當地導入生成式AI，讓估價師能更有效率地完成任務，同時兼顧營運及成本效益 

伍、生成式AI如何協助不動產估價 

        生成式AI的核心應用包括文字生成、影像生成、音訊與影片合成、程式碼生成與資料生成等。於不動產估價流程中，生成式AI的多元功能可適用於高度專業性與資料密集性高的作業。首先，透過自然語言處理分析都市計畫與土地使用法規，能提升估價報告中法律可行性評估；其次，解釋型生成式AI可協助解釋複雜法規與AVM模型結構，強化價格影響因素透明度與可解釋性，藉由自動生成估價報告中比較法、成本法與收益法的敘述內容，讓分析文字與資料更具一致性，提升撰寫效率（Roumeliotis and Tselikas, 2023）。此外，勘估標的及周遭環境亦可整合為視覺與文字資料，例如Runway ML可支援影像辨識以評估建築結構、翻修與狀況，有助於強化不動產估價中對物理特徵的解釋能力22。考量公司規模與AI應用成本及效率，未來應用方向建議如下： 

一、大型估價機構的 生成式AI 應用 

        大型估價機構通常擁有本身資料庫及運算基礎設施，能自行開發或收購AI 公司。因此，其應用範圍可涵蓋不動產市場分析、自動估價模型、投資機會與風險評估以及法律分析等領域。 

（一）市場分析與趨勢預測 

        大型估價機構可利用深度學習與大規模資料處理，進行更準確的市場趨勢分析。例如，C3 ai 開發的不動產估價平台，結合機器學習與生成式AI，即時整合交易紀錄、區域租金資料與政策變動，進而預測不動產市場波動。此類的AI市場分析使投資人與金融機構能依據即時市場變化調整估價策略，並預測在不同情境下的房價走勢23。 

        此外，麥肯錫（McKinsey & Company）亦運用生成式AI建立市場模擬與需求預測模型。這些AI訓練資料集有助於分析市場景氣循環、區域房價變化以及影響不動產價值的總體因素分析，並生成客製化的市場報告，協助客戶辨識高成長區域與潛在投資機會24。 

（二）自動估價與風險評估 

        大型估價機構已廣泛地應用生成式AI技術開發高精準度的AVMs。這些系統利用生成式AI，自動比較歷史交易、價格趨勢及區位資料，以估計不動產價值。例如，Zillow的Zestimate系統透過AI分析數百萬筆交易紀錄，提供即時估價資訊，並藉由演算法修正價格偏誤25。此外，生成式AI 亦可用於風險評估，模擬在多種情境下的價格變化，並透過自然語言處理技術，自動審查估價報告，確保估價流程符合地方法規與國際規範。 

（三）自動生成報告 

        最後，大型估價機構亦可導入生成式AI進行自動生成估價報告，以縮短報告撰寫時間。AI可自動生成比較法、收益法與成本法的相關內容，並結合即時資料以提升精確性。此類機構亦可同時利用生成式AI建立內部資料庫，確保估價流程中資料的可追溯性與一致性。值得注意的是，Cotality（原CoreLogic）將影像辨識技術與 生成式AI 結合，分析衛星影像與街景影像，以判斷建築物結構、房屋修繕狀況與周遭環境變化。此類影像系統亦能偵測自然災害對不動產價值的影響，進一步強化風險評估的準確性26。 

二、中小型估價機構的生成式AI應用 

        受限於人力與預算，中小型估價機構通常無法獨立開發 AI 系統。建議可透過開源模型、外部API平台與圖形化介面工具，提升營運效率。例如，中小型估價機構因人力與資源限制，難以自建完整資料庫。以Estated API為例，該平台提供即時不動產資料，採使用者付費模式，技術門檻低，較易於整合到公司系統，適合中小型估價事務所27。此外，中小型機構亦可利用ChatGPT、Claude等平台快速生成報告草稿，減少助理估價師的文字工作量。 

        雖然這些機構無法執行完整的端對端模型開發，將多樣化AI工具導入現有工作流程，亦有助於估價作業效率。 

陸、結論  

        本文探討生成式AI在不動產估價之應用，並從估價制度上的差異討論未來發展方向。傳統估價方法如比較法、成本法與收益法，雖具理論基礎，但仍存在資料不足與方法侷限，估價結果易受主觀判斷與客戶影響。隨著迴歸模型、電腦輔助大量估價系統、自動估價模型（AVM）至AI- AVM的演進，提升了價格的預測能力，惟各界對模型不透明性與可解釋性仍有疑慮。事實上，估價作業涉及產權、都市計畫、市場分析及方法應用等技術知識，仍須仰賴估價師的專業判斷，惟產業普遍面臨人力流失及效率問題。在工業 4.0 與 5.0 技術浪潮下，如何應用生成式AI輔助估價流程，為本文關切的議題。 

        澳洲與台灣在制度設計與技術應用上展現出不同的發展軌跡。澳洲不動產估價制度已趨成熟，強調自我監管與社會正義，對於生成式AI的應用朝穩健的方式推進。台灣則在政府資料公開與技術導入方面逐年精進，惟制度整合與專業規範仍待強化，對於AI的使用尚未有明確規範。兩地皆面臨估價人力不足與勞動力結構轉型的問題，如何應用生成式AI作為輔助工具，提升估價作業效能，同時兼顧監管機制是共同的挑戰。 

        在生成式AI技術應用方面，建議大型估價機構可導入端對端AI系統以提升效率及風險管理能力，中小型機構可透過開源工具與外部平台整合資源，朝向具彈性的、符合成本效益的應用模式。另一方面，如同本文制度分析所提到的監管爭議，生成式AI的應用需克服制度與倫理上的新課題，包括模型透明度、資料安全、專業責任與社會公平等議題。未來不動產估價制度的改革，須同時考量技術創新與社會正當性，建立AI輔助估價的新規範；同時強化估價師專業培訓，確保人機協作模式的發展。在可遇見的未來，生成式AI不僅是提升估價效率的工具，更是專業角色重新定位的關鍵，期待不動產估價產業邁向新的紀元。 

參考文獻 

林英彥（2006），不動產估價第11版，台北：文笙書局。 

楊宗憲（2023，AI 帶給不動產市場的轉變與機會，[工商時報]。網址: https://www.ctee.com.tw/news/20230525700347-430601 

楊宗憲、朱南玉等（2018），107年建置電腦大量估價模型案，內政部委託研究報告。 

楊宗憲、朱南玉等（2019），108年建置電腦大量估價模型案，內政部委託研究報告。 

Abidoye, R. B., & Chan, A. P. (2018). Hedonic valuation of real estate properties in Nigeria. Journal of African Real Estate Research, 3(1), 122-140. 

Appraisal Institute (API). (2020). The appraisal of real estate (15th ed.). Appraisal Institute. 

Asimov, Isaac (1950). "Runaround". I, Robot. New York City: Doubleday. 

Australian Property Institute. (2008). Valuation of Real Estate. Reed, R (ed), the Australian Property Institute, Canberra. 

Australian Property Institute. (2022). Big visual data analysis using artificial intelligence for mass valuation of residential properties in Australia. Australian Property Research and Education Fund, Canberra.   

Chen, S.C.Y., and M.C., Shen (2019) The Fourth Industrial Revolution and the Development of Artificial Intelligence, in F.L.T., Yu and D.S. Kwan(Eds.), Contemporary Issues in International Political Economy, Springer Verlag, Singapore, pp. 333-346 

Chu, N., Cheung, K., & Wu, H. (2023). Housing policy for indigenous community-A Comparative study of Australia, Hong Kong and Taiwan. 

Commonwealth of Australia. (2024a). Voluntary AI Safety Standard. Department of Industry, Science and Resources. ACT. 

Commonwealth of Australia. (2024b). Safe and responsible AI in Australia. Department of Industry, Science and Resources. ACT. 

Digital NSW (2024). Artificial Intelligence. The NSW Government. Accessed 20/10/2024: https://www.digital.nsw.gov.au/policy/artificial-intelligence. 

Dimopoulos, T., & Bakas, N. (2019). An artificial intelligence algorithm analyzing 30 years of research in mass appraisals. RELAND: International Journal of Real Estate & Land Planning, 2, 10-27.  

European Parliament and Council. (2024). Artificial Intelligence Act. OJ L, 2024/1689, 12.7.2024 

Jones Lang LaSalle. (2024a) Trends and Insights. accessed 15/10/2024: https://www.jll.com.au/en/trends-and-insights  

Jones Lang LaSalle. (2024b). Artificial Intelligence: Real Estate Revolution or Evolution? Accessed 15/10/2024: https://www.jll.com.au/en/trends-and-insights/research 

Liao, H. F., Chu, N. Y., & Peng, C. W. (2018). Awareness of Independence of Real Estate Appraisers: An Empirical Analysis. International Real Estate Review, 21(3). 

McKinsey. (2024). What is generative AI? April 2024. McKinsey Global Publishing.  

MIS. (2024). Press release: The Albanese Government acts to make AI safer. Ministry for Industry and Science, ACT. Accessed 29/10/2024. https://www.minister.industry.gov.au/ministers/husic/media-releases 

Moro-Visconti, R. (2024). Artificial Intelligence Valuation: The Impact on Automation, BioTech, ChatBots, FinTech, B2B2C, and Other Industries. Palgrave Macmillan, London. 

Parker, D. (2023). Introduction to Valuation in Australia. Routledge, Sydney.  

Richmond, S. (2016). Superintelligence: Paths, Dangers, Strategies. By Nick Bostrom. Oxford University Press, Oxford, 2014, pp. xvi+ 328. Hardcover: $29.95/£ 18.99. ISBN: 9780199678112. Philosophy, 91(1), 125-130. 

Roumeliotis, K. I., & Tselikas, N. D. (2023). Chatgpt and open-ai models: A preliminary review. Future Internet, 15(6), 192. 

Simons, R., Malmgren, R., & Small, G. (2008). Indigenous Peoples and Real Estate Valuation. Springer, New York.  

Sing, T. F., Yang, J. J., & Yu, S. M. (2022). Boosted tree ensembles for artificial intelligence based automated valuation models (AI-AVM). The Journal of Real Estate Finance and Economics, 65(4), 649-674.  

Technology Council of Australia. (2023, July 19). Australia’s Generative AI opportunity. Australian Policy Observatory. Retrieved from https://apo.org.au/node/323573 

Whipple, T. (2006). Property Valuation and Analysis. 2nd edition, Lawbook Co, Sydney.