AI不僅是輔助工具，也漸漸主導我們的判斷。倘若這樣的依賴僅止於日常生活，或許無傷大雅。但當演算法開始介入社會治理、政策執行與資源分配，甚至司法判決時，問題就不再只是這項科技「好不好用」，而涉及到了人權、民主與法治等根本價值。

國立清華大學科技法律研究所所長林勤富，十分關注AI發展。他認為，一旦基於AI的決策開始動搖這些根本價值，法律就必須嘗試建立規範框架、平衡不同利益與期待，甚至在重要面向上劃出一條科技不可逾越的底線。

國立清華大學科技法律研究所所長林勤富
拍攝／翁佳如

技術沒有歧視，但結果可能很歧視

談到AI對社會的影響，我們首先聯想到可能是「隱私侵害」。但從法律與人權的角度來看，風險遠不只如此。

「其初衷未必帶有惡意，卻隨著資料越收越多，最終形成侵害。」林勤富指出，AI的運作依賴大量資料，是一種高度「渴求資料」（data‑thirsty）的技術。當大量零散的個人與公共資料被掌握並建模，演算法便能以過去為基礎來分類人事物、預測未來。正是在這個「分類」與「預測」的過程中，新的不平等悄然而生。

林勤富舉例：「近年有研究發現，搜尋引擎在投放工作廣告時，高薪或技術導向的職缺更常出現在男性使用者頁面上。女性即使具備相似條件，也較少看到這些機會。」

這並非系統設定刻意排除女性，而是演算法根據過往資料所建立的理解與預測邏輯，傾向將資源集中在被視為「有效受眾」的群體上。但如果歷史資料本就帶有性別偏差，例如男性長期在科技業或高薪職位中佔多數，此模式便會被演算法複製並放大執行，惡化社會中既有的不平等問題。

同樣的問題也出現在教育領域。林勤富提到，美國已有大學使用演算法挑選入學申請者。乍看之下，這麼做提高了不少效率，但倘若往年的錄取紀錄偏好富裕家庭的白人男性，訓練資料與演算法就可能延續過去的模式，進而排擠其他背景的申請者。這不僅剝奪了公平競爭的機會，更在無形中強化結構性歧視。

當網路搜尋引擎與推薦系統依賴帶有偏差的歷史資料來進行預測，便會產生不平等的結果。
圖片來源／Unsplash

AI治理，法律準備好了嗎？

如今，AI的資料來源與用途，早已超出傳統法律的設想與規範。面對AI浪潮，世界各國無不開始思考新的法律框架。

歐盟率先於2024年通過《人工智慧法》（AI Act），成為全球第一部針對AI監管的法規。該法案以人權保障為核心，尤其強調資料保護與決策過程的透明性與可責性。

林勤富解釋：「歐盟採取『風險分級』原則，將AI系統依照用途與社會影響程度，大略劃分為『禁止使用、高風險、有限風險與低風險』四個等級，並對開發者、部署者與使用者制定相應的規範。」

歐盟將 AI系統依風險等級進行分類監管，如被歸類為「高風險」的社會信用評分、教育與招聘篩選系統，必須受到嚴格監督。而涉及操控輿論或進行情緒辨識的技術，則被明文禁止。
圖片製作／馬藤萍

相較之下，美國尚未通過聯邦層級的AI綜合法規，近年提出的《演算法課責法案》（Algorithmic Accountability Act）等多項法案至今仍在審議中。林勤富觀察到，整體而言，歐盟的治理著重「人權保障」與「風險預防」，而美國傾向以產業與技術發展為優先。因此，歐盟採取了預防性管制，要求事前審查；美國的立法方向則傾向責任下放，由企業主動進行演算法影響評估、自主規制。

林勤富進一步指出：「另一個同樣積極投入AI發展的國家——中國，也展現出截然不同的思維與模式。儘管中國尚未建立一套完整的AI母法，但整體而言如同大型沙盒鼓勵破壞式創新，但在關鍵特定議題上亦有快速的嚴格監管。中國亦運用AI強化政府控制，其以『社會信用體系』為名的數位治理，實際上也是運用AI與大數據進行行為評分與社會監控。與西方國家相比，中國對AI的監管策略更側重於社會穩定與國家安全。」

全球共識，何其困難？

儘管越來越多國家開始重視AI治理，但現行的規範普遍聚焦在風險管理，對於技術背後更深層的倫理問題，卻仍難以給出明確答案。

林勤富以經典的「電車難題」（Trolley Problem）為例說明。這個本是道德哲學的思想實驗，隨著近年「自動駕駛汽車系統」的發展，已從課堂上的假設情境，變成現實世界必須面對的法律問題。

「假如一輛自駕車遭遇不可避免的事故時，系統究竟是優先保護乘客，還是避免傷害路人？應優先保護孕婦，還是避免傷害長者？系統應重視交通規則之遵守，抑或是以減少整體傷亡為原則？」林勤富指出，不同於人類駕駛的瞬間反應不受倫理上的非難，這類「兩難抉擇」在未來已無法迴避，事實上早在演算法被寫入自動駕駛系統時，各種情境與對應決策就已被預設。

問題在於，演算法所仰賴的訓練資料往往反映了社會中既有的偏見與不平等。當面對倫理兩難，系統是否會依據年齡、性別或身體狀況等特徵進行選擇性保護，就成為一個難以迴避的倫理困境。

自駕車的選擇看似來自機器，實則來自人類。即使是AI，也是在執行我們尚未解決的道德兩難。
圖片來源／Unsplash

2017 年，德國發布全球第一份針對自駕車的《自動與聯網駕駛倫理準則》，明確主張：優先保護個體的生命權，禁止以生命數量進行權衡，或基於個人特徵（如年齡、性別、身體或精神狀況）等功利主義式的計算。

然而，看似普世的原則，卻不一定全球適用。林勤富提到，麻省理工學院媒體實驗室（MIT Media Lab）曾進行一項名為「Moral Machine」的大型全球實驗，收集了來自兩百多個國家、數千萬筆關於電車難題的選擇數據，並將研究結果發表在Nature期刊。

結果發現，不同文化背景的民眾，對於「該犧牲誰」的排序存在明顯不同：例如，東亞國家偏好集體主義、利他主義，傾向保護路人、守法者的生命；西方國家則強調個體的權利，乃至於有對體態健康者、女性的保護偏好。

「這種倫理差異，讓自駕車進入國際市場時面臨挑戰。」林勤富解釋，「自駕系統在進入某國市場時，必須符合當地的社會與法律框架。然而，自駕系統的核心演算法往往在特定制度與設計脈絡下開發，訓練過程充滿複雜性且不透明，導致決策邏輯難以說明，檢驗其是否符合銷售國的倫理準則也變得更加困難。」

林勤富提醒，從自駕車的案例可以看出，即使各國都積極推動AI的法制化，但面對跨文化的倫理衝突，單一規範也不易全面應對。

當 AI 被帶上法庭

儘管針對AI的治理架構仍未完善，但它其實早已進入法院，並對既有的制度正義形成挑戰。林勤富表示，美國司法系統使用多年的「COMPAS」（Correctional Offender Management Profiling for Alternative Sanctions），便透過演算法風險評估系統預測被告的再犯可能性，作為法官量刑的參考之一。

當司法引入AI，最大的風險不是法官被取代，而是人類可能會過度信任機器的建議。
圖片來源／Unsplash

但這樣的系統，真的公平嗎？林勤富分享了一起具代表性的案例：2013年，美國威斯康辛州男子Eric Loomis涉嫌飛車槍擊案。他否認開槍，但承認偷走涉案車輛，並選擇認罪協商。法院在量刑前要求提交一份「量刑前調查報告」，其中就包含COMPAS生成的再犯風險評估，結果他被標記為「最高度危險」。最終，他被判處六年有期徒刑及五年延長監管。

Loomis隨後提出救濟申請，要求重新量刑，理由是法院所參考風險評估報告違反了正當法律程序，因為他無從得知分數的計算如何而來。

「這是一種黑箱判斷，而所謂演算法黑箱更有不同類型的肇因、不同層次的挑戰。」林勤富指出，「在量刑過程中，司法的核心價值之一在於個別化裁量與正當程序。但像COMPAS這樣的工具，卻是根據統計模型與群體特徵進行預測，過程因營業秘密保護而不對外公開，導致被告無法挑戰或解釋結果是否合理。」

雖然威斯康辛州最高法院最終駁回Loomis的主張，認定COMPAS僅作為「參考」，並非唯一依據，且黑箱問題並不構成正當法律程序的違反。但林勤富提出反思：當一個人無法理解司法程序中影響其命運的關鍵依據，司法的公平性是否還能成立？法官面對一個被貼上「高風險」標籤的被告，是否仍能完全不受影響嗎？理解AI系統決策的邏輯、以及相關風險，是司法程序中運用的基本要求。

林勤富認為，若缺乏完善的透明與問責機制，AI就不應貿然應用於司法體系。但面對法律黑箱、技術黑箱等不同層次、不同類型的問題，在刑事、民事或其他程序中，應有不同的考量、規範與因應措施。尤其是在刑事審判中，這不僅影響法律的公正性，更直接攸關個人生命與自由。他提醒：「只要出現決策建議，人就容易被定錨，從而影響獨立判斷。」

拍攝／翁佳如

「AI可以輔助決策，但同時在必要場域也應具備透明性、可解釋性與問責性。」

林勤富坦言，AI治理並不容易——法律制度的演進，往往奮力緊追技術革新的腳步。然而，當演算法開始決定誰被看見、誰又被排除，甚至左右一個人的生命與自由時，社會便不能再只關心它能帶來多少便利。

他強調，身處科技時代，法治的角色從來不是阻擋創新，而是確保每一項影響人身權利的決策，都應該被充分理解與檢驗。唯有讓決策可以被理解、挑戰與問責，才真正談得上人權保障。

採訪撰稿／馬藤萍
攝影／翁佳如
編輯／馬藤萍

研究來源
林勤富（2022）探索人工智慧發展及應用的跨國風險管制框架。國科會專題研究計畫（國際年輕傑出學者研究計畫）

The post AI 也有電車難題？清大林勤富談演算法背後的偏見與風險 appeared first on 人文．島嶼.

如果時間跳回2022年以前，我們可能很難想像，「和電腦聊天」很快就要成為一件稀鬆平常的事。自從ChatGPT問世，各式各樣AI工具也如雨後春筍般跟著出場，從寫程式到寫詩，說笑話到談戀愛，科幻電影《魔鬼終結者（Terminator）》、《機械公敵（I,Robot）》、《銀翼殺手（Blade Runner）》中可以流暢對話、執行任務的機器人，彷彿即將成為現實。

然而，沒有生命、以電子訊號傳遞資訊的機械物，是如何學會人類語言的？進一步思考，雖然 ChatGPT已經幾乎做到「像人一樣說話」，它是否真能「懂得」語言背後的意義？而話說回來……人類自己就「懂得」什麼是語言嗎？

讓電腦學會人的語言──學理上稱為自然語言處理（natural language processing, NLP）──是一道需要深諳人類語言本質、同時掌握計算工程專業，才能逐步解開的艱難任務。長期投入計算語言學（computational linguistics）領域的國立臺灣大學語言學研究所教授謝舒凱，也一直在思索如何破關。但破解任務的過程當然不是一路順暢，而是迂迴曲折且充滿驚奇，又可能因為新技術的出現而發生革命性轉變。

教電腦學會人的語言？先看看人類自己怎麼學

謝舒凱指出，語言總關乎意義，而意義的單位是「詞彙」。但在中文世界裡，不像英文可以直接依空格區分詞彙，所以第一個技術問題就是「斷詞（word segmentation）」。但一段文字該斷成幾個詞，人們和語言學家也沒有標準答案。
攝影／林俊孝

回想小學國文教科書，我們學習語言都會從「詞彙」開始，抄寫一本本的生詞簿；然後在照樣造句的練習題中，慢慢掌握句法結構，最後學會將種種語言元素排列組合，表達自己獨特的思考與感受。這種語言學習模式源自語言學主流觀點，認為人類腦中共享一套抽象的形式規則，在有限的文法結構規則下，人可以運用不同詞彙組合出無窮可能的句子。

若要沿用這種模式讓電腦學習語言，特別是中文，那麼首要的問題就是「詞彙的邊界」。謝舒凱說：「語言總是關乎意義，而意義的單位是『詞彙』。但在中文世界裡，不像英文可以直接依空格區分詞彙，所以第一個技術問題就是『斷詞（word segmentation）』。」

但是，一段文字到底該斷成幾個詞，人們和語言學家自己也常常沒有標準答案。「臺北車站」是一個詞，還是「臺北」＋「車站」？無論如何，在較早期的斷詞技術裡，還是必須建立一套標準規則。這份模糊性在謝舒凱心中留下懸念，成為他後來提出「流動詞彙」的基礎。

人的語言有多難學：從「流動性」談起

謝舒凱指出，人類在自然情境下使用的語言其實不太像教科書，經常缺乏完整的文法結構，會有重複、斷點、倒帶，甚至可以只用語助詞表達豐富意涵（「喔。」），或在對話中由雙方接著說完彼此的句子。也因此，一段話的意義往往不會只是詞彙單元的總和，而是衍生出豐富的言外之意。

舉例來說：「都幾點了，還在那邊睡什麼睡？」這段話完全沒使用到任何典型的情緒詞彙，卻足以傳達出強烈不滿。細究原因，謝舒凱發現「還在那邊」、「X什麼X」（X＝動詞）分別都是夾帶負面情緒意涵的穩定形式結構。但如果在斷詞系統中被拆成「還」、「在」、「那邊」，勢必就無法讓電腦了解這幾套四字組合的特殊意指。

梗圖或哏圖以圖片為媒介，在社群網站興起後形成的一種流行文化。通常以時下流行的名人、語錄、漫畫、影視截圖等素材，配上傳達主旨或解釋文字，來表達特定情感、觀點，也是迷因的一種。圖片為以「單身狗」為題材的梗圖。
圖片來源／維基百科

日常語言中，詞彙的邊界與意義往往隨著情境脈絡千變萬化，同時還可能有不同的保鮮期。例如「急了」作為近幾年興起的網路流行語，並非字面意涵，而是結合迷因梗圖（meme）、帶有嘲諷意味的詞彙。當然，流行語也可能會退流行。不知道為什麼，人類似乎總能敏銳察覺一個詞彙「過時」與否，如果你現在聽到有人說「壓馬路」、「LKK」，可能會以為對方剛穿越時空。

從詞彙的邊界彈性到興衰起伏，謝舒凱觀察到人類語言的流動性：語言不會因為被寫進教科書就從此固定下來，而是隨著人的情感、語境、歷史而流動。那麼問題來了──如果人類語言這麼變動不拘、富含彈性，如何指望電腦可以學會？

打造「深度詞庫」的野望

謝舒凱提出流動詞彙的主張，挑戰了過去關於語意單位的觀點。在自然語言中，一個句子或一段話所傳達的意涵，經常超越傳統定義的詞彙邊界，必須運用認知功能語言學所提出的更複雜的「語式－意義對」來捕捉，舉凡「還在那邊」、「我只能說」、「不是我要說」等，這些意思對我們來說一望即知的語式（formulaic sequence），也都應該被收錄到計算詞庫（computational lexicon）中，提供電腦作為語言學習的資料。

規模可觀的語料蒐集與人工標記（annotation）工作就此展開。謝舒凱帶領 LOPE（Lab of Ontologies, Language Processing and E-humanities）實驗室成員，從臺灣知名論壇批踢踢實業坊（PTT）蒐羅盤點了累積十多年的文字資料，以半自動結合人工作業，為具備特殊意涵的語式進行標記。

這份工作看似單純，其實並不容易。舉例來說，「哈」、「哈哈」、「哈哈哈」有何不同？我們平時或許可以憑直覺，很快讀懂不同數量的「哈」、擺在句中不同位置時的意涵及其幽微差異，但身為研究人員，若要為這些種種不同詞組、語境賦予明確標記，將背後的意思書寫清楚，又是另一回事。

「我們想要建立一個細粒度（fine-granularity）的詞意資料庫，盡可能將最細緻的語意差異記錄下來。」謝舒凱笑著說，「這個計畫可能帶有一點幻想性，畢竟我們不可能窮盡所有語式，但至少可以試著逼近看看，帶入一些連續的、流動的概念進入語意學」

ChatGPT於2022年底發布，顛覆過去語言學習的邏輯，不再一一學習、確認每個詞彙，電腦可以藉由大量語料的輸入，非監督式的學習怎麼用人類的語言來對話。
圖片來源／chatgpt（AI）. Prompt: A robot and a human continuously converse in an information-driven world, depicted in a woodcut-style illustration.

謝舒凱與研究團隊建立的深度詞庫，理論上與實驗上都有助於訓練出表現更好的模型，更善於讀懂中文對話字裡行間的豐富意涵。但萬萬沒想到，時代突然出現轉折。基於大型語言模型（large language model, LLM）的ChatGPT於2022年底發布，背後的深度學習技術是無須依賴人工標記的非監督式學習（unsupervised learning）。

這表示電腦學習人類語言的方式，也許不像小學國文教科書，非得明文列出語言規則、一一學會不可。就像「孩子在全英文使用環境中，自然學會英文」一樣，電腦似乎可以跳過規則理解，直接藉由大量的語料輸入，產生用人類語言進行對話的能力。

即將到來或已經到來的革命：大型語言模型

「過去我們想教電腦學習人的語言，標準步驟是準備語言資料、進行標記、告訴它很多規則和特徵、選擇好模型，然後才開始學習並評估表現。現在的大型語言模型技術，卻不需要預先提供規則與特徵導引，就能夠訓練出更好的成果。」謝舒凱說，「這是一件令人相當震撼的事情。」

儘管大型語言模型仍受到某些論者批評為「黑盒子」或「隨機鸚鵡（stochastic parrot）」，只會生成語言，而非真正理解文法規則，甚至經常出現幻覺（hallucination），不保證發言正確性，但目前ChatGPT等模型的流暢語言表現，依然有目共睹。現任台大文學院副院長的謝舒凱，也回頭思考語言學在技術與思維轉向的可能，以及人文AI的教學實踐。

謝舒凱指出，在大型語言模型等前沿技術領域，語言輸入不再是以語言學家熟悉的文字／符碼（symbol）形式被處理，而是轉為多維度的數值向量（vector），經歷層層的轉換、運算、模擬、預測，最終再轉換並輸出人類看得懂的語言。這麼一來，如何調整、改善語言模型，好像都成了數學問題。

謝舒凱指出，隨著科技進步，傳統學科間的疆界也將越來越模糊、開放，文學、數學、科學與歷史彷彿不斷交織。
攝影／W. Xiang

但是，這並不代表語言學即將被數學或計算科學取代。相反的，謝舒凱認為，大型語言模型興起恰巧是引導人類重新認識語言本質的好機會，揭示了未來語言學家跨域的必要，也為語言學理論帶來新的可能性。事實上，讓電腦學會人的語言，也從來不是（計算）語言學家唯一的任務。從語言規則的理解建構到瀕危語言的保存復振，都仍要仰賴語言學家的專業。

「隨著科技進步，傳統學科間的疆界也會越來越模糊與開放。」謝舒凱說，「語言學家過去曾經從人類學、社會學的角度探究語言，現在我們又可以從『電腦』的角度看語言。」電腦如今已經很大程度的學會人的語言，同時以極為迅速的速度繼續挑戰人類的高等認知能力模擬。在人與機器共生協作的這段旅程中，人類或許也將對自己與這個世界產生更深入的認識：人類的語言，其實一直都是跨越領域的存在。

採訪撰稿／林義宏
編輯／林俊孝
攝影／林俊孝、W. Xiang

後記：LOPE實驗室研究成果

除了基於流動詞彙的深度詞庫，謝舒凱創立至今18年的LOPE實驗室，更累積了許多其他研究成果與資源建置。從中文詞意網絡（Chinese Wordnet）、台灣社群媒體語料庫（Taiwan Social Media Corpus）到近期著手打造的台灣多模態語料庫，都可以透過LOPE實驗室網頁一窺究竟（https://lopentu.github.io/）。

研究來源
謝舒凱（2018）。流動詞彙與情感言談分析。國科會研究計畫。
謝舒凱（2019）。中文深度語意知識表徵、標記與分佈計算應用。國科會研究計畫。
謝舒凱（2021）。細粒度中文語意計算資源與應用。國科會研究計畫。
謝舒凱（2024）。多模態大型語言模型導入語料庫分析平台之研究。國科會研究計畫。

The post 電腦如何學會人的語言？台大謝舒凱談流動詞彙、深度詞庫與人工智慧 appeared first on 人文．島嶼.

臺灣師範大學英語學系教授陳浩然提到，就算是英語能力不錯的臺灣人，卻可能因為性格內向或平日較少練習，深怕說出口的英語不標準或文法錯誤。反而陷入緊張焦慮的循環之中，更加不敢適時勇敢的表達。

自從 2022 年底 ChatGPT 問世以來，大眾對人工智慧為教育賦能有了更高的期待。陳浩然AI 團隊結合 AI 的應用程式與互動平臺，讓學習者不僅可以獲得個人化的學習體驗，還能即時獲得學習回饋，從而提升語言學習的主動性與學習成效──「敢說」、「敢用」、「敢表達」！

臺灣師範大學英語學系教授陳浩然。
攝影／古佳立

結合聲音和網路的學習即時回饋

2004年陳浩然就在做行動學習於教育現場的實證研究：「起初我去國外讀書的博論，是有關電腦即時回饋（corrective feedback）輔助學習中文量詞的研究。對外國人來說，學習中文時，量詞使他們很常產生困惑。例如為什麼是一『支』筆，不是一『條』筆、或一『根』筆？當時的即時回饋系統以類似投影片的方法，在你面前呈現選項，選了答案之後它會立即直接告訴你對錯，能夠輔助學習。」

後來陳浩然回臺，電腦還是 Windows95的時代，上網速度很慢，也沒有影片。陳浩然把英語教學相關的課程音檔放到網路上，讓學生可以在課餘自主學習。「學生超級興奮，跟我說『老師，我都不用再找光碟片，想聽什麼，上網就能直接聽到！』網路顯然對於語言學習是很有潛力。」

現在聽起來，把音檔放在網路上這件事很簡單，但二十多年前不像現在有很多工具可以使用，需要從零開始，打造一個平臺，光是能隨選播放語音檔案就是一個浩大的工程，更遑論，還要去洽談授權等等複雜的流程。但這個跨領域的嘗試，開啟了陳浩然結合語言學習和科技領域深耕的大門，他邀請資工系同學的幫忙，結合自己的語言學知識，開始建立線上的語料庫、開發語言學習應用程式。

這個跨領域的緣分一直延續到現在，現在成為超過 210 萬人註冊的 Cool English 英語線上學習平臺。酷英網集合陳浩然的研究成果，串接了現在最熱門的大型語言模型（Large Language Models）、搭配語音辨識及語音合成技術，除了豐富的線上影音資源之外，還能給予學生即時回饋。

酷英網 （www.coolenglish.edu.tw）集合陳浩然的研究成果，串接大型語言模型、語音辨識及語音合成技術，除了豐富的線上影音資源之外，還能給予學生即時回饋。
圖片來源／陳浩然提供

裝備行動裝置的「未來教室」

想像一下，在課餘時間走進教室，你看到孩子們開心地盯著手機或電腦。你可能會擔心他們是不是太沉迷於遊戲了？但如果他們是在享受學習的樂趣呢？他們手中的裝置，有可能正引導他們走向一條全新的學習之路。

但是藉由行動裝置如平板電腦或AI音箱，孩童真的可以提升語言能力嗎？會不會都在玩？

「許多人對於將行動科技融入語言教學寄予厚望，也憂心忡忡。」陳浩然指出，他進行了兩次調查，邀請教師和學生實地施作，並進行問卷調查，檢測他們對於即時回饋系統的感受和接受度。

學生對運用即時回饋系統多抱持正面看法，並認為這種學習方式有效提升他們的英語聽說能力。教師則認為確實能輔助學生的學習，並且提供豐富的語言輸入和高互動性。然而教師也指出課堂管理、教學素材、活動的編製、技術性問題等，都是行動載具和即時回饋系統應用在教學現場的難點。

不過這些挑戰隨著科技的發展，部分得以解決。例如臺灣在 2021 年底推出了「班班有網路、生生用平板」政策，現在在教學現場，學生運用行動裝置已經比以往容易，以及無線網路覆蓋率的提升，都有助於緩解城鄉之間的硬體差距，讓「未來教室」成為可能。

人工智慧走入教室

人工智慧的發展迅速，陳浩然在行動裝置的研究基礎上，將目光轉向智慧個人助理（Intelligent Personal Assistants），探討如何提升英語學習者的聽力和口語能力。

他說：「智慧型助理有能力透過語音識別和處理我們的語言，和我們進行更流利的互動。簡單來說，它們能懂你說什麼，還能回答你的問題或幫助你完成任務。因為這項技術，它們可以成為學習語言的好幫手。」。 2023年初酷英網開發結合 ChatGPT 語音辨識、語音合成的各式英語聊天機器人 CoolE Bots，其中包含卡通人物，世界名人，故事，遊戲等等語言庫，全年無休服務全國學生。

酷英網CoolE Bot英語聊天機器人 結合 ChatGPT GAI，語音辨識、語音合成。
圖片來源／陳浩然提供

陳浩然為了釐清智慧個人助理實際上能有多大幫助，進行了實證研究。他把受測者學生分成實驗組與對照組，在開始和結束時，兩組都要完成一次模擬的多益聽力和口說測試。實驗組除了正常上英語課之外，他們還額外花了350 分鐘的時間，和智慧助理練習英語對話。除此之外，實驗組學生需要在實驗結束後填寫一份問卷，調查受測者對使用智能語音助理的看法。而對照組則如往常僅上英語課。

實驗結果發現藉由智慧助理學習的人，口說有顯著差異，表示學習者可以透過與智能語音助理互動，提高他們的口說能力。陳浩然表示：「會有如此正面的影響，是因為智能語音助理能提供更多口說機會讓學生練習目標語言，同時也能降低學習者的焦慮和膽怯，更願意嘗試自己的口說表現。」

這些發現非常鼓舞人心！在臺灣，我們有很多機會取得語言學習的資源，卻鮮少有機會可以進行口說應用。陳浩然深表贊同，同時也鼓勵研究者和語言教師，應該考慮將這種技術更多地融入到日常教學中，探索它在語言教育上的進一步潛力，也能替教學帶來很多變化。

學習路徑的設計師

運用行動裝置和人工智慧輔助學習，已經是未來教育的大勢所趨。首先，它讓學習變得無遠弗屆，學生可以隨時隨地接觸到豐富的學習資源；其次，多媒體的互動有助於提升學習體驗的活潑趣味性，更易吸引學生的注意力投入學習。不過陳浩然提醒：「如果簡單地向學校提供行動設備，教師對於如何在課堂上運用行動裝置和即時反應系統缺乏知識和技能，僅靠硬體肯定不足以在教育中實施新技術。要經過培訓，才能讓教師對運用這些新科技的信心大增。」

在新教育環境下，教師的角色正在發生轉變。他們不再只是知識的傳授者，更要擔任學習路徑的設計師，熟稔各種教學科技工具，並靈活整合運用於課程之中。這無疑對教師提出了新的挑戰，需要他們不斷自我學習與創新，以維持學生的參與熱情。

陳浩然緊追科技發展，融入教學現場。
攝影／古佳立

最近陳浩然正嘗試結合人工智慧助理與虛擬角色，希望讓學生能在模擬的真實場景中練習英語對話，例如去商店購物、在餐廳點餐或是面試等情境。此外，大型語言模型還具備翻譯、糾正文法錯誤、提供寫作建議等強項，有助於提升學生的寫作能力。

聽起來就像是未來教室的模樣，充滿無限可能！不過當問及陳浩然面臨的最大挑戰時，答案竟是「科技發展太快了！」陳浩然微笑說：「當我們研發出某一套有效的教學方式之後，沒想到新的科技又出來了。」

例如剛接入GPT-3.5到教學系統，GPT-4就已經問世了。迅速發展的科技可以帶來許多好處，但開發團隊也得跟上腳步，不斷更新升級相關程式，無疑是一大考驗。

隨著科技的持續演進，未來的語言學習環境將更加互動、個人化。例如人工智慧能透過分析大數據，為每位學生量身訂製最適合的學習計畫。可見將行動科技與人工智慧導入語言教學有著無限可能，儘管困難重重，還是可以探詢解決的方案。

採訪撰文／洪立穎
攝影／古佳立
編輯／張傑凱

The post 敢說、敢用、敢表達！臺師大陳浩然結合新科技助攻學生的英語自信與表現 appeared first on 人文．島嶼.

「但，就在你猶豫不決之際，老闆突然喊了『年輕人，我跟你說……。』他開始告訴你哪顆橘子比較甜，同時不忘把一顆顆橘子撿入塑膠袋中。看著老闆，你心想要相信他嗎？他會不會只是想快點賣完趕緊收攤？因為，他挑橘子的標準跟你的不太一樣。可是，老闆仍拍胸脯保證：『真的好吃啦！不甜不用錢！』於是，眼前的橘子、老闆的吆喝、過往的經驗。你的腦袋充斥太多訊息，遲遲無法做出決定⋯⋯。」

每當被問到「人如何做決策」時，成功大學心理學系楊政達教授總會提起「買橘子」的故事。他認為，我們每天都在做決策——小至菜市場的日常採買，大至法庭上的法官判決。不論簡單或困難，這些決定的背後，都涉及了複雜的知識、經驗，乃至於決策者的個性。

成功大學心理學系楊政達教授。
拍攝／古佳立

你的「決定」，如何決定？

從博士班開始，楊政達便對「認知心理學」（cognitive psychology）充滿興趣。過去，我們總習慣用結果論去分析人的判斷與決策（judgment and decision making），而忽略了其中存在一個「從知覺到決策」的歷程。

他解釋，人的決策機制，一直是認知心理學的核心議題。儘管人類的認知表現始於五感（視覺、聽覺、嗅覺、味覺、觸覺），但當收到外界訊息時，協助我們做出回應或決策的工具，其實還包含了過去的經驗與知識，甚至是旁人的影響等。

不同於傳統心理學著重內省，認知心理學強調系統性的科學研究。因此，透過一連串的決策實驗，楊政達發現人類傾向「多向度特徵選擇與決策」 （Multi-attribute choice decision-making）。「每當做決策時，我們十分依賴對各個資訊來源進行分析，最後的決定也經常是綜合性考量後的結果，而非僅憑單一因素。」

譬如，決定明天要穿什麼衣服出門時，除了依據個人喜好，還會考慮到天氣、出席場合等。醫生判斷一張X光影像中是否存在腫瘤時，也會依據影像的亮度對比、形狀、大小等特徵來分析診斷。

由於無法確切預測結果，人做決策時容易遲疑不定。
圖片來源／Unsplash

至於人處理決策資訊的方式，大致可以分為三種處理架構（ mental architecture）：

1. 序列處理（serial processing）：一次只能處理一個訊息來源，當一個管道的資訊被處理完之後，才會開始下一個管道訊息的處理。例如在組裝傢俱時，我們只能按部就班，依照說明書上的步驟指示，才能將物件組裝完成。
2. 平行處理（parallel processing）：兩個訊息來源的資訊同時被處理，沒有先後順序。像是早上準備出門前，一邊猶豫該穿什麼衣服，一邊想著待會要去哪間早餐店。
3. 共同激發處理（coactive processing）：與平行處理類似，但差異在於下決策前，兩個訊息來源的資訊會進行加總，共同影響判斷。正如買橘子這件事，顏色、大小、重量等條件都會被納入考量，且沒有明顯的先後順序。

不過，楊政達也補充，這些都是正常狀態下的決策思考過程。「而我好奇的是，若再有更多不同的外部訊息來源加入，比如AI。那麼對決策者來說，究竟是干擾或幫助？」

決策資訊，越多越好？

不論是借助他人或機器，這些外部力量都可以被稱為「顧問」（advisory）——從水果攤老闆、在場的其他客人、到AI，都是我們可以獲取決策意見的訊息來源。此時，如何在「自己的想法」與「顧問的建議」之間做抉擇、意見整合，其實是一種挑戰。

讓我們回到買橘子的場景，除了接受老闆的推薦，我們還可以問問AI：「根據季節、近期臺灣果農耕植情況，以及果菜批發市場的交易行情。請問，今天市場上的橘子可以買嗎？」為了回答這個問題，AI會先給你一段豐富的資料分析。但，不同於水果攤老闆掛保證好吃，AI則不建議你購買。

依據農業部的農業知識入口網，柑橘類應選擇果型完整、大小適中，果皮光滑細緻、緊實且薄、軟硬適中有彈性、色澤鮮豔、無明顯傷痕或斑點，果蒂新鮮且有重量感。
圖片來源／Unsplash

楊政達笑著說：「面對這種情況，顧問的『信心程度』會成為我們如何做決策的關鍵。換言之，顧問是否對自身提供的建議有信心？」

以水果攤老闆來說，為了證明自己說的話可信，他可能會直接撥一顆橘子請客人吃，甚至提出不好吃可以退貨的承諾。若是AI的話，除了綜合過去的判斷結果作為參考，我們也可以從它的回答裡，是否夾雜了「應該」、「也許」、「推測」等模稜兩可的說法，來判斷AI的信心程度。

這時，你可能會想問，如果水果攤老闆和AI都自信滿滿怎麼辦？「確實，透過實驗，我們發現人僅面對一種輔助決策的顧問時，他較能夠快速整合自己的想法與顧問建議。特別是當該顧問已變成長期合作夥伴時，我們對它會有高度信心與依賴，能更快速聽取建議、做出決策。」

「然而，一旦加入更多顧問系統，人則開始需要分心，判斷其他顧問提供的資訊品質，再比較顧問系統間的差異、哪個更可信⋯⋯，才能做出最後的決定。甚至，當人需要耗費過多時間來進行資訊辨別、整合的話，他很可能會放棄聽取顧問的話，直接憑自己的判斷做決定，哪怕顧問提供的資訊更可靠。」

因此，楊政達認為，如果今天的問題十分簡單，那麼借助多個重顧問輔助決策的作法，效益不大，恐更加深我們的「選擇困難」。但若是針對較複雜的議題，例如腫瘤切除評估、金融投資等，獲得多個顧問的判斷就變得有必要。

AI比人類更會做決策？

借助科技輔助決策的方式，已是人類日常生活中不可缺少的一部分。從蘋果公司推出已久的AI助理Siri，到近期的熱門AI聊天機器人ChatGPT等。不論決策大小，我們漸漸習慣遇到問題時，便會找AI來問問，它們也總能在很短的時間內，給出詳盡的分析。

尤其，隨著AI持續進化、錯誤逐漸降低的情況下，它能否因此幫人類做所有的決定？

當前，對於AI能為人類提供多大程度的協助，仍是一道難解之題。
圖片來源／Unsplash

楊政達笑著搖頭。他想起，十多年前書目管理系統（reference manager）剛推出時，標榜可以快速整理參考文獻。然而，引用格式百百種（APA、MLA等），倘若研究者不清楚自己該使用哪一種格式，即便有了書目管理系統，也容易在錯誤出現時仍不自知。「科技再便捷、再聰明，我們仍需要有一定的智慧，才能做出判斷，降低被誤導的可能性。」

人類社會是複雜的。如同方才不建議你購買橘子的AI，它的判斷基於理性、科學的數據分析，這樣的做法沒有錯。但，AI可能不知道的是，一個幾十年在市場擺攤做生意的老闆，並不會輕易為了賺錢而欺騙客人，毀掉長期建立的口碑和信用。

楊政達強調，當AI逐漸成為我們生活中不可缺少的一部分，與其一味排斥、否定，不如好好學習如何跟它互動，善用它帶來的便利性。人類有知識盲點，卻不乏豐富的實務經驗，以及批判思考的能力；同理，AI也有出錯的時候，但無損它在搜集、統整與分析資訊的效率。這便是所謂的「人機互動」（human-computer interaction, HCI）——兩者應該相輔相成，而非誰取代誰的對立關係。

「我就十分期待未來AI能更廣泛運用在醫療決策上，特別是協助醫生做出病理診斷。如前面提到，越是困難的決策，人更需要外界（多方）協助。設想，有一個醫療 AI，能針對病人的X光片、腫瘤切片報告，先進行初步的影像判讀，後續再由醫生結合自身經驗，做出最佳的醫療決策。既節省人力與時間成本，也提供醫生更多科學化的決策建議。」

拍攝／古佳立

基於對人類決策歷程的認識，當前楊政達也著力於科技輔助技術的加入，讓那些高難度、甚至高風險的決策任務，得到更多幫助。不只是臨床醫學，還包含運動員決策機制、深偽訊息識別等方面的應用。

不過，他也不斷提醒，自己的研究初心與動力，始終源自對「人」的好奇。人類一生，會做出無數次的決策。過程中，無論是想自己決定、請教他人、或尋求人工智慧。最終該怎麼做，決定權仍是回到我們的手上。「唯有不斷了解『人』是如何下決定的，才會知道機器可以提供哪些輔助。」

採訪撰稿／李佳芳
攝影／古佳立
編輯／馬藤萍

研究來源
楊政達（2020）。利用系統多因子技術探討決策歷程的突現特質：從個人決策到團體決策。國科會專題研究計畫（一般研究計畫）。

The post 你挑的橘子甜嗎？與成大楊政達探索人如何做決定 appeared first on 人文．島嶼.

踏入會議室，臺灣師範大學科技應用與人力資源發展學系特聘教授許庭嘉面前的長桌上，不見成堆的研究文件，而是擺著琳琅滿目的桌遊卡牌、公仔、機器人。這是她帶領的「適性化數位學習實驗室」所開發的遊戲式教具，充滿變化與彈性的模組設計，從小學生到大學生都是受眾，其中一款最新的《智能車機器人蓋城市（Al 2 Robot City）》機電整合桌遊，更甫獲國科會「2020未來科技獎」殊榮，還有取得美國和臺灣專利。

從「不插電」的卡牌桌遊，到結合擴充實境，再到插電及藍牙連線同時結合人工智慧的機電整合擴充版本，許庭嘉的研究團隊推出一款又一款以「運算思維（computational thinking）」為主軸的教學桌遊，讓「科技融入教育」不再只是未來想像，而是成為現在進行式。

話說回來，什麼是「運算思維」？以及為什麼傳統程式教學模式難以普及化讓人們認識？

現代人必備的「運算思維」

資訊科技當道的今日，運算思維能幫助我們正確掌握與科技互動的邏輯。近期一系列人工智慧應用工具如雨後春筍般出現，2022年底微軟投資的OpenAI公司，發佈以深度學習技術為基礎的「自然語言處理模型（NLP，是一種機器學習技術，讓電腦能夠解譯、操縱，及理解人類語言。）」－ChatGPT，造成全球轟動。

程式碼竟然能像人類（且更快、更好）一樣處理圖像、語言，甚至ChatGPT還能寫出簡單程式。至於「電腦是怎麼做到的？」；「電腦未來可以做到什麼地步？」想知道答案，就得從基礎的「運算思維」開始。

不僅如此，將資訊科技融入平日工作，更是現代人不可或缺的技能。雖然「人人都要寫程式」的時代尚未完全到來，但是運算思維已成為年輕世代的必備基礎，只要運用得當，電腦的運算效能、自動化程序，將大幅提升工作效率、生活品質。

但「使用」是一回事，「瞭解」是另一回事，所謂運算思維，即人們能夠理解「電腦問題解決的步驟」，然後將自己腦中的想法轉換成電腦可理解、執行的程序，才能與電腦流暢協作，增加工作效率。

許庭嘉團隊嘗試推出的遊戲式教材，透過歡樂、活力與繽紛色彩，來提振學生們的學習動機。
攝影／林俊孝

做為國家科技發展的基石，運算思維在教育部108課綱被列為科技領域重要「素養」。然而，單調的黑板、教科書，以及螢幕上密密麻麻的coding介面，都不是運算思維普及化教材的理想模樣。

許庭嘉團隊推出的遊戲式教材，則為教學現場注入歡笑、活力與繽紛色彩，希望藉此提振學生的學習動機、成效。就像個新創團隊，持續測試產品以臻至成熟，如今更走出實驗室到各地校園落實「科技輔助學習」的理念，成為臺灣教育科技實務應用的成功案例。

前進、迴轉、前進：學會像機器人一樣思考

許庭嘉首先展示團隊作品一款最具代表性的「不插電」卡牌桌遊《Robot City機器人蓋城市》。這款桌遊是開頭提到獲獎作品的基本版，遊戲世界觀設定於未來世界，玩家分別扮演不同的機器人角色，要在方格地圖中運用如「前進」、「後退」、「左轉」、「右轉」、「迴轉」等有限的指令、步數移動，得避開障礙、取得資源，目標是蒐集到夠多資源才能建設一座未來城市。

舉例來說，你控制的機器人前方正好有一枚木頭資源，但資源前方全都是障礙，當你想要取得資源後馬上原地迴轉，卻發現手牌當中沒有「迴轉」指令牌，這時該怎麼辦呢？許庭嘉拿出「左轉」、「左轉」二張牌，或者「右轉」、「右轉」二張牌，笑著說：「這二張接連使用，一樣可以達到相同目的。」體現學生得找出替代邏輯來解決問題，但解法往往不是唯一。

「Robot City機器人蓋城市」為不插電桌遊，將繁瑣的工程學化作好懂的圖像、卡片，讓大人、小孩更樂於學習電腦的運算思維。
影片來源／Youtube

在「Robot City機器人蓋城市」中，玩家需要學會將移動目標的問題拆解成一個一個可依序執行的流程，這就是程式語言「循序結構（Sequence structure）」的觀念。許庭嘉指出，循序結構是最入門的運算概念，而幼稚園大班的學童便可以透過遊戲來掌握。

銜接到未來實際程式編寫，循序結構所訓練的，是將一套工具、功能的完整願景，拆解為許多程式碼，再分別撰寫完成後，讓每一區塊可以像齒輪般，嵌合彼此一步步運轉。

除此之外，玩家還能用卡牌重複執行一套移動指令，呼應「重複結構（Repetition structure）」或「迴圈（Loop）」的程式觀念。常常我們需要電腦，是因為一個工作需要重複執行，手動實在太過浪費時間也容易出錯，這時就可善用迴圈指令帶來的效率、準確性。

桌遊卡牌上的指令還涉及「條件結構（Conditional structure）」。許庭嘉舉例說「如果前方一格有障礙物，則右轉（如下圖）」，對應到程式碼是「條件判斷（例如函數“if”）」，也就是寫程式時，還要考量到所處當下各式各樣的使用情境，才能讓電腦執行不同的相應動作，而非機械式的重複動作。應用到Excel上，條件判斷則有助於資料轉換、編碼，像在成績計算時，想把大於100的數值全部改回「100」、讓小於60的數值顯示成「F」文字等等應用。

圖片來源、設計／許庭嘉、林柏希

「機器人蓋『城市』，其實就是取『程式』的諧音。」許庭嘉點出，教小學生程式概念，和教大學生如何寫程式，是天差地遠的兩回事。桌遊的遊戲化設計，目的在於讓學童可以在玩樂、實作中學到運算思維，而非傳統課堂上枯燥的單向傳播模式。

如今這款趣味橫生的桌遊，更被知名出版社納入教材出版，成為課堂的一部分，從市占率來看，國中一年級的學生中10人就有4人，能在教室裡透過這款桌遊建立程式的基本觀念，且被超過700所國中使用。

因為疫情緣故，為避免面對面互動，科技部更在2022年補助許庭嘉教授的團隊，開發線上版本《機器人蓋城市（Robot City）》運算思維遊戲（https://ct.tahrd.ntnu.edu.tw/ ），期待跳脫空間限制，透過線上多人連線，以遊戲方式來認識運算思維。
圖片來源／Google play

運算思維教學桌遊再進化

儘管《Robot City機器人蓋城市》成功推廣至校園場域，許庭嘉團隊並未止步於此。他們參考過去運用「擴增實境（augmented reality, AR）」製作課程教材的經驗，這次更結合人工智慧（artificial intelligence, AI）技術繼續擴充原版桌遊，完成一組能透過手機app操作，同時結合智能車組裝等多元實作的運算思維教案模組，即是獲得國科會「未來科技獎」的《智能車機器人蓋城市（Al 2 Robot City）》。

在這款精進版的「插電」桌遊模組中，學生能從無到有、發揮創意設計智能車的外型，打造一臺能在棋盤方格上「移動」的智能車。接著設計電路、編寫程式，裝上晶片微型控制器，連結手機app，透過影像辨識功能掃描卡牌，來操縱車輛，然後想方設法在桌遊中取得勝利。地圖以棋盤格形式，透過紅外線偵測棋盤格線，能控制一個指令移動一格或者做一個90度轉彎的設計，不只獲得中華民國專利，同時也已經獲得美國專利。

《智能車機器人蓋城市（Al 2 Robot City）》真正打造一臺「走得動」，且不會輕易翻車的智能車，再結合手機App，讓學習更添趣味性。
影片來源／Youtube

桌遊如何改變學習者？

對比傳統教學模式，教學桌遊的優勢並非表面上的遊戲式學習形式。更重要的是，學生透過親手實作，不是解開「習題」而是解決「問題」，在一次次成功解決問題下，將有助於提高學生在科技領域學習的「自我效能」，當對創意、運算思維能力感到自信的同時，將會鼓起勇氣踏上進階學習的旅程。

藉由卡牌操作，學生的思考過程從「隱形」變得「具象」，讓老師得以適時介入提問、引導，創造出即時溝通、對話教育的空間；當學生無法從有限手牌中想出移動解法，也可跟同伴一起動手進行排列組合，嘗試牌卡運用的不同可能。

以遊戲情境為例，橘色機器人下一個目標需要取得「石頭」這項資源，才能完成蓋星際飯店的任務。這時候玩家要往後挖掘石頭，或者往前面找石頭，因此，須斟酌手上有哪些卡片可以使用，然後延伸出不同解題路徑，再亮出手中的牌組，透過「看得到」的卡牌，同學、老師都可以清楚明白彼此的思路是什麼？然後怎樣一起解決眼前問題。
圖片來源、設計／許庭嘉、林柏希

許庭嘉解釋，過去在教學現場，老師只能從學生的最終外顯表現(例如：測驗)看見最終的學習成果，考題答對或答錯，一翻兩瞪眼；但是學生腦子裡的思考過程，卻彷彿「黑盒子」般無從得知，也就難以給予因材施教的引導。「數位學習最重要的價值，就是透過學習科學和學習分析有機會可以把黑盒子解開，讓思考變得可見（make thinking visible）。」

弄懂電腦，更能善用電腦

對於想就讀電資相關系所的高中生，或任何有意成為工程師的人來說，運算思維當然是必備的核心素養。但許庭嘉強調：「就算我們不是工程師，未來也不一定需要寫程式，仍應該具備基本的運算思維。」

許庭嘉指出，如果所有公司、學校都能建立基本的運算思維，在未來對人與人之間使用科技跨部門、跨領域合作，將有莫大幫助。
攝影／W. Xiang

展望未來，科技扮演的角色只會越來越重要，運算思維教育就如同識字、算術一樣基礎且必要。許庭嘉回憶自己先前在臺師大資訊中心擔任科技組長時，某次組內工程師協助其他單位開發系統，但在需求溝通上卻頻頻受挫，虛擲不少時間、人力成本，才終將問題解決。

由此可見，如果所有公司、學校的職員都能夠培養基本運算思維，不只有利於「人腦」與「電腦」之間的溝通協作，更對人與人之間使用科技跨部門、跨領域的合作有莫大幫助。

一款教學桌遊的發想、實現與推廣

基於種種現實原因，許多類似研究專案的成果常在計畫期滿後便停止推進，未曾問世。許庭嘉深知這點，所以從一開始就下定決心，要讓研究團隊開發的運算思維（以及其他主題）教材真正推出到教學現場，發揮實質影響力，她說：「我們花費那麼多心力，完成的心血結晶必須能夠『見光』，而不只是停留在實驗室裡，交出結案報告、發表完論文，實品就消失在世界上。」研究成果的產出，就像是從樣品屋走向實品屋，充滿著驚喜、感動。

許庭嘉回顧一路走來，從概念發想到付諸實現的過程，所有團隊成員都發揮了重要貢獻。舉例來說，風格一致的每張桌遊卡牌、機器人角色形象、障礙物與建築物的模樣，都是她和學生一起從零開始發想，並由兼任研究助理親手電繪而成。「有時負責繪製卡牌的同學靈感一來，我們甚至會傳訊息討論到隔天凌晨。」許庭嘉欣慰回憶道。

近期，許庭嘉團隊更嘗試改變介面，以虛擬實境中的飛行機器人取代實體的智能車。儘管虛擬3D環境的移動指令相對複雜，遊戲開發面臨種種挑戰，卻仍無法擋住研發團隊的熱情。「我們希望自己做的教材，不只是為了研究，更能發揮實際的社會貢獻。」

許庭嘉團隊所製作教材，不只是為了研究，而是期待能發揮實際的社會貢獻。
攝影／林俊孝

採訪撰稿／林義宏
編輯／林俊孝
攝影／林俊孝、W. Xiang

研究來源
許庭嘉（2019）。跨科整合運算思維及應用人工智慧之遊戲學習歷程分析。國科會專題研究計畫（吳大猷先生紀念獎計畫）。

The post 邁向人文、資訊跨界人才！ 臺師大許庭嘉：小孩玩這款桌遊，可以「體驗電腦思維」 appeared first on 人文．島嶼.

這部科幻小說的情節，一如國立中央大學學習科技研究中心陳德懷教授30年前的預想：虛擬學伴、機器人、人工智慧，將會在未來慢慢結合。

國立中央大學學習科技研究中心陳德懷教授。
攝影／黃詩茹

從一對一的虛擬學伴，到150萬人的亞卓市

早於1988年，陳德懷在美國伊利諾大學香檳分校攻讀電子計算機系博士時，就提出虛擬學習同伴（Learning Companion）的概念，並開發出原型系統，讓虛擬師生當真人學生的學習同伴。

進入國立中央大學任職後，陳德懷開始建構網路學習系統。他笑說：「那個年代，很多人沒聽過網路，常有人問我，『網路和學習有什麼關係？』隨著學習科技的發展，現在已經不用回答這個問題了。」

來到千禧年，陳德懷建構了後來人所共知，連美國歐巴馬政府也在教育白皮書上參照一筆的網路平臺「亞卓市」（EduCity）。以虛擬城市為概念，亞卓市讓學習資源透過Web2.0技術共享，150萬亞卓市民包括學生、教師、家長、學者線上交流，「誰都可以來開課，14歲的小孩也能教程式語言」。

在臉書和智慧型手機誕生前，陳德懷已打造超過1,700所學校、150萬名學生參與的亞卓市。
圖片來源／陳德懷提供

作為全球第一個網路學習城市，陳德懷認為，亞卓市最重要的貢獻在於開啟臺灣對於網路學習的觀念，但他也在過程中，意識到數位學習的「兩條接縫」。

從發現接縫，到「無縫學習」

「第一條很明顯的接縫，就算網路有很多資源、亞卓市受大家喜愛，但一般學生只能在電腦教室摸到電腦」。當時還不是「班班有網路，生生有平板」的年代，教室中通常只有教師能使用電腦，課堂仍以教師為中心，於是造成線上學習社群與真實課堂間的接縫。

第二條接縫，來自學校、家庭和課後教育間缺乏溝通橋樑。「我感覺有些現象不太合理，為什麼學校教育教一套，課後教育教另一套？」特別是因應考試的加強課程與補習，雖然提升了成績，卻削弱孩子的學習動機。

2006年，陳德懷正式提出「無縫學習」（Seamless Learning）的概念。「跨越時間、地點、有連續性。你在學校學完這些知識，可以透過網路學習和課後家教延續」，只要有求知慾，從課堂到生活處處都是學習情境。

推動無縫學習，陳德懷從「閱讀」著手，因為他認為閱讀是終身學習的基礎，要推廣不受時空限制的無縫學習，必須先培養孩子主動學習的基本能力。不論何時何地，打開書本那一剎那就是一個無縫學習的空間，再加上技術與網路社群支援，「隨時隨地」都是學習場域。

攝影／黃詩茹

從興趣驅動，讓閱讀成為一種習慣

投入「明日閱讀」的研究，陳德懷回溯自2000年，曾志朗院士上任教育部部長後的第一項政策，首推閱讀。「我是搞科技的，又是數學背景，所以很好奇為什麼閱讀這麼重要？」

長期投入學習科技，他也開始反思，在網路發達的現代社會，不乏各種資訊刺激，孩子卻越來越少主動閱讀，甚至抗拒閱讀。臺灣雖然推動閱讀十多年，但要培養孩子的閱讀習慣，提升親子共讀的比例，仍不容易。因為太多指定書單、書摘或讀書心得，快樂閱讀成了課業壓力，不自覺地破壞了學生的閱讀興趣。

這不僅是教育現場的觀察，也是陳德懷的自身經驗。他曾推薦女兒一本他認為的「好」書，卻讓她不再愛看課外書，「因為她是看爸爸指定的書，是為我而看，我破壞了她的閱讀興趣」。於是他回到孩子的角度思考：如何培養閱讀興趣，讓孩子因為好奇而閱讀？

從情緒面看興趣，是一個人對某事物或某題材表現得投入、沒有空閒、關心關切、全然投注、渾然忘我的狀態。陳德懷也和一群國際學者發展出「興趣驅動創造者理論」（簡稱「趣創理論」，Interest-Driven Creator Theory），透過興趣、創造、習慣，打造自我追求學習的環境。

陳德懷解釋，興趣驅動創造者理論的假設是讓孩子由「興趣」出發，將學習過程視為「創造」過程。如此一來，不僅能享受學習、釋放學習能量、獲得成就感，學業表現也會提升。當養成「習慣」，孩子也就成為終身創造者，發展出面對未來世界的關鍵能力。

出自《明日閱讀：明日主題學習的基礎》，頁292。
圖表美化／鄭喬尹

推廣MSSR， 打造「明日閱讀」

從理論到實踐，啟發孩子的閱讀興趣，必須先打造適合閱讀的環境。尤其陳德懷發現，許多學校沒有每天固定的閱讀時間，於是他首先推動「身教式持續安靜閱讀」（Modeled Sustained Silent Reading ，MSSR）。透過教育部國教署的推廣，目前已有超過1,600所學校參與。

鐘聲響起，孩子到班級書櫃挑選自己想看的三本書，回到座位上，開始安靜閱讀。教室前方，老師也安坐閱讀喜歡的書。這時候，教室鴉雀無聲，沒有交談、廣播，也沒有考試和打掃干擾，孩子一天就從15至30分鐘（一般學校會從15分鐘開始，慢慢增加到20分鐘、30分鐘）的晨讀開始。

興趣驅動創造者理論強調從「興趣」出發，所以在推動閱讀時，鼓勵學生自由選書，「如果他對這本書沒興趣，隨時可以停下來換一本」。一開始，學生可能會閱讀偏食，「在不影響興趣的前提下，老師可以鼓勵他看得更廣更深」。

曾有老師告訴他，「臺灣推動閱讀很久，但有些學生從來沒看過老師拿起書來閱讀」。他笑說，推動閱讀變成叫別人讀，但自己不讀，「所以MSSR是否成功，『身教』才是關鍵」。

老師放下手上雜務，與學生一起閱讀，而且必須閱讀自己喜愛的書，不能敷衍了事。「人的行為和學習是透過腦神經中的『鏡像神經元』（Mirror Neurons）模仿而來！」他更鼓勵校長親自投入，以身作則讓閱讀成為學校的文化。

宜蘭縣大洲國小，由校長帶動閱讀。
圖片來源／陳德懷提供

此外，MSSR強調「博覽群書」，透過「薦書」和「聊書」，加強學生的吸收（Input）和產出（Output），呼應興趣驅動創造者理論中的「創造」。

陳德懷重視學生要有舞臺，「書讀多了，自然想和別人分享，把書中的內容與自己過去的經驗結合，就是知識創造」。因此，「薦書」是將自己喜歡的書推薦給別人，「聊書」則是透過二人聊書、小組聊書、全班聊書，讓學生扮演說書人。

苗栗縣永貞國小的同學進行小組聊書。
圖片來源／陳德懷提供

為了填補課堂和線上社群間的第一條接縫，陳德懷也建構「明日書店」線上平臺，讓學生的閱讀成果視覺化。每讀完一本書，就能即時在系統上記錄，並用文字、影音、繪圖等方式推薦，對閱讀歷程產生擁有感，人人都是書店店長。

除了薦書、聊書的語言表達能力，也有老師鼓勵學生撰寫閱讀心得，甚至主題創作。陳德懷笑說，「一開始學生只寫三個字：『很好看』，老師就鼓勵他，『很厲害啊！下次多寫一點！」學生一邊學打字、一邊練習寫心得，再下個學期，就能寫200多字了。「當然一開始錯字很多，老師也不糾正，只是鼓勵他多寫。於是學生的文章從沒有標點符號，到有標點符號，到正確使用標點符號」。

陳德懷說，「先有量，量多的時候，質也會起變化」。寫作如此，閱讀亦然，「剛開始，學生可能連安靜閱讀五分鐘都撐不下去，一年後，當他開始感興趣，五分鐘過了，他也不知道，因為讀不過癮」。

明日書店系統介面，學生可透過評星、文字、畫圖、錄音等四種方式推薦書籍。
圖片來源／陳德懷提供

家長與老師共乘的「親師方舟」

為了消弭學校與家庭間的第二條接縫，陳德懷在學校MSSR的基礎上，繼續推動家庭MSSR，讓安靜閱讀成為家庭中的親子活動，並再次運用學習科技的助力，設計「親師方舟」平臺。

「親師方舟」的概念來自聖經「挪亞方舟」，但他搭建的是一艘連接家庭與學校的虛擬方舟。登上方舟，家長可以進入「線上課程」上課，和孩子擁有共同的閱讀空間，分享閱讀歷程，互相推薦書籍；而「親師通訊」讓聯絡簿與公告電子化，增加親師交流。

透過親師方舟平臺，打造連結學校與家庭的無縫學習社群。
圖片來源／陳德懷提供

「多數的家長都很關心孩子，但要有方法，我們建立一個閱讀的目標，家長就知道怎麼做」。透過從興趣出發的MSSR，並借助數位工具搭建連接學校與家庭的橋樑，陳德懷期待架構出「明日閱讀」的骨架，讓「無縫學習」得以實現。

終身學習者，累積閱讀的複利

科技如今無所不在、多姿多采，不禁讓人疑惑未來是否會迎來第三條，來自虛擬世界與現實間的接縫？未來還需要實體學校嗎？甚至閱讀，仍是未來學習無可取代的必然路徑嗎？

陳德懷肯定地說，「實體學校一定會繼續存在，但會改變，只是改變得比較慢。我們的工作就是加快改變，讓它更適合未來的孩子」。一如疫情期間，遠距教學成為不得不的必然，面對面的互動更顯珍貴，「因為實體學校有很多隱藏課程（Hidden Curriculum），包括人與人之間如何交流。雖然網路世界彷彿很熱鬧，但你還是一個人躲在家裡」。

他分享麻省理工學院教授雪莉．特克（Sherry Turkle）的《在一起孤獨》（Alone Together），當科技拉近了彼此距離，卻讓人類害怕親密交流，「這是很危險的」。

陳德懷投入網路學習的歷程，伴隨著電腦與網際網路的發展歷史。
攝影／黃詩茹

談到閱讀的不可取代性，陳德懷也給出肯定答案，「閱讀就是典型的『自我學習』。終身學習者，必然是終身閱讀者」，而「終身學習者」正是108課綱的願景。「文字是抽象的，它是符號和符號的互動，開啟我們的想像。影像有它的發揮空間，但不能完全取代文字和閱讀」。

就在網路發展邁向元宇宙、物聯網、虛擬貨幣的此時此刻，陳德懷有感而發地說： 「我們這些做數位學習的研究者權力和責任很大，因為我們基本上是在設計未來的社會。數位學習，就是設計未來的教育。」

自認從小就是個好奇的人，中學時期書看得多、類型廣，或許也影響陳德懷後來研究的多元面向，「可能工作和生活都是興趣驅動吧」，他笑說。無論世界如何變動，電腦視窗分頁打開多少個，他相信閱讀不會消失，「閱讀依然會是所有知識的來源」。

採訪撰稿／Ching W.
攝影／黃詩茹
編輯／黃詩茹

The post 從虛擬到實體，從閱讀到終身學習：中央陳德懷搭建的人文科技世界 appeared first on 人文．島嶼.

這不是什麼校園奇談，它是「行為科學高等研究中心」（Center for Advanced Study in the Behavioral Sciences，CASBS）。創立於1954年，是繼普林斯頓大學高等研究中心（Institute for Advanced Study）後，全球第二所高等研究中心，至今成就了30位諾貝爾獎得主及多位重量級學人。

黃昏時，從CASBS的研究室遠望史丹佛校園景色。
圖片來源／葉素玲提供

每年來自世界各地的學者齊聚一堂，領域橫跨經濟學、社會學、政治學、心理學、人類學、比較文學、歷史學等。國立臺灣大學心理學系的葉素玲特聘教授也於2019年經由科技部「臺灣－史丹佛人文社會科學領域人才培育計畫」（Stanford-Taiwan Social Science Fellowship Program，STSS）選送，前往展開九個月的學術研究交流。

「現在回想起來，真是一段奢侈的時光」，葉素玲笑說。

透過對話，讓知識與思考加乘

葉素玲說，來到CASBS後，中心主任瑪格麗特．列維（Margaret．Levi）在第一次大家自我介紹的場合就說：「沒有績效，好事才會發生。」（No KPI, so great things can happen.）

在這裡，唯一的要求是敞開心胸與人交流。所以學者們必須住在距離中心15英里之內，每週至少四天在中心吃午餐，而且不能教學、兼職，「那一年，你必須放掉所有的事情」。

葉素玲攝於CASBS大門。
圖片來源／葉素玲提供

她在CASBS的一天，大概是這樣的：早上進研究室專心工作，中午一到，即使忙到捨不得停手，也要放下工作和大家共進午餐。飯後相約散步，也是CASBS的傳統。

看似輕鬆的閒談，其實大多圍繞著彼此的研究議題，有時聊著聊著，靈感就這麼出現了。葉素玲說：「所以之前來的『學長學姐』都提醒我們，九個月很快就過了，如果來這裡還埋頭苦幹一定會後悔，多和其他學者互動，才能創造無限可能。」

而交流期間最重要的「大事」，就是每週三上午的討論會，由每位學者提供一場30分鐘的主題報告。題目由大家自選，這一年的主題包括氣候變遷、難民人權、美國選區分配、醫療保險、去殖民女性主義小說等。「要讓不同領域的學者都聽得懂，還要回答來自各領域專家的問題，即使是身經百戰的學者，都要卯足全力準備」。

每週三的討論會，跨領域的學者齊聚對話。
圖片來源／葉素玲提供

AI會取代人類嗎？關鍵在於「意識經驗」

長期投入意識與AI的研究，同時兼任臺大人工智慧與機器人研究中心副主任，葉素玲決定從認知心理學的角度，探討「在AI時代，人類何以獨特？」她說這個選題既困難又冒險，也沒有實徵資料，主要來自她多年來累積的想法。

「我對AI、意識、心靈成長方面的議題很有興趣，其中最感興趣的是在人工智慧的時代，人類為什麼是獨特的？我們最後會被機器控制或取代嗎？如果缺乏獨特性，人和機器有什麼差別？」回顧人工智慧的發展，和心理學的關係始終密切，尤其來到史丹佛大學，匯聚高科技企業的矽谷就發源於此，有很多機會和矽谷的人才討論，在CASBS思索這個問題也格外有意義。

過去AI致力於模擬人類心智，但當AlphaGo在2016年打敗世界棋王李世乭後，繼之的AlphaGo Zero不再受限於人類的知識。甚至過去認為人工智慧無法達到的創造力、情緒、愛，也隨著科技日新月異，讓機器有了表現的可能。

例如喬治亞理工學院（Georgia Tech）音樂技術中心發明的機器手臂Shimon，不僅自彈自唱，還能填詞作曲、發行專輯；而根據人類發展理論創造的機器人Baby X，看到蜘蛛甚至會產生和人類一樣的驚嚇反應。如此一來，人類的獨特性何在？

當人工智慧也具有創作力，人類的獨特性何在？
圖片來源／Unsplash

葉素玲提出她的看法，「從認知心理學的觀點，人類是獨特的。這個獨特性在於我們有意識經驗，我認為『意識』是人與AI最後的疆界」。

她進一步說明，意識分為「取用意識」（access consciousness）和「現象意識」（phenomenon consciousness），前者是指各種認知，以及取用這些認知作為記憶和語言陳述的歷程，後者則是指主觀的意識經驗。

「我認為人工智慧再怎麼進步，也只能逼近『取用意識』，無法真正擁有『現象意識』」，葉素玲說。尤其具有主觀意識的現象意識多需要經過訓練，例如透過靜坐冥想訓練專注力、自我覺察，這些經驗往往超越字句所能描述。

或許機器在遙遠的未來可以讀取知覺的資訊，並透過大量儲存記憶而擁有「記憶自我」（remembering self），能夠像說故事一樣，說出過去和未來發生的事情；但它無法擁有「經驗自我」（experiencing self），也就是它始終無法「親身體驗」那些感受。

人們透過「體驗」認識世界，例如靜坐冥想的內在經驗，往往超越字句所能描述。
圖片來源／Unsplash

葉素玲說，人類一直以來是透過「體驗」來感受並認識世界，這是機器無法做到的事情，「『體驗』是我們認識世界的方式，它不應該被忽略」，她也呼籲以更開放的態度看待意識的議題。

以靜坐為例，有人會在靜坐中淚流滿面，有人會感覺與天地合一，「這些體會有時只能意會不能言傳，也許有一個『意識場』，把我們相連在一起。如果我們沒有『共通的意識』，其實無法彼此溝通，那個『共通的意識』以現在的科學可能測量不出來，但不代表它不存在」。

討論會的最後，葉素玲引用美國心理學家之父威廉．詹姆士（Willian James）的話，「我們就像海洋上的島嶼，在表面分離，但在深處連結。」（We are like islands in the sea, separate on the surface but connected in the deep.）

圖片來源／葉素玲提供

她認為務實地思考，未來AI確實有可能超越人類，但在AI時代更值得思考人類何以獨特？為什麼是human being 而不是human doing？「我們要了解人的特性，更重要的是認識自己，這一點很難，但是很重要」。

這場發表獲得許多正面迴響，與會學者也拋出許多問題，例如在疫情的不確定下，人類應該如何因應？如何知道動物也有意識？細菌存在人體內，是否會和人類共享意識？熱烈的討論反映出這個議題確實觸及跨領域的關懷。葉素玲笑說，「我可能提供了一些『希望』吧？不然科技一直往前推進，大家會焦慮人該怎麼辦？」，經過數個月的醞釀準備，這場討論會也讓她形成新的思維與研究方向。

回到心理學家的角色，在AI時代，心理學家能做的事是更多，還是更少？葉素玲認為心理學家的角色仍大有可為，「心理學家研究人的心理，最了解人的需求，我們可以協助其他領域一起定義什麼是人的需求？一起研究AI對人的影響與因應之道」，唯有透過跨領域的對話和合作，建構AI與人和諧的互動關係，才是對人類長久有益的。

面對疫情挑戰，分享臺灣防疫成果

交流期間，正值全球疫情急轉直下，葉素玲記得很清楚，「3月16日，舊金山市長宣布當天下午進入三週的在家工作」，接著禁令擴及加州，接下來則是全美。

「CASBS也暫時關閉，活動改成線上進行，那天下午我離開中心時，下大雨同時又出大太陽，接著天空就出現彩虹」。她說那幅光景就像是啟示錄，要人們別失去信心，雖然風雨交加但不用擔憂恐懼，陽光一直都在。

圖片來源／葉素玲提供

面臨前所未有的疫情，葉素玲也在小組討論中分享臺灣的防疫成果，包括臺灣在疫情初期的篩檢策略、戴口罩、社交距離等政策，以及臺灣以防疫科技與口罩協助其他國家的Taiwan can Help案例。意猶未盡的學者們要求「安可」，再次邀請她分享臺灣如何利用入境訊息、電子圍籬追蹤病例。

葉素玲有感而發地說：「臺灣的防疫成功，讓全世界刮目相看，希望向臺灣學習。」作為唯一的臺灣學者，她認為透過STSS計畫的參與對臺灣的能見度很有幫助，「有人在，就有代表性，存在本身就有一定的份量。科技部支持這個計畫，達到的效益其實很大，尤其這些學者在各自的領域都很有影響力，未來也希望有機會邀請他們來臺灣」。

全體學者（2019-2020 fellows）合影。
圖片來源／葉素玲提供

從教育到研究，照顧「人」的需求

經過九個月的交流，葉素玲說這一趟旅程就像走出舒適圈，擴大看待問題的角度，尤其是透過跨領域的對話，獲得一加一大於二的知識加乘。「CASBS的目標很遠大，他們希望不同領域的學者來到這裡，思考世界的重大問題，並且解決問題」。

成立近70年，CASBS早已是社會科學研究中心的典範。葉素玲提到，吸引研究者心嚮往之的，是CASBS的款待之道，「整個環境是溫暖關懷的，你會有被好好款待的感覺」。友善的環境和禮遇，創造出高水準的學術激盪，所以不少學者後來也成為中心的資助者，讓這樣美好的事情傳承下去。

葉素玲特別分享位於校園中心的靜坐中心Windhover Contemplative Center。校方以藝術家內森．奧利維拉（Nathan Oliveira）的巨幅畫作為主題，設計出這座綠意盎然、流水環繞的靜坐中心，師生隨時可以入內靜坐休憩，享受喘息的片刻，週末也開放社區民眾參觀。

位於校園內的靜坐中心，成為師生靜心休憩的空間。
圖片來源／維基百科

「一所偉大的大學會照顧『人』的需求，被照顧的師生就會感念」，葉素玲說。身心靈的照顧，是預防勝於治療，她思索在校園廣設心理輔導中心的同時，或許也可以打造類似的靜心環境，創造人與人、人與環境之間的和諧友善氣氛。

回到臺灣後，葉素玲重新投入忙碌的教研工作，同時為有興趣來臺研究的學人穿針引線。她期待未來臺灣也能建立類似CASBS的高等研究中心，透過邀請國際學者來臺灣短駐研究，先以小型的學術社群建立口碑，提升高等教育的前端研究，促進國際連結，「我相信臺灣有這樣的條件」。

採訪撰稿／許逸如、黃詩茹
編輯／黃詩茹

The post 我們在CASBS對話，思考世界的重要問題：專訪臺大葉素玲 appeared first on 人文．島嶼.

過去，我們對人工智慧（Artificial Intelligence，簡稱AI）的理解，往往來自科幻小說和電影；然而，複雜而迷人的AI並非遙不可及的未來，其實我們早已身處其中。例如，聊天機器人取代真人客服、工廠用AI挑出瑕疵品提升生產良率、銀行推出智能投資和理財機器人、達文西機器手臂的微創技術顛覆傳統外科手術。

看似潛力無窮的AI，也正一步步踏入法律領域。有沒有可能，有一天AI可以開罰單、預測判決，甚至出現AI法官？當人工智慧代替人類執行國家公權力時，又會如何改寫法律上的權利義務關係呢？

當人工智慧代替人類執行國家公權力時，需要提供AI什麼樣的法律基礎？AI會改寫法律上的權利義務關係嗎？
圖片來源／Unsplash

從量刑預測到AI法官，人工智慧是法律人的好幫手？

綜觀人工智慧涉及的法律議題，「量刑」是國內外都積極嘗試的項目。例如臺灣有學術團隊研發「AI人工智慧協助家事判決預測系統」，預測父母離婚後，子女的親權會判給誰；美國法院運用COMPAS系統推估被告再犯率；愛沙尼亞計劃開發處理小型訴訟案件的AI法官。

這些系統有的已付諸實務，有的還在研發階段，為什麼法律界希望借助AI作為量刑依據呢？除了為人類分憂解勞、消化積存已久的案件，劉靜怡說：「真正的原因，是我們不希望個別法官的判斷有太大的差異，我們希望類似的案件能做類似的處理，這也是法律所追求的公平之一。」

迎接AI來襲，各國政府紛紛端出策略報告，法律人也積極投入人工智慧的法律議題研究，劉靜怡直言還有一段長路要走。不過眼下AI確實能有貢獻之處，「法律裡有很多決定是比較常規化、規律性高，例如你超速被拍下來，超速多少罰多少，這些交通事務絕對比親權判決、繼承或刑事量刑更常規化，這樣的工作就很適合由AI來做」。

但問題又來了，當監視器拍到違規停車，它可以直接開發單嗎？答案是不行！劉靜怡說：「因為法律不容許這麼做，警察開罰單是代表國家行使公權力。如果要讓監視器開發單，接下來的問題是你要在法律上提供它授權基礎。」

AI判決預測系統是如何煉成的？

科技的準確度很高，可以聽它的就好嗎？人類會不會被人工智慧取代？在回答這些問題前，劉靜怡認為要先了解人工智慧的技術是如何生成？

如果要打造AI判決預測系統，必須先蒐集並分類大量的判決、找出關鍵字、準確的編碼（coding），將巨量資料（big data）轉化為可用的資訊，再讓機器學習（machine learning）並做出預測，最後提供法律人做出決定。看似程序化的流程，其實步步都是挑戰。

劉靜怡為芝加哥大學法學博士，長期關注網路科技、國家資訊政策與人工智慧治理中的法律議題。
攝影／黃詩茹

劉靜怡說：「如果法官必須仰賴AI作判決，『數據品質』就非常重要，你到底選了哪些判決讓機器學習？」判決品質有好有壞，同樣的法律規定，有些人判得重，有些人判得輕，個案情況又有所不同。在「餵」給機器之前，編碼就是一項費時耗力的大工程。

說到這裡，劉靜怡問：「判決中常出現『非不得為』、『不得不』的文字，這樣的意思到底是可以，還是不可以？」

編碼牽涉到文字系統的複雜度和法律文字的特殊性，「無論再怎麼白話，法律還是有專門的表述方式，以及法官如何在判決中，用文字把法律概念鑲嵌到事實裡的問題，所以編碼本身就很困難」。

編碼的品質決定資料的品質，但要下多少標籤，才能將判決轉換成有用的資料？如果設計系統、進行編碼的人都不理解判決的意義，如何正確地訓練系統？劉靜怡說，編碼並不是機械式的貼標籤，而是必須把判決讀懂、做出正確的分析和摘要，才能精準註記。

「背後龐大的人力資源是你難以想像，如果做得好就會是好的系統，但談何容易？坦白說，要讓AI變成非常精確的裁判替代者，還有很長的路要走，而且可能是相當困難的」。

當機器出錯時，人類怎麼接招？

AI判決預測系統的出現，雖然有助於減少人為偏見，卻也引來黑箱、不透明的質疑。劉靜怡提到，已有實證研究指出，在某些國家，有色人種、在某些地區出生，或擁有某些家庭和教育背景的人，在刑事案件中會被判較重的刑度、或較長的刑期。「AI學習這些資料時，可能會把過去判決中對於有色人種、少數性別或弱勢族群的偏見複製進去」。

群體偏見也是演算法衍生的黑箱爭議之一，當AI產生不公平的結果時，法律如何發揮權利保護的功能？
圖片來源／Unsplash

除了在編碼的過程中，將個別法官的價值觀或社會的刻板印象灌輸給機器外，偏見也可能來自法律界內部的因襲。

「預測系統是告訴你，如果有什麼狀況，法官通常會怎麼判。所謂『通常會怎麼判』，除了法律規範，很多時候是如果不這樣判，案子可能被撤銷發回，所以法官也會自我制約而選擇那樣判，這是內生的」。

所以人工智慧究竟有沒有可能取代法律人扮演的「推論衡量」的角色？劉靜怡認為，AI量刑系統或判決軟體無法代替人類找到一個完美的、唯一的、或毫無偏見的判決。

「它只是告訴你，過去遇到這樣的狀況會得到什麼樣的結果；但不會告訴你要如何克服過去的偏見和判決本身可能的錯誤。它畢竟是從經驗創造出來的東西，因為這些資料就是人類社會如何解決各種紛爭的經驗」。

學習自人類經驗的人工智慧，是否可能取代法律人扮演的「推論衡量」的角色？
繪圖／Yent

人類面對AI始終有股複雜的心情，有的人樂見AI起飛，認為政府應該收起管制的手以鼓勵創新；有的人恐懼AI失控，要求政府預先立法管制人工智慧的發展方向。劉靜怡則說：「我對科技的發展是一半樂觀，一半悲觀。」

但她認為除了選邊站，我們更應該問：在機器犯錯時，可以怎麼處理？「有時候機器犯錯我們會發現，因為太不對勁了；有時候我們根本不知道它做錯了，所以問題在於怎麼稽核和除錯」。

她也看到，在這段防疫時間，媒體常過度使用大數據、人工智慧、數位防疫等詞彙，看起來酷炫卻容易誤導大眾想像，「民眾會樂觀地以為機器非常萬能，其實機器目前能做的事情還很有限；或者悲觀地覺得人的權利岌岌可危，人會被機器取代或物化，我覺得這些都需要再去分辨」。

當我不想被研究，可以選擇退出嗎？

AI提供預測和決策的本質，在於不斷地形塑剖繪（profile）個人，透過收集個人的經濟、健康狀況、偏好、行動軌跡等資料，建立評估、分析和預測的基礎。在這樣的情況下，個人隱私與資料自主性是否會受到侵害？政府規範又該如何嚴肅以對？

劉靜怡認為有兩種權利特別重要，一是「獲得解釋的權利」（right to explanation），二是「退出的權利」（right to exit）。

「獲得解釋的權利」，是指當我們的權利因人工智慧參與決策而受到限制或損害時，人工智慧應該提出論證、說明決策的理由，「法律最重要的就是給理由、說理，讓大家來檢驗理由是否正確」。至於「退出的權利」，是指法律是否容許個人在符合一定條件下，選擇退出AI作成的決策影響圈，只接受單純人為決策的權利。

人工智慧治理下，個人是否有權利選擇退出AI作成的決策影響圈？
繪圖／Yent

劉靜怡以「最高行政法院106年判字第54號判決」為例，民間團體拒絕將個人全民健康保險資料用於健保相關業務以外的目的，因此提起行政訴訟。這個案件涉及的討論包括民眾是否可以拒絕個人健保資料被用於學術研究、保險方案制定等就醫以外的用途？以及過世的人已經沒有健保行政需求，親人是否可以要求刪除健保資料？

她提到，《個人資料保護法》最重要的原則，是除非當事人同意或涉及重大公共利益，不得將個資做目的之外的應用。「法律中有個資刪除和個資修正的規定，但我們會遇到一個問題，尤其是當涉及和政府有關的資料庫時，常可以找到理由說不能刪除，因為刪除是不效率的」。

法律背後，還有深刻的哲學問題：已經死亡的人有義務參與學術研究嗎？「但我們通常不去想這些問題，於是產生許多爭議」。在該案中，最高行政法院以健保資料庫可供國內健保相關研究、提升醫療衛生發展為理由駁回請求，目前正在等待大法官釋憲。

一卡在手好方便，我的個資誰來保護？

近來國際間政府機關與企業被駭客攻擊的事件時有所聞，資安問題也成為人工智慧治理的隱憂。劉靜怡說：「資料庫被駭，涉及的不只是資料被偷走，更大的問題是，駭客把資料偷走後做了什麼？」

以戶籍資料為例，有心人只要比對相關資料，就能讀出某人有哪些鄰居、去哪些地方進行哪些消費？這時候，擁有龐大個資的人工智慧加上行銷的投放技術，會發生什麼事？

政府掌握國民個人資料，提升治理效率的同時，資安風險、隱私權退後的法治課題仍須審視思考。
圖片來源／Unsplash

「以前的假消息是鋪天蓋地亂撒，現在可以利用AI做更精準的投放。甚至為你的社區客製假消息，引導你的思考，進而影響選舉，這可能會讓我們的民主因此癱瘓」。

劉靜怡認為，在「演算法社會」（algorithmic society），「治理」與「監控」本就是相依相生的難解問題，科技確實讓治理更有效率，卻也是最好的控制工具。「人民有沒有權利主張，我不想被人工智慧治理？大部分的憲法學者還是相信，人有某種程度的離群索居、不被打擾的權利」。

如果有一位國民，因為不願意接受人工智慧治理，而喪失國民基本權利，意味著什麼？「意思是政府有可能藉由限制或剝奪人民的基本權利（比如：參政權）強迫你受監控，如果你不接受機器統治，就被驅逐到生活共同體之外」。劉靜怡認為，人工智慧很可能讓一個群體一不小心就踏入完全不同的統治模式，而且和這個國家是威權或民主沒有必然關係。

演算法社會中，「治理」與「監控」是相依相生的難解問題，劉靜怡認為，AI時代的「公民」概念可能變成program citizen。
圖片來源／Unsplash

人工智慧衍生的倫理與法律問題，也是在討論民主社會如何避免「演算法社會」成為「黑箱社會」的議題。劉靜怡說：「在AI時代，『公民』的概念可能變成program citizen」，利用個人資料，透過各種程式、軟體和機器來定義何謂公民。

「但我們沒有把問題談清楚，在什麼樣的情況下，我們願意被監視到什麼樣的地步，以換取什麼樣的方便？我們把它變成非黑即白的命題，中間沒有光譜，沒有類型化，也沒有討論，這是最大的問題」。

法律人，做文藝復興人吧！

人工智慧從四面八方襲來，法律人該如何接招？劉靜怡說：「其實每個環節，法律人都有介入的空間。」

她認為法律人最基本的工作是告訴產業，法律管什麼？業者要怎麼解決？至於法律不涉及的部分，業者有哪些優勢和風險？另外，法律人可以針對新興的AI產品應用推動政策、設計法律規範；當糾紛出現時，法律人也能協助解決。她也建議人工智慧的設計者和法律人開啟對話，「讓正確的法律價值、倫理價值在研發過程中就放進去，可以避免很多後續的倫理問題或價值判斷的困境」。

同時，她對法律人的養成還有更多期許，「法律人的基本功要練好，也要努力了解法律以外的世界，讓自己成為『文藝復興人』。對這個世界的必要知識有一定的掌握和理解，不要失去對知識的興趣，才有辦法用法律專業進行對話，這都是法律人可以貢獻的地方」。

採訪撰稿／林希庭
編輯／黃詩茹
攝影／黃詩茹

The post 法律人眼中的人工智慧治理──臺大劉靜怡：「在AI時代，公民是什麼樣的概念?」 appeared first on 人文．島嶼.

相信很多人都看過機器人相關的電視影劇，彷彿未來科技的機器人和AI似乎離我們很遠。現實中，人工智慧AlphaGo擊敗棋王、機器人微軟小冰出詩集、繪畫、服裝設計、主持節目等新聞都發生過，實則AI就在我們身邊。

而且乍看現在的AI，似乎已經很聰明了，真的嗎？

臺灣大學資訊管理學系暨研究所黃明蕙教授率先提出多重AI智慧的概念。目前研究的主流，是把AI當作超級運算器，能輕鬆駕馭需要理性邏輯思考的各種問題。但是當黃明蕙開始研究AI與人類智慧（HI）的互動時，提出AI和HI一樣，應該也可能有多重智慧，如包括智商（IQ）和情商（EQ）。當時一般人還在努力讓AI理性思考更超級時，黃明蕙開啟了一系列的AI情緒智慧研究。

黃明蕙率先提出AI不該只有理性智慧，也應有情緒智慧。
照片提供／黃明蕙

黃明蕙以美國政府的資料分析AI多重智慧對產業和就業市場的影響，提出「情感經濟」理論，證實AI的機械性智慧已經自動化生產製造，創造服務經濟，但不久的將來，AI的理性思考智慧將會取代人類，人類因此必須更重視發展情緒智慧，重視情緒智慧的產業和企業也因而會在經濟體系中更加重要，讓我們逐步進入「情感經濟」。

行銷，是現在進行式

「實際上AI已經充斥在我們日常生活中。」黃明蕙提及：「國內外的電商大量使用AI於行銷，臺灣前五大電商公司也已經運用AI協助提供服務和行銷、完善配送流程。」

正在閱讀的你，也許心裡會疑惑「真有這回事嗎？」如果這樣想的話，就和筆者一樣，對AI的刻板印象，還是類似科幻電影的想像。然而AI沒那麼遙不可及，AI指的就是能夠自我學習和擁有網路連接性的電腦計算系統。

「所以，像是社群媒體廣告自動化，精準推薦產品給消費者，就是AI的行銷應用。」黃明蕙舉例說：「當你曾經在網路上搜尋花季、荷蘭天氣等關鍵字後，沒過幾天，就會發現網路推送荷蘭旅遊行程降價的通知給你，這就是AI行銷。」

AI指的就是能夠自我學習和擁有網路連接性的電腦計算系統。黃明蕙指出AI是這個時代的競爭必需品，而非競爭奢侈品。
圖片來源／pixabay

黃明蕙指出AI是這個時代的競爭必需品，而非競爭奢侈品。「像是24小時到貨的物流倉儲流程，在哪個點要使用機車、哪個點要使用貨車，在這個地點應該配置幾輛貨車還是機車，都可以由AI演算。」

這是大型電商都知道的方式，可以節省許多人力資本。但是臺灣的中小企業主未必了解這些方式和管道，也沒有適當的人力進行AI轉型。黃明蕙補充說明：「目前有很多第三方提供的AI工具模組，都很適合讓企業直接改動或套用，這是中小企業運用AI的可行方式」。

研究率先開啟領域的「情緒智慧」

那麼，當AI普及的時候，是否就是人類集體失業的時候呢？

前陣子有一則新聞，微軟公司（MSN新聞平台）招聘機器人新聞編輯，取代原來人力，沒想到卻因為錯認照片中的人，指鹿為馬，出更大的包。這則新聞是不是彰顯了AI的某種侷限呢？

黃明蕙將AI智慧依照AI的發展程度分成三個層次，最容易的是機械智慧（mechanical intelligence)、其次是思考智慧（thinking intelligence)、最困難為情感智慧（feeling intelligence)。

機械智慧指的是最基本跟隨指令操作的AI；思考智慧則是具備分析演算能力，能解決問題的AI；情感智慧是有能力判讀、辨認、了解其他人的情緒，且做適當的情緒反應，甚至能去影響對方的情緒能力。時下流行語「讀空氣」，就是情感智慧的一種表現。

現在的AI，可以完全有效執行例行的、常規的工作，而且做得比人還好，比如在汽車工廠裡把螺絲拴緊的機械式動作，還不會疲勞或罷工。

AI也能夠讀取各式各樣的大量資料，分析大數據，如AlphaGo匯入了古往今來無數經典棋局，不但學會了下圍棋，還戰勝了人類棋王。

機械智慧和思考智慧，耗費的都是大量的資料和邏輯運算能力，這也是AI最擅長的。黃明蕙說：「當人工智慧(AI)和人類智慧(HI)差距不大時，AI就有很大的可能性會取代HI。」

現在AI已發展到思考智慧的階段，意味著這兩種層次的HI工作者，都有較高被取代的機率。但與前兩者相對的，過往被統稱為軟實力的情感智慧，卻是AI發展目前未及的層次。

當AI普及的時候，人類是否就會集體失業？
圖片來源／pexels

可以分辨情緒、判讀情緒，但離情緒智慧很遠

目前AI情緒智慧的應用，可以用汽車公司和保險公司合作的車內智慧系統來說明。這項應用產生了更安全的汽車、更安全的駕駛、和更合理的車險保費的良性循環。

黃明蕙舉例說，汽車公司和保險公司合作後，讓駕駛人可以選擇，駕駛人如果願意讓安裝在車內的偵測器、人臉辨識系統及行車建議系統等智慧系統偵測駕駛狀態和情緒狀態，同時分享資料給保險公司的話，那麼就可以享有保險公司的保費折扣。

研究發現這樣可以創造三贏：駕駛人為了降低保費更小心駕駛、保險公司因減少危險駕駛而增加獲利、有智慧系統裝置的汽車也更受歡迎。結果是，車廠可以提供保險公司哪些駕駛人是安全駕駛，哪些是危險駕駛。保險公司也願意提供優良駕駛保費降低的優惠，把費用轉嫁到危險駕駛人身上。

在技術上， AI偵測器首先捕捉駕駛人的身心反應，如血壓、心律、說話的速度語調等。人臉辨識系統則辨認駕駛人的面部表情如皺眉、閉眼、嘴角下垂等。然後透過大數據分析這些資料，分析判別駕駛人正處於什麼情緒，如生氣時皺眉和心跳加速、疲倦時眉眼閉合和反應遲緩、憂傷時嘴角下垂等。分析的結果可以直接傳送給保險公司，也可以直接匯入行車建議系統，即時提醒駕駛人安全駕駛。

「這項應用因為使用的是前面所說的AI機械智慧（如偵測器）和思考智慧（情緒資料分析），所以發展得很不錯。但AI在情緒模擬，包括表情、語調等，和情緒反應這兩方面就沒有辦法完全掌握了。」

「因為AI不會讀空氣。」黃明蕙笑說：「人類會從環境或情境中，判斷並反應出適當的情緒，但AI無法判別。」

黃明蕙再以Lexus汽車的廣告為例。

當時車商找AI編劇，並委請知名導演拍攝廣告。訓練AI時，提供AI全世界各項得獎汽車廣告影片的資料，透過機器學習，找出最能打動人心的元素－－包括奔馳在風景優美的道路上、人類要擁抱和落淚、爆破場景和新聞畫面等等，最後產出廣告影片。

AI編劇整理了全世界各項優秀汽車廣告中所出現的元素，包括奔馳在風景優美的道路上、人類要擁抱和落淚、爆破場景和新聞畫面等等。但最終的結果，卻不見得是一個能賣汽車的廣告影片。
影片來源／Accelerista

「這些廣告影片元素雖然新奇和『好像』能打動人心，但從策略行銷的角度看，卻不見得是一個能夠賣汽車的成功廣告影片。」黃明蕙補充說明：「這表示即使AI能判讀情緒，也只是停留在思考智慧的層次，還未跨足情緒智慧。」

蓬勃發展的時代，職場人的軟實力變得更加重要

機器取代人力，已不只是存在科幻電影或小說的情節了，現實社會中正在發生。

然而AI並不能完全取代人類。

人們無可取代的關鍵能力，就是不斷提升職場技能，不留在機械智慧、思考智慧等較低層次的智慧之中，而是開發機器人取代不了的創造力、溝通表達力、談判能力、關係建立能力、同理心等高階情感智慧。

在AI蓬勃發展的時代，過去較重視數理邏輯分析的教育觀念或人力市場，勢必會被解構。黃明蕙提出見解：「情緒回應能力，會讓一個人和機器產生根本上的不同。」

因此如果能夠培養更高的情感智慧，便能夠凌駕於目前的AI技術之上。「所以未來女性會更有機會！因為女性的感受力和情緒能力較好。」黃明蕙強調：「不過我們人類都應該要把握自己舉生俱來的天賦，而那是AI不可能達到的能力。」

我們人類都應該要把握自己與生俱來的天賦，那是AI不可能達到的能力。
圖片來源／pixabay

採訪撰文／王昱勻
編輯／張傑凱

The post 人工智慧無所不能，人類憑什麼不被取代？──臺大黃明蕙提出人類無可取代的關鍵 appeared first on 人文．島嶼.

科技部人文司法律學門召集人，同時也是中央研究院法律學研究所所長李建良教授，在2018年組織了一個研究團隊，結合國內關注此領域且學有專精的法律學者，共同投入「人工智慧法律問題」研究。
攝影／林俊孝

在2016年，圍棋軟體AlphaGO擊敗世界冠軍棋士李世乭之後，「人工智慧」（AI, Artificial Intellegence）這個詞，突然聲名大噪。機器擊敗了人類棋王，激發了不少或興奮、或焦慮的想像，讓許多人開始覺得，科幻小說中各種情節，其實距離並沒有那麼遙遠。

一時之間，AI成為了新的顯學。許多新產品或服務，開始標榜自己配備著聰明的人工智慧；當然，也出現一些悲劇或意外，例如自駕車的車禍，被指與AI設計不良有關。在這樣的熱度下，AI在各個面向都很有研究的空間及必要性。

科技部人文司法律學門召集人，同時也是中央研究院法律學研究所所長李建良教授，在2018年組織了一個研究團隊，結合國內關注此領域且學有專精的法律學者，共同投入「人工智慧法律問題」的研究。

AI是新玩意兒？

「當然！」應該是大部分人看到這個問題時，第一直覺浮現的答案。也難怪，畢竟是在2011年之後，大數據發展讓機器的學習能力突飛猛進，AI的進程才開始一日千里，吸引各方注目。但事實上，人工智慧真的不是新玩意兒。從1930年代末，科學家就開始思考一種可能性：既然人腦的思考，是仰賴由神經元組成的電子網絡，那是不是能讓機器也跟人一樣思考呢？

而這還不是人工智慧的起點。

在訪問正式開始前，李建良先拿出了一張像是報紙漫畫的圖片給我們看，圖中的主角，輕鬆地享受著機器提供的各種服務，仔細一瞧，卻發現這個主角，已經難以分辨，他是「人」還是「機器」。定睛細看，更令人驚訝的是報紙上的日期。

「這是一份1865年的英國畫報。」李建良說，「這麼久之前，就已經有人在探討，機器能不能像人一樣、或人會不會變成機器。」

現在我們談起AI，總帶有很多尖端科技的進步想像；但人工智慧所牽動的人性思辨與社會議題，其實早已存在於人類歷史。一百五十多年前的英國畫報，揭示的是願景？還是憂慮？
企劃腳本／黃楷元 美術設計／黃嬿羽

也許有很多技術面的進展，是跟著資訊科技的突破大步向前，然而，人工智慧作為一個社會課題，其實有很多本質上的思考，一直都存在於人類歷史中。石器時代，人類開始製作工具來改善生活；希臘神話之中，已經有人造人或機器人的故事；到了十八世紀工業革命，機器徹底改變人類生活樣貌「人 vs. 機器」引發的哲學思辨與社會問題，從來不曾休止。

所以，在人工智慧的領域，當科學家們努力在技術上做出突破、讓機器越來越聰明的時候，也必須有一群人，從人文的角度切入，思考科技發展所可能帶來的問題。

人跟機器之間，最關鍵的分別是什麼？機器越來越聰明，會不會讓人越來越懶、越來越笨？當機器跟人一樣聰明、可以自己思考做決定，我們該怎麼看待機器「人」？人類與機器之間的關係轉化，是增加倚賴與信任、還是彼此競爭敵對？……這些問題，每個都是大哉問，背後都有著深刻的哲學思維，或是牽涉到複雜的規範問題。

對於李建良來說，「人工智慧與法律規範學術研究群」的使命，就從這裡開始。

AI領域中的法律人

李建良認為，「科技人」，會走在時代的尖端，像火車頭一樣，引領著人類往前推進。但在這樣的浪潮中，「法律人」會扮演一種很獨特的角色：適時地幫這班列車減速，確保列車能穩穩當當地走在正確的軌道上。
攝影／林俊孝

李建良在法律領域的研究卓然有成，但AI人工智慧，牽涉的都是些電腦運算、數據分析、機器學習、神經網絡之類的科技專業，法律人研究AI，這麼「跳 tone」的跨界，會不會有點辛苦呢？

「與其說是有門檻要跨越，不如說，是從另外一個角度來看問題。」李建良說。

李建良認為，追求知識這件事情，最迷人的地方，是窮盡人類視野的邊界。特別是許多「科技人」，他們會走在時代的尖端，像火車頭一樣，引領著人類往前推進。但在這樣的浪潮中，「法律人」會扮演一種很獨特的角色：適時地幫這班列車減速，確保列車能穩穩當當地走在正確的軌道上。

然而，隨著普及程度增加，許多問題也開始浮現。空拍機會不會干擾飛航安全？會不會侵犯隱私？失控時會不會發生撞擊意外？法律人就必須比一般人更早、更仔細地想到這些顧慮，並且提出規範的構想與理由，讓政府據此定出合宜的法規，供人依循。

圖片來源／Pixabay

人工智慧領域也是一樣，當科技研發人員持續努力讓電腦越來越聰明、可以做的事情越來越多，法律人就必須思考，太聰明的機器，有沒有可能會產生新的問題？如果有，該怎麼預防和規範？

「法律人常常必須扮演那個比較不討喜的角色。」李建良笑說。當科技人想猛踩油門加速向前衝，法律人可能必須思考怎麼剎車。同時，因為法律規範有強制力，遭遇的反彈力道也會特別大。

但李建良也強調，很多事情並不是非黑即白、或有標準答案，大部分情況是價值選擇的問題。凡事都有正反兩面，科技可以帶來助益，也會有隱憂，權衡利弊得失之後，有時候必須暫時停下來、調整腳步再出發。學者的責任，就是把這些問題釐清，讓更多人理解，以凝聚社會共識。在這種情況下訂出的規範，才會是最多人可以接受的最大公約數。

「別誤會，法律人不是反對AI，也沒有想要拖慢科技的進展。」李建良表示，透過多面向的法律研究，可以幫人工智慧的發展預先制定出一個正確的框架，讓研發人員在好的框架下創新、廠商在正確的規範下生產製造、民眾在充分的理解下使用。有明確的標準可以依循，就能避免走冤枉路，對AI的長期發展來說絕對是加分。

人工智慧與人性尊嚴

那麼，法律人究竟該給人工智慧的研究方向提供什麼樣的建議呢？科技部在2019年頒布了一份「人工智慧科研發展指引」，裡面揭示了八個目標方向，可以說是AI研究目前的官方規範指南。

八項「人工智慧科研發展指引」，是科技部2019年依據「以人為本」、「永續發展」及「多元與包容」三大核心價值所衍生，期待讓人工智慧的研究發展，能更符合普世期待。
企劃腳本／黃楷元 美術設計／黃嬿羽

從這些項目，約略可以看出，如果人工智慧真的「失控」，會在哪些面向出問題，像是侵犯隱私或洩漏個資、加深刻板印象或歧視、影響公共安全、甚至演變成政府或大企業控制人民的工具等。

這些項目每一個都很重要，李建良主持的「人工智慧與法律規範學術研究群」，就是分別從「智慧醫療」、「自動駕駛」、「金融科技」、「物聯網路」這幾個與民眾生活最相關的面向，去深入探討人工智慧可能涉及的問題與規範。

但李建良認為，最深層但也最困難的問題，可能是「人性尊嚴」。

這個「尊嚴」，並不是指「自尊心」，而是人對於自己的自主權，不會淪為他人的工具。工業化讓機器走入人類生活，工業革命從1.0到4.0，每一次的進展，都會產生新的社會問題、挑戰人性的尊嚴。

馬克思曾提出「異化」概念，批判工業社會中，人越來越脫離自己的本質，能夠掌控的事物越來越少。而在人工智慧更發達的今日，機器可以幫人處理的事情更多了，也讓這個問題出現了更複雜的發展。人工智慧讓人越來越像人，還是越來越不是人？

李建良認為，關於AI進行的思辨，其實有助於釐清這些問題。當機器越來越聰明，我們會更謹慎決定我們看待機器的方式，而在審視的過程中，機器的輪廓愈發清晰，人也能夠在自己跟機器的差別中，重新看清人的價值與定位。

李建良舉例，「安全與自由」、「理性與尊嚴」，這四種價值之間，可能存在各種競合或衝突的關係。而在人工智慧的發展中，我們應該優先確保這些價值，能夠帶來正向的回饋。「關鍵還是要回到理性的啟蒙。」李建良說。當人們越能運用理性，就越能建構一個理性的思考框架，在這框架下發展值得信賴、可靠的AI，讓人類真正能夠運用理性，活出「人」的價值。

圖片來源／Pixabay

採訪撰文／黃楷元
編輯／林俊孝
攝影／林俊孝

The post AI人工智慧會威脅人類生存？ 中研院李建良告訴你！ appeared first on 人文．島嶼.