從歷史看 AI：過去的科技熱潮能給我們什麼啟示？

矽谷曾承諾人工智慧將解決人類最棘手的問題。然而，這項技術反而創造了一系列程式碼無法修復的摩擦點。我們正從驚奇階段邁向一個需要嚴格問責的時期。核心問題不在於未來的機器叛變，而在於這些系統目前是如何被建構與部署的。每一個大型語言模型（large language model）都依賴於人類勞動力與抓取數據的基礎。這在開發工具的企業與提供動力的勞動者之間，造成了根本性的衝突。歐洲與美國的監管機構現在開始追問：當系統犯下毀掉人生的錯誤時，誰該負責？答案依然模糊，因為現有的法律框架並非為這種具備高度自主性的軟體所設計。我們正目睹焦點從「技術能做什麼」轉向「在公共生活中應被允許做什麼」。 自動化決策的摩擦從本質上講，現代人工智慧就是一個預測引擎。它並不理解真理或倫理，而是根據龐大的數據集計算下一個字或像素的機率。這種內在理解的缺失，導致了機器產出與人類正義需求之間的鴻溝。當銀行利用演算法來判定信用額度時，系統可能會識別出與種族或郵遞區號相關的模式。這並非因為機器有知覺，而是因為它所訓練的歷史數據中包含了這些偏見。企業常將這些流程隱藏在商業機密之後，導致被拒絕的申請人無法得知原因。這種透明度的缺失是當前自動化時代的定義特徵，通常被稱為「黑箱問題」（black box problem）。技術現實是，這些模型是在開放的網際網路上進行訓練的，而這裡既是人類知識的寶庫，也是人類偏見的集散地。開發者試圖過濾這些數據，但其規模之大，使得完美的策展變得不可能。當我們談論 AI 倫理時，實際上是在談論如何處理這些系統不可避免地產生的錯誤。部署速度與安全性需求之間存在著日益緊張的關係。許多公司為了避免失去市場份額，在產品尚未被完全理解前就急於發布。這導致大眾成為未經證實軟體的非自願測試對象。法律體系正努力跟上變化的步伐，法院也在爭論軟體開發者是否應為其產生的「幻覺」（hallucinations）承擔責任。 新的全球數位落差這些系統的影響在全球並非均等分配。雖然大型 AI 公司的總部多位於少數富裕國家，但其影響卻無處不在。一種新型的勞動剝削正在全球南方（Global South）浮現。肯亞和菲律賓等國的數千名工人領取低薪，負責標註數據並過濾創傷性內容。這些工人是防止 AI 輸出有害內容的隱形安全網，卻鮮少分享到產業的利潤。這造成了一種權力失衡：富裕國家掌控工具，而開發中國家則提供維持運作所需的原始勞動力與數據。文化主導地位是國際社會另一個重大的擔憂。大多數大型模型主要以英語數據和西方文化規範進行訓練。這意味著系統往往無法理解在地背景或數位資源較少的語言。當這些工具被輸出時，它們冒著以同質化的西方視角覆蓋在地知識的風險。這不僅是技術缺陷，更是對文化多樣性的威脅。各國政府開始意識到，依賴外國的 AI 基礎設施會產生一種新型的依賴。如果一個國家沒有自己的主權 AI 能力，就必須遵循提供服務的企業所制定的規則與價值觀。全球社群目前正努力應對幾個關鍵問題：運算能力集中在少數私人企業手中。在缺水地區訓練大型模型的環境成本。在以英語為中心的模型主導下，在地語言在數位空間中的流失。缺乏關於在戰爭中使用自主系統的國際協議。自動化錯誤資訊可能破壞民主選舉的穩定性。 與演算法共存想像一下在某處物流公司擔任中階主管的 Sarah 的一天。她的早晨從一份 AI 生成的電子郵件摘要開始。系統標記了它認為最緊急的任務，卻遺漏了一位長期客戶的委婉抱怨，因為情感分析工具無法識別其中的諷刺意味。隨後，她使用生成式工具為員工起草績效評估。軟體根據生產力指標建議了較低的評級，卻忽略了該員工花在指導新進人員的時間。Sarah 必須決定是相信自己的判斷，還是機器基於數據的建議。如果她忽略了 AI，而員工後來表現不佳，她可能會因未遵循數據而被指責。這就是演算法管理帶來的無聲壓力。下午，Sarah 申請了一份新的保險。保險公司使用自動化系統掃描她的社群媒體與健康紀錄。系統將她標記為高風險，因為她最近加入了一個健行團體，而演算法將其與潛在傷害連結起來。沒有真人可以溝通，也沒有管道解釋她是一位經驗豐富且身體健康的健行者。她的保費瞬間調漲。這是一個將效率置於個人細微差別之上的系統所帶來的現實後果。到了晚上，Sarah 瀏覽新聞網站，發現一半的文章都是由機器人撰寫的。她發現越來越難分辨哪些是報導事實，哪些是為了讓她點擊而設計的合成摘要。這種持續接觸自動化內容的過程，改變了她對現實的感知。 BotNews.today 使用 AI 工具研究、撰寫、編輯和翻譯內容。 我們的團隊審查並監督此過程，以確保資訊實用、清晰且可靠。 這項技術不再是她使用的工具，而是她生活的環境。矛盾隨處可見。我們想要 AI 的速度，卻恐懼它的冷漠；我們想要自動化的便利，卻厭惡失去人類的主體性。企業高估了這些工具取代人類判斷的能力，卻低估了單一偏見輸出所造成的損害。創作者高估了其智慧財產權的保護，卻低估了他們的作品被爬蟲程式抓取的容易程度。結果就是一個我們都在加速前進，卻對方向愈發不確定的社會。 效率的代價我們必須針對當前軌跡的隱形成本提出困難的問題。如果一個 AI 系統為公司節省了數百萬美元，卻導致上千人失業，誰該為社會成本負責？我們常將技術進步視為一種不可避免的自然力量，但它其實是具備特定動機的個人所做出的特定選擇的結果。為什麼我們將利潤優化置於勞動力市場的穩定之上？在每個互動都成為訓練點的時代，還有數據隱私的問題。當你使用免費的 AI 助理時，你不是客戶，你是產品。你的對話與偏好被用來優化一個最終會賣回給你或你雇主的模型。當我們的數位助理持續監聽並學習時，私人思想的概念會變成什麼樣？環境影響是行銷素材中鮮少討論的另一個成本。訓練單一大型模型所消耗的電力，相當於數百個家庭一年的用量。資料中心的冷卻需求正對乾旱地區的水資源供應造成壓力。我們願意為了稍微好一點的聊天機器人而犧牲生態穩定嗎？我們也必須考慮對人類認知的長期影響。如果我們將寫作、程式設計與批判性思考外包給機器，人類群體中的這些技能會發生什麼事？我們可能正在建立一個高度有效率，但卻充滿了無法依賴數位拐杖就無法運作的人類的世界。這些不是透過更多數據就能解決的技術問題，而是關於我們想要居住在什麼樣的未來之根本問題。 您有任何關於 AI 的故事、工具、趨勢或問題，認為我們應該報導嗎？ 將您的文章想法寄給我們 — 我們很樂意聽取您的意見。 影響力的基礎設施對於進階使用者與開發者而言，倫理問題已嵌入技術規格中。向本地儲存與邊緣運算（edge computing）的轉移，部分是對隱私擔憂的回應。透過在本地運行模型，使用者可以避免將敏感數據發送到中央伺服器。然而，這在硬體需求與 API 限制方面創造了一系列新挑戰。大多數高效能模型需要大量的 VRAM 與目前供應短缺的特殊晶片。這造成了一個瓶頸，只有擁有最新硬體的人才能存取最強大的工具。開發者也正與現有架構的限制搏鬥。雖然 Transformer 模型一直佔據主導地位，但它們極難檢查。我們可以看到權重與架構，卻無法輕易解釋為什麼特定的輸入會導致特定的輸出。AI 整合進專業工作流程也正撞上數據中毒與模型崩潰的牆。如果網際網路充斥著 AI 生成的內容，未來的模型將會基於其前身的輸出進行訓練。這會導致品質下降與錯誤放大。為了對抗這一點，一些開發者正在研究可驗證數據來源與浮水印技術。同時，推動更透明的AI 倫理分析以幫助使用者理解風險的呼聲也越來越高。技術社群目前專注於幾個關鍵發展領域：實施差分隱私（differential privacy）以保護訓練集中的個人數據點。開發能在消費級硬體上運行的更小、更高效的模型。建立用於檢測偏見與事實錯誤的標準化基準。使用聯合學習（federated

中立程式碼的迷思關於人工智慧的討論，往往聚焦於技術基準與運算能力。我們談論參數與 PB 等級的數據，彷彿這些就是唯一重要的指標。這種焦點模糊了一個更迫切的現實：每一個大型語言模型都是塑造它的「人類偏好」的鏡像。根本不存在所謂「中立」的演算法。當系統給出答案時，它並非從客觀真理的真空地帶提取資訊，而是反映了由開發者與數據標註員所設定的一套特定加權價值觀。核心結論很簡單：我們並非在教導機器思考，而是在教導它們模仿我們特定且往往相互矛盾的社會規範。這種從邏輯轉向倫理的變革，是自網際網路發明以來計算領域最重大的改變。它將責任負擔從硬體轉移到了定義何謂「正確」答案的人類身上。 產業近期已從單純的效能轉向安全與對齊（alignment）。這聽起來像是技術調整，但實際上是一個深刻的政治過程。當我們要求模型做到「有幫助、無害且誠實」時，這些詞彙在不同文化中具有截然不同的含義。在舊金山董事會看來普世的價值，在雅加達可能被視為冒犯或無關緊要。全球規模與在地價值觀之間的張力，是現代科技的主要衝突。我們必須停止將 AI 視為自主力量，並開始將其視為人類意圖的策展延伸。這需要看穿行銷炒作，去審視幕後所做的實際選擇。人類選擇的機械鏡像要理解價值觀如何進入機器，必須看看「人類回饋強化學習」（RLHF）。在這個過程中，數千名人類承包商會對模型的不同回應進行排名。他們可能會看到兩個版本的答案，並點擊他們認為更有禮貌或更準確的那一個。隨著時間推移，模型學會將特定模式與這些人類偏好連結起來。這並非對真理的追求，而是對認可的追求。模型本質上是在受訓以取悅人類評估者。這創造了一種道德外衣，實際上只是特定群體喜好的一種統計近似值。這個過程引入了大量的主觀性。如果大多數標註員來自特定族群，模型自然會採用該群體的俚語、社交暗示與政治偏見。這就是為什麼許多熱門模型的早期版本在非西方語境下表現不佳。它們並沒有壞掉，只是完全按照受訓方式運作。它們反映了那些領錢評分的人的價值觀。這就是抽象概念（如公平與偏見）轉化為具體程式碼的層級。這是一個在公眾看到聊天介面之前，就已進行的手動且勞力密集的過程。這是現代智慧背後隱形的基礎設施。大多數人對此議題的困惑在於認為 AI 擁有內在的道德羅盤。事實並非如此。它擁有的是「獎勵函數」（reward function）。當模型拒絕回答問題時，並非因為它「覺得」該主題不對，而是因為其訓練數據已被大幅加權以避開該特定模式。這種區別至關重要。如果我們相信機器具有道德，我們就會停止質疑那些制定規則的人。我們必須認識到，每一次拒絕與每一次有用的建議，都是基於人類決策的程式化回應。透過識別這一點，我們可以開始針對「誰在制定這些規則」以及「為何制定」提出更好的問題。 潛在空間中的地緣政治這些選擇的影響是全球性的。大多數領先的 AI 模型主要使用來自開放網路的英文數據進行訓練。這創造了一種數位單一文化，其中西方價值觀成為預設值。當世界其他地區的用戶詢問有關家庭動態或法律問題的建議時，他們收到的答案是透過特定文化視角過濾後的結果。這不僅僅是語言翻譯的問題，更是文化翻譯的問題。層級、隱私與社群的細微差別在全球各地差異巨大，但模型往往提供「一體適用」的解決方案。這種對「正確」思想的集中化，是一種新型的軟實力，對全球論述具有巨大影響。我們正看到各國競相開發主權 AI 模型以應對此現象。法國、阿拉伯聯合大公國與印度等國正投資於自身的基礎設施，以確保其特定的文化價值觀得到體現。他們意識到，依賴外國模型意味著輸入外國的世界觀。隨著各國政府意識到對 AI 潛在空間（latent space）的控制與控制實體邊界同樣重要，這種趨勢正在加速。用於訓練這些模型的數據就像一本數位歷史書。如果那本書只包含一種觀點，產生的智慧本質上就是有限的。這就是為什麼推動多樣化數據集不僅僅是多樣性倡議，更是全球規模下準確性與相關性的必要條件。國際合作的賭注很高。如果每個國家都建立自己孤立的 AI，並擁有各自僵化的價值觀，我們可能會發現跨越數位邊界溝通變得更加困難。然而，另一種選擇是一個由單一山谷中的幾家公司定義數十億人道德邊界的世界。沒有哪條路是完美的。挑戰在於如何在維持對基本人權共識的同時，容納在地細微差別。這是一個無法僅靠更好的硬體解決的問題。它需要國際外交，並清醒地審視當今推動科技產業的激勵機制。您可以在我們的 AI 倫理與治理綜合指南中找到更多關於這些挑戰的資訊。 決策迴圈試想一位名叫 Sarah 的招聘經理的一天。她使用 AI 工具篩選數百份工程職位的履歷。該工具經過訓練以尋找「高潛力」候選人。表面上，這似乎很有效率。但在介面之下，該工具正在應用從過往招聘數據中學到的一套價值觀。如果歷史數據顯示公司大多聘用來自特定三所大學的人，AI 就會優先考慮這些學校。它並非以人類意義上的「種族歧視」或「菁英主義」行事，它只是在優化它被告知具有價值的模式。Sarah 可能甚至沒意識到，該工具正在過濾掉來自非傳統背景的優秀候選人，因為他們不符合訓練數據中的「價值」概況。這種情況每天在成千上萬的辦公室中上演。這些價值觀並非抽象的。它們決定了你能否獲得工作，還是被演算法忽略。同樣的邏輯也適用於信用評分、醫療分診，甚至是司法判決。在每個案例中，像「風險」或「績效」這樣的人類價值觀都被轉化為數字。危險在於，我們將這些數字視為客觀真理，而非主觀選擇。我們經常將道德判斷的艱難工作委託給機器，因為它更快且更不令人不適。但機器只是在以我們難以監控的規模，自動化我們現有的偏見。我們每天使用的產品讓這些論點變得真實。當照片編輯 App 自動提亮一個人的膚色使其看起來「更好」時，它就是在表達一種價值觀。當導航 App 避開「高犯罪率」區域時，它就是在對安全與社會階級做出價值判斷。這些不是技術錯誤，而是人類提供的數據與獎勵函數的邏輯結論。我們生活在一個軟體不斷代表我們做出道德選擇的世界。大多數時候，我們甚至沒注意到它正在發生，直到出錯為止。我們需要對那些實際上只是內建假設的「實用」功能保持更批判的態度。產業近期的變化是轉向「可操縱性」（steerability）。公司現在賦予用戶更多對 AI「個性」或「價值觀」的控制權。你可以告訴模型要「更有創意」或「更專業」。雖然這感覺像是賦權，但實際上將責任轉回給了用戶。如果 AI 給出有偏見的答案，公司可以聲稱是用戶沒有正確設定參數。這創造了一個複雜的問責網，沒有人真正對輸出結果負責。我們正從一個價值觀固定的世界，轉向一個價值觀流動且由用戶定義的世界，這帶來了其獨特的風險與回報。 自動化道德的代價我們必須以蘇格拉底式的懷疑精神看待「安全」AI 的概念。如果一個模型被完美對齊，它是與誰的價值觀對齊？我們今天看到的過濾器背後有隱藏成本。通常，這些過濾器是利用開發中國家的低薪勞動力建立的。人們每小時領取幾美元，閱讀網路上最恐怖的內容，以便機器學會避免它們。我們本質上是將價值設定的心理創傷外包給全球南方國家。如果一個 AI 的安全性是建立在被剝削勞工的背上，它真的「合乎倫理」嗎？這是科技產業鮮少願意直接回答的問題。另一個限制是「道德幻覺」。由於這些模型非常擅長模仿，當它們談論倫理時聽起來非常有說服力。它們可以輕鬆引用哲學家與法律先例，但它們並不理解其中的任何內容。它們只是在預測序列中的下一個 token。 BotNews.today 使用 AI 工具研究、撰寫、編輯和翻譯內容。 我們的團隊審查並監督此過程，以確保資訊實用、清晰且可靠。 當我們依賴 AI 進行道德指導時，我們本質上是在諮詢一隻非常精密的鸚鵡。這產生了「道德技能退化」的風險。如果我們停止自己做出困難的選擇，讓 AI 代勞，我們可能會失去自行思考複雜倫理問題的能力。我們正在用道德代理權換取便利。誰來定義政治或宗教等主觀話題的「基礎事實」？當私人企業的價值觀與民主社會的價值觀衝突時會發生什麼？我們該如何審計 RLHF 的「黑盒子」，以查看訓練過程中真正被獎勵的是什麼？如果訓練它的世界本質上是不公平的，機器是否能真正做到「公平」？ 約束的架構對於進階用戶來說，AI