負責任的 AI 不是口號：Google 的七條原則與把原則變成流程的方法

聊到「AI 倫理」，很多人的直覺是那是一門很虛的課：講講價值觀，喊喊口號。我修完 Google Cloud 生成式 AI 學習路徑的負責任 AI 課程後，印象完全翻轉：它其實是一門講「流程」的課，講的是原則怎麼寫、審查怎麼設、問題怎麼在出貨前被抓出來。

課程裡最常被引用的一句話是：負責任的 AI 就等於成功的 AI。這不是漂亮話，而是有一整份商業報告在背後撐腰。這篇整理課程的四個層次：為什麼需要、原則長什麼樣、有哪些疑慮要盯、以及最難的部分：怎麼落地。

為什麼需要：科技是社會的鏡子

課程的起點是一個清醒的認知：科技反映社會裡既有的東西。沒有好的實務，AI 會複製既有的問題與偏見，而且放大它們。AI 不會自己產生不公平的偏誤，它暴露的是社會系統裡本來就存在的偏誤，再用機器的規模與速度加以放大。

另一個關鍵認知：常有人以為機器在做決定，實際上從頭到尾都是人在做決定。人收集訓練資料、人控制部署、人決定應用情境，而每個決定都基於決策者自己的價值觀。

這意味著負責任的 AI 不是某個部門的事，而是專案每個階段、每個角色的事；看起來無害、立意良善的用例，缺乏負責任的實務一樣可能造成意外的傷害。

Google 的七條原則與四條紅線

Google 在 2018 年 6 月公布七條 AI 原則，作為研究、產品開發與商業決策的具體標準：

1. 對社會有益：整體可預期的效益要大幅超過可預見的風險才推進。
2. 避免製造或強化不公平的偏誤：特別是種族、性別、國籍、性向、信仰等敏感特徵。
3. 為安全而建、為安全而測：用嚴謹的安全實務避免意外傷害。
4. 對人負責：提供回饋、解釋與申訴的管道。
5. 內建隱私設計：告知與同意、隱私防護的架構、對資料使用的透明與控制。
6. 維持高標準的科學卓越：科學嚴謹、跨領域，並負責任地分享知識。
7. 只提供給符合上述原則的用途：限制可能有害或被濫用的應用。

該盯什麼：AI 的倫理疑慮清單

課程整理了討論度最高的幾類疑慮，值得每個做 AI 產品的人放在案頭：

• 透明度：系統越複雜，越難讓人理解決策怎麼來的，也越難預測何時會失靈。
• 不公平的偏誤：訓練資料裡某些族群代表性不足或過度，會讓監控這類系統更容易誤判弱勢族群。
• 安全：訓練資料成了更值得竊取的資產，深偽（deepfake）這類 AI 特有的操縱手法也出現了。
• 隱私：AI 能快速彙整多來源的大量資料，帶來資料濫用、追蹤與側寫的風險。
• AI 偽科學：像從臉部特徵判斷犯罪傾向這類毫無科學根據的應用，披上 AI 外衣後顯得可信，傷害個人也拖累正當的應用。
• 對人的問責：系統要有明確的目標與運作範圍，讓人能介入、能回饋。
• 就業與技能退化：工作會位移，就像商業航空誕生前沒人想像過空服員這個職業；挑戰與機會並存。

生成式 AI 還有三個專屬疑慮：幻覺（生成不真實、虛構的內容）、事實性（輸出的資訊是否準確）與擬人化（把人類特質投射到模型上，高估它的理解能力）。

怎麼落地：檢查表行不通，流程才行

課程最有價值的一段是 Google 的自我坦白：他們試過用決策樹與檢查表確保技術合乎倫理，失敗了。因為每個用例、客戶與社會脈絡都獨特，同一個方案在此合規、在彼可能有害。

取而代之的是議題辨識（issue spotting）：用一組開放式問題逼人批判思考，涵蓋產品定義、要解決的問題、目標使用者、用了什麼資料、模型怎麼訓練與測試，並且要求想像最好與最壞的情境。

在 Google Cloud，這落實為兩個審查機制：客戶交易審查看客製專案的用例是否與原則衝突，產品開發審查看產品從評估、設計到上市的全程。

經典案例是名人辨識 API：臉部辨識早在 2016 年就因偏誤疑慮被排除在通用產品之外；後來推出的版本被緊縮成只服務媒體娛樂客戶、只辨識授權名人影像的專用 API，過程中還請了外部人權顧問做完整的人權影響評估，因為團隊承認自己的生活經驗未必能代表受影響族群的經驗。

商業理由：信任就是市場

課程引用經濟學人智庫的報告《Staying Ahead of the Curve》佐證「負責任等於成功」：97% 受訪高管認同倫理審查對產品創新重要；一項調查中 90% 的組織遇過 AI 倫理問題，其中四成選擇放棄專案而不是解決問題；66% 的高管表示曾因倫理疑慮拒絕某個 AI 供應商。

人才與資本也在移動：員工更忠於處理倫理議題的雇主，投入負責任 AI 新創的資金從 2013 年的八百萬美元成長到 2020 年的三億三千五百萬美元。