美國司法部如何追殺資訊自由化推手 Aaron Swartz

本文與 研華科技 合作，泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言，總能牽動整個 AI 產業的神經。然而，我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線，那如果哪天「網路斷了」，會發生什麼事？

想像你正在自駕車打個盹，系統突然警示：「網路連線中斷」，車輛開始偏離路線，而前方竟是萬丈深谷。又或者家庭機器人被駭，開始暴走跳舞，甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎？當然不是！也因為如此，「邊緣 AI」成為業界關注重點。不靠雲端，AI 就能在現場即時反應，不只更安全、低延遲，還能讓數據當場變現，不再淪為沉沒成本。

什麼是邊緣 AI ？

邊緣 AI，乍聽之下，好像是「孤單站在角落的人工智慧」，但事實上，它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前，像是企業、醫院、學校內部的伺服器，個人電腦，甚至手機等裝置，都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算，稱為邊緣運算；而在邊緣節點上運行 AI ，就被稱為邊緣 AI。簡單來說，就是將原本集中在遠端資料中心的運算能力，「搬家」到更靠近數據源頭的地方。

那麼，為什麼需要這樣做？資料放在雲端，集中管理不是更方便嗎？對，就是不好。

第一個不好是物理限制：「延遲」。
即使光速已經非常快，數據從你家旁邊的路口傳到幾千公里外的雲端機房，再把分析結果傳回來，中間還要經過各種網路節點轉來轉去…這樣一來一回，就算只是幾十毫秒的延遲，對於需要「即刻反應」的 AI 應用，比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時，每一毫秒都攸關安全與精度，這點延遲都是無法接受的！這是物理距離與網路架構先天上的限制，無法繞過去。

第二個挑戰，是資訊科學跟工程上的考量：「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送，湧入的資料數據量就像超級大的水流，一下子就把水管塞爆！要避免流量爆炸，你就要一直擴充水管，也就是擴增頻寬，然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理，把重要資訊「濃縮」過後再傳回雲端，是不是就能減輕頻寬負擔，也能節省大量費用呢？

第三個挑戰：系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時，一旦網路不穩、甚至斷線，那怎麼辦？很多關鍵應用，像是公共安全監控或是重要設備的預警系統，可不能這樣「看天吃飯」啊！邊緣處理讓系統更獨立，就算暫時斷線，本地的 AI 還是能繼續運作與即時反應，這在工程上是非常重要的考量。

所以你看，邊緣運算不是科學家們沒事找事做，它是順應數據特性和實際應用需求，一個非常合理的科學與工程上的最佳化選擇，是我們想要抓住即時數據價值，非走不可的一條路！

邊緣 AI 的實戰魅力：從工廠到倉儲，再到你的工作桌

知道要把 AI 算力搬到邊緣了，接下來的問題就是─邊緣 AI 究竟強在哪裡呢？它強就強在能夠做到「深度感知（Deep Perception）」！

所謂深度感知，並非僅僅是對數據進行簡單的加加減減，而是透過如深度神經網路這類複雜的 AI 模型，從原始數據裡面，去「理解」出更高層次、更具意義的資訊。

以研華科技為例，旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例，利用物件偵測模型，快速將工業產品中的瑕疵挑出來，而且由於 AI 模型可以使用同一套參數去檢測，因此品管上能達到一致性，減少人為疏漏。尤其在高產能工廠中，檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品，替工廠節省大量人力，同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

此外，在智慧倉儲場域，研華與威剛合作，研華與威剛聯手合作，在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台，打造倉儲系統的 AMR（Autonomous Mobile Robot） 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣，AMR 不需要事先規劃好路線，靠著感測器偵測，就能輕鬆避開障礙物，識別路線，並且將貨物載到指定地點存放。

當然，還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning )，除了可以做備忘錄跟排程規劃以外，還能將實務上碰到的問題記錄下來，等到之後碰到類似的問題時，就能詢問 AI 並得到解答。

你或許會問，那為什麼不直接使用 ChatGPT 就好了？其實，對許多企業來說，內部資料往往具有高度機密性與商業價值，有些場域甚至連手機都禁止員工帶入，自然無法將資料上傳雲端。對於重視資安，又希望運用 AI 提升效率的企業與工廠而言，自行部署大型語言模型（self-hosted LLM）才是理想選擇。而這樣的應用，並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器，體積僅如後背包大小，卻能輕鬆支援語言模型的運作，實現高效又安全的 AI 解決方案。

但問題也接著浮現：要在這麼小的設備上跑大型 AI 模型，會不會太吃資源？這正是目前 AI 領域最前沿、最火熱的研究方向之一：如何幫 AI 模型進行「科學瘦身」，又不減智慧。接下來，我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一：量化（Quantization）—用更精簡的數位方式來表示知識

當硬體資源有限，大模型卻越來越龐大，「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像：有些畫面細節我們肉眼根本看不出來，刪掉也不影響整體感覺，卻能大幅減少檔案大小。

模型量化的原理也是如此，只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示，什麼是浮點數？其實就是你我都熟知的小數。舉例來說，圓周率是個無窮不循環小數，唸下去就會是3.141592653…但實際運算時，我們常常用 3.14 或甚至直接用 3，也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思！ 

然而，量化並不是那麼容易的事情。而且實際上，降低精度多少還是會影響到模型表現的。因此在設計時，工程師會精密調整，確保效能在可接受範圍內，達成「瘦身不減智」的目標。

模型剪枝（Model Pruning）—基於重要性的結構精簡

建立一個 AI 模型，其實就是在搭建一整套類神經網路系統，並訓練類神經元中彼此關聯的參數。然而，在這麼多參數中，總會有一些參數明明佔了一個位置，卻對整體模型沒有貢獻。既然如此，不如果斷將這些「冗餘」移除。

這就像種植作物的時候，總會雜草叢生，但這些雜草並不是我們想要的作物，這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在，而動手去清理這些不需要的連結參數或神經元的技術，就稱為 AI 模型的模型剪枝（Model Pruning）。

模型剪枝的效果，大概能把100變成70這樣的程度，說多也不是太多。雖然這樣的縮減對於提升效率已具幫助，但若我們要的是一個更小幾個數量級的模型，僅靠剪枝仍不足以應對。最後還是需要從源頭著手，採取更治本的方法：一開始就打造一個很小的模型，並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」，是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾（Knowledge Distillation）—讓小模型學習大師的「精髓」

想像一下，一位經驗豐富、見多識廣的老師傅，就是那個龐大而強悍的 AI 模型。現在，他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案，老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」，例如「為什麼我會這樣想？」、「其他選項的可能性有多少？」。這樣一來，小小的學徒模型，用它有限的「腦容量」，也能學到老師傅的「智慧精髓」，表現就能大幅提升！這是一種很高級的訓練技巧，跟遷移學習有關。

舉個例子，當大型語言模型在收到「晚餐：鳳梨」這組輸入時，它下一個會接的詞語跟機率分別為「炒飯：50%，蝦球：30%，披薩：15%，汁：5%」。在知識蒸餾的過程中，它可以把這套機率表一起教給小語言模型，讓小語言模型不必透過自己訓練，也能輕鬆得到這個推理過程。如今，許多高效的小型語言模型正是透過這項技術訓練而成，讓我們得以在資源有限的邊緣設備上，也能部署愈來愈強大的小模型 AI。

但是！即使模型經過了這些科學方法的優化，變得比較「苗條」了，要真正在邊緣環境中處理如潮水般湧現的資料，並且高速、即時、穩定地運作，仍然需要一個夠強的「引擎」來驅動它們。也就是說，要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型，真正放到邊緣的現場去發揮作用，就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟：SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器，就是扮演「邊緣 AI 引擎」的關鍵角色！那麼，它到底厲害在哪？

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要？因為 GPU 的設計，天生就擅長做「平行計算」，這正好就是 AI 模型裡面那種海量數學運算最需要的！

你想想看，那麼多數據要同時處理，就像要請一大堆人同時算數學一樣，GPU 就是那個最有效率的工具人！而且，有多張 GPU，代表可以同時跑更多不同的 AI 任務，或者處理更大流量的數據。這是確保那些科學研究成果，在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎！

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房，有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計，體積相對緊湊，散熱空間也比較好（這對高功耗的 GPU 很重要！），部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算，進行「工程化」，讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格，背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場，系統穩定壓倒一切！你總不希望 AI 分析跑到一半就掛掉吧？這些設計確保了部署在現場的 AI 系統，能夠長時間、穩定地運作，把實驗室裡的科學成果，可靠地轉化成實際的應用價值。

台灣製造 × 在地智慧：打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能，能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署，及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析，還是其他 AI 相關的服務，都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務，讓企業在啟動 AI 專案前，大幅降低前期投入門檻，靈活又實用。

台灣有著獨特的產業結構，從精密製造、城市交通管理，到因應高齡化社會的智慧醫療與公共安全，都是邊緣 AI 的理想應用場域。更重要的是，這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示，這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果，往往已經錯失最佳反應時機。這也是為什麼邊緣 AI，不只是一項技術創新，更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場，就能被有效的「理解」與「利用」，是將數據垃圾變成數據黃金的賢者之石！

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

本文轉載自中央研究院「研之有物」，為「中研院廣告」

• 採訪撰文｜劉韋佐
• 責任編輯｜田偲妤
• 美術設計｜蔡宛潔

人工智慧將改變以人為主的法治領域？

由人工智慧擔任警察，再也不是科幻電影的情節，交通管制常見的科技執法就是應用 AI 辨識闖紅燈、未依規定轉彎、車輛不停讓行人等違規行為。 AI 的客觀、高效率正在挑戰以人為審判主體的法治領域，這樣的轉變會對我們產生什麼影響呢？中央研究院「研之有物」專訪院內歐美研究所陳弘儒助研究員，他將帶我們思考：當 AI 取代人類執法時，將如何改變人們對守法的認知？

想像有一天你正在尖峰時段開車，車子停在十字路口等紅燈時，後方出現一輛急駛而來的救護車，你為了讓道必須開過停止線。這時你是否願意冒著違規被開罰的風險？還是承擔風險以換取他人盡速就醫？

在上述情境中，針對「要不要闖紅燈」我們經歷了一段價值判斷過程。如果剛好十字路口有真人警察，他的判斷可能是：這是情急之下不得不的行為，並非蓄意違規。

然而，如果負責執法的是「法律人工智慧系統」（Artificially legal intelligent，簡稱 ALI）情況可能截然不同。

ALI 這個詞源自 Mireille Hildebrandt 的研究，在概念上可區分為兩類：採取傳統程式碼的 IFTTT（if this then that）、運用機器學習的資料驅動。前者是注重法律推理或論證的計算機模型，將法律規範轉為程式碼，藉由程式編寫來執行法律任務。後者則透過大量資料的學習，來預測行為範式，用於再犯率、判決結果預測上有較好的成果。

一般情況下，應用在交通管制的 ALI 會辨識車輛是否超速、闖紅燈等違規行為，不過交通情境千變萬化，ALI 能否做出包含「道德價值的判斷」將是一大挑戰！

中研院歐美研究所陳弘儒助研究員察覺，人工智慧（AI）正在左右人們對守法的價值判斷及背後的因果結構，進而反思當我們將原本由人來判斷的事項，全權交由 AI 來執行時，可能產生哪些潛移默化的影響？

讓我們與陳弘儒展開一場從法哲學出發的對話，探索 AI 與法治價值之間的緊張關係。

怎麼會對「人工智慧」（AI）與「法律人工智慧系統」（ALI）產生研究興趣？

會對 AI 感興趣是因為我很早就對電腦有興趣，我原本大學想唸資訊工程，因為高中有些科目沒辦法唸，於是去唸文組，大學進入法律系就讀，研究所考入「基礎法學組」研讀法哲學。

後來我到美國讀書，當時 AlphaGo 的新聞造成很大的轟動，啟發我思考 AI 的應用應該有些法律課題值得探討，於是開始爬梳 AI 與法律的發展脈絡。

AI 這個詞大概在 1950 年代被提出，而 AI 與法律相關的討論則在 1970、80 年代就有學者開始思考：我們能否將法律推理過程電腦程式化，讓電腦做出跟法律人一樣的判斷？

事實上，AI 沒有在做推理，它做的是機率的演算，但法律是一種規範性的判斷，所有判斷必須奠基在法律條文的認識與解釋上，給予受審對象合理的判決理由。

這讓我好奇：如果未來廣泛應用 AI 執法，法律或受法律規範的民眾會怎麼轉變？

至於真正開始研究「法律人工智慧系統」（ALI）是受到我父親的啟發。有一陣子我經常開車南北往返，有一天我跟父親聊到用區間測速執法的議題。交通部曾在萬里隧道使用區間測速，計算你在隧道裡的平均速率，如果超速就開罰。

父親就問我：「政府有什麼理由用區間測速罰我？如果要開罰就必須解釋是哪一個時間點超速。」依照一般的數學邏輯，你一定有在某個時間點超速，所以平均起來的速率才會超過速限，可是法律判斷涉及規範性，我們必須思考背後的正當性課題，不能只用邏輯解釋，這啟發我逐漸把問題勾勒出來，試圖分析執法背後的規範性意涵。

如果將執行法律任務的權限賦予 AI，可能暗藏什麼風險？

我們先來談人類和 AI 在做判斷時的差別。人類無時無刻都在做判斷，判斷的過程通常會先做「區分」，例如在你面前有 A 和 B 兩個選項，在做判斷前必須先把 A 和 B 區分開來，讓選項有「可區別性」。

在資料龐大的情況下，AI 的優勢在於能協助人類快速做好區分，可是做判斷還需經歷一段 AI 難以觸及的複雜過程。人類在成長過程中會發展出一套顧及社會與文化認知的世界觀，做判斷時通常會將要區分的選項放進這個世界觀中，最終做出符合社會或自身考量的抉擇。

當我們將判斷程序交由 AI 執行，就會涉及「判斷權限移轉」的問題，這經常在日常生活中發生，你只要發現原本自己可以執行的事情，有另外一個對象做的比你好或差不多好，你就會漸漸把判斷的工作交給它，久而久之，你大概會覺得這是很好的做法，因為可以節省大量時間。

我擔心這種判斷權限移轉會快速且廣泛的發生，因為 AI 的工作效率極高，可以大幅節省人力成本，但是哪一些權限可以放給 AI？哪一些權限人類一定要守住？我們經常沒有充足的討論，等到發生問題再亡羊補牢可能為時已晚。

以讓道給救護車而闖紅燈的情境為例，如果讓 AI 來做交管，可以節省警察人力，又可以快速精準地開罰，卻迫使民眾需額外花時間，證明闖紅燈有正當理由。如果是真人警察來判斷，警察通常會認為你的行為有正當理由而不開罰。這對於受法律規範的民眾來說，會產生兩種全然不同的規範作用。

AI 產生的規範作用會讓民眾擔心事後銷單的麻煩程序，如果無法順利解決，可能會訴諸民意代表或上爆料公社，並漸漸改變民眾對守法的態度。而真人警察產生的規範作用，將使民眾自主展現對法律的高度重視，雖然當下的行為牴觸法律，卻是行為人經過多方權衡後做的判斷，相信法律會支持自己出於同理心的行為。

使用 AI 執法除了看上它的高效率，也是因為和真人相比 AI 不會受私情影響，比較可以做出公正的判斷。如果從法治觀念來看，為何決策權不能全權交由 AI 執行？

我認為法治的核心價值在臺灣並沒有很好的發展，我們常想的是怎麼用處罰促成民眾守法，長久下來可能會得到反效果。當人們養成凡事規避處罰的習慣，一旦哪天不再受法律約束，可能會失去守法的動機。

事實上，法治最根深柢固的價值為：

法律作為一種人類行為規範的展現，促使民眾守法的方式有很多種，關鍵在於尊重人的道德自主性，並向民眾陳述判決理由。

給理由非常重要，可以讓民眾不斷透過理由來跟自己和法律體系溝通。如此也可以形成一種互惠關係，使民眾相信，國家公權力能用適當的理由來制定法律，而制定出的法律是以尊重公民自主性為主。當民眾理解法律對我所處的社會有利，會比較願意自動產生守法的動機。

AI 執法看似比人類「公正無私」，但它的執法方式以處罰為主、缺乏理由陳述，也沒有對具體情境的「敏感性」。人跟人之間的互動經常需要敏感性，這樣才能理解他人到底在想什麼。這種敏感性是要鍛鍊的，真人警察可在執法過程中，透過拿捏不同情境的處理方式來累積經驗。

例如在交通尖峰時段應該以維持交通順暢為原則，這時警察是否具備判斷的敏感性就很重要，例如看到輕微的違規不一定要大動作開罰，可以吹個警笛給駕駛警示一下就好。

我越來越覺得人類這種互動上的敏感性很重要，我們會在跟他人相處的過程中思考：跟我溝通的對象是什麼樣的人？我在他心中是什麼模樣？然後慢慢微調表現方式，這是人類和 AI 最根本的不同。

相較於法律人工智慧，ChatGPT 等生成式 AI 強大的語言功能似乎更接近理想中的 AI，其發展可能對我們產生哪些影響？

我認為會有更複雜的影響。ChatGPT 是基於大型語言模型的聊天機器人，使用大量自然語言文本進行深度學習，在文本生成、問答對話等任務上都有很好的表現。因此，在與 ChatGPT 互動的過程中，我們容易產生一種錯覺，覺得螢幕後好像有一名很有耐心的真人在跟你對話。

事實上，對於生成式 AI 來說，人類只是刺激它運作的外在環境，人機之間的互動並沒有想像中的對等。

仔細回想一下整個互動過程，每當外在環境（人類）給 ChatGPT 下指令，系統才會開始運作並生成內容，如果我們不滿意，可以再調整指令，系統又會生成更多成果，這跟平常的人際互動方式不太一樣。

資工人員可能會用這個理由說明，生成式 AI 只是一種工具，透過學習大量資料的模式和結構，從而生成與原始資料有相似特徵的新資料。

上述想法可能會降低人們對「資料」（Data）的敏感性。由於在做 AI 訓練、測試與調整的過程中，都必須餵給 AI 大量資料，如果不知道資料的生產過程和內部結構，後續可能會產生爭議。

另一個關於資料的疑慮是，生成式 AI 的研發與使用涉及很多權力不對等問題。例如現在主流的人工智慧系統都是由私人公司推出，並往商業或使用者付費的方向發展，代表許多資料都掌握在這些私人公司手中。

資料有一種特性，它可以萃取出「資訊」（Information），誰有管道可以從一大群資料中分析出有價值的資訊，誰就有權力影響資源分配。換句話說，多數人透過輸入資料換取生成式 AI 的服務，可是從資料萃取出的資訊可能在我們不知情的狀況下對我們造成影響。

面對勢不可擋的生成式 AI 浪潮，人文社會學者可以做些什麼？

國外對於 AI 的運用開始提出很多法律規範，雖然國外關於價值課題的討論比臺灣多，但並不代表那些討論都很細緻深入，因為目前人類跟 AI 的相遇還沒有很久，大家還在探索哪些議題應該被提出，或賦予這些議題重新認識的架構。

這當中有一個重要課題值得思考：

我們需不需要訓練 AI 學會人類的價值判斷？

我認為訓練 AI 理解人類的價值判斷很可能是未來趨勢，因為 AI 的發展會朝人機互動模式邁進，唯有讓 AI 逐漸理解人類的價值為何，以及人類價值在 AI 運作中的局限，我們才有辦法呈現 AI 所涉及的價值課題。

當前的討論多數還停留在把 AI 當成一項技術，我認為這種觀點將來會出問題，強大的技術如果沒有明確的價值目標，是一件非常危險的事情。實際上，AI 的發展必定有很多價值課題涉入其中，或者在設計上有一些價值導向會隱而不顯，這將影響 AI 的運作與輸出成果。

思考怎麼讓 AI 理解人類價值判斷的同時，也等於在問我們人類：對我們來說哪一些價值是重要的？而這些重要價值的基本內容與歧異為何？

我目前的研究有幾個方向，一個是研究法律推理的計算機模型（Computational models of legal reasoning）；另一個是從規範性的層面去探討，怎麼把價值理論、政治道德（Political morality）、政治哲學等想法跟科技界交流。未來也會透過新的視野省視公民不服從議題。

這將有助科技界得知，有很多價值課題需要事先想清楚，影響將擴及工程師怎麼設計人工智慧系統？設計過程面臨哪些局限？哪些局限不應該碰，或怎麼把某些局限展現出來？我覺得這些認識都非常重要！

鐵面無私的 ALI ？人類與人工智慧執法最大的分野是什麼？

陳弘儒是臺灣少數以法哲學理論研究法律人工智慧系統（ALI）的學者，他結合各種現實情境，與我們談論 ALI、生成式 AI 與當代法治價值的緊張關係。

由於 ALI 擅長的資料分類與演算，與人類判斷過程中涉及的世界觀與敏感性思辨，有著根本上的差異；以處罰為主、缺乏理由陳述的判斷方式，也容易影響民眾對公權力的信任。因此陳弘儒認為，目前 ALI 應該以「輔助人類執法」為發展目標，讓人類保有最終的判斷權限。

至於現正快速發展的生成式 AI ，根據陳弘儒的觀察，目前仍有待各方專家探索其中的價值課題，包括資料提供與使用的權力不對等、哪些人類價值在訓練 AI 的過程中值得關注等。

在過去多是由人文社會學者提出警告，現在連 AI 領域的權威專家也簽署公開信並呼籲：AI 具有與人類競爭的智慧，這可能給社會和人類帶來巨大風險，應該以相應的關注和資源進行規劃和管理。

在訪談過程中，有一件令人印象深刻的小插曲，陳弘儒希望我們不要稱呼他「老師」，因為他從小就畏懼老師、警察等有權威身分的人，希望以更平等的方式進行對話。

假如今天以 AI 進行採訪，整個談話過程或許能不受倫理輩分影響，但這也讓我們意識到，在 AI 的世界裡，許多人際互動特有的敏感性、同理反思都可能不復存在。

陳弘儒的研究讓我們體會，AI 在法治領域的應用不僅是法律問題，背後更包含深刻的哲學、道德與權力課題，也讓我們更了解法治的核心價值：

法律要做的不只是規範人們的行為，而是透過理由陳述與溝通展現對每個人道德自主性的尊重。

習得無助、控制感，以及憂鬱

提過塞利格曼等人發現的「習得無助」現象，他們進行了一系列動物基本學習歷程的實驗，訓練動物跳過柵欄以避開腳下的電擊。動物通常很快就能學會怎麼做，但有一組動物，因為先前經歷過一連串無法躲避的電擊，所以始終都學不會，牠們甚至放棄嘗試，只是待在原地乖乖接受電擊，而從不試著跳過柵欄。研究者的解釋是，當動物遭受自己無法控制的電擊，就會學到不管怎麼做都無濟於事，這樣的習得無助感會轉移到新情境，即使牠們能夠控制這個新情境，還是會放棄嘗試。

塞利格曼深入研究習得無助現象之後，驚訝地發現，這些無助的動物跟憂鬱症患者有許多共同點，尤其是兩者的消極心態，憂鬱症患者有時連「今天要穿什麼衣服」這樣的小事都力不從心。塞利格曼推論，至少有部分憂鬱症患者是因為經歷過一次強烈的失控感，於是開始相信自己對任何事都無能為力，並認為這種無助感會一直持續出現在各種情境。根據塞利格曼的假設，擁有控制感對於心理健康至關重要。

五十多年前，一項研究以三個月大的嬰兒為受試者，凸顯了控制感的重要性。研究者將嬰兒分成兩組，A 組是有控制權的嬰兒，他們躺在嬰兒床上，頭靠著枕頭，床的上方倒掛著一把半透明的傘，裡面用彈簧黏著幾隻動物玩偶，如果嬰兒轉一下頭，傘裡的燈就會亮起，嬰兒就可以看到那些玩偶在「跳舞」，但一會兒燈就熄滅了。當 A 組嬰兒碰巧轉頭，讓傘裡的燈亮起並看到玩偶，他們就會表現出好奇、開心和興奮的樣子，而且很快就學會利用轉頭來控制玩偶的出現，然後一次又一次重複這個動作，看起來一直都很開心。B 組嬰兒則沒有控制權，只有在 A 組轉頭時，他們床上的燈也跟著亮起，才可以「順便」看到玩偶， 所以 B 組看到玩偶的次數和時間都跟 A 組一樣多，但他們只有在一開始表現得跟 A 組一樣開心，然後很快就因為適應而失去興趣。

研究者從兩組嬰兒的反應差異，得到下列結論：讓嬰兒一直很開心的原因，並不是會跳舞的動物玩偶，而是控制感。A 組嬰兒之所以對著玩偶咯咯笑個不停，是因為他們似乎知道是自己讓這一切發生，「是我幹的好事，很棒吧，而且只要我想要，隨時都可以再來一次」。B 組嬰兒雖然什麼都不用做就可以看到玩偶，但是卻沒有體驗到這種令人興奮的控制感。

小嬰兒幾乎無法控制任何事物，既不能任意靠近自己想要的東西，也無法離討厭的東西遠遠地。他們無法靈活控制自己的手，所以抓取或操作物品都很吃力。他們還會無預警地被被東戳戳、西捏捏，或是被抱起又放下。小嬰兒的世界就是只能被動讓事情發生在自己身上，任由別人擺佈。或許正是基於這個原因，當他們偶然發現自己可以控制那麼一點小事， 就異常在意和興奮。

另一項研究以生命的另一端——老年人為受試者，也戲劇化地證明了「控制感」對於幸福快樂的重要性。研究者告訴 A 組養老院的住民必須為自己負責、照顧好自己；B 組住民則被告知他們的一切生活起居都由工作人員打理。此外，A 組每天都要決定一些簡單的事，並照顧一盆植物；B 組則沒有任何決定權，他們的植物也由工作人員照顧。結果，A 組老人（對自己的生活有一定的控制權）比 B 組（沒有控制權）更有活力、更靈敏，主觀幸福感也更高。最引人注目的是，A 組的平均壽命比 B 組多好幾年。可見，從出生到死亡，人都需要擁有對生活的掌控權。 

無助感、憂鬱和歸因風格

塞利格曼的「無助－憂鬱理論」仍然受到質疑，最大的問題是，並非每個失去掌控感的人都會陷入憂鬱。因此，塞利格曼和同事在 1978 年修正了這一理論，並指出在無助感和憂鬱之間，還存在另一個重要的心理歷程。根據修正後的新理論，人在失敗和失去掌控感之後，會問自己為什麼，像是「為什麼他要跟我分手？」「為什麼我被刷下來？」「為什麼我沒有談成那筆生意？」「為什麼我的成績這麼爛？」。換句話說，人會尋找失敗的原因。

塞利格曼等人認為，人對事情的解釋——即歸因風格（attributional style）大致有兩種，每種風格都傾向接受特定類型的原因，而這些原因不一定跟實際情形有關。根據歸因風格的特性，造成失敗的原因可以分成三個向度：全面或特定、長期或短暫、內在或外在。

假設你去應徵一份行銷業務的職缺，卻沒被錄取，你在分析自己為什麼會失敗時，下面是一些可能的原因： 

全面：我的自傳和履歷都寫得不好，面試時又很緊張，看來不管找什麼工作都不會被錄取了。

特定：我對那家公司的產品類型不太了解，我得多做一些功課，面試時才能脫穎而出。

長期：我的個性不是很主動積極，也無法擔負責任，這份工作根本不適合我。

短暫：我最近感冒，好幾天沒睡好，面試時狀態不佳。

內在：原本應該可以順利得到這份工作，是我自己搞砸了。

外在：他們應該早就內定好了，找人去面試只是做做樣子，大家都是去陪榜的。

如果你用特定、短暫、外在因素去解釋自己為何沒被錄取，那麼你對下次找工作的預期會是什麼？你也許會想：如果去應徵自己熟悉的領域，並且保持睡眠充足，自己也更主動機靈一點，而且面試沒有黑箱作業，一切就會很順利。換句話說，這次的失敗經驗不太會影響下次找工作的表現。

反之，假設你用全面、長期、內在角度看待自己的失敗，認為自己的履歷毫不起眼， 面試時老是緊張得說不出話，而且個性太被動，別人都比自己更適合這份工作，那麼你預期的未來就會黯淡無光，你不但沒得到這份工作，接下來要找任何工作都會很困難。

修正後的「無助－憂鬱理論」認為，如果用全面、長期、內在因素去解釋失敗，那麼由失敗或失去掌控所引發的無助感才會導致憂鬱，因為在這種情況下，人有充分理由預期自己將不斷遭遇失敗。既然註定會失敗，那麼每天起床、換好衣服，繼續應徵下一份工作又有什麼意義？ 

對上述理論的檢驗已得到令人矚目的結果。人確實會表現出不同的歸因風格，「樂觀者」會將自己的成功解釋為全面、長期、內在因素所致，而認為失敗是由特定、短暫、外在因素造成。「悲觀者」則恰好相反。如果兩個人得到同樣的分數，樂觀者會說「我得了 A」 或「她給我成績打 C」，悲觀者卻說「她給我打 A」或「我得了 C」，因此悲觀者更可能陷入憂鬱。此外，從一個人的歸因風格也可以預測他未來遭受失敗時是否會憂鬱。如果認為失敗的原因是全面性的，就會預期自己在其他生活領域也會遭遇失敗，而如果歸因於特定因素則不會這麼想；如果認為失敗的原因是長期性的，就會預期失敗將一直發生，而如果歸因於短暫因素就不會這麼想；如果認為失敗是跟個人內在因素有關，自尊就會遭受嚴重打擊，而如果歸因於外在因素則不會如此。

這並不表示，把功勞都歸於自己，把失敗都歸咎於外在環境，就是擁有成功、幸福人生的祕訣。最好的方法是面對現實、做出正確歸因，雖然這樣做可能會造成情緒負荷，但準確分析成敗原因，並找出問題所在，才可能在下一次獲得更好的結果。不過平心而論，在大多數情況下，過度自責確實會造成不良心理後果。正如接下來所要探討的，在擁有無限選擇的世界，人們更容易因為結果不如意而自責。

——本書摘自《選擇的弔詭》，2023 年 11 月，一起來出版，未經同意請勿轉載。