今天這集影片我們準備拿 ChatGPT、Google Bard AI 跟微軟的 Bing AI 來作一個大亂鬥比賽，我們準備了幾個不同的挑戰看誰最厲害。
因為 Bard 跟 Bing 都是免費提供，為了公平性，我主要會使用免費的 GPT 3.5 來比較，不過我同時會放上 GPT-4 開啟網路瀏覽功能的結果來給各位作參考。
評比的成果我會給一顆星到五顆星來呈現，主要分為四個類別：易用性、實用性、創造性以及回應速度。
看完今天的影片，你會想要使用Bing、Bard還是Chatgpt呢？歡迎在影片下方留下你的看法
如果這支影片對你有幫助的話，請幫我在影片下方點個喜歡，並且把這支影片分享給需要的朋友，最後別忘了訂閱泛科學院的頻道，我們下支影片再見囉。
更多、更完整的內容，歡迎上泛科學院的 youtube 頻道觀看完整影片，並開啟訂閱獲得更多有趣的資訊！
本文與 TRPMA 台灣研發型生技新藥發展協會合作，泛科學企劃執行
如果把癌細胞比喻成身體裡的頭號通緝犯，那誰來負責逮捕？
許多人第一時間想到的，可能是化療、放療這些外來的「賞金獵人」。但其實，我們體內早就駐紮著一支最強的警察部隊「免疫系統」。
既然「免疫系統」的警力這麼堅強，為什麼癌症還是屢屢得逞？關鍵就在於：癌細胞是偽裝高手。有的會偽造「良民證」，騙過免疫系統的菁英部隊；更厲害的，甚至能直接掛上「免查通行證」，讓負責巡邏的免疫細胞直接視而不見，大搖大擺地溜過。
過去，免疫檢查點抑制劑的問世，為癌症治療帶來突破性的進展，成功撕下癌細胞的偽裝，也讓不少患者重燃希望。不過，目前在某些癌症中，反應率仍只有兩到三成，顯示這條路還有優化的空間。
今天，我們要來聊的，就是科學家如何另闢蹊徑，找出那些連「通緝令」都發不出去的癌細胞。這個全新的免疫策略，會是破解癌症偽裝的新關鍵嗎？
在回答問題之前，我們先從人類對抗癌症的「治療演變」說起。
最早的「傳統化療」，就像威力強大的「七傷拳」，殺傷力高，但不分敵我，往往是殺敵一千、自損八百，副作用極大。接著出現的「標靶藥物」，則像能精準出招的「一陽指」，能直接點中癌細胞的「穴位」，大幅減少對健康細胞的傷害，副作用也小多了。但麻煩的是，癌細胞很會突變，用藥一段時間就容易產生抗藥性，這套點穴功夫也就漸漸失靈。
直到這個世紀，人類才終於領悟到：最強的武功，是驅動體內的「原力」，也就是「重新喚醒免疫系統」來對付癌症。這場關鍵轉折，也開啟了「癌症免疫療法」的新時代。
你可能不知道，就算在健康狀態下，平均每天還是會產生數千個癌細胞。而我們之所以安然無恙，全靠體內那套日夜巡邏的「免疫監測 (immunosurveillance)」機制，看到癌細胞就立刻清除。但，癌細胞之所以難纏，就在於它會發展出各種「免疫逃脫」策略。
免疫系統中，有一批受過嚴格訓練的菁英，叫做「T細胞」，他們是執行最終擊殺任務的霹靂小組。狡猾的癌細胞為了躲過追殺，會在自己身上掛出一張「偽良民證」，這個偽裝的學名，「程序性細胞死亡蛋白配體-1 (programmed death-ligand 1, PD-L1) 」，縮寫PD-L1。
當T細胞來盤查時，T細胞身上帶有一個具備煞車功能的「讀卡機」，叫做「程序性細胞死亡蛋白受體-1 (programmed cell death protein 1, PD-1) 」，簡稱 PD-1。當癌細胞的 PD-L1 跟 T細胞的 PD-1 對上時，就等於是在說：「嘿，自己人啦！別查我」，也就是腫瘤癌細胞會表現很多可抑制免疫 T 細胞活性的分子，這些分子能通過免疫 T 細胞的檢查哨，等於是通知免疫系統無需攻擊的訊號，因此 T 細胞就真的會被唬住，轉身離開且放棄攻擊。
這種免疫系統控制的樞紐機制就稱為「免疫檢查點 （immune checkpoints）」。而我們熟知的「免疫檢查點抑制劑」，作用就像是把那張「偽良民證」直接撕掉的藥物。良民證一失效，T細胞就能識破騙局、發現這是大壞蛋，重新發動攻擊！
目前免疫療法已成為晚期癌症患者心目中最後一根救命稻草，理由是他們的體能可能無法負荷化療帶來的副作用；標靶藥物雖然有效，不過在用藥一段期間後，終究會出現抗藥性；而「免疫檢查點抑制劑」卻有機會讓癌症獲得長期的控制。
由於免疫檢查點抑制劑是借著免疫系統的刀來殺死腫瘤，所以有著毒性較低並且治療耐受性較佳的優勢。對免疫檢查點抑制劑有治療反應的患者，也能獲得比起化療更長的存活期，以及較好的生活品質。
不過，儘管免疫檢查點抑制劑改寫了治癌戰局，這些年下來，卻仍有些問題。
「免疫檢查點抑制劑」雖然帶來治療突破，但還是有不少挑戰。
首先，是藥費昂貴。 雖然在台灣，健保於 2019 年後已有條件給付，但對多數人仍是沉重負擔。 第二，也是最關鍵的，單獨使用時，它的治療反應率並不高。在許多情況下，大約只有 2成到3成的患者有效。
換句話說，仍有七到八成的患者可能看不到預期的效果，而且治療反應又比較慢，必須等 2 至 3 個月才能看出端倪。對患者來說，這種「沒把握、又得等」的療程，心理壓力自然不小。
為什麼會這樣？很簡單，因為這個方法的前提是，癌細胞得用「偽良民證」這一招才有效。但如果癌細胞根本不屑玩這一套呢？
想像一下，整套免疫系統抓壞人的流程，其實是這樣運作的：當癌細胞自然死亡，或被初步攻擊後，會留下些許「屍塊渣渣」——也就是抗原。這時，體內負責巡邏兼清理的「巨噬細胞」就會出動，把這些渣渣撿起來、分析特徵。比方說，它發現犯人都戴著一頂「大草帽」。
接著，巨噬細胞會把這個特徵，發布成「通緝令」，交給其他免疫細胞，並進一步訓練剛剛提到的菁英霹靂小組─T細胞。T細胞學會辨認「大草帽」，就能出發去精準獵殺所有戴著草帽的癌細胞。
而PD-1/PD-L1 的偽裝術，是發生在最後一步：T 細胞正準備動手時，癌細胞突然高喊：「我是好人啊！」，來騙過 T 細胞。
但問題若出在第一步呢？如果第一關，巡邏的警察「巨噬細胞」就完全沒有察覺這些屍塊有問題，根本沒發通緝令呢？
這正是更高竿的癌細胞採用的策略：它們在細胞表面大量表現一種叫做「 CD47 」的蛋白質。這個 CD47 分子，就像一張寫著「自己人，別吃我！」的免死金牌，它會跟巨噬細胞上的接收器─訊號調節蛋白α (Signal regulatory protein α，SIRPα) 結合。當巨噬細胞一看到這訊號，大腦就會自動判斷：「喔，這是正常細胞，跳過。」
結果會怎樣？巨噬細胞從頭到尾毫無動作，癌細胞就大搖大擺地走過警察面前，連罪犯「戴草帽」的通緝令都沒被發布，T 細胞自然也就毫無頭緒要出動！
這就是為什麼只阻斷 PD-L1 的藥物反應率有限。因為在許多案例中，癌細胞連進到「被追殺」的階段都沒有！
為了解決這個問題，科學家把目標轉向了這面「免死金牌」，開始開發能阻斷 CD47 的生物藥。但開發 CD47 藥物的這條路，可說是一波三折。
研發抗癌新藥，就像打造一把神兵利器，太強、太弱都不行！
第一代 CD47 藥物，就是威力太強的例子。第一代藥物是強效的「單株抗體」，你可以想像是超強力膠帶，直接把癌細胞表面的「免死金牌」CD47 封死。同時，這個膠帶尾端還有一段蛋白質IgG-Fc，這段蛋白質可以和免疫細胞上的Fc受體結合。就像插上一面「快來吃我」的小旗子，吸引巨噬細胞前來吞噬。
問題來了！CD47 不只存在於癌細胞，全身上下的正常細胞，尤其是紅血球，也有 CD47 作為自我保護的訊號。結果，第一代藥物這種「見 CD47 就封」的策略，完全不分敵我，導致巨噬細胞連紅血球也一起攻擊，造成嚴重的貧血問題。
這問題影響可不小，導致一些備受矚目的藥物，例如美國製藥公司吉立亞醫藥（Gilead）的明星藥物 magrolimab，在2024年2月宣布停止開發。它原本是預期用來治療急性骨髓性白血病（AML）的單株抗體藥物。
太猛不行，那第二代藥物就改弱一點。科學家不再用強效抗體，而是改用「融合蛋白」，也就是巨噬細胞身上接收器 SIRPα 的一部分。它一樣會去佔住 CD47 的位置，但結合力比較弱，特別是跟紅血球的 CD47 結合力，只有 1% 左右，安全性明顯提升。
像是輝瑞在 2021 年就砸下 22.6 億美元，收購生技公司 Trillium Therapeutics 來開發這類藥物。Trillium 使用的是名為 TTI-621 和 TTI-622 的兩種融合蛋白，可以阻斷 CD47 的反應位置。但在輝瑞2025年4月29號公布最新的研發進度報告上，TTI-621 已經悄悄消失。已經進到二期研究的TTI-622，則是在6月29號，研究狀態被改為「已終止」。原因是「無法招募到計畫數量的受試者」。
但第二代也有個弱點：為了安全，它對癌細胞 CD47 的結合力，也跟著變弱了，導致藥效不如預期。
於是，第三代藥物的目標誕生了：能不能打造一個只對癌細胞有超強結合力，但對紅血球幾乎沒反應的「完美武器」？
為了找出這種神兵利器，科學家們搬出了超炫的篩選工具：噬菌體（Phage），一種專門感染細菌的病毒。別緊張，不是要把病毒打進體內！而是把它當成一個龐大的「鑰匙資料庫」。
科學家可以透過基因改造，再加上AI的協助，就可以快速製造出數億、數十億種表面蛋白質結構都略有不同的噬菌體模型。然後，就開始配對流程：
接著，就是把這把「神鑰」的結構複製下來，大量生產。可能會從噬菌體上切下來，或是定序入選噬菌體的基因，找出最佳序列。再將這段序列，放入其他表達載體中，例如細菌或是哺乳動物細胞中來生產蛋白質。最後再接上一段能號召免疫系統來攻擊的「標籤蛋白 IgG-Fc」，就大功告成了！
目前這領域的領頭羊之一，是美國的 ALX Oncology，他們的產品 Evorpacept 已完成二期臨床試驗。但他們的標籤蛋白使用的是 IgG1，對巨噬細胞的吸引力較弱，需要搭配其他藥物聯合使用。
而另一個值得關注的，是總部在台北的漢康生技。他們利用噬菌體平台，從上億個可能性中，篩選出了理想的融合蛋白 HCB101。同時，他們選擇的標籤蛋白 IgG4，是巨噬細胞比較「感興趣」的類型，理論上能更有效地觸發吞噬作用。在臨床一期試驗中，就展現了單獨用藥也能讓腫瘤顯著縮小的效果以及高劑量對腫瘤產生腫瘤顯著部分縮小效果。因為它結合了前幾代藥物的優點，有人稱之為「第 3.5 代」藥物。
除此之外，還有漢康生技的FBDB平台技術，這項技術可以將多個融合蛋白「串」在一起。例如，把能攻擊 CD47、PD-L1、甚至能調整腫瘤微環境、活化巨噬細胞與T細胞的融合蛋白接在一起。讓這些武器達成 1+1+1 遠大於 3 的超倍攻擊效果，多管齊下攻擊腫瘤細胞。
從撕掉「偽良民證」的 PD-L1 抑制劑，到破解「免死金牌」的 CD47 藥物，再到利用 AI 和噬菌體平台，設計出越來越精準的千里追魂香。
對我們來說，最棒的好消息，莫過於這些免疫療法，從沒有停下改進的腳步。科學家們正一步步克服反應率不足、副作用等等的缺點。這些努力，都為癌症的「長期控制」甚至「治癒」，帶來了更多的希望。
討論功能關閉中。
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。
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！
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。
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。
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。
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。
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。
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
討論功能關閉中。
本文由 鼎新數智 與 泛科學 共同規劃與製作
你有沒有想過，當 AI 根據病歷與 X 光片就能幫你診斷病症，或者決定是否批准貸款，甚至從無人機發射飛彈時，它的每一步「決策」是怎麼來的？如果我們不能知道 AI 的每一個想法步驟，對於那些 AI 輔助的診斷和判斷，要我們如何放心呢？
馬斯克與 OpenAI 的奧特曼鬧翻後，創立了新 AI 公司 xAI，並推出名為 Grok 的產品。他宣稱目標是以開源和可解釋性 AI 挑戰其他模型，而 xAI 另一個意思是 Explainable AI 也就是「可解釋性 AI」。
如今，AI 已滲透生活各處，而我們對待它的方式卻像求神問卜，缺乏科學精神。如何讓 AI 具備可解釋性，成為當前關鍵問題？
無法解釋的 AI 究竟會帶來多少問題？試想，現在許多銀行和貸款機構已經使用 AI 評估借貸申請者的信用風險，但這些模型往往如同黑箱操作。有人貸款被拒，卻完全不知原因，感覺就像被分手卻不告訴理由。更嚴重的是，AI 可能擅自根據你的住所位置或社會經濟背景給出負面評價，這些與信用風險真的相關嗎？這種不透明性只會讓弱勢群體更難融入金融體系，加劇貧富差距。這種不透明性，會讓原本就已經很難融入金融體系的弱勢群體，更加難以取得貸款，讓貧富差距越來越大，雪上加霜。
AI 不僅影響貸款，還可能影響司法公正性。美國部分法院自 2016 年起使用「替代性制裁犯罪矯正管理剖析軟體」 COMPAS 這款 AI 工具來協助量刑，試圖預測嫌犯再犯風險。然而，這些工具被發現對有色人種特別不友好，往往給出偏高的再犯風險評估，導致更重的刑罰和更嚴苛的保釋條件。更令人擔憂的是，這些決策缺乏透明度，AI 做出的決策根本沒法解釋，這讓嫌犯和律師無法查明問題根源，結果司法公正性就這麼被悄悄削弱了。
此外，AI 在醫療、社交媒體、自駕車等領域的應用，也充滿類似挑戰。例如，AI 協助診斷疾病，但若原因報告無法被解釋，醫生和患者又怎能放心？同樣地，社群媒體或是 YouTube 已經大量使用 AI 自動審查，以及智慧家居或工廠中的黑盒子問題，都像是一場越來越複雜的魔術秀——我們只看到結果，卻無法理解過程。這樣的情況下，對 AI 的信任感就成為了一個巨大的挑戰。
原因有二。首先，深度學習模型結構複雜，擁有數百萬參數，人類要追蹤每個輸入特徵如何影響最終決策結果，難度極高。例如，ChatGPT 中的 Transformer 模型，利用注意力機制（Attention Mechanism）根據不同詞之間的重要性進行特徵加權計算，因為機制本身涉及大量的矩陣運算和加權計算，這些數學操作使得整個模型更加抽象、不好理解。
其次，深度學習模型會會從資料中學習某些「特徵」，你可以當作 AI 是用畫重點的方式在學習，人類劃重點目的是幫助我們加速理解。AI 的特徵雖然也能幫助 AI 學習，但這些特徵往往對人類來說過於抽象。例如在影像辨識中，人類習慣用眼睛、嘴巴的相對位置，或是手指數量等特徵來解讀一張圖。深度學習模型卻可能會學習到一些抽象的形狀或紋理特徵，而這些特徵難以用人類語言描述。
深度學習模型通常採用分佈式表示（Distributed Representation）來編碼特徵，意思是將一個特徵表示為一個高維向量，每個維度代表特徵的不同方面。假設你有一個特徵是「顏色」，在傳統的方式下，你可能用一個簡單的詞來表示這個特徵，例如「紅色」或「藍色」。但是在深度學習中，這個「顏色」特徵可能被表示為一個包含許多數字的高維向量，向量中的每個數字表示顏色的不同屬性，比如亮度、色調等多個數值。對 AI 而言，這是理解世界的方式，但對人類來說，卻如同墨跡測驗般難以解讀。
試想，AI 協助診斷疾病時，若理由是基於醫生都無法理解的邏輯，患者即使獲得正確診斷，也會感到不安。畢竟，人們更相信能被理解的東西。
首先，可以利用熱圖（heatmap）或注意力圖這類可視化技術，讓 AI 的「思維」有跡可循。這就像行銷中分析消費者的視線停留在哪裡，來推測他們的興趣一樣。在卷積神經網絡和 Diffusion Models 中 ，當 AI 判斷這張照片裡是「貓」還是「狗」時，我需要它向我們展示在哪些地方「盯得最緊」，像是耳朵的形狀還是毛色的分布。
其次是局部解釋，LIME 和 SHAP 是兩個用來發展可解釋 AI 的局部解釋技術。
SHAP 的概念來自博弈，它將每個特徵看作「玩家」，而模型的預測結果則像「收益」。SHAP 會計算每個玩家對「收益」的貢獻，讓我們可以了解各個特徵如何影響最終結果。並且，SHAP 不僅能透過「局部解釋」了解單一個結果是怎麼來的，還能透過「全局解釋」理解模型整體的運作中，哪些特徵最重要。
以實際的情景來說，SHAP 可以讓 AI 診斷出你有某種疾病風險時，指出年齡、體重等各個特徵的影響。
LIME 的運作方式則有些不同，會針對單一個案建立一個簡單的模型，來近似原始複雜模型的行為，目的是為了快速了解「局部」範圍內的操作。比如當 AI 拒絕你的貸款申請時，LIME 可以解釋是「收入不穩定」還是「信用紀錄有問題」導致拒絕。這種解釋在 Transformer 和 NLP 應用中廣泛使用，一大優勢是靈活且計算速度快，適合臨時分析不同情境下的 AI 判斷。比方說在醫療場景，LIME 可以幫助醫生理解 AI 為何推薦某種治療方案，並說明幾個主要原因，這樣醫生不僅能更快做出決策，也能增加患者的信任感。
第三是反事實解釋：如果改變一點點，會怎麼樣？
如果 AI 告訴你：「這家銀行不會貸款給你」，這時你可能會想知道：是收入不夠，還是年齡因素？這時你就可以問 AI：「如果我年輕五歲，或者多一份工作，結果會怎樣？」反事實解釋會模擬這些變化對結果的影響，讓我們可以了解模型究竟是如何「權衡利弊」。
最後則是模型內部特徵的重要性排序。這種方法能顯示哪些輸入特徵對最終結果影響最大，就像揭示一道菜中，哪些調味料是味道的關鍵。例如在金融風險預測中，模型可能指出「收入」影響了 40%，「消費習慣」占了 30%，「年齡」占了 20%。不過如果要應用在像是 Transformer 模型等複雜結構時，還需要搭配前面提到的 SHAP 或 LIME 以及可視化技術，才能達到更完整的解釋效果。
講到這裡，你可能會問：我們距離能完全信任 AI 還有多遠？又或者，我們真的應該完全相信它嗎？
當未來你和 AI 同事深度共事，你自然希望它的決策與行動能讓你認可，幫你省心省力。因此，AI 既要「可解釋」，也要「能代理」。
舉例來說，當一家公司要做一個看似「簡單」的決策時，背後的過程其實可能極為複雜。例如，快時尚品牌決定是否推出新一季服裝，不僅需要考慮過去的銷售數據，還得追蹤熱門設計趨勢、天氣預測，甚至觀察社群媒體上的流行話題。像是暖冬來臨，厚外套可能賣不動；或消費者是否因某位明星愛上一種顏色，這些細節都可能影響決策。
這些數據來自不同部門和來源，龐大的資料量與錯綜關聯使企業判斷變得困難。於是，企業常希望有個像經營大師的 AI 代理人，能吸收數據、快速分析，並在做決定時不僅給出答案，還能告訴你「為什麼要這麼做」。
傳統 AI 像個黑盒子，而可解釋 AI （XAI）則清楚解釋其判斷依據。例如，為什麼不建議推出厚外套？可能理由是：「根據天氣預測，今年暖冬概率 80%，過去三年數據顯示暖冬時厚外套銷量下降 20%。」這種透明解釋讓企業更信任 AI 的決策。
但會解釋還不夠，AI 還需能真正執行。這時，就需要另一位「 AI 代理人」上場。想像這位 AI 代理人是一位「智慧產品經理」，大腦裝滿公司規則、條件與行動邏輯。當客戶要求變更產品設計時，這位產品經理不會手忙腳亂，而是按以下步驟行動：
這位 AI 代理人不僅能自動處理每個環節，還會記錄每次決策結果，學習如何變得更高效。隨時間推移，這位「智慧產品經理」的判斷將更聰明、決策速度更快，幾乎不需人工干預。更重要的是，這些判斷是基於「以終為始」的原則，為企業成長目標（如 Q4 業績增長 10%）進行連續且動態地自我回饋，而非傳統系統僅月度檢核。
這兩位 AI 代理人的合作，讓企業決策流程不僅透明，還能自動執行。這正是數智驅動的核心，不僅依靠數據驅動決策，還要能解釋每一個選擇，並自動行動。這個過程可簡化為 SUPA，即「感知（Sensing）→ 理解（Understanding）→ 規劃（Planning）→ 行動（Acting）」的閉環流程，隨著數據的變化不斷進化。
以偉勝乾燥工業為例，他們面臨高度客製化與訂單頻繁變更的挑戰。導入鼎新 METIS 平台後，偉勝成功將數智驅動融入業務與產品開發，專案準時率因此提升至 80%。他們更將烤箱技術與搬運機器人結合，開發出新形態智慧化設備，成功打入半導體產業，帶動業績大幅成長，創造下一個企業的增長曲線。
值得一提的是，數智驅動不僅帶動業務增長，還讓員工擺脫繁瑣工作，讓工作更輕鬆高效。
數智驅動的成功不僅依賴技術，還要與企業的商業策略緊密結合。為了讓數智驅動真正發揮作用，企業首先要確保它服務於具體的業務需求，而不是為了技術而技術。
這種轉型需要有策略、文化和具體應用場景的支撐，才能讓數智驅動真正成為企業持續增長的動力。
還在猶豫數智驅動的威力？免費上手企業 AI 助理！ 企業 AI 體驗現在使用專屬邀請碼《 KP05 》註冊就享知：https://lihi.cc/EDUk4 訂閱泛科學獨家知識頻道，深入科技趨勢與議題內容。 立即免費加入 |
